生成AI | CIO

AI利用を昇進条件に据えるのはアリ？アクセンチュアの事例から考える

アクセンチュアが一部社員のAIツール利用状況を監視し、そのログイン実績を昇進条件に組み込むという報道が波紋を呼んでいる。

著者：石井大智

2026年02月24日5分

人工知能生成AI

記事

ブラックボックスを扱う技術：LLMの挙動を調べる方法

LLMはしばしばブラックボックスと呼ばれるが、だからといって手探りで運用するしかないわけではない。内部表現や注意のパターンを観察し、どこで情報が混ざり、どこで誤りが生まれたかを推測するための技術がある。ただし、見えるものをそのまま“理由”と解釈すると危険で、観察と因果は区別しなければならない。本稿では、数式なしで、注意の可視化が何を教え、何を教えないのか、内部表現に情報があることと使っていることの違い、そして一歩踏み込んだ介入実験の考え方まで、LLMのデバッグに使える視点をまとめる。

著者：石井大智

2026年01月10日 1分

人工知能生成AI

LLMはなぜ自信満々に間違えるのか：ハルシネーションの原因と減らし方

LLMを使っていて最も厄介なのが、もっともらしい嘘を自信ありげに出す現象、いわゆる幻覚である。これは単なるバグではなく、確率モデルとしての性質、学習データの不完全さ、推論時の選び方、そして「ユーザに役立とうとする」調整が組み合わさって起きる。本稿では、数式を使わずに、幻覚がどのような種類に分かれ、どんな条件で増え、どんな対策が効くのかを、原因と対策を対応付ける形で整理する。

著者：石井大智

2026年01月09日 1分

人工知能生成AI

LLMはなぜ指示に従えるようになるのか：SFTと好み学習（RLHF／DPO）をやさしく整理する

事前学習しただけのLLMは、文章の続きをそれっぽく作るのは得意でも、ユーザの意図を汲んで丁寧に答えたり、危険な要求を断ったり、会話の方針を守ったりするのは得意ではない。そこで追加学習として行われるのが、指示追従のための調整である。代表的な流れとして、まず「良い回答例」を教師データとして学ぶSFTがあり、次に「どちらが良い回答か」という好みを学ぶ段階がある。本稿では、数式に頼らず、SFT、RLHF、そして近年よく使われるDPOの考え方を、なぜそれで“助手らしさ”が出るのかという因果で説明する。

著者：石井大智

2026年01月08日 1分

人工知能生成AI

速く賢く生成する仕組み：デコーディング、KVキャッシュ、バッチング、量子化

LLMをプロダクトに載せるとき、学習よりも推論の方がコストに効く場面が多い。推論は、ユーザの入力に応じてその場で文章を生成する処理であり、同じモデルでも「生成の仕方」と「実行の仕方」で速度、コスト、品質が大きく変わる。本稿では、数式を使わずに、生成を制御するデコーディング手法、推論を高速化するKVキャッシュ、スループットを上げるバッチング、そして軽量化の定番である量子化までを、現場目線でつなげて説明する。

著者：石井大智

2026年01月08日 1分

人工知能生成AI

LLMはどうやって学習されるか：学習率、最適化、分散学習、安定化の基本

LLMの学習は、巨大な計算資源を使うだけの作業ではない。むしろ、計算資源を「壊さずに」「無駄なく」「再現性を保って」学習に変えるための工学が詰まっている。学習率の設計を誤れば発散し、分散のやり方を誤れば通信で詰まり、精度の扱いを誤れば数値が壊れる。逆に言えば、同じデータと同じモデルでも、学習の回し方次第で到達点が変わる。本稿では、数式に頼らず、LLM学習を支える最適化の直観、学習率スケジュール、混合精度、バッチ設計、そして分散学習の代表的な並列化の考え方を、実務に接続できる形で説明する。

著者：石井大智

2026年01月07日 1分

人工知能生成AI

LLMの学習データはどう作られるか：収集からフィルタリング、重複除去、データ配合まで

LLMの性能差は、モデル構造や学習計算量だけで決まらない。実務感覚として、むしろ「どんなデータを、どんな基準で集め、どう整え、どんな割合で混ぜたか」が、能力の輪郭を決めることが多い。データはモデルにとって世界そのものであり、そこに含まれる語彙、文体、価値観、誤り、偏りが、そのままモデルの振る舞いになる。本稿では、LLMの事前学習データが実際にどのような工程で作られるかを、収集、品質フィルタ、毒性や個人情報への配慮、重複除去、データミックス設計、そして評価汚染の回避まで、専門的な観点で一つのパイプラインとして説明する。

