受信したメールを迷惑メールのフォルダに振り分ける機能と、社内説明会の案内文を作る機能を想像してみてください。どちらも「AIを使った機能」と紹介されていたら、同じ仕組みなのでしょうか。それとも、文章を書けるほうだけがAIなのでしょうか。身近な機能から考えると、AIという言葉が指す範囲の広さが見えてきます。

一言で整理すると、AI（人工知能）は知的な処理を実現する技術の総称、機械学習はデータからパターンを学ぶ方法、生成AIは文章や画像などの内容を作るAIです。Google CloudとIBMの解説では、AIを広い概念として扱い、その中に機械学習や生成AIにつながる技術を位置づけています。三つは、互いに無関係な製品の名前ではありません。（出典: Google Cloud、IBM）

ここで注目したいのは、メールを「分ける」ことと、案内文を「作る」ことの違いです。以下では、迷惑メールを見分ける仕組みと、案内文を作る仕組みを架空の例として使います。実在するメールサービスの内部構造を説明したり、特定の製品で操作した結果を紹介したりするものではありません。



この違いを知ると、「AI搭載」という表示だけで期待を膨らませず、自分が求める働きを確かめやすくなるでしょう。文章を書いてほしいのか、届いたものを分類してほしいのか。同じAIという言葉の下にある機能でも、欲しい結果によって確認すべき点は変わります。三つの用語を覚える目的は、難しい説明についていくことよりも、この期待のずれを減らすことにあります。

AI・機械学習・生成AIを、横一列に並んだ三つの箱として考えると、関係が分かりにくくなります。代わりに、大きな傘を思い浮かべてみてください。AIが最も大きな傘で、その内側にさまざまな技術があります。機械学習は、その傘に入る方法の一つです。Google Cloudも、AIを広い概念、機械学習をその一部として説明しています。（出典: Google Cloud）

AIという言葉は、画像を見分ける、言葉を処理する、予測や判断を助けるといった幅広い働きに使われます。機械学習という言葉は、その働きを実現するために「データからどのように学ぶか」に目を向けたものです。つまり、AIと機械学習は、同じ範囲を別の名前で呼んでいるわけではありません。AIのすべてが機械学習というわけでもありません。（出典: Google Cloud）

生成AIは、この関係の外に突然登場した別物なのでしょうか。IBMの解説では、生成AIを、深層学習に基づいて文章や画像などを作るものとして位置づけています。深層学習とは、多くの層を持つ計算の仕組みで複雑なパターンを扱う、機械学習の一分野です。ここでは、生成AIもデータから学ぶ技術につながっていると押さえれば、関係を追いやすいでしょう。（出典: IBM）



言葉の着目点にも違いがあります。「機械学習」は主に学ぶ方法を、「生成AI」は主に内容を作る働きを表します。そのため、「これは機械学習ですか、生成AIですか」と必ず二者択一にする必要はありません。生成AIの説明に機械学習が登場しても矛盾しないのです。傘のたとえは、どちらが優れているかを示す順位表ではなく、広い言葉と、その内側の技術を整理するためのものです。

機械学習の「学ぶ」は、人が説明を読んで納得することと同じ意味ではありません。データに見られる特徴や関係を使い、分類や予測に役立つ仕組みを作ることを指します。学習の結果として得られる処理の仕組みを「モデル」と呼びます。Google Cloudは、機械学習のモデルを、学習用データに対して処理を行うことで得られる成果として説明しています。（出典: Google Cloud）

架空の迷惑メール判定を例にしましょう。学習用に用意したメールに、「迷惑メール」「通常のメール」という正解の分類を付けます。こうした正解の目印は「ラベル」と呼ばれます。文章の特徴とラベルの関係を学ばせ、新しいメールの分類に使うという考え方です。正解を付けた例から学ぶ方法は「教師あり学習」と呼ばれ、IBMの資料でも、分類や予測を行う方法として紹介されています。（出典: IBM）

この例では、人がすべてのメールについて「この単語があれば迷惑メール」と条件を書き尽くす代わりに、データから分類に役立つパターンを得ることを目指します。ただし、ある言葉が含まれるだけで正解が決まるとは限りません。架空の例なら、広告によく使われる表現が、取引先からの通常の連絡にも含まれる場面を考えられるでしょう。分類結果を確かめる視点が必要です。



もう一つ、学習する段階と、学習済みのモデルを使う段階を分けると理解しやすくなります。新しいメールをモデルに渡して分類する処理は「推論」、つまり学習済みの仕組みを使って結果を出す処理です。Googleの用語集でも、この区別が説明されています。メールを一通判定することと、そのたびにモデルを学習し直すことは、同じ処理ではありません。（出典: Google for Developers）

この例で求めている出力は、気の利いた返信文ではなく、メールの分類です。文章を書かなくても、データから学んだ仕組みを使って役割を果たしていれば、機械学習を使ったAIの例として考えられます。

今度は、架空の社内説明会の案内文を作る場面を考えてみます。欲しいものは「迷惑メールかどうか」という分類ではなく、読み手に伝わる文章です。IBMは、生成AIについて、学習データにあるパターンや関係を表現した仕組みをもとに、依頼に応じた内容を作ると説明しています。文章のほか、画像、音声、動画なども生成の対象として挙げられています。（出典: IBM）

