11月に入り、科目選択の検討を始める新高校1年生の家庭では、新たな悩みが生まれつつあります。
科目選択は点数で決めるべきか、それとも順位で決めるべきか。換算点はどう計算されるのか。物理と化学はセットで選択すべきなのか。
子どもの学業の状況も、親の判断を迷わせます。生物は授業についていくのがやっとだったのにテストの点数は良い一方、地理は授業をしっかり理解できているのに点数が一向に伸びない、といった具合です。

さらに、大学の専攻ごとの出願要件や、学校側が実際に開講している科目選択パターンの兼ね合いも加わると、高校1年の科目選択は、多くの家庭にとって避けては通れない一大試練となります。
この問題は、科目の最終決定を下す前に熟考しておかなければなりません。科目選択の組み合わせは、将来出願できる専攻の幅を直接左右するだけでなく、子どもの将来のキャリアの方向性にも関わってくるからです。
大学受験の出願時に、選択科目が志望専攻の指定要件を満たしていないことに初めて気づいたのでは、その時点での選択肢は大幅に狭まってしまいます。
そんな中、親にとって相談できる心強い存在がもう一つ増えました。それが**「AIキャリアプランナー」**です。

子どもの得意・不得意や興味関心を把握し、家庭の教育方針を確認した上で、専門的な教育知見や地域の受験制度と掛け合わせ、各選択肢の具体的な要件や準備すべき事項を整理してくれます。
さらに**「成長カルテ」**も備えており、子どもの継続的な成長に寄り添いながらキャリアプランニングを支援します。

成績の推移や興味の変化があった場合でも、システムが過去の記録を踏まえて再分析を行い、プランニングの提案を柔軟にアップデートしてくれます。
サポート範囲は科目選択にとどまらず、興味関心の育成から進学プランニングまで幅広くカバーしており、基本的なプランニング機能は完全無料で提供されています。
このサービスは、海亮科服(Hailiang Tech)がリリースした**「e生涯(e-Career)サービスプラットフォーム」であり、独自開発のキャリア特化型LLM「OpenSpan」**を基盤に構築されています。
海亮科服は、AIを通じてこうした質の高い専門的なコンサルティングを、より多くの一般家庭に届けることを目指しています。
AIキャリアプランナーの「専門性」はどこにあるのか?
「市販の一般的なAIでも、子どもの科目選択の相談くらいできるのでは?」と疑問に思うかもしれません。
確かに汎用AIでもある程度の参考情報は得られますが、e生涯サービスプラットフォームは生徒一人ひとりの具体的な状況を踏まえ、よりきめ細かくターゲットを絞ったプランニングを提示できます。
実際の検証事例をいくつか見てみましょう。
質問1:「小学5年生の子どもが理科の授業に強い関心を持っています。これはどのような適性を示しているのでしょうか?」

この対話において、汎用AIはまず好奇心や認知特性などの観点から分析を試み、理科のどの単元が好きなのかを質問してきました。

ユーザーが「どの単元にも興味を持っている」と返答すると、汎用AIはいくつかの提案を示したものの、全体として当たり障りのない一般的な内容にとどまりました。

一方、e生涯はどう対応したでしょうか。同じ質問に対して、システム内の「特長開発スペシャリスト」が対応しました。
このスペシャリストはまず実験や探究の観点から切り込み、子どもが自ら手を動かして操作・観察・検証することを好み、原因を主体的に突き止めようとする思考傾向を持っている可能性を指摘しました。
さらに小学5年生という発達段階の認知特性を踏まえ、具体的なアプローチを提示しました。例えば、ドローンの組み立てを通じて科学の原理を実際の操作に結びつける体験や、プログラミング学習によってアイデアをコードとして具現化する試み、あるいはハードウェアの組み立てとソフトウェアの論理的思考の両方を学べるロボット工学などを挙げています。

