【創作大賞2026ビジネス部門応募作】【記憶と記録】第七章｜AIが、記憶と記録の橋渡しをする日

記憶と記録─なぜ、人間は記録するのか

第六章｜記録は、消えるか、漏れるか

生成AIに質問したとき、まるで何でも知っているかのように答えが返ってくる。

最初にそれを体験したとき、不思議な感覚を覚えました。この存在は、いったい何を「知っている」のだろう、と。人間が知識を持つのは、学び、経験し、記憶するからです。ではAIは、どうやって「知っている」のでしょうか。

この問いは、このシリーズで考えてきた「記憶と記録の違い」と、深いところで繋がっています。

AIは「記憶」しているのか、「記録」を参照しているのか——この問いへの答えが、AIとの付き合い方を根本から変えます。AIが「記憶」しているなら、その記憶は揺らぐ。AIが「記録」を参照しているなら、参照先の記録の質が問われる。いずれにせよ、記録の設計が鍵を握ります。

LLMは、記録の蒸留物だ

LLM（Large Language Model）——ChatGPTやClaudeのような生成AIの基盤技術——は、インターネット上の膨大なテキスト、書籍、学術論文、特許、ニュース記事を学習することで作られています。人類がこれまでに書き記してきた記録の、膨大な集積から生まれた存在です。

この意味で、LLMは「記録の蒸留物」と言えます。

人間の記憶が、体験を通じて形成されるように、LLMは記録を通じて形成されています。ただし、人間の記憶とは根本的に異なる仕組みです。

人間の記憶は、感情と結びついています。強く感動したことは深く刻まれ、退屈な情報はすぐに薄れる。記憶には優先順位があり、感情という編集者がいます。一方LLMは、テキストのパターンとして学習します。「この文脈の後にはこの言葉が来やすい」という統計的な関係を、膨大なデータから抽出する。感情も、優先順位も、本来はありません。

そしてここに、LLMが「ハルシネーション」を起こす理由があります。

記録から学びながら、記憶のように揺らぐ

ハルシネーション（幻覚）とは、LLMが存在しない事実を、もっともらしく生成してしまう現象です。実在しない論文を「引用」したり、起きていない出来事を「説明」したりします。

第一章と第三章で書いたように、人間の記憶も「再構成」によって少しずつ書き換わっていきます。過去の体験を正確に再現するのではなく、現在の文脈で「それらしい」ものを生成する——LLMのハルシネーションは、この人間の記憶の再構成と、構造的に非常によく似ています。

記録から学んでいるはずなのに、記憶のように揺らぐ。

なぜそうなるのか。LLMは「記録を参照している」のではなく、「記録のパターンを学習している」からです。辞書が言葉の意味を正確に記録しているのとは違い、LLMは言葉の使われ方のパターンを内部化しています。辞書は参照するたびに同じ答えを返しますが、LLMは同じ質問をしても毎回少し違う答えを返すことがあります。

この違いは、第二章で見た図書館の本との対比で考えるとわかりやすい。図書館の本は、参照するたびに同じ内容を示します。書かれた内容は変わらない。しかしLLMは、「本の内容を記憶している人間」に近い存在です。概ねは合っているが、細部が変わることがある。記憶は揺らぐから。

さらに深刻なのは、LLMは「知らないことを知らない」という特性を持つことです。人間であれば「その分野は専門外なので、わかりません」と答えられます。しかしLLMは、知識がない領域でも「それらしい答え」を生成しようとする傾向があります。記憶が曖昧なとき、人間は「よく覚えていないが、たぶんこうだったと思う」と言える。LLMは、その「たぶん」を言わないことがある。自信満々に、存在しない論文を引用します。

第三章で書いたDIKW階層で考えると、LLMが持っているのは「データ」と「情報」の層に近いものです。膨大な記録のパターンを学習しているが、それが「知識」や「知恵」として正確に体系化されているわけではない。だからハルシネーションが起きる。記録を参照しているのではなく、記録のパターンを補完しているからです。

LLMは記録から生まれながら、記録ではなく記憶に近い性質を持っている——これがAIの本質的な性格です。

RAGという、司書の誕生

ではLLMの記憶的な性質を補う方法はないのでしょうか。そこで登場するのが、RAG（Retrieval-Augmented Generation：検索拡張生成）という技術です。

RAGとは、LLMが回答を生成する前に、指定されたデータベースや文書群から関連情報を検索・参照する仕組みです。LLM自身が記憶から答えを生成するのではなく、まず「記録」を引いてから答える。

