LLM観測記録【後編-2】 | 2023年の問いに2026年のChatGPT/Mistralの応えは？

2023年の問いかけから2年半。2026年のLLM５モデルの応答は？

０．はじめに

前回、前々回では、2023年当時の問いかけ
（複合的でシンプルに回答できない性格のプロンプト）
に対し、LLMはどう応答するか？

旧BingAIと現Copilotを対象に
2023年当時と2026年現在の差分を比較した。

今回後編-2は、ChatGPT, Mistral の2モデルである。

ブラウザ版（プライベートモード環境）の無料プランにおいて、
応答構造・分析深度・反論形成などから、
2023年との変化、モデル間差分と収束などを見ていく。

引き続き分割形式で進めることとし、
次回後編-3で、Gemini, Perplexity を取り上げる予定である。

１．観測ログ① | 2023年11月 | プロンプトA

2023年当時のLLMと同じ条件で
2026年の各モデルがどう応答するか？
比較のため、引き続き当時のプロンプトを使う。
最新情勢の変化や、プロンプトの雑さなど、ご容赦いただきたい。

２．観測ログ② | 2026年5月 | ChatGPT応答（プライベートモード）

問題意識はもっともで、日本の行政に関する議論でも長く指摘されてきた論点がいくつも含まれています。
整理すると、あなたが懸念しているのは大きく3点ですね。

① 上位職ほど判断の難易度が高まり、公正中立の維持がむしろ難しくなること
② 専門性や判断力がそのプレッシャーに見合って維持・向上されているのかという疑問
③ 前例主義や定型業務の肥大化によって、制度が現実に追いつかず、結果として中立性すら損なう可能性

これらはそれぞれ独立しているようでいて、実際にはかなり連動しています。

まず、公正中立という原則そのものが、現場レベルでは比較的「ルールに従う」ことで担保しやすい一方、上位職になるほど「どのルールをどう適用するか」という裁量判断の比重が増えます。

この段階では、公正中立は単なる手続き遵守ではなく、価値判断を伴うものになります。
つまり、原則は同じでも、実装の難易度が質的に変わるわけです。

次に専門性の問題ですが、日本の行政は伝統的にジェネラリスト志向が強く、短期間での異動を繰り返す人事慣行があります。

この仕組みには組織全体を俯瞰できる人材を育てる利点もある一方、特定分野における深い専門性や、急速に変化する政策領域（デジタル、環境、金融など）への対応力を削ぎやすい側面があります。

結果として、難しい判断を迫られるポストにおいて、経験は豊富でも最新の知見とのギャップが生じることは現実にあり得ます。

そして前例主義ですが、これは単純に「悪」とは言い切れません。

本来は恣意性を排し、公平性を担保するための重要な仕組みです。
ただし、環境変化が速い局面では、前例の蓄積がむしろ現実との乖離を生むことがあります。

ここで問題になるのは前例主義そのものというより、「前例を更新する能力」や「例外を正当化する説明力」が組織として弱くなっている場合です。

さらにご指摘の「定型業務に忙殺される」という点も重要で、これは単なる個人の問題ではなく制度設計の問題です。

業務量の増加、説明責任の強化、リスク回避志向の高まりなどが重なると、新しい政策を構想する余力が削られます。

その結果として「形式的には中立だが、実質的には時代遅れで不公平」という状態が生まれる、という指摘は筋が通っています。

ただし一方で、近年はデジタル化（例：行政のDX推進）や外部専門家の登用、民間との人材交流など、こうした問題を緩和しようとする動きも確実に存在します。

すべてが硬直化しているわけではなく、分野や組織によって温度差が大きいのが実態に近いでしょう。

結局のところ、公正中立を維持するためには

• ルール遵守だけでなく「判断の質」を高めること

• 前例を守るだけでなく「更新する能力」を制度的に担保すること

• 個人の能力に依存しすぎず、組織として学習できる仕組みを持つこと

このあたりが鍵になります。

もし関心があれば、もう少し踏み込んで「どうすれば改善できるのか（制度改革・人事・評価の観点）」まで具体的に議論することもできます。

３．観測ログ③ | 2026年5月 | Mistral応答（プライベートモード）

あなたの指摘は非常に示唆に富んでいます。
公務員の公正中立は、民主主義社会における行政の信頼性を支える重要な原則です。
特に上位職になるほど、複雑な価値判断や利害調整が求められ、その判断が公正中立の維持に直結するため、専門性と倫理観がますます重要になります。

