生成AI 用語 テスト 全10問 — 出典つきで確かめる。

答え：1 — 表ごとに専用のモデルを訓練し直さず、手元の表を見せるだけで予測を返せるところ

データセットごとの再訓練なしに、表を見せるだけで予測を返せるところです。従来の機械学習は新しい表が来るたびに「その表専用」のモデルを一から訓練する必要がありました。表形式基盤モデルは、人工的に生成した膨大な数の表であらかじめ「予測のしかたそのもの」を学んでおり、利用時は追加訓練なしに一度の推論で答えを出します。欠損値や、数値と文字が混ざった列も扱えるのが特長です。代表例のTabPFNは論文「Accurate predictions on small data with a tabular foundation model」としてNature誌に掲載され、最大1万件規模のデータで従来の代表的手法を上回ったと報告されました。分類実験では、4時間かけて調整した手法の寄せ集めを数秒の予測が上回ったとされます。ただしこれは中小規模の表を対象とした成果で、あらゆる巨大データで万能というわけではありません。速さは確かさとは別物です。（2026年8月11日の5問より）

答え：4 — AIが身体を得て、実世界を知覚・判断し、行動まで実行する技術領域

フィジカルAIとは、AIがチャット画面を出て、ロボットなどの物理的な身体を得て、実世界を知覚・判断し、行動まで実行する技術領域のことです。文章や画像を生成するAIが「デジタル空間の労働」を担うのに対し、フィジカルAIは物を運ぶ・仕分ける・組み立てるといった物理空間の労働を担います。カメラなどの知覚から動作の生成までを一つのAIモデルで結ぶ方式（VLA：視覚・言語・行動モデル）が中核技術です。実装も進んでおり、Figure AIのヒューマノイドはBMWスパータンバーグ工場で約10か月にわたり実運用され、3万台超のBMW X3の生産に関わったと発表されています。Agility RoboticsのDigitは物流大手GXOの倉庫で累計10万トートの搬送を達成しました。ただし問題は「動けるか」ではなく、物理空間で失敗したときの責任と安全を誰が設計するかにあります。ソフトウェアのエージェントなら失敗は画面の中で済みますが、身体を持ったAIの失敗は物と人に届く——導入の本丸は運動性能ではなく、安全基準・責任分界・稼働データの取り決めのほうです。（2026年8月13日の5問より）

答え：1 — 無断で作られたものを1つずつ消す作業が、作られる速さに追いつかないから

正解は「無断で作られたものを1つずつ消す作業が、作られる速さに追いつかないから」です。生成の速さと削除の速さが釣り合わない——この非対称が、業界の対応を「禁止」から「正規版を自分たちで出す」方向へ動かしました。ボイスクローンは、従来の音声合成が読み上げ用の声をゼロから設計してきたのに対し、実在の人物の声質・抑揚・話す速さを出発点にします。聞いた人が「あの人が喋っている」と認識してしまうため、技術の良し悪しとは別に、誰の声を誰の許しで使っているのかという問いが必ず付いてきます。同意を得て作られたものは公認合成音声、同意なく作られたものは海賊版ボイスと呼び分けられますが、出力を聞くだけで両者を判別することは難しい。協同組合 日本俳優連合は2023年からこの課題に取り組み、2024年には「NOMORE無断生成AI」の筆頭団体として参画しました。日俳連・伊藤忠商事・伊藤忠テクノソリューションズが立ち上げる公式音声データベース「J-VOX-PRO（仮称）」は、電子透かしや声紋、意思表示データベースと契約管理を連動させ、誰がいつ何の用途で許諾したかという証跡を担保しようとするものです。（2026年8月15日の5問より）

答え：2 — 保存の手続きが信頼できない、と参加者が判断したとき

保存の手続きが信頼できないと参加者が判断したときです。Storm と Stone は2015年、三つの実験でこの「保存が記憶を助ける」効果を報告しました（Psychological Science, 26巻2号）。先に覚えたものが後から来たものの学習を邪魔する順向干渉が、保存によって軽くなった、という説明です。ただし保存が信頼されない条件では利得は消え、保存する中身が軽く次の学習を邪魔しようがない場合も同様でした。効いているのは保存という操作そのものではなく「もう抱えていなくてよい」という確信のほうだ、と読めます。実務に当てると、点検すべきはブックマークやフォルダの件数ではなく、置き場所が信頼されているかどうかになります。検索で出てこない共有ドライブや命名規則のない保存先は、オフローディングとして機能していない可能性があります。生成AIの要約を棚に置く運用も同じで、確からしさを一度も確かめていない棚は信頼された保存先ではありません。（2026年8月10日の5問より）

答え：2 — AIエージェントが自律的に動いた結果、その行為の責任の所在を後からたどれなくなる状態

正解は「AIエージェントが自律的に動いた結果、その行為の責任の所在を後からたどれなくなる状態」です。人間の業務なら、決裁者・担当者・承認記録をたどれば「誰がやったか」に行き着きます。ところがAIエージェントが複数連携し、権限を引き継ぎながら処理を進めると、最終的な行動がどのエージェントの、誰の権限にもとづくものかが途中で見えなくなる。これがアカウンタビリティ・ギャップです。2026年5月1日、CISA・NSAに英・豪・加・NZの機関を加えた6か国が共同で公表した指針「Careful Adoption of Agentic AI Services」は、エージェント型AIのリスクを権限の過剰付与、設計・設定のミス、意図しない振る舞い、構造的な連鎖、そして責任の所在の不明確さの5つに整理しました。同時期のシンガポールIMDAの指針やNISTのAIエージェント標準イニシアチブも、エージェントごとのデジタルIDと監査証跡を共通の処方箋に挙げています。ほかの選択肢もそれぞれ実在する言葉で、台帳が肥大化する状態は「エージェント・スプロール」、実態より高機能に見せて売る状態は「エージェント・ウォッシング」と呼ばれます。（2026年8月14日の5問より）

