AIに「お世話になった方へのお礼状を書いてください」と頼むと、挨拶から結びまで整った文章が返ってきます。すると、「どこかに完成済みのお礼状があり、それを取り出しているのでしょうか」と感じるかもしれません。文章が滑らかにつながっているほど、最初から最後まで用意されていたように見えるものです。

一言で答えるなら、多くの文章生成AIは、それまでの文に続く小さな単位を順に予測して文章を作ります。Googleの公式機械学習用語集では、自己回帰型モデルという仕組みについて、自分がそれまでに予測した内容を基に次を予測すると説明されています。文章の場合は、先に生成した部分が、その続きを作るための材料になります。（出典: Google Machine Learning Glossary）



身近なたとえとしては、書きかけの文の続きを少しずつ補う作業を思い浮かべるとよいでしょう。「先日は」に続けるなら、「お忙しいところ」や「お時間をいただき」など、いくつかの候補を考えられます。続きが一つ加われば、そこまでの文に合う表現をまた選べます。このたとえは、文章が順に形になる様子をつかむためのものです。AIに人間と同じ意識や気持ちがあるという意味ではありません。

この仕組みを知ると、回答の読み方も変わります。丁寧な挨拶があり、結論まで自然につながっていても、それだけで内容が正しいとは判断できません。文章としてつながることと、現実の出来事に合っていることは、別々に確かめる必要があるからです。お礼状を例に、どこまでをAIに任せ、どこを自分で確認すればよいか見ていきましょう。

文章を少しずつ作ると聞くと、AIは日本語を一文字ずつ足しているように思えるかもしれません。ここで知っておきたいのが、トークンという言葉です。トークンは、文章を処理するための小さな単位を指します。必ずしも一文字や一単語に対応するわけではないため、「文字数」と同じものとして扱わないことが理解の入り口になります。

Googleの公式用語集では、自己回帰型の言語モデルは、それまでに予測したトークンに基づいて次のトークンを予測すると説明されています。ここでいう言語モデルは、文章のパターンを基に言葉の続きを予測する仕組みと捉えると、今回の疑問を理解しやすいでしょう。専門用語を覚えることよりも、文章全体を一度に選ぶのではなく、小さな単位の生成を重ねる点が大切です。（出典: Google Machine Learning Glossary）



たとえば、「先日はありがとうございました」という一文を図にするとき、日本語として区切りのよい場所で箱に分ければ、流れを説明しやすくなります。ただし、その箱が実際のAI内部の区切りと一致するとは限りません。説明用の区切りと、モデルが処理するトークンの区切りは、分けて考える必要があります。

初心者のうちは、具体的な文章を正確に何個のトークンへ分けるかまで調べなくても構いません。「AIにとっての一単位は、自分が数える一文字とは違う場合があります」と理解できれば十分です。回答を読むときにも、画面上の一文字ごとの見え方から内部の処理を判断せず、すでにある入力と生成済みの文章を材料に、続きが積み重なっていくと捉えてください。これなら、細かな数え方を知らなくても仕組みの中心を押さえられます。

では、AIは何を手がかりに続きを予測するのでしょうか。ここでは、事前の学習と、回答を作る場面を分けると整理しやすくなります。学習とは、多くのデータからパターンや関係をモデルに反映する過程です。モデルは、その学習で得たパターンを使って出力を作る仕組みと考えてください。IBMの解説では、生成AIは学習データの特徴を表現として取り込み、それを基に新しい内容を生成すると説明されています。（出典: IBM）

回答する場面では、利用者が渡した依頼文も手がかりになります。この依頼や指示をプロンプトと呼びます。「お礼状を書いてください」と「親しい友人への短いお礼を書いてください」では、求められる文章が違います。相手との関係や長さなどを伝えることは、どのような続きを求めているかを具体的にする行為です。IBMも、生成AIを利用者のプロンプトや要求に応じて文章などを作る技術として説明しています。（出典: IBM）



たとえとしては、さまざまな手紙の書き方から得た傾向と、今回のお礼状の条件を組み合わせるイメージです。ただし、人間が経験を思い出して書くことと、AIの内部処理が同じだという説明ではありません。また、完成した文面を一つ取り出すという見方だけでは、新しい条件に応じて表現が変わる様子を十分に説明できないでしょう。

ここから導ける使い方の提案は、文章を飾る指示より先に、伝えたい材料を渡すことです。「丁寧にお願いします」だけでは、誰に、何のお礼を伝えるのかが曖昧なままです。相手、出来事、目的を具体的にすれば、依頼の方向を示しやすくなります。ただし、条件を詳しく書くことは、内容の正しさを保証する方法ではありません。入力を整える作業と、出力を確認する作業は、それぞれ必要です。

ここからは、仕組みを理解するための架空の例です。実際に特定のサービスを操作して得た結果ではありません。「地域の勉強会で、会場設営を手伝ってくれた佐藤さんへお礼を伝える」という場面を考えます。伝えたい事実は、机を並べる作業を手伝ってもらったことと、その協力に感謝していることだけに絞ります。