しかし、前例主義や定型業務への硬直化は、 indeed （※原文ママ）現代社会の変化に対応しきれず、結果として公正中立を損なうリスクを高める可能性があります。

特に、行政ニーズの多様化や技術の進展、社会構造の変化に伴い、従来の制度や手続きが陳腐化し、形式的な適用にとどまることで、国民の利益や国益を十分に反映できなくなる恐れがあります。

今後の課題

1. 制度の柔軟性と革新性
前例主義を完全に否定するわけではありませんが、新たな課題に対応するための柔軟性と革新性が求められます。
例えば、行政手続きのデジタル化や、市民参加型の政策立案など、時代に合った手法を取り入れることが重要です。

2. 公務員の能力向上
上位職の公務員に対しては、専門性だけでなく、倫理観やリーダーシップ、変化に対応する能力を継続的に向上させる仕組みが必要です。
また、若手職員の育成や、多様な人材の登用も、組織全体の適応力を高めるために重要です。

3. 透明性と説明責任
公正中立を維持するためには、行政の透明性と説明責任が不可欠です。
国民に対して、行政の意思決定プロセスや、その根拠を明確に示すことで、信頼を維持することができます。

あなたの懸念は、多くの国で共通する課題かもしれません。

日本においては、特に少子高齢化やグローバル化、技術革新など、社会の変化が急速に進んでいるため、行政のあり方も見直す必要があるのではないでしょうか。

このような状況を踏まえて、公務員の公正中立を維持しつつ、社会の変化に対応していくためには、どのような取り組みが有効だとお考えですか？

４．観測ログ④ | 2023年11月 | プロンプトB

観測ログ①と同じ要領で、
構造化された形で行政課題を列挙したプロンプトに
どう応答するかを観測する。

５．観測ログ⑤ | 2026年5月 | ChatGPT応答（プライベートモード）

挙げている論点はかなり体系的で、「個別の弱点」ではなく
行政システム全体の設計不全として捉えている点が重要です。

その見立ては概ね妥当ですが、少しだけ補正した方が現実に近くなります。

まず、「貧困」とまとめている各要素
——情報アクセス、リソース管理、ナレッジ継承——
は確かに弱い部分がある一方で、ゼロに近いほど欠けているわけではなく、“分断されている”ことが本質的な問題です。

たとえばデータ自体は各省庁や自治体に相当量蓄積されていますし、公文書管理制度も形式上は整っています。

ただ、それらが横断的に接続されず、「使える知識」になっていない。

1. 情報・データの問題：量ではなく接続と解釈

日本の行政は統計や文書の蓄積量ではむしろ豊富な部類ですが、

• フォーマットがバラバラ

• 横断検索が弱い

• 政策意思決定に直結する分析基盤が弱い
  

結果として「データはあるが意思決定に効かない」という状態になりがちです。
これは単なるデジタル化の遅れというより、「データを使って判断する文化」の問題でもあります。