続いて、「以前、書道やピアノを習わせたものの、あまり興味を持たなかった」という背景情報を追加しました。
e生涯はこの経験も考慮に入れ、これまでの習い事の「関わり方・体験の形態」から原因の分析を試みるとともに、子どものその他の好みや家庭の教育予算についてさらに掘り下げてヒアリングを行いました。

さらに明確な条件として、「年間予算は約1万元(約20万円)で、普段は体を動かすことも好む」と伝えます。

この制約に対し、e生涯はより詳細な組み合わせプランと予算配分の提案を提示しました。
1万元の予算内では、手を動かす科学系のアクティビティ(ドローンやロボットなど)に優先的に予算を集中させ、日常のリフレッシュとしてコストがかからず長く続けやすいスポーツを組み合わせることを推奨しました。
ドローンに関しては、入門用機材と基礎講座の費用内訳を詳細に示し、スポーツに関しては、練習場所の費用や日常的な通いやすさも考慮に入れるよう保護者にアドバイスしています。
これにより、アプローチの道筋が明確になりました。科学系の実践活動をメインとして予算を投じ、スポーツで日々のバランスを取りながら、子どもの科学的好奇心と基礎体力の両方を育んでいくという構成です。
複数回の対話を経て、当初の「理科が好き」というシンプルな一言が、具体的で実行可能な育成プランへと落とし込まれました。親としても、次にどの分野にトライすべきか、予算をどう賢く配分すべきかが明瞭になり、その後の取り組みの中で子どもの持続性を見極めることができるようになります。
続いて、2つ目の質問を検証しました:「490点で大学の学部(本科)に進学するには?」
設定した背景は、生徒は高校2年生で、選択科目は「歴史・政治・生物」です。
まず汎用AIの回答を見ると、「どうやって学部に進学するか」という本質的な問いに対し、すぐに「いかに点数を上げるか」という話にすり替わってしまいました。
汎用AIはいくつかの大学名や進学ルートを列挙したものの、家庭の予算や希望地域といった重要な変数について自ら掘り下げることはなく、異なる進学ルートごとの出願基準を十分に照合しないまま、各科目の点数アップ計画を一方的に提示し始めたのです。

これでは学習法のアドバイスを並べられただけで、ユーザーの疑問は解消されません。「もし本番の共通テスト(高考)の点数が中下位層にとどまった場合、事前に検討しておくべき学部進学ルートはどれなのか」「高2の段階で着手しておくべき準備は何なのか」といった疑問には、受験生固有の条件を踏まえた慎重な判断が必要不可欠です。
対してe生涯は、まず国内の多様な入試制度を軸に回答を展開しました。一般的な学力向上や出願戦略に触れつつ、浙江省の「三位一体」総合評価型入試など、掘り下げる価値のある具体的な選択肢に焦点を当てました。
(注:「三位一体」は浙江省特有の入試方式。大学が統一高考の成績、高校の学業試験成績、総合資質評価の成績を一定の比率で換算・合算し、総合点に基づいて選抜を行う仕組み)

では、さらに選択肢を広げた場合はどうでしょうか。
続けて「海外留学を検討する場合は?」と質問を投げかけてみました。
すると、チャット画面の担当キャラクターが「進学指導スペシャリスト」から「留学コンサルタント」へとスムーズに切り替わり、回答の主軸も海外進学プランニングへとシフトしました。

