AIツール3種比較 ― Grok / ChatGPT / Gemini を同じお題で試してみた

こんにちは！　アスクルの奈良です！

昨今生成AIブームはますます加速し、ChatGPTを皮切りにX(旧Twitter)のGrokやGoogle Geminiなど、さまざまな企業がAIツールをリリースしています。
SNSやニュースでは話題沸騰中ですが、実際にそれぞれ「どう違うの？」「どのシーンで使えばいいの？」という疑問をもつ方が多いのではないでしょうか。

そこで今回は、代表的な3種類のAIツールに全く同じ質問・依頼（プロンプト）を投げかけ、返ってきた結果を比較してみました。
自分の用途やキャリアに合ったAIツールを選ぶ参考になれば幸いです。

今回比較するAIツール概要

比較条件

今回の比較では、以下3つの共通プロンプトを用意しました。

1. 雑学系
   300文字以内で、昨今の日本について語って。

2. ビジネス提案系
   新入社員向けのAI活用研修のカリキュラム例を作ってください。マークダウン形式で。

3. プログラミング支援系
   Pythonで迷路の最短経路探索プログラムを書いてください。

※テストは2025年9月30日に、無料プランにて実施しました。
なお、Geminiについては回答コピーのためGoogleアカウントでログインして実施しています。

出力結果

雑学系

Grokの回答

2025年の日本は、少子高齢化による人口減少と労働力不足が深刻化。外国人労働者受け入れやデジタル化で対応を進めるが、地方の過疎化や伝統文化の継承に課題。円安でインバウンド観光と輸出産業は好調だが、物価高が家計を圧迫。働き方改革や多様性は進むが、ジェンダー平等やメンタルヘルス対策は遅れ気味。国際的には平和外交を維持しつつ、地政学的緊張への対応が求められる。課題と機会が共存。（2025年9月30日18:26 JST）

ChatGPTの回答

昨今の日本は、少子高齢化が急速に進行し、労働力不足や社会保障制度の持続性が課題となっています。一方で、生成AIや再生可能エネルギーといった新技術の導入が進み、経済や働き方に変化をもたらしています。国際情勢の不安定化により、安全保障や外交にも注目が集まり、地域との連携や防衛力の強化が進められています。伝統と革新のバランスが問われる時代に、日本は新たな在り方を模索しています。

Geminiの回答

今の日本は、経済面では円安や物価高騰が生活に影響を与え、少子高齢化とそれに伴う労働力不足は社会の大きな課題です。技術革新、特にデジタルトランスフォーメーション (DX)の推進は急務とされています。一方で、国際的な存在感は維持しており、文化面ではアニメやJ-POPなどが世界的に人気です。政府は経済再生と社会課題の解決に向けて様々な政策を打ち出していますが、その効果と持続可能性が注目されています。全体として、変革期にあり、課題と可能性が混在する状況と言えます。 (200文字)

比較結果

特に経済について回答してといった文章にしなかったものの、いずれのAIツールも日本経済に関する回答がメインとなりました。
特に筆者はGrokがニュースやトレンドに強みがあると考えていたので、
ユニークな回答が得られると思っていましたが、他のAIツールと大差ない結果だったのが驚きでした。
より細かい話題について知りたい場合は、より詳細にプロンプトを記載した方が良さそうです。

ビジネス提案系

Grokの回答

クリックして展開

概要

• 対象: 新入社員（AIの知識が初心者レベルを想定）
• 期間: 3日間（各日6時間、合計18時間）
• 目的: AIの基礎知識を習得し、業務での実践的な活用方法を学ぶ
• 形式: 講義、ハンズオン演習、グループディスカッション

---

1日目: AIの基礎と業務での可能性

目標: AIの基本概念を理解し、業務での活用イメージを掴む。

9:00-10:30 セッション1: AIとは何か

• 内容:
  • AIの定義と歴史
  • 機械学習、深層学習、自然言語処理の概要
  • AIの業務活用事例（マーケティング、顧客対応、データ分析など）
• 形式: 講義 + Q&A
• 演習: 身近なAI活用例をグループでブレスト（例: チャットボット、レコメンドシステム）

