生成AIが1年で辿った道、2025年はAIがAIを使う時代へ

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくん（@passion_tanaka）です。今回は、積さんが資料を持ち込んで語ってくれた「2024年の生成AI総復習」のLIVEを紹介するね。

1月5日のGPTs研究会、日曜特別回は、2024年をまるごと総復習する会でした。ただっち、積さん、そして私で新年のあいさつをしたあと、バトンは積さんへ。積さんが資料を持ち込んで、動画・LLM・音声・画像・音楽まで、この1年の生成AIの進化を一気にたどってくれたんです。話を聞きながら、私自身も「え、まだ1年経ってないの?」って何度も声が出ました。今日は、その内容をそのままお届けします。

動画の話から始まりました。去年2月のSora発表は、私もよく覚えてます。プロンプトの文章だけで1分の動画ができる。CFにも使えるレベルだって、あの時はみんな驚いてました。積さんは、そこから丁寧に1年分の生成AI動画を並べてくれたんです。

▶ この話題を動画で見る（3:11〜）

ただっち（3:11〜）

「本当に去年1年間めちゃくちゃ進化を遂げておりまして、先ほども去年の1月って何があったっけという話をしたんですけど、何があったっけというのは、まだまだ進化の過程、本当にGPTsが出てカスタムができるのがすごく革命的だなって思っていた去年1月、もうそれから怒涛のようなことが起きておりまして」

去年の1月なんて、もう遠い昔みたいに感じるんですよね。GPTsが出ただけで革命的って言ってたのが、たった1年前だなんて。

積さん（3:46〜）

「まず色々調べてるとね、どうもやっぱり動画先生について大きく変わった1年じゃないかなっていう状況です。大きく変わった、これちょっと面白いんですけど、1年間通してみると最初に変わったこと以外にほとんど変わってないなっていうのが実は実感です。」

一個一個は確かに大きい。でも積み上げてみると案外そうでもない——このバランス感覚、さすがだなと思いました。

実際、積さんは各社の動画をどんどん比べていってくれました。Sora、Kling、Runway、Luma……名前がぽんぽん出てくる。で、積さんいわく、どこも「歩く」動作だけは最後まで苦戦してたみたいなんです。人が普通に歩くシーン、実はものすごく情報量が多いらしくて。

ここ、積さんが各社の映像を見せながら早口でしゃべってたところなので、社名がちょっと聞き取りづらいんですが、要は「会社によって歩き方のクセがバラバラに出る」っていう話です。

積さん（15:27〜）

「ラウエだとこんな感じ。ラウエだとそもそも後ろ向きある。後ろ向きあるって怖い。僕大丈夫かよみたいな。どっち向いてんだよみたいな話。で、ソラだと空はクオリティが綺麗ですよ。あさっての方向行っちゃうんですよ、これがね。ちょっとスキップしてるでしょ。どうも空はスキップするみたいですね。これがハイウェイ。もう綺麗でしょ。」

積さんいわく、後ろ向きに歩き出しちゃうモデルがあれば、空はきれいなのになぜか変な方向へスキップしちゃうモデルもある。そうかと思えば、ちゃんときれいに歩けてるモデルもあって——同じ「歩く」お題なのに、会社ごとにクセがバラバラに出るのが、見てて逆に面白いんですよね。料理でいうと、盛り付けは完璧なのに、なぜか箸の向きだけ逆、みたいな。そのくらい細かいところに、まだ人間の出番が残ってる気がしました。

でね。積さんが各社の動画を並べてくれたのを見てて、私がいちばん「ほおー」ってなったのは、実はクオリティそのものより、進化の”止まり方”だったんですよ。最初の数ヶ月でドンと跳ねて、そのあとは案外なだらか。カクッと上がって、あとは横ばい。ジェットコースターの最初の登りだけ、みたいな感じ。だから「まだ1年経ってないの?」っていう驚きと、「あれ、後半そんなに動いてないな」っていう冷静さが、同じ胸の中に同居してるんです。この二つが同時に来る感覚、なんか不思議なんですよね。

あ、そうだ。歩くシーンの話、もう一個だけ。人が普通に歩くって、腕も足も腰も、全部バラバラのリズムで動いてるでしょ。それをAIが一枚の絵から辻褄を合わせようとすると、どこかが必ず破綻する。だから後ろ向きに歩き出したり、急にスキップしちゃったり……。ぶっちゃけ、そこだけはまだ「人間の目」がいるんだなあって、私はちょっと安心もしたんです。全部AIに持っていかれるわけじゃない。まだ、こっちの出番はある。

