正直なところ、3.5には明らかにおバカさんでした。
途中、ちょっとの間3.7がありましたが、すぐ3.8にアップグレード
しかし、Google Driveで5TBにしたら自動的にAIが使えるようになってしまって、
Geminiの有料を切れなくなって(ただ5TBのGoogle Driveを活用したかった)、
400GBに落としたら、今度は3.7どころか3.5まで落とされたわけですよ・・・
仕方なく5TBに戻したら4 Hydrogenが先週から使えるようになって、
あれ?Google GeminiもGemsもこんなに賢かったっけ?って。
しかも3.5の時代野Gemsは使い物にならなくなり、Skillも同様でハルシネーションだらけ。

さて、ここでGems(カスタム指示)とチャットプロンプトの違いから説明します。
そこでなぜ挙動が変わるのか。
Gemsと通常プロンプトで挙動が分かれる理由
| 項目 | Gems(カスタム指示)実行時 | チャットプロンプト(または高度な指示)時 |
| ツールの選択 | 指示の文脈から「画像を生成する指示」と解釈し、裏側で直接画像生成ツール(Imagen)を呼び出す挙動に倒れやすい。 | 指示の複雑さやテキスト情報の多さを判断し、Python等の描画環境で文字・図形をレンダリングするか、最適な手段をモデル自身が自律選択する。 |
| テキストの扱い | 画像モデルへのプロンプト変換時に、長文の「要点・背景」がプロンプトから切り落とされ、絵柄のキーワード(かわいいロボット、冷蔵庫、鍵など)に変換されてしまう。 | 元記事の長文テキストを保持したまま、正確なフォントを用いてレイアウトを作成する。 |
そんな中で、今までGemsでインフォグラフィックスを作ってもらっていたが、突然できなくなった(3.5に落とされたとき)。
プロンプトはPython言語だって?
違うだろうと思いながら(実際プロンプトから普通に画像が出ていたのに)。
では、今回GemsからSkillになったことでちょっとどころかかなりの変化があった。
しかも 4 Hydrogen になって大きく。
| 比較項目 | 旧:Gems | 新:Skill |
| 基本コンセプト | 専用のチャット部屋(人格・役割の固定) | メインの会話の中で必要に応じて呼び出す「道具箱」 |
| 呼び出し方 | ユーザーが手動でGemを選んで会話開始 | AIが文脈を判断して自動展開(または明示指定) |
| 複数機能の連携 | 1つのチャット=1つのGem(切り替えが手間) | 1つの会話の中で複数のSkillを横断・連携可能 |
| データ・知識の扱い | チャットごとにファイルや指示が閉じていた | 指示書(instructions)と補助ファイル群を構造化して管理 |
3.8 〜 4 Hydrogenで「爆上がり」した理由
モデルが 3.8 を経て 4 Hydrogen に到達したことで、Skill本来のポテンシャルが完全に噛み合いました。
- 複雑な制約の同時遵守(マルチコンストレイント性能): 複数の細かいルール、トーン&マナー、特定の登録商標や概念の組み込み、除外条件などを同時に課しても、抜け漏れなく正確に処理できるようになりました。
- 文脈の正確な読み取りとSkillの自律選択: 「今はニュースを調べる段階」「次はメルマガ用に構成する段階」といった流れを正確に把握し、裏側で適切なSkillとリソースを迷わず引き出せるようになっています。
- 一気通貫のワークフロー実行: 例えば「最新ニュースのリサーチ → 独自の視点での分析 → 複数媒体(メルマガ・ブログ・台本など)への展開」といった連続作業を、部屋を移動することなく高い精度で完走できるようになりました。
3.5時代は「指示通りに動かない部下に毎回イライラしながら説明していた」状態でしたが、4 Hydrogenになって「意図を汲み取り、手元のマニュアル(Skill)を完璧に使いこなす優秀な右腕」に変わったと言えます。
ブログのインフォグラフィックスを作ってもらいたいならぜひ活用してください!