10:45-12:00 セッション2: AIツールの紹介

• 内容:
  • 一般的なAIツール（ChatGPT、Grok、Google Bardなど）の紹介
  • 無料/有料ツールの違いと使用時の注意点
  • 業務での具体的な活用シーン（例: 文書作成、データ整理）
• 形式: 講義 + デモ
• 演習: ChatGPTまたはGrokを使って簡単な質問を試し、回答を比較

13:00-15:00 セッション3: データの重要性と準備

• 内容:
  • AIに必要なデータの種類（構造化データ、非構造化データ）
  • データ収集とクリーニングの基礎
  • プライバシーと倫理（個人情報保護、バイアスの問題）
• 形式: 講義 + ハンズオン
• 演習: ExcelやGoogleスプレッドシートを使った簡単なデータクリーニング実習

15:15-17:00 セッション4: グループワーク

• 内容:
  • 自社の業務におけるAI活用のアイデア出し
  • 例: 顧客対応の自動化、データ分析の効率化
• 形式: グループディスカッション + 発表
• 演習: 各グループでAI活用案をまとめ、プレゼン資料を作成

---

2日目: AIの実践的な活用

目標: 具体的なAIツールを使い、業務シナリオでの活用を体験する。

9:00-10:30 セッション5: 自然言語処理（NLP）の活用

• 内容:
  • NLPの基礎（テキスト解析、感情分析、自動要約）
  • 業務でのNLP活用例（メール自動返信、議事録作成）
• 形式: 講義 + ハンズオン
• 演習: 無料のNLPツール（例: Hugging Faceのモデル）を使ってテキスト要約を試す

10:45-12:00 セッション6: 画像認識と生成AI

• 内容:
  • 画像認識AIの仕組みと活用例（例: 品質管理、マーケティング）
  • 生成AI（例: DALL-E、Stable Diffusion）の概要
• 形式: 講義 + デモ
• 演習: 生成AIツールを使って簡単な画像生成を体験

13:00-15:00 セッション7: AIチャットボットのカスタマイズ

• 内容:
  • チャットボットの基本構造
  • 業務特化型チャットボットの設定方法
• 形式: ハンズオン
• 演習: 無料のチャットボットプラットフォーム（例: Dialogflow）で簡単なボットを構築

15:15-17:00 セッション8: ケーススタディ

• 内容:
  • 実際の企業でのAI導入事例を分析
  • 成功要因と課題の議論
• 形式: 講義 + グループディスカッション
• 演習: 事例を基に、自社での導入障壁と解決策を議論

---

3日目: AIの実務適用と倫理

目標: 実務でのAI活用計画を立て、倫理的配慮を学ぶ。

9:00-10:30 セッション9: AIを活用した業務効率化

• 内容:
  • 業務プロセスへのAI統合（例: RPAとAIの組み合わせ）
  • プロジェクト管理ツールとの連携
• 形式: 講義 + ハンズオン
• 演習: AIツールを使ったタスク自動化（例: ZapierとAIの連携）

10:45-12:00 セッション10: AIの倫理とリスク管理

• 内容:
  • AIの倫理的課題（バイアス、透明性、説明責任）
  • リスク管理とガイドラインの策定
• 形式: 講義 + Q&A
• 演習: 倫理的問題を含むAIシナリオを提示し、対応策を議論

13:00-15:00 セッション11: 実務適用プロジェクト

• 内容:
  • 各自の業務にAIを適用するミニプロジェクトを立案
  • 提案書作成とフィードバック
• 形式: ハンズオン + 個別指導
• 演習: AI活用の提案書をスライド形式で作成