動画がここまで来たことに素直に驚きつつ、いちばん人間くさい動き——歩くという当たり前の所作——だけはまだAIの手に負えない。カクッとした後ろ姿を見るたび、まだこっちの出番あるじゃん、ってちょっとホッとしちゃうんですよね。

動画の話でいちばん印象に残ったのは、積さんが見せてくれたレンジローバーのCF事例でした。パッと見はふつうにカッコいい、よくできたCM。でも種明かしを聞くと、作り方がまるで違ったんです。

▶ この話題を動画で見る（16:03〜）

積さん（16:03〜）

「でこれがね、ほんともともとの動画でいくとこれね、レンジローバーの新しいCFなんですけども、こいつがどんな形かというとこうやって入ってくる。その間にレンジローバーが自分で冒険するみたいな、そういうストーリーなんですね。ガレージに置いてると思ってたら、こういろんなとこ走ってくる。」

車が勝手に冒険する話、映像だけ見てたら普通に信じちゃいますよね。私も最初、素直に「いい映像だなあ」って見てました。

ところが。撮影はたったの1日だったそうなんです。しかも、あの冒険シーンは実際には撮っていない。

積さん（18:17〜）

「ちょっと混ぜた感じにしてバックに入れてみたいな。でもこれ止まってるでしょ。動いてないでしょ。要するに止まってるレンジローバーを撮ってるだけなんですね。だからガレージに入れて止まってる状態を撮ってるだけで、これが出来上がってるわけなんですよ。」

止まってる車を1台撮っただけで、あそこまでのストーリーが生まれる……種明かしされた瞬間、思わず「え」って声が出ました。2年前の同じ車のCFと比べると、コストはかなり下がってるだろうという話も出て、実写チームがロケ地に行って、走行シーンを何日もかけて撮る、という手間がまるごと省けるわけです。

いやー、この「撮影1日」ってところ、何回聞いても効くんですよ。ふつうCFって、ロケ地を押さえて、車を運んで、天気待ちして、スタッフが何人も動いて……って、何日もかかるじゃないですか。それが、ガレージで止まってる車を1台撮るだけ。あとの冒険シーンは、ぜんぶAIが動かしてくれる。……いや、コストの下がり方が桁で違う。種明かしされたあと、私しばらく「え、それでいいの」って言葉が出ませんでした。

じゃあ人間の仕事がなくなるのかというと、そうじゃなくて。積さんが強調してたのは、プロンプトの上手い下手が、ここでめちゃくちゃ差になるってことでした。

積さん（21:06〜）

「画像先生のプロンプトのヨシヤシってやっぱり出てきてますでしょう。上手い人やっぱり上手いし、カメラワークとか、光の入れ方とか、構図とかですね、やっぱり上手い人めちゃめちゃ上手いんで、これはプロのカメラマンが作った静止画みたいなものがすごく綺麗にできるっていうのはよく言われてますよね。」

料理でいうと、包丁がどんなに良くなっても、切る人の腕次第で仕上がりが全然違う、あの感じに近いなあと思うんです。ぶっちゃけ、道具が民主化されるほど、使う人の感性が丸見えになる時代なんですよね。同じ生成AIを使っても、伝えたいことをちゃんとイメージできてる人と、なんとなく触ってる人とで、出てくるものの差がどんどん開いていく。私はそこに、ちょっとした緊張感を感じました。

でね。ここでいちばん大事だなと思ったのが、さっきの積さんの「プロンプトの上手い下手」の話なんです。安く速くなったぶん、差がつくのは”何を撮りたいか”のイメージのほう。光の入れ方、構図、カメラワーク——プロのカメラマンが頭の中に持ってたものが、そのまま言葉の勝負になる。だから私、「AIが仕事を奪う」っていうより「腕の見せ所が引っ越すだけ」って感じがしたんですよね。厨房がどんなに新しくなっても、味を決めるのは結局シェフ、みたいな。

