Claude 学習
コースガイド

AI Fluency for Nonprofits — 日本語学習ガイド

Anthropic Academy コース「AI Fluency for nonprofits」の日本語学習ガイド。公式レッスン本文と YouTube 動画字幕（2026-07-11 取得）を基に構成。

コース概要: 非営利組織（NPO）の職員全般を対象に、「ミッションと価値観に忠実なままインパクトと効率を高める」ための AI 活用を体系的に学ぶコース。Anthropic と Giving Tuesday の共同制作で、Rick Dakan 教授（Ringling College of Art and Design）と Joseph Feller 教授（University College Cork）が開発した AI Fluency Framework（4D フレームワーク）が土台になっている。魔法のプロンプト集や単発のデモではなく、「効果的・効率的・倫理的・安全に AI と協働する能力（= AI Fluency）」そのものを身につけることを目指す。各レッスンは「レッスン本文＋解説動画＋実践演習＋振り返り」で構成され、助成金申請書の執筆、寄付者コミュニケーション、データ分析、プログラム報告など非営利の実務にそのまま応用できる。

ライセンス: 原典は Copyright 2025 Anthropic and Giving Tuesday、CC BY-NC-SA 4.0 で公開。本ガイドは私的学習用のノート。

1. コースへようこそ（Welcome to AI Fluency for nonprofits）

所要時間の目安: 20分（うち動画3分）

このレッスンで学ぶこと

レッスンの内容

講師は Giving Tuesday のパートナーシップ担当ディレクターの Kelsey Kramer と、Anthropic 教育チームの Zoe。冒頭で語られるのは、非営利セクターで働く人なら誰もが知る現実だ——常にリソースが足りず、少ない予算で多くをこなし、複数の役割を掛け持ちしながら、限られた資源でインパクトを最大化する方法を考え続けている。「AI が助けになる」とは聞くものの、何千人もの非営利職員との対話から見えてきたのは、この技術が約束するものと、実際の仕事への現れ方の間に大きなギャップがあることだった。多くの非営利組織が AI 導入に意欲を示す一方、意味のある実装に至った組織はごく一握り。「どこから始めればいいか分からない」と感じているなら、それは決してあなただけではない——このコースはまさにそのギャップを埋めたい非営利職員のために設計されている。

コースの中心概念が AI Fluency。これは「効果的（effective）・効率的（efficient）・倫理的（ethical）・安全（safe）に AI システムと協働する能力」と定義される。実践的スキル・知識・洞察・価値観の組み合わせであり、進化し続ける AI 技術に適応しながらも、組織のミッションに忠実であり続けるための土台になる。どんな課題に直面しても「AI を使うべきか、どう使うか、どの程度使うか」を自分で評価できるようになることがゴールだ。

その土台が 4D フレームワーク（Joseph Feller 教授と Rick Dakan 教授が開発）。Delegation・Description・Discernment・Diligence という4つの相互に連関する能力（competency）で構成され、コース全体を通じて2つの反復ループとして機能する。

そして非営利の AI 活用を特別なものにするのは、常にミッションが最優先という点。効率化の一つひとつ、自動化されたタスクの一つひとつ、節約された1時間の一つひとつが、最終的にコミュニティへのより大きなインパクトに変換されるべきだ。問うべきは「AI にこれができるか？」だけでなく「AI にこれをさせるべきか？ それは私たちのミッションをどう前進させるか？」である。

キーポイント

演習: 組織の価値観・ミッション・AI 活用の目的を定義する

AI と協働する「目的」を形にする演習。この土台があると、AI の活用機会をミッションのレンズを通して評価できるようになる。

Part I: 自己省察（自分ひとりで）

次の問いに答える。

  1. あなたの組織のミッションとビジョンは何か？
  2. あなたの職場の状況と自分の役割を説明する——制約、強み、機会など
  3. あなたの仕事を形づくる中核的な価値観・哲学は何か？
  4. 穴埋め:「もし AI が私の＿＿＿を手伝ってくれたら、私は＿＿＿にもっと時間を使えるのに」——AI による効率化が、よりインパクトの大きい人間中心の活動にどう時間を解放できるかに焦点を当てる

Part II: AI との協働

Claude（または任意の AI アシスタント）と会話を始める。

振り返りの問い

次のレッスン: 4D フレームワークを深掘りし、コース全体の土台を固める。

2. 4D フレームワーク（The 4D Framework）

所要時間の目安: 30分（うち動画6分）

このレッスンで学ぶこと

レッスンの内容

4D フレームワークは、組み合わせることで AI との働き方を変える4つの相互連関するスキル。適用しやすくするために、AI とのやり取りを2つのモードで捉える。1つ目はより高い次元の判断——そもそも AI を使うかどうかを決める「Delegation-Diligence ループ」。2つ目は日常的に AI とどう関わるかという「Description-Discernment ループ」。（これらの概念をより深く理解したい場合は、Anthropic Academy の「AI Fluency: Framework & Foundations」コースが参照先として案内されている。）

Delegation — 何を人間がやり、何を AI に任せるかを決める

仕事のどの部分を人間が行い、どの部分を AI が行い、どうタスクを配分するかの判断。3つの要素がある。

Diligence — AI の使い方に責任を持つ

Delegation と Diligence はループとして機能する。何を AI に委ねるかという思慮深い選択は、使い方への継続的な責任と対でなければならず、入念な実践の積み重ねが、時間とともにより賢い委任の判断を育てる。

Description — AI に効果的に伝える

AI を使うと決めたとき、どう主体性（agency）を保つか。それが Description-Discernment ループの役割だ。Description は AI システムとの効果的なコミュニケーションを指し、「良いプロンプトを書く」を超えて、AI と協働するための協働的環境（collaborative environment）を構築することでもある——Anthropic の公式教材では一貫してこの語が使われている。

Discernment — AI の仕事を批判的に評価する

AI 協働相手の product・process・performance を思慮深く批判的に評価すること。

重要なのは、Discernment は AI の出力を「採用/却下」するだけではないこと。目的地にたどり着くための反復（iteration）を含む。だから Description と Discernment はループなのだ——必要なものを記述し、得られたものを評価し、記述を磨き直す。人間の協働相手と会話を重ねて理解を築いていくのに似ている。

