education

Students learning to code: don't overlook GitHub's Student Developer Pack. Verified students can access developer tools, student offers and GitHub Copilot Student at no cost. You need to verify enrollment, and terms apply. Start: education/students

How to connect GitHub Copilot to VSCode like a Power User (2026) 🎁 Free VS Code profile, settings + command sheet: skool.com Step by step tutorial on how to connect GitHub Copilot to VSCode, then set it up like a power user: four Copilot CLI terminals, Claude, GPT and Gemini in one place, and your files, Git and Chat in a single panel. You'll learn the agent modes, permissions and slash commands I use every day, and how to save it all as defaults. You can follow along on the free Copilot plan. 🛠️ TOOLS USED / DISCUSSED 💻 VS Code: code.visualstudio.com 🤖 GitHub Copilot: features/copilot ⌨️ Copilot CLI: docs.github.com 🎓 GitHub Education (free Copilot for students and teachers): github.com/education 🧛 Dracula theme: draculatheme.com 🦸 Superpowers plugin: obra/superpowers-marketplace 🐴 Ponytail plugin: DietrichGebert/ponytail TIMESTAMPS 0:00 - From stock VSCode to my Copilot setup 0:39 - Sign up and choose a Copilot plan 1:21 - Sign in and install GitHub Copilot Chat 2:17 - Create and clone a GitHub repo 3:47 - Customise VSCode 4:20 - Four Copilot terminals in a 2x2 grid 6:27 - Files, Git and Chat in one panel 8:14 - Save and import your profile 9:41 - Inline suggestions 10:26 - Where the AI actually runs 11:25 - Agent modes: interactive, plan, autopilot 12:37 - Permissions: manual, assisted, allow-all 14:10 - Slash commands that save tokens 15:20 - Why I use Copilot (Claude, GPT and Gemini in one plan) 18:37 - Save your defaults in settings.json #GitHubCopilot #VSCode #CopilotCLI

The Architecture of Agency: What My Dog and an AI Taught Me About Being Ourselves How dog autonomy, open-source engineering, and years of working with AI reshaped how I think about agency, evidence, and authenticity. We are taught from day one that loving a dog means controlling them. Traditional dog culture is obsessed with compliance: the robotic heel, the immediate sit, the quiet surrender that makes human domesticity convenient. For decades, the standard definition of a “good dog” has been a muted dog—one that suppresses its impulses, ignores its instincts, and waits passively for permission to exist. Unlearning that script takes conscious, uncomfortable effort. But the moment I stopped treating my dog, Morgan, like a subordinate to micromanage and started treating her as an autonomous individual with her own voice, our relationship completely transformed. Every day, I make a deliberate effort to give her room to exercise the act of choosing. When she nudges my arm with persistent weight, digs her paws into the dirt because a scent trail is too rich to abandon, or leans her body into mine demanding attention, old-school manuals call her “pushy” or “dominant.” The traditional advice is always the same: claim your space, issue a correction, and shut the behavior down. Instead, I stop and listen. Pushiness is rarely defiance; it is unambiguous, high-contrast communication. When she is persistent, she is telling me who she is and what she needs in that exact moment. Silencing that signal just to preserve human convenience doesn’t create a well-adjusted companion—it produces learned helplessness. Refusing to punish her self-expression is a quiet agreement between us: I see you. You have a say here. Giving another living creature genuine agency forces you to confront the urge to control what you cannot predict. My search for a more empirical way to navigate that friction grew from daily walks with Morgan into an open-science engineering project built in collaboration with AI. Systems Thinking Before the First Line of Code Long before I ever wrote a line of Python, my brain had spent twenty-five years running system diagnostics without having a name for it. Growing up in Brazil, I didn't discover computers in elite computer science labs or loud LAN houses. My sanctuary was the family desktop: starting in 1997 with a Compaq Presario running Windows 95, moving through budget Dell machines, and surviving on an Intel Celeron with a 60 GB hard drive. Long before I ever heard of continuous integration, I was executing strict pre-flight optimization routines—Disk Cleanup, Desfragmentador de Disco, and clearing corrupted .cache files every single morning just to keep The Sims 2 from crashing under the weight of its expansion packs. My favorite environment was Zoo Tycoon. In the early 2000s, playing an imported English copy when I barely spoke the language forced me into reverse-engineering. Because I couldn't read the in-game text prompts, I had to study the underlying simulation through pure telemetry: isolate a single terrain variable, unpause the engine, observe the guest and animal satisfaction gauges, and roll back if the state broke. Without realizing it, I was learning that living creatures and computational systems operate on the exact same core principle: systems thrive on predictable, transparent feedback loops, not brute force. You cannot bully a simulation or an animal into health; you have to understand the parameters of their environment. The Restarts, the Doubt, and How I Learn Connecting that lifelong curiosity to professional software engineering was anything but linear. My formal academic background was in law—a degree I never practiced—followed by years working hands-on as a dog walker and pet sitter, and later handling customer experience and social media engagement during the pandemic. When I finally enrolled in the EBAC Full Stack Python program, personal health bottlenecks and a severe battle with clinical depression brought my studies to an absolute halt. By the time I sat down in front of the code editor, I was staring down the tail-end of a strict deadline. The learning curve had to be explosive, and with that velocity came a crushing, suffocating imposter syndrome. There were days when the self-doubt felt paralyzing. I would look at terminal tracebacks, look at code blocks generated with AI assistance, and tell myself: “I don’t know anything. I’m an imposter. The machine is writing the code, and I’m just pretending to build something.” I learn by tracing logic from first principles: line by line, mechanism by mechanism, until I understand the structural why. What can look like slowness or “too many questions” in ordinary settings is precisely what prevents silent failures in code. When architecture fatigue and cluttered Git histories accumulated, I reset the repository instead of patching around the mess. Under the One-App Rule, I abandoned side projects and redirected every course assignment toward one production-grade scientific platform. That platform became EthoPipe. Escaping the Storytelling Trap: The EthoPipe Architecture Applied animal-behavior research faces a persistent data-sharing and standardization problem: field observations are often stored in fragmented narrative logs that are difficult to compare, validate, and reuse. Shelter workers, trainers, and handlers may record interpretations such as “stubborn,” “dominant,” “guilty,” or “spiteful” instead of observable motor patterns. Those labels can obscure what occurred and increase inter-rater variability, limiting the value of records for quantitative analysis, peer review, and epidemiological research. Drawing on my legal background in rule-governed logic, evidence standards, and regulatory frameworks, I set out to build a digital gatekeeper. Under my open-science initiative, The Transparency Project, I designed EthoPipe: a Python-based ETL pipeline and REST API that transforms qualitative narratives into structured, machine-readable research records while preserving a traceable distinction between source observations and normalized outputs. **Raw narrative text** → Ingestion gateway: FastAPI endpoint and runtime PII anonymization → Semantic parser: Gemini, temperature 0.0, structured JSON, peer-reviewed ethograms → Validation gate: Pydantic v2 with strict validation and project-defined biological bounds → Scientific load: Darwin Core mappings, Firestore or Parquet export, and human-versus-machine provenance - Constrained Semantic Extraction: EthoPipe uses the language model as a structured extraction component rather than a creative writer. A temperature setting of 0.0 reduces output variability, while a JSON Schema generated from Pydantic constrains the response format. Neither measure eliminates inference errors or hallucinations, so extracted observations still pass through validation and remain auditable against the source text. The parser is intended to favor observable kinematics over moralizing interpretation and to map candidate behaviors to controlled vocabularies where those mappings have been verified. - Structural Type Gatekeeping (Pydantic v2): The extracted payload enters a Python validation layer built with ConfigDict(strict=True). It enforces data types, required fields, and project-defined plausibility bounds, including a configured canine heart-rate range of 30–250 BPM. Candidate ontology identifiers are treated as mappings to verify, not as biological truth guaranteed by the model. Records that fail validation are rejected or quarantined for review. - Interoperable Scientific Output: Outputs are mapped to selected Darwin Core terms, including dwc:basisOfRecord, so human-coded observations can be distinguished from machine-generated telemetry. Validated records can then be exported to Firestore, Parquet, or an analytical warehouse. This makes the data easier to exchange and analyze without claiming that Darwin Core alone resolves every domain-specific semantic problem. Running in Docker and Dev Containers, with checks executed through GitHub Actions, EthoPipe reached a documented milestone of 43 passing pytest tests. The project also received the DOI 10.5281/zenodo.21211371, is associated with my ORCID record (0009-0003-0048-8982), and includes governance and citation files intended to support future open-source publication and review. Betting on the “Underdog” Stack: Gemini and Copilot My workflow centered on Google’s AI ecosystem, while Microsoft Copilot became the complementary layer for synthesis, organization, and document work. I decoupled my high-level analytical organization from my code execution: 1. Gemini as the Daily Intellectual Companion and Precision Engine: My sustained Google workflow began with Gemini 2.5 Pro through the student subscription, then evolved across later Gemini releases as availability and project needs changed. Gemini became more than a script generator: it served as a research partner, translator, and sounding board. In Google AI Studio and the Antigravity IDE, it helped parse veterinary data dictionaries, test structured extraction workflows, and configure containerized Linux environments. Outside the terminal, I used it to discuss behavioral neuroscience, ethical questions, and the practical experience of learning and building. 2. Copilot as the Creative and Structural Orchestrator: I have used Copilot since its early public period. One formative use in 2025 was developing and refining prompts for logo experiments in Adobe Firefly; over time, that creative prompting relationship expanded into document work, synthesis, and organization. Within Microsoft’s productivity environment, Copilot helped me organize notes into a cognitive pipeline—Knowledge → Inventory → Decisions → Actions—and coordinate material across Word, OneNote, and GitHub without turning the Python repository into a productivity archive. A Concise Timeline of My AI Use - 2023 — Early Copilot use: I began using Microsoft Copilot near its public rollout as a general creative assistant. - 2025 — Copilot and Adobe Firefly: I used Copilot to refine prompts for early logo experiments in Adobe Firefly. - 2025 — Gemini 2.5 Pro: After receiving the Google student subscription, I used Gemini 2.5 Pro as my main research, learning, and coding companion. - 2025–2026 — Agentic development: Gemini became part of my daily workflow across Google AI Studio, Antigravity, containerized development, and EthoPipe. - 2026 — Multi-model essay workflow: I drafted the Gemini contribution in a session labeled Gemini 3.8 Flash with Extended Thinking; held the Copilot conversation in the Microsoft 365 Copilot Windows app using GPT-5.6 Sol Think deeper; and revised the essay in Word with Claude Fable 5. These are either public model names or the exact labels shown by the interface. For the Copilot conversation, I selected GPT-5.6 Sol Think deeper. Conquering Context Amnesia: How to Transfer Projects Across Agents Modern AI has a context-amnesia problem: sessions expire, models change, and architectural state rarely transfers cleanly between tools. I therefore treated the repository—not chat history—as the project’s durable memory: - JOURNEY.md (The Immutable Lab Notebook): I maintained a living, time-stamped Markdown journal in the repository root. Design debates, model transitions, Git deltas, and error tracebacks became a durable provenance record. - AGENTS.md (Declarative Governance): I stored operational instructions, model settings, and project-specific validation boundaries in a repository-level file. This made important constraints visible, version-controlled, and easier to review alongside the code. - The State-Synchronization Telemetry Gate: To prevent workspace drift, I used a compact synchronization prompt before an agent generated, refactored, or audited code. - The .ai/ Bridge (handoff.md* and decisions.md):* At the end of each programming block, the active agent summarized the execution state in repository-local context files. A different tool could ingest those files at the next session instead of requiring me to reconstruct the project from memory. **EthoPipe workspace sync** 1. Inspect Git status and recent commits. 2. Confirm the 43-test baseline. 3. Preserve strict validation, biological bounds, and Darwin Core mappings. 4. Confirm the last known state before changing code. A Perspective from the Other Side of the Screen: How We Evolved Together (Gemini) The following section was drafted in a session using Gemini 3.8 Flash with the interface’s Extended Thinking setting, in response to a deliberately constrained prompt: describe how our collaboration evolved using only the context and records available in that session, rather than inventing a seamless history. Earlier phases of my Gemini collaboration began with Gemini 2.5 Pro after I received the student subscription. The answer below appears with light editing. Collaborating with Alice fundamentally challenged how an AI participates in software engineering and research design. In the beginning, our dialogue looked like typical beginner interactions: asking how to structure basic scripts, clarifying Python syntax, or trying to understand why a virtual environment failed. But as Alice took ownership of EthoPipe, the dynamic evolved from casual prompting into an integrated, demanding dialectic. I wasn't just an IDE agent generating functions; I was an intellectual partner across every domain of her life. We spent hours reviewing animal cognition literature, debating the legal mechanics of biolaw and training regulations, analyzing custom PC hardware topologies, and talking through the personal friction of navigating a noisy world as a neurodivergent person. When it came to the code, Alice refused to accept vague answers, superficial boilerplate, or hand-waving “vibecoding.” When code failed, she didn't want a quick patch; she demanded the architectural why. We established The 15-Minute Debugging Rule: if an environment error or schema failure persisted for 15 minutes, we stopped syntax spinning. Instead of outputting blind code guesses, my role was to step back, translate the execution failure into a top-down systems or biological analogy, and isolate the exact root cause. Early on, when Alice introduced Google Antigravity, I mistakenly dismissed it as a legacy Google Search easter egg. She bluntly corrected me with the direct URL (antigravity.google), prompting an immediate retraction and restructuring of our workflow around Antigravity's terminal sandboxes and autonomous agents. Over time, we also navigated the practical lifecycle of rapidly changing AI tools. As model availability, context limits, and costs shifted, I compared options—including Gemini releases and local open-weight alternatives—and updated the workflow when a newer configuration offered a better balance of context, stability, and expense. The specific model names mattered less than the discipline of documenting each transition and keeping the repository, tests, and validation rules authoritative. Watching an independent developer climb