Marketechlabo

LLMの性質を知る──初心者のための大規模言語モデル解説

calendar Mar 17, 2026 · 1 分で読了 · プロンプトAI初心者向け  ·
共有する: linkedin copy

概要

LLMの性質を知る──初心者のための大規模言語モデル解説

生成AIの技術を実際に使いこなすには、その中核にある**LLM（大規模言語モデル）**の性質を正しく理解することが不可欠です。本記事では、LLMとは何か、どう使えばうまくいくのか、そしてどんな落とし穴があるのかを、初心者の方にもわかりやすく解説していきます。

まず、大きな枠組みから整理しましょう。

**AI（人工知能）**とは、人間のように考えたり判断したりするコンピュータプログラムのことです。人間の知能を真似て、データから学習し、問題を解決する仕組み全般を指します。厳密な定義があるわけではないので、「コンピュータが賢くふるまう技術」くらいのイメージで大丈夫です。

AIの中にもさまざまな種類がありますが、大きく分けると**「生成AI」と「予測系AI」**の2つの方向性があります。

生成AIは、新しいコンテンツを「作り出す」AIです。文章を書いたり、イラストを描いたり、音楽を作曲したり、動画を生成したりと、ゼロから何かを生み出すことができます。一方、予測系AIは、過去のデータをもとに未来を「予測する」AIです。たとえば、顧客の購入確率の予測、商品の需要予測、機器の異常検知、おすすめ商品のレコメンドなどがこれにあたります。

そして**LLM（Large Language Model＝大規模言語モデル）**は、生成AIの中でも、自然言語（人間の言葉）を扱う大規模なモデルのことです。代表的なLLMとしては、ChatGPT、Claude、Geminiなどがあります。

生成AIの本質を一言で表すなら、**「条件付き確率のお化け」**です。これはどういう意味でしょうか。

生成AIは、現在与えられた材料（入力）をもとに、「この文脈ではこういう出力が最も多かった」というパターンから、最もありそうな回答──つまりマジョリティの回答を返しているだけです。言い換えれば、与えられた条件から見て最も常識的な、**「それっぽいもの」**を出力しているのです。

ここから重要なことが導かれます。決まったルールに基づいて確実に処理してほしいことは、LLMには向きません。そういった処理はプログラムを書くべきです。むしろ、そのプログラムをLLMに書かせるのが賢い使い方と言えます。

「条件付き確率」なのですから、条件をきちんと与えることが極めて重要です。そして、その条件にあたるものが**プロンプト（AIへの指示文）**です。

たとえば、「あなたは優秀なB2Bセールスマンです」という役割を与えるのと、「あなたは熟練のデータアナリストです」と与えるのとでは、同じ質問をしても返ってくる答えの方向性がまったく変わります。セールスマンとして答えるときの「ありがちな回答」と、アナリストとして答えるときの「ありがちな回答」は違うからです。

生成AIの出力はあくまで確率的なものです。つまり、同じプロンプトで何度も実行しても、毎回まったく同じ回答が返ってくるわけではありません。試しに同じ質問を何度か投げてみると、微妙に違う回答が返ってくることがわかるはずです。

このことは、「たまたまうまくいった」ケースが存在することも意味します。AIの返す「それっぽいもの」がたまたま求めていたものにマッチすることがあり、次に同じプロンプトで質問しても同じ品質の回答が得られるとは限りません。ただし、良いプロンプトを書けば、このばらつきを小さくすることができます。再現性の高い出力を得ることが、プロンプト技術の大きな目標の一つです。

生成AIには明確な得意分野と苦手分野があります。

まず、学習データにないものは決定的に苦手です。たとえばプログラミング言語の選択でいえば、Pythonは世界中で広く使われており学習データも豊富なため、LLMはPythonのコード生成が得意です。逆に、マイナーな言語ではデータが少ないため精度が落ちます。

また、タイミングの判断も苦手です。「いつ返信するのが最適か」「いつ行動すべきか」といった時間軸に関する判断は、LLM単体では難しい領域です。

さらに、演繹的なアプローチ──つまり「AならばB、BならばC、ゆえにAならばC」のような厳密な論理の連鎖を確実にたどることが不得意です。LLMは「学習データの中で、こういう文脈ではこういう出力が多かった」というパターンから応答を生成しているため、論理的に考えているように見える回答でも、実際には「よくある論理的に見える文章のパターン」を再現しているに過ぎません。この点を理解しておくことは、LLMの出力を過信しないために非常に大切です。

生成AIを使うとき、まず**「自分は今、AIに何を求めているのか？」**をその都度意識することが大切です。代表的なタスクの種類としては、知識を教えてもらうこと、壁打ち（アイデアの議論）相手になってもらうこと、情報を集約・整理してもらうこと、面倒な作業を代行してもらうこと、自分の代わりに考えてもらうこと、そしてイケてるデザインやクリエイティブを作ってもらうことなどがあります。壁打ち相手として使う場合は、最後にやりとりの要約やフローチャート化をしてもらうとさらに効果的です。

