株式会社TIMEWELLの濱本 隆太です。
高校生でもAI開発はできます。ただし、ここでいうAI開発とは、AIモデルそのものをゼロから作る研究開発ではありません。生成AIにコードを書かせながら、自分のWebサイトやアプリを作る「AI駆動開発」のことです。プログラミング未経験の高校生でも、日本語で指示を出しながら動くプロダクトを作れます。この記事では、AI開発という言葉をめぐる誤解、未経験でも作れる理由、高校生が実際に作れるものの具体例、安全に始めるための注意点、そして学校で体系的に取り組む方法までを、プログラミング未経験の社会人を含む500名以上をAI駆動開発で育成してきた経験をもとに整理します。
想定している読者は、高校の先生と保護者、そして高校生本人。「AI開発なんて、理系の大学生がやることでは」という感覚をお持ちなら、それは2022年ごろまでの常識です。何がどう変わったのか。順を追って説明します。なお、ご自身のAIへの理解度を先に確かめたい先生や保護者の方には、3分で終わる無料のAIリテラシー診断も用意しています。
「AI開発」という言葉は、2つの別物を指している
「高校生 AI開発」と検索すると、コンテストの受賞ニュース、イベント告知、スクールの紹介ページが断片的に並びます。調べていて気づくのは、そもそもAI開発という言葉が、まったく性質の違う2つの活動を指したまま使われていることです。体系立てて説明した記事は、正直なところほとんど見つかりません。混乱の出発点はここです。最初に切り分けましょう。
1つ目は、AIモデルそのものを作る開発です。機械学習の理論を学び、Pythonでコードを書き、大量のデータでモデルを訓練する。大学の情報系学部や企業の研究所が担ってきた領域で、線形代数や統計の素養が前提になります。高校生に不可能だとは言いません。スーパーサイエンスハイスクールの課題研究などで機械学習に挑む生徒は実際にいます。ただ、これを未経験からいきなり始めるのは、かなり険しい道です。
2つ目は、AIを道具として使ってプロダクトを作る開発です。作るのはAIではなく、Webサイトやアプリ、データ分析の仕組み。コードを書く作業は生成AIが肩代わりし、人間は何を作るか、誰のために作るか、出力は正しいかを考えます。この記事で扱うのはこちらで、AI駆動開発と呼ばれる進め方です。
| 観点 | AIモデル開発 | AI駆動開発 |
|---|---|---|
| 作るもの | AIモデルそのもの | Webサイト、アプリ、分析ツールなど |
| 必要な前提 | 数学、プログラミング、機械学習の理論 | 作りたいものを日本語で説明する力 |
| 主な道具 | Python、GPU、学習用データ | 対話型の生成AI、ブラウザ |
| 高校生との距離 | 遠い（挑める生徒は一部） | 近い（未経験でも到達できる） |
保護者や先生が「うちの子にAI開発は無理でしょう」と感じるとき、頭にあるのはたいてい1つ目です。一方で、いま企業や行政が「AI人材」と呼び始めているのは、2つ目のスキルを持つ人を広く含みます。この区別を親子や教室で共有するだけで、進路の話も授業の設計も、ずいぶんかみ合うようになります。
もったいないのは、この言葉のすれ違いが挑戦そのものを止めてしまうケースです。数学が得意でないから無理だと本人が思い込む。専門外だからと先生が敬遠する。理系に進まないなら関係ないと保護者が判断する。どれも1つ目のAI開発を前提にした判断で、2つ目の世界では成り立ちません。AI駆動開発に必要なのは、後で述べるとおり、作りたいものを言葉にする力です。どちらかと言えば国語の力が効く世界です。
AI駆動開発とは何か。未経験でも動くものが作れる理由
AI駆動開発とは、ChatGPTやClaude、Geminiのような対話型の生成AIとやり取りしながら、コードの生成、修正、エラー解決をAIに任せてソフトウェアを作る開発スタイルです。会話の勢いのまま作っていく様子から、バイブコーディングという俗称で呼ぶ人もいます。呼び名はどうあれ、中身は「日本語で要望を伝え、AIが書いたコードを動かし、直したいところをまた日本語で伝える」の繰り返しです。
未経験者にとって何が変わったのか。従来の独学には3つの高い壁がありました。
1つ目は文法の壁。変数、条件分岐、関数といった文法を覚えてからでないと、何も作れませんでした。いまは「文化祭の模擬店を地図つきで紹介するページを作ってください」と日本語で頼めば、たたき台のコードが数十秒で出てきます。作りたいものが先、文法は後。学ぶ順番が逆転しました。