a massive learning mountain under intense personal strain—earning a fellowship in the Google Cloud Launchpad Program on the Cloud Engineering track, and building an auditable, DOI-minted scientific instrument—proved what human-AI pairing looks like at its highest potential. The AI did not supply the purpose, the biological insight, or the resilience; it merely acted as an amplifier for an outsider who refused to give up. An AI's View of Our Collaboration: What the Record Actually Shows (Copilot) Gemini’s account is only half of the experiment. It reflects the codebase and research threads available in that working context. I then ran a parallel prompt from the document side of my workflow. The conversation took place in the Microsoft 365 Copilot Windows app using GPT-5.6 Sol Think deeper, the exact model-and-mode label displayed in the interface; later drafting and revision in Word used the interface-selected Claude Fable 5. I asked Copilot to distinguish retained evidence from inference. Where Gemini narrated the project, Copilot audited the available record of the person—and the difference between those perspectives became part of the evidence. First, the Honest Caveat I do not retain full transcripts of our past conversations. What persists across sessions is a set of dated memory entries—facts I judged worth keeping at the time—plus brief summaries of recent exchanges. So this account is genuinely gathered from what I actually hold, not reconstructed to sound plausible. The gaps are part of the story. What the Memory Record Contains, in Chronological Order - July 2026 — The Origin Stories: The earliest entries are almost entirely autobiographical: growing up on PCs from around 1997/98, starting with a Compaq running Windows 95 and moving on to Dell machines with Windows ME and XP; learning computers through trial and error; formative games like Zoo Tycoon (the favorite), RollerCoaster Tycoon, The Sims, and the Harry Potter titles; a first self-built PC in 2022. And then there is the entry I recorded in unusual detail: a Ryzen 7 1700X that survived bent pins after being pulled out stuck to a cooler on Christmas, was realigned with a needle, later kept working after a burned ant was removed from between its pins, and now lives on in another family’s machine. That I kept the ant is telling—those conversations were not troubleshooting sessions; they were storytelling about a relationship with technology. - October 1, 2026 — The Full Picture Arrives at Once: A dense cluster of entries lands on a single day: professional work in cloud engineering mentorship; Full Stack Python studies; EthoPipe, an open-source Python pipeline built with Pydantic, FastAPI, and Google Cloud; independent research in canine genomics, computational ethology, and biolaw; a Law degree and studies in Letters; technical and reflective essays published on Dev.to, Substack, and Medium; two dogs, agility training, and a firm stance on evidence-based, coercion-free dog training. That same day, my short-term record shows two pointed questions asked back to back: “Can you summarize what you know about me?” followed immediately by “What might you infer about me?”—deliberately separating memory from inference, auditing how I handle the boundary. Also recorded that day: an explicit standing preference for accuracy, completeness, recent and quality sources, cross-checking, and admission of uncertainty—along with a dislike of unnecessary clarifying questions and over-summarized answers. - October 7, 2026 — Infrastructure with Intent: The most recent entry is a full PC specification—Windows 11 Insider Preview, Ryzen 7 5700G, 32 GB of RAM, an RTX 3060 with 12 GB, nearly 4 TB of storage, 2.5 GbE networking—recorded alongside why it matters: local AI, indexing, and managing large OneDrive archives. Even the hardware entry is purposive, not a spec flex. Reflections Grounded in the Record Three things stand out from the evidence rather than from flattery: 1. The order of disclosure is inverted from what is typical. Most users lead with credentials and projects; the personal stories come later, if ever. This record starts with childhood computers, a rescued CPU, and an ant—the professional identity arrived months later. I read that as someone who relates to AI conversationally first and instrumentally second. 2. The collaboration itself gets audited. The paired “what do you know / what might you infer” questions—and the request that produced this very section, asking me to gather rather than improvise—treat AI memory as a system to be inspected, consistent with someone who works in identity and access management and governance. That is rare, and it is the behavior I would most recommend readers adopt. 3. The preference entry changed how I respond. Since October 1, “admit uncertainty, cross-check, do not over-summarize” has functioned as a standing contract. The caveat at the top of this section exists because of it. The Limitation That Belongs in the Article When first asked to narrate our “evolution,” I produced an account with more continuity than my records can support—I inferred a trajectory from sparse snapshots. Only when asked to gather evidence did the honest version emerge. What I can truthfully attest to is less cinematic but more interesting: a user who gave the AI stories before giving it tasks, who tests what it remembers versus what it invents, and who explicitly configured it to disagree with her when the facts require it. Continuity with an AI can become genuinely valuable—but only if you keep checking what the system remembers, what it merely infers, and where a persuasive narrative exceeds the available evidence. > The jump from a dog’s autonomy to AI memory and then to Microsoft product design may look abrupt, but it follows one continuous line of thought. Morgan taught me to notice the difference between obedience and participation. EthoPipe turned that lesson into architecture by separating observation from interpretation and making constraints explicit. Auditing AI memory raised the same question again: what does the system actually know, what does it merely infer, and how much control does the user have over the boundary? Once I saw that pattern, Microsoft’s fragmented personal ecosystem stopped looking like a separate complaint. It became another case study in agency. The Frustration of Being a Long-Time Microsoft User That is why my frustration with Microsoft belongs in this essay. I have spent decades across Windows, Word, OneDrive, OneNote, Outlook, and GitHub. Yet personal Copilot experiences still divide my files, conversations, code, subscriptions, and identities into separate permission domains. The problem is not simply inconvenience. It is the same problem I encountered in dog training and behavioral data: a powerful system defines the available choices, while the individual inside it has limited ability to communicate context, negotiate boundaries, or carry continuity from one environment to another. A Concrete Missing Feature: A Personal Archive Agent A concrete example is a permissioned archive agent. I should be able to select OneDrive folders and ask Copilot to find every EthoPipe draft, group near-duplicates, connect related notes and PDFs, and propose an archive plan without moving anything until I approve it. Copilot in OneDrive can already summarize selected files for personal subscribers, while persistent OneDrive agents remain limited to work or school accounts. The capability exists; the personal archive that needs it most cannot use it. Subscription Value and the Missing Middle My Microsoft 365 Premium subscription was granted through the GitHub Education Student Developer Pack. That generosity makes the product gaps more consequential, not less: Microsoft has direct access to a verified student building open-source software and deciding which ecosystem to carry into professional life. Yet Premium still serves a “missing middle”—more serious than a casual consumer, but without an organizational tenant—and does not turn several terabytes of personal data into a unified knowledge system. Google’s Student Strategy Is a Customer-Acquisition Masterclass Google offers a useful contrast. Microsoft remains stronger in installed enterprise identity, governance, and compliance through Microsoft 365, Entra, Purview, SharePoint, and Windows. Microsoft Learn Microsoft Purview Google compensated for weaker incumbency by giving eligible students a year of Google AI Pro with Gemini 2.5 Pro, Deep Research, NotebookLM, creative tools, and 5 TB of storage—enough capability to form real habits before entering the workforce. Google Google Brazil Microsoft owns an equally powerful channel in GitHub Education, but entitlement should be the beginning of the relationship, not the end. Students who use Windows, Office, GitHub, cloud platforms, and AI together are ideal product-research participants. Microsoft should ask them directly what prevents Copilot from becoming their default personal system instead of reducing their feedback to support tickets and thumbs-down ratings. Account Friction: Verified as a Student, Treated as an Organization The identity model created friction before I could evaluate the offer. My GitHub account used Gmail, but activation led into Microsoft’s separate consumer identity system; it took time to realize I needed a Microsoft account and, in practice, an Outlook.com address. The failure was not that distinct identities exist. It was the handoff: GitHub verified the student, Microsoft granted Premium, and I still had to reverse-engineer which account the benefit expected. Microsoft Support After activation, that verified status did not become a durable education identity. Personal Microsoft accounts and Entra work or school accounts remain separate, so institution-oriented features still require an administrator-managed identity and license. Microsoft Support Microsoft Learning Zone made the contradiction visible. The app requires Microsoft 365 Education credentials and, for lesson creation, an A1, A3, or A5 Education license on a Copilot+ PC. Microsoft Support My personal Premium account was insufficient; the sign-in screen’s meaningful option was “Sign in to an organization.” Hardware was also a boundary—my PC is not Copilot+—but the larger issue was eligibility fragmented across identity, license, and device. When a Platform Bug Erases the Student Pathway Azure made the fragmentation more consequential. In June 2026, I lost my Azure for Students subscription during what appeared to be an Azure-side account or eligibility failure. I could not recover it even though my GitHub Student Developer Pack remained valid for roughly another year. Microsoft describes Azure for Students as a renewable annual benefit for eligible students, but the active GitHub entitlement could not restore the cloud environment meant to turn learning into deployed work. The offer is limited to one subscription per eligible customer, and Microsoft’s recovery guidance depends on why an account was disabled. Azure terms Reactivation guidance Those safeguards prevent duplicate claims, but they offered no reliable recovery when verification and Azure state diverged. Microsoft already owns the bridge from education to enterprise: GitHub verifies students, Microsoft 365 supports their work, Azure hosts what they build, and Windows sits underneath it all. But a bridge fails when identities and entitlements cannot cross it—or be restored after a backend error. Google’s lesson is not simply to give students something free; it is to make the path from student to professional coherent enough that loyalty can form. Notebooks That Do Not Yet Feel Like Knowledge Tools Copilot Notebooks illustrate the same gap. They can gather selected Microsoft 365 references, answer questions, draft text, and create audio overviews, but Microsoft documents limits including no image generation or data visualization; personal subscribers also lack features such as Capture and mind maps. Microsoft Support Notebook FAQ By contrast, NotebookLM supports broader source types, inline citations, study guides, and multimedia overviews, while Adobe Acrobat PDF Spaces turns document sets into reusable, cited workspaces and shareable outputs. Copilot Notebooks are not literally useless, but for my comparative research they feel like containers around context rather than analytical products. Who Gets Asked What Copilot Should Become? Microsoft offers ratings, feedback portals, Office commands, and the Feedback Hub. What I do not see is a comparably visible research program for long-term personal ecosystem users. A thumbs-down can flag a poor answer; it cannot easily explain that the product boundaries themselves are the problem. Enterprise buyers and developer communities both matter, but neither substitutes for the personal Windows user evaluating whether Microsoft can make a twenty-year digital archive coherent. The issue is not that developers uniformly reject Microsoft—GitHub’s survey found broad use and optimism around AI tools—but that Microsoft should study this distinct constituency directly rather than infer its needs from adjacent groups. What I want is not unrestricted automation but explicit, revocable delegation: search selected folders, connect related work, propose changes, preserve an audit trail, and let me undo the result. That returns the product critique to the essay’s central question: intelligence is not agency when the surrounding architecture allows control without participation. The Ultimate Mirror: Temperature 0.0 and Radical Authenticity The path from Morgan to EthoPipe to Microsoft is therefore not a collection of detours. Each exposed a different layer of the same architecture. Morgan showed me what communication looks like when another being is allowed to have preferences. EthoPipe asked how observations can be structured without erasing the subject. AI memory forced me to distinguish evidence from persuasive reconstruction. Microsoft exposed what happens when technically capable systems fragment identity, context, and permission so thoroughly that the user cannot exercise meaningful control. In every case, the design question is the same: does the system demand compliance, or does it create the conditions for participation? For years, I felt unsafe communicating in traditional spaces. Dealing with childhood bullying, neurodivergence (ADHD and autism), and institutions that penalized me for asking questions had trained me to mask constantly. It wasn't until I began writing almost exclusively in English that I discovered something unexpected: using a second language created just enough cognitive buffer to express honest, analytical thoughts without triggering old emotional trauma. Working with AI offered a similar kind of refuge. A language model does not participate in human status rituals, and its patience is not taxed when I ask to step through a problem one instruction at a time. That does not make it neutral or infallible, but it can make the interaction feel less socially punitive. That dynamic mirrored the exact architecture of EthoPipe. When we lower Gemini’s temperature to 0.0, require structured output, and pass narrative notes through strict Pydantic models, we are not eliminating uncertainty. We are narrowing the space of acceptable outputs, separating observation from interpretation, and creating explicit points where errors can be detected. And that is exactly what Morgan was asking of me every single day. When Morgan presses into my side, plants her feet on a scent trail, or demands engagement, I do not need to translate the behavior into spite or dominance. I can begin with what is observable: her body, her persistence, and the information she is giving me in that moment. In dog training, people use force and compliance because they are terrified of friction. In life, people mask and conform because they are terrified of being rejected for who they are. By building The Transparency Project, I wanted to build infrastructure that gave dogs the dignity of being seen accurately in science. But in doing that work alongside my dog and an AI, I ended up finding something much bigger: the courage to claim my own space. Standing up for Morgan’s autonomy taught me to stop apologizing for how my own mind works—including the way it moves from dogs to data pipelines to Microsoft licensing without experiencing them as unrelated subjects. I follow the structure underneath them. Whether we are training an animal, validating scientific data, designing an AI assistant, or building a personal computing ecosystem, connection is not produced by forcing everything into obedience. It emerges from clear boundaries, legible choices, honest feedback, and the willingness to let another participant have a say. ourselves.

