読み込み中

Claudeを使いこなす:研究に基づくカリキュラム

Claudeとの作業で人々がどのように上達していくかについて研究が示すこと、そして 組織に合わせて調整できるカリキュラムモデルについて。

6 分

私たちがAI活用力指数を立ち上げたとき、人々が時間とともにClaudeとの作業でどのように上達していくかを理解したいと考えました。初期のデータはChatから得られたもので、一貫したストーリーを語っていました。フルエンシーは、まったく異なる振る舞いをする2つの軌道に沿って発達するのです。一部のスキルは練習とともに自然に成長し、他のスキルは意図的で繰り返しの指導を必要とします。この発見は、オンボーディングとプロダクト内学習についての私たちの考え方を形作り、組織が自分たちのClaudeトレーニングを構築するための出発点を与えました。

それ以来、私たちはこの指数をClaude CodeとClaude Coworkにも拡張し、11の行動的AI活用力指標にわたる合計5万件以上の会話を対象とするようになりました。フルエンシーは3つのサーフェスすべてで共通の構造を持っていますが、各プロダクトには独自の入り口があります。「Claudeを使いこなせるようになる」とはどういうことかは、どのClaudeを使っているかによって異なります。そして、チームがフルエンシーを築くのを支援する責任がある場合、この違いは何を最初に教えるべきかにとって重要です。

この記事では、私たちが発見したことを説明し、組織に合わせて調整できるシンプルなカリキュラムモデルを提供します。

各プロダクトには「シグネチャームーブ」がある

各Claudeサーフェスは、最初に異なる行動に報酬を与えます。私たちはこれを「シグネチャームーブ」と呼んでいます。これは、存在する場合に他のフルエンシー指標を最も確実に高める、入り口となる行動です。

Chatでは、シグネチャームーブは反復すること(iterating)です。フォローアップのターンを通じて改善するユーザーは、私たちが測定する他のすべての次元でより強いフルエンシーを示し、1つのメッセージを送って離れるユーザーは、批判的評価をほとんど示しません。反復は、他のスキルが発達する余地を生み出します。

Claude CodeとClaude Coworkでは、シグネチャームーブは目標を明確にすること(clarifying the goal)です。両方のエージェント型サーフェスは、Claudeが作業を開始する前に、自分が望むことを明確に述べるユーザーに報酬を与えます。目標を明確にするユーザーは、フォーマットをより頻繁に指定し、インタラクションスタイルをより意図的に設定し、タスクをより効果的に分解します。目標の明確さは、これらのサーフェスでは反復がそうならない形で、記述力(Description)の行動全体と結びついています。

組織向けにClaudeのトレーニングを構築する人にとって、この示唆するところは、オンボーディングでまずシグネチャームーブを教えるべきだということです。早期に反復を確立しないChatのカリキュラムは、その上に何かを構築するのに苦労するでしょう。目標の明確さを確立しないClaude CodeやClaude Coworkのカリキュラムは、曖昧な依頼を渡してから、なぜ出力が的を外したのか疑問に思うユーザーを生み出すでしょう。

記述力(Description)のスペクトルは実践とともに発達する

シグネチャームーブの後、学習者は私たちが「記述力のスペクトル」と呼ぶものに沿って進歩します。これは、Claudeが返すものを形作るために利用できる選択肢の範囲です。このスペクトルは、持続性、つまりその機能がClaudeとのインタラクションにどれだけ長く影響を与えるかによって整理されています。基本的な端では、形作りはその場で行われ、1つの応答に影響します。反復する、コンテキストを追加する、ファイルをアップロードする、といった行動です。高度な端では、形作りは設定の中で行われ、それ以降のすべての応答に、あなたからそれほど労力をかけずに影響を与えます。プロジェクトを設定する、CLAUDE.mdを書く、ワークフローをスケジュールする、といった行動です。

ここで励みになる発見は、記述力のスキルは時間と経験とともに、有機的かつ非線形に成長するように見えるということです。長く使っているユーザーは、より頻繁に例を提供し、インタラクションスタイルをより意図的に設定し、トーンの期待をより明確に伝えます。Claudeを使い続ける人々は、自分自身でこれらのスキルへの道を見つけていくため、トレーニングの時間が限られている場合は、人々にさまざまな種類の記述力をClaudeで練習できるように触れさせるだけで、成果が得られるはずです。

評価力(Discernment)のスパイラルは教えなければならない

評価力、つまりClaudeが返してくるものを評価することに関する一連の行動は、まったく異なる発達をします。在籍期間とともに成長するわけではありません。機能への慣れから転移するわけでもありません。

