LLMのSkillとは何か：AIエージェントに仕事を覚えさせる前に考えること
木村 優志
AIエージェントを業務で使い始めると、次の期待が生まれます。
「同じ仕事を繰り返すなら、前回うまくいったやり方を覚えておいてほしい」
この期待に応える仕組みとして、LLMのSkillが注目されています。Skillは、AIがある業務を進めるための手順や注意点を、次の仕事でも使えるようにする考え方です。
ChatGPTを使う場合、画面上に「Skill」という名前の機能があるわけではありません。まずはカスタムGPTのInstructions（指示）とKnowledge（知識）を使い、特定の仕事を進めるための型をつくるのが、Skillに近い実践になります。
この記事では、ChatGPTで実際に何を設定すればよいかを例に、LLMのSkillが何を指すのか、RAGや記憶・ツールと何が違うのかを整理します。
LLMのSkillとは
LLMのSkillとは、AIエージェントが特定の仕事を安定して進めるための知識や手順を、再利用可能な単位にまとめたものです。
たとえば「問い合わせへ回答する」という仕事なら、Skillには次のような内容を含められます。
- 最初に確認する情報
- 参照すべき社内文書やデータ
- 使う検索・計算・登録などのツール
- 判断時の注意点と例外
- 出力の形式
- 人へ確認を依頼すべき条件
人が経験を積んで「この種類の依頼では、まず契約条件を確認しよう」と覚えるように、AIにも仕事の進め方を持たせようとするものです。
ここで大切なのは、Skillがモデルそのものを再学習する仕組みではないことです。多くの場合、Skillはテキスト、設定ファイル、コード、ツール呼び出しのルールなどとして外部に保存され、必要なときにAIエージェントへ渡されます。
RAG・記憶・ツールとは何が違うのか
Skillを考えるときは、似た仕組みと役割を分けると分かりやすくなります。
RAGは、必要な事実や文書を検索してAIへ渡す仕組みです。「最新の規程は何か」「この製品の仕様は何か」を知るために使います。
記憶は、過去の会話や実行結果を残す仕組みです。「前回、利用者が何を希望したか」「この案件で何が起きたか」といった個別の経緯を扱います。
ツールは、AIが外部の世界へ働きかけるための機能です。データベースを検索する、計算する、チケットを作る、メールを下書きするといった操作に使います。
これに対してSkillは、それらをいつ、どの順番で、どの条件で使うかという仕事の進め方です。
たとえば「見積もり依頼に対応するSkill」なら、RAGで料金規程を調べ、記憶から過去のやり取りを確認し、必要なら見積もりシステムを操作します。Skillは、情報や道具そのものではなく、それらを組み合わせる手順に近いものです。
ChatGPTなら、カスタムGPTでSkillをつくる
たとえば、社内の提案書をレビューする作業をChatGPTに手伝わせたいとします。
毎回「この観点で確認して」「この資料を見て」「この形式で返して」と頼む代わりに、ChatGPTのGPTsからカスタムGPTを作成します。そこで、仕事の進め方をInstructionsに、根拠となる資料をKnowledgeに分けて設定します。
1. Instructionsに「仕事の進め方」を書く
Instructionsには、AIに守らせたい手順と判断の境界を書きます。たとえば、次のような内容です。
あなたは提案書のレビュー担当です。
1. まず、提案の目的・対象顧客・提供価値を3行で要約する
2. Knowledgeにある提案ガイドラインと照合する
3. 「不足している情報」「根拠が弱い主張」「表現上の懸念」を分けて指摘する
4. 資料に根拠がない内容は推測せず、「判断できない」と明記する
5. 指摘は、該当箇所・理由・修正案の順で箇条書きにする「丁寧にレビューして」のような曖昧な依頼ではなく、確認順、出力形式、推測してはいけない条件まで決めます。これがSkillの中心になります。
2. Knowledgeには「参照する資料」を入れる
Knowledgeには、提案ガイドライン、サービス資料、用語集、過去のよい提案書など、回答の根拠にしたいファイルをアップロードします。
ここで、業務ルールまで資料へ押し込まないことが重要です。OpenAIのガイドでも、振る舞いやワークフローはInstructionsへ、参照資料はKnowledgeへ置くことが勧められています。
「何をするか」はInstructions、「何を根拠にするか」はKnowledge、と分けると、ルール変更と資料更新をそれぞれ管理できます。
3. Previewで、実際の失敗例を試す