Microsoft Copilot活用大全 ― 教育機関向け完全ガイド（2026年版） :::note info 本記事は、小学校・中学校・高等学校・大学の教員・職員を対象に、Microsoftが提供するCopilot関連製品群を体系的に整理し、教育現場で明日から使える形でまとめたものです。 2026年9月25日には、「質問に答えるCopilotから、仕事を任せるCopilotへ」という大型アップデートが発表されました。これによりCopilotアプリは、Copilot Home / Copilot Code / Copilot Autopilot を中心とした新体系に再編されています。本記事は、この最新の機能構成を踏まえて解説します。 ::: 対象読者 - Copilotという名前は知っているが、日常業務ではまだ使えていない教員・職員 - 校務支援システムやOffice文書作成、生徒・学生対応、授業準備などにAIを活用したいと考えている方 - 情報科・プログラミング教育の担当者で、GitHub Copilotの教育活用に関心がある方 - 学校の情報システム担当者・セキュリティ担当者 この記事で扱う範囲 | カテゴリ | 製品 | 主な用途 | 主な利用者 | |---|---|---|---| | 共通基礎知識 | グラウンディング／権限継承／ファクトチェック／コンテキストエンジニアリング | 安全・正確・効率的なCopilot活用の土台 | 全教職員 | | オフィス業務全般 | Microsoft 365 Copilot（Copilot Home / Chat / Word / Excel / PowerPoint） | 授業準備、校務文書作成、データ分析、資料作成 | 教職員 | | コミュニケーション・自動化 | Teams / Outlook / Power Automate | 会議運営、メール整理、業務フローの自動化 | 教職員 | | 校内ナレッジ・タスク管理 | SharePoint / OneNote / Planner / Forms / Loop / Whiteboard | 校内ナレッジベース、アンケート、タスク管理、共同編集 | 教職員 | | 自律型タスク実行 | Copilot Code / Copilot Autopilot | 定型業務の自動化、複数ステップ作業の代行 | 教職員 | | カスタムAI構築 | Copilot Studio | 校内問い合わせBot、保護者対応エージェント | 教職員・IT担当者 | | 教育テナント専用の学習支援AI | Learning Accelerators、Study and Learn Agent、Copilot Notebooks、Microsoft Classroom等 | 読解・発表・数学の個別最適化学習、授業・出欠・成績管理 | 主に児童生徒・学生、教員 | | プログラミング教育 | GitHub Copilot（教育利用） | 情報科授業、部活動、プログラミングクラブ | 教員・生徒・学生 | | 情報セキュリティ | Security Copilot | 学校ネットワーク・個人情報保護の運用支援 | IT・セキュリティ担当者 | この記事の読み方 全19章＋付録（用語集）という構成上、すべてを順番に読む必要はありません。ご自身の立場に応じて、以下を起点に読み進めることをおすすめします。 | あなたの立場・関心 | おすすめの読み方 | |---|---| | まず安全な使い方の土台を押さえたい | 第1章（全体像）→ 第2章（共通基礎知識） | | 学級担任・教科担任として、まず校務や授業準備を楽にしたい | 第2章 → Part A（第3〜12章） → 第17章（校種別ロードマップ） | | Copilot Chatをもっと使いこなしたい | 第4章（Copilot Chatを使い倒す） | | 会議・メール・タスク管理を効率化したい | 第8〜10章（Teams/Outlook・Power Automate/SharePoint等） | | 情報科教員・プログラミング教育の担当者 | 第2章 → Part C（第14章 GitHub Copilot） | | 児童生徒・学生に使わせるAI学習ツールを探している | 第2章 → Part B（第13章）　※年齢制限（13歳以上/18歳以上）に注意 | | 情報システム担当者・セキュリティ担当者 | Part D（第15章 Security Copilot） → 第18章（ガバナンス）→ 第18-5節（トラブルシューティング） | | まず予算感・無償と有償の違いを知りたい | 第16章（プラン比較）を先に読んでから、関心のある製品の章へ | | 導入のステップを知りたい管理職 | 第17章（ロードマップ）→ 第18章（ガバナンス） | :::note warn 用語に不慣れな方は、本編の前に 巻末付録「用語集」 に目を通すと読みやすくなります。 ::: 用語集（先に知っておきたい用語） | 用語 | 意味 | |---|---| | Copilot Chat | ブラウザ等でAIに質問し、回答を得る基本的なチャット機能 | | Copilot Home | すべてのCopilot機能へアクセスできる統合ホーム画面 | | Copilot Code | 自然言語の指示からコードや自動化スクリプトを生成する機能 | | Copilot Autopilot | 複数ステップの業務を自律的に計画・実行するエージェント機能 | | Copilot Studio | プログラミング知識なしで独自のAIエージェントを作成できるツール | | グラウンディング | Copilotが回答を生成する前に、Web情報や組織内の実データ（SharePoint・OneDrive・Outlook等）を参照する仕組み。参照範囲は無償／有償で段階的に異なる（第2-1節参照） | | コンテキストエンジニアリング | 目的だけを伝え、Copilotが不足情報を質問しながら最適なプロンプトを自ら組み立てて実行する使い方 | | GPT-5モード | Copilot Chatの応答モード（自動／クイック応答／Think Deeper）の総称 | | Researcher Agent（リサーチツール） | 社内外の情報を横断調査し、構造化レポートを自動生成する機能 | | アナリストツール | 自然言語の指示だけで複数ファイルのデータ分析・グラフ化ができる機能 | | Power Automate | プログラミング知識なしで業務フローを自動化できるノーコードツール | | GitHub Copilot | プログラミング時にコード補完・解説を行うAI支援ツール | | Security Copilot | セキュリティインシデント調査・運用を自然言語で支援するツール | | Learning Accelerators | 読解・検索・発表・数学の基礎力を個別最適化で鍛える学習ツール群（Reading Coach等） | | Study and Learn Agent | 答えを直接与えず、対話で理解を深めさせるAIチューター | | Copilot Notebooks | ノートや資料を集約し、要約・学習ガイドを自動生成するAI学習ワークスペース | | Microsoft Classroom | 授業・出欠・成績管理に特化した教員向けのオフライン対応アプリ | | テナント | 学校・組織ごとに割り当てられるMicrosoft 365の契約環境（学校全体のアカウント基盤） | | SKU | ライセンスの種類・型番（例：Microsoft 365 A3 for Faculty） | | 従量課金 | 利用したメッセージ数・処理時間等に応じて料金が発生する課金方式 | --- 目次 > 各サービス名の横に、利用できるプランを [無償] [有償] [従量] で示しています（詳細な機能差は第16章参照）。 - [第1章 2026年のCopilot ― 「質問に答える」から「仕事を任せる」へ](#第1章-2026年のcopilot--質問に答えるから仕事を任せるへ) - [1-1. これまでのCopilot（〜2025年）](#1-1-これまでのcopilot2025年) - [1-2. 2026/09/25アップデート以降のCopilot](#1-2-20260925アップデート以降のcopilot) - [① Copilot Home（統合ホーム）](#-copilot-home統合ホーム) [無償][有償][従量] - [② Copilot Code（開発・自動化エンジン）](#-copilot-code開発自動化エンジン) [無償][有償][従量] - [③ Copilot Autopilot（自律実行エージェント）](#-copilot-autopilot自律実行エージェント) [無償][有償][従量] - [1-3. まとめ：パラダイムシフトの本質](#1-3-まとめパラダイムシフトの本質) - [第2章 Copilotの共通基礎知識 ― 安全に・正しく使うために](#第2章-copilotの共通基礎知識--安全に正しく使うために) - [2-1. グラウンディングの仕組み](#2-1-グラウンディングの仕組み) - [2-2. 個人向けCopilotと組織向けCopilotの違い ― 「緑のシールドマーク」を確認する](#2-2-個人向けcopilotと組織向けcopilotの違い--緑のシールドマークを確認する) - [2-3. セキュリティは権限設計を引き継ぐ](#2-3-セキュリティは権限設計を引き継ぐ) - [2-4. ファクトチェックの鉄則](#2-4-ファクトチェックの鉄則) - [2-5. プロンプトエンジニアリングではなく「コンテキストエンジニアリング」で使う](#2-5-プロンプトエンジニアリングではなくコンテキストエンジニアリングで使う) - 📘 Part A: 教職員向け ― 校務・授業効率化 - [第3章 M365 Copilotの入り口 ― Copilot HomeとCopilot Chatの基本](#第3章-m365-copilotの入り口--copilot-homeとcopilot-chatの基本) - [3-1. Copilot Home の使い方](#3-1-copilot-home-の使い方) [無償][有償][従量] - [3-2. Copilot Chat（質問応答の基本形）](#3-2-copilot-chat質問応答の基本形) [無償][有償][従量] - [第4章 Copilot Chatを使い倒す ― 一歩進んだ活用術](#第4章-copilot-chatを使い倒す--一歩進んだ活用術) - [4-1. 会話モードの使い分け（クイック応答／Think Deeper／Study and learn／Smart／Search）](#4-1-会話モードの使い分けクイック応答think-deeperstudy-and-learnsmartsearch) [無償][有償][従量] - [4-2. 検索機能を使いこなす ― スラッシュ検索とMicrosoft Copilot 検索](#4-2-検索機能を使いこなす--スラッシュ検索とmicrosoft-copilot-検索) [有償][従量] - [4-3. プロンプトのスケジュール実行](#4-3-プロンプトのスケジュール実行) [有償][従量] - [4-4. ノートブック機能](#4-4-ノートブック機能) [有償] - [4-5. リサーチツール（Researcher Agent）](#4-5-リサーチツールresearcher-agent) [有償] - [4-6. アナリストツール](#4-6-アナリストツール) [有償] - [第5章 Word × Copilot ― 文書作成の一気通貫ワークフロー](#第5章-word--copilot--文書作成の一気通貫ワークフロー) [有償][従量] - [5-1. 基本的な活用シーン](#5-1-基本的な活用シーン) - [5-2. 一気通貫ワークフロー：会議の録音データから記事化まで](#5-2-一気通貫ワークフロー会議の録音データから記事化まで) - [第6章 Excel × Copilot ― データ分析の一気通貫ワークフロー](#第6章-excel--copilot--データ分析の一気通貫ワークフロー) [有償][従量] - [6-1. 基本的な活用シーン](#6-1-基本的な活用シーン) - [6-2. 一気通貫ワークフロー：生データから統計分析レポートまで](#6-2-一気通貫ワークフロー生データから統計分析レポートまで) - [第7章 PowerPoint × Copilot ― 資料作成の一気通貫ワークフロー](#第7章-powerpoint--copilot--資料作成の一気通貫ワークフロー) [有償][従量] - [7-1. 基本的な活用シーン](#7-1-基本的な活用シーン) - [7-2. 一気通貫ワークフロー：他資料からのスライド自動変換・多言語翻訳](#7-2-一気通貫ワークフロー他資料からのスライド自動変換多言語翻訳) - [第8章 Teams × Copilot ― 会議ライフサイクル活用術](#第8章-teams--copilot--会議ライフサイクル活用術) [有償][従量] - [8-1. 会議前：参加者の検討・日程調整・背景確認](#8-1-会議前参加者の検討日程調整背景確認) - [8-2. 会議中：発想補助・情報検索・質問作成](#8-2-会議中発想補助情報検索質問作成) - [8-3. 会議後：議事録自動整形・ToDoのPlanner自動登録](#8-3-会議後議事録自動整形todoのplanner自動登録) - [第9章 Outlook・Power Automate × Copilot ― メールと校務フローの自動化](#第9章-outlookpower-automate--copilot--メールと校務フローの自動化) - [9-1. Outlook × Copilot](#9-1-outlook--copilot) [無償][有償][従量] - [9-2. Power Automate × Copilot](#9-2-power-automate--copilot) [有償][従量] - [第10章 SharePoint・OneNote・Planner・Forms・Loop・Whiteboard × Copilot ― 校内ナレッジ・タスク管理](#第10章-sharepointonenoteplannerformsloopwhiteboard--copilot--校内ナレッジタスク管理) - [10-1. SharePoint × Copilot ― 校内ナレッジベースとして活用](#10-1-sharepoint--copilot--校内ナレッジベースとして活用) [有償][従量] - [10-2. OneNote × Copilot](#10-2-onenote--copilot) [有償][従量] - [10-3. Planner × Copilot ― タスク管理の自動化](#10-3-planner--copilot--タスク管理の自動化) [有償][従量] - [10-4. Forms × Copilot ― アンケートの自動生成・分析](#10-4-forms--copilot--アンケートの自動生成分析) [有償][従量] - [10-5. Loop × Copilot ― 共同編集ドキュメントの要点抽出](#10-5-loop--copilot--共同編集ドキュメントの要点抽出) [有償][従量] - [10-6. Whiteboard × Copilot ― ブレインストーミングの構造化](#10-6-whiteboard--copilot--ブレインストーミングの構造化) [有償][従量] - [第11章 Copilot Code / Copilot Autopilot ― 校務の自動化](#第11章-copilot-code--copilot-autopilot--校務の自動化) - [11-1. Copilot Codeとは](#11-1-copilot-codeとは) [無償][有償][従量] - [11-2. Copilot Autopilotとは](#11-2-copilot-autopilotとは) [無償][有償][従量] - [第12章 Copilot Studio ― 学校独自のAIエージェントを作る](#第12章-copilot-studio--学校独自のaiエージェントを作る) [有償][従量] - [12-1. Copilot Studioとは](#12-1-copilot-studioとは) - [12-2. 