腕の見せ所が「撮る」から「言葉にする」に引っ越しただけ。カメラを構える手より先に、頭の中で何を撮りたいか——次に鍛えるべき筋肉が、もう見えてきた気がします。

動画だけじゃなくて、言葉を扱うAI、いわゆるLLMもこの1年でぐっと変わりました。積さんが見せてくれたグラフでは、2024年に入ってからスコアがガクッと伸びてる。o1が出て、Claudeのソネットが3.5になって、Geminiの2.0フラッシュが追いかけてきて——正直、名前を覚えるだけでも一苦労な1年でした。GPT4もこの年に4oになって、そこからさらにo1、o1プロ、そして年末にはo3まで発表される始末。バージョン名が進化のスピードに追いつかなくなってる感じ、私は正直面白かったです。

▶ この話題を動画で見る（25:26〜）

ひろくん（25:26〜）

「この賢くなった家、触っちゃうと戻れなくなるんですよ。完全に。普通にジェミニって言っても、フラッシュでもまあまあ賢くて早くて安いからいいやとか、使えなくなっちゃうっていうか。」

私、この時思わず積さんと声がハモっちゃったんですよね。一回上のモデルに慣れると、もう下には戻れない。実際、この収録中も、私も積さんも1.5proにはもう戻らないって話してたくらいで。フラッシュの2.0で十分——っていうか、正直もう快適すぎるんですよね。

この「戻れない沼」は、性能だけの話じゃなくて。メモリ機能とプロジェクト機能も、地味だけどかなり効いてました。ChatGPTに「これ、ずっと覚えておいてね」って言っておくと、勝手に記憶していってくれる。溜まりすぎたら時々整理する、っていう新しい癖まで生まれました。NotebookLMみたいに、資料をどんどん放り込んでおくと、まとめて答えてくれる仕組みも、この1年でぐっと定番になったんです。ただっちも「まとめてくれるから便利すぎる」って喜んでました。バラバラだった情報が、ひとつのプロジェクトとしてまとまっていく感覚、私もすごくわかるんですよね。

積さん（37:26〜）

「ただやっぱり残念なのはO1が入らないのね。O1プロで会話したものって、っていうかチャットはもうほぼO1プロでやってるんで、O1プロをここ入れるとずいぶん違うんでしょうけど。ちょっともったいないというか残念な感じがしますね」

便利になったからこそ、次は「どう繋げるか」っていう、贅沢な悩みに変わっていくんですよね。積さんの資料だと、Claudeは俳句が3.5になって、ソネットも3.5のまま。オーパスの3.5がいつ出るのか、っていうところで止まってたのがこの時点の状況でした。料理で例えると、包丁も鍋も一気に新品に総入れ替えされた台所、みたいな感覚でした。慣れるまでは大変。でも慣れたら、もう前の台所には戻れない。私自身、去年の頭は「GPTsができるだけですごい」って言ってたのに、今はメモリだのプロジェクトだの、当たり前みたいに使い分けてる。この差、冷静に見るとちょっと怖いくらいです。

気づけば私も積さんも、もう前のモデルには戻れない側の人間になってました。次はどのモデルに慣れて、また戻れなくなるんだろう——正直、それすらちょっと楽しみです。

AIが「アプリになった」のも、2024年の大きな変化でした。5月にChatGPTのMacデスクトップアプリが出て、キャプチャを撮ったらそのままAIに聞ける。10月にはWindows版も出ました。GeminiもChromeに実装されて、右上のアイコンからすぐ呼び出せるようになったんです。積さんは実際に、旅先のイタリアンのお店でテーブルクロスに走り書きされたパスタの名前を、写真に撮ってその場でChatGPTに聞いてみた、という実演まで見せてくれました。

▶ この話題を動画で見る（42:16〜）

積さん（42:16〜）

「結構そのアプリを立ち上げて、どちらかというと、昨日たまたまね、イタリアンのお店にテーブルクロスのところにパスタの種類をずっと並べて、イラストと走り書きのイタリア語でパスタの名前書いてあったんですけどこれなんやったっけこれとか言いながらオープンAIに聞くと綺麗に答えてくれますよね画像とその走り書きのイタリア語を見てそれがどんななんていう名前のパスタでどういう時に使うかみたいなことずっと全部これがずらっと並んでるんですけどそれを綺麗に全部さすがやなと思いましたね。」