これは、図書館の司書の働き方に近い構造です。

優れた司書は、すべての本の内容を記憶しているわけではありません。「この問いには、どの棚のどの本が関係するか」を知っている。目録を使って必要な記録を引き出し、その内容を参照した上で回答する。記憶ではなく、記録の参照によって機能しています。

RAGを備えたLLMは、この司書の働きをデジタルで実装しようとしています。組織の記録（データベース、文書、過去の実験ログ）を参照しながら回答を生成するため、ハルシネーションを大幅に減らせます。そして組織固有の知識——第五章で失われかけていた先人の技術や判断——を参照できるようになります。

「前任者が何をやっていたかわからない」という問いに、AIが答えてくれるかもしれない。ただしその前提は、前任者の記録が設計されて残っていること。RAGも、参照する記録が整備されていなければ機能しません。

RAGの登場は、第二章で見た図書館の進化として捉えることもできます。昔の司書はカード式の目録を手作業で管理していた。現代の司書はデジタルの検索システムを使う。そして次の司書は、RAGを備えたAIかもしれない。目録を引き、必要な記録を参照し、問いに答える——やっていることの本質は変わらないが、速度と規模が根本的に変わります。

ただし、AIが司書になれたとしても、蔵書の設計は依然として人間の仕事です。どの本を収集し、どう分類し、どう保管するかを決めるのは、司書ではなく図書館の設計者です。同様に、どの記録をAIに参照させるか、どう構造化するか、アクセス権をどう設定するかは、人間が設計する必要があります。

AIエージェントという、新しい記録の担い手

さらに進んだ概念として、AIエージェントがあります。

RAGが「記録を読んで答える」存在だとすれば、AIエージェントは「記録を読み、行動し、新たな記録を作る」存在です。Claude CodeのようなAIエージェントは、コードを書き、データベースを操作し、ファイルを生成し、結果をまとめる——一連の作業を自律的にこなせます。

これは記録の歴史において、大きな転換点です。

これまで記録は、常に人間が作るものでした。洞窟壁画も、楔形文字も、修道院の写本も、Excelのファイルも、人間の意志と行為によって生まれていた。しかしAIエージェントは、人間の指示に基づいて、自律的に記録を生成します。

自動自律化実験という概念も、この方向に向かっています。AIが実験を設計し、実行し、結果を記録する——人間の記憶を介さずに、記録が生まれる時代が始まっています。

ここで問いが生まれます。AIが作った記録の品質は、誰が保証するのでしょうか。

人間が作る記録には、意図があります。何のために、誰のために、何を伝えたいか——記録には作り手の判断が宿ります。しかしAIエージェントが自律的に生成する記録には、その「意図」が明示的に設計されていなければ、薄くなります。

AIが実験を実行して記録を残したとき、その記録が「なぜこの条件を選んだのか」という文脈を含んでいるかどうかは、AIエージェントの設計次第です。第三章で書いたように、文脈のないデータは情報にならない。AIが大量の記録を自動生成しても、文脈のない記録を積み上げるだけでは、組織の知識は増えません。AIが記録を作る時代においても、「何を記録すべきか」「どんな文脈を添えるべきか」を設計するのは、依然として人間の仕事です。

研究者として、感じてきたこと

生成AIのAPIを実際に触り始めたとき、最初に感じたのは便利さより先に「これは何を参照して答えているのか」という疑問でした。

研究の現場でAIを使うとき、常に意識するのは「この答えは記録から来ているのか、それともパターンの補完から来ているのか」という問いです。LLMが答えた合成条件が正確なのかどうか、論文の引用が実在するのかどうか——研究者として、鵜呑みにできない感覚が常にあります。

一方で、RAGの仕組みを活用して、自社のデータベースや論文を参照させながら生成AIを使うとき、その答えの信頼性は格段に上がります。「この答えは、自分たちが設計した記録に基づいている」という確信が持てるからです。

マテリアルズインフォマティクスの文脈では、AIは記録から仮説を生成し、次の実験を提案します。ベイズ最適化のような手法は、過去の実験記録からパターンを学習し、次に試すべき条件を確率的に提案します。しかしその提案を実行するかどうかの判断は、研究者が行います。AIが記録を読み、人間が判断する——この役割分担が、研究開発における現実的なAI活用の姿です。