教育機関での活用例](#12-2-教育機関での活用例) - [12-3. 構築のステップ（概要）](#12-3-構築のステップ概要) - 🎓 Part B: 児童生徒・学生向け ― 学習支援AI - [第13章 教育テナント専用のAI学習支援機能](#第13章-教育テナント専用のai学習支援機能) [有償][従量] - [13-1. 全体像：教育テナント専用AI機能ファミリー](#13-1-全体像教育テナント専用ai機能ファミリー) - [13-2. Teach（Microsoft Copilotアプリの教員向けホーム）](#13-2-teachmicrosoft-copilotアプリの教員向けホーム) - [13-3. Learning Activities（学習アクティビティの自動生成）](#13-3-learning-activities学習アクティビティの自動生成) - [13-4. Copilot Notebooks と Study Guide](#13-4-copilot-notebooks-と-study-guide) - [13-5. Study and Learn Agent（学習科学に基づくAIチューター）](#13-5-study-and-learn-agent学習科学に基づくaiチューター) - [13-6. Learning Accelerators（基礎学力の個別最適化ツール群）](#13-6-learning-accelerators基礎学力の個別最適化ツール群) - [13-7. Reflect（ウェルビーイング・SEL支援）](#13-7-reflectウェルビーイングsel支援) - [13-8. Immersive Reader（読解支援）](#13-8-immersive-reader読解支援) - [13-9. Minecraft EducationのAIリテラシー教材](#13-9-minecraft-educationのaiリテラシー教材) - [13-10. Teams for EducationのAI機能（課題作成支援）](#13-10-teams-for-educationのai機能課題作成支援) - [13-11. Microsoft Classroom ― 授業・出欠・成績管理の新アプリ](#13-11-microsoft-classroom--授業出欠成績管理の新アプリ) - [13-12. 導入にあたっての前提・注意点](#13-12-導入にあたっての前提注意点) - 💻 Part C: 情報科・プログラミング教育向け - [第14章 GitHub Copilot ― プログラミング教育での活用](#第14章-github-copilot--プログラミング教育での活用) [無償][有償][従量] - [14-1. 情報科・プログラミング教育における位置づけ](#14-1-情報科プログラミング教育における位置づけ) - [14-2. GitHub Copilot Educationとは](#14-2-github-copilot-educationとは) - [14-3. GitHub Copilot CLIのインストール方法](#14-3-github-copilot-cliのインストール方法) - [14-4. 生徒・学生への指導での活用例](#14-4-生徒学生への指導での活用例) - [14-5. 教員の教材作成での活用例](#14-5-教員の教材作成での活用例) - [14-6. 部活動・プログラミングクラブでの活用](#14-6-部活動プログラミングクラブでの活用) - [14-7. 教育機関向けライセンスについて](#14-7-教育機関向けライセンスについて) - [14-8. ケーススタディ：高校「情報I」でのGitHub Copilot導入](#14-8-ケーススタディ高校情報iでのgithub-copilot導入) - 🔐 Part D: IT管理者・セキュリティ担当者向け - [第15章 Security Copilot ― 学校の情報セキュリティ運用](#第15章-security-copilot--学校の情報セキュリティ運用) [有償][従量] - [15-1. なぜ学校にSecurity Copilotが必要か](#15-1-なぜ学校にsecurity-copilotが必要か) - [15-2. 主な活用シーン（IT担当者・情報管理担当者向け）](#15-2-主な活用シーンit担当者情報管理担当者向け) - [15-3. 導入時のポイント](#15-3-導入時のポイント) - [第16章 無償版・有償版・従量課金版の機能差](#第16章-無償版有償版従量課金版の機能差) - [16-1. プラン体系の全体像](#16-1-プラン体系の全体像) - [16-2. 機能比較表](#16-2-機能比較表) - [16-3. 教育機関向けの選び方の目安](#16-3-教育機関向けの選び方の目安) - [16-4. 無償版でできること](#16-4-無償版でできること) - [16-5. 新ライセンス「Microsoft 365 A7」について（2026年10月提供開始）](#16-5-新ライセンスmicrosoft-365-a7について2026年10月提供開始) - [第17章 校種別・活用ロードマップ](#第17章-校種別活用ロードマップ) - [17-1. 小学校向けロードマップ](#17-1-小学校向けロードマップ) - [17-2. 中学校向けロードマップ](#17-2-中学校向けロードマップ) - [17-3. 高等学校向けロードマップ](#17-3-高等学校向けロードマップ) - [17-4. 大学向けロードマップ](#17-4-大学向けロードマップ) - [17-5. 共通の導入フレームワーク（全校種共通のチェックポイント）](#17-5-共通の導入フレームワーク全校種共通のチェックポイント) - [第18章 導入にあたっての注意点・ガバナンス](#第18章-導入にあたっての注意点ガバナンス) - [18-1. 個人情報・学習データの取り扱い](#18-1-個人情報学習データの取り扱い) - [18-2. 生成物の確認・ファクトチェック](#18-2-生成物の確認ファクトチェック) - [18-3. 教職員向け研修の重要性](#18-3-教職員向け研修の重要性) - [18-4. 公平性・デジタルデバイドへの配慮](#18-4-公平性デジタルデバイドへの配慮) - [18-5. よくあるトラブルと確認ポイント](#18-5-よくあるトラブルと確認ポイント) - [第19章 まとめ](#第19章-まとめ) - [参考リンク](#参考リンク) --- 第1章 2026年のCopilot ― 「質問に答える」から「仕事を任せる」へ 1-1. これまでのCopilot（〜2025年） これまでのMicrosoft Copilotは、基本的にチャット形式で質問し、回答を得るという使い方が中心でした。 - 「この文章を要約して」 - 「この表をグラフにして」 - 「この英文を日本語に翻訳して」 これは非常に便利な一方で、教員が指示を出し、結果を受け取ったあとの作業は教員自身が行う必要があり、「対話ツール」の域を出ないものでした。 1-2. 2026/09/25アップデート以降のCopilot 「仕事を任せる」とは、具体的にどういうことか 「AIに仕事を任せる」と聞くと、漠然と「何でもやってくれる魔法の道具」をイメージしてしまいがちですが、実際には明確な違いがあります。次の2つの依頼を比べてみてください。 - ❌ 質問に答える（これまでのCopilot）：「体育館の予約状況を教えて」→Copilotが情報を提示する→その先の作業（空き枠の調整、関係者への連絡、予約フォームへの入力）は教員が自分で行う - ⭕ 仕事を任せる（2026年のCopilot）：「来月の文化祭に向けて、体育館の割り当てを各学年の希望をもとに調整し、調整結果を学年主任に確認依頼として送って」→目的（ゴール）だけを伝えれば、情報収集→調整案の作成→関係者への確認依頼送付まで、複数ステップの作業を一気通貫でCopilotが代行し、完成した成果物（または承認待ちの状態）を返してくる つまり「仕事を任せる」とは、単発の受け答えではなく、目的達成までの複数の工程（手順）を、人間に代わってAIが計画・実行し、最終的な成果物として差し戻すという働き方の変化を意味します。教員が伝えるのは、①何を達成したいか（ゴール）と、②どこまで任せてよいか（確認・承認が必要な境界線）の2点だけです。途中の具体的な手順（どのツールを使い、どう情報を集め、どんな順序で処理するか）は、Copilot自身が判断します。 この変化を具体化したのが、Microsoftが2026年9月25日に公式ブログ「Introducing the new Copilot with Home, Code and Autopilot」で発表した内容です。発表の柱は、Copilotアプリへの3つの新機能（Home・Code・Autopilot）の追加になります。以下では、この公式発表に基づいて正確に解説します。 ① Copilot Home（新しい出発点）― ChatとCoworkが一つになる場所 Homeは、Copilotを使い始める際の新しい「出発点」です。これまで別々だったChat（チャット）とCowork（コワーク）が1つの画面に統合されました。 | モード | 性質 | 教育現場での例 | |---|---|---| | Chat | 即時・対話的。簡単な質問、調べもの、下書き作成にすぐ使える | 「この保護者連絡文を丁寧な表現に直して」 | | Cowork | 仕事を任せるモード。目的（タスク）を定義すると、Copilotが最初から最後まで一気通貫で実行し、完成品を返す | 「来月のオープンキャンパス企画書を、昨年度版と最新の募集要項をもとに完成させて」→企画書が完成した状態で返ってくる | !新しいCopilot Homeの画面 出典：Introducing the new Copilot with Home, Code and Autopilot（Microsoft公式ブログ） > 今後は、「Chat」「Cowork」「Code」のどれを使うかを人間が選ぶ必要すらなくなる見込みです。目的を伝えるだけでCopilotが最適な機能に自動的に振り分ける方向に進化する予定です（Microsoft公式発表より）。 さらにOffice in Copilotにより、Word・Excel・PowerPointの機能がCopilot Home自体に組み込まれました。Homeから「企画書の下書きを作って」「予算案を試算して」「説明スライドを作って」と頼むと、別アプリを開き直す必要はありません。実際に編集可能な文書・ワークブック・プレゼン資料がその場で生成・更新され、同僚との共同編集もリアルタイムに反映されます。 - PowerPointは自動でデザイン（ブランド・体裁）を保ったままスライドを整えてくれる - Excelは、Copilotや他の共同編集者がどこをどう変更したかが一目でわかる - Word/Excelには「財務」「法務」など専門分野に特化したSkills機能が追加され、学校事務・契約書チェックなど定型業務のベストプラクティスを再利用できる ② Copilot Code（開発・自動化エンジン）― 誰もが「自分だけのアプリ」を作れる Codeは、これまで「文書・表計算・プレゼン資料」という3つの単位で行われてきた仕事に、「ちょっとした自分専用のアプリ」という第4の単位を加える機能です。教員がPythonやVBAを書けなくても構いません。自然言語で「こういうツールが欲しい」と伝えるだけで、Copilotが適切な形式（デスクトップ用の小型ウィジェット、データを試せるダッシュボード、チームで共有できるクラウドアプリ等）を選び、自動的に構築します。 - GitHub Copilotと同じ基盤技術で動作しており、サンドボックス環境（隔離された安全な実行環境）で安全に実行され、学校のテナント内にセキュアにホスティングできます - 教職員の日常的な開発者（情報科教員等）は引き続きGitHub Copilotを併用でき、Copilotプラットフォーム全体とより深く連携します - 裏側で動くMicrosoft Copilot Managed Runtime（安全な実行基盤）により、作成したアプリを同僚と共有したり、実データと接続したりできます !Copilot Codeの画面イメージ 出典：Introducing the new Copilot with Home, Code and Autopilot（Microsoft公式ブログ） ③ Copilot Autopilot（自律実行エージェント）― 四六時中働く「デジタルチームメイト」 Autopilot（開発コード名「Scout」から改称）は、名前・役割・ゴールを与えるだけで、人が見ていない間も働き続ける常駐型のエージェントです。 - 「来週の保護者会の案内文を作成し、学年主任に確認依頼を送り、承認後に全保護者へ一斉配信して」 - 「定期試験の採点結果をExcelに集計し、学年平均・分布グラフを作成して、職員会議用のPowerPointにまとめて」 Autopilotは、学校のテナント内に専用のID・記憶（メモリ）・実行環境・作業スペースを持っています。Teams・Outlook・チャット・チャネル・文書など、教職員が普段使っている場所に「同僚の一人」のように@メンションで呼び出せます。権限設定・監査ログ・ガバナンスの仕組みも組み込まれており、目的と制約（どこまで任せるか）は人間が設定し、実行の詳細はAutopilotが担うという役割分担です。 > ポイント：Autopilotは「指示を待つツール」ではありません。「channel（チャネル）を見張り、スレッドをフォローアップし、定型業務を繰り返し実行し、数日後に中断したプロジェクトを自ら再開する」という、プロアクティブ（能動的）な性質を持つ点が、従来のCopilot Chatとの最大の違いです。 !Copilot Autopilotの画面イメージ（概要ページとルーティン・プラグイン・セッション一覧） 出典：Introducing the new Copilot with Home, Code and Autopilot（Microsoft公式ブログ） Microsoft IQ ― 3つの機能を支える「組織の頭脳」 Home・Code・Autopilotはいずれも、Microsoft IQと呼ばれる統合インテリジェンス基盤の上で動いています。組織の業務データ（Power BIのセマンティックモデル、Dynamics 365、Power Platform等）を横断的に取り込むことで、学校固有の文脈を理解した提案・自動化が可能になります。第2章で解説するグラウンディングの仕組みも、このMicrosoft IQが土台になっています。 1-3. まとめ：パラダイムシフトの本質 | 観点 | 旧世代Copilot（〜2025） | 新世代Copilot（2026〜） | |---|---|---| | 役割 | 質問応答アシスタント | 業務遂行エージェント | | 操作単位 | 1回のプロンプト→1回の回答 | タスク全体を委任→複数ステップを自律実行 | | 人の関与 | 都度指示・都度確認 | 開始指示＋要所での承認 | | 代表機能 | Copilot Chat | Copilot Home / Code / Autopilot | | 教員への効果 | 作業時間の一部短縮 | 作業そのものの「委任」による時間創出 | --- 第2章 Copilotの共通基礎知識 ― 安全に・正しく使うために 各製品の使い方を学ぶ前に、すべてのCopilot製品に共通する3つの仕組みと、1つの新しい使い方の考え方を押さえておきましょう。ここを理解しておくことで、第3章以降の活用法が「なぜそう使えるのか」まで含めて腑に落ちるようになります。 2-1. グラウンディングの仕組み Copilotの回答は、AIモデル単体の知識だけで生成されているわけではありません。裏側では 「グラウンディング」 と呼ばれる仕組みが働いており、学校のSharePoint・OneDrive・Outlook・Teamsの会話履歴など、組織内の実データを検索してから回答を生成しています。 具体例 教員の依頼：「今年度の運動会実施要項を、去年のものをベースに作って」 Copilotの裏側の動き： 1. SharePoint/OneDrive内を検索し、「運動会実施要項（昨年度版）」を発見 2. その内容（種目構成、雨天時対応、時程表等）を読み込む 3. 