4つの D は一緒に使ってこそ生きる

たとえばインパクトレポートの作成なら——Delegation で「AI が扱う部分」と「自分が提供する部分」を決め、強い Description で AI の作業を導き、Discernment で結果を評価し、その全過程で Diligence を実践する（適切なツールを選び、正確性への責任を持つ）。このフレームワークは AI に仕事を肩代わりさせるためのものではない。人間の判断・創造性・コミュニティのニーズへの深い理解が求められる「本当に重要な仕事」で、自分がより効果的になるためのものである。コースの後半では、助成金申請・データ分析・タスク自動化・組織への持続可能な AI 統合という非営利特有の課題にこれらの能力を適用していく。

演習

演習1: 自分の AI ニーズをマッピングする

なぜやるか——自分がすでに意識している AI 能力と、注意が必要な能力を明らかにし、最も重要なところに戦略的にエネルギーを向けられるようにするため。

  1. 自己省察: AI 活用に関する自分の疑問と懸念をリストに書き出す
  2. 協働: AI との会話を開き、「これらの疑問・懸念それぞれが、AI Fluency の 4D フレームワークのどこに当てはまるか理解するのを手伝ってくれますか？」と尋ねる
  3. 振り返り: 自分の疑問・懸念の大半はどの能力に集中していたか？

このパターンは、いま自分の注意がどこに向いているかを映し出す。そこが本当に伸ばすべき場所か？ それとも、より大きな前進を解き放つ「より難しい能力」を避けているのか？ 最優先すると決めた能力に基づいて、次に AI を使うとき具体的に何を1つ変えるか？

演習2: 能力横断の課題を1つ特定する（ストレッチゴール）

狙いは「AI との毎回のやり取りで、これらの能力は相互に連関して働いている（べきである）」と理解すること。4D へのマッピング後、前進するために複数の能力を同時に育てる必要がある領域を1つ特定する。例:

振り返りの問い

次のレッスン: Description と Discernment を実践に移す——助成金申請書・寄付者コミュニケーション・プログラム資料に直結する「AI とのリサーチと執筆」を学ぶ。

3. AI とリサーチする（Researching with AI）

所要時間の目安: 50分（うち動画7分）

このレッスンで学ぶこと

レッスンの内容

非営利のリーダーは、政策、助成機会、コミュニティのニーズ、ベストプラクティスの情報収集に膨大な時間を費やしている。AI はこのプロセスを劇的に加速できる——ただし、AI を効果的に導き、返ってきたものを評価する方法を知っている場合に限る。このレッスンでは Description-Discernment ループの実践をリサーチの場面で見ていく。基本形は「AI に何かを尋ねる→返ってきたものが本当に有用で正確か確認する→学んだことを使ってより良い質問をする」。目的を達成できたと確信できるまでこの往復を続ける。

ケーススタディ: Maria の Seattle 進出リサーチ

架空の団体 Moss and Momentum は、Portland で15年間、緊急シェルターと transitional housing（自立支援住宅）を運営してきた。深い専門性と強いコミュニティとの関係を築いてきたこの団体のエグゼクティブディレクター Maria は、Seattle への事業拡大を検討している。しかし Seattle は政策も、資金の流れも、借家人保護法も異なる新しい都市だ。彼女が欲しいのは実務的で最新の情報——どんなプログラムが存在し、どう機能しているのか？ 支援対象の家族にとって何を意味するのか？ 追うべき助成機会は？ 理解すべきコンプライアンス要件は？（この例では、Maria はすでに Delegation と Diligence の検討を済ませており、低所得者向け Seattle 住宅事情のレポートを AI と作成し、後で進出戦略の材料にする、という前提で進む。）

Description の実践: 「Seattle の住宅政策について教えて」のような一般的な質問では、同じくらい一般的な答えしか返ってこない。AI Fluency を適用するとこうなる。

プロのコツ: 共有したい情報が多いときは、音声入力（ディクテーション）やコンテンツのアップロードを使うと、文脈の共有がずっと速くなる。

Discernment の実践: AI は Seattle の主要な住宅プログラム、最近の借家人保護法、利用可能な資金源をカバーする包括的な回答を返す。見た目は上々——詳細で、よく整理され、依頼したポイントを網羅している。しかしここからが Discernment の出番。Maria はこの情報を額面通りに受け取ることはできない。彼女のレビュー時のメンタルチェックリストはこうだ。

修正すべき点はおそらく見つかる。だが懸念を理由に AI の回答全体を捨てるのではなく、AI と協働を続けて、自分にとって使えるものへ育てていく。たとえばこう返す——「概観をありがとう。いくつか具体的な点を検証したい。情報源の多くがニュース記事のようだけど、すべて政府の公式サイトで確認できる？ この助成金の締切はどこから来たもの？ 検証できる出典を示して。事実に基づいたレポートになっているのは良いので、その姿勢を維持しよう」。AI は検証のために最新の情報源を検索する必要があると応じるかもしれないし、特定の詳細について不確かさを認めるかもしれない。いずれにせよ Maria は、自分自身のこの分野での専門性に支えられた反復を通じて、信頼できる情報に絞り込んでいく。

Maria が使っている実践的な Discernment の戦略は3つ。

  1. 追加検証が必要な主張にフラグを立てる（Product Discernment）——具体的な数値、最近の法制度、現行プログラム。行動に移す前に一次情報と照合する
  2. プロセスや推論のギャップを評価する（Process Discernment）——AI は本当に最新情報を探したのか、それとも「もっともらしい推測」を返しただけなのか
  3. AI のふるまいを観察する（Performance Discernment）——AI のコミュニケーションスタイルが本当に自分のニーズに役立っているかを確認する

Maria はこのループを回しながら Seattle の住宅事情の解像度を上げていくが、重要なのは——彼女は AI に自分の思慮深さを代替させているのではなく、理解を加速させて、より良い意思決定をするために使っているという点。この情報を助成金申請やアウトリーチに使う段階では、Diligence を適用して学んだことを検証し、最終結果を自分のものとして引き受ける。