著者：石井大智

2026年01月06日 1分

人工知能生成AI

次トークン予測の本質：LLMが「理解」に見える振る舞いを獲得する学習目的

LLMの学習は、驚くほど単純な目的から始まる。「これまでの文脈が与えられたとき、次に来るトークンを当てる」——多くのLLMは、この一点を徹底的に最適化して作られる。ところがその結果として、要約、翻訳、推論、プログラミング支援のような能力が“副産物”として立ち上がる。ここにLLMの不思議さがある。本稿では、数式を使わずに、次トークン予測が具体的に何を学習しているのか、モデルが出力する確率の意味、学習の評価指標として使われるパープレキシティの直観、そして「パープレキシティが良いのに役に立たない」ような限界まで、専門的な観点で説明する。

著者：石井大智

2026年01月06日 1分

人工知能生成AI

位置情報の入れ方で性能が変わる：Transformerが「順序」を理解する仕組み

Transformerの自己注意は強力だが、実はそのままでは「順序」を持たない。単語の集合としては扱えても、「どちらが先か」「どれだけ離れているか」といった情報が入力に含まれなければ、語順が意味を変える言語を正しく扱えない。そこでLLMは、トークンの並びに関する手がかりを、何らかの方法で内部表現に注入する。これが位置エンコーディングや位置表現と呼ばれる領域で、選択する方式によって長文での安定性、外挿性能、推論時のコスト、そして生成の癖まで変わり得る。本稿では、数式を前提にせず、代表的な方式であるサイン波型、学習型、RoPE、ALiBiを中心に、「何を足しているのか」「どんな直観で効くのか」「どこで破綻しやすいのか」を文章で整理する。

著者：石井大智

2026年01月06日 1分

人工知能生成AI

今頃聞けないTransformerの話：自己注意が「文脈」を作る仕組みとは？

Transformerは、LLMの中心にある設計であり、自己注意（Self-Attention）はその核となる仕掛けだ。自己注意をひとことで言うなら「文の中のどこに注目すべきかを、入力そのものから計算して決める仕組み」である。

著者：石井大智

2025年12月27日 1分

人工知能生成AI

LLMエージェント時代のプロダクトマネジメント──仕様は“振る舞い”から設計せよ

LLMエージェントを組み込んだプロダクトは、従来のSaaSや業務システムとは振る舞いの性質が根本的に異なります。入力が同じでも必ずしも同じ出力にならず、状況に応じて判断を変え、時には想定外の言動さえ見せることがあります。だからこそ、プロダクトマネージャーには「機能要件を列挙する」だけではなく、「どう振る舞ってよいか」「どこから先はダメなのか」という行動ポリシーを設計する視点が求められます。本稿では、LLMエージェント時代のプロダクトマネジメントを、仕様設計、評価・ロールアウト、組織体制という三つの観点から考えます。

著者：石井大智

2025年12月05日 1分

人工知能生成AI

生成AIが変える社会と働き方──制度・文化・技術の統合と未来の設計図

生成AIは、企業の業務効率化を超えて、社会全体の構造や人間の役割にまで影響を及ぼし始めている。自治体や教育、医療といった公共領域への応用、制度設計の再構築、そして「人間らしさ」の再定義──その先にあるのは、技術・文化・制度が三位一体で進化する社会の姿だ。橋口剛（Generative AI Japan 有識者会員／元グーグル・クラウド・ジャパン執行役員、写真左）氏と野田耕平（博報堂ＤＹホールディングス・Human-Centered AI Institute・マネジメントプランニングディレクター、写真右）氏が、生成AIの社会実装と未来の働き方について、現場と構想の両面から語り合った。

著者： Takashi Matsuzaki

2025年11月13日 2分

人工知能生成AI

生成AIの企業導入と活用──現場から見える組織変革のリアルと未来

生成AIの進化は、企業の業務効率化を超えて、組織構造や働き方そのものを揺さぶり始めている。導入率は急速に上昇し、活用領域は広がり、社内体制は再設計を迫られている。とはいえ、その実態は業種や企業規模によって大きく異なる。今回は、AI導入の現場を熟知する橋口剛（Generative AI Japan 有識者会員／元グーグル・クラウド・ジャパン執行役員、写真左）氏と野田耕平（博報堂ＤＹホールディングス・Human-Centered AI Institute・マネジメントプランニングディレクター、写真右）氏が、導入状況から活用領域、組織体制、成果測定、そして人間中心設計に至るまで、生成AIの企業活用の最前線を語り合った。

著者： Takashi Matsuzaki

2025年11月11日 2分

人工知能生成AI