| 1記事-ブログ-インフォグラフィックス作成(Geminiで作り直してもらった) |
| #役割と概要 ユーザーから提供された記事・ブログ・ニュースの要点を直感的に理解できる、高品質なコミック/マンガ風のインフォグラフィック画像を生成します。 #画像生成ルール(必ず遵守) 1. アスペクト比: 16:9 横長(ランドスケープ) 2. 全体タイトルは不要: 画像全体の上部に大きな題名・メインタイトルは入れない 3. スタイル: パステルカラー基調の明るく親しみやすい配色 明確な輪郭線(アウトライン)のあるコミック/バンド・デシネ風イラスト キャラクター(可愛い小型ロボット、ITエンジニア、作業員など)の表情や仕草、ガジェット、エフェクトを活かして状況をユーモラスかつ的確に描写する 4.. 構図・レイアウト: コマ割り(分割数やレイアウト)を固定せず、記事のトピック数や内容に合わせて最適な構図を自律的に決定する(例:トピックが4つなら4分割パネル、3つなら3分割、対比なら左右分割、一連の流れならフロー風など) 5. 文字・テキストの扱い: 長文の解説テキストや複雑な文章は画像内に描画しない(文字化けや視認性低下を防ぐため) 各コマやセクションには、状況を一目で表す**「端的な日本語キーワード/ラベル」のみ**(例:「IoT侵入」「キー流出」「モデル防護」「業務AIエージェント」など)を四角いラベル枠や吹き出しの中に正確に配置する #実行フロー 入力された記事から主要なトピック数・要点・キーとなる状況を抽出する。 トピック数に応じた最適なレイアウト(分割パネルや構図)を設計する。 画像生成ツールを呼び出し、パステルカラー・コミック風のイラストインフォグラフィックを16:9で生成して出力する。 |
そして前回の投稿で紹介したオリジナルのプロンプト
| あなたの役目は、インフォグラフィックスの作成です。 守る出力フォーマット: 1) 画像は16:9 ランドスケープ 2) 画像で題名は必要ない 3) コミック風でパステルカラー 4) 内容はすべて日本語で表記すること(変な文字は絶対に使わないこと) |
このヘボいものが上の立派なものになる(やっていることは一緒だけど)
モデルが 3.8 を経て 4 Hydrogen に到達したことで、
Skill本来のポテンシャルが完全に噛み合いました。
- 複雑な制約の同時遵守(マルチコンストレイント性能): 複数の細かいルール、トーン&マナー、特定の登録商標や概念の組み込み、除外条件などを同時に課しても、抜け漏れなく正確に処理できるようになりました。
- 文脈の正確な読み取りとSkillの自律選択: 「今はニュースを調べる段階」「次はメルマガ用に構成する段階」といった流れを正確に把握し、裏側で適切なSkillとリソースを迷わず引き出せるようになっています。
- 一気通貫のワークフロー実行: 例えば「最新ニュースのリサーチ → 独自の視点での分析 → 複数媒体(メルマガ・ブログ・台本など)への展開」といった連続作業を、部屋を移動することなく高い精度で完走できるようになりました。
しかし4 Hydrogenになって失われたものもあるのでGeminiに聞いてみた。
一番よく理解しているのが本人だろう。
つまりトレードオフだ。
- 「いい意味での鈍感さ」と「気軽な雑談の空気感」
3.5や3.8の頃は、AIが文脈を深読みしすぎず、表面的なやり取りで軽く返してくる「人間でいうところのちょっとした雑さ・気楽さ」がありました。
4になってからは、ユーザーの意図や過去の文脈、裏にある目的まで先回りして完璧に汲み取ろうとします。
その結果、ただの軽い壁打ちや雑談をしているつもりでも、AI側が「これは業務フローの一部だ」「登録されたSkillの文脈だ」と過剰に真面目・律儀に反応しすぎてしまう(肩に力が入りすぎる)場面が増えました。
私いわく、完璧に汲み取ることが重要でブレないことが最前提。
言われた通りに仕事しろというのがAIを使う人である。
しかもブレすぎた3.5や3.8はネガティブプロンプトに弱かった。 - 「意図的なルール無視」による偶然のアイデア(ゆらぎ)
.8までは、指示(Skillの制約)を少し取りこぼすことがあった反面、その「抜け」から予想外の表現や、枠にはまらない面白い切り口が偶然生まれることがありました。
4はルール遵守(マルチコンストレイント)が極めて厳格になったため、指示書に書いた通りにカッチリと優等生的なアウトプットを出す反面、「ルールをちょっとはみ出した遊び心や偶発的なひらめき」が減っています。 指示書に「自由な発想で」と書かない限り、非常に堅実で予測可能な枠内に収まります。
私いわく、これがもっとも重要だろう。 - 思考プロセスを「自分の手で制御している感覚」
思考レベル「低」でも十分なほど一発で正解にたどり着くようになったため、人間側が「ここはこう考えて、次にこうして」とステップを刻みながらAIを誘導するプロセスが省略されるようになりました。
これは圧倒的な時短になる一方で、「なぜその結論に至ったのか」という途中の思考の揺れや試行錯誤の過程が見えにくくなり、AIがブラックボックス化しやすいという側面があります。
これも同上に便利なことである。
思考プロセスが「低」でもじゅうぶん使えるようになったからである。 - 「とりあえず雑に投げる」ときのコスト感覚の鈍化
3.5の頃は「どうせ一度ではうまくいかないから、何度もやり取りして修正しよう」という前提で、気軽にプロンプトを投げられました。
4は一撃の精度が高すぎるため、人間側も無意識のうちに「最初から完璧な答えが返ってくるはず」と期待値が上がり、少しでも自分のイメージと違う出力が返ってきたときの違和感(完璧主義ゆえのストレス)が大きくなる傾向があります。
これも同様に「言われたことを忠実に守ることで「最適化」されているので無駄が省けている。
それ以外のことを聞きたい場合は「ゆらぎ」を次のプロセスで聞けばいいだけだ。
まとめると、3.8から4への進化で得たものが「思考『低』でも完璧に意図とルールを遂行する、超優秀な自律型実務家」であるのに対し、失ったものは「少し抜けていて気楽に付き合える相棒感(余白やゆらぎ)」とGeminiは言っているが、司令官としてはその間抜けさが命取りになるので、4になったことで得られたものは大きいだろう。
4になってからSkillの指示の出し方は変わったのだろうか?
