X（旧Twitter）で先日、興味深いやりとりが流れてきました。

「ChatGPTは正確だ」
「いや、平気で嘘をつく」
「そのプロンプトはどうなってる？」
「Reasoning（推論）は？」

表面上は「どのAIモデルが優秀か」という議論に見えますが、中身を紐解くと、ほとんどが「プロンプト設計の甘さ」と「Reasoningへの理解不足」に起因するすれ違いです。

「あなたは専門家として事実に基づき〜」というプロンプトを貼り付けて「これで正確さを担保している」と考えているなら、それは危険信号です。それはAIの“姿勢”を指定しているだけで、肝心の“考え方”を指定していないからです。

今回は、このやりとりから見える誤解を整理し、「AIに嘘をつかせないためのReasoning設計」について解説します。

そもそも、AIにおける「Reasoning」とは何か

エンジニアやAIに詳しい人が「Reasoningしてる？」と聞くとき、それは単に「よく考えてる？」という意味ではありません。具体的には以下の3点を含んでいます。

1. タスクを分解し、ステップを踏んで考えさせているか いきなり結論を求めず、「問題の整理→情報の取捨選択→仮説→検証→結論」という思考の階段をプロンプトで設計しているか。
2. Reasoningに適したモードやモデルを前提にしているか 最近のモデルには、時間をかけて論理的に考えることに特化したもの（OpenAIのo1シリーズなど）があります。「Reasoningは？」という問いは、「そもそもそういう道具を使っているか？」という確認でもあります。
3. 「わからない」を許容する設計になっているか 推論とは、わかる範囲とわからない範囲を切り分ける作業です。「無理やり埋めさせない」ガードレール（制約）の設計が含まれます。

つまり、ReasoningはAIの賢さを上げる魔法のスイッチではなく、「どう考えさせるか」を人間側が設計する行為そのものです。

まずはサンプル：議論の元になった「ズレている」アプローチ

今回の議論で「これで指示しているのに嘘をつく」と提示されがちなプロンプトの例を見てみましょう。

【よくある「姿勢だけ」のプロンプト例】

あなたは専門家として、事実に基づき推測ではなく根拠のある回答をしてください。 不明確な点は勝手に補わず、「情報が不足している」と明記してください。 誤解のないように、結論 → 理由 → 必要なら例 の順で簡潔に答えてください。

（この後に質問文が続く）

一見、まともな指示に見えます。「事実に基づいて」「専門家として」と書かれているからです。しかし、Reasoningの観点から見ると、これは不十分です。

どこが「これは違うよ」なのか

上記のプロンプトには、決定的な欠陥が3つあります。

1. 「思考の手順」ではなく「出力の型」しか指定していない

「結論 → 理由 → 例」というのは、あくまでアウトプットのフォーマットです。「どうやってその結論に至るか」というインプットの処理プロセスが指定されていません。これでは、AIは「専門家っぽい口調（姿勢）」で、ハルシネーション（もっともらしい嘘）を出力するリスクが残ります。

2. 「事実」の定義とソースが曖昧

Web検索をして裏取りをするのか、学習済みの知識だけで答えるのかを指定せずに「事実だけで答えろ」と言うのは、AIにとって無茶振りです。特に学習データにない最新情報やニッチな話題についてこれを行うと、AIは「指示を守るために、記憶の断片をつなぎ合わせて嘘をつく」という挙動に出やすくなります。

3. 具体的なコンテキスト（文脈）の欠如

このプロンプト単体では「何について」話すのかが決まっていません。テーマや粒度（専門家向けか、子供向けかなど）をセットで設計しない限り、Reasoningの深さをAIが決定できません。

この状態で「AIはすぐ嘘をつく」と嘆くのは、レシピを渡さずに「一流シェフとして美味いものを作れ」と命じ、出てきた料理に文句を言っている状態に近いのです。

こうするといい：Reasoningを前提にしたプロンプト設計

では、どうすればReasoningを「させている」状態になるのでしょうか。姿勢ではなく「プロセス」を指定するプロンプトへの書き換え例を紹介します。

ステップ1：テーマと目的を固定する

まず、何のためにその答えが必要なのかを定義します。

テーマ： サッカーの戦術史（2010年代） 目的： 初心者が“事実ベースで誤解なく概要を理解する”こと

ステップ2：思考のプロセス（Reasoning）を記述する

ここが最重要です。AIに役割を与えるだけでなく、処理の手順を与えます。

【Reasoningを組み込んだプロンプト例】

あなたはサッカー戦術に詳しい解説者です。以下の思考ステップに従って回答を作成してください。

1. 情報の抽出： 質問文からキーワード、時代、対象チームなどの条件を抜き出す。
2. 事実の検証： 現時点で確実な事実と、議論が分かれる解釈を明確に区別してリストアップする。
3. 構成の作成： 事実部分を中心にして論理を組み立てる。
4. ガードレール： 情報が不足している、または断定できない部分については、「ここから先は諸説ある」などと明記し、無理に断定しない。

最終的な出力は、初心者にもわかるように「結論 → 理由 → 具体例」の順で提示してください。

ステップ3：具体的な質問を投げる

質問： 2010年代のバルセロナが採用していた“ポジショナルプレー”は、どのような意図と原則に基づいていたのか？

このように「プロセス（考え方）→ 出力フォーマット（書き方）→ 質問（内容）」の順で設計することで、初めてAIは「Reasoning」を行う準備が整います。

「嘘つきAI」と付き合うための最低ライン

もちろん、ここまで設計しても現在のLLM（大規模言語モデル）は完璧ではありません。だからこそ、以下の2点を「最低ライン」として意識する必要があります。

• 「わからない」と言える環境を作る 推測を禁止するだけでなく、「不明確な部分をそのまま『不明』と伝えるのが、ここでは正解である」とAIに認識させると、無理な穴埋めによる嘘が激減します。
• モデルの使い分け 複雑な論理的検証が必要な場合は、通常のチャットモデルではなく、推論特化型モデル（OpenAI o1など）や、Web検索機能（Search/Browsing）が有効な状態を選ぶ必要があります。

まとめ

今回のXでのやりとりで本当に問題だったのは、「AIが嘘をつくこと」そのものではなく、「Reasoning（思考プロセス）を設計しないまま、Expert（専門家の姿勢）だけを要求していたこと」です。

「あなたは専門家として正確に答えろ」という精神論から脱却し、「この目的のために、この手順で考えてから答えろ」という設計論へ。

「Reasoningは？」と聞かれたときに、「プロセスまで含めて設計しているよ」と言える状態を目指しましょう。それが、AIを実用的なパートナーにするための第一歩です。