本郷喜千

更新

同じ資料から正反対の結論が出るカラクリ：「小さなAIは日本の機会」と「横並びになる」、どちらにも誤りはなかった

ある会社の企画会議で、二人の担当者が同じ調査資料を手に報告した。

一人目の結論は、小さな言語モデルは日本の機会だ、というものだった。

二人目の結論は逆だった。どの会社も同じモデルを使えるから、横並びになる。

二人の資料に、事実の誤りはゼロだった。

同じ資料から、なぜ正反対の結論が出たのか。

小さなAIは、大きなAIにどこまで迫ったのか

まず、二人が論じた小さな言語モデルの大きさを確かめる。数字はいずれも2025年9月時点の情報である。

GPT-4は、非公式の推定で約1.76兆パラメータとされる。パラメータとは、AIが学習で調整する数値のことだ。

SLM（小規模言語モデル）は、桁が下の数百万から数十億パラメータで動く。

MicrosoftのPhi-3-miniは、38億パラメータ。量子化（数値を粗く丸めて軽くする処理）を施すと、iPhoneの上でも動く。

Phi-3は、教科書の品質に絞ったデータで学習した。MMLUという試験で68.8%を記録した。

GPT-3.5-Turboの約71.4%に迫る数字だ。手のひらの上のモデルが、ここまで来た。

Phi-3の成績を支えたのは、データの選び方である。

伸びの鈍化、費用の高騰、データの枯渇は、逆の結論を両方支えていた

規模を広げれば性能が上がる。この前提が三つの壁に当たっている、という指摘がある。

一つ目は、伸びの鈍化だ。GPT-4からGPT-4oへの改善は、主要な指標で3から7%にとどまったとされる。

二つ目は、費用の高騰である。

スタンフォード大学の研究所HAIの推計では、15億パラメータのGPT-2の学習費は約5万ドルだった。2019年のことだ。

2022年の5400億パラメータのPaLMでは、推計で800万ドルに上った。

三つ目は、データの枯渇だ。研究機関Epoch AIは、高品質な英語の文章が2026年から2032年の間に使い尽くされると予測している。

機会と読む人は、競争の軸がデータの質へ移ると考える。産業の独自データを持つ日本に出番が来る、という筋道だ。

機会と読む筋道は、LLMの壁で競争の軸がデータの質へ移ったという根拠に、日本が産業の独自データと組み上げる力を持つという強みを重ね、特化型で勝負できると結論します

横並びと読む人は、費用の下がり方に目を向ける。GPT-3.5相当の性能の推論費用は、280倍以上下がった。

費用の壁は、どの会社にとっても同じだけ低くなった。

同じ壁が、一方では機会の根拠になり、他方では横並びの根拠になる。

資料をいくら読み込んでも、どちらかに軍配は上がらない。会議は、ここで行き止まる。

結論を割ったのは、四つの前提だった

行き止まりを抜ける鍵は、資料の外にある。二つの結論を分けるのは、対象、目的、制約、評価基準の四つの前提だ。

同じ三つの壁を根拠にしても、対象、目的、制約、評価基準の四つの前提によって、機会と読む人と横並びと読む人に結論が分かれます

対象が製造現場の特定の業務なら、自社の記録が生きる。対象がどの会社にもある文章の業務なら、各社の結果は横並びに近づく。

目的が機密を守ることなら、他社と同じモデルでも用は足りる。

目的が他社との差別化なら、勝負の分かれ目は別にある。自社だけが持つデータを、使える形に整えられるかだ。

項目の定義が欠けた記録では、学習の前に人が意味を復元する。制約の欄には、データが紙と担当者の記憶にある量を書く。

評価基準を自社の業務での精度と費用に置けば、機会と読める。市場での独自性に置けば、横並びと読める。

「機会」と書く前に、四つの欄を埋めよ

自社の前提を、四つの欄に一行ずつ書く。小さく試すなら、広げる数字と止める数字を、始める前に書き添える。

次の文面のかっこの中を、自社に書き換えて使える。

対象：（例：製造現場の検査記録の要約）
目的：（例：機密を社内に置いたまま、現場で速く答える）
制約：（例：検査記録の半分は紙。項目の定義書は作成中）
評価基準：（例：自社の検査記録での正答率と、月あたりの費用）
お願い：この前提のもとで、SLMを試す価値があるかの論点を並べてください。広げる数字と止める数字の案も出してください。

AIに問う前に、四つの前提を自分の言葉で書く。書いた前提が、AIの答えの向きを決める。

二人の報告を、四つの欄に並べ直すと

冒頭の二人の結論を、四つの欄に書き直してみる。

機会と読む側の評価基準は、自社の業務での精度と費用だ。横並びと読む側の評価基準は、市場での独自性である。

根拠の欄は、一字も違わない。違ったのは、前提の欄だった。

二人に足りなかったのは、資料ではない。前提を書いた四行だった。

この記事の考え方は、拙著『GoogleのAI NotebookLM 意思決定の強化書』の1章1節「意思決定の構造と前提の要素」に書きました。この節を読むと、技術の話題で社内の意見が割れたとき、割れているのが根拠なのか前提なのかを切り分け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 表紙

『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。

Amazonで見る

出典

著者プロフィール・お問い合わせ