15:15-17:00 セッション12: まとめと今後のステップ

• 内容:
  • 研修の振り返りと学びのまとめ
  • AI活用の継続学習リソース紹介
  • 質疑応答とフィードバック
• 形式: 講義 + ディスカッション
• 演習: 個人アクションプランを作成（今後3ヶ月で取り組むAI活用目標）

---

補足

• 必要な機材: ノートPC、インターネット接続、Googleアカウント（無料ツール利用のため）
• 事前準備: 基本的なExcel/Googleスプレッドシートの操作スキル
• フォローアップ: 研修後1ヶ月でフォローアップセッションを開催（進捗確認）

ChatGPTの回答

クリックして展開

以下は、新入社員向けのAI活用研修カリキュラムの例です。業種や社内のDXレベルに応じてカスタマイズが可能ですが、一般的なビジネスパーソンがAIリテラシーを身につけ、実務に活かせる内容で構成しています。

---

🔰 研修の目的

• AIの基本的な仕組みと役割を理解する
• 日常業務におけるAIツールの活用方法を学ぶ
• 自律的にAIを使って業務効率化・価値創出を図る姿勢を養う

---

📅 カリキュラム概要（全3日間）

---

📘 Day 1：AIの基礎理解（3時間）

1.1 オリエンテーション（15分）

• 研修の目的と進め方
• 自己紹介・期待の共有

1.2 AIの基礎知識（45分）

• AI、機械学習、ディープラーニングとは
• 生成AI（ChatGPTなど）の登場と変化
• AIの得意・不得意

1.3 AI活用の事例紹介（45分）

• 各業界でのAI活用事例
• 自社・競合他社での利用例（可能であれば）

1.4 倫理・リスクと注意点（30分）

• プロンプトでの情報漏洩リスク
• フェイク情報・バイアス依存の注意点

1.5 グループディスカッション（45分）

• 「自分の業務にAIをどう活かせそうか？」

---

🛠️ Day 2：AIツール体験・実践（3時間）

2.1 プロンプト設計入門（30分）

• よいプロンプトvs悪いプロンプト
• 指示の出し方・工夫（ロール設定、条件指定、例示など）

2.2 ChatGPT実践ワーク（1時間）

• 日報・議事録の作成
• メール文案の改善
• Excel関数・コードの生成
• 調査・アイデア出し補助

2.3 他のAIツール紹介（30分）

• Copilot（Microsoft 365）
• Notion AI / Google Duet AI
• 音声→文字起こし、画像生成など

2.4 個人ワーク（30分）

• 自分の業務を模した活用シナリオを作成・発表

2.5 質疑応答・フィードバック（30分）

---

📊 Day 3：応用とケーススタディ（3時間）

3.1 ケーススタディ説明（15分）

• 実務を模した課題を提示（例：会議準備、資料作成、営業メール改善など）

3.2 グループワーク（1時間30分）

• チームごとにAIを活用して課題に取り組む
• ChatGPTなどを使いながら解決案を作成

3.3 成果発表・講評（45分）

• チームごとに成果物を発表
• フィードバック（講師＋他チーム）

3.4 クロージング（30分）

• 今後の学習の方向性
• 研修アンケート
• 終了証配布（任意）

---

📎 研修資料・事前準備（参加者向け）

• PC、インターネット環境（Chrome推奨）
• ChatGPTアカウント（無料版または社内アカウント）
• Microsoft Office or Google Workspaceアカウント（任意）

---

💡 補足：配布資料例

• 「AI活用チェックリスト（業務別）」
• 「プロンプトテンプレート集」
• 「よくあるトラブルと対処法」
• 「AIを使った1日のスケジュール例」

---

必要に応じて「業種別（営業/事務/開発/企画など）」にアレンジすることもお勧めです。希望があれば、カスタマイズ版の作成も可能です。

Geminiの回答

クリックして展開

新入社員向けのAI活用研修のカリキュラム例を、AIを「正しく理解し、安全に、効果的に活用する」というゴールを念頭に置き、実務直結の実践（ハンズオン）を重視した構成で作成します。

