生成AIと何度もやり取りしていると、「最初に敬語で書いてと伝えたのに、途中から文体が変わった」「前に説明した予定を、もう一度聞かれた」と感じることがあります。人との会話なら、相手が話を忘れたように見える場面です。そのため、「AIは何往復まで会話を覚えられるのか」という疑問が浮かぶのも自然でしょう。

一言で答えるなら、生成AIが回答時に参照できる情報には範囲があります。その範囲を表す言葉が「コンテキストウィンドウ」です。コンテキストは回答を考える際の手掛かり、ウィンドウは一度に扱える範囲、と捉えると分かりやすくなります。会話画面に過去の文章が表示されていることと、その全内容を現在の回答に使えることは、同じだと決めつけないほうが安全です。



ここで注意したいのは、条件が抜けた回答だけを見て「AIが故障した」「自分の頼み方が悪かった」と判断しないことです。会話が長くなったために参照できる情報量との関係が生じた可能性もあれば、指示が曖昧だった可能性や、回答そのものが不適切だった可能性もあります。個別のサービスが古い会話をどのように扱うかは、製品ごとの仕様を確認しなければ断定できません。

この記事で扱う中心は、特定製品の記憶機能ではなく、「AIが一度の回答で参照できる情報には限りがある」という見方です。この見方を持つと、長い会話で重要な条件を伝え直す理由が分かり、回答の抜けを人間の物忘れと同じものとして考えずに済みます。

コンテキストウィンドウは、モデルが一つの指示を処理するときに扱えるトークン数を指します。会話では、これまでに利用者が入力した内容とモデルの回答が、その後のやり取りにおけるコンテキストになります（出典: Google for Developers）。難しく聞こえますが、「回答を作るとき、机の上に広げて参照できる資料の範囲」と考えると整理しやすいでしょう。

机が十分に広く、必要な依頼書、前提条件、参考文、直前の修正内容が並んでいれば、それらを見ながら次の回答を作れます。しかし、資料が机の広さを超えるほど増えた場合、すべてを同時に参照できるとは限りません。画面上では長い会話を遡れても、回答時にモデルが処理できる範囲には上限があるからです。



このたとえで大切なのは、コンテキストウィンドウを「倉庫」ではなく「作業机」と見ることです。倉庫なら、保存されている量を問題にします。作業机では、いまの作業に必要なものを一度に置けるかどうかが焦点です。過去の会話がどこかに保存されているか、サービス改善のために利用されるかといった問題は、コンテキストウィンドウとは別に確認する必要があります。

また、机が広ければ回答が必ず正しくなるわけでもありません。関係の薄い資料を大量に置けば、重要な指示が分かりにくくなることも考えられます。必要なのは、単に会話を長く保つことではなく、現在の依頼に必要な条件を見つけやすい形で渡すことです。コンテキストウィンドウは性能の優劣を一語で決める指標ではなく、情報をどう整理して頼むかを考えるための基礎知識なのです。

コンテキストウィンドウの上限は、通常の原稿用紙のように「何文字」や「何ページ」ではなく、トークンという単位で表されます。トークンは、モデルが文章を処理するときに用いる単位です。Googleの生成AI用語集でも、コンテキストウィンドウはモデルが一つの指示で処理できるトークン数として説明されています（出典: Google for Developers）。

初心者が押さえておきたいのは、トークンの正確な数え方よりも、「会話には情報量としての上限がある」という関係です。買い物袋に入る量を考えるとき、品物の個数だけでなく、大きさも関係します。同じように、短い発言を何度も重ねた会話と、一度に長い資料を渡した会話では、どちらが先に上限へ近づくかを往復回数だけで判断できません。



たとえば、十往復の会話でも、各発言が一言ずつなら文章量は比較的小さくなります。反対に、一往復目で長い原稿を渡し、細かな条件を数多く追加すれば、やり取りの回数が少なくても多くの情報を扱うことになります。したがって、「何回話したら忘れるのですか」という質問には、回数だけを使った共通の答えを出せません。利用するモデルやサービスの条件に加え、各回で扱う文章量にも左右されるためです。

トークン数を毎回厳密に計算しなければ生成AIを使えない、という意味ではありません。日常的な利用なら、会話が長くなったときに重要事項を短くまとめ直すだけでも、情報の置き方は改善できます。数値を知らなくても、「作業机には上限があり、長文も過去の往復も同じ机を使う」という感覚を持てば、依頼を整理する判断に役立つでしょう。

「会話を覚えている」という表現が分かりにくい理由の一つは、AIの学習と、いまの回答で会話を参照することが混同されやすい点です。生成AIの基盤となるモデルは、大量のデータを使った訓練によって、データに含まれる対象、パターン、関係を表現するパラメーターを形成します。生成時には、利用者のプロンプト、つまり入力された依頼に応じて文章などを作ります（出典: IBM）。

この訓練工程と、現在の会話をコンテキストとして使う工程は、同じ意味ではありません。たとえば、新人が研修で身に付けた一般知識と、今日の打ち合わせで机に置いている案件資料は別物です。一般知識に相当する部分がモデルの訓練で、目の前の案件資料に相当する部分が現在のコンテキストだと考えると、違いをつかみやすくなります。



利用者が会話中に「この商品の色は青です」と伝えれば、AIはその情報を後続の回答で参照できる場合があります。ただし、それだけを理由に、基盤となるモデルが恒久的に学び直したと捉えるのは適切ではありません。会話データが保存されるか、改善に使われるか、別の会話でも参照されるかはサービスの提供条件に関わるため、今回の参考資料だけでは一律に断定できません。