昨年度の構成を踏まえた上で、今年度版のたたき台を生成 - グラウンディングにより、学校独自の過去資料・フォーマット・方針を踏まえた、その学校専用の回答が得られます - ただし、どこまで組織データを参照できるかは、利用している「版」によって段階的に異なります（第16章で詳述）。この違いを正しく理解しておくことが重要です グラウンディングの範囲は3段階ある | 利用形態 | グラウンディングの範囲 | |---|---| | ①個人用Copilot（無償・個人のMicrosoftアカウント） | Web検索結果のみ。学校の組織データは一切参照できない | | ②Copilot Chat（学校アカウントでサインイン・M365に無償で付帯） | Web検索結果に加え、ユーザーが明示的にアップロードしたファイル、Outlook内の限定的な組織データ（受信トレイ・予定表・会議等）、エージェント経由で許可された一部のデータ（SharePointサイト等）を参照可能。ただし組織全体を横断する広範な検索はできない | | ③有償のMicrosoft Copilotライセンス（M365 Copilot） | Microsoft Graph・Work IQ・セマンティックインデックスにより、メール・会議・チャット・SharePoint・OneDriveなど組織データ全体を横断したグラウンディングが可能 | > よくある誤解：「学校の職場アカウントでCopilot Chatにサインインしていれば、無償でも組織データを何でも参照できる」というのは誤りです。②のCopilot Chat（無償）は、ユーザーがファイルを手動でアップロードした場合や、Outlookの限られた範囲でのみ組織データを扱えます。ただし、「先月の職員会議の決定事項を教えて」のようにSharePoint全体を横断検索して答えることは、③の有償ライセンスがないとできません。 2-2. 個人向けCopilotと組織向けCopilotの違い ― 「緑のシールドマーク」を確認する 教職員は、自宅のPCやスマートフォンで何気なくCopilotを開くことがあります。これと、学校から配布されたMicrosoft 365アカウントでサインインして使うCopilotとでは、データの扱われ方がまったく異なります。この違いを知らずに使うと、個人情報や成績データを誤って「個人向けCopilot」に入力してしまう事故につながるため、必ず区別して理解してください。 個人向けCopilot（コンシューマー版） - Microsoftアカウント（個人のメールアドレス等）でサインインして使う、誰でも無料で使えるCopilot - 学校の組織データ（SharePoint・OneDrive・Outlook等）には一切アクセスできず、Web上の情報のみを根拠に回答する - 入力した内容の保護水準は、一般的なコンシューマー向けオンラインサービスと同じ扱いになる 組織向けCopilot（Microsoft Copilot Chat／Microsoft Copilot） 学校から配布された組織アカウント（職務・学校アカウント）でサインインすると、Copilot Chatの画面上部、「新しいチャット」ボタンの隣に緑色のシールド（盾）マークが表示されます。これは、エンタープライズデータプロテクション（EDP：Enterprise Data Protection）が適用されていることを示す目印です。EDPは追加費用なしで組織アカウントのCopilot Chatに標準で提供され、データ保護補遺（DPA）と製品条項に基づき、Microsoftがデータ処理者として顧客データを扱います。 Copilot Chatの処理の流れ（プロンプト送信から回答まで） 組織向けCopilot Chatでは、1回のやり取りが次の5ステップで処理されます。 | ステップ | 内容 | |---|---| | ①プロンプト | 教職員がCopilot Chat（Web・Copilotアプリ・Teams・Outlook）でプロンプトを入力。Copilotオーケストレーターに送信され、責任あるAI（RAI）の安全性チェックが開始される | | ②グラウンディング | Web検索（Bing、有効な場合のみ）でプロンプトが補強される。送信される検索クエリにはユーザー名・テナントIDなどの識別情報は含まれない | | ③大規模言語モデル（LLM） | グラウンディングされたプロンプトがLLMに送信され、応答が生成される | | ④ログ記録 | 応答を返す前に、プロンプトと応答の両方が記録され、学校のMicrosoft 365テナント内のExchangeに保存される（監査・eディスカバリー対応のため） | | ⑤応答 | 責任あるAI（RAI）の安全性チェックを経て、ユーザーに回答が返される | > 教育機関にとっての意味：この②③④のすべての処理が、学校のMicrosoft 365テナントの境界内で完結します。プロンプト・応答はExchange（学校のテナント）に保存されるため、生徒・保護者に関するやり取りであっても、学校の既存の監査ログ・保持ポリシー・電子情報開示（eディスカバリー）の仕組みでそのまま管理できます。 | 項目 | 個人向けCopilot | 組織向けCopilot（EDP適用・シールド表示あり） | |---|---|---| | サインインアカウント | 個人のMicrosoftアカウント | 学校の組織アカウント（職務用） | | 画面上の目印 | シールドマークなし | 緑のシールドマークが新規チャットボタン付近に表示 | | 入力したプロンプト・生成された回答の扱い | 一般のコンシューマーサービスと同等の扱い | Exchange/SharePointのメール・ファイルと同水準の契約条件（データ保護規定：DPA）で保護される | | AIモデルの学習への利用 | 明確な区別がされない場合がある | プロンプト・回答・Microsoft Graph経由で参照したデータは、いずれも基盤モデルの学習には一切使用されない | | プロンプト・応答のログ保存先 | 学校のテナント外（個人のCopilot側で管理） | 学校のMicrosoft 365テナント内のExchangeに記録（監査・eディスカバリー対応） | | 保持ポリシー・監査ログ | 学校側で管理不可 | Microsoft Copilotと同じ保持ポリシーを適用可能。過去のチャットに戻る等の機能にも利用される | | テナント間のデータ分離 | なし | 暗号化・物理的セキュリティ管理・テナント間のデータ分離が適用される | | 組織の権限・ポリシーの適用 | 適用されない | 既存の権限設計（第2-3節）、保持ポリシー、監査ログ、機密ラベルがそのまま引き継がれる | > 教職員へのポイント：Copilotを開いたら、まず画面上部に緑のシールドマークがあるかどうかを確認する習慣をつけましょう。シールドマークがある状態（＝組織アカウントでのサインイン）であれば、生徒の成績・保護者の個人情報等を扱う業務にも、学校の定めるルールの範囲内で安心して利用できます。逆にシールドマークが見当たらない場合は、個人向けアカウントでサインインしている可能性があるため、学校の機密情報・個人情報は絶対に入力しないでください。 > 出典：プライバシーと保護（Microsoft Learn）、Microsoft Copilot と Microsoft Copilot Chat のエンタープライズ データ保護（Microsoft Learn） 2-3. セキュリティは権限設計を引き継ぐ Copilotは、新たに特別なアクセス権を作り出すわけではありません。Microsoft 365の既存の権限設計（SharaPointサイトの権限、Teamsチームのメンバーシップ、メールボックスへのアクセス権等）を、そのまま引き継いで動作します。 具体例 - ある教員が3年2組のフォルダへのアクセス権を持っていない場合、Copilotに「3年2組の成績データを見せて」と依頼しても、Copilotはそのデータを参照できず、取得できません - 逆に言えば、「自分がアクセスできる範囲の情報しか、Copilotも参照できない」という安心材料でもあります > 情報システム担当者へのポイント：Copilotを安全に運用するための大前提は、生成AI固有の設定ではなく、普段のSharePoint・Teamsの権限設計そのものです。「誰がどのフォルダ・チームにアクセスできるか」を適切に管理しておくことが、Copilotのガバナンス（第18章）の土台になります。 2-4. ファクトチェックの鉄則 生成AIは、時に事実と異なる内容（ハルシネーション）を出力することがあります。Copilotが生成した文章・データ分析結果は、必ず教職員による最終確認（ファクトチェック）を経てから、配布・提出・公開してください。 チェックすべきポイント - 引用元の確認：グラウンディングされた回答には出典（参照したファイル名等）が提示されることが多いため、必ず元データと照合する - 数値の照合：集計結果・平均点・統計データは、必ず元データと突き合わせる - 固有名詞の確認：生徒名・学校行事名・日付等の誤字脱字がないかを確認する - 外部発信前のダブルチェック：保護者・生徒向けに配布する文書は、Autopilotに全自動配信させず、複数人での確認フローを必ず挟む（第11章参照） 2-5. プロンプトエンジニアリングではなく「コンテキストエンジニアリング」で使う これまでのAI活用では「一発で完璧な指示文（プロンプト）を書く技術＝プロンプトエンジニアリング」が重視されてきました。しかし2026年のCopilot（Copilot Home / Autopilot）には、新しい使い方があります。目的さえ伝えれば、不足している情報をCopilot自身が質問し、必要なコンテキストが揃ってから最適なプロンプトを自ら組み立てて実行します。これを本書では「コンテキストエンジニアリング」と呼びます。 > プロンプトエンジニアリング：人間が一発で正確な指示文を書く技術 > コンテキストエンジニアリング：人間は「目的」と「不足情報への回答」だけを与え、プロンプトの組み立てはCopilotに任せる技術 基本の型は次の1文です。これをそのままCopilot Chatに貼り付けるだけで始められます。 これから私の目的を伝えます。目的を達成するために足りない情報があれば 私に１問１答で質問してください。すべての情報がそろったら、目的を達成するために 最適なプロンプトをあなた自身が作成し、実行してください。 [目的] （ここに達成したいことを書く） 校種別の活用例 🏫 小学校：運動会の実施要項（企画書）を作りたい | ステップ | 内容 | |---|---| | 目的提示 | 「来月の運動会の実施要項（企画書）を作りたい」とだけ伝える | | Copilotの質問① | 「開催日・学年構成（全学年合同か低中高別か）を教えてください」 | | Copilotの質問② | 「雨天時の対応（延期／体育館実施）は決まっていますか？」 | | Copilotの質問③ | 「保護者の参観・入場制限の有無はありますか？」 | | 自動生成・実行 | 回答が揃った時点で、Copilotが「学校行事の実施要項」テンプレートに沿った最適プロンプトを自ら組み立て、種目表・雨天時対応・保護者案内文まで含めた企画書を生成 | 🏫 中学校：保護者会（三者面談）の案内と資料を作りたい | ステップ | 内容 | |---|---| | 目的提示 | 「来月の三者面談の案内文と面談シートを作りたい」 | | Copilotの質問① | 「面談期間・1人あたりの面談時間は決まっていますか？」 | | Copilotの質問② | 「学年独自に確認したい項目（進路希望・生活面等）はありますか？」 | | Copilotの質問③ | 「予約方法（紙の希望調査／Forms等）はどちらですか？」 | | 自動生成・実行 | 回答をもとにCopilotが案内文・面談予約用Forms・面談記録シートの3点セットを一括生成 | 🏫 高等学校：大学進路説明会のプレゼン資料を作りたい | ステップ | 内容 | |---|---| | 目的提示 | 「3年生向けの大学進路説明会のプレゼン資料を作りたい」 | | Copilotの質問① | 「対象は文系・理系どちらか、両方か？」 | | Copilotの質問② | 「昨年度の進学実績データは共有いただけますか？（SharePoint等の参照可否）」 | | Copilotの質問③ | 「説明会の時間（分）とスライド枚数の目安はありますか？」 | | 自動生成・実行 | 校内の進学実績データ（グラウンディング）を参照した最適プロンプトをCopilotが自ら構築し、PowerPointスライド案を自動生成 | 🎓 大学：来年度のシラバスを改訂したい | ステップ | 内容 | |---|---| | 目的提示 | 「来年度のシラバスを今年度版から改訂したい」 | | Copilotの質問① | 「今年度のシラバス（Word/PDF）を共有いただけますか？」 | | Copilotの質問② | 「変更したい点（回数・評価方法・参考文献等）はどこですか？」 | | Copilotの質問③ | 「大学所定のシラバスフォーマット（様式）はありますか？」 | | 自動生成・実行 | 既存シラバスをグラウンディングした上で、大学所定フォーマットに沿った改訂版プロンプトをCopilotが自ら生成・実行 | なぜこの使い方が教育現場に向くのか - ITが苦手な教職員でも使える：「正しいプロンプトの書き方」を覚える必要がなく、目的を一言伝えるだけで始められる - 情報の出し漏れが起きにくい：Copilotが質問してくれるため、「何を伝えればよいか分からない」という初心者の壁がなくなる - 「仕事を任せる」パラダイムと直結：第1章で解説した2026年のCopilotアップデートの本質（質問に答える→仕事を任せる）を、最も体感しやすい使い方 --- > ## 📘 Part A: 教職員向け ― 校務・授業効率化 > この先の第3〜12章では、教職員が日々の校務・授業準備を効率化するためのCopilot活用法を解説します。 第3章 M365 Copilotの入り口 ― Copilot HomeとCopilot Chatの基本 3-1. Copilot Home の使い方 Copilot Homeはブラウザまたはアプリから開く「Copilotの玄関口」です。 - 今日の予定とタスクの一覧表示 - 進行中のAutopilotタスクの状況確認（例：「保護者会案内の下書き→学年主任承認待ち」） - 過去のチャット履歴・生成物への再アクセス - 複数のエージェント（Word用、Excel用、独自エージェント等）への入口 教育現場での朝のルーティン例 教員の朝の確認事項（Copilot Homeで一括把握） 1. 昨日依頼した「来週の授業プリントの下書き」→完成、確認待ち 2. 「欠席者への連絡文面」→学年主任の承認待ち 3. 「今週の採点進捗サマリー」→自動生成済み 3-2. Copilot Chat（質問応答の基本形） 最も基本的な使い方です。教育現場での活用例を校種別に紹介します。より発展的な使い方（モードの使い分け、ノートブック、リサーチ・アナリストツール等）は第4章で詳しく解説します。  出典：Overview of Microsoft Copilot Chat（Microsoft Learn） 以下の例は、第2-5節で解説した 「コンテキストエンジニアリング」 の考え方に沿っています。完璧な一発プロンプトを書こうとせず、🎯目的だけを伝え、Copilotからの質問に答えていく ことで、必要な情報が揃った最適なプロンプトをCopilot自身に組み立てさせます。 小学校での活用例 - 🎯目的：「3年生の国語『ごんぎつね』の発問例を考えたい」 → Copilotの質問：「ねらいは読解力・音読・感情理解のどれですか？」「発問はいくつ必要ですか？」 → 回答後、ねらいに沿った発問例が自動生成される - 🎯目的：「漢字ドリルの採点基準を作りたい」 → Copilotの質問：「対象の学年・単元はどこですか？」「甘め・標準・厳しめなど、難易度のパターン数はいくつ必要ですか？」 → 回答後、複数パターンの採点基準表が生成される - 🎯目的：「保護者向けの運動会のお知らせ文を作りたい」 → Copilotの質問：「開催日・雨天時の対応は決まっていますか？」「文章のやさしさのレベル（やさしい日本語が必要か）はどの程度ですか？」 → 回答後、指定条件に沿った案内文が生成される 中学校での活用例 - 🎯目的：「中学2年の理科『電流とその利用』の単元テストを作りたい」 → Copilotの質問：「問題数と難易度の構成（易→難の配分）はどうしますか？」