まず、国内受験と海外留学における出願システム、準備期間、費用構造の決定的な違いを客観的に比較した上で、家庭側の重要条件のヒアリングへと的確に進めました。
なかでも、経済的な予算を最重要項目として位置づけました。年間で負担可能な学費と生活費の上限はどの程度か、特定の志望国や希望する専攻分野はあるか、といった点です。
これらの情報は、今後どの国をターゲットにするか、どの出願ルートを検討すべきかを決定づけ、追加で準備すべき出願書類を明確にする上でも不可欠となります。
続く回答でe生涯は、ルートごとに情報をモジュール化して整理し、選定の根拠と準備のポイントをわかりやすく明記しました。さらに、最終的な判断にあたっては当該年度の教育試験院や各大学の公式募集要項を必ず確認するよう注意を促しています。保護者はその中から特定のルートを選び、さらに詳細な相談を深めていくことも可能です。
汎用AIとの決定的な違いは、e生涯が点数の相談を表層的な議論で終わらせず、家庭のリアルな条件を一つひとつ突き合わせて検証すべき「体系的なプランニングの課題」として捉えている点にあります。
もちろん、進路コンサルティングとしての専門性を真に備えているかどうかを測るには、より客観的な定量的評価基準が必要です。
海亮科服によると、e生涯チームはこのためにキャリアプランニングの実践現場を想定した評価基準を独自に策定したといいます。
この評価体系では、生徒プロファイルの収集精度や、ユーザーの根底にあるニーズへの理解の深さを厳密に検証します。さらに、専門知識の正確性、プランニングの論理展開や結論の妥当性、対話におけるコミュニケーションやサービス品質を総合的に評価し、各項目を0〜3点のスケールで重みづけ採点します。
「r43」バージョンにおける社内ブラインドテスト(89組のマルチターンな実対話データ)では、実務で通用する水準として「総合評価2点以上」をクリア基準としたところ、**全体の実用率は92.1%**に達しました。

この数値は、複雑な推論環境におけるモデルの安定性を示しています。実際の進路相談において、評価ではいくつかの核心的なポイントを注視する必要があります。重要な制約条件が見落とされていないか、提案されたプランの根拠に論理的破綻がないか、出力された提案が生徒の実際の学力状況と合致しているか、といった点です。
そして、この一連の綿密なカウンセリングロジックを科目選択のタスクへとシームレスに適用するには、システム基盤において生徒情報、大学の各専攻の出願要件、各地の受験政策を深く結びつける能力が求められます。
これを実現しているのが、e生涯の根底を支えるナレッジ構造とエンジニアリング設計です。
科目選択という課題から見る、AIのプランニング手法
高校1年の科目選択の話に戻りましょう。ある科目選択の組み合わせが実現可能かどうかを評価するには、生徒の現在の学力やポテンシャルを見るだけでなく、その組み合わせで目指せる大学専攻の網羅性、さらには生徒自身がその道に進みたいという主観的な意欲を持っているかどうかも考慮しなければなりません。
OpenSpanは、これら入り組んだ関連性の連鎖を統合し、可視化された**「自律的意思決定パノラママップ」**として体系化しました。