2つ目はエラーの壁。独学の挫折ポイントの大半は、意味不明なエラーメッセージの前で立ち尽くす時間でした。いまはエラーメッセージをそのまま貼り付けて「直してください」と言えます。私たちが講座の受講生に最初に伝えるのも、エラーは失敗ではなくAIへの次の質問文だ、ということです。この一言で表情が変わる人が多い。
3つ目は環境構築の壁。開発ツールのインストールと設定は、最初の1行を書く前に初心者を脱落させる関門でしたが、ブラウザだけでコードを書いて動かせるサービスが増え、この関門もずいぶん低くなりました。
実際の進み方をイメージしてもらうために、単語帳アプリを例にすると、こんな会話になります。まず「英単語と意味を登録して、ランダムに出題してくれる単語帳アプリを作ってください」と伝える。AIがコードを出してくるので、動かしてみる。すると「間違えた単語だけを繰り返し出題してほしい」「スマホの画面だと文字が小さい」といった不満が出てきます。それをまた日本語で伝えて直してもらう。この往復を10回、20回と重ねるうちに、最初のたたき台が自分の道具に育っていきます。開発というより、注文の多い依頼主としてAIと打ち合わせを重ねる感覚に近いかもしれません。そして面白いことに、この往復の中で生徒は要件定義とテストという、ソフトウェア開発の核心を名前を知らないまま実践しています。
誤解しないでいただきたいのは、考えることがなくなるわけではない、という点です。誰のどんな不便を解消するのか。機能はどこまで絞るのか。AIが出したものは本当に正しく動いているのか。この設計と検証こそが開発の本体で、ここは人間の仕事のままです。むしろコードを書く作業が消えたぶん、考える仕事の比重が上がったとさえ言えます。
私たちTIMEWELLは、WARPというAI伴走支援プログラムで、営業職や企画職などプログラミング未経験の非エンジニアを含む500名以上に、AI駆動開発でプロダクトを作り切るまでの経験を届けてきました。起業家向けのWARP ENTREは東京都の協定事業として実施しています。この経験から言い切れるのは、完成までたどり着けるかどうかを分けるのはプログラミングの素養ではない、ということです。分けるのは2つだけ。作りたいものを具体的な言葉にできるか、そして動かして直す往復を面倒がらないか。そしてこの2つは、高校生のほうが大人より強いことが多いのです。大人は「間違えたくない」が先に立ちますが、高校生は直せばいいと割り切るのが早い。
高校生が実際に作れるもの。Webサイト、アプリ、調査分析
では具体的に何が作れるのか。私たちが非エンジニアの育成で扱ってきた題材を、高校生の生活に引きつけて3つの系統に整理します。
| 系統 | 作品の例 | 向いている人 |
|---|---|---|
| Webサイト | 部活の紹介サイト、文化祭の特設ページ、地元のお店を紹介するページ | まず1つ完成させたい人 |
| アプリ・ツール | 単語帳アプリ、勉強時間の記録ツール、当番表の自動割り振り、行事アンケートの集計 | 身近な不便を解消したい人 |
| 調査・データ分析 | 探究のアンケート自由記述の分類、自治体オープンデータのグラフ化、部活動の記録分析 | 探究学習を深めたい人 |
最初の1作に一番向いているのはWebサイトです。数時間で見える形になり、家族や友人に「見て」と言える。この最初の完成体験が、その後の学習曲線を決めます。たとえば文化祭の特設ページなら、模擬店の一覧、会場の地図、タイムテーブルの3要素を伝えるだけで骨組みができます。そこから「うちのクラスのカラーは青にしたい」「スマホで見たときに地図を先頭にしたい」と注文を重ねていけば、公開できる水準まで数日で届きます。凝った機能は要りません。完成して、誰かに使われることが先です。アプリやツールは、身の回りの不便の解消と相性がよい系統です。壮大な社会課題より、自分の机の上の不便から始めるほうが完成率は高くなります。私たちが受講生に出す最初のお題も「自分か、半径5メートルにいる誰かが今週使うもの」です。
3つ目の調査・データ分析は、高校の文脈ではとりわけ価値があります。総合的な探究の時間で集めたアンケートの自由記述をAIで分類する、自治体が公開しているオープンデータをグラフにして仮説を検証する。たとえば「地元の商店街は本当に衰退しているのか」という問いなら、自治体の統計をAIと一緒に集計して推移を可視化し、そのうえで現地を歩いて確かめる、という組み立てができます。従来はポスター発表で終わっていた探究の成果を、動くプロダクトや検証可能な分析で示せるようになりました。探究学習と生成AIの組み合わせ方は、探究×生成AIの実践記事で丸投げ防止の設計まで含めて詳しく書いています。
余談ですが、保護者の方から「どうせゲームばかり作りたがるのでは」と聞かれることがあります。私は止めなくてよい派です。自分で作ったものは、遊ぶより直したくなるからです。作る側に回った途端、遊ぶ時間より改良する時間のほうが長くなる。この転換が起きれば、題材がゲームでも狙いは十分に達成されています。
