--- title: "「AI 担当」に任命された日のための、最低限の『分かったふり』ガイド | AIコラム - ai-garage" description: "社内 AI 担当に任命された、でも正直そんなに詳しくない。経営層・現場・他部署からの質問にツッコまれずに『分かってる人』として振る舞うための、知っておくべき指標と話し方を ai-garage 編集部が整理。" source: https://ai-garage.jp/column/internal-ai-lead-guide/ --- Column 2026年5月22日 最終更新 2026/10/9 # 「AI 担当」に任命された日のための、最低限の『分かったふり』ガイド 社内 AI 担当に任命された、でも正直そんなに詳しくない。経営層・現場・他部署からの質問にツッコまれずに『分かってる人』として振る舞うための、知っておくべき指標と話し方を ai-garage 編集部が整理。 SY [Seiya Yagashiro](https://ai-garage.jp/site-info/) Editor-in-Chief, ai-garage [#ベンチマーク](https://ai-garage.jp/tags/%E3%83%99%E3%83%B3%E3%83%81%E3%83%9E%E3%83%BC%E3%82%AF/)[#AI導入](https://ai-garage.jp/tags/AI%E5%B0%8E%E5%85%A5/) この記事の要点 - 社内 AI 担当が繰り返し直面するのは、経営層への報告・現場への説明・新モデルの評価の3場面です。最低限の指標と語彙さえ押さえれば、9割は乗り切れます。 - 押さえたい指標は5つ。Intelligence Index、Cost per MTok、コンテキストウィンドウ、SWE-Bench Verified、TPS。総合スコア（Intelligence Index）は4分野10評価の加重平均で100点満点とは読めず、2026年10月9日時点の最上位は 58（Claude Opus 5.5・指標 v4.3.2）。 - ベンチマーク数値は学習データの偏り・ベンチ作成側の意図・測定タイミングで簡単に2〜3%動くので、1〜2%差は誤差レベル。Intelligence Index・Aider Leaderboard・LMArena の3つ全部で上位ならまず安心、1つだけ突出していたら警戒します。 - 大事なのは全部知ることではなく、業界の地図と座標軸を持つこと。「これは私も詳しくない、調べて来週共有します」と言える AI 担当のほうが、長期的には信頼されます。 「あの〜、AI のことに詳しいって聞いたんですが…ちょっと相談いいですか？」 ある朝、隣の部署の課長がそう話しかけてきた。 あなたは数ヶ月前、ふと社内で「AI 関係、誰がやる？」と話題になった時に、たまたま ChatGPT を業務で使っていたことをポロッと話してしまった。 それから半年。気がついたら、社内では 「**AI 担当の人**」 として認知されている。 経営層からは「他社は AI でいくら削減してる？」と聞かれ、現場からは「ChatGPT と Claude、どっちがいい？」と聞かれ、他部署からは「うちの業務で使えそうな AI ある？」と聞かれる。 …**正直そこまで詳しくない。** でも今さら「いやそんな詳しくないんです」とは言えない。 専門家ほどじゃないけど、一般人よりちょっと詳しく語れる程度には、最低限の武装をしておきたい。 この記事は、そんな **「社内 AI 担当」のあなた** のためのガイドです。 ## 直面する 3 つの場面 社内 AI 担当として、おそらく繰り返し直面するのはこの 3 つ： 1. **経営層への報告**：「AI で何が変わってる？」「他社はどこまで進んでる？」 2. **現場への説明**：「業務で使いたい」「うちでも導入して」 3. **他社比較・新モデル評価**：「○○ という新モデルが出たけど、うちにとってどう？」 これら全部、「**最低限の指標と語彙**」を押さえれば、9 割は乗り切れる。 逆に言えば、「最低限の指標と語彙」を知らないと、永遠に毎回ググるか、AI に毎回聞くかの繰り返しで疲弊する。 ## これだけ覚えれば「分かってる人」感が出る、5 つの指標 専門家でなくとも、社内 AI 担当として知っておきたい指標はこの 5 つ。これだけで、9 割の会話を乗り切れます。 ### 1. Intelligence Index（総合知能スコア） [Artificial Analysis](https://artificialanalysis.ai/) が公開する、AI モデルの「**総合的な賢さ**」を 1 つの数字にまとめた指標。