このマップは、学力素養と特長の育成を起点に、各学齢期の成長軌跡を網羅し、多様な進学ルートを縦断的につなぎながら、最終的に大学の専攻系統や長期的なキャリアの方向性へと展開していきます。
将来の志望が明確に定まっている生徒なら、目標とする専攻から逆算することで、科目選択の必須条件や各段階で必要な学習の準備を明確に把握できます。一方、まだ進路が定まっていない生徒なら、得意科目や個人の関心から順方向に推論を進め、自分にフィットする多様な選択肢を見つけ出すことができます。
このマップを判断のベースに据えることで、行き当たりばったりの科目選択から脱却できます。親子で「この組み合わせは子どものどのような強みに合致しているのか」「将来の専攻選びにおいてどのような制約が生じるのか」を客観的に議論できるようになるのです。
このパノラママップは、OpenSpanの根底にある専門ナレッジグラフがダイレクトに視覚化されたものです。
e生涯の開発チームによると、マップ内のトポロジー関係と自律的意思決定ロジックには、ベテランのキャリアプランナーが長年蓄積してきた実践ノウハウが凝縮されています。チームはこうした専門家の思考プロセスを、マシンが検索・推論可能なグラフデータ構造へと落とし込み、包括的なドメインナレッジベースを構築しました。
しかし、この膨大な知識体系を個々の生徒に柔軟に適応させるには、高度にチューニングされた対話ステートマシンとAgentのオーケストレーションが欠かせません。
対話のプロセスにおいて、システムは会話の流れからファクトのトリプル(主語・述語・目的語の関連性)を動的に抽出し、高精度な生徒プロファイルを段階的に構築していきます。例えば、受験籍のある省によって適用すべき入試制度のバージョンが決まり、各科目の成績順位は現在の学力競争力を測る定量的ベースラインとなります。対話が進むにつれて、生徒プロファイルもリアルタイムに更新されます。
続いて、システムはユーザーの意図を正確に識別し、対応する専門領域のエキスパートエージェントへタスクを割り振るとともに、特定の専門スキルモジュール(Skill)を呼び出してプランニングを進めます。
熟練のプランナーの経験則が、ここではアルゴリズムによって忠実に実行される「対話ステートルール」へと構造化されているのです。
各Skillには、厳密なトリガー条件、ファクト収集リスト、ナレッジベースの参照ルール、論理推論の制約、構造化出力のフォーマットが設定されています。科目選択の組み合わせ推論であれ、興味や強みの発掘であれ、進学ルートの照合であれ、すべて厳密なプロのコンサルティングフレームワークに沿って進行します。
前述のケースで、AIが家庭の予算を段階的に確認し、教育方針を丁寧にヒアリングしていたのはそのためです。客観的かつ実現可能なプランを導き出すために、根底にある推論エンジンが不足している前提条件の補完を主導していたのです。
また、入試制度や募集要項は極めて高い即時性が求められます。e生涯チームによると、システムは各省の教育考試院や各大学の学部入試公式サイトといった公的な情報源と直接連携しており、自動更新パイプラインと専門家による二次チェック体制を確立しています。システムが検索を行う際は、構造化されたナレッジグラフと非構造化の大学公式募集要項を二重でクロスチェックし、すべての提案に確かな根拠を持たせています。
政策に変更が生じた場合も、ナレッジベースと推論ルールが即座に同期されるため、古い情報によって誤った判断を下してしまうリスクを効果的に防止できます。
さらに、科目選択の実践において見落とされがちな重要な変数があります。それは、**「生徒の発達は動的に変化する」**という点です。
高校1年の1学期に行われる数回のテスト結果だけでは、高校3年間の実力を正確に予測することは困難です。学習の難易度が上がり、視野が広がるにつれて、新たな学問分野に興味が芽生えたり、当初の志望を大きく変更したりすることは珍しくありません。
これこそが、e生涯のアーキテクチャに**「成長カルテ」**が深く組み込まれている決定的な理由です。