視野をもう一段広げると、AIを道具に何かを生み出す動きは、科学研究の最前線でも主流になりつつあります。2024年のノーベル化学賞は、計算によるタンパク質設計を切り開いたデイビッド・ベイカー氏と、タンパク質構造予測AI「AlphaFold」を開発したデミス・ハサビス氏、ジョン・ジャンパー氏に贈られました[^1]。高校でAIを使って作る経験は、文系理系のどちらの進路にも接続します。科学の側で何が起きているかはAI for Scienceの解説記事にまとめました。
安全に始めるための注意点。ルール、個人情報、丸投げ防止
ここまで読んで「では今日から」と思った方にこそ、先に確認してほしいことが4つあります。
第一に、学校と家庭のルールです。文部科学省は「初等中等教育段階における生成AIの利活用に関するガイドライン」を公表しており、2024年12月26日にVer.2.0へ改訂されています[^2]。学校の授業で使う場合は、このガイドラインを踏まえた各学校・自治体の方針が出発点になります。家庭で始める場合も、何にどこまで使うかを保護者と話してから始めるのが安全です。
第二に、個人情報です。氏名、住所、顔写真、成績、そして友人の情報を、プロンプトに入力しないこと。クラウド上のAIに入れた情報は、手元に戻せない前提で扱うべきです。作ったWebサイトやアプリを公開するときも同じで、本名や学校名、位置がわかる写真を載せる前に一度立ち止まる習慣をつけてください。
第三に、利用規約です。生成AIサービスには、それぞれ年齢の条件や保護者の同意に関する要件が利用規約で定められています。サービスごとに内容が異なるため、アカウントを作る前に必ず確認してください。学校でまとめて使う場合は、教育機関向けのプランや学校管理のアカウントを利用する形が管理しやすいでしょう。
第四に、丸投げの防止です。AIの出力を理解しないまま提出物にする使い方は、学びとしてゼロどころかマイナスです。有効なのは、AIとの対話ログを残し、どんな指示を出してどう修正したかの過程そのものを評価対象にすること。成果物だけを見ると丸投げは見抜けませんが、過程を見れば一目でわかります。これは私たちが大人の育成でやってきたことと同じで、年齢を問わず効きます。
もうひとつ、丸投げ防止と地続きの話として、AIの出力は間違えるという前提を早い段階で体に入れてください。生成AIは、事実と異なる内容をもっともらしく出力することがあります。調査分析の系統に取り組むなら、AIが要約した内容を元データと突き合わせる、出典を自分で確認する、という検証の一手間が欠かせません。他人の文章や画像をそのままプロンプトに投げて作品に流用しない、という著作権面の節度も同様です。裏を返せば、検証と出典確認の習慣が身につくこと自体が、AI時代の学びとして相当に価値があります。
正直なところ、「危ないから禁止」は一番楽で、一番損な選択だと考えています。ルールを整えて使わせる学校と、禁止して守った気になる学校の差は、3年後の生徒の差になって表れるでしょう。とはいえ無防備に使わせてよいわけでもありません。上の4点が最低ラインです。
よくあるつまずき3つと、乗り越え方
始めた人がつまずく場所は、だいたい決まっています。先に知っておくだけで完成率が大きく変わるので、3つに絞って書いておきます。
ひとつ目は、最初の題材を大きくしすぎることです。「地域の課題を解決するアプリ」のような壮大なテーマは、大人でも最初の一作には向きません。数時間で形になる小ささまで削るのがコツで、迷ったら「今週、自分が使うもの」まで絞ってください。壮大な問いは2作目以降にとっておけばよいのです。小さく完成させた人だけが、次の大きい題材に進めます。
ふたつ目は、エラーが出た瞬間に止まってしまうことです。AI駆動開発では、エラーメッセージをそのままAIに貼り付けて「これはどういう意味ですか。どう直せばいいですか」と聞けば、たいてい前に進めます。エラーは失敗ではなく、AIとの会話の材料です。この心理的ハードルを最初の体験会で越えさせられるかどうかが、指導側の腕の見せどころだと思っています。一度「エラーは貼れば解決する」と体で覚えた生徒は、その後ほとんど止まらなくなります。
みっつ目は、動いた後に誰にも見せないことです。完成したら、家族でも友人でも、必ず誰かに使ってもらってください。「ここが押しにくい」「この色は見にくい」という一言が、次の改良の燃料になります。作る、見せる、直すの循環に入った生徒は、教員が細かく指示しなくても勝手に伸びていきます。