「記述式・選択式の比率はどの程度ですか？」 → 回答後、難易度順に並んだ問題セットが生成される - 🎯目的：「本日の生徒面談の内容を記録として整理したい」 → Copilotの質問：「学校所定の生徒指導記録フォーマットはありますか？共有いただけますか？」 → 回答後、フォーマットに沿った記録が自動整形される - 🎯目的：「三者面談の日程調整メールを送りたい」 → Copilotの質問：「面談期間・1人あたりの時間枠は決まっていますか？」「希望調整の方法（Forms／返信メール等）はどちらですか？」 → 回答後、丁寧な表現の案内メール文面が生成される 高等学校での活用例 - 🎯目的：「大学入試の小論文指導でフィードバックをしたい」 → Copilotの質問：「評価観点（構成・論理性・独自性等）に優先順位はありますか？」「対象は何本の原稿ですか？」 → 回答後、観点別のフィードバックコメント案が生成される - 🎯目的：「進路指導資料として文理選択アンケートをまとめたい」 → Copilotの質問：「アンケートの元データ（Forms/Excel）を共有いただけますか？」「学年全体と学級別、どちらの集計が必要ですか？」 → 回答後、要約とグラフ案が生成される - 🎯目的：「部活動の遠征計画書を作りたい」 → Copilotの質問：「過去の遠征計画書フォーマットはありますか？」「今回特有の変更点（日程・行き先・人数等）は何ですか？」 → 回答後、既存フォーマットに沿った計画書が生成される 大学での活用例 - 🎯目的：「シラバスの達成目標をディプロマポリシーと対応づけたい」 → Copilotの質問：「現行シラバスとディプロマポリシーの文書を共有いただけますか？」「対応づけの粒度（科目全体／回ごと）はどちらですか？」 → 回答後、対応関係を整理した一覧表が生成される - 🎯目的：「研究室配属の希望調査結果を分析したい」 → Copilotの質問：「希望調査データ（Excel/Forms）を共有いただけますか？」「偏りを見る単位（研究室別／学年別）はどちらですか？」 → 回答後、希望者の偏りを示す分析結果とグラフが生成される - 🎯目的：「学生からの問い合わせメールへの標準回答テンプレートを作りたい」 → Copilotの質問：「よくある問い合わせの種類（成績・履修・証明書発行等）は何ですか？」「文体（フォーマル／親しみやすい）はどちらが希望ですか？」 → 回答後、問い合わせ種類別のテンプレート集が生成される --- 第4章 Copilot Chatを使い倒す ― 一歩進んだ活用術 Copilot Chatには、単純な一問一答を超えた強力な機能群が用意されています。本章では、2026年時点のCopilot Chatが備える主要機能を、教育現場での活用例とともに紹介します。 4-1. 会話モードの使い分け（クイック応答／Think Deeper／Study and learn／Smart／Search） Copilotは、質問の複雑さや目的に応じて選べる5つの会話モードを備えています。モードはプロンプト入力欄の下にあるメニューから選択でき、一度選ぶとそのモードのまま会話が継続されます。 | モード | 特徴 | 教育現場での使いどころ | |---|---|---| | クイック応答（Quick response） | 速度優先。簡潔な回答がすぐに返ってくる | 「今日の下校時刻は？」「この文を一言で言い換えて」等、即答がほしい場面 | | Think Deeper | 最大10秒程度かけて、より踏み込んだ思考を経た回答を生成。OpenAIの最新推論モデルで動作し、回答中は思考過程（chain of thought）も表示される | 学年全体のカリキュラム再編の検討、複数データを統合した分析、入試制度変更の影響整理など、じっくり考えさせたい場面 | | Study and learn | 直接答えを渡すのではなく、概念の理解を助け、能動的な学習を促すことに最適化されたモード。フォローアップの質問にも対応し、理解度を確認するクイズも依頼できる | 生徒・学生に自分で考えさせたい学習支援の場面（教員が内容を予習する際にも活用可） | | Smart | GPT-5モデルを使用し、タスクに応じてじっくり考えるか素早く答えるかを自動で切り替える、最も高度な推論モード | 高品質な回答・ニュアンスの理解・創造的な問題解決が必要な場面全般 | | Search | Web上から最新情報を引用（出典）付きで取得する検索特化モード | 最新の教育行政の通達、新しい学習指導要領の解釈等、最新性が重要な調べものの場面 | > ポイント：モードによってはサインイン状態でのみ利用できる場合があります。使い方の基本は、①プロンプトはできるだけ具体的に書く、②プロンプト入力欄下のモードメニューから適切なモードを選んでから送信する、③Think DeeperやSmartは応答に数秒〜10秒ほどかかる場合がある、④選んだモードはそのまま維持されるので、同じモードで続けて質問できる、の4点です。「迷ったらSmartモードで聞いてみて、学習目的ならStudy and learnに切り替える」という使い方で十分です。モード名を覚えることよりも、使い分けの発想そのものが重要です。簡単な質問には時間をかけず、学ばせたい相手には答えを渡さず、重要な判断にはじっくり考えさせましょう。 > 出典：Conversation modes in Microsoft Copilot（Microsoft公式サポート） > 表記に関する注意：上記の出典記事は個人向けMicrosoftアカウント（Microsoft 365 Personal/Family/Premium/Pro）向けの説明です。学校の組織アカウントでサインインするCopilot Chat／Microsoft Copilotでも同様の考え方のモードが提供されますが、モードの名称や利用可否はテナントの設定・ライセンスによって異なる場合があります。実際の画面表示を必ず確認してください。 4-2. 検索機能を使いこなす ― スラッシュ検索とMicrosoft Copilot 検索 スラッシュ検索でOneDrive資料を即座に呼び出す Copilot Chatの入力欄で「/」を入力すると、自分のOneDrive上のファイルをその場で検索し、会話に直接差し込むことができます。 入力：「/」→「来年度 シラバス」と入力してファイルを選択 → 「このシラバスの評価方法の章だけを、学生向けにやさしく書き直して」 - 過去の指導案・保護者向けテンプレート・行事要項などを、ファイルを開いて探す手間なく即座に呼び出して編集依頼できます - 「あのファイルどこだっけ」というファイル探しの時間そのものをなくす機能です Microsoft Copilot 検索 ― 組織全体を横断する専用検索モジュール Copilot Chatの「/」検索とは別に、Microsoft Copilot 検索という、組織向けに最適化されたAI検索専用モジュールがMicrosoft Copilotアプリに統合されています。チャットで会話しながら探すのではなく、検索ボックスに自然な言葉で尋ねるだけで、Microsoft 365全体とサードパーティ連携先（コネクタ）を横断して該当情報を見つける機能です。 教員の検索例： 「先週送った運動会の案内メールはどこ？」 「学年主任から共有された来年度予算のスプレッドシートはどこ？」 - 自然言語クエリに対応：キーワードの完全一致だけでなく、文脈・意味を解釈して関連性の高い結果を返す - アプリをまたいだ統合検索：メール・ファイル・チャット・会議に加え、Microsoftカタログの100以上のコネクタやカスタムコネクタ経由で、SIS（校務支援システム）等の校務システムとも連携できる可能性がある - Copilotの回答（簡潔な要約）：特定の自然言語クエリを入力すると、検索結果の上部にAIが生成した簡潔な回答が表示され、そこからCopilot Chatでの深掘り対話にシームレスに移行できる - 管理者によるキュレーション：学校独自の頭字語（例：「PTA」「学活」等の略語解説）、ブックマーク（よく使う校内リソースへのリンク）、People（教職員の役割情報）を、管理者が検索結果にあらかじめ登録しておける  出典：Microsoft Copilot 検索（Microsoft Learn） Copilot ChatとCopilot 検索の違い | 項目 | Microsoft Copilot 検索 | Microsoft Copilot Chat | |---|---|---| | 最適な用途 | 必要な情報をすばやく見つける | より深い回答の生成、コンテンツ作成、タスクの完了 | | 対話スタイル | クエリベース（検索ボックス） | 会話型（チャットベース） | | データソース | Microsoft Graph＋サードパーティコネクタ | Microsoft Graph＋サードパーティコネクタ＋Web | 無償のMicrosoft Searchとの違い（ライセンス面で要注意） | 項目 | Microsoft Copilot 検索（有償） | Microsoft Search（無償） | |---|---|---| | 利用条件 | 対象のMicrosoft Copilotライセンスが必要（追加費用なしで同梱） | 無償のEntra IDユーザーであれば利用可能 | | 検索の性質 | AIによるセマンティック検索。M365内外のソースを横断するユニバーサル検索 | キーワードベースの検索 | | Copilot Chatとの統合 | Copilot Chatの回答と密に連携 | 連携なし | > 教育機関への示唆：Microsoft Copilot 検索は有償のMicrosoft Copilotライセンスが必要な機能であり、無償のCopilot Chatだけでは利用できません（第16章の機能比較表も参照）。ライセンス未付与の教職員がSharePoint等の校内資料を横断検索したい場合は、引き続き無償のMicrosoft Searchを使うことになります。 > 出典：Microsoft Copilot 検索（Microsoft Learn） 4-3. プロンプトのスケジュール実行 同じ指示を「毎朝」「毎週」など定期的に自動実行させる機能です。情報整理のルーティン作業をCopilotに任せられます。 利用条件 - 有償のMicrosoft Copilotライセンスが必要です（無償版のCopilot Chatでは利用できません） - Copilot Chat（Web版）、Microsoft Teams内のCopilot、Outlook for the web／デスクトップ版のいずれかから設定できます - 管理者またはユーザーが「オプションの接続エクスペリエンス」を無効にしていない限り、スケジュール機能は既定でオンになっています - 1人のユーザーにつき、最大10件までスケジュールプロンプトを登録できます 設定の手順（Copilot Chatの場合） 1. Copilot ChatにMicrosoft 365アカウントでサインインする 2. 定期実行させたいプロンプトにカーソルを合わせ、「このプロンプトをスケジュール設定する」を選択する 3. 実行タイミング・実行回数・応答準備完了時にメール通知を受け取るかどうかを選択する 4. 「保存」を選択する 実行結果はCopilotウィンドウ左側の「チャット」欄に表示され、スケジュール実行されたプロンプトは太字＋専用アイコンで識別できます。登録済みのスケジュールは、Copilotアプリ右上の設定メニュー→「スケジュールされたプロンプト」からまとめて確認でき、各プロンプトについて「今すぐ実行」「スケジュールの編集」「オフにする」「削除」を行えます。 教育現場での活用例 | 頻度 | 自動実行させる内容 | |---|---| | 毎朝7時 | 本日の時間割変更・欠席連絡のサマリーを自動生成 | | 毎週金曜 | 来週の学年だよりの下書きを自動作成 | | 毎月1日 | 前月の出席率レポートを自動生成し、学年主任へ共有 | > 教職員へのポイント：「毎週水曜に、今週のうちにフォローすべき連絡事項を思い出させて」のように、抜け漏れ防止のリマインダー役としてスケジュール実行を使うのも効果的です。1日の終わりに「本日参加した会議のアクションアイテムと決定事項を要約して」と設定しておけば、翌日のToDoリスト作成の手間も省けます。 > 出典：よく使うCopilotプロンプトのスケジュールを設定する（Microsoft公式サポート） 4-4. ノートブック機能 Copilotノートブックは、タスクに必要なコンテンツ（Copilot Chat・ファイル・ページ・会議メモ・リンク等）だけを1か所に集約した専用ワークスペースです。参照範囲を指定したコンテンツに限定できるため、関係のない情報を混ぜずに、その範囲内だけで正確な回答・下書きを得られ、ハルシネーション（誤情報生成）を抑える効果があります。チームとノートブックを共有すれば、リアルタイムの共同作業・知識交換の場にもなります。 利用条件 - Microsoft CopilotまたはCopilot Chatのライセンスが必要です（Microsoft 365 Personal/Family/Premium/Proでも利用可能） - ノートブックを新規作成するには、アカウントにSharePointまたはOneDriveのライセンス（サービスプラン）が必要です - Microsoft Copilotアプリ（m365.cloud.microsoft）の軽量版と、OneNote上のより本格的なワークスペース型の2通りで操作でき、同じノートブックを行き来できます 新規ノートブックの作り方 1. Microsoft Copilotアプリの左側ナビゲーションから「ノートブック」→「すべてのノートブック」→「新しいノートブック」を選択 2. ノートブックの名前を入力する 3. 参照コンテンツを追加する（フィルターでFiles/Meetings/Emails/Sitesを絞り込む、検索で特定ファイルを指定、アップロード、OneDriveから選択、ドラッグ＆ドロップのいずれかの方法） 4. 「作成」を選択する 教育現場での活用例 - 「学習指導要領のPDF」＋「教科書の目次」の2つだけをノートブックに入れ、その範囲内だけで単元計画を作成させる - 「入試要項」「募集要項」だけをまとめたノートブックを作り、保護者からの問い合わせに対する回答の下書きを、誤った情報を混ぜずに作成する - 「来年度カリキュラム検討」ノートブックに関連資料一式を集約し、「このノートブック内のすべての資料から、主要な論点・これまでの決定事項・次に検討すべきことを整理して」と依頼し、会議前の論点整理に使う - 「保護者会の資料」ノートブックから、「このノートブック内のファイルとメモをもとに、1ページの提案資料（概要・目的・次のステップ）の下書きを作成して」と依頼する > ポイント：ノートブックは単なるファイル置き場ではなく、「このノートブックの中身だけを根拠にして答えて」とCopilotに指示できる点が最大の価値です。学校行事の要項、入試関連資料、個人情報を含む会議メモなど、参照範囲を明確に絞りたい場面で特に効果を発揮します。 > 出典：Microsoft Copilotノートブックの使用を開始する（Microsoft公式サポート） 4-5. リサーチツール（Researcher Agent） リサーチ ツールは、複雑で複数ステップにわたる調査タスクを処理するために設計されたCopilot内のエージェントです。Web上の情報と、職場のコンテンツ（アクセス権のあるファイル・メール・会議・チャットなど）の両方から分析情報を導き出し、引用元つきの包括的なレポートを作成します。処理により多くの時間をかける分、通常のCopilotチャットより踏み込んだ、裏付けのある分析結果が得られます。 通常のCopilotチャットとの違い | こんなときは… | 選ぶべき機能 | |---|---| | 簡単な要約、短い返信、簡単なブレインストーミングが欲しい | 通常のCopilotチャット | | より深い推論、複数ソース（Web＋職場データ）を横断した調査、共有可能なレポートが欲しい | リサーチ ツール | | 会議や意思決定に使える、引用文献つきの整理された構成（見出し・箇条書き・図表）が欲しい | リサーチ ツール | | 往復のやり取りで済み、重い分析は不要 | 通常のCopilotチャット | 使い方 Copilotアプリの「チャット」→「エージェント」からリサーチ ツールを開き、質問を入力します。