成長カルテは、生徒の学力推移を長期的にトラッキングし、適性テストの診断結果や家庭の意向を統合することで、AIがパーソナライズされた長期的アドバイスを生成するための「動的コンテキスト」を提供します。複数セッションにまたがる対話を通じて、システムは最新の情報を抽出して生徒プロファイルへ反映し続けます。
例えば、最初は科学全般に関心を持っていた生徒が、その後プログラミングに触れ、実践を通じて将来目指したい具体的な工学系の専攻を見出していくとします。こうした段階的な成長プロセスはカルテにすべて蓄積され、以降の相談における重要な背景情報となるため、当初のプランニング提案もそれに合わせて動的にアップデートされていきます。
一度科目選択を確定させた後でも、成績の変動や志望の変化に対して、システムは柔軟に追従して軌道修正を図ることができます。
この永続的なメモリ機構により、保護者は高校の各フェーズで直面する疑問や不安について、過去の対話履歴を基盤としながらいつでも相談を継続できます。プランニングの内容を、常に子どもの成長スピードとシンクロさせておくことができるのです。
人生の岐路において、求められるAIとは?
情報へのアクセスは格段に容易になったものの、「どの道が自分に本当に合っているのか」という根本的な問いに答えるのは容易ではありません。この迷いは、進学や科目選択にとどまらず、家族の医療や介護といったあらゆるシリアスな意思決定の場面でも広く見られるものです。
人生の重要な選択は、家庭の今後数年から数十年におよぶ針路を左右するため、やり直しのコストが非常に高くなります。氾濫する情報に直面したとき、ユーザーが知りたいのは単なる「ハウツー」だけではありません。その決定の裏にある因果関係を理解し、提示された選択肢の前提条件を自分自身が本当に満たしているのかを見極めることこそが求められます。
経験豊富なプロであれば複雑に絡み合った糸を解きほぐすことができますが、手厚い人的サポートに伴う高コストやリソースの限界から、上質な対面相談サービスを広くあまねく届けることは極めて困難でした。ましてや、家庭の事情が少し変わるだけで、推論の前提を一から組み立て直さなければなりません。
LLMが人々の生活を左右するシリアスな領域に踏み込むとき、個別の家庭が置かれたリアルな文脈をいかに深く読み解けるかが、その社会的な価値を測る決定的な基準となります。
ユーザーが切実に求めているのは、客観的な情報を多角的に検証し、各選択肢のメリットとデメリット、支払うべきコストを明確に比較衡量した上で、環境が変化しても継続的に伴走してくれるインテリジェントなアシスタントです。
スマート医療の現場であれば、受診推奨は患者の既往歴や体質に深く踏み込んだものでなければならず、どの検査数値を再検査すべきかを明確に示さなければなりません。介護支援の現場であれば、ケアプランは家族側の介護負担力や経済的許容度を厳密に考慮したものである必要があります。
教育相談においてもまったく同じです。生徒の成績は変動し、内面は成長し、目指す目標も変化していきます。システムには、長期的な対話プロセスを通じてその変化を捉え、プランを補正していく能力が求められます。
これを実現するには、特化型AIが骨太な専門ドメイン知識と、動的に変化するパーソナルな制約条件をシームレスに結合させ、継続的な対話の中で柔軟に分析をアップデートしていかなければなりません。
つまり、実用性の高い特化型AIプロダクトを構築するには、精緻で信頼性の高いバーティカルな知識ベースを築くだけでなく、実世界の複雑多岐にわたる現実条件を推論パターンとして形式化し、対話を通じてユーザーの潜在的なニーズを一歩ずつ解きほぐしていく設計が求められるということです。
海亮科服がこの領域で進めるアプローチは、そうしたエンジニアリング手法の代表的な実践例といえます。
チームはこれまでのキャリアプランニングの実践を通じて、専門家の知見から検証済みの判断モデルを数多く抽出してきました。そしてデジタルツールによって、それらの属人化しがちなノウハウを再利用可能なソフトウェア機能として標準化してきたのです。
現在、OpenSpanとe生涯は、この知識の蓄積と推論フレームワークを大規模言語モデルに組み込むことで、一般家庭が自然言語での対話を通じて、複雑な人生の選択肢を一本ずつ丁寧に整理できるようにしています。
教育現場で長年培われてきた参入障壁は、ここで具体的なエンジニアリング上の強みへと昇華されています。どの制約条件を真っ先に確認すべきか、保護者や受験生が陥りがちな認識のズレはどこにあるかといった知見が、そのままAgentの対話制御ロジックや自己改善の基盤として活かされているのです。
また、優れたカウンセリングサービスを広く社会に届けるためのもう一つの鍵は、利用のハードルを極力下げることです。
海亮科服は、e生涯の基礎プランニング機能を完全無料で提供することを明言しています。大都市圏のハイエンドな進路指導リソースにアクセスしにくい地方や一般の家庭にとって、多様な進学ルートを透明性高く理解し、出願要件を体系的にセルフチェックできるデジタルな窓口として機能します。
高校1年の科目選択という原点に立ち返ったとき、アドバイスの真価とは、子どもと親が一つひとつの選択の根拠を理解し、各段階における準備の要所を掴み、不確実な未来に対しても自ら舵を取り直せる柔軟性を持てることにあります。
こうした専門性の高い支援を、より早く、より多くの家庭へと届けていくこと。それこそが、LLMが個人の人生における重大な決断をサポートする際に、最も期待される「テクノロジーによる社会貢献(Tech for Good)」の姿といえます。