モデル動向
AIチャットの精度はなぜ長時間で落ちるのか──「コンテキスト・ロット」7パターンとスレッドを分ける判断基準
AIとの対話はスレッドが長くなるほど劣化する。EveryのMike Taylorは、その劣化を引き起こす7つのパターンと、スレッドを分けるべきタイミングの見極め方を示す。
原題
“Context Engineering Is Knowing When to Start Over” （コンテキスト・エンジニアリングとは、いつやり直すかを見極めることである）
原文からの引用
“A model won't get annoyed if you start over 15 times, and it won't tell you when your thread has become a mess. Its output just gets worse, so it's up to you to prevent context rot before it takes over.”
日本語訳 モデルは15回やり直されても気にしないし、スレッドが混乱したことを教えてくれるわけでもない。出力の質が落ちていくだけなので、劣化が深刻になる前に防ぐのは利用者側の責任である。
要点
- Everyのエバル責任者Mike Taylorは、AIとの対話が長くなるほど応答精度が落ちる現象を「コンテキスト・ロット（文脈の劣化）」と呼び、その原因を7パターンに整理する。
- Taylorは、プロンプトに命名例を追加するとChatGPTの提案がその例のパターンに縛られる実験を示し、過去の会話内容がすべて暗黙の指示として扱われることで創造性が意図せず制約される「コンテキストの分散」を説明する。
- Taylorの同僚Katie Parrottが執筆スタイルガイドを759語から3,855語に増やした結果、1本のエッセイに127回の下書きと100万語超を要した事例は、無関係な指示が多すぎるとモデルの出力が劣化する「コンテキストの混乱」を示す。
- スタンフォード大学の研究者らは、AIモデルが長い文脈の先頭と末尾に注意を向けやすく中間の重要情報を見落とす傾向を指摘しており、Taylorは9つの文書のうち6番目に置いた不具合報告をモデルが無視した実験で同じ「コンテキストの見落とし」を確認した。
- TaylorはGoogleのGemini 2.5技術報告書にある「コンテキスト・ポイズニング（文脈汚染）」という用語を引用し、モデルが過去の誤りを訂正されても会話内に残り続け、後続の回答を汚染し続ける問題を説明する。
編集部の考察
AI活用を全社に広げた組織が次に向き合うべきは、個々の社員のプロンプト技術ではなく、チーム単位での「AIチャットの使い方」に関する標準の有無である。Taylorが示す7パターンのうち分散・混乱・見落とし・汚染（要点2、要点3、要点4、要点5）はいずれも、利用者が長時間・大量の指示をひとつのスレッドに積み重ねることで生じる劣化であり、個人の工夫に委ねている限り組織内で再発する構造的な問題である。Katie Parrottのスタイルガイド事例（要点3）で759語から3,855語への膨張が127回の下書き・100万語超の浪費を招いた事実は、「指示を増やすほど精度が上がる」という直感が誤りであり、組織が全社員向けのAI利用ガイドラインを分厚くしていく際にも同じ罠に陥りやすいことを示している。自分の組織でAI活用のガイドラインや研修を整備する際に決めるべきは、プロンプト集を積み上げていくのではなく、タスクが変わるたびに新しいスレッドを開き必要な文脈だけを渡すという「使い方」の原則を標準化し、個人の裁量ではなく研修・テンプレートとして組織に落とし込むことである。
本記事は海外記事の独自キュレーション・考察であり、原文の翻訳ではありません。引用部分の著作権は原著者に帰属します。
この記事の調査と下書きにはAIを使っています。数値や事実は出典と照合し、公開するかどうかは運営者が判断しています。（制作方針）