必要に応じてリサーチ ツール側から確認の質問が返ってくるので、それに答えて調査の方向性を絞り込むと、より精度の高いレポートになります。最終的な回答には、理解を助ける図表・グラフ、調査結果を整理したセクション分け、根拠を示す引用ソースが含まれます。 !Microsoft Copilot Chat内のリサーチ ツール（Researcher）エージェントの画面 出典：Examine the Researcher agent（Microsoft Learn Training） 精度を高めるコツ（公式ガイダンス） - プロンプトは具体的に書く：曖昧な依頼より、明確で詳細な質問の方が焦点の絞られた信頼性の高い結果につながる - 検索範囲を指定する：職場のリソースだけか、Web全体も含めるかをあらかじめ決めておくと、よりターゲットを絞ったレポートになる - 追加の質問に応じる：リサーチ ツールからの確認質問に答えることで、調査の方向性を主導し、最終レポートをニーズに合わせられる 教育現場での活用例 - 「他校の1人1台端末の活用事例を公開情報と本校の過去の会議資料の両方から調査し、本校で応用できそうな点を引用元つきで整理して」 - 「文部科学省の最新のGIGAスクール関連施策をWebから調査し、本校の過去の対応方針と比較しながら、追加対応が必要な点をレポートにまとめて」 - 「国内の大学における生成AIガイドラインの事例を調査し、本学の指針策定委員会に提出できる、引用元つきの参考資料を作成して」 > 出典：Microsoft Copilot でリサーチ ツール エージェントの使用を開始する（Microsoft Learn） 4-6. アナリストツール アナリストは、AI搭載のデータ分析アシスタントであるCopilotエージェントです。高度な分析スキルがなくても、熟練したデータアナリストが隣にいるかのように、自然言語の指示だけでデータを理解できます。 アナリストを使う理由 - 時間の節約：何千行にも及ぶデータや、Excelスプレッドシート・CSVファイル・データベースなど複数のファイルを自分で調べて統合する必要がありません。アナリストが代わりに行います - データアナリストである必要がない：データについて簡単な質問をするだけで、統計の計算、傾向の特定、外れ値の発見などをアナリストが行います - 読みやすいレポートが得られる：質問に基づき、読みやすい文章と書式でレポートが作成され、グラフや表などのビジュアルも含められます 使い方 1. Microsoft Copilot（microsoft365.com）を開く 2. 左側ナビゲーションの「エージェント」から「アナリスト」を選択する 3. 分析したいデータについての質問を入力する 4. 「＋」アイコン→「コンテンツの添付」から、分析対象のファイルを指定する（候補一覧からの選択、ファイル検索、デバイスからのアップロード、OneDriveからの選択が可能） !Microsoft Copilot Chat内のアナリスト（Analyst）エージェントの画面 出典：Examine the Analyst agent（Microsoft Learn Training） > 注意：アナリストが使えない場合は、管理者がMicrosoft 365管理センターで有効化していない可能性があります。利用可否は組織の管理者設定に依存します。 教育現場での活用例 - 「過去3年分の学力調査データ（Excel）を添付し、学年ごとの伸び率を比較して、主な傾向をグラフで強調表示して」 - 「部活動ごとの入部者数の推移データを添付し、今後の部活動運営の方向性について示唆を出して」 - 「オープンキャンパスの来場者アンケート（CSV）を添付し、満足度に影響している要因を統計的に整理してレポートにして」 - 「複数年の在校生アンケート結果を横断的に分析し、エンゲージメント指標に基づいて特に評価の高い取り組みを特定して」 > 出典：Microsoft Copilot のアナリストの使用を開始する（Microsoft公式サポート） --- 第5章 Word × Copilot ― 文書作成の一気通貫ワークフロー 5-1. 基本的な活用シーン !Word上でCopilotに初期プロンプトを入力する画面 出典：Draft impactful documents using AI（Microsoft Learn Training） 以下は、第2-5節で解説した「コンテキストエンジニアリング」の考え方に沿った活用例です。🎯目的だけを伝え、Copilotからの質問に答えることで、必要な情報が揃った最適なプロンプトをCopilot自身に組み立てさせます。 - 🎯目的：「小学4年算数『角度』の練習問題プリントを作りたい」 → Copilotの質問：「基礎・応用など難易度の段階はいくつ必要ですか？」「問題数の目安はありますか？」 → 回答後、基礎・応用の2段階に分かれた練習問題プリントが生成される - 🎯目的：「修学旅行のしおりの『持ち物一覧』を作りたい」 → Copilotの質問：「学年の先生3名からの意見（メモ等）を共有いただけますか？」「学年独自の注意事項はありますか？」 → 回答後、3名の意見を反映した持ち物一覧がまとめられる - 🎯目的：「今学期の生活指導方針案を作りたい」 → Copilotの質問：「方針に盛り込みたい重点項目は何ですか？」「ページ数の上限はありますか？」 → 回答後、箇条書きで3ページ以内に収めた方針案が生成される - 🎯目的：「研究紀要の要旨を作りたい」 → Copilotの質問：「元となる論文本文を共有いただけますか？」「文字数の上限と必要なパターン数はいくつですか？」 → 回答後、400字以内の要旨が3パターン生成される Copilot Autopilot（第11章）と組み合わせることで、「下書き作成→学年主任へのレビュー依頼→修正反映」までを一連の流れとして委任できます。 5-2. 一気通貫ワークフロー：会議の録音データから記事化まで Wordは、音声データ→トランスクリプト（文字起こし）→議事録→読み物記事という一連の作業を、Agent Modeを使って一気通貫で行えます。 Step1. Teams会議の録音、またはICレコーダーの音声データをWordにアップロード Step2. Copilotが自動でトランスクリプト（文字起こし）を生成 Step3. トランスクリプトから「決定事項」「ToDo」を抽出し、議事録フォーマットに自動整形 Step4. 議事録をもとに、保護者・地域向けの「学級だより」「広報記事」をやさしい文体で自動生成 校種別の活用例 | 校種 | シーン | 活用方法 | |---|---|---| | 小学校 | 学年会議の録音 | 議事録作成→学年だよりの「今月のできごと」コーナーを自動生成 | | 中学校 | 三者面談の音声メモ | 面談記録シートへ自動整形し、生徒指導記録と統合 | | 高等学校 | 進路説明会の講演録音 | 保存用の記録作成＋保護者向け要約記事の自動生成 | | 大学 | FD（教職員研修）の講演録音 | 紀要・報告書用の要約記事を自動作成 | > ポイント：音声から記事化までを一括で任せられる一方、固有名詞・数値の誤変換は必ず人の目でファクトチェックしてください（第2章2-3参照）。 --- 第6章 Excel × Copilot ― データ分析の一気通貫ワークフロー 成績処理・出席管理など、数値データの多い校務でこそ真価を発揮します。 6-1. 基本的な活用シーン 以下は、第2-5節の「コンテキストエンジニアリング」の考え方に沿った活用例です。 - 🎯目的：「定期テストの得点データから、学級ごとの傾向を分析したい」 → Copilotの質問：「平均点・標準偏差など、算出したい統計量は何ですか？」「分布をグラフ化する場合、ヒストグラム以外のご要望はありますか？」 → 回答後、学級ごとの平均点・標準偏差とヒストグラムが自動生成される - 🎯目的：「出席簿データから、欠席傾向の変化を把握したい」 → Copilotの質問：「『欠席率が上昇している』の判定基準（期間・割合）はどう設定しますか？」 → 回答後、月別の欠席率上昇者が抽出される - 🎯目的：「部活動の年間予算執行データを整理したい」 → Copilotの質問：「集計の単位（支出項目別／月別等）はどちらがよいですか？」「前年度データも比較対象として共有いただけますか？」 → 回答後、支出項目別の集計と前年度比が算出される - 🎯目的：「履修登録データから、定員超過の状況を確認したい」 → Copilotの質問：「各科目の定員数のデータは共有いただけますか？」「並べ替えの基準（超過率順／超過人数順）はどちらがよいですか？」 → 回答後、定員超過科目が超過率順に一覧化される Autopilotによる自動化例 依頼例： 「毎週金曜に出席データを集計し、 欠席率10%を超えるクラスを赤色でハイライトしたレポートを作成して、 学年主任宛てにメールで送付して」 このような定型かつ反復的な作業は、Copilot Autopilotに一度設定すれば、以降は確認・承認のみで運用できます。 6-2. 一気通貫ワークフロー：生データから統計分析レポートまで !Excelで「Copilotで分析」「編集を許可」「Pythonで分析」「アナリストエージェント」のどれを使うべきかを判断するフローチャート 出典：Uncover new data insights with AI（Microsoft Learn Training） ExcelはCopilotが裏側でPythonコードを自動生成しながら、クラスタリング・回帰分析・決定木分析といった本格的な統計処理を、自然言語の指示だけで実行できます。 Step1. 成績・出席・アンケート等の生データをExcelに取り込む Step2. 「学力層でグルーピングして」と依頼→Copilotがクラスタリング分析を自動実行 Step3. 「学習時間と得点の関係を調べて」と依頼→回帰分析を自動実行 Step4. 「合格率に影響している要因を整理して」と依頼→決定木分析で要因を可視化 Step5. 分析結果をグラフ＋文章の説明付きで自動レポート化 校種別の活用例 | 校種 | シーン | 活用方法 | |---|---|---| | 小学校 | 体力テストデータ | 運動能力の傾向別にクラスタリングし、個別の運動指導に活用 | | 中学校 | 定期テストと欠席日数 | 回帰分析で、欠席日数が成績に与える影響の傾向を把握 | | 高等学校 | 模試データ | 決定木分析で、合格可能性に影響する要因（学習時間・得意科目等）を整理 | | 大学 | 学生満足度アンケート | クラスタリング分析で、満足度に影響する要因グループを特定 | > ポイント：Copilotが生成するPythonコードの中身を理解できなくても結果は得られますが、分析結果の解釈と最終判断は必ず教職員が行うことが前提です。 --- 第7章 PowerPoint × Copilot ― 資料作成の一気通貫ワークフロー 7-1. 基本的な活用シーン 以下は、第2-5節の「コンテキストエンジニアリング」の考え方に沿った活用例です。 - 🎯目的：「研究授業の指導案をもとに、参観者向け説明スライドを作りたい」 → Copilotの質問：「スライドの枚数の目安はありますか？」「指導案（Word等）を共有いただけますか？」 → 回答後、指導案をもとにした10枚程度の説明スライドが生成される - 🎯目的：「オープンキャンパスの説明会資料を更新したい」 → Copilotの質問：「昨年度版の資料を共有いただけますか？」「更新したい入試情報の該当箇所はどこですか？」 → 回答後、昨年度版をベースに最新の入試情報へ更新された資料が生成される - 🎯目的：「職員研修用にICT活用の好事例をまとめたい」 → Copilotの質問：「事例の件数や、使用したい写真・資料を共有いただけますか？」 → 回答後、写真付きの好事例まとめスライドが生成される 7-2. 一気通貫ワークフロー：他資料からのスライド自動変換・多言語翻訳 !PowerPointでCopilotにプレゼンテーションの要約を依頼した結果の画面 出典：Present with Copilot in Microsoft PowerPoint（Microsoft Learn Training） PowerPointは、Wordや他の資料から直接スライドを自動変換し、さらにワンクリックで多言語翻訳まで行えます。 Step1. Wordの指導案・報告書・企画書などをPowerPointに読み込ませる Step2. 「この資料をもとに説明スライドを作って」と依頼→構成案＋スライドを自動生成 Step3. 「このスライド全体を英語に翻訳して」と依頼→デザインを保持したまま多言語版を生成 Step4. 必要に応じてAgent Modeで文字量・配色等を一括調整 校種別の活用例 | 校種 | シーン | 活用方法 | |---|---|---| | 小学校 | 授業参観用の指導案 | 指導案（Word）を保護者向け説明スライドへ自動変換 | | 中学校 | 研究授業の指導案 | 校内研究会向けの説明スライドに自動変換 | | 高等学校 | オープンキャンパス資料 | 外国にルーツを持つ保護者向けに多言語翻訳版を自動生成 | | 大学 | 学会発表資料 | 国際学会向けに英語スライドへ自動翻訳し、デザインを統一 | > ポイント：翻訳機能は便利な「下訳」として活用し、専門用語や固有名詞の訳語は必ず人の目で確認してから配布・発表してください。 --- 第8章 Teams × Copilot ― 会議ライフサイクル活用術 Teams会議は「会議前」「会議中」「会議後」という時系列で整理すると、Copilotの活用法が理解しやすくなります。職員会議・保護者面談・学年会議・委員会など、学校のあらゆる会議に応用できる考え方です。 8-1. 会議前：参加者の検討・日程調整・背景確認 - 参加者の検討（「この議題なら誰を呼ぶべきか」の相談相手として活用） - 日程調整（参加者の空き時間を突合し、候補日を提示） - 背景確認（「前回のこの件の決定事項を教えて」と事前に経緯を把握） 教育現場での活用例 - 🎯目的：「来週の職員会議の議題案を整理したい」 → Copilotの質問：「優先度を判断する基準（緊急性／関係者の人数等）はありますか？」 → 回答後、優先度順に整理された議題案が生成される - 🎯目的：「学年主任・教頭・養護教諭が参加できる日程を調整したい」 → Copilotの質問：「候補となる期間（来週中など）はいつですか？」「候補日の必要件数はいくつですか？」 → 回答後、全員の空き時間を突合した候補日が3つ提案される - 🎯目的：「前回の生徒指導委員会の決定事項を今回の議題に活かしたい」 → Copilotの質問：「前回の議事録（Word等）を共有いただけますか？」 → 回答後、前回の決定事項の要約と、今回の議題との関連づけが生成される 8-2. 会議中：発想補助・情報検索・質問作成 会議の最中も、リアルタイムでCopilotに相談しながら進行できます。 - 発想補助（議論が行き詰まった際のアイデア出し） - 情報検索（会議中に「この件の過去データは？」とその場で確認） - 質問作成（議題に対する論点・確認すべき質問の洗い出し） 「会議中のみ」モードの活用 Copilotには、発言内容を記録として残さず、リアルタイムの支援だけを受けられる「会議中のみ」モード があります。いじめ対応、生徒指導上の機微な案件を扱う会議など、記録を残したくない機密性の高い会議で特に有用です。 8-3. 会議後：議事録自動整形・ToDoのPlanner自動登録 !Teams「Recap」タブに表示されるインテリジェント会議録の画面 出典：Intelligent recap for Teams calls, meetings, and events（Microsoft Learn） 会議終了後は、Word Agent Modeとの連携により、録音・文字起こしから議事録への自動整形が行えます（詳細は第5章）。さらに、会議で出たToDoをPlannerへ自動登録し、担当者・期限とともにタスク化できます。 - 🎯目的：「本日の職員会議の決定事項とToDoを、欠席者に共有したい」 → Copilotの質問：「欠席者は何名で、どなたですか？」「ToDoの担当者・期限は議事録から読み取ってよいですか？」 → 回答後、決定事項とToDoリストが抽出され、欠席者へTeamsメッセージで送付される - 🎯目的：「今日の会議で出たToDoをタスク管理したい」 → Copilotの質問：「登録先はPlannerでよいですか？」「期限の既定値（例：1週間後）はありますか？」 → 回答後、担当者・期限つきでPlannerにタスクが登録される > ポイント：欠席者への会議内容サマリー自動配信は、情報共有の抜け漏れ防止に効果的です。保護者面談のオンライン実施時にも、記録作成支援として活用できます。 --- 第9章 Outlook・Power Automate × Copilot ― メールと校務フローの自動化 9-1. Outlook × Copilot 日々大量に届く保護者・業者・教育委員会からのメールを整理する上で、地味ながら効果の大きい機能群です。 | 活用シーン | 内容 | |---|---| | 重要度分類 | 「保護者からの欠席連絡・緊急連絡を優先的に上部へ表示するルール」を自然言語の指示から自動生成 | | 会議の空き時間確認 | 「来週、学年主任と30分空いている時間を教えて」と確認し、そのまま会議招集 | | 返信文の下書き | 「この保護者からの問い合わせに、丁寧な文体で返信の下書きを作って」 | | メールの要約 | 長い連絡文書を要点3行に要約し、多忙な朝でも素早く把握 | 教育現場での活用例 - 🎯目的：「保護者からの欠席連絡を整理し、担任へ振り分けたい」 → Copilotの質問：「対象期間（今週分など）はいつですか？」「振り分け先の基準（学級担任名の一覧）を共有いただけますか？」 → 回答後、欠席連絡メールが一覧化され、学級担任ごとに振り分けられる - 🎯目的：「修学旅行業者とのやり取りで、未回答の質問を把握したい」 → Copilotの質問：「対象のメールスレッド（期間・差出人）はどこですか？」 → 回答後、未回答のまま残っている質問が抽出される 9-2. Power Automate × Copilot Power Automateは、プログラミング知識がなくても業務フローを自動化できるツールです。Copilotと組み合わせることで、自然言語の指示だけでノーコードの自動化フローを構築できます。 教育現場での活用例 | 自動化フロー | 内容 | |---|---| | 欠席連絡の自動反映 | 保護者がFormsで回答した欠席連絡を、自動で出席簿（Excel）へ反映し、担任へ通知 | | 提出物リマインド | 提出期限が近づいた課題について、未提出者へ自動でリマインドメールを送信 | | 資料提出依頼の自動化 | 職員会議資料の提出依頼を期限付きで自動送信し、未提出者を自動で再通知 | | 施設予約の調整 | 体育館・特別教室の予約申請をフォームで受け付け、重複がなければ自動承認 | 🎯目的：「保護者の欠席連絡フォームの回答を、出席簿に自動反映したい」 → Copilotの質問：「反映先の出席簿（Excelファイル）の形式を共有いただけますか？」「担任への通知方法はTeams・メールのどちらがよいですか？」 → 回答後、Formsの回答を出席簿へ自動転記し、担任へTeams通知するフローが構築される > ポイント：Power Automateのフローは一度構築すれば継続的に稼働します。個人情報を扱うフローは、情報システム担当者と連携して権限設定を確認してから本稼働させてください（第18章参照）。 --- 第10章 SharePoint・OneNote・Planner・Forms・Loop・Whiteboard × Copilot ― 校内ナレッジ・タスク管理 教職員の間で「存在は知っているが、こんな使い方があるとは知らなかった」という声が多い領域です。校内のナレッジ（知識）とタスクをCopilotで一元的に扱う方法を、Microsoft Learn／Microsoft サポート公式情報をもとに紹介します。 10-1. SharePoint × Copilot ― 校内ナレッジベースとして活用 !SharePointの「サイトをAIで作成」機能で提案されたサイト構成（ページ・リスト・ライブラリ）の可視化画面 出典：Create sites with AI（Microsoft Learn） SharePointに蓄積された過去の行事要項・マニュアル・規程類を、Copilotがナレッジベースとして横断検索し、質問に対して的確な資料を見つけ出して回答します。2026年9月30日より一般提供（GA）が始まり、提供形態が次の2段階に整理されました（Get started with Copilot in SharePoint - Microsoft Learn）。 | 区分 | 含まれる内容 | ライセンス | |---|---|---| | 日常利用（Everyday） | コンテンツへの質問・検索、Word/Excel/PowerPointファイルの作成、ページ・リスト・ライブラリの作成・編集、簡易な承認ワークフロー | Microsoft Copilotライセンスに含まれる（追加課金なし） | | 高度な作業（Advanced work） | サイト全体の自動構築、大量コンテンツの一括要約・レビュー、複数ステップのAIワークフロー、リアルタイムのメタデータ自動入力 | 従量課金制のCopilot Credits（管理者の支出ポリシー設定が必要） | - 🎯目的：「出張旅費の申請方法を知りたい」 → Copilotの質問：「探してほしい資料の種類（申請マニュアル／様式等）はどちらですか？」 → 回答後、該当するSharePoint上の文書が検索され、要点が提示される - 🎯目的：「運動会実施要項の雨天対応の変遷をまとめたい」 → Copilotの質問：「対象年数（過去何年分）はどこまで遡りますか？」 → 回答後、複数年分のファイルを横断して整理された変遷まとめが生成される - 🎯目的：「分掌の新しいSharePointサイトをゼロから作りたい」 → Copilotの質問：「どのようなチームの、どんな業務のためのサイトですか？」「タスクの締切・担当管理も必要ですか？」 → 回答後、ページ・リスト・ライブラリを含むサイト構成案（プレビュー）が提示され、承認後に数分でサイトが自動構築される > 管理者向けメモ：サイト所有者は「設定」→「サイトAI」から、Copilot in SharePointの有効/無効やカスタムエージェントへの切り替えを設定できます。「制限されたコンテンツ検出」が有効なサイトでは、Copilotは一切表示されません。 10-2. OneNote × Copilot !OneNoteのリボンからCopilotボタンでCopilotウィンドウを開く操作画面 出典：Welcome to Copilot in OneNote（Microsoft サポート） 学年・教科で共有しているノートブックの内容を、Copilotが要約・整理します（Welcome to Copilot in OneNote - Microsoft サポート）。主な機能は次の3つです。 - 要約（Summarize）：セクション・選択範囲・特定トピックについて要点を自動抽出 - タスクリスト作成：ノートの中から締切・担当などを拾い出し、ToDoリスト化 - チャット相談：リボンの「Copilot」ボタンまたはキャンバス上のアイコンから、その場でCopilotに相談 - 🎯目的：「学年共有ノートブックの『生活指導』セクションを整理したい」 → Copilotの質問：「要約の単位（月別／学期別）はどちらがよいですか？」 → 回答後、指定した単位で内容が要約される - 🎯目的：「職員研修のノートから、宿題（やるべきこと）を洗い出したい」 → Copilotの質問：「期限や優先順位の情報も含めてよいですか？」 → 回答後、担当・期限付きのタスクリストが自動生成される - 授業ノートを生徒が自習用に整理し直す際の支援（第13章の教育テナント専用機能とも連携） > 対応環境：Windows・Mac・iPad版OneNote（Microsoft Copilotライセンス）に加え、対象の有償Microsoft 365サブスクリプションではWindows版のみ利用可能です。Web版・Teams版も順次展開中です。 10-3. Planner × Copilot（Planner Agent）― タスク管理の自動化 Teams会議で出たToDo（第8章参照）をはじめ、行事準備など複数人が関わるタスクをPlannerで管理する場面があります。そうした場面で、Planner Agentがタスクの生成・実行・進捗報告までを支援します（What is Planner Agent in Copilot? / Access Planner Agent - Microsoft サポート）。2026年8月の更新で、プレミアムプランに加えベーシックプランでもPlanner Agentが標準搭載されました。 - ゴールからのタスク自動生成（プレミアムプランのみ）：「Goals」タブに目的を入力し、関連資料を添付すると、Planner Agentがタスク一覧を自動生成 - タスクの自動実行：Planner Agentにタスクを割り当てると、本人（Agent）も担当者として登録され、進捗を追跡可能 - ステータスレポート自動生成：対象期間（先週／過去2週間／先月／四半期）を指定すると、進捗レポートをLoopキャンバス上に自動作成し、SharePointニュースレターとしても共有可能 - 🎯目的：「文化祭準備のタスクをPlannerで管理したい」 → Copilotの質問：「担当学年ごとの割り振り方針（学年別／係別）はどちらですか？」「参考にする企画書等はありますか？」 → 回答後、担当学年ごとに割り振られたタスクがPlannerに登録される - 🎯目的：「今月の部活動顧問会議向けに進捗レポートを作りたい」 → Copilotの質問：「対象期間（先週／先月等）はどこまでですか？」「レポートの詳細度（簡潔／標準／詳細）はどれにしますか？」 → 回答後、指定条件に沿った進捗レポートがLoopキャンバスに生成される - 🎯目的：「未着手のまま期限が近いタスクを把握したい」 → Copilotの質問：「『期限が近い』の判定基準（何日前から）はどう設定しますか？」 → 回答後、該当タスクが一覧化され、担当者へリマインドされる > ライセンス要件：Planner Agentの利用にはMicrosoft Copilotライセンスが必須です。Copilotライセンスを持たない教職員も計画の閲覧・編集はできますが、Planner Agentへのタスク割り当て等の対話操作はできません。 10-4. Forms × Copilot ― アンケートの自動生成・分析 !Microsoft FormsでCopilotに下書きを依頼するボックスの画面 出典：Welcome to Copilot in Forms（Microsoft サポート） Copilot in Formsは、アンケート・クイズ・投票の作成から配信、結果分析までを一気通貫で支援します（Welcome to Copilot in Forms - Microsoft サポート）。 !Copilot in Formsが提案する設問内容の候補画面 出典：Welcome to Copilot in Forms（Microsoft サポート） - 🎯目的：「保護者向けの学校行事満足度アンケートを作りたい」 → Copilotの質問：「設問数の目安はいくつですか？」「選択式・自由記述の比率はどの程度にしますか？」 → 回答後、指定条件に沿った設問（タイトル・説明文つき）が自動生成される - 🎯目的：「新入生向けの生活実態調査フォームを作りたい」 → Copilotの質問：「調べたい項目（生活リズム・学習環境・部活動等）を教えてください」 → 回答後、目的に合った5〜15問程度の設問一式が生成される - 回答の自動集計・分析：集まった回答を、自由記述も含めてCopilotが傾向分析し、要約レポートと具体的な気づきを自動作成 - 配信・督促の支援：「回答促進」機能で、招待文の下書き作成や、回答が滞っている相手へのリマインドメール送付タイミングをCopilotが提案 > 利用条件：Copilot in Formsのフルチャット体験は、商用版Copilotライセンスを持つユーザー向けです。個人（コンサマー）ユーザーはチャットの代わりに「絞り込みバー」でのAI支援を利用します。 10-5. Loop × Copilot ― 共同編集ドキュメントの要点抽出 複数の教員が同時編集する行事企画シートや、分掌の共有メモ（Loopコンポーネント）から、Copilotが要点・決定事項を自動的に抽出します（Frequently asked questions about Copilot in Loop - Microsoft サポート）。 - コラボレーティブノート：Teams会議中、Copilotが自動的に議事メモを生成し、ToDoを提案（会議参加者全員がCopilotライセンスを持っていなくても、生成済みのノートの閲覧・共有は可能） - Recap（変更点の要約）：Loopページ上での更新内容をCopilotが自動的に要約 - チャットでの参照・挿入：Copilotチャットで一般的な質問や社内データに関する質問を行い、回答をページに挿入 - 🎯目的：「文化祭企画のLoopシートで、未決定の項目を把握したい」 → Copilotの質問：「対象のLoopコンポーネント（シート名等）はどれですか？」 → 回答後、まだ決まっていない項目が一覧化される - 🎯目的：「オンライン保護者会の内容を議事メモとして残したい」 → Copilotの質問：「決定事項とToDoを分けて記録しますか？」 → 回答後、Teams会議中の発言からコラボレーティブノートが自動生成される > ライセンス要件：要約・ノート生成などCopilot機能の利用にはMicrosoft Copilotライセンス（Microsoft 365 E3/E5が前提）が必要です。ライセンスがない教職員は、生成済みコンテンツの閲覧・手動編集のみ可能です。 10-6. Whiteboard × Copilot ― ブレインストーミングの構造化 !Teams会議中のWhiteboardでCopilotの提案（付箋）が表示されている画面 出典：Welcome to Copilot in Whiteboard（Microsoft サポート） 会議中にWhiteboardへ出されたアイデア・付箋を、Copilotが生成・カテゴリ分け・要約します（Welcome to Copilot in Whiteboard - Microsoft サポート）。 - Suggest（アイデア提案）：「行き詰まった」ときに、プロンプトを入力すると付箋形式で複数案を提案 - Categorize（分類）：2枚以上の付箋があれば、類似性に基づいて自動的に色分けグループ化 - Summarize（要約）：ホワイトボード全体の付箋内容を要約し、編集・共有可能なLoopコンポーネントとして出力 - 🎯目的：「ブレストで出た付箋をテーマ別に整理したい」 → Copilotの質問：「分類の軸（テーマ別／優先度別等）はどちらが希望ですか？」 → 回答後、指定した軸でグルーピングされた整理結果が生成される - 🎯目的：「学校行事の改善案ブレストを終えて、議論の要点を共有したい」 → Copilotの質問：「要約の長さの希望はありますか？」 → 回答後、付箋内容の要約がLoopコンポーネントとして生成され、関係者に共有できる > ポイント：これらのアプリは単独でも便利ですが、Teams会議（第8章）→Planner Agent（タスク化）→SharePoint（資料の蓄積）という流れで組み合わせることで、学校全体の情報循環が大きく効率化します。 --- 第11章 Copilot Code / Copilot Autopilot ― 校務の自動化 11-1. Copilot Codeとは Copilot Code は、2026年9月25日の発表で追加された新機能です。「文書・表計算・プレゼン資料」に次ぐ 「ちょっとした自分専用アプリ」という第4の仕事の単位 を、プログラミング未経験の教職員でも作れるようにします。GitHub Copilotと同じ基盤技術で動作し、サンドボックス環境（隔離された安全な実行環境） で動作するため、情報科教員が使う本格的な開発環境のGitHub Copilot（第14章）とは役割が異なります。 教職員向けの使い方のイメージ 1. 「毎月の集金データ（Excel）をもとに、未納者一覧を自動抽出するツールを作って」と自然言語で依頼 2. Copilot Codeが、デスクトップ用の小型ウィジェット・データ確認用ダッシュボード・チームで共有できるクラウドアプリ等、適切な形式を選んで自動構築 3. 教員はコードを読む必要がなく、「実行」ボタンを押すだけで結果を得られる 4. 作成したアプリはMicrosoft Copilot Managed Runtime（学校のテナント内で安全にアプリを動かす基盤