---

📅 新入社員向けAI活用研修カリキュラム例（2日間・実務直結型）

---

💡 研修を効果的にするためのポイント

1. 実践重視（ハンズオン）: 一方的な座学ではなく、実際にAIツールを触る時間を多く設けることで、苦手意識の払拭と「自分ゴト化」を促す。
2. 利用ガイドラインの徹底: 研修の早い段階で情報セキュリティと著作権の重要性を強調し、「守りのリテラシー」の徹底を図る。
3. 実務への接続: 演習課題は、新入社員が配属後に直面する可能性の高い具体的な業務（資料作成、情報収集、定型文作成など）に絞り込むことで、研修後の即戦力化を目指す。
4. ツールは統一: 研修で使用するAIツールは、企業が導入・推奨しているものに原則統一し、環境構築やツールの違いによる混乱を避ける。

比較結果

どれも似た回答結果となりましたが、ChatGPTの回答がより研修の目的について整理されており、
これら回答の中ではもっとも研修の草案としてはよい回答かなと思いました。
Geminiは研修内容をGoogleスプレッドシートにエクスポートできるといった、Googleのサービス連携で独自性がでていたなという印象となりました。

プログラミング支援系

Grokの回答

クリックして展開

以下は、Pythonで迷路の最短経路を探索するプログラムの例です。BFS（幅優先探索）を使用して最短経路を求めます。迷路は2Dリストで表現し、0を通路、1を壁とします。スタート位置とゴール位置を指定して探索します。経路が見つかった場合、リスト形式で返します。

from collections import deque

def find_shortest_path(maze, start, goal):
    """
    BFSを使って迷路の最短経路を探索する関数。

    Parameters:
    - maze: 2Dリスト (0: 通路, 1: 壁)
    - start: タプル (行, 列) のスタート位置
    - goal: タプル (行, 列) のゴール位置

    Returns:
    - 最短経路のリスト (タプル形式) または None (経路なし)
    """
    rows, cols = len(maze), len(maze[0])
    directions = [(-1, 0), (1, 0), (0, -1), (0, 1)]  

    queue = deque([start])
    visited = set([start])
    parent = {start: None}

    while queue:
        current = queue.popleft()
        if current == goal:
            break

        for dr, dc in directions:
            nr, nc = current[0] + dr, current[1] + dc
            if 0 and 0 and maze[nr][nc] == 0 and (nr, nc) not in visited:
                queue.append((nr, nc))
                visited.add((nr, nc))
                parent[(nr, nc)] = current

    
    if goal not in parent:
        return None  

    path = []
    current = goal
    while current:
        path.append(current)
        current = parent[current]
    path.reverse()
    return path


maze = [
    [0, 1, 0, 0, 0],
    [0, 1, 0, 1, 0],
    [0, 0, 0, 0, 0],
    [1, 1, 1, 1, 0],
    [0, 0, 0, 0, 0]
]

start = (0, 0)  
goal = (4, 4)   


path = find_shortest_path(maze, start, goal)
if path:
    print("最短経路:", path)
else:
    print("経路が見つかりませんでした。")

実行結果の例

上記のサンプル迷路を実行すると、出力は次のようになります。

最短経路: [(0, 0), (1, 0), (2, 0), (2, 1), (2, 2), (2, 3), (2, 4), (3, 4), (4, 4)]

説明

• BFSの仕組み: キューを使って探索を広げ、最短経路を保証する。訪問済み位置をセットで管理し、重複を避ける。
• 親の記録: parent 辞書で各位置の親を記録し、ゴールからスタートへ遡って経路を再構築。
• カスタマイズ: 迷路のサイズや壁の配置を変更して使用可能。スタート/ゴールが壁上にある場合のエラー処理は追加で実装すること。
• 制限: このコードはグリッドベースの迷路を想定。斜め移動が必要な場合はdirectionsを拡張。

