はじめに
生成AI（例：ChatGPT）を使っていて、
MBTIや性格心理の理論については驚くほど精緻な説明をするのに、
「○○駅の近くで静かなカフェを教えて」といった質問には存在しない店名を出す
といった“性能のギャップ”を感じたことはありませんか？
本記事では、このギャップが**なぜ生じるのか？**を、「構造的知識」と「事実的知識」の対比から掘り下げていきます。
MBTIとカフェ情報の違いとは？
ここでは、生成AIの出力精度に差が出た具体例を挙げます。
✔️ MBTIに関する出力：
・認知機能（Ne, Ni, Fi, Teなど）の説明
・タイプ間の相性理論（例：INFPとENTJの関係性）
・Jung心理学との接点 など
非常にロジカルかつ整合的な回答を返す傾向があります。
❌ カフェ情報に関する出力：
・「○○エリアにある静かな作業用カフェを教えて」といった質問に対し、存在しない店舗名を提示
・架空のレビュー（例：「落ち着いた照明とコンセント完備」など）を“それらしく”生成
このような事実誤認は、まさに生成AIの「ハルシネーション（hallucination）」です。
そして、なぜこのような差が出るのかは、AIが持つ知識の構造と記憶の在り方の違いにあります。
🧠 構造知識 vs 事実知識：AIの中で何が違うのか？
１. 構造知識は圧縮・再構成が可能
MBTIのような理論体系は、法則性とパターン性を持つため、少ない例であっても全体を学習しやすく、再構成しやすいという特性があります。
・MBTI = 性格を4軸に分解し16タイプに分類するモデル
・各タイプ = 認知機能の組み合わせ + 特定傾向の記述
・相互関係 = タイプ同士の補完性・対立性
これらの構造は、統計的に安定しており、AIが一般化・パターン化するのに非常に適しているのです。
２. 事実知識は「正確な記憶」が要求される
一方、ローカルな店舗情報は以下のような特性を持ちます：
・可変性が高い（閉店・移転・新規オープン）
・局所的で断片的な情報が多い
・情報ソースが不確か・断片的（レビューサイト、SNSなど）
このような知識は、LLMの事前学習データ（カットオフ時点までの静的なテキスト）には網羅的に含まれていないことが多く、AIは**「似たパターンの店名や説明」を即興で作り出してしまう**のです。
🧩 なぜ「それっぽく」見えるのか？
生成AIは「○○駅」「カフェ」「落ち着いた空間」「Wi-Fiあり」といった単語の共起パターンをよく学習しています。
そのため、以下のようにそれらしいテンプレートを構築する力は非常に高いです。
「○○カフェ」は○○駅から徒歩3分、落ち着いたインテリアと豊富な電源席が特徴です。
テラス席もあり、週末には地元客で賑わいます。
…しかし、これは「実在するかどうか」には無関係なのです。
これはあくまで「もっともらしさの模倣」であり、情報の真偽を判定して出力しているわけではありません。
🛠 精度を補うための手段
この問題に対しては、以下のようなアプローチが有効です。
🔍 RAG（Retrieval-Augmented Generation）
外部の検索エンジンやデータベースと組み合わせて、最新の事実情報を取得してから生成する手法です。
これにより、LLMの弱点である「記憶の限界」を補うことができます。
🧠 ドメイン特化型のファインチューニング
店舗や地名など、限定された領域の情報を精選されたソースで再学習させることで、ハルシネーションの発生を抑えることができます。
👤 ユーザー視点での注意点
構造的な知識 → 比較的信頼して良い
事実に基づく情報 → 必ず一次情報（Google Maps, 公式サイトなど）で検証
「補助的思考ツール」としての使い方が基本
✍️ おわりに
生成AIは、「再構成が得意な知識」と「正確な記憶を必要とする知識」に対して、得意・不得意が明確に分かれます。
理論・分類・モデル → 得意
地名・人名・実店舗 → 苦手（ハルシネーション頻出）
この仕組みを理解しておくことで、
**「何をAIに聞くべきか」「何は自分で調べるべきか」**の判断がつきやすくなります。