この仕組みは、「HITL（Human-in-the-Loop：人間参加型AI）」と呼ばれます。AIの運用プロセスに人間の判断を組み込み、品質と信頼性を担保する考え方です。研究開発の文脈では、AIが実験条件を提案し、研究者が判断して実行するという形が典型例です。完全な自動化ではなく、意思決定の要所に人間を残す設計で、AIの誤りや倫理的な問題を防ぐ役割を果たします。

AIは記録を蒸留し、パターンを見出し、次の候補を提示する。しかし「それが正しい方向か」「リスクはないか」「この条件で試す価値があるか」という判断は、経験と責任を持つ人間が担う。記録の設計も、判断の最終責任も、人間にあります。

記録の品質が、AIの知性の上限を決める

ここで、このシリーズを通じて繰り返してきたテーマが、改めて浮かび上がります。

AIがどれほど高度になっても、変わらない真実があります。学習する記録の質が、AIの知性の上限を決めるということです。

文脈のないExcelのデータをLLMに読ませても、意味のある回答は生まれません。「最終版_修正_本当の最終版」というファイル群をAIが参照しても、どれが正しいかわからない。第六章で書いた特許出願前のサンプル提供のリスクも、AIは「そのリスクがある」と知らない限り警告できません。

AIは道具です。道具の性能は、使い手が整えた環境によって決まります。

記録の設計を整えることは、AIをより賢く使うための前提条件です。図書館の目録が整っているほど、司書は利用者の問いに的確に答えられる。同じように、組織の記録が整備されているほど、RAGを備えたAIはより正確に、より有用に機能します。

DXの文脈で「AIを導入する」ことと、「AIが機能する環境を整える」ことは、まったく別の話です。前者はツールの購入であり、後者は記録の設計です。多くの組織がAI導入に取り組みながら期待した成果を得られないとき、その原因の多くは後者——記録の設計の欠如——にあります。

逆に言えば、記録の設計を整えた組織ほど、AIの恩恵を最大限に受けられます。第五章で書いた先人の技術を特許から再構築した体験も、もし当時から記録が設計されていれば、AIがその記録を参照して技術の系譜を再現してくれる可能性があった。記録の設計は、未来のAI活用への先行投資でもあります。

そして第六章で書いた「記録を守る」という問いも、AI時代においてより重要になります。AIが参照できる記録が増えるほど、その記録に誤情報が混入するリスクや、機密情報が適切に管理されないリスクも高まります。AIを活用するほど、記録の品質管理とアクセス制御の設計が問われます。

人間が担い続けるべきこと

AIが発展するほど、「人間がやる必要があることは何か」という問いが重要になります。

記録の設計は、人間が担い続けるべき仕事です。何を記録し、どう構造化し、誰にアクセスを許可し、どう守るか——これらの判断には、文脈の理解と価値判断が必要です。AIは指示された記録を参照できますが、「何を記録すべきか」を自ら判断することは、現時点では得意ではありません。

第四章で書いた「守破離の『守』を記録することで、次の世代が『離』に至る道筋が短くなる」という話も、AIの時代においても変わりません。むしろAIが「守」の部分を参照・活用できるようになったことで、その設計の価値はさらに高まっています。

記録を設計する人間と、記録を活用するAI——この役割分担が整ったとき、個人の記憶の限界を超え、組織の記憶の断絶を超えて、知識は時間を超えて引き継がれていきます。

ここで、第一章に戻ってみます。電話番号をスマートフォンに委ねることへの後ろめたさ——「記憶力が落ちたのではないか」という感覚——は、記録への信頼の確立として肯定的に捉え直せると書きました。AIについても、同じ思想が適用できます。

「AIに任せたら、人間の考える力が衰えるのではないか」という不安は、よく聞かれます。しかしそれは、「スマートフォンに電話番号を任せたら、記憶力が衰える」という不安と同じ構造を持っています。人間の記憶が、感情・創造・対話のためにある。記録はその余白を広げるためにある。同じように、人間の思考力が、判断・創造・倫理のためにある。AIはその余白を広げるためにある。

記憶を記録に委ね、記録をAIに委ねることで、人間はより本質的な思考に集中できる。これは退化ではなく、最適化です。

次の章へ

このシリーズの最初の章で、一つの問いを立てました。

「友人の電話番号を覚えていない。これは退化なのか」と。

その問いへの答えを、次の最終章で語ります。記憶と記録の旅の、最後の着地点へ。

最終章へ👇

はじめから読む👇

#創作大賞2026 #ビジネス部門