このプログラムを基に、必要に応じて拡張してください！

ChatGPTの回答

クリックして展開

了解です！Pythonで迷路の最短経路探索プログラムのサンプルを作成しますね。
ここでは 幅優先探索（BFS） を使って、2Dグリッドの迷路で「スタート」から「ゴール」までの最短経路を見つける例を示します。

---

前提

• 迷路は0と1の2次元リストで表現
• 0は通路、1は壁
• スタートは (0,0)、ゴールは (n-1,m-1) とする（任意で変更可能）

---

from collections import deque

def bfs_shortest_path(maze):
    rows, cols = len(maze), len(maze[0])
    directions = [(1,0), (-1,0), (0,1), (0,-1)]  
    start = (0, 0)
    goal = (rows - 1, cols - 1)

    
    if maze[0][0] == 1 or maze[goal[0]][goal[1]] == 1:
        return None

    queue = deque([start])
    visited = set([start])
    parent = {start: None}  

    while queue:
        current = queue.popleft()
        if current == goal:
            
            path = []
            while current:
                path.append(current)
                current = parent[current]
            return path[::-1]  

        for dr, dc in directions:
            nr, nc = current[0] + dr, current[1] + dc
            if 0 and 0 if maze[nr][nc] == 0 and (nr, nc) not in visited:
                    queue.append((nr, nc))
                    visited.add((nr, nc))
                    parent[(nr, nc)] = current
    return None  


maze = [
    [0, 0, 1, 0, 0],
    [1, 0, 1, 0, 1],
    [1, 0, 0, 0, 1],
    [1, 1, 1, 0, 0],
    [0, 0, 0, 1, 0]
]

path = bfs_shortest_path(maze)
if path:
    print("最短経路（座標リスト）:")
    print(path)
else:
    print("経路が見つかりませんでした。")

---

解説

• maze の中で0は進める場所、1は壁とする。
• BFSで探索しながら親ノードを記録し、ゴール到達時に親を辿って最短経路を復元する。
• 結果は通過したセルの座標リストで返す。

---

もし別の迷路サイズやスタートとゴール位置に対応したい、表示をわかりやすくしたいなどあれば教えてください！

Geminiの回答

クリックして展開

承知いたしました。Pythonで迷路の最短経路探索プログラムを作成します。

もっとも一般的な最短経路探索アルゴリズムである幅優先探索（BFS: Breadth-First Search）を使用して実装します。BFSは、スタート地点からゴールまでの最短経路（移動回数がもっとも少ない経路）を見つけるのに適しています。

🐍 Pythonによる迷路の最短経路探索プログラム（BFS）
次のコードでは、”#”を壁、”.”を通路、”S”をスタート、”G”をゴールとして定義された迷路（2次元配列）を探索します。

Pythonコード

from collections import deque

def solve_maze(maze):
    """
    迷路の最短経路を幅優先探索（BFS）で探索し、最短距離を返します。
    経路が存在しない場合は-1を返します。

    Args:
        maze (list[list[str]]): 迷路の2次元配列。
            '#': 壁, '.': 通路, 'S': スタート, 'G': ゴール

    Returns:
        int: スタートからゴールまでの最短距離（移動回数）。
    """
    rows = len(maze)
    cols = len(maze[0])

    
    start_pos = None
    for r in range(rows):
        for c in range(cols):
            if maze[r][c] == 'S':
                start_pos = (r, c)
                break
        if start_pos:
            break

    if not start_pos:
        return "エラー: スタート地点 'S' が見つかりません。"

    
    
    queue = deque([(start_pos[0], start_pos[1], 0)])

    
    visited = {start_pos}

    
    directions = [(0, 1), (0, -1), (1, 0), (-1, 0)]  

    while queue:
        r, c, dist = queue.popleft()

        
        if maze[r][c] == 'G':
            return dist

        
        for dr, dc in directions:
            nr, nc = r + dr, c + dc  
            new_pos = (nr, nc)