Maria のリサーチから引き出せる4つの教訓

  1. 効果的な Description は文脈を提供する: Maria は住宅政策について漠然と尋ねたのではなく、自分が誰で、誰を支援していて、何を知る必要があるかを説明した。その文脈が AI の回答を関連性の高いものにした
  2. Discernment は任意ではない: 特に正確性が重要な場面では、AI の出力を批判的に評価しなければならない。AI は間違えることがある。具体的な主張にフラグを立て、欠落に気づき、情報の新しさを疑う
  3. Description-Discernment ループは反復的: 最初のプロンプトで必要なものがすべて手に入ることはまれ。1つの回答を評価して学んだことを、より的を絞った次の質問に生かす
  4. AI はリサーチを加速するが、専門性を代替しない: AI のおかげで素早く全体像をつかめるのは価値があるが、自分が責任を持つすべての成果物には自分の専門的判断を適用する必要がある。意思決定者はあくまで自分

演習

演習1: 政策・法制度のトラッキング

自組織の仕事に関連する政策領域を Description と Discernment でリサーチする練習。

演習2: 寄付者・助成金のプロスペクティング（候補探し）

正確性が死活的に重要な、ファンドレイジングのリサーチへの応用。

振り返りの問い

次のレッスン: 同じ Description と Discernment のスキルを、情報収集ではなく「コンテンツを作る」文脈——AI との執筆——で使う。

4. AI と書く（Writing with AI）

所要時間の目安: 50分（うち動画7分）

このレッスンで学ぶこと

レッスンの内容

ほとんどの非営利のミッションの中心には、ほぼ定義上「人間に関わる課題」がある——困っている人への直接支援であれ、その人たちが暮らす環境の保護であれ、その人たちのための調査やアドボカシーであれ。だから非営利の文章では人間的なつながりが不可欠だ。このレッスンでは Description-Discernment ループを執筆に適用し、そのつながりと真正性（authenticity）を保ちながら時間とエネルギーを節約する方法を考える。執筆におけるループとは、下書きを作ったうえで「実際に提出できるもの」になるまでセクションごとに磨いていくこと。なお、このタスクを AI に委任できるか・どう委任するかの検討（Delegation）は済んでいる前提で進む。

ケーススタディ: James の48時間の緊急助成金申請

助成金申請書の執筆は、非営利のリーダーが直面する最大の課題のひとつ。特に締切が迫っているときは、速く動きながらも組織をきちんと表現し、寄付金を価値ある形で使う真の実行力を示さなければならない。

架空のシナリオはこうだ。Detroit を激しい氷雨（アイスストーム）が襲い、市内で15,000本以上の樹木が倒れた。被害が最も深刻なのは、もともと樹冠被覆率（tree canopy）が低かった低所得地区。Detroit 市の持続可能性局（Office of Sustainability)は緊急資金を発表——樹木の迅速な植え替えとがれき処理のための5万ドルの助成金で、環境正義（environmental justice)コミュニティを支援する団体が優先される。提案書の締切は48時間後。

James は Green Detroit Coalition という小さな環境正義団体を率いており、公平な都市林業（equitable urban forestry）に8年間取り組んできた。植樹の実績はあるが、この規模の緊急対応は初めて。自分たちにこの仕事ができると分かっている James は、説得力のある提案書を素早く書き上げて、チームが総出で進めている復旧支援に戻る必要がある。

Description の実践: James の最初のプロンプトはこう組み立てられる。

この丁寧なセットアップにより、AI は有用な初稿を生成できるだけの文脈を得る。完璧ではないが、Discernment のループで磨くには十分な土台だ。

重要ポイント: 過去の成果物やスタイルの実例をアップロードして与えることは、情報量が多く高品質な文章のために不可欠。AI との協働環境を築くうえで、文脈を渡す道具は多数ある——Claude なら Projects・コネクタ・Styles など。他のツールにもそれぞれの仕組みがある。使うこと。

Discernment の実践: 初稿ができたら、product・process・performance のギャップを探しながら丁寧にレビューする。モデルごとに能力と限界は異なるが、事実の誤り・推論の綻び・コミュニケーションパターンの問題を探すのが出発点として良い。問いの例——助成金の具体的な条件は正しく書かれているか？ アップロードした資料の声・トーン・構成を AI は考慮したか？ ミッション文書に書かれた組織の価値観と整合しているか？ 実際の実行能力を反映しているか、誤った前提を置いていないか？

このケースでは、James は組織の実行能力セクションが既存の関係資本を過小に表現していることに気づくかもしれない。また、タイムラインが「植樹地選定の前にコミュニティの意見を聞く」プロセスを織り込んでいない——これはプロセス上の誤りだ。ここからまたループが始まる。修正を依頼し、方向を示し、出力を再び評価する。この人間と AI の往復が公式には協働的環境（collaborative environment）と呼ばれるものを築き、AI を自分固有のニーズに合わせ込んでいく。そして数回のやり取りの後、James はおそらく「ここからは自分で仕上げる」と判断する。そもそも AI に委任したのは初稿まで。最後の仕上げはすべて彼自身の仕事だ。

このプロセスを効果的にした戦略（まとめ）

これは James の提案書であって AI の提案書ではない。関係資本・実績・コミュニティ中心のアプローチを提供したのは彼で、AI は時間的プレッシャーの下でそれを明瞭に言語化するのを助けた。提出するとき、彼は主張を検証し、真正性を確かめ、完全なオーナーシップを取ったうえで、この提案書が支援するコミュニティのためになると確信できる。

演習

演習1: 助成金申請書

組織を偽りなく表現する、一発勝負のファンドレイジングコンテンツを Description と Discernment で作る練習。

演習2: SNS 投稿

公開オーディエンスに向けて組織の「本物の声」を捉える必要があるコンテンツへの応用。

振り返りの問い

次のレッスン: AI のプライバシーを掘り下げ、AI に共有したデータに何が起きるのかを理解する。

5. プライバシーとデータを理解する（Understanding privacy and data）

所要時間の目安: 30分（うち動画10分）

このレッスンで学ぶこと

レッスンの内容

このレッスンは、非営利職員が AI について最もよく挙げる懸念——データプライバシー——に正面から答える。データの行き先や機微情報の扱いが心配で AI をためらってきたなら、それは称賛に値する——その懸念は、コミュニティへの責任を真剣に受け止めている証拠だ。ただし、万能の解決策は存在しない。あらゆるセキュリティの話と同じく、チームにとっての実利とリスクを天秤にかけるトレードオフがある。このレッスンのゴールは、AI に共有したデータに何が起きるのかの謎を解き、プラン・プラットフォームごとの違いを評価できるようにし、すでに使っている他のソフトウェアとの比較で捉えられるようになること。

