
Claude Academyで学ぶ記述と評価のループ(Description-Discernment loop)
AIとの協働に必要な力を、Anthropicは4Dフレームワークとして整理しています。委任力(Delegation)、記述力(Description)、評価力(Discernment)、検証・責任(Diligence)という4つです。
このうち記述力は、AIに対して問題・期待する成果・アプローチを明確に伝える能力です。評価力は、AIの出力を批判的に評価する能力です。
記述力と評価力の間には、公式に「Description-Discernment loop」と呼ばれるループが存在します。
同じ3つの視点を共有している
記述力と評価力は、「成果物・プロセス・パフォーマンス」という3つの視点を共有しています。
記述の視点:
成果物 — 何を、どんな形式で、誰向けに
プロセス — どうアプローチしてほしいか
パフォーマンス — 簡潔か詳細か、挑戦的か支持的か
評価の視点:
成果物 — 出力そのものの正確性・適切性・一貫性・関連性
プロセス — 論理的誤りや考慮漏れ、不適切な推論がなかったか
パフォーマンス — コミュニケーションスタイルがニーズに合っていたか
記述した視点は、そのまま評価の視点になります。この対応関係が、記述と評価を往復させる構造を作っています。公式教材にも、評価は記述と連携し、継続的な振り返りのループを形成する、という趣旨の説明があります。
評価力が必要な理由
AIには、ハルシネーションや知識の限界、長い文脈や複雑な推論への弱さなどがあります。そのため、AIの出力を「もっともらしいから正しい」と受け取らず、成果物・プロセス・パフォーマンスの3つの視点から評価する必要があります。
見た目が整っているほど、評価が甘くなる
評価力を持っていることと、実際に評価を行うことの間には、ギャップがあります。Anthropicが2026年2月に公開した調査レポート「AI Fluency Index」では、AIが整ったコードや文書を生成した場合、ユーザーがAIの推論を疑う割合や不足しているコンテキストを指摘する割合が下がることが確認されています。
出力の見た目が整っているほど、かえって批判的な評価が働きにくくなる、という逆説です。記述力と評価力が同じ視点を共有していても、出力が「もっともらしく」見えた瞬間に評価の側が働かなくなれば、ループは片側だけで止まってしまいます。整った出力ほど、意識して評価に回す必要があります。
うまくいかないときは、記述を振り返る
AIとのやり取りが一往復で終わってうまくいかないとき、原因はさまざまです。AIの推論そのものが誤っていることもあれば、前提情報が不足していることもあります。ただし見落とされがちなのが、後から評価することになる視点が、最初の記述に十分含まれていなかった、というケースです。
成果物だけ指定して、プロセスとパフォーマンスの指定を省略すれば、その2つの視点については評価の基準が曖昧になりやすくなります。原因を決めつけず、評価で見つかったズレは、まず次の記述に戻してみましょう。
具体的にはどう動くか
たとえば、報告書の下書きをAIに任せる場面を考えます。
記述 — 想定読者、求められる書式、必要な専門性のレベル、表現のトーンを最初に伝えます。プロセス(一次資料をどう参照するか)とパフォーマンス(どこまで簡潔にするか)まで指定しておくと、後の手戻りが減ります。
評価 — 出てきた下書きを、成果物(内容は正確か)、プロセス(論理の飛躍はないか)、パフォーマンス(トーンは適切か)の3つの視点から確認します。AIが引用した数値や規定は、必ず一次資料と突き合わせます。
記述の練り直し — 評価で見つかったズレを、次の指示に反映します。「もっと簡潔に」ではなく、「プロセスの説明を省略して、成果物の結論だけを冒頭に置いてほしい」のように、どの視点のズレだったかを具体的に伝え直します。
自動化と拡張の分かれ目
私は、この違いを、AIへの仕事の渡し方ではなく、評価結果を次の指示や判断に戻しているかどうかで捉えています。自動化では、AIに仕事を渡して結果を受け取ります。拡張では、AIの出力を評価し、その評価を次の指示や判断に反映します。この往復ができているかどうかが、AIとの関係を「拡張」に近づける一つの分かれ目だと考えています。
まとめ
記述と評価は、別々の能力ではありません。同じ3つの視点(成果物・プロセス・パフォーマンス)を、指示を出す側と受け取る側の両方から見ています。大事なことは次を習慣にすることではないでしょうか。
AIの出力を評価する
どこがズレたかを特定する
そのズレを次の記述に戻す