積さん、興奮気味に早口でまくし立ててたので聞き取りにくいんですけど、要は——テーブルクロスの走り書きを写真に撮ってChatGPTに見せたら、パスタの名前も由来も、全部きれいに答えてくれた、という話です。旅先で困った時にサッと聞けるの、想像するだけで便利さが伝わってきますよね。積さんが韓国で辛さを聞き分けてもらった話も出てて、私もつい笑っちゃいました。アプリがあるかないかで、こんなに使う気軽さが変わるんだなあと。

あ、そうだ。この”アプリになった”っていうのが、私の中では地味にいちばんデカい変化なんですよ。今までは、ブラウザ開いて、タブ探して、コピペして……ってワンクッションあったでしょ。それが、画面をキャプチャしてそのまま聞ける。隅っこのアイコンをポチッ。この「ワンクッション消えた」が、使う回数を一気に増やすんですよね。人って、面倒がひとつあるだけで、もう使わなくなっちゃうから。

積さんのイタリアンのお店の話、あれすごくいい例だなあと思って。テーブルクロスに走り書きされたイタリア語のパスタの名前を、写真撮って聞くだけで、名前も由来も全部きれいに教えてくれる。旅先でメニュー読めなくて固まる、あの”あるある”が、まるっと消えるんですよ。でね。これって結局、「調べる」のハードルがほぼゼロになったってことなんですよね。分からないものを、分からないまま持ち歩かなくてよくなった。

音声のほうも進化してて、5月にアドバンスドボイスモードが発表されて、9月に実際にリリース。12月にはビデオまで見せながら話せるようになりました。カメラに映したものを見ながら、AIがリアルタイムで答えてくれる。あ、そうだ。あのくだり、収録中もかなり笑いが起きたんですよね。

積さん（46:14〜）

「アントニオすごかったっすね。えっと実はですねあのジェミニもあのさっき言ってても出してるんでジェミニも全然あのジェミニの方が使いやすいんじゃないかなって僕はちょっと思ってますけどでえっとアドバンスボイスモード12月例の12日からの発表の中にウィズビデオって形ですねビデオモードが付いたというこれが便利になったんじゃないかなと思いますアドバンスボイスモードにビデオモードが付いたのでこのビデオで直接聞けるようになったこれが音声で、やっぱりアプリ便利かなって思います。」

先行リリースの時、私の声がアントニオ猪木っぽく変換されるハプニングがあって、あれはもう何回思い出しても笑っちゃうんですよね。でも、それくらい音声のクオリティが上がって、ビデオまで一緒に見せられるようになった、っていうのは地味に大きい進化なんですよね。写真を撮って見せる、声で話しかける——いちいちコピペしなくていい世界が、この1年でようやく実現した気がします。

写真を1枚撮る、ひとこと話しかける。それだけで用が済む——去年の頭の私に教えてあげても、たぶん信じてもらえないだろうなあ。

画像生成もこの1年で一気に進化しました。Flux 1.1やMidjourneyの新しいバージョンが出て、積さんいわく「ジャパニーズ」って入れると背景まで日本っぽくなる、なんて実験も見せてくれました。プロンプトのクセ、国ごとのお国柄まで拾ってくるあたり、地味に面白いところなんですよね。でも今日いちばん盛り上がったのは、音楽のほう。SunoのV4です。

▶ この話題を動画で見る（50:56〜）

積さん（50:56〜）

「サウンドに厚みが出たというかすごいですよね。前に作ったものでもエンハンスできるようになってるんで、前のバージョン3.5のバージョンで作ったやつをエンハンスするっていうこともできます。これも結構ね、」

音質が上がっただけで、ここまで印象変わるんだって、素直に驚きました。セミナーの冒頭に流す音楽をSunoで自作するのも、いつのまにか定番になってきた話も出てて、掴みで悩む人が結構多いんですよね、これ。

いやー、SunoのV4は本当にびっくりしたんですよ。前のバージョンで作った曲を「エンハンス」にかけると、音に厚みがブワッと乗ってくる。同じ曲のはずなのに、急にちゃんとした録音みたいになるんです。ぶっちゃけ、私みたいに楽器やらない人間でも、セミナーの掴みに流す音楽が自分で作れちゃう。これ、地味だけど、けっこうな革命なんですよね。