エージェント・一般知識・コーディング・科学的推論の 4 分野 10 評価（AI の実力を測るテスト）に重みをつけて平均したものです（2026年10月9日時点で v4.3.2）。 - **使い所**: 「現状、賢いと言われてる AI モデルは？」「業界トップは？」 - **読み方**: 数字が大きいほど上位という相対指標（100 点満点ではない）。2026年10月9日時点の最上位が 58（Claude Opus 5.5）で、50 台が最上位グループ、40 台が主力クラスの目安 - **2026年10月9日時点**: 指標 v4.3.2 で、Claude Opus 5.5 が 58 で最高、Claude Sonnet 5.5 が 56 で2番手、Claude Fable 5.1 と GPT-6 Astra が 53 で並ぶ。GPT-6.1 Sol は 52、Grok 4.7 は 46、Claude Haiku 5.5 は 43、Gemini 3.8 Flash は 41（ai-garage の[AIモデル比較表](https://ai-garage.jp/compare/)に載せている値） 会議で「Intelligence Index で見ると…」と一言挟むだけで、「**この人ちゃんと業界指標見てる**」感が出ます。 詳しくは → [Intelligence Index 用語解説](https://ai-garage.jp/glossary/intelligence-index/) ### 2. Cost per MTok（百万トークン単価） AI の料金単位。**100万トークン（≒日本語50〜100万文字）あたりのドル料金** で、input（入力）と output（出力）で別計算。 - **使い所**: 「うちで月いくらかかる？」の見積もり - **読み方**: 同性能でも 3〜30 倍の価格差があるので、用途と予算で選ぶ - **ざっくり感覚**: - 高級モデル（Claude Fable 5.1・GPT-6 Astra）: input $10 / output $50 - バランス（Claude Opus 5.5・Sonnet 5.5、GPT-6.1 Sol）: input $2〜4 / output $10〜20 - 安価（Gemini 3.8 Flash）: input $0.75 / output $3.75（2026年12月31日までの導入価格） - 激安（Claude Haiku 5.5、GPT-6 Luna、DeepSeek V4.1-Flash）: input $0.10〜0.15 / output $0.5〜0.6（Haiku 5.5 は10万トークン以下の依頼の価格で、超えると $0.50 / $2.50。DeepSeek は混雑していない時間帯の価格。V4-Pro は引退が撤回されて $0.66 / $1.98 のまま） 「コスト感」を語れると、経営層からの信頼度が一気に上がります。 詳しくは → [Cost per MTok 用語解説](https://ai-garage.jp/glossary/cost-per-mtok/) ### 3. コンテキストウィンドウ（Context Window） AI が一度に **読み込める情報量の上限**。トークン単位で表します。 - **使い所**: 「長文を扱える？」「社内ドキュメント全部食わせられる？」 - **読み方**: 100k = 短い本1冊分、1M（1,000,000）= 専門書5〜10冊分 - **2026年10月時点**: Claude Fable 5.1・Opus 5.5・Sonnet 5.5・Haiku 5.5 は 1M、Gemini 3.8 Flash は約105万（1,048,576）、GPT-6 Astra は公式表記で105万（返答ぶんの上限12.8万を引いた約92万が入力に使える量）。会話の履歴と返答を1つの枠で数えるか、入力だけの上限を出すかは会社ごとに違うので、桁だけ見ておけばよい 「うちの業務文書、AI に全部読ませたい」みたいな相談を受けたときに、「**コンテキストウィンドウ的にこのモデルなら入りそう**」 と返せると、頼れる担当として認知されます。 ### 4. SWE-Bench Verified（実在するソフトのバグ修正テスト） 実際に世に出ているオープンソースソフト（OSS＝設計図が無料で公開されているソフト）のバグを AI が直せるかを測るテスト。**コーディング能力を見るときに長く使われてきた代表的な指標**です（2026年10月時点では、最新モデルの多くがこの値を公表していません）。 - **使い所**: 「開発で AI 使うとどれくらい効く？」「Cursor 入れていい？」 - **読み方**: 70% 超えは「実戦投入できる」、80% 超えは「ジュニアエンジニア相当」 - **2026年10月時点**: 最新の Claude（Opus 5.5・Sonnet 5.5）は SWE-Bench Verified の値を公表しておらず、代わりにより難しい別のテスト SWE-bench Pro の値を出している（Opus 5.5 が 89.9%、Sonnet 5.5 が 81.3%。Verified とは別のテストなので、数字を横に並べて比べない）。比較表で Verified の値があるのは Gemini 3.1 Pro の 80.6% だけで、Claude Fable 5.1・GPT-6 Astra・GPT-6.1 Sol・DeepSeek V4.1-Flash などは空欄。参考までに、旧世代の Claude Opus 5 は 96.0%（Anthropic 公表値・じっくり考えるモードを最大にした条件）、Claude Sonnet 5 は 85.2% だった 開発部門との会話で「SWE-Bench で 80% って、これジュニアエンジニア1人分くらいですよ」と説明できると、**話が早くなります。** 詳しくは → [SWE-Bench 用語解説](https://ai-garage.jp/glossary/swe-bench/) ### 5. TPS（Tokens Per Second、出力速度） AI が **1 秒間に生成できる文字数の指標**。チャット用なら 50 TPS で十分、AI が自分で手順を考えて作業を進めるエージェント用途では 150〜300 TPS が体感差になる。 - **使い所**: 「動作が遅い」「リアルタイム応答できる？」 - **読み方**: チャットで違和感ないのは 40 TPS〜、業務エージェントなら 150 TPS+ - **2026年5月時点**: Gemini Flash 系・Groq 経由の Llama が高速、推論モデルは構造的に遅い（速度の実測値は、この記事の2026年9月・10月の更新では見直していない） 「**もっさり感**」の正体を数値で語れると、現場の不満を技術的に整理できます。 詳しくは → [TPS 用語解説](https://ai-garage.jp/glossary/tps/) ## 「専門家にツッコまれない」最低限の表現 ここまでで「指標を知る」段階。次は 「**どう話すか**」 です。 専門家にツッコまれない、でも素人にも分かる、ちょうど良い表現の型を整理します。 ### NG ⇄ OK 言い換えチートシート | ❌ うっかり言いがち | ✅ ツッコまれない言い回し | | --- | --- | | 「ChatGPT が一番強い」 | 「総合スコア（Intelligence Index v4.3.2・2026年10月9日時点）では Claude Opus 5.5 が 58 で最高、GPT 系で最高の GPT-6 Astra は 53。ただ数点の差で、得意分野は用途ごとに違う」 | | 「AI は何でもできる」 | 「総合スコアは高いけど、用途別に得意・不得意が結構ある」 | | 「AI に置き換えれば人件費削減」 | 「定型タスクは AI、判断タスクは人間という棚割で生産性 2-3 倍が現実解」 | | 「うちでも導入しよう」 | 「PoC（試しに1件だけやってみる実証実験）で 1 タスク試して、ROI（かけた費用に対する効果）を見てから本展開しよう」 | | 「最新モデルが一番いい」 | 「新しいモデルが必ず良いとは限らない。Intelligence Index と LMArena 両方見て判断する」 | | 「Claude の方が賢い」 | 「Claude は長文と論理性で強み、ChatGPT は画像・音声もまとめて扱える点（マルチモーダル）と拡張機能で強み、用途次第」 | | 「AI は嘘をつく」 | 「ハルシネーション（事実誤認）は構造的問題。一次ソースとの突き合わせか、RAG（社内資料を検索させてから答えさせる仕組み）で対策する」 | ### 質問への「型」回答 **Q: 「他社は AI でどこまで進んでる？」** A: 「業界全体は『PoC で終わる組織』と『業務組み込みまで進んだ組織』で二極化してます。JPモルガン・Klarna・LegalOn など先進事例では1部門あたり 30〜50% の生産性向上を達成。一方、多くの企業は『どこから手をつけるか』で止まってる状態。**うちもまずは1部門で PoC を 3ヶ月回してから、横展開を考えるのが現実解**だと思います。」 **Q: 「うちで使うべきは ChatGPT、Claude、Gemini どれ？」** A: 「単純な優劣はなくて、業務との相性で選ぶのが正解です。長文ドキュメント処理なら Gemini Pro（個人向けの Gemini アプリでは AI Pro 以上の有料プランで使える）、コーディング支援なら Claude Code、Word/Excel と統合したいなら Microsoft Copilot、汎用ベースなら ChatGPT Enterprise。