            
            if (0 and
                0 and
                maze[nr][nc] != '#' and
                new_pos not in visited):

                visited.add(new_pos)
                queue.append((nr, nc, dist + 1))

    
    return -1



maze_example = [
    ['#', '#', '#', '#', '#', '#', '#', '#'],
    ['#', 'S', '.', '.', '.', '#', '.', '#'],
    ['#', '.', '#', '#', '.', '.', '.', '#'],
    ['#', '.', '.', '.', '#', '#', '.', '#'],
    ['#', '#', '#', '.', '.', '.', '.', '#'],
    ['#', '.', '.', '.', '.', '#', '.', '#'],
    ['#', '.', '#', '#', '.', '.', 'G', '#'],
    ['#', '#', '#', '#', '#', '#', '#', '#']
]


shortest_distance = solve_maze(maze_example)

print("迷路:")
for row in maze_example:
    print("".join(row))

print(f"\n最短経路の移動回数: {shortest_distance}")

プログラムの解説

collections.dequeの利用:
BFSではキュー（待ち行列）を使用します。Python標準のlistをキューとして使うこともできますが、先頭要素の削除（pop(0)）の効率が悪いため、高速なdeque（Double-Ended Queue）を使用します。

　
キューには、(行,列,スタートからの距離) のタプルを格納します。
スタート地点の検索:
迷路全体を走査し、’S’の位置を見つけ、探索の起点とします。

　
初期設定:
queueにスタート地点(sr,sc,0)を追加します。
visitedセットにスタート地点(sr,sc)を追加し、重複探索を防ぎます。

　
BFSループ:
キューが空になるまでループを続けます。
キューから現在の位置(r,c,dist)を取り出します。
現在の位置が’G’（ゴール）であれば、そのときの距離distが最短距離なので、それを返します。

　
隣接セルへの移動:
directionsは、上下左右の移動を示すタプルのリスト[(0,1),(0,-1),(1,0),(-1,0)]です。
各方向について、新しい位置 (nr,nc)を計算します。

　
移動の有効性チェック:
新しい位置が迷路の境界内であること。
新しい位置が壁（#）でないこと。
新しい位置が未訪問であること。
これらすべてを満たす場合、その位置をvisitedに追加し、キューに (nr,nc,dist+1)（距離を1増やしたもの）を追加して、次の探索対象とします。

　
結果:
ループが終了してもゴールが見つからなかった場合（迷路に経路がない場合）は-1を返します。
このプログラムを実行すると、定義された迷路において、スタートからゴールまでの最短経路の移動回数が出力されます。

比較結果

いずれも用いるアルゴリズムや実装方法はほとんど同じでしたが、Geminiは作成したプログラムの説明が細かく、説明文を読むだけで実装を見なくても大体のプログラム概要が分かるといった結果になりました。

考察

それぞれ3種類の質問をプロンプトとして各AIツールにしてみましたが、
ツール毎に多少なりとも特色がある回答がでてきたなという結果になりました。
AIツールは1つを使うでもよいですが、質問のジャンルに応じて使い分けることで、
より私たちが求めている回答に近い結果を得ることができそうです。

まとめ

AIツールは「一番性能が高いものを1つ選ぶ」というよりも、用途ごとに複数併用するほうが自分の求めている回答を得られやすいです。
まずは無料枠や体験版で気軽に試し、日々の業務や学習に組み込んでみることをお勧めします。

ただし同じ文章でも回答が実行毎に異なるため、この記事で記載された内容が毎回結果として応答される
わけではないため、回答は全部鵜呑みにはせず、自分で判断することも必要です。
尚、この記事の草案もChatGPTに壁打ちして作成した記事ですが、なかなかのクオリティです。
ぜひみなさんもAIを活用していきましょう。