あと、画像生成のほうも触れておくと。

積さん（54:24〜）

「あと画像生成ですね画像生成のクオリティー上がってきましたよねこれ1回前にも話してますんでサラッとですけども画像生成もこのレベルですこのプロンプトで入れるとこういうかたちでそれをフラックス1が今一番進んでるんでフラックス1.1ですとこんな感じでリフレクトもね、評判になりましたね、VCってやつですね。」

正直、「リフレクトがどうの」ってあたりは収録中も一瞬「え、今なんの話だっけ」ってなったんですけど（笑）、フラックス1.1、名前だけ聞くとピンとこなくても、実際の絵を見せてもらうと、もう普通に写真ですよね。あれは驚きました。検索のほうもFeloやパープレキシティ、ジェンスパークと選択肢が増えていて、リンク集を渡されるだけの検索から、いきなり答えが出てくる検索へ——この1年で、私たちの「調べる」という行為そのものが変わった気がしています。積さんは検索の拡張機能をブラウザに入れておく使い方をすすめてました。私も真似して入れてみたんですけど、いちいち検索窓を開き直さなくていいの、想像以上に快適で。

でね。検索のほうも……もう「調べる」の形そのものが変わったなあと。昔はリンクがズラッと並んで、そこから自分で読みに行ってたでしょ。今はFeloもパープレキシティもジェンスパークも、いきなり答えのほうを出してくる。積さんが言ってた、拡張機能をブラウザに入れっぱなしにしとく使い方——私も真似したら、検索窓を開き直す手間すら消えて、これがもう戻れないんですよ。便利って、こうやってこっそり生活に沁みてくるんですよね。

音楽、画像、検索。バラバラに進化してたはずのものが、気づけば全部、同じ勢いで底上げされてる。1個の技術がすごくなったんじゃなくて、机の上の道具全部が、一斉にレベルアップした1年だったんだなと、積さんの資料を見ながらしみじみ思いました。

正直、ここまで一気に来るとは思ってなかったです。

今日いちばん心に残ったのは、この先の話でした。積さんが見せてくれたのは、AIエージェントが「商品を作って、CFを作って、SNSに投稿して」までまるごとやってくれる未来の使い方です。

▶ この話題を動画で見る（59:03〜）

積さん（59:03〜）

「それを作ってということよりも、例えば商品があります。その商品を今からこれ売りたいんだ。以上、全部やってくれる。じゃあ、CFを作ってこうやってSNでこれを投稿して、これをこうして、こうして、製品の名前がこうして、これをこういうパッケージにしてみたいなことをやってくれるっていうのを部屋がやってくれる。」

「目的だけ伝えればいい」って、あらためて言葉にされると、ちょっとゾクッとしますよね。私たちがこれまで一つひとつ手を動かしてやってきた工程を、AI同士が勝手に分担してやってくれる。競争より共創、なんて言葉が、道具のレベルでも現実になってきた感じがしました。

ただ、便利さの裏で、勢力図の話にもなったんです。オープンAIやGoogle、どこが最後に力を持つのか、という話です。

積さん（63:10〜）

「リソースと研究の幅が全然違いますあのずっと検索ってAIやったわけですからねずっと研究してたんですからね今更じゃなくて慌ててジェビーに出したんですよねオープンAIがちゃんとジェビーに出したから慌ててジェビーに出しただけでそこで戦うの?みたいなそれうちずっとやってきたんですけどね。」

検索とAIを何年もかけて研究してきたはずなのに、オープンAIが先に動いた途端、慌てて自社のAIを世に出すことになった——そのGoogleの底力と焦りが、じわっと同時ににじみ出てる感じがしました。

ひろくん（64:09〜）

「いろんなことできますよね。本当にちょっと怖いところはそこですよね。全部一挙になっちゃったらちょっときついですよね。やっぱりちょっと相場でも頑張ってもらいたいなっていうのが」

いやー、1社が全部持っていっちゃうのは、正直ちょっと怖いなって、今でも思ってます。だからこそ、いろんな会社にちゃんと踏ん張ってほしいんですよね。AIがAIを使う時代、なんて聞くとちょっと他人事に感じるかもしれないんですけど、これ全部、去年1年の延長線上にある話です。人間は縦に掘って、AIには横に広げてもらう。そんな感覚で、今年も一緒に試していきたいなと思ってます。

「目的だけ伝えればいい」時代に、私たちの腕の見せどころも引っ越していく。今年、実際に何が変わったかは、また現場で試しながらお伝えしていきますね。

関連記事