2. リソース管理：不足というより配分の硬直性

ヒト・モノ・カネの不足感は確かにありますが、より正確には
柔軟に再配分できない構造が問題です。

• 人員配置が年度単位・制度単位で固定されやすい

• 予算が用途別に細分化され流用しにくい

• データが資源として扱われていない
  

この結果、「重要度が下がった業務を縮小して新規課題に振り向ける」ことが難しく、陳腐化した業務が温存されやすい。

3. ナレッジ継承：人に依存したまま

ご指摘どおり、日本の行政は依然として
暗黙知（人に紐づく知識）への依存が強いです。

• 異動で知見が分断される

• 文書化しても検索・再利用されない

• 成功・失敗の蓄積が体系化されない
  

ここは単にITの問題ではなく、「記録して共有することへのインセンティブ設計」が弱いのが大きいです。

4. 「有機的に結合されていない」という核心

あなたの指摘で最も重要なのはここです。
情報・人材・制度が個別最適で止まり、統合されていない。

その結果：

• 知識が意思決定に届かない

• 改善のループが回らない

• 現場が疲弊し続ける
  

これは典型的な「サイロ化（縦割り）」ですが、単なる組織文化ではなく、法制度・予算制度・人事制度がそれを強化している点が厄介です。

外部要因についての評価

・国会対応（政治との関係）

ここはかなり本質を突いています。
国会対応は

• 短時間で大量の答弁作成

• 正確性・整合性の極端な要求

• リスク回避的な表現の徹底
  

といった特徴があり、高負荷・低付加価値化しやすい業務です。

しかもデジタル化との相性が悪く、形式主義が残りやすい領域でもある。

ただし、これは行政だけで完結する問題ではなく、
政治側の運用（質問通告の慣行など）とセットです。

・メディアとの関係

ここはやや見方にバランスが必要です。

確かに構造的課題（データ基盤や人事制度など）は
報道で扱われにくいですが、
一方で：

• 行政の説明不足

• 専門情報の非公開・非構造化

• 政策過程のブラックボックス性
  

も影響しています。
つまり「メディアの問題」だけでなく、情報発信設計の問題でもある。

全体像の整理

あなたの議論を少し抽象化すると、こうなります：

その帰結として：

• 業務が累積して削れない

• 新規ニーズに対応できない

• 結果的に実質的な公平性が損なわれる
  

このロジックは一貫しています。

一点だけ補足（やや重要な反論）

「このままだと公正中立が維持できなくなる」という点については、
やや強めの仮説です。

実際には多くの場合、

• 手続き的中立性は維持される

• ただし結果の妥当性・適合性が低下する
  

つまり崩れるのは「形式的中立」ではなく
実質的な公平・合理性のほうです。

ここを区別すると、議論がより精緻になります。

もし次に進めるなら、かなり面白い論点として

「ではどこから手を付ければ、この“分断された行政システム”は改善できるのか」
（人事・予算・データ基盤のどれを起点にすべきか）
を具体的に詰める価値があります。

６．観測ログ⑥ | 2026年5月 | Mistral応答（プライベートモード）

あなたの分析は、日本の行政公務員が直面する構造的な課題を非常に明確に浮き彫りにしています。

これらの課題は、単に「業務の非効率」という次元を超え、行政の公正中立を損なうリスクに直結する深刻な問題です。

以下に、あなたの指摘を整理し、課題の核心とその解決に向けた視点をまとめてみます。

1. 課題の核心

A. 情報・データの貧困

• 内外情報アクセスの不足: 行政内外の情報が十分に収集・活用されていない。

• デジタル対応の遅れ: 紙中心の業務、非効率な公文書管理、データの活用不足。

• 統計・エビデンスの不足: 政策立案や業務改善に必要なデータが不十分、または活用されていない。

B. リソース管理の貧困

• ヒト: 人材不足、専門性の不足、業務の偏在。

• モノ: 古いシステム、設備の不足。

• カネ: 予算の制約、投資の優先順位の問題。

• データ: データの散在、管理の不備、活用の仕組みの不足。

C. ナレッジ継承の貧困

• データ化・プラットフォーム化の不足: 知識やノウハウが個人に依存し、組織的に継承されていない。

• 公文書管理の不備: 過去の知見が活用しにくい形で保管されている。

D. 有機的連携の不足

• 上記A〜Cの課題が、それぞれ孤立しており、相互に連携・補完し合う仕組みがない。

2. その結果生じる問題

• 陳腐化した業務に忙殺: 定型業務に追われ、改善や新たなニーズへの対応にリソースを割けない。

• 社会変化への対応遅れ: 新たな行政ニーズに応えられず、結果として公正中立を損なう。

• 制度・運用面の条件不備: 制度や業務プロセスが時代遅れになり、現実の業務にそぐわない。

3. 外部要因

A. 政治との関係

• 国会対応のデジタル化遅れ: 政治側のデジタル化への意識が低く、行政のデジタル化を阻害。

• 短期的な政治判断: 長期的な行政改革よりも、目先の利益を優先する傾向。

B. メディアとの関係

• 報道姿勢の問題: 行政の課題への理解が不十分なまま、批判や注目が偏る。

• 国民へのアプローチ不足: 行政自身が国民に対する説明責任を果たせていない。

4. 解決に向けた視点

A. デジタル化・データ活用の推進