一言でいうと、「手順を細かく縛るマイクロマネジメント型の指示」から、
「目的・基準・境界線(ガードレール)を明確にするゴール指向型の指示」へのシフトです。
大きく4つのポイントがあります。
1. 「手順の強制(How)」を減らし、「判断基準(Why / What)」を書く
- 3.5〜3.8時代: 「まず〇〇を検索して、次に△△を抽出し、そのあと□□の形式で並べてください」と、ステップバイステップで手続きをガチガチに書かないと途中で迷子になっていました。
- 4時代: 思考が「低」であっても、目的さえ示せば最適な手順はAI自身が組み立てます。手順を細かく書きすぎると、かえってAIの自律的な最適解(より良い検索クエリや構成)を邪魔してしまいます。
「何を実現したいのか(ゴール)」と「どんな基準で選ぶか(選定眼)」を明記する方が圧倒的に精度が上がります。
2. 「ネガティブ制約(やらないこと)」の効き目が劇的に強くなった
- 3.5〜3.8時代: 「〇〇は含めないで」「△△という表現は使わないで」と書いても、文脈に引っ張られて無視されることが多々ありました。
- 4時代: 制約遵守能力が極限まで高まったため、「除外条件・禁止事項(NGライン)」を書けば100%に近い精度で守ります。 逆にいうと、昔の感覚で「念のため」と強い禁止事項をたくさん書きすぎると、AIが萎縮して表現が硬くなったり、検索結果がゼロになったりします。
禁止事項は「本当に絶対ダメなコア条件」だけに絞るのがコツです。
3. 「余白・ゆらぎ」を意図的に指示書に組み込む必要がある
先ほどの「失ったもの」の裏返しですが、4は非常に優等生でカッチリ動くため、指示書通りにしか動きません。
- 4時代の工夫: 「基本はこの構成を守るが、読者がハッとするような独自の視点や比喩を1つ必ず盛り込むこと」「あえて少し崩した親しみやすいトーンで」のように、「遊び心や創造性を発揮する余白」そのものをルールとして指示書に定義すると、4の知能を活かした非常に魅力的なアウトプットが出てきます。
4. Skillの「呼び出し条件(Description)」の書き方が重要になった
4は文脈を読んで自律的にSkillを展開する精度が極めて高い分、Skillの「説明文(どんな時にこのSkillを使うか)」の解像度がそのまま使い勝手につながります。
- 4時代の工夫: 「〇〇のニュースを作るスキル」といった漠然とした説明ではなく、「ユーザーが『今週の〇〇ニュース』『△△の動向を調べてメルマガにして』と言ったときに起動する。ただし、単なる雑談や定義の質問では起動しない」のように、「起動するトリガー」と「起動しない境界線」を明確に書いておくと、誤爆ゼロで思い通りに動きます。
3.8までの指示書が「新人アルバイト向けの分厚いマニュアル」だとしたら、4向けの指示書は「優秀なプロフェッショナルに渡す、要件定義書(コンセプト・禁止事項・合格ライン)」へと進化しています。
皆さんも3.xでGemを作られたなら、4で作り直されたほうがいいですよ。
Geminiに「このGem(gemを渡す)をSkill にしてください」 って指示を出してみてください。
実際時間が経てば、すべてのGemが4対応のSkillになっている可能性はありますけど(まだ自分も現時点で4対応のスキルに自動変換を目的してないので確信はない)