2025/03/10 更新 2026/10/25

AIの書いた仕様書を、文面が整っているからと信じてはいけない：全員が一気に読んだ下書き、数値の一つが社内ルールと食い違っていた

開発部の会議で、担当者がAIに書かせた仕様書の下書きを配った。文面は整っていた。

全員が、最後のページまで一気に読んだ。

食い違いが見つかったのは、試作の段階に入ってからだった。下書きの数値の一つが、社内の設計ルールと合っていなかった。

全員が読んだのに、なぜ誰も気づかなかったのか。

成果が数字になった事例で、何が起きていたか

製造業には、生成AIの成果が数字になった事例がある。紹介する事例は、2025年3月時点の報道による。

米GM社は、シートベルトのブラケット部品を設計し直した。

使ったのは、ジェネレーティブデザイン（条件を渡すとAIが形の案を出す設計手法）と3Dプリントだ。

8つだった部品は、1つにまとまった。重量は40%減り、強度は20%高まったという報告がある。

成果を支えたのは、先に決まっていた強度と重量の条件だ。出てきた案を、条件という物差しで確かめた。

独ボッシュは、生成AIで不良品の画像を作った。画像を検品用のAIの学習に加えて、検品の精度を上げた。

ボッシュの成果は、検品の精度で確かめられる。

AWSが公開した事例では、画像生成AIが自動車の形状案を作る。流体シミュレーションが空力を評価して、結果を次の提案に返す。

三つの事例は、AIの案をAIとは別の手段で測っていた。ここでは、その基準を外の物差しと呼ぶ。

テストの答案は、本人の自己採点より、先生の採点で確かめる。外の物差しは、先生の採点にあたる。

物差しとは、測れば白黒がつく試験や数字のことだ。

冒頭の食い違いは、試作に入ってから見つかった。紙の上で見つかる食い違いより、直す手間は大きい。

仕様書やマニュアルの下書き、特許の関連文献の要約には、強度試験にあたる物差しが欠けている。

AIの文章は、自信のある口調でそろっている。誤りも、正しい文と同じ口調で並ぶ。

全員が一気に読めたのは、文面が整っていたからだ。整った文面は、読む人の手を止めない。

米国の法律の世界で、実例が出た。ニューヨーク南部地区の連邦地裁で争ったMata v. Avianca事件である。

原告側の弁護士が、ChatGPTの作った判例を引いて書面を出した。判例は、実在しなかった。

裁判所は2023年6月22日、弁護士と事務所に連帯で5,000ドルの制裁金を科した。

下書きをAIに任せて、読み直しを忙しい技術者に任せる場面を考える。いちばん甘い確かめ方の工程に、いちばんもっともらしい誤りが流れ込む。

強度試験や検品の精度のようにAIの外に物差しがある工程では、成果が数字になります。仕様書や特許の要約のような文章の仕事は、物差しを作ってから始めます

導入は、出力をAIの外で確かめられる工程から始める。誤りの代償が小さく収まる。

文章の仕事にも、物差しは作れる。手順は三つある。

何を書かせるかより先に、何で確かめるかを言葉にする。確かめ方を言葉にしてAIに渡す力が、頼む側の問う力だ。

次の文面のかっこの中を、自分の仕事に書き換えて使える。

（例：新型ポンプの仕様書）の下書きを作ってください。
根拠にする資料：（例：設計ルール集の第3版と、試作品の試験結果）
書き方：数値の一つずつに、資料名とページを添えてください。資料に根拠がゼロの数値は、空欄にして印を付けてください。

数値の一つずつに資料名とページが添えてあれば、読む手はそこで止まった。

あの数値の食い違いは、設計ルールの一ページと並べれば、試作の前に見つかったはずだ。

拙著『ChatGPT はじめてのプロンプトエンジニアリング』の3章4節「事実回答のばらつきを抑える秘訣」に、この記事の考え方を書きました。読むと、AIの答えのどこに根拠を求め、どこを人が確かめるかという線を、自分の仕事の中で引けるようになります。

AIの答えが物足りないとき、疑うべきはAIか、自分の言葉か。

『ChatGPT はじめてのプロンプトエンジニアリング』

AIは言葉でしか動かない。プロンプトを暗記するのをやめ、構成要素に分解して、自分の言葉で意図を込める力を鍛える本です。

読み終えたとき、手元に残るもの

4刷重版。全国の大学図書館65館が所蔵しています（2026年10月時点）。