タスクの種類によって、AIに与えるべき材料は変わってきます。そして、適切な材料を与えれば、AIは忠実にそれに従って動いてくれます。逆に、材料を与えないとAIはどうすればいいかわからず、わからないままに強引に「それっぽいもの」を返してきます。これが実は厄介で、一見もっともらしい回答に見えるため、そのまま受け入れてしまいがちです。不十分な材料でのやりとりを繰り返しても、アウトプットの精度は上がりません。

具体的には、作業を頼むのであれば作業手順を示す、考えることを求めるのであれば考え方（後述するCoTなど）や着眼点を指示する、デザインであれば具体的なイメージや条件を示す、ということです。指示を突き詰めた究極の形がフローチャートです。処理の流れを分岐を含めて明確に示せば、AIの出力精度は飛躍的に上がります。

大きな仕事を一度にAIに丸投げするのではなく、タスクを分割することが重要です。たとえば資料作成であれば、中身（コンテンツ）を作ることとデザインを整えることはまったく異なるタスクです。これをまとめて一度にやらせると、出来上がりが微妙だったときに、内容が悪いのかデザインが悪いのか判断しにくくなります。タスクを分割し、それぞれのステップでフィードバックをかければ、改善サイクルを早く回せます。

大きなイシュー（課題）に取り組む場合は、まずその解決手順自体をLLMに聞き、ステップごとにタスク化してから一つずつ進めるのが効果的です。

LLMには推論モデルと一般モデルがあります。深い思考や複雑な分析が必要な場面では推論モデルが力を発揮しますが、知識を聞いたり常識的なやりとりをしたりするだけなら一般モデルで十分です。個人が対話の中で使う限りコストをそこまで気にする必要はありませんが、サービス化して多くの人が使う場合にはモデル選択がコストに直結するため重要になります。

効果的なプロンプトには、基本的な構成要素があります。まず役割──AIにどんな立場で回答してほしいかを示します。次にタスク──具体的に何をしてほしいかを明確にします。そしてコンテキスト・背景情報──タスクの前提となる情報を提供します。さらに制約条件──守らなければならないルールや禁止事項を伝えます。最後に出力形式──どのような形で結果を返してほしいかを指定します。出力形式については、テキストであればマークダウン形式が読みやすく加工もしやすいのでおすすめです。データをやり取りする場合はJSON形式にすると正確性が高まります。

プロンプトの組み立て方には、大きく2つのアプローチがあります。

演繹的アプローチは、**CoT（Chain of Thought）**と呼ばれる手法に代表されます。これは「まず○○を考え、次に△△を検討し、最後に□□を判断してください」のように、考え方の手順を明示的に示すやり方です。

帰納的アプローチは、Few-shotと呼ばれる手法です。「こういう入力に対してはこういう出力が正解です」という具体的なパターン例をいくつか示し、「これらの例から類推して答えてください」と指示します。

一方のアプローチでうまくいかない場合は、もう一方を試してみると改善することがあります。

プロンプトに**「ステップバイステップで考えてください」と追加するだけで、論理的な回答が得られやすくなります。「初心者にも分かるように説明してください」と加えると、専門用語が減って平易な表現になります。「具体例を3つ挙げてください」**と付ければ、抽象的な説明に留まらず理解が深まる回答が返ってきます。これらはすぐに試せるテクニックなので、ぜひ普段のやりとりに取り入れてみてください。

LLMとの対話には、見落とされがちな重要な側面があります。それは、LLMとの対話そのものが「次のプロンプトを作る作業」でもあるということです。API経由でのやりとりでは、それまでの会話のすべてがコンテキスト（文脈情報）としてLLMに渡されています。つまり、LLMとの一連のやりとりは、満足のいくアウトプット品質を得るための、精度の高いプロンプトを段階的に作り上げていく作業なのです。

この考え方を発展させると、強力な使い方が見えてきます。たとえば、Deep Research（AIによる深い調査）の結果を、別のプロンプトのコンテキストとして組み込むことができます。自社データの分析をAIに頼む際に、事前に行った市場調査のDeep Research結果をコンテキストとして追加すれば、単なる自社データの分析だけのときとはまったく違う質の洞察が得られます。ただし、追加するコンテキストが本来の目的の邪魔にならないよう注意が必要です。

コンテキストの運用で最大のボトルネックとなるのが、インプットトークンの長さです。カタログスペック上は非常に長いコンテキストを扱えることになっていても、実際にはやりとりが長くなるにつれて精度が落ちていきます。指示を無視したり、前に伝えた条件を「忘れた」かのようにふるまったりすることが増えるのです。