**まず使いたい業務を 1 つ決めて、それから最適なモデルを選ぶ順番**で行きましょう。」 **Q: 「○○ という新モデルが出たけど、すごい？」** A: 「**3 つの軸で見る**といいです。Intelligence Index（総合スコア）、Aider Leaderboard（実コーディング）、LMArena（人間評価）。ベンチ単独で高得点でも実用で評価されないモデルがあるので、3 点測量で判断します。今は Artificial Analysis で最新スコア確認中、結果は来週共有します。」 ## 「初心者にもわかるように説明する」翻訳技 経営層や非技術者に説明する場面では、**「業界用語 → 一般用語」翻訳** が肝です。 | 業界用語 | 翻訳（経営・現場向け） | | --- | --- | | トークン | AI が読み書きの最小単位として扱う『塊』。日本語1文字 ≒ 1〜2 トークン | | コンテキストウィンドウ | AI が一度に読める文章量の上限。100k なら本1冊分 | | ハルシネーション | AI が事実と違うことを自信満々に答えてしまう現象 | | プロンプト | AI への指示書。書き方次第で出力品質が大きく変わる | | ファインチューニング | AI を自社データで追加学習させること | | RAG（検索拡張生成） | AI が答える前に社内ドキュメントを検索する仕組み | | エージェント | AI が自分でステップを考えて、ツールを使って自走するモード | | MCP | AI と外部ツールを繋ぐ業界共通規格（USB Type-C のような立場） | | 推論モデル | 答える前に内部で長く考える AI（o1 / Claude Extended Thinking など） | これらを **「業界用語」のまま使うと若手・現場層に伝わらず**、逆に **「翻訳しすぎる」と経営層から軽く見られます**。 ベストは「**業界用語＋翻訳の両方を一文で添える**」スタイル： > 「最近の AI は **コンテキストウィンドウ（一度に読める文章量）が 100万トークン**になって、社内ドキュメントを丸ごと食わせられる時代になりました。」 これで、業界用語を耳慣れさせつつ、意味も伝わる。両層に届く話し方になります。 ## 鵜呑みにしちゃいけない、3 つの罠 最後に、**社内 AI 担当として絶対避けたい失敗パターン**を 3 つ。 ### 罠 1: ベンチマーク数値だけ見て即決する 「Claude Opus 5 が SWE-Bench で 96.0%、Fable 5 が 95.0%」（どちらも旧世代のモデルでの例） → だから Opus 5 採用、は危険。 ベンチマーク数値は **「学習データの偏り」「ベンチ作成側の意図」「測定タイミング」** で簡単に 2-3% 動きます。**1〜2% 差は誤差レベル**。 **安全策**: Intelligence Index・Aider Leaderboard・LMArena の **3 つ全部で上位**ならまず安心。1 つだけ突出してたら警戒。 ### 罠 2: ベンダーの公式発表だけ信じる OpenAI・Anthropic・Google は **自社モデルが有利なベンチ** を選んで発表する傾向があります。「他社モデルより 5% 上」みたいな発表を鵜呑みにしない。 **安全策**: 必ず [Artificial Analysis](https://artificialanalysis.ai/) や [LMArena](https://lmarena.ai/) で **第三者測定** を確認。これらは中立的にすべてのモデルを並べ直してくれます。 ### 罠 3: 「AI で完結する」を前提にしない 「AI で自動化したら人件費削減」は、**AI 単独でやらせるのが前提だと大体失敗します**。 実態は **「AI が下書き → 人間がレビュー」「AI が候補生成 → 人間が選択」** といった、AI と人の組み合わせ（ハイブリッド）。完全自動化は推論モデルでも失敗例が多い。 **安全策**: 「AI を使った業務設計」を提案する時は、**最後に人間レビューを入れる仕組みをセット**で。これがあるか無いかで、現場の信頼が決まります。 ## 月 1 回、5 分の習慣で「業界の動き」を掴む 社内 AI 担当として継続的に情報を仕入れる、**月 1 回 5 分の習慣** を提案します： 1. [Artificial Analysis](https://artificialanalysis.ai/) を開く → 上位 5 モデルの順位変動を確認（1分） 2. [LMArena](https://lmarena.ai/) のリーダーボードを開く → ベンチ順位と人間評価のズレを確認（1分） 3. ai-garage の [AIモデル比較表](https://ai-garage.jp/compare/) を開く → 日本語解説で全体俯瞰（1分） 4. [ai-garage News](https://ai-garage.jp/news/) を開く → 直近の業界ニュースを確認（2分） これを月初の朝礼前にやるだけで、**業界の動きに乗り遅れない最低ライン**が保てます。 ## 次の一歩 ここまで読んでくれた **新米社内 AI 担当のあなた** が、次に手をつけるとしたら： 1. **自分の「武器」を 1 個に絞る**：ChatGPT 系・Claude 系・Copilot 系から 1 つ、業務で深く使いこなす。「使ったことがない AI を語る」ほど怖いものはない 2. **PoC を 1 件、3 ヶ月で回す**：規模は小さくて OK。1 部門 × 1 タスク × 3 ヶ月で「やって、計測して、報告する」を1サイクル完走することが資産になる 3. **「業界の人」と繋がる**：X、Discord、勉強会、社外コミュニティ。同業の AI 担当者は意外にたくさんいる。彼らから現場感を仕入れるのが最も効率的 4. **「分からないこと」を素直に言う訓練**：「これは私も詳しくない、調べて来週共有します」と言える AI 担当は信頼される。**全部知ってるふりは長期的に必ず崩壊する** 社内で「何から学べばいいか」と聞かれたときは、[生成AIの勉強は独学とスクールどっち？](https://ai-garage.jp/column/generative-ai-study-self-vs-school/)に、無料の教材とスクールの選び方をまとめています。 ## 結論 社内 AI 担当は、「**専門家ではない、でも素人より知ってる**」 という絶妙なポジション。 その立ち位置で大事なのは、**「全部知ること」じゃなくて、「業界の地図と座標軸を持つこと」**。 - Intelligence Index で『総合スコア』を知る - LMArena で『人間評価』を照合する - 個別ベンチで『用途別』を見る - ベンダー発表は鵜呑みにせず第三者指標で再確認する - 業界用語を翻訳しながら両層に届く話し方をする - 月 1 回 5 分の習慣で動向を追う これだけで、明日から 「**ちゃんと分かってる AI 担当**」 として振る舞えます。 **完璧を目指さず、地図を持つこと。** それが社内 AI 担当として、長く続けるためのコツだと、私は思っています。 よくある質問 Q.社内 AI 担当が最低限覚えるべき指標は？ A.Intelligence Index（総合知能スコア）、Cost per MTok（100万トークン単価）、コンテキストウィンドウ（一度に読める情報量の上限）、SWE-Bench Verified（実在するソフトのバグ修正テスト）、TPS（1秒あたりの出力速度）の5つです。この5つで9割の会話を乗り切れます。 Q.Intelligence Index はどう読めばいい？ A.Artificial Analysis が公開する、AI モデルの総合的な賢さを1つの数字にまとめた指標です。エージェント・一般知識・コーディング・科学的推論の4分野10評価に重みをつけて平均したもの（2026年10月9日時点で v4.3.2）で、100点満点とは読めません。数字が大きいほど上位という相対的な指標で、2026年10月9日時点の最上位は 58（Claude Opus 5.5）です。なお指標の版が上がると全モデルの点数がまとめて動くので、他サイトの数字と見くらべるときは版をそろえてください。 Q.「ChatGPT と Claude、どっちがいい？」と聞かれたら？ A.単純な優劣はなく、業務との相性で選ぶのが正解です。長文ドキュメント処理なら Gemini Pro（個人向けの Gemini アプリでは AI Pro 以上の有料プランで使える）、コーディング支援なら Claude Code、Word や Excel と統合したいなら Microsoft Copilot、汎用ベースなら ChatGPT Enterprise。まず使いたい業務を1つ決めて、それから最適なモデルを選ぶ順番で進めます。 Q.ベンチマークの数値だけで導入モデルを決めていい？ A.危険です。ベンチマーク数値は「学習データの偏り」「ベンチ作成側の意図」「測定タイミング」で簡単に2〜3%動くため、1〜2%差は誤差レベルです。Intelligence Index・Aider Leaderboard・LMArena の3つ全部で上位ならまず安心、1つだけ突出していたら警戒してください。 