プライバシーの懸念は主に Delegation-Diligence ループの中で扱われる。どのタスクを AI と行うかを慎重に考え、その結果に対する責任を引き受けるという、あのループだ。

AI に共有したデータには何が起きるのか

まず思い出したいのは、あなたが使うすべてのソフトウェア——メール、CRM、表計算——にはデータ取り扱いのルールがあること。どこにどう保存するか、どれだけ保持するか、誰がアクセスできるか。1つの例外を除けば、AI ツールも普通のソフトウェアと同じように評価できる。

その例外であり AI 特有の懸念が、ユーザーデータでの学習（training）だ。利用規約によっては、AI 企業があなたの入力をモデルの学習に使うことを認めている場合があり、それはあなたのデータが将来の出力に影響しうることを意味する。重要な注意点として、これは「誰かがあなたのアップロードしたデータの完全なコピーを受け取る」という意味ではほぼない。そうではなく、AI があなたのデータからパターンを学び、それが将来、他のユーザーの類似の質問への応答の仕方に影響しうる、ということだ。あなたの文言をそのまま再現しなくても、組織のデータのテーマや統計が明らかになる可能性はある。

Platform Awareness が教えてくれるのは、ツールもプランもすべて同じ作りではないこと。ユーザーデータで学習する会社もあれば、明示的に学習しない会社もある。多くは一定期間後に会話を削除するが、設定や料金ティアによってプライバシー保護が異なる「混合型」も多い。これは AI 機能を持つサードパーティツールにも当てはまる——同意した利用条件次第で、あなたのデータが AI プロバイダーに渡ることがある。タスクに取りかかる前に、自分に適用されるポリシーがどれかを知ることが重要だ。

最も安全なのは「ユーザーデータで学習せず、データ保持期間が非常に短い（通常30日以下）」AI。極めて機微な仕事にはこの水準の保護を用意する価値があるが、単純なブレインストーミングなら不要なことも多い。Anthropic の Claude については、レッスン本文では privacy.anthropic.com（動画内では privacy.claude.com と案内）と trust.anthropic.com でデータポリシーを確認でき、アプリ内で直接プライバシー設定を調整できる（会話を学習に使わせないオプトアウトを含む）。他の AI プロバイダーにも同様のリソースがあるはずで、もし無ければ、それ自体が危険信号（red flag）かもしれない。

実践シナリオ: フードバンクの利用者アンケート分析

一つのミスが害につながりかねない、極めて機微なデータを含むタスクへのアプローチを見てみよう。あなたは地域の家族を支えるフードバンクを運営していて、サービス利用体験とニーズを理解するために利用者アンケートを実施した。このデータを分析してパターンを見つけ、プログラムを改善したい。これはまさに AI が大いに役立つ仕事であり、同時に Diligence が不可欠な仕事だ——もし漏えいが起きたり学習データに入ってしまえば、脆弱な立場にある人々の個人情報をさらすリスクがある。生データには、氏名・連絡先・世帯収入の詳細・就労状況・アンケート回答が含まれている。

どう取り組むか。答えは Delegation-Diligence ループにある。

  1. Problem Awareness でタスクを分解する: このデータから本当に学びたいことは何か？ 個々のストーリーは自分の目で読むとして、AI との作業で求めているのはおそらく利用者全体を横断するパターンの特定だ。本当のゴールを理解すれば、本当に必要な情報が見えてくる——そしてこのケースでは、最大のリスク源である個人識別情報（PII）の共有はまったく不要だと分かる。あるいは、地理分析のために郵便番号だけ残して他はすべて落とす、という判断もありうる。スプレッドシートから個人データの列を削除するのが最も安全だが、常に最終ゴールから逆算し、Platform Awareness と Task Delegation を使って自分の状況のリスクを踏まえた判断を下す
  2. Platform Awareness でツールを選ぶ: 識別情報を除去した後でも、ツール選びには注意を払う。機微性の高いデータ分析には、入力を学習に使わず、強力なデータ保持ポリシーを持つ AI が望ましい——さらに良いのは即時削除、いわゆるゼロデータリテンション（ZDR: Zero Data Retention）。利用規約を読み飛ばしたくなる気持ちは分かるが（長くて法律用語だらけだ）、ここを読むことが「リスク最小化のために自分の役割を果たした」と確信できる方法だ。利用規約とプライバシーポリシーを丸ごと AI との会話に貼り付けて質問する手もある——その場合は必ず出典（citation）を求め、原文に当たって検証できるようにする
  3. Diligence で仕上げる: Description-Discernment ループで結果を磨き、レポートが完成に近づいたら Diligence の出番。Transparency Diligence——この分析に AI がどう関与したかを、誰が知る必要があるか。Deployment Diligence——見つかったパターンを自分自身の観察と照合して検証し、その文脈なしに分析を共有しない。この洞察を基に助成金申請や報告書を書くなら、その主張は自分が引き受ける

まとめると——AI Fluency がなければ、識別情報入りのデータを「学習も保持もする AI」にアップロードしていたかもしれない。だが数分の追加作業で、安全なツールを選ぶ（または今のツールを安全に設定する）ことと個人情報の除去によってリスクを減らせた。しかもアンケート分析というゴールはちゃんと達成できている。

もし間違えてしまったら

「うっかり共有してはいけないものを共有してしまったら？」——それは起こりうることで、選択肢を知っておくのが大事だ。

  1. 会話を削除する: ほとんどの AI プラットフォームでは個別の会話を履歴から削除できる。会話リストの削除（ゴミ箱）アイコンを探す
  2. データ削除をリクエストする: 特に機微な状況では、多くのプロバイダーが削除依頼のプロセスを用意している。Claude については privacy.claude.com に情報がある。他のプラットフォームもプライバシーポリシーやヘルプセンターに同様の選択肢を載せているはず
  3. 組織のプロトコルに従う: 職場にデータ取り扱いのガイドラインがあるなら、しかるべき人に知らせる