この区別は、個人情報や社内情報を扱うときにも役立ちます。「コンテキストに入るから安全」「学習ではないから何を入力してもよい」とは判断せず、利用中のサービスが示す規約や組織のルールを別途確認する必要があります。コンテキストウィンドウが説明するのは、あくまで回答時に処理できる情報の範囲です。保存、再利用、機密性までを一つの用語で説明しているわけではありません。

長い相談を続けるときは、重要な条件を節目でまとめ直す方法が使えます。これは製品固有の機能ではなく、利用者側でできる情報整理の提案です。人との仕事でも、数時間の会議を次回へ持ち越す際には、議事録や引き継ぎメモを作るでしょう。生成AIとの会話でも、現在の目的、決定済みの内容、守ってほしい条件、未決定事項を短く並べれば、次の依頼に必要な情報が見えやすくなります。

たとえば、架空の社内案内文を作っているとします。途中で対象読者、締切、文体、書いてはいけない内容を何度も追加すると、条件が会話の各所に散らばります。そのまま「では完成版を作ってください」と頼むより、次のような入力で条件を整理してから依頼するほうが、確認もしやすくなるでしょう。

> ここまでの条件を整理します。目的は社内説明会の案内文作成です。対象は新入社員、文体は丁寧で親しみやすく、日時と会場は未確定なので書かないでください。本文は300字程度を希望します。この条件に不足や矛盾があれば、作成前に指摘してください。



この入力例は、特定のサービスで結果を保証する操作手順ではありません。条件整理の提案例です。とりわけ有効なのは、AIに要約を任せきりにせず、自分でも内容を読み返すことです。要約の段階で大事な条件が抜けていれば、その後の回答も意図から外れるおそれがあります。日付、金額、固有名詞、禁止事項など、誤ると困る項目は元資料と照合したほうがよいでしょう。

会話を分ける場合にも、この引き継ぎメモを冒頭へ置けば、前のやり取りを参照できると無条件に期待せずに済みます。反対に、雑談や採用しなかった案まで大量に移す必要はありません。現在の作業で使う情報を選び、「確定」「未確定」「確認が必要」のように状態を分けることがポイントです。これはコンテキストウィンドウの大きさを変える方法ではなく、限られた範囲へ必要な資料を置く工夫です。

コンテキストウィンドウを理解するときは、「人間の記憶」というたとえに引っ張られすぎないことが大切です。AIが過去の文章を参照して自然に返答すると、内容を理解して記憶しているように見えます。しかし、用語として確認できるのは、モデルが一定数のトークンを処理し、会話の過去部分を後続のコンテキストとして使うという仕組みです（出典: Google for Developers）。意識や人間と同じ記憶があることまで、この仕組みから導くことはできません。

よくある受け止め方を整理すると、次のようになります。

| よくある受け止め方 | 確認しておきたい見方 |
| --- | --- |
| 同じ会話なら最初から最後まで必ず参照できる | 一度に処理できるトークン数には範囲があります |
| 往復回数だけで限界が決まる | 各回の文章量も関係するため回数だけでは決まりません |
| 条件が抜けたらモデルが間違って学習した | 現在のコンテキストや指示の整理も確認対象です |
| 範囲が広いモデルなら回答は必ず正しい | 参照量と回答の正しさは別の問題です |
| 過去を参照できるなら自動的に検索もしている | コンテキストと外部検索の有無は分けて確認します |



中でも注意したいのは、広いコンテキストウィンドウと事実性を同一視する誤解です。多くの情報を参照できても、回答内容が事実に基づくとは限りません。Googleの用語集でも、出力が現実に基づく性質である「事実性」は独立した概念として説明されています（出典: Google for Developers）。重要な判断に使う情報は、元資料や信頼できる情報源で確かめる必要があります。

検索との違いも同様です。会話内の情報を参照することと、外部のウェブサイトやデータベースを調べることは、同じ機能ではありません。利用中の製品が検索機能を備えているか、どの情報源を使ったかは、その製品の表示や公式資料で確認する話です。「長く会話できたから最新情報も知っている」とは考えず、情報の出どころを分けて見る姿勢が役立ちます。

コンテキストウィンドウを知ったあとに変えたいのは、AIへ渡す文章の長さそのものより、重要な情報の置き方です。次に長い相談をするときは、「今回の目的は一文で言えるか」「守る条件はまとまっているか」「事実確認が必要な項目はどれか」の三点を確認してみてください。これだけなら、専門的な設定や有料の機能を前提にせず実行できます。

目的が途中で変わった場合は、古い依頼を積み重ねるだけでなく、「ここからの目的は〇〇です」と区切る方法があります。条件が増えた場合は、採用した内容だけを短い一覧にします。回答を受け取ったら、すべてを雰囲気で評価せず、締切、対象者、禁止事項など、外せない項目から照合するとよいでしょう。どれも結果を保証する方法ではありませんが、依頼者自身が抜けや矛盾を発見しやすくする工夫です。



長い会話で回答がずれたとき、すぐに最初からやり直す必要があるとは限りません。現在の目的と条件を整理し直し、「この内容を前提に続けてください」と渡す選択肢があります。それでも正確さが必要な情報については、生成された文章だけで確定せず、元の文書や公式情報へ戻って確認します。コンテキストを整えることと、事実を検証することは別々の作業です。

明日からの一歩として、よく使う依頼を一つ選び、目的、前提、必須条件、未確定事項の四項目だけをメモにしてみてください。会話を何往復まで続けられるかを気にするより、現在の作業机に何を置くべきかを選ぶほうが、具体的に行動できます。AIが「全部覚えている」と期待するのではなく、必要な資料をその都度渡す相手として接することが、長い会話を扱うための現実的な出発点です。

- Glossário de machine learning: IA generativa（取得日: 2026年10月31日）
- What Is Artificial Intelligence (AI)?（公開日: 2024年8月9日、更新日: 2026年10月2日、取得日: 2026年10月31日）