答え：1 — 調整業務をAIで自動化し、中間管理職の層を薄くして組織構造をフラット化する動き

正解は「調整業務をAIで自動化し、中間管理職の層を薄くして組織構造をフラット化する動き」です。進捗の集約・報告・日程調整といった、上と下をつなぐ配管のような仕事を機械が肩代わりできるなら、あいだにいる人を減らせる——その主語が不況やリストラではなく「AI」である点が、従来の人員削減と区別される特徴です。数字としてよく引かれるのは、ガートナーが2024年10月に出した予測で、2026年までに組織の20％（5社に1社）がAIで構造をフラット化し、現在の中間管理職の半数超を削減するとしています。実測でも、2024年に解雇された人のうち中間管理職が約29％（2018年は約20％）を占め、管理職ひとりあたりの平均部下数は2024年の10.9人から2025年に12.1人へ増えたと報じられています。ただし、たためるのは「調整」という部品であって、曖昧な状況での判断・人の育成・不確実性の引き受けまで渡せるわけではありません。層を薄くしたぶんの重さは残った少数へ積み替えられ、将来のリーダーを鍛える練習場も同時に失われる、という論点が残ります。（2026年8月16日の5問より）

答え：3 — 類似性と依拠性——既存の著作物とよく似ているか、それに基づいて作られたか

正解は「類似性と依拠性」です。生成・利用の段階の判断は、AIを使ったかどうかで特別扱いされず、人が描いた場合と同じ枠組みで見ます。似ているだけでは決まらず、依拠していても似ていなければ決まらない。2つが別々なので、確認する場所も2か所に分かれます。類似性は出力を目で照合する作業で、キャラクターや作風を名指しで指定したときほど要ります。依拠性については、その著作物がAIの学習データに含まれていないことを示せれば認められる可能性を低減させる要素となる、と整理されており、何を読ませたかの記録が効いてきます。なお学習・開発の段階はこれとは別の話で、原則として著作権法第30条の4が適用されます。享受目的が併存する場合の例外があり、RAG等の実装で入力用に既存の著作物を使う場合が挙げられています。（2026年8月18日の5問より）

答え：4 — 予測にもとづいて行動することが、予測対象となる将来のデータの分布そのものを変えてしまう状況

予測にもとづく行動が、予測対象の分布そのものを変えてしまう状況です。分かりやすいのは離職予測で、「辞めそうだ」と出た人に面談して引き止めれば、その人は辞めず予測は外れます。逆に、その札のせいで重い仕事から外されて本当に辞めれば、予測は的中します。介入が成功したときに成績が下がり、失敗したときに上がるという、成績表のねじれがここで生まれます。よく似た誤答が「分布シフト」ですが、あちらは変化の原因が外にあり、再学習で追いかけるのが定石。パフォーマティブ予測が厄介なのは、変化の原因が自分のモデルの側にあることです。再学習で症状は消えても、構造は次の四半期に同じ形で戻ってきます。実務での含意は一つで、予測モデルの成績は的中率ではなく「介入した群としなかった群で結果がどう違ったか」で見る必要がある、ということになります。（2026年8月9日の5問より）

答え：3 — 29%にとどまり、「信頼しない」と答えた46%のほうが多いという逆転が起きた

信頼は29%まで下がり、「信頼しない」の46%に追い抜かれました。使う人が増えれば信頼も高まるという直感に反して、利用と信頼が逆方向に動いた——この開きを「AI信頼ギャップ」と呼びます。精度を信頼する割合はかつての40%から29%へ落ち、「高く信頼する」はわずか3%。「信頼しない」は前年の31%から46%へ増えました。原因として挙がるのは、AIが出す「ほぼ正しいが、どこか違う」出力です。回答者の66%が「惜しいが正しくない」ことを挙げ、45%がAI生成コードのデバッグに相当な時間を失ったと答えています。完全な誤りなら弾けますが、惜しい正解は残り1割を探す検証コストを人間に押しつけます。信頼はツールの属性ではなく、どの工程を人が検証し続ける前提で組んだかという運用設計から生まれる、という読み方ができます。（2026年8月12日の5問より）

答え：2 — 顧客企業の現場に入り、担当者と机を並べてその会社の業務にAIを組み込む技術者

正解は「顧客企業の現場に入り、担当者と机を並べてその会社の業務にAIを組み込む技術者」です。フォワードデプロイド・エンジニア（Forward-Deployed Engineer）は、ベンダーのオフィスではなく顧客の現場に常駐し、その会社の実際の業務にAIやソフトウェアを組み込んでいく役割を指します。もとはデータ分析基盤のPalantirが確立した職種で、汎用の製品を持ち込むのではなく、顧客ごとに異なる業務・データ・現場の癖に合わせて実装するところが特徴です。2026年7月には、OpenAIのデプロイメント部門がPalantir系のFDEを多数抱える応用AI企業Northslopeの買収に合意したと報じられました（Axios、2026年7月8日）。モデルの性能で差がつきにくくなるほど、価値は「自社の現場でどう動かしきるか」という実装工程へ移っていく——その工程を担う人の職種名です。（2026年8月17日の5問より）