機微なメールを誤送信したときに踏む手順があるのと同じ原則だ。

組織に持ち帰る3つのポイント

  1. AI は（特に学習まわりで）新しいプライバシーリスクをもたらすが、データ保護の基本原則の多くはそのまま通用する: 失っては困るものを共有しない。識別情報を除去する。データの機微性に見合ったプライバシー保護を持つツールを選ぶ。自分のデータを一番知っているのは自分であり、メール・暗号化メッセージ・対面のどれで話すかを選ぶとき、あなたはすでに機微性の判断をしている
  2. ツールが違えばルールも違う: イベントのテーマ出しに使う無料 AI と、厳格なデータ保持ポリシーを持つ有料アカウントは別物。タスクにツールを合わせる——保護の厚いツールほど、機微データをより安全に共有できる
  3. 安全な AI 活用とは、避けることではなく責任を持って使うこと: 新しいプロジェクトを AI と始める前に、Problem Awareness・Platform Awareness・Task Delegation を丁寧に検討する。タスクを構成要素に分解すれば、機微情報を共有せずに AI の恩恵をフルに受けられることが多い

この話題は重たくて紛らわしい。しかし「質問をする」という最も重要な一歩をあなたはすでに踏み出している。責任ある AI 活用とは、すべての答えを持っていることではなく、始める前に何を確認すべきかを知っていて、学び続けることだ。

演習

演習1: データの機微性を評価する

どのデータなら AI ツールに共有して安全かの判断力を養う演習。

演習2: データハイジーンを実践する

機微データを安全な AI 利用のために実際に準備してみる演習。

振り返りの問い

次のレッスン: このプライバシー実践を行動に移し、機微情報を守りながらパターン発見・洞察の生成・プログラム強化を行う「AI でのデータ分析」を学ぶ。

6. AI によるデータ分析（Data analysis with AI）

所要時間の目安: 50分。 このレッスンを終えると、次のことができるようになる。

動画: データ分析と「結果を信頼できるか」問題（約7分）

この動画は、非営利団体のスタッフが AI をデータ分析に使うときに突き当たる最大の問い — 「結果を信頼できると、どうやって分かるのか？」 — に正面から答える。おそらくこの疑問こそが、これまで AI をデータ分析に使うのをためらわせてきた張本人だ。このレッスンのテーマは Delegation-Diligence ループ、つまり「すでに自分が答えを知っているデータ」で AI を体系的にテストすることで、自分の仕事に固有の状況で AI がどう役立つかを検証し、確信を築くプロセスである。

プロセスは Delegation から始まる。手順はこうだ。

  1. 定期的に行っている分析タスクのうち、AI に任せたい具体的なタスクを1つ特定する
  2. すでに自分で分析を完了した過去のデータを見つける
  3. AI と一緒にその分析を再現し、何がうまくいき、何がうまくいかないかを評価する
  4. アプローチを磨いて、もう一度テストする

AI が既知の結果を再現できれば、同種の将来のタスクで AI をどう使い、どこまで信頼できるかが分かる。再現できなければ、「このタスクは委任すべきでない」という学びが得られる。どちらに転んでも収穫があるのがこのループの良いところだ。

実例: Valley Veterans Services の Rio。 Rio は退役軍人支援団体のプログラムディレクターで、四半期ごとにプログラムの出席データと就職実績を突き合わせて分析している。参加率の算出、月ごとの変化の追跡、出席と就職成功の相関の判定 — この分析には毎回何時間もかかる。Rio は分析結果を自分で解釈してプログラム改善に使い続けたい。ただし、いつも自分がはまり込むデータクリーニングと数式の泥沼からは解放されたい。

そこで Rio は、このシナリオで AI が適切かをテストするために前四半期のデータを使う。AI なしで分析済みなのでデータが何を示していたかを正確に知っており、しかも分析前の生の乱雑なデータも手元にある。これが彼のテストケースになる。

Rio はデータをアップロードし、Description と Discernment を使って AI と分析を進める。ただし AI が応答するたびに、結果を「自分が正しいと知っていること」と照合し、AI の推論の穴をメモしていく。追加の Description で AI が求める結果に到達できる場合もある — その場合、今後のデータ分析タスクにはその種の情報を含める必要があると分かる。一方で、正真正銘の能力の限界（capability gap）が見つかる場合もある。これが Delegation-Diligence ループの実践であり、Rio の Diligence（モデルの能力を評価する姿勢）が、今後何を AI に委任するかの判断を変えていく。

最初の試みはこんなプロンプトだ。「前四半期の就労訓練プログラムの出席データと就職実績データを共有します。3か月間の参加パターンを分析し、出席レベルと就職成功の相関をグラフにしてください。特に、継続的な出席がより良い就職結果を予測するかどうかを知りたいです。」

AI は要約を返してくるが、Rio はそれを事実と決めつけず、自分の記録と照合して良い点と悪い点をメモする。AI は出席と就職の相関を正しく特定した。しかし、住宅支援と就職支援を組み合わせたプログラムに関する重要な洞察を見落としていた。そこで Rio は Description を磨き、「プログラムの種類に特に注意して」再分析を依頼する。今度は AI が自分のミスに気づく。Rio は「今後の四半期分析では、プログラム種別を考慮するよう明示的に依頼する必要がある」とメモする。

次に、もっと難しいテストを試す。「参加者の登録時期（enrollment）別にも見られる？」AI の応答から、登録日データを AI が知らなくても抽出を手伝えることが分かったので、この結果は後で照合するようメモする。このプロセスを通じて、Rio は四半期レポート作成において AI に何ができて何ができないかを体系的に検証した。得られた学びはこうだ。

検証済みアプローチを新しいデータに使うときも、Rio の Diligence は続く。数字が自分のプログラムについて知っていることと整合するかを確認し、最終レポートに自分で責任を持ち、聞かれれば AI の役割について透明に答える。ただし今の彼は当てずっぽうではなく、検証に裏打ちされた確信から仕事をしている。

フレームワークのまとめ: 委任したい分析タスクを specific に特定する（必要なものを正確に）。その分析を完了済みの過去データを見つける（AI が正解に到達できるか評価するには正解が必要）。AI と一緒に過去の分析を再現し、体系的に評価する — AI は何を生成したか？タスクにどうアプローチしたか？発見をどう伝えたか？ギャップを特定し、委任の仕方を磨き、再テストする。AI が正しい結果を出すと検証できれば、新しいデータに自信を持って使えるアプローチの完成だ。何度か改善しても到達できなければ、「これは委任すべきタスクではない」と学んだことになる。