入力文の提案は、「佐藤さんへのお礼の文章案を作ってください。地域の勉強会で机を並べる作業を手伝ってもらいました。丁寧で短い文章にしてください。ここに書いていない出来事は加えないでください」です。相手、出来事、文体、加えてほしくない内容を、一つの依頼として渡す形です。特別なコマンドを覚える必要はなく、何を伝えたいかを普通の日本語で整理しています。



説明用の文章案としては、「佐藤さん、先日は勉強会の会場で机を並べる作業をお手伝いいただき、ありがとうございました。ご協力に感謝申し上げます」といった形が考えられます。この文を生成する場面では、先に出た表現が、その後に続く表現の条件にもなります。Googleの用語集にある、以前に予測したトークンを基に次を予測するという説明は、このように文が伸びていく仕組みに対応します。（出典: Google Machine Learning Glossary）

実際のトークンの区切りを示しているわけではありませんが、読み手向けには「呼びかけ」「出来事へのお礼」「結び」という役割で見ると理解しやすいでしょう。長い文章も、読み終えた後には一つのまとまりに見えます。しかし、その見え方だけで、完成文が最初から保存されていたと考える必要はありません。この例で注目したいのは、AIがどんな名文を書くかよりも、入力した材料と出てきた文章の対応です。

先ほどのお礼状に、「参加者の皆さんからも好評でした」という一文が加わっていたら、どう判断すればよいでしょうか。お礼の文脈にはよくなじみますが、例の依頼には、参加者の感想を確かめたという情報はありません。読みやすさだけを見ていると、このような追加を見落とすおそれがあります。架空の例であっても、確認すべき場所は具体的に分かります。

Googleの公式用語集では、出力が現実に基づいている性質を、事実性という概念で説明しています。また、事実を答える課題と、創作性を求める課題では、求められるものが異なると示されています。文章が自然につながっているかを読むだけでは、この事実性を確かめたことにはなりません。（出典: Google Machine Learning Glossary）



お礼状なら、相手の名前、手伝ってもらった作業、開催した日付、周囲の評価などが確認の対象になります。「好評でした」が自分の知っている事実でなければ、削るか、実際に確認してから使うとよいでしょう。「机を並べてもらいました」が「運営全般を支えていただきました」に広がっている場合も、伝えたい事実より大きな表現になっていないか見直せます。

業務文書への応用例としては、文章を整える前後で、日付や数字などを見比べる方法を提案できます。説明が丁寧になったことと、内容の裏づけが増えたことは同じではありません。とくに他人へ送る文面では、「読みやすいですか」と「この内容は確かですか」を別の問いにすると、確認の目的がはっきりします。AIの文章をすべて疑う必要はありませんが、滑らかな文体を正確さの証拠にしない姿勢は持っておきたいところです。

この仕組みを知った後の一歩として、日常の短い文章を使った練習を提案します。たとえば、お礼のメッセージや集まりの案内など、自分が事実関係を把握している題材を選んでください。最初から長い報告書を任せるより、入力した内容と出力を見比べやすいでしょう。練習の目的は、上手な指示文を競うことではなく、文章が整う過程で何が加わったかを見つけることです。

依頼する前に、伝えたい事実を短く書き出します。お礼なら「誰に」「何をしてもらったか」「何を伝えたいか」が材料になります。そのうえで、「短く」「丁寧に」といった表現の希望を添えます。これは使い方の提案であり、特定の書き方で必ず正しい回答が得られるという保証ではありません。条件を伝えても、出てきた内容を確認する工程は残ります。



文章案ができたら、次の三つを順に確かめると、見る場所を絞れます。

- 名前、日付、出来事が、渡した材料と一致しているか確認します。
- 入力にない実績、感想、約束が加わっていないか探します。
- 自分が相手に伝えたい気持ちや距離感に合う表現へ直します。

表現が合わなければ、「結びをもう少し控えめにしてください」のように、直したい箇所を具体的に伝える方法も考えられます。Googleの用語集では、チャットの過去のやり取りは、その後のやり取りの文脈になると説明されています。（出典: Google Machine Learning Glossary）

送る前には、修正後の全文をもう一度読んでください。次にAIへ文章を頼むときは、短い一通で構いません。自分が渡した事実に印を付け、回答のどこに使われ、何が追加されたかを見比べてみましょう。文章を少しずつ生成する仕組みを、完成した回答の確かめ方へ結びつけられるはずです。

- Machine Learning Glossary: Generative AI
- What Is Artificial Intelligence (AI)? | IBM

資料の取得日は2026年11月12日です。IBMの記事には公開日が2024年8月9日、更新日が2026年10月2日と記載されています。本稿は基礎的な仕組みの解説であり、取得日に発表された新機能を紹介するものではありません。