これは一部、検証の行われ方の変化によって説明できます。Claudeがファイルを編集したり、レポートを作成したりすると、ユーザーはそれが何をしたかを見ることができます。差分を確認し、テストを実行し、出力にざっと目を通します。この観察による検証は実在するものであり、単に見るだけで済む場合には「これは正しいですか?」と入力しないため、私たちの指標はそれを完全には捉えていません。しかし、観察は目に見えるエラーしか捉えません。誤った前提、欠落したコンテキスト、そして一見妥当だが実は誤っている主張を見逃してしまいます。コンパイルが通る差分でも、間違ったアプローチをそのまま含んでいることがありますし、すっきりと読めるレポートでも、間違った出典を引用していることがあります。

また、以前は若手社員が行っていたタスクがClaudeによってますます自動化されるにつれて、人々に「良い仕事とはどのようなものか」を教える意図的なプログラムが必要になります。

トレーニングの時間が限られている場合は、評価力に集中すべきです。

シンプルなカリキュラムモデル

簡単に言うと、教える順序は次のとおりです。

  1. まずシグネチャームーブを教える
  2. 記述力のスペクトルに沿って進む
  3. すべてのステップで評価力を再確認する

正式なモジュールであれ、簡単なチームセッションであれ、すべてのプロダクト学習体験は、そのプロダクトのシグネチャームーブを強化し、学習者に関連する機能を紹介し、評価力のチェックで締めくくるべきです。「さあ、それを疑ってみよう」というステップを組み込むことが、批判的評価をループの中に保ち続ける方法です。

以下の表は、このモデルを各プロダクトに対応させたものです。これらを自分のカリキュラムの出発点として使い、チームが実際に使用しているものに合わせて機能とチェックを調整してください。

Chat

シグネチャームーブ:反復する。フォローアップのターンを通じて改善する。

持続性レベル機能教え方評価力チェック
基本反復、モデル選択、ファイルアップロード、ウェブ検索実演してから、自分のタスクで探索させるこの応答は実際に使えるものか、それとももう一度ターンが必要か?
中間アーティファクト、拡張思考、コネクタ作成とフォーマット指定を組み合わせる。思考を「Claudeにもっと深く考えてほしいとき」のものとして位置づける思考過程を読む。その推論は成り立っているか、それともClaudeはただ自信ありげに聞こえただけか?
持続的プロジェクト、カスタム指示、メモリうまく設定されたプロジェクトが、その中のすべての会話をどのように変えるかを示すあなたのプロジェクトはClaudeに正しいコンテキストを与えているか、それとも単に多くのコンテキストを与えているだけか?

Claude Code

シグネチャームーブ:目標を明確にする。Claudeが実行を始める前に、望むことを述べる。

持続性レベル機能教え方評価力チェック
基本プロンプトの明確さ、ファイル参照、モデル選択1つの明確な目標、1回のエージェント実行、その後レビュー差分を承認する前に、Claudeに何を前提としたかを尋ねる
中間スキル、スラッシュコマンド、MCP再現可能な能力を形作るその能力を、間違える可能性のあるケースでテストする
持続的CLAUDE.md、フック、サブエージェントリポジトリ内のすべてのセッションを形作る設定を点検する。Claudeは期待どおりにそれを使っているか?

Claude Cowork

シグネチャームーブ:目標を明確にする。Claudeが実行する前に、必要なものを明記したブリーフを書く。

持続性レベル機能教え方評価力チェック
基本最初のプロンプト、モデル選択、埋め込まれた質問、出力レビュー自己完結したプロンプトを書く。返ってきたものを確認するこれを使う前に、「何があればこれは間違いになるか」を問う
中間コネクタ、プラグイン、スキル再現可能な取得・生成パターンを形作るコネクタは実際に必要なものを取得したか、それとも見つけやすいものだけを取得したか?
持続的スケジュールされたワークフロー、複数ステップの自動化あなたがいなくても動く作業を形作るこのワークフローが今も良い成果を生み出しているか、最後に確認したのはいつか?

ここからどこへ進むか

AI活用力指数は、これらのパターンを毎月追跡し続けており、プロダクトが進化し、データセットが増えるにつれて、私たちが学んだことを公開し続けます。組織向けにClaudeのトレーニングを構築しており、それをこの研究に基づかせたいと考えている場合、AI活用力のフレームワークと教材は無料で利用できます。また、AI活用力ニュースレターに登録することで、AI活用力に関する新しい研究について通知を受け取ることができます。

私たちは特に、エージェント型サーフェスにおける評価力の指導を試みているチームから話を聞きたいと考えています。データが示すところでは、ユーザーが自然に行うことと、良い実践が求めることとの間に最も大きなギャップがあるのがこの領域だからです。もしそのような取り組みを行っているのであれば、ぜひそこから学ばせてください。