データにそもそも自信がない人へ。 「自分ではプロセスの穴を見抜けない」という人にも AI は役立つ。AI モデルは特にコーディングが得意なので、Excel の数式を書く、乱雑なデータを整形し直すといったことを手伝える。自分の疑問やアイデアを AI に持ち込み、「解決策がどんなものになりうるか理解するのを手伝って」と明示的に頼めばよい — チームのデータアナリストと働くのと同じ要領だ。作業中は説明や補足を求め続けて、プロセスを追え、最終的なアウトプットを理解できるようにしておくこと。

ただし忘れないでほしい。検証は確信を築くが、責任を消しはしない。 結果が意味をなすかの確認と、分析プロセスにおける AI の役割の透明性は、依然としてあなたの責任である。このテスト手法は、検討中のあらゆる分析タスクに使える — 寄付者分析、予算予測、アンケートの統合、アウトカム追跡。まずテストし、うまくいくものを検証し、それから自信を持って適用する。あるいは「そもそも委任すべきでない」と学ぶ。

要点（Key takeaways）

演習1: メッセージング分析

低リスクのデータ（自団体の公開コミュニケーション）を使って、データ分析における Description-Discernment ループを練習する。

Part I: データを集める — 自団体のコミュニケーションを10〜20件集める。SNS 投稿、メールの件名、ニュースレターの見出し、イベント告知など。自分が「よく響いた」と思うものと「いまいちだった」と思うものを混ぜること。

Part II: AI で分析する — データセットを AI に共有し、パターンの特定を依頼する。

Part III: Discernment を適用する — AI の分析を評価する。

振り返り:

ストレッチゴール: AI を使って、自団体のメッセージングが掲げているミッション・価値観とどれだけ整合しているかを監査し、食い違いを見つけ、分析結果からメッセージングガイドを作成する。

演習2: 寄付者の寄付パターン分析

レッスン5のデータ衛生（data hygiene）の実践を踏まえて、データ分析スキルを高リスクなファンドレイジングデータに適用する。

Part I: データを準備する — レッスン5でサニタイズ（無害化）した寄付者データセットを使うか、個人を特定できる情報（PII）を除去した新しいデータセットを用意する。複数期間にわたる過去の寄付データがあることを確認する。

Part II: AI で分析する — 次のパターンの特定を AI に依頼する。

Part III: Discernment を適用する — AI の発見を批判的に評価する。

振り返り:

演習3: コミュニティのニーズを先読みするトレンド分析（ストレッチゴール）

複数のデータソースを組み合わせて予測的分析を練習する上級演習 — 要望の多い能力である。

Part I: 多様なソースを集める — コミュニティのニーズ理解にすでに使っている情報を集める。

Part II: 新たなパターンを分析する — AI に次の特定を依頼する。

Part III: 最も厳格な Discernment を適用する — この分析には最高レベルの批判的評価が必要だ。

振り返り:

レッスンの振り返り

次のレッスンへ

次のレッスンではワークフローの自動化を扱う — AI が定型タスクをあなたの代わりに処理し、より影響の大きい仕事に時間を割けるようにするとき、これらと同じ原則をどう適用するか。

7. ワークフローの拡張（Workflow augmentation）

所要時間の目安: 40分。 このレッスンを終えると、次のことができるようになる。

動画: 4D 総動員で作るメール自動化（約6分）

きっと身に覚えがあるはずだ。メールに溺れている — しかも複雑なメールではなく、同じ質問が延々と繰り返される。「イベントは何時から？」「チケット情報はどう変更するの?」「領収書を送ってもらえますか？」小さな非営利団体、特にイベントを運営する団体にとって、これは毎日の時間を食いつぶす現実だ。その一方で、築くべき関係、回すべきプログラム、前に進めるべきミッションがある。

このレッスンでは、4D Framework の4次元すべてを一緒に使って、日々の作業負担を減らす自動化を組み立てる。Delegation・Description・Discernment・Diligence が連携して、組織に持続可能な効率を生む — AI Fluency が本当に生きてくる場面である。

シナリオ: Emily のガラ・パーティー。 Emily はがん研究資金調達団体の地域支部で働く開発コーディネーター。年次ガラまで3週間、毎朝20〜30通のメールが届き、基本的に同じ5種類の質問が繰り返される — 寄付者向けレポート、イベント詳細、テーブル割り当て、ドレスコード、駐車場情報。文書化済みの情報からすぐ答えられるものもあれば、人間の判断や寄付者データベースへのアクセスが必要なものもある。現状、彼女は毎朝2時間をメール返信だけに費やしている。週10時間 — 他の何にでも使えたはずの時間だ。AI はこれを変えられる。ただし、思慮深くやる必要がある。盲目的に自動化するのではなく、4D Framework を使って、実際に機能し、かつガラの参加者が「AI にたらい回しにされた」と感じない仕組みを作るのだ。

Step 1: 問題認識（Problem Awareness）と Delegation。 AI ツールに触れる前に、Emily はまず過去1週間の受信箱を実際に見る。人々は何を尋ねているのか？そしてガラ向けの具体的なリストを作る。内訳はこうだ。

これが Task Delegation だ。問うべきは「AI にできるか」ではなく「AI がやるべきか、やるならどこまでか」である。

Task Delegation を定義したうえで、Emily は Platform Awareness（プラットフォーム認識）も考慮する。このプロジェクトでは個人を特定できる情報や資金情報の一部を AI に見せることになる。だから、ユーザーデータで学習しない AI ツールを使うことが決定的に重要だ。

Step 2: Description。 3つを明確に定義する。

実践では、Emily は Claude の Gmail 連携を使い、各ステップをきわめて具体的に指示しながら、実際に受け取ったメールで Claude の応答をテストして往復を重ねる。

Step 3: Discernment。 アウトプットを本気で確認する。メールと下書きは実際に役立つか？彼女らしく聞こえるか？正確か？テストの結果はこうだった。AI はメールを正しく分類しているようだ — 宣伝メールは返信不要、席割りの依頼は絶対に人間が必要、プログラム詳細と駐車場の回答は正確。甲殻類アレルギーの問い合わせには正確に答えられたが、相手がまさに問い合わせてきた内容を「ご確認ください」と返すのは不自然だった。ここは Performance Description をもっと行動指向（action-oriented）に調整すべきポイントだ。これは反復的なプロセスであり、発見に基づいて Description を磨き直すのは完全に正常 — というより、実際に機能するものを作る唯一の方法である。

Step 4: Diligence（責任の実践）。 これはシステムが技術的に動くかだけの話ではない。「そもそもこの使い方をすべきか」という問いだ。Emily は3種類の Diligence を検討する。

