AIに正しく伝えたのに、欲しい答えが返ってこない理由
目次
BCGが2023年に実施した実験があります。
コンサルタント758人にGPT-4を使わせ、さまざまなビジネスタスクを処理させた。結果、タスクの完了数は12%増え、作業時間は25%短縮、品質は40%向上しました。
ところが、一部のタスクでは逆の結果が出ています。
AIを使ったグループの方が、使わなかったグループよりもパフォーマンスが低下した。何が違ったのか。失敗したタスクの共通点は、「問題の構造が複雑で、AIに渡すべき文脈が多いもの」でした。
つまり、言葉は正しく伝えている。文法も間違っていない。なのに、欲しい答えが返ってこない。
この現象の正体は、「伝え方」ではなく「伝えていないもの」にあります。
AIは「言葉」を処理している。「意図」は処理していない
多くの人が見落としている事実があります。
生成AIは、自然言語を処理できます。ただし、それは「言葉の統計的パターンを読み取れる」という意味であって、「あなたの意図を理解している」という意味ではありません。
佐野大樹さんは『生成AIスキルとしての言語学』で、この問題を言語学の視点から明快に説明しています。AIとの対話には、言葉そのものの他に「コンテクスト」──つまり文脈の情報が不可欠だと。
言語学では、コンテクストを3つの層で捉えます。
フィールド：何について話しているのか（トピック、業界、状況） テナー：誰が誰に向けて話しているのか（立場、関係性、専門度） モード：どのような形で伝えるのか（報告書なのか、会話なのか、箇条書きなのか）
たとえば「マーケティング戦略を考えて」とAIに聞く。日本語として完璧です。でも、フィールド（BtoBなのかBtoCなのか）もテナー（経営者向けなのか現場担当者向けなのか）もモード（企画書にするのか、ブレスト用のメモなのか）も欠けている。
AIは足りない情報を「統計的にありそうな値」で補完します。結果、どこかで見たような、悪くはないが刺さらない回答が返ってくる。
これ、AIの性能の問題ではありません。渡している情報の構造の問題です。
「理解」を飛ばすと、AIも人間も空回りする
ここで興味深い共通点があります。
牛尾剛さんは『世界一流エンジニアの思考法』で、マイクロソフトの一流エンジニアたちの最大の特徴は「理解に時間をかけること」だと指摘しています。
コードを書く前に、まず問題の構造を理解する。小さなデザインドキュメントを書いて、自分の頭の中に「メンタルモデル」を構築する。これを飛ばして手を動かすと、試行錯誤の無限ループにはまる。
AIとの対話でも、まったく同じことが起きています。
「とりあえず聞いてみる」で始めると、返ってきた回答が微妙で、追加で質問して、それもズレていて、また修正して──気づけば30分。最初に5分かけて「自分は何を知りたいのか」を整理していれば、1回で済んだかもしれない。
牛尾さんの言葉を借りれば、「理解が不十分なまま手を動かしても空回りするだけ」。これはコードの話ですが、AIへの指示でもそのまま当てはまります。
自分が何を求めているのか。その問題の構造はどうなっているのか。どんな形式で答えが欲しいのか。この「事前の理解」が、AIの回答品質を決定的に左右します。
梶谷健人さんが指摘する「物知りだが融通の利かない新卒」
梶谷健人さんは『生成AI時代を勝ち抜く事業・組織の作り方』で、ChatGPTを使うコツとして「物知りだが融通の利かない新卒1年目の後輩」として扱うことを推奨しています。
正直に言うと、この比喩は的を射ています。
新卒に「企画書を作って」と丸投げしたら、それなりのものは出てきます。でも、「この企画書は取締役会で使うもので、競合のA社との差別化がポイントで、予算の上限は500万円」と伝えれば、全然違うものが出てくる。
AIも同じです。知識は膨大にある。でも、「何のために」「誰に向けて」「どんな制約の中で」という情報は、聞かない限り勝手に察してはくれません。
梶谷さんの本では、AIのプロンプトテクニックとして「役割の定義」「変数を用いた詳細情報の提供」「出力フォーマットの指定」が挙げられています。実はこれ、先ほどの言語学のコンテクスト（テナー＝役割、フィールド＝詳細情報、モード＝フォーマット）とぴたりと重なります。
分野の違う3冊の本が、同じ構造を指し示している。ここが核心です。
AIに欲しい答えを返してもらうために必要なのは、高度なプロンプトの書き方ではありません。自分の頭の中にある「暗黙の前提」を、言語化して渡すことです。
明日から変えられること
誤解：AIへの指示は、具体的な命令文を書くスキルである → 命令文の精度よりも、その前段階の「文脈の言語化」が回答品質の8割を決めます。佐野さんのSFLモデルでいう「フィールド・テナー・モード」を意識するだけで、同じ質問でもまったく違う回答が返ってきます。
誤解：AIが的外れな回答を返すのは、AIの性能が低いから → 多くの場合、性能の問題ではなく情報の欠落です。「誰の立場で」「何の目的で」「どんな形式で」──この3つが抜けているだけで、AIは「統計的にありそうな平均的な回答」を返します。
具体的なアクション：
1つ目。AIに聞く前に「3行メモ」を書く。フィールド（業界・テーマ・状況）、テナー（自分の立場・相手の立場）、モード（報告書・メモ・箇条書き）。この3行を書いてからAIに渡す。所要時間は30秒です。
2つ目。「理解の時間」を先に取る。牛尾さんのエンジニアたちがコードの前にデザインドキュメントを書くように、AIに聞く前に「自分はこの問題の何がわかっていて、何がわかっていないのか」を整理する。これだけで「とりあえず聞いてみる→やり直し→やり直し」の無限ループが消えます。
3つ目。AIの回答を「新卒の初稿」として扱う。梶谷さんの比喩に従えば、最初の回答は新卒が「とりあえず出してきたドラフト」です。それに対して「ここはもっと具体的に」「この観点が抜けている」とフィードバックを返す。1回で完璧を求めず、2-3回の対話で仕上げる前提で使う方が、結果的に速くて質も高い。
おわりに
AIは、あなたの言葉を正確に処理しています。ただ、あなたが「言わなかったこと」は処理できない。
言語学の知見も、一流エンジニアの思考法も、AI時代の組織論も、同じことを指し示しています。AIとの対話の質を決めるのは、AIの性能ではなく、自分の頭の中にある暗黙知を、どれだけ言語化できるかです。
この記事で参考にした本
『生成AIスキルとしての言語学』佐野大樹 → AIとの対話を言語学のコンテクストモデル（フィールド・テナー・モード）で構造化する視点
『世界一流エンジニアの思考法』牛尾剛 → 「理解に時間をかけること」が生産性を根本から変えるという知見
『生成AI時代を勝ち抜く事業・組織の作り方』梶谷健人 → AIを「物知りだが融通の利かない新卒」として扱う実践的アプローチ
合わせて読みたい
生成AIを入れても生産性が上がらない会社の共通点 AIを導入しても成果が出ない組織の構造的な原因を深掘りしています。「伝え方」以前に「業務設計」が変わっていない問題を理解できます。
AIで仕事が速くなった。余裕は増えなかった。 AIで効率が上がっても「余裕」が生まれない逆説を描いたエッセイです。本記事の「AIの性能ではなく使い方が問題」という視点と重なります。
なぜあなたの指示は、AIに伝わらないのか プロンプトの質がAI活用の成果を分けるという視点から、本記事の「コンテクスト設計」をさらに具体的に実践できます。