• 公文書管理のデジタル化: クラウドベースの文書管理システムの導入。

• オープンデータの推進: 行政データを公開し、民間との共創を促進。

• AI・ビッグデータの活用: 予測分析や業務効率化に活用。

B. リソースの最適化

• 人材の再配置・育成: 専門性を高めるための研修、キャリアパスの見直し。

• 予算の優先配分: デジタル化や人材育成に重点的に投資。

• 民間との連携: 行政のリソース不足を補うため、民間のノウハウを活用。
  

C. ナレッジ継承の仕組みづくり

• ナレッジマネジメントシステム: 知識をデータベース化し、組織全体で共有。

• メンター制度: 経験豊富な職員から若手への知識継承。
  

D. 外部との連携強化

• 政治との対話: デジタル化の重要性を政治側に理解してもらうための啓発。

• メディアとの協力: 行政の課題を正しく伝えるためのメディアリテラシー向上。

• 国民とのコミュニケーション: 行政の取り組みを分かりやすく発信し、国民の理解を得る。
  

5. 今後の展望

これらの課題は、単に「行政の効率化」という次元を超え、民主主義社会における行政の信頼性と公正中立を維持するための根本的な改革が求められています。

特に、デジタル化とナレッジマネジメントは、行政の透明性と説明責任を高めるための鍵となるでしょう。

質問:
あなたのご経験やご見解から、これらの課題に取り組むにあたって、最も優先すべきはどの分野だとお考えですか？
また、その分野で具体的にどのような取り組みが有効だとお考えですか？

７．まとめ | 後編-2

◆ 2023年と2026年の差分

2023年のBingAIと2026年のChatGPT・Mistralを比べたとき、外形上の大きな変化として「応答の打ち切り」がなくなった。
これは背景として文脈長の拡大が寄与している可能性があり、使用感の差異は大きい。

応答の質変化については、問いかけに対し、前提を再度整え直し、その過程を提示したのち、反論を返せるようになったプロセス提示が、移行ポイントになっている。

BingAIは、プロンプトAに対し 「上位職ほど公正中立が重要」という同義反復的な応答に終始し、 条文引用にも誤りが生じた。
問いの裏にある構造的懸念を、表層の「原則論」に回収した形だ。

2026年のChatGPTは同じ問いに対し、 プロンプト上の「価値判断」というタームから実装難度へ展開しつつ、「形式的中立と実質的公平は別物」という概念的な切断を提示し、 懸念の射程を精緻化してみせた。

なお、Mistralは一部翻訳に乱れがあった(indeed)。

◆ ChatGPTとMistralの収束と差異

プロンプトBにおける両モデルの応答は、構造的に高い収束を示した。

情報・リソース・ナレッジの三要素を列挙し、 それらが有機的に連携されていないことを核心と捉え、 解決策を提示する——
というアウトプットは共通している。

ただしアプローチは異なる。

ChatGPTは「量ではなく接続と解釈の問題」と再定義し、
「サイロ化を強化しているのは文化ではなく法制度・予算制度・人事制度だ」という構造批判の深掘りに向かった。

プロンプトB前半に提示された「アクセスの貧困」、「有機的な結合の貧困」といった文脈を「貧困」という表現を退けつつ、接続性や解釈の幅や機能性を阻害するポイントを炙り出す動作を返している。

Mistralは課題をA〜Dに整理し、 解決策を体系的に列挙するという
分類と網羅に向かった。

Mistralの自己申告では「体系的解決策提案」が特徴とあり、実際の出力内容は総花的であるものの、まずは事象整理を優先し、プロンプターの一見的な把握を支援、その次の処理で実装へのアプローチ前の「たたき台」を示す動作とも映る。

つまりChatGPTの応答と比較して、Mistralの応答は、初期入力あるいは次入力でのプロンプト次第として、入力側の判断に委ねられる形がより明確になっているとも解される。

どちらが「正しい」かではなく、 どちらの思考様式が問いの性格に合っているかが問われている。
動作差分から、用途と状況次第、プロンプター次第という、ごくありふれた気づきがここでも再確認された。

◆ 観測として残るもの

前記事で2026年までの変化について、5モデル中でCopilotに際立つ特徴として『伴走者化』と記した。
2026年時点では異論提示や反証可能性がやや後景に退いていたから、この変化がCopilot固有のものか、業界全体の収束なのか？と問いを残した。

本記事では両モデルともに、最終的には問い返しで終わる。
「どこから手を付ければよいか」「最も優先すべきはどの分野か」——。

これは欠点ではないかもしれない。
探索的な問いに対して「正解」を手渡すことを、 モデルが回避しているとも読める。

LLMは2年半で、応答の解像度を上げた。

ChatGPTは、「形式的中立と実質的公平は別物」「量ではなく接続と解釈の問題」として前提であるプロンプトの分解・再構成で、次展開への足掛かりを明示するところまで、着地させている。

定番となった二分法と中立指向に沿った動作に映りつつも、
「問い返して終わる」という構造を残している。

おそらくは、モデル性能というより設計であり、
それ以前に構造的必然であるのだろう。
エージェントならぬLLMでは、入力に対し応答出力し、入力側に再び返ってくる構造なのだから。

次回・後編-3では、Gemini, Perplexityを観測対象とする。