要点（Key takeaways）

演習1: 自動化の機会をマッピングする

自分の仕事の反復タスクのうち、どれが AI 自動化に向いているかを特定する。

Part I: 反復タスクの棚卸し — 過去1週間の仕事を思い返し、反復的または時間のかかるタスクを5〜10個リストアップする。各タスクについて次をメモする。

Part II: AI 適性で分類する — タスクを3つのカテゴリに仕分ける。

Part III: 優先順位づけ — 「AI が処理できる」「AI が補助」のカテゴリから、最も時間を節約できそうなタスクを1つ選ぶ。それがあなたの自動化候補になる。

振り返り:

演習2: 自動化の Description を組み立てる

演習1で特定したタスクについて、3種類の Description を使って自動化システムを記述する。

Part I: Product を定義する — 明確な Product Description を書く。

Part II: Process を定義する — ステップを列挙する Process Description を書く。

Part III: Performance を定義する — ふるまいを定める Performance Description を書く。

Part IV: 実例でテストする — Description を AI に共有し、実際の業務からの実例を3〜5件与えて、アウトプットを評価する。

演習3: Diligence を計画する（ストレッチゴール）

自動化の「責任」の側面を考え抜く。

Part I: Creation Diligence — 計画中の自動化について答える。

Part II: Deployment Diligence — レビュープロセスを計画する。

Part III: Transparency Diligence — 透明性のアプローチを決める。

レッスンの振り返り

次のレッスンへ

次のレッスンでは、AI を組織に思慮深く持続可能に統合する戦略を扱う — AI 依存への懸念にどう向き合うかから、自団体の価値観を反映した AI ポリシーの作り方まで。

8. 組織への統合（Integration）

所要時間の目安: 45分。 このレッスンを終えると、次のことができるようになる。

動画: 「Human in the loop」であること（約5分）

このコースを通じて、助成金申請、寄付者コミュニケーション、データ分析、ワークフロー拡張への AI の使い方を学び、非営利の仕事の文脈で 4D Framework を練習してきた。しかし AI は単なる新しい技術ではない。世界の動き方そのものを変えつつある。だからこそ、組織の働き方・文化・コミュニティへの影響との関係で AI を評価することが重要だ。この動画は、非営利団体から最もよく聞かれる2つの大きな問いに答える。「AI に依存しすぎないためには？」と「効率と人間らしさ（human touch）のバランスは？」である。

答えはどちらも同じ原則に行き着く — 「human in the loop（ループの中の人間）」であること。AI の世界で広まったこの言葉は少し曖昧に聞こえるが、要は「あらゆる AI とのやりとりにおいて、意思決定し、舵を取るのは人間である」という考え方だ。そして非営利の文脈では、それ以上の意味を持つ。AI がミッションに仕えるのであって、その逆ではないことを保証するのはあなただ。AI がどの問題の解決を手伝うべきかを決めるのはあなた。解決策が価値観に合致しているかを評価するのもあなた。そして決定的に重要なのは、非営利の仕事の土台である人間関係と現実世界へのインパクトを維持するのもあなただということ。

問い1: AI に依存しすぎないためには？ この問いは、AI が他の技術と根本的に違う点を突いている。AI はあなたの CRM のようにプログラムされていない。同じ入力でも、入れるたびに少しずつ違う応答が返ってくる。 だからこそ、human in the loop であるあなたが「どこで・なぜ AI を使っているのか」「自分とチームにとって許容できる使い方とは何か」を理解する必要があり、一回一回の利用において Diligence が求められる。

具体的な方法のひとつが、定期的にプロセスを振り返り、「AI が何をしているか、私たちは説明できるか？」と自問すること。説明できるなら素晴らしい — それは人間が適切に関与した健全な拡張（augmentation）だ。説明できないなら、説明できるようになるまでプロセスを作り直す価値がある。目標は AI 依存を完全に避けることではない。組織を強くするポリシー・プロセス・意思決定を作ることだ。

問い2: 効率と人間らしさのバランスは？ どんな仕事であれ、あなたがこの仕事を選んだのは大切に思うからだ。最良の場合、AI はノイズや障害物を切り抜ける手助けをして、忘れられがちな部分 — 手書きのカード、パーソナライズした郵送物、コミュニティの一人ひとりと過ごす時間 — に集中させてくれる。最悪の場合、その人間らしさ自体を自動化して消してしまう。忘れてはいけないのは、AI にはあなたの「人間の仕事」はできないということ。メールの初稿は書けても、あなたのように受取人を知っているわけではない。AI を組織に持ち込むときは、生産性への期待をめぐる文化的な規範を早い段階から、繰り返し設定・点検して、AI が支えている仕事に全員が納得できるようにすることが重要だ。

実践: 組織 AI ポリシーの作成。 このコースでは AI Fluency Framework の理解を深めてきたが、AI ポリシーはこの理解を組織全体にスケールさせ、徹底させる手段になる。ポリシーを書くときは、このコースで扱ってきた要素を検討するとよい。

動画はこう締めくくる。あなた固有の才能、人生経験、知識、ものの見方、人との関係 — それらは、世界を理解し応答するあなただけのやり方を形づくっている。AI はそうした資質に気づき、より効果的に表現する手助けができる。より速く学び、より明瞭に伝え、より創造的に問題を解く助けにもなる。しかし、人間の直感、判断、そしてあなたがすべての仕事に注ぐ「ケア」の代わりにはなれない。それこそが、非営利にとっての AI Fluency の本当の意味であり、あなたにしかできない仕事だ。

要点（Key takeaways）

演習: 組織の AI ポリシーを起草する

このコースで学んだすべてを持ち寄り、組織全体の AI 利用を導く実用的なドキュメントを作る演習。

Part I: Platform Awareness（プラットフォーム認識） — 技術面のガイドラインを定める。

Part II: Task Delegation（タスクの委任） — AI 利用の境界線を定義する。

Part III: 期待とキャパシティ — AI 統合の人間側の問題に向き合う。

Part IV: 品質と監督 — 説明責任を確立する。

Part V: 透明性 — AI 利用をどう伝えるかを決める。

Part VI: 価値観との整合 — AI 利用をミッションにつなぐ。

Part VII: まとめてレビューする — AI と協働して、回答をポリシー文書の草案に統合する。

レッスンの振り返り

9. 次のステップ（Next steps）

所要時間の目安: 15分。 このレッスンを終えると、次のことができるようになる。

動画: 最終課題 — 今週、実際の仕事を1つ（約5分）

最後のレッスンにたどり着いた。ここからは、今日から始められる実践的なステップの話だ。今まさに、あなたには現実の仕事が待っている。来週締切の助成金申請かもしれない。先延ばしにしてきた寄付者向けレポートかもしれない。スプレッドシートに眠ったまま分析する時間がなかった3か月分のプログラムデータかもしれない。