文章を生成するAIへの入力は「プロンプト」と呼ばれます。日本語では、質問や依頼、条件などを伝える入力と考えるとよいでしょう。特別な命令の暗記が必要な言葉ではありません。Googleの用語集では、質問、指示、例など、さまざまな文章がプロンプトになり得ると説明されています。（出典: Google for Developers）

たとえば、次は使い方を考えるためのプロンプト例です。「架空の社内説明会の案内文を作ってください。対象は新入社員で、内容は社内図書室の使い方です。開催日と会場は未定と書いてください。丁寧な文体で、短い見出しと本文を作ってください。」これは提案であり、実際に入力して回答を検証した記録ではありません。



この依頼には、誰に向けた文章か、何を伝えるか、未定の情報をどう扱うかという条件が入っています。条件を伝えることは、どんな出力を求めているかを具体的にする作業です。ただし、依頼を詳しく書けば、内容の正しさまで保証されるわけではありません。Googleの用語集では、生成AIがもっともらしく見える誤った内容を出す現象を「ハルシネーション」と説明しています。（出典: Google for Developers）

案内文の例なら、未定の会場が勝手に具体化されていないか、依頼していない参加条件が加わっていないかを確認するとよいでしょう。ここでの確認項目も、業務への応用を考えるための提案です。「文章として自然に読めること」と「開催情報が正しいこと」を分けて見ると、生成された文章をそのまま事実として扱う誤りを避けやすくなります。

「AIなら何でも文章を書ける」という見方では、機能への期待が広がりすぎてしまいます。AIは幅広い技術を含む言葉なので、AIという名前だけから、文章を作る機能があるとは判断できません。Google Cloudが挙げるAIの範囲には、データの分析や推薦なども含まれています。生成AIは、その広い範囲の中で、内容を作る働きに着目した言葉です。（出典: Google Cloud、IBM）

ただし、迷惑メールの判定と案内文の作成を、製品の種類を厳密に分ける境界線だと考える必要もありません。ここまでの二つの場面は、働きの違いをつかむための例です。「何を学ぶか」と「何を出力するか」は着目点が異なるので、名前を一つ選ぶことより、求める結果を確認するほうが判断に役立つでしょう。

用途を整理するときは、次のように書き分ける方法を提案できます。表は実在する製品の機能比較ではなく、選ぶ前に自分の希望を明らかにするための例です。

| やりたいこと | 欲しい結果 | 説明で確認したい点 |
| --- | --- | --- |
| メールを仕分けたい | メールごとの分類 | 何を基準に、どのような分類を行うか |
| 案内文を用意したい | 読み手に伝える文章 | 文章を生成でき、必要な条件を伝えられるか |
| 問い合わせを整理して返答を用意したい | 分類と返信文の両方 | 分類と文章生成のそれぞれに対応するか |



最後の行は、複数の働きを組み合わせる架空の応用例です。問い合わせを種類ごとに分ける処理と、返信の下書きを作る処理では、確かめる対象が異なります。前者なら分類の妥当性、後者なら文章の内容や表現が確認の中心になるでしょう。ひとまとめに「AIが対応します」と説明されていても、どこまで処理し、何を人が確認するのかを具体的に読むことが大切です。

名前だけで選ばず、欲しい出力と確認したい点を一組にしておくと、機能説明の読み方が変わります。「AIを使えるか」という広い質問を、「この結果を出せるか」という確かめやすい質問に置き換えられます。

三つの言葉を覚えた後にできる一歩は、新しいサービスへ登録することとは限りません。普段の仕事や暮らしから、小さな困り事を一つ選び、「最後に何が手元にあれば助かるか」を書いてみてください。「メールを扱うのが大変です」だけでは、困っている理由がまだ広すぎます。「重要な連絡を見落とさないように分類したいです」と書けば、欲しい結果が見えてきます。

文章を作る場面でも同じです。「案内を何とかしたいです」から、「新入社員に社内図書室の使い方を知らせる案内文の下書きが欲しいです」へと言い換える方法を提案します。分類が欲しいのか、文章が欲しいのかが分かれば、確認する機能の説明も絞れるでしょう。ここでは、利用する製品や契約を先に決める必要はありません。

欲しい結果の隣には、「何を確かめれば使えるか」も添えておくと便利です。分類なら、通常の連絡が誤って別の場所に入っていないか。案内文なら、開催情報や対象者が正しいか。この確認方法は、架空の例を日常へ結びつけるための提案です。実際の運用では、自分が困る間違いを具体的に考えることが出発点になります。



もし説明の中に知らない用語が出てきても、すべてを一度に理解しようとしなくて大丈夫です。「機械学習」と書かれていれば、何のデータから、何に役立つパターンを学ぶのか。「生成AI」と書かれていれば、何を入力し、どんな内容を作るのか。この問いに置き換えると、用語を自分の目的につなげて読めるでしょう。

手始めに、身近な機能の紹介文を一つ選び、そこに書かれた「AI」を、具体的な働きで言い直してみてください。「メールを分類します」「文章の下書きを作ります」と表せれば、期待する役割がはっきりします。そのうえで、自分の欲しい結果に合っているか、どこを確認して使うかを決めることが、三つの違いを知った後の実用的な一歩です。

以下は、2026年11月4日に取得された提供資料です。IBMの記事には、2024年8月9日公開、2026年10月2日更新と記載されています。取得日と公開日は異なります。

- What Is Artificial Intelligence (AI)? | IBM
- AI vs. Machine Learning: How Do They Differ? | Google Cloud
- 机器学习术语表：生成式 AI | Google for Developers