担当者が、比較表を見てモデルを選んだ。コンテキスト長（一度に読める量）がいちばん大きなモデルだった。
担当者は、関係しそうな資料を全部貼り付けた。頼んだのは、要点のまとめである。
返ってきた要約の中心にいたのは、参考のつもりで貼った古い報告書だった。
いちばん大きなモデルを選び、資料も漏れなく渡した。古い報告書を主役に据えたのは、誰なのか。
三つの数字の正体は、範囲の境目だ
比較表には、数字が三つ並ぶ。コンテキスト長、トークン数、パラメーター数である。
ふつう人は、仕様の数字を、大きいほど性能が高い印として読む。三つの数字は、測っているものの次元が違う。
トークン数は、渡す文章を、モデルが扱う単位に刻んだときの数だ。
コンテキスト長は、モデルが一度に扱えるトークン数の上限である。
パラメーター数は、モデルの内部で、学習によって値が決まる重みの総数だ。モデルの容量を表す。
図書館にたとえると、パラメーター数は棚の数。コンテキスト長は、一度にページを広げられる机の広さ。
トークン数は、机の上の文章を細かく刻んだ数である。
三つとも、扱える範囲の境目を示す制約の数字だ。どの資料が決め手かは、どの数字にも書いていない。
上限まで入ることと、使いこなすことは別の話だ
パラメーター数が多いほど、複雑なパターンを学べる可能性は高まる。ただし示すのは、棚の数だ。
欲しい本が棚にあるかは、別の問いである。
カラクリは単純だ。仕様の数字は、モデルの賢さを保証する数字とは別物である。
コンテキスト長も同じだ。上限まで入ることと、上限まで使いこなせることは別の話になる。
2024年に発表された評価RULERは、32Kトークン以上をうたう17のモデルを調べた。
32Kの長さで満足な性能を保てたのは、半数だけだった。公表された上限の数字は、範囲の広さを示すだけだ。
もう一つの落とし穴が、数え方である。上限は、文字数よりトークン数で決まる。
同じ「こんにちは」でも、あるトークナイザー（文章を刻む道具）では1トークンになる。別のものでは、2、3トークンになる。
文字数だけで見積もると、実際には上限を超えている場合がある。
大きな数字を選べば安心、とはいかない。机の広さは、何を主役に読むかまでは決めない。
決め手の資料を知っているのは、渡す側だけだ
棚の数と机の広さは、モデルを選んだ時点で決まる。
毎回の仕事で動かせるのは、机の上の中身だ。どの資料を選び、どの順に広げ、何を答えてほしいかを伝えるか。
関係しそうな資料を全部貼るプロンプトは、会議に百枚の資料を配るのに似ている。要点は各自で拾ってください、と言う進め方だ。
どの資料が決め手の根拠で、どの資料が参考か。重みを知っているのは、渡す側である。
何を根拠に答えてほしいかは、渡す人の前提だ。前提を言葉にしてAIに渡す力が、渡す側の問う力である。
資料を三つに分けて渡す
載せる前に、資料を三つに分ける。
- 答えの根拠にしてほしい資料
- 参考として見せる資料
- 今回は机の外に置く資料
同じモデルでも、返ってくる答えの焦点が変わる。
机が広くなるほど、机の外に置く資料を選ぶ仕事の比重が上がる。
次の文面のかっこの中を、自分の資料に書き換えて使える。
添付の資料をもとに、（例：来期の販促方針の要点）をまとめてください。
根拠にする資料：（例：2025年1月の会議の決定事項）
参考の資料：（例：2023年の報告書。経緯の説明だけに使ってください）
答えの一文ずつに、根拠にした資料の名前を添えてください。根拠の資料の名前を書き添えると、答えの一文ずつを元の資料と突き合わせられる。
古い報告書に足りなかった「参考」の札
古い報告書を主役にしたのは、モデルの数字ではなかった。
古い報告書に足りなかったのは、参考という一行の札である。
拙著『GoogleのAI NotebookLM 意思決定の強化書』の2章4節「ソースを仕分ける」に、この記事の考え方を書きました。読むと、AIに渡す資料のうち何を載せて何を載せないかを、手元の案件で決められるようになります。
同じ資料を見ているのに、なぜ結論が割れるのか。
『GoogleのAI NotebookLM 意思決定の強化書』
前提が結論を決める。意思決定を根拠、前提、結論の三層に分け、前提を対象、目的、制約、評価基準の四つで言葉にする本です。
読み終えたとき、手元に残るもの
- 意思決定の設計図になる前提リスト
- 資料を事実、意見、噂、ゴミに仕分けるFORT
- 同じ物差しで比べる選択肢表と採点表
- 始める条件と止める条件を書いた決定書
NotebookLMは2026年7月にGemini Notebookへ名称が変わりました。本の手法は、使うAIの種類を問いません。