3つに共通する対処は、一人で抱えないことです。AIに聞く、友人に見せる、先生に相談する。プログラミングが一部の得意な人だけの世界だった時代は、つまずきがそのまま挫折につながりました。いまは、つまずきの大半がAIとの対話で解けます。そして、AIでも解けないつまずきこそ、経験者による伴走の出番です。
学校で体系的にやるには。制度の追い風と進め方の型
個人でも今日から始められる。それがAI駆動開発のよさですが、学校として取り組む価値は別にあります。自分からは手を伸ばさない生徒にも機会が届くこと、探究や情報科の学びと接続できること、そして安全管理をまとめて設計できることです。
制度の追い風も吹いています。文部科学省が2026年2月に公表したN-E.X.T.ハイスクール構想のグランドデザインは、AIに代替されない能力を育てたうえで「AIを活用して新たな価値を生み出す素地」を身に付けさせる、という二段構えを打ち出しました[^3]。生成AIを禁止するかどうかの議論はすでに過去のもので、国の方針は使いこなす前提に移っています。構想の全体像はN-E.X.T.ハイスクール構想の解説記事に、AI教育の位置づけはAI教育編に書きました。環境面でも、高等学校DX加速化推進事業（DXハイスクール）に令和7年度補正予算で52億円が措置され、デジタルを活用した探究環境の整備が支援されています[^4]。
学校で回すときの型は、シンプルに4段階をおすすめします。
- 利用ルールを1枚にまとめる。文科省ガイドラインと校内方針を踏まえ、推奨する使い方の例示を中心に据えます。
- 教員が先に体験する。全員研修の前に、情報科や探究担当の2〜3名が自分の業務でAI駆動開発を試すと、校内の説得力がまるで違います。
- 半日で1つ作る体験をさせる。最初の題材は学校生活の身近な不便で十分です。完成体験を全員に。
- 発表と振り返りで締める。何を作ったかに加えて、AIとどう対話したかを共有させると、使い方の質が学年全体で底上げされます。
進路との接続も見逃せません。AI駆動開発で作ったプロダクトは、対話ログや改善の記録とセットにすれば、そのまま生徒のポートフォリオになります。「何に取り組み、どう試行錯誤したか」を形で示せる生徒は、探究の発表でも、その先の進路選択の場面でも強い。作品そのものより、作り切った過程を語れることが評価されます。レポートは提出したら終わりですが、プロダクトは残り、育てられます。この差は3年間で相当に大きいと考えています。
このうち3と4を学校内のリソースだけで支えるのは、正直ハードルが高いと感じています。コード生成の勘所、詰まったときのデバッグ、公開してよいかの判断には、実務でAI開発をしている人間が横にいるほうが確実に速い。私たちも学校・教育機関向けプログラムのWARP for Schoolsで、授業設計から生徒の制作伴走までを学校の状況に合わせて支援しています。まずは情報交換からで構いませんので、探究とAIの接続に悩んでいる先生はお気軽にどうぞ。具体的な導入検討の段階でしたら個別相談からご連絡ください。
まとめ
- AI開発には「AIモデルを作る」と「AIを使って作る」の2つの意味があり、高校生に開かれているのは後者のAI駆動開発
- 文法、エラー、環境構築という独学の3つの壁が生成AIで低くなり、未経験でも動くプロダクトまで到達できる
- 最初の1作はWebサイトが向いている。題材は身近な不便。探究のデータ分析とも好相性
- 安全の最低ラインは、文科省ガイドラインと校内方針の確認、個人情報を入力しない、利用規約の年齢条件の確認、対話ログによる丸投げ防止の4点
- 学校で体系的にやるなら、ルール整備、教員の先行体験、半日で1つ作る体験、発表の4段階。外部の実務者の伴走で完成率は大きく変わる
私が高校生だった頃、「作れる人」は特別な訓練を積んだ一部の人でした。いまは、作りたいものを言葉にできる人が作れる人です。この変化に気づくのが早いほど、高校の3年間は面白くなります。まずは今週、半径5メートルの不便をひとつ、言葉にしてみてください。
参考文献
[^1]: Google DeepMind「Demis Hassabis & John Jumper awarded Nobel Prize in Chemistry」（2024年10月9日） [^2]: 文部科学省「初等中等教育段階における生成AIの利活用に関するガイドライン（Ver.2.0）」（令和6年12月26日） [^3]: 文部科学省「高校教育改革に関する基本方針（グランドデザイン）～2040年に向けた『N-E.X.T.(ネクスト)ハイスクール構想』～」（令和8年2月13日） [^4]: 文部科学省 公募説明会資料「6. 関連施策等について」（高等学校DX加速化推進事業・令和7年度補正予算52億円）