最終課題はこれだ。それらのタスクの中から1つ — 1つだけでいい — を選び、このコースで学んだことを使って、今週 AI の支援を受けながら片づける。

この4つの力（competencies）は、AI を使うたびに一緒に働く。そして動的であることを忘れずに。Delegation から Description へ流れ、Discernment に戻り、「そもそも委任の仕方を変えたい」と気づくかもしれない。それこそが、実践を通じて AI Fluency が育っている証拠だ。

最終課題（Your final assignment）

コースを修了する前に、今週 AI の支援で取り組む実際のタスクを1つ選ぶ。

Step 1: タスクを選ぶ — 実際に待っている具体的なものを選ぶ。

Step 2: 4D Framework を適用する — 4つの力をひとつずつ通す。

Step 3: 経験を振り返る — タスクを終えたら考える。

学びを続ける

ブループリント（Blueprints）: 非営利の定番タスク向けのステップバイステップガイドに https://claude.com/resources/use-cases-category/nonprofits からアクセスできる。Anthropic と Giving Tuesday が共同で作成したユースケース集で、このコースで一緒に歩んだものも含まれる。カバー範囲は次のとおり。

初めて AI とやりとりするときのガイドとして使い、経験を振り返って次のやりとりに活かすとよい。

リソース: 受講者は次にアクセスできる。

理解を深める: まだ受講していなければ、Anthropic の「AI Fluency: Framework & Foundations」コースが 4D Framework とその適用のより深い探究を提供してくれる。

レッスンの振り返り

おめでとう！

AI Fluency for Nonprofits の修了、おめでとう。4D Framework の基礎を築き、リサーチ・ライティング・データ分析・ワークフロー自動化への適用を練習し、責任ある組織統合の戦略を身につけた。

忘れないでほしい。AI Fluency はゴールではなく、続いていく実践だ。ツールは進化し続けるが、学んだフレームワークがあれば、ミッションと価値観をすべての意思決定の中心に置いたまま、思慮深く適応していける。次のレッスンでいくつかの簡単な質問に答えると、修了証を取得できる。修了証は同僚と共有して、「自分たちの組織にとっての AI Fluency とは何か」という対話を始めるきっかけに使える。

まとめ（要点）

コース全体を貫く要点を整理する。

1. 4D Framework の非営利向け適用。 Delegation（何を AI に任せ、何に人間の判断を残すか）・Description（成果物 Product / プロセス Process / ふるまい Performance の3種類で伝える）・Discernment（結果の良し悪しを見抜く）・Diligence（協働への責任を果たす）の4つの力は、助成金申請・寄付者コミュニケーション・データ分析・ワークフロー自動化といった非営利の実務すべてに通用する。4D は直線ではなくループであり、Discernment の結果から Delegation の仕方を変えることもある — それ自体が AI Fluency の成長である。非営利の文脈で特に重要なのは、AI がミッションに仕える（逆ではない）ことを保証する「human in the loop」の役割を人間が担い続けることだ。

2. Description-Discernment ループ。 AI との協働の基本動作は「記述して、応答を評価して、学んだことを踏まえてより明晰に記述し直す」往復である。メッセージング分析でも Rio の出席データ分析でも Emily のメール自動化でも、一発で完璧な結果は出ない。AI が見落とした文脈（プログラム種別、オーディエンスの実像、相手の意図）を Discernment で特定し、それを次の Description に織り込む。この反復は失敗ではなく、実際に機能する仕組みを作る唯一の方法である。

3. Delegation-Diligence ループ（検証による確信づくり）。 AI の分析結果を信頼できるかは、正解を知っている過去データでテストすることで確かめる。委任したいタスクを特定し、分析済みの過去データで AI に再現させ、既知の結果と照合し、ギャップを特定して委任の仕方を磨く。再現できれば検証済みアプローチとして新データに使え、何度磨いても再現できなければ「委任すべきでないタスク」だと学べる。ただし検証は確信を築くが責任は消さない — 結果の妥当性確認と AI の役割の透明性は常に人間の仕事である。

4. データプライバシー。 高リスクデータ（寄付者情報など）を扱う前に、個人を特定できる情報を除去（サニタイズ）する。また Platform Awareness として、個人情報や資金情報を見せる作業ではユーザーデータで学習しない AI ツールを選ぶことが不可欠。組織の AI ポリシーでは、データの機微度に応じて必要なツールと保護を定義する。

5. ワークフロー自動化。 自動化は 4D 総動員の実践である。まず Problem Awareness で実際の作業負荷を分析し、「AI が処理できる／AI が補助し人間が決める／人間が処理すべき」に仕分ける（問いは「できるか」でなく「やるべきか」）。3種類の Description でシステムを定義し、実際のメール等でテストして磨く。そして Creation Diligence（何を自動化するか意図を持つ）・Deployment Diligence（アウトプットのレビュー体制）・Transparency Diligence（AI 関与の開示とフォローアップ手段）で責任を担保する。

6. 組織統合。 AI 依存は「回避」でなく「理解」で防ぐ — 「AI が何をしているか説明できるか？」を定期的に問い、説明できるまでプロセスを作り直す。AI は手書きのカードや個人と過ごす時間といった「より人間らしい仕事」のための余白を生むべきで、人間らしさ自体を自動化してはならない。そして個人の理解を組織にスケールさせる手段が AI ポリシーである。Platform Awareness・Task Delegation・期待とキャパシティ・品質と監督・透明性・価値観との整合（あえて AI を使わない判断を含む）を文書化し、チームで導入・見直しを続ける。AI は学習・伝達・問題解決を助けられるが、人間の直感・判断・ケアの代わりにはなれない — それが非営利にとっての AI Fluency の核心である。

Claude 学習サイト — 完全ローカル静的サイト（build.py で生成）。進捗はこのブラウザの localStorage に保存されます。