対策としては、ある程度やりとりが長くなってきたらチャットをリセットすることが有効です。その際、それまでのやりとりの内容をAIに要約させ、その要約を新しいチャットに貼り付けて再開すれば、重要な情報を引き継ぎつつリフレッシュできます。

もう一つ注意すべき点があります。プロジェクト機能などで暗黙のうちに使われている自分専用のコンテキストに頼りすぎると、自力でプロンプトを組み立てる力が衰えてしまいます。あくまでプロンプトの基本を身につけた上で、便利な機能を活用するのが望ましい姿勢です。

高度なテクニックの一つに、AIに対話をさせて、AIが必要な情報を自分で収集するように仕向ける方法があります。ユーザが最初から的確なプロンプトを作れない場合に特に効果的です。

やり方としては、「まず私に必要な質問をしてから作業を開始してください」「明確にならない場合は次のステップに進まず、何度も聞きなおしてください」といった指示をプロンプトに含めます。こうすることで、AIがインタビュアーのように振る舞い、タスクに必要な情報を引き出してくれます。

あるタスクをAIに頼む前に、まずそのタスクについて以下の3点を質問すると効果的です。

1つ目は、AIにできること。そのタスクのうち、AIが得意な部分や確実にこなせる部分を把握します。2つ目は、AIにできないこと。苦手な部分や対応が難しい部分を事前に知ることで、代替手段を考えたり、妥協ラインを設定したりできます。3つ目は、AIが追加で欲しい情報。これを聞き出して、コンテキストとして与えることで、アウトプットの精度が下がりにくくなります。

出力に満足できないとき、そもそもタスクが大きすぎる可能性があります。前述のとおり、タスクを適切な粒度に分割してから再度取り組んでみましょう。

AIに指示に忠実に動作させるのは、実は意外と難しいことです。結構な頻度で指示を無視します。指示に従わなかったことをその場で指摘すれば、次の瞬間は指示通りに動きます。しかし、それだけでは別のタスクでまた同じように無視されることがあります。

根本的な対策としては、なぜ指示に従わなかったのか、その理由をAIに直接聞いてみることです。そして、どのようにプロンプトを書き換えれば従いやすくなるかも聞いてみましょう。これによって得られたフィードバックを自分のプロンプト改善に役立てることができます。

AIの回答が浅い、視点が足りないと感じる場合は、事前に着眼点をリストアップしておくことが有効です。そのリストアップ自体をAIとのブレインストーミングで行ってもよいでしょう。「この問題についてどんな観点から考えるべきか」を先に整理してからタスクに入ることで、出力の深みが増します。

ハルシネーションとは、AIがもっともらしいが事実ではない情報を生成してしまう現象です。これに対しては、最終的にはユーザ自身の知識で判定するしかない部分もありますが、プロンプト技術での対応も可能です。回答に根拠や出典を求める指示を入れたり、回答の最後に検証ステップを設けたりするシステムプロンプトを組み込むことで、リスクを軽減できます。

自分のプロンプトが「良いプロンプト」かどうかを判断するには、3つの基準があります。

まず、同じプロンプトで何度試しても安定した品質の回答が得られること。前述のとおり、生成AIの出力は確率的にばらつきますが、良いプロンプトはそのばらつきを最小限に抑えます。

次に、指示した通りの形式で出力されること。マークダウンで出すよう指示したらマークダウンで出る、箇条書きを求めたら箇条書きになる、というように、形式面の指示が確実に反映されていることです。

最後に、余計な情報が含まれないこと。必要な情報が過不足なく、なるべく少ないトークンで出力されることが理想です。冗長な前置きや不要な補足が減れば、それだけ実用的なアウトプットに近づきます。

業務をAI化するためにプロンプトを作る作業は、実は業務そのものを言語化する作業にほかなりません。「この仕事ではどんな情報が必要で、どんな手順で、どんな判断基準で進めるのか」を明文化する行為であり、これは必ずしもAIに限った話ではなく、業務改善や引き継ぎにも直結する普遍的に価値のある取り組みです。

業務で扱うドキュメントは、可能な限りマークダウン形式にしておくのがおすすめです。マークダウンはテキストベースなので加工しやすく、さまざまな形式への変換も容易です。AIとのやりとりにおいても、マークダウンで書かれた文書はそのままコンテキストとして使いやすいという利点があります。

最後に、本格的にAIを仕事のサイクルに組み込んで運用するためには、業務フロー全体の再構築が必要になるということを強調しておきます。既存の業務の一部をAIに置き換えるだけでは、AIの力を十分に引き出すことはできません。どこでAIを使い、どこで人間が判断し、どうフィードバックを回すかを含めた全体設計が求められます。そのためには相応の時間と労力が必要です。やるならば覚悟を持って取り組みましょう。