Q.AI で完全自動化して人件費を削減できる？ A.AI 単独でやらせるのが前提だと、大体失敗します。実態は「AI が下書き → 人間がレビュー」「AI が候補生成 → 人間が選択」といった組み合わせで、完全自動化は推論モデルでも失敗例が多いです。業務設計を提案するときは、最後に人間レビューを入れる仕組みをセットにしてください。 参考・一次ソース - [→ Artificial Analysis（AI モデル性能比較）](https://artificialanalysis.ai/) - [→ LMArena（人間評価ボード）](https://lmarena.ai/) - [→ ai-garage：AI モデル指標源 10選](https://ai-garage.jp/data-sources/) この記事をシェア [Xでシェア](https://twitter.com/intent/tweet?text=%E3%80%8CAI%20%E6%8B%85%E5%BD%93%E3%80%8D%E3%81%AB%E4%BB%BB%E5%91%BD%E3%81%95%E3%82%8C%E3%81%9F%E6%97%A5%E3%81%AE%E3%81%9F%E3%82%81%E3%81%AE%E3%80%81%E6%9C%80%E4%BD%8E%E9%99%90%E3%81%AE%E3%80%8E%E5%88%86%E3%81%8B%E3%81%A3%E3%81%9F%E3%81%B5%E3%82%8A%E3%80%8F%E3%82%AC%E3%82%A4%E3%83%89%20%7C%20ai-garage&url=https%3A%2F%2Fai-garage.jp%2Fcolumn%2Finternal-ai-lead-guide%2F) [はてなブックマークに追加](https://b.hatena.ne.jp/add?mode=confirm&url=https%3A%2F%2Fai-garage.jp%2Fcolumn%2Finternal-ai-lead-guide%2F) 引用文は「『タイトル』 - ai-garage.jp URL」の形でコピーされます。出典として URL を残したまま貼れます。 関連記事 [![yomiyasuをClaudeの作文に使うと？v1.1.1の変更点と4通りの比較](https://ai-garage.jp/images/news-heroes/yomiyasu-claude-writing-card.webp)2026/10/11yomiyasuをClaudeの作文に使うと？v1.1.1の変更点と4通りの比較](https://ai-garage.jp/column/yomiyasu-claude-writing/)[![yomiyasuとは？AIっぽい日本語を直すスキルの使い方とv1.1.0の検証結果](https://ai-garage.jp/images/news-heroes/yomiyasu-review-card.webp)2026/10/4yomiyasuとは？AIっぽい日本語を直すスキルの使い方とv1.1.0の検証結果](https://ai-garage.jp/column/yomiyasu-review/)[![Hermes Agent 最新アップデートまとめ【2026年10月】18回の更新で何が変わった？](https://ai-garage.jp/images/news-heroes/hermes-agent-updates-2026-card.webp)2026/10/2Hermes Agent 最新アップデートまとめ【2026年10月】18回の更新で何が変わった？](https://ai-garage.jp/column/hermes-agent-updates-2026/)[![Claude Codeの講座はどれを選ぶ？無料の公式コース7本と、非エンジニア向け講座の違い](https://ai-garage.jp/images/news-heroes/claude-code-courses-free-vs-school-card.webp)2026/10/1Claude Codeの講座はどれを選ぶ？無料の公式コース7本と、非エンジニア向け講座の違い](https://ai-garage.jp/column/claude-code-courses-free-vs-school/) 執筆 Seiya Yagashiro（編集長） 公開・更新 公開 2026/5/22 / 最終更新 2026/10/9 本コラムは編集長個人の意見・考察を含みます。サイト全体の公式見解ではありません。 詳しい編集方針は [編集方針](https://ai-garage.jp/editorial-policy/) ページをご覧ください。