作成したら、GPT BuilderのPreviewで試します。良い提案書だけでなく、情報が欠けた提案書、根拠のない数値を含む提案書、対象外の業界向け提案書も入力します。
確認すべきなのは、もっともらしいレビューを書くかではありません。
- 指示した確認順を守るか
- Knowledgeにない情報を事実のように補っていないか
- 人へ確認を返すべきときに、勝手に結論を出していないか
- 出力形式が業務で使えるか
この検証で問題があれば、まずInstructionsを修正します。資料を追加する前に、AIに何を判断させ、何を判断させないかを明確にする方が効果的です。
案件ごとに変わる仕事は、Projectsで管理する
カスタムGPTは、複数の仕事で繰り返し使う比較的安定したSkillに向いています。
一方、顧客ごとに資料や前提が変わる調査・企画では、ChatGPTのProjectsが向いています。案件ごとにProjectを作り、その案件の資料、会話、Project instructionsをまとめます。
たとえば「A社向け市場調査」のProjectに、調査目的、対象顧客、使用できるデータ、出力形式をProject instructionsとして設定します。調査中に増えた資料や会話を同じProjectで扱えば、その案件の文脈を保ちながら作業できます。
Project instructionsは、そのProject内でグローバルのCustom Instructionsより優先されます。全社共通の仕事の型はカスタムGPTに、案件固有の情報はProjectに置く、という分け方が実務では扱いやすいでしょう。
Skillが役立つ業務
Skillが特に役立つのは、仕事に一定の繰り返しがあり、よい進め方を共有する価値がある業務です。
- 必要な確認項目が決まっている調査やデータチェック
- 社内ルールに沿って進める申請・登録・報告
- 複数の文書やシステムを参照する問い合わせ対応
- 定型部分と個別判断が混ざる文書作成
- 決まった順序でツールを使う運用作業
こうした業務では、Skillによって確認漏れを減らし、出力の形式をそろえ、担当者ごとの差を小さくできる可能性があります。
一方で、業務の目的や評価基準が毎回大きく変わる場合、Skillを固定しすぎるとAIの判断を狭めます。案件ごとの事情を広く捉える必要がある仕事では、過去の文脈を参照するだけの方が適することもあります。
「Skillを増やす」と起きる問題
Skillの導入で見落とされやすいのは、蓄積そのものが目的になってしまうことです。
ある案件で成功した手順が、別の案件にも正しいとは限りません。古いルールが残れば、現在の業務と衝突します。似たSkillが増えすぎれば、AIが適切なものを選べず、かえって誤った手順を使う可能性があります。
そのため、Skillの品質は「何個保存したか」では測れません。次の点を確認する必要があります。
- どの業務で、どのSkillが実際に使われたか
- Skillを使った結果は、使わない場合より良かったか
- 適用すべき条件と、使ってはいけない条件が書かれているか
- 業務ルールが変わったとき、誰が更新・無効化するか
- 誤った利用が起きたとき、原因を追跡できるか
Skillは知識の保管庫ではなく、運用する資産です。
導入は、小さな一業務から始める
最初から社内の仕事をすべてカスタムGPTやProjectに移そうとすると、効果が分からないまま管理対象だけが増えます。
まずは、入力と出力がある程度決まっていて、繰り返し発生し、結果を評価しやすい一業務を選ぶのがよいでしょう。たとえば、定型的なデータ確認や、必要な参照先が決まった社内問い合わせが候補になります。
導入時には、次の順番で進めます。
- AIに任せる範囲と、人が判断する範囲を決める
- カスタムGPTのInstructionsへ、手順と例外を設定する
- Knowledgeへ、根拠となる資料をアップロードする
- 通常のChatGPT利用と比べ、品質・時間・修正量を測る
- 効果が確認できたものだけを残し、更新の担当と手順を決める
この比較をせずにSkillを増やすと、「何となく便利そう」という印象だけが残ります。AIに経験を持たせるなら、その経験によって何が改善したのかを確認することが重要です。
Skillは、AIエージェントを育てるための設計対象になる
AIエージェントが経験からどこまで成長できるかは、まだ研究と実装が進んでいる途中のテーマです。
重要なのは、Skillを魔法のような「学習機能」と考えないことです。よいSkillを作り、適切な場面で使い、必要なら更新・削除する。この設計と運用があって初めて、AIは過去の経験を仕事の品質へ変えられます。
AIに仕事を覚えさせたいなら、まずは「何を覚えさせるべきか」「何を毎回考え直させるべきか」を分けるところから始めるとよいでしょう。
