生成AIの技術核心には「パターンマッチング」があります。
■パターンマッチングとは
生成AIの技術特性を一言で表わすなら、それは「統計的なパターンに基づく文章生成」となります。（ここで画像生成などは横に置いています）
つまり生成AIにおけるパターンマッチングとは、大量のデータから学習した言葉のつながりの傾向（パターン）に照らして、入力の続きとして、もっともらしい（パターン確率が高い）「次のつながり」を選び出す働きのことです。
このことから生成AIが行っていることは、「所詮パターンマッチングさ」と言うことも出来る一方、人間の能力を遙かに超える規模でのマッチング作業ゆえ、「人智を超えるのも間もなくだ」とすら言われるまでになっているのです。
言い方を変えると、生成AIは、事実を調べて答えを取り出したり、意味を理解して考えたりしているのではありません。あくまでパターンに合う、もっともらしい文章を組み立てているだけなのです。
そのため、パターンに合う内容なら自然で的確な文章を短時間で出せ人を驚かせるる一方、自身の訓練に使われた見たことが少ない内容や、入力の手がかりが足りない場面では、もっともらしい誤りをひねり出す（ハルシネーション）ことがあります。この性質から生じるポイントは以下の5点。それぞれについて、どういう内容か、そこから何に気をつければよいかを、吉田塁（東京大学）先生のご講演などから整理してみました。
■生成AIの技術特性と使用上のヒント・留意点
1. 次語予測・プロンプト依存とは
次語予測とは、AIが文章を作る際にとっているアプローチのことです。具体的には、「次に続く確率が最も高い単語（トークン）を順番に予測して並べる」というものです。
対話型の生成AIは、入力された文章や過去のテキストを参考に、次に来る文字や単語を予測して出力します。仕組み自体は単純ですが、モデルを大きくすると多様なタスクをこなせるようになります。ここから次の特色も出てきます。プロンプト依存です。
プロンプト依存とは、AIの出力の品質や内容が、ユーザーが入力する指示文（プロンプト）の書き方に強く依存（影響）される現象のことです。
AIは自発的な意思を持たないため、入力された言葉（前提条件や文脈）によって、次語予測の「確率の計算結果」がガラリと変わります。例を載せる、思考過程を出力させるなどの工夫で性能が上がることが、研究でも示されています。
●ヒント・留意点
・行ってほしいことを、目的も含めて具体的に伝えます。必要なら出力形式やデータも指定、アップロードします。
・思い通りにならなくても、直してほしい部分を明確に伝えて対話を重ねます。プロンプトは改善するもの、生成AIは対話するものと捉えましょう。
2. ハルシネーションとは
生成AIは必ずしも正確な情報を述べるわけではなく、事実と異なることをもっともらしく出力することがあります。これが幻覚(ハルシネーション)です。次語予測の仕組み（上記1．）を踏まえると、「正しい文」ではなく「ありそうな続き」を出力するだけなので、もっともらしい誤りが混ざり得るのだと、理解しておくべきでしょう。
人間が簡単に解ける問題で間違うこともあり、吉田氏は「全知全能ではない」と繰り返しています。できると答えた作業が結局できない、といった場面もあるとのことです。
●ヒント・留意点
・生成AIを使う側で専門知識を持つこと、一次情報にあたること、情報の信頼性を自分で検討することが重要です。
・出力を使うときは人間が最終的な責任を持ちます。AIは責任を持ちません。
・分野やモデルによって得意不得意が違うため、それぞれの分野でどこまで使えそうかを検討するべきです。
3. モデル・版による性能差
生成AIにおける「モデル・版による性能差」とは、AIの「レベルの高さ」「処理スピード」「得意分野」が、基盤となるAIモデルの種類（例：GPT vs Claude）や、バージョン（例：GPT-4o vs GPT-3.5、1.0 vs 2.0）によって劇的に変化することを指します。吉田氏はGPTモデルのエッセイ評価能力を検証し、次の点を報告しています。
・マイナーバージョンの違いでも評価能力が異なる。
・最新モデルではない2023年6月版のGPT-4が最も安定性、性能が高かった。
・GPTの評価と専門家の評価の一致率は高いとは言えなかった。
また、有料版と無料版の性能差が公平性の課題になり得ること、言語による格差があることも、リスクとして挙げています。
●ヒント・留意点
・最新モデルが全分野で最良とは限りません。使うモデルごと、用途ごとに性能を確かめる必要があります。
・評価や採点の補助に使う場合、その結果を過信しないように。
・進展が速いため、臨機応変に対応できる体制づくりや、課題・知見の蓄積が必要です。実際に使って試行錯誤することが大事だとされています。（校務で使う場合は、どのサービスのどのモデルを使ったかを把握し、記録しておくと、結果の再確認がしやすくなります。
4. 検出が困難
生成AIにおける「検出困難性」とは、ある文章、画像、音声、プログラムなどのコンテンツが「人間によって作られたものか、生成AIによって自動生成されたものか」を判別（検出）することが極めて難しいという性質のことです。現在（2026年10月）、AIの出力は人間の創作物と見分けがつかないレベルに達しており、これがセキュリティや倫理上の大きな課題となっています。
●ヒント・留意点
・検出ツールや、生成AI自身への問い合わせでは不正を判定しえない、とまず肝に命じるべきです。
・吉田氏は対策として、対面での評価や、生成AIが自動生成しにくい課題設定を挙げています。場合によっては、評価方法だけでなく授業の目的や内容、カリキュラムまで再検討する可能性があるとしています。
・根本的には、「生成AIで楽をしたい」と思われる課題ではなく、「自分で学びたい」と思える授業・課題づくりが重要だというのが吉田氏の考えです。
5. データが学習されるリスク
生成AIにおける「データが学習されるリスク」とは、ユーザーがAIに入力した情報や、Web上に公開した自作のコンテンツが、AIモデルの再学習（トレーニング）に取り込まれ、他人の回答として出力・漏洩してしまう危険性のことです。
吉田氏のスライドの「リスク一覧」には、「意図せずデータが学習される可能性」とあわせて、個人情報の捏造や流出、機密情報の流出の可能性も並んでいます。つまり、入力した情報の扱いは、サービスの設定や契約によって変わるということです。
●ヒント・留意点
文部科学省が全国の小・中・高校向けに公表した生成AIの扱い方に関する公式な指針として、「初等中等教育段階における生成AIの利活用に関するガイドライン（Ver.2.0）があります。
・文科省ガイドライン(Ver.2.0)で押さえるべきとされる5つのポイントに、情報セキュリティと個人情報等の保護が含まれます。吉田氏もこの整理を紹介しています。
・校務の具体例では、児童の特性を匿名化したうえで入力して学級編成を行う事例が紹介されています。個人が特定できる情報は、そのまま入力しない運用が前提です。
■関連URL
●吉田 塁 | 東京大学 https://www.u-tokyo.ac.jp/focus/ja/people/k0001_01547.html
●生成AIの基礎と教育における活用可能性（2025年6月） https://www.mext.go.jp/zyoukatsu/ai/contents/2025/archive/20250625_01.pdf
●「学校における生成AIの適切な使い方 https://www.mext.go.jp/zyoukatsu/ai/contents/2025/archive/2025_jissen_01.pdf
