・
「AIがどうやってその答えにたどり着いたのか、思考のプロセスを知りたい」
そう思ったことはありませんか？
最新のGrokに搭載された「Thinkingモード（思考モード）」は、まさにその要望に応える画期的な機能なのです。
本記事では、GrokのThinkingモードを実際に使い、その実力や具体的な活用法を徹底レビューしていきます！
思考の過程が可視化されることで、私たちの業務や学習がどう変わるのか？
ぜひその目で確かめてください！
Grokのような高度なAIモデルが登場し、情報収集や分析の質は飛躍的に向上しています。
しかし、その情報をチームに共有したり、日報としてまとめたりする作業は、依然として手作業で行っている方も多いのではないでしょうか？
Yoomを使えば、NotionやSlackなどのツールとAIを連携させ、情報共有のフローを完全に自動化できちゃうんです！
例えば、会議の議事録やメモをNotionに保存するだけで、AIが自動的に要約を作成し、Slackでチームに通知するといったことが可能です。
「とりあえず試してみたい！」という方は、以下のテンプレートから自動化を体験してみてくださいね！
■概要
Zoomでの会議後、録画データから議事録を作成する作業に手間を感じていませんか。手作業での文字起こしや要約、関係者への共有は時間がかかり、他の業務を圧迫することもあります。このワークフローを活用すれば、Zoom会議が終了するとAIが自動で音声を文字起こし・要約し、指定の形式で議事録を作成してSlackへ送信するため、こうした課題を解消できます。面倒な議事録作成業務から解放され、より重要な業務に集中することが可能です。
■このテンプレートをおすすめする方
■このテンプレートを使うメリット
■フローボットの流れ
■このワークフローのカスタムポイント
■概要
YouTubeチャンネルの動画公開後、その分析や改善点の洗い出し、次のアクションをタスクに落とし込む作業は手間がかかるのではないでしょうか。このワークフローを活用すれば、YouTubeでの動画公開をきっかけに、AIが動画の改善点を自動的に分析し、その内容をClickUpにタスクとして作成します。YouTubeとClickUpを連携させることで、コンテンツ改善のサイクルを効率化し、より創造的な業務に集中できる環境を構築します。
■このテンプレートをおすすめする方
■このテンプレートを使うメリット
■フローボットの流れ
※「トリガー」：フロー起動のきっかけとなるアクション、「オペレーション」：トリガー起動後、フロー内で処理を行うアクション
■このワークフローのカスタムポイント
■注意事項
まずは、Thinkingモードがどのような機能なのか、その特徴と仕組みを解説します。
Thinkingモードは、Grokが複雑な問題に対して即答するのではなく、人間のように「段階的に思考」してから回答を出力するモードです。
通常のチャットAIは、質問に対して確率的にもっともらしい言葉を繋げて回答を生成しますが、Thinkingモードでは以下のようなプロセスを経ています。
最大の特徴は、この思考プロセスをユーザーが可視化できる点。
「AIが今、何を考えているのか」がテキストとして表示されるため、回答の根拠が明確になり、ブラックボックス化の予防にもつながるんです！
Grokには「DeepSearch（深層検索）」という機能もありますが、Thinkingモードとは明確な役割の違いがあります。
Thinkingモード
DeepSearch
Grokでは、これらを組み合わせて「最新情報を検索した上で、じっくり推論する」といった使い方もできちゃいます！
Thinkingモードは制限付きで無料で利用できますが、アクセス集中時などは有料プランのユーザーが優先されることがあります。
より高速な推論や長文の処理を行いたい場合は、上位プランの検討も必要になるでしょう。
ここからは、実際にThinkingモードを使って、その実力を検証した結果をレポートします。
まずは、AIの推論能力を測るために「日本国内にマンホールはいくつある？」というフェルミ推定の問題を投げかけてみました。
不確定な状況に対し、Grokは情報をどのように処理するのでしょうか？
入力プロンプト
日本国内にマンホールはいくつあるか、フェルミ推定でざっくり推論してください。 以下の点を必ず守ってください。 まず、前提となる変数を箇条書きで定義してください（例：日本の人口、世帯数、道路延長、下水道普及率など）。
〜（省略）〜
モードを『4.1 Thinking』に設定して結果を待ちます...
約2分半ほどで出力が完了しました！
80近いソースからデータを参照して情報を処理し、それに基づいてセクションごとに予測をまとめているようですね。
数値が正確かについては、「約〜」と記載されているようにやや大きめの算出結果となっていました。（赤線）
情報の正確性については、参照元となるサイトのいくつかが3〜5年前のものであったので、直近のデータであるか、という点ではクリアできていないですね。
『フェルミ推定でざっくり』と指示していたので、この点は許容範囲としましょう！
不確定要素に対して「仮定」「推論」と判定していたので、あくまで仮の分析結果として参考資料の一つとして受理してもいいかもしれません。
「〜は妥当か？〜は現実的な範囲」と思考している点は、『Thinkingモード』の特性がよくわかる点となっています！（赤枠）
情報が最新のものでないのは気になりますが、過去のデータから推論を重ねて結果を抽出している点は【分析のスペシャリスト】といえるでしょう。
なお、ベースとなる情報が間違っていると計算式まで狂ってしまうので、別のAIツールで重複チェックしたり、人の手で数値を調整するといった対応は必須だといえます。
次に、意図的にバグを含ませたPythonコードを渡し、「エラーの原因を特定して修正して」と依頼しました。
入力プロンプト
以下のPythonコードには、いくつか意図的なバグや設計上の問題が含まれています。 このコードの目的は、「整数リストの平均値を計算し、最大値・最小値と一緒に表示する」ことです。〜（省略）〜
4. 最終的に、「初心者エンジニアがこのコードから学べるポイント」を3〜5個くらいに整理してください。
なお、今回以下のことを重要点としてプロンプトを投稿しています。
出力結果は以下の通りです。
コードの構造から、どのような結果を取得するものであるかを推論しているのが見てとれますね！（赤線）
エラーの発生原因となる「スペルミス」や「全体的な設計ミス」も的確に指摘できています。（赤枠）
なんといっても処理スピードが速い！40秒ほどで処理を完了させています！
修正後のコードも出力されており、問題なく動作することを確認しました！
