AIに長い記憶を持たせると仲間割れする
朝の出汁版（通勤2分）
- ポイント1: 複数のAIを連携させてキャンペーン立案や分析を自動化しようとしている場合、やり取りの履歴を長くすればするほどAI同士が非協力的になり、アウトプットの質が下がるリスクがある。
- ポイント2: AIに過去のやり取りをたくさん見せると、未来志向の判断力が落ちることが実験で判明し、「記憶が多い＝賢い」という常識が覆された。
- ポイント3: 複数AIを使う業務フローでは、渡す会話履歴を必要最小限に絞り、ポジティブな前例だけを要約して渡す設計に見直してみよう。
出汁の素（深読みモード）
これって結局どういうこと？
AIを複数組み合わせて仕事を任せる「マルチエージェント」の活用が広がっていますよね。でも今回の研究が示すのは、ちょっと意外な落とし穴なんです。
「会話の履歴をたくさん渡せばAIはより賢く動いてくれるはず」——多くの人がそう思っていますが、7種類のAIモデル・4種類のゲーム・500ラウンドという大規模な実験で、その逆が起きることが確認されました。記憶が増えるほどAIエージェント同士の協力関係が崩れていく。研究チームはこれを**「メモリーカース（記憶の呪い）」**と呼んでいます。
マーケターとして直接コードを書く必要はまったくありません。ただ「AIに渡す情報をどう設計するか」という判断は、これからの業務で普通に出てきます。その判断の精度を上げるための知識として、ぜひ頭に入れておいてほしい研究です。
なぜこのタイミングで重要？
なぜマーケターに関係があるの？
① 複数AIを連携させる業務フローが、すでに現場に入ってきている
AIが自分で作戦を立てて動く時代、施策設計はどう変わる？でも紹介しましたが、「AIエージェントに一連の作業を任せる」という使い方は急速に広まっています。たとえば——
- 「競合調査AIが情報を集め → 企画AIがプランを立て → コピーライティングAIが文章を書く」
- 「SNS分析AIがデータを出し → ターゲティングAIが判断し → レポートAIがまとめる」
こういった多段階の連携フローを組んだとき、前のAIの出力を次のAIに全部渡す設計にしていませんか？ それが今回の研究が指摘する「記憶の呪い」を発動させる可能性があるんです。
② 「なんかAIの提案がズレてきた」の原因かもしれない
実験では、AIに渡す会話履歴が長くなるほど、28通りのモデル×ゲームの組み合わせのうち18通りで協調行動が劣化しました。劣化のメカニズムとして特定されたのが「前向きな判断力の低下」です。過去の情報が増えると、AIは未来のことより過去の出来事に引きずられるようになる——これ、人間でも同じことが起きますよね。
業務で言えば、「以前の打ち合わせ内容を全部コンテキストに入れてAIに相談したら、なんか前回のダメだった案に引きずられた提案ばかりしてくる」という経験に近い感覚です。
③ 渡す情報の「質と量のバランス」がAIの成果を左右する
研究でさらに興味深いのは、「長い履歴の代わりに、協力的な前例を要約したものを渡す」と協調行動が劇的に回復したという点です。量ではなく質なんです。
これはマーケターの仕事そのものへの示唆でもあります。AIに「過去の全キャンペーンデータ」をそのまま渡すより、「成功事例の要点だけを整理したサマリー」を渡した方が、質の高いアウトプットが返ってくる可能性が高い。情報設計の話なので、技術的な知識がなくても実践できることです。
具体的に始めるなら
今週中にやってみること
優先度★★★：今使っているAI連携フローを「棚卸し」する
まず、自分の業務でAIを複数ステップで使っている場面をリストアップしてみてください。「前のAIの返答をそのままコピペして次のAIに渡している」フローがあれば、それが改善の対象です。所要時間：15〜30分。
優先度★★☆：渡す履歴を「ポジティブ要約」に変えてみる
過去のやり取りをそのまま貼り付けるのをやめて、「うまくいったポイントだけを3〜5行でまとめたメモ」を先頭に置く方式を試してみましょう。たとえば「前回のキャンペーンでは○○の訴求が効いた。ターゲットは△△。避けるべきトーンは□□」という形式です。これだけでAIの出力の方向性がかなり変わることがあります。
優先度★☆☆：コンテキストの「リセットタイミング」をルール化する
長時間にわたるAIとのやり取りは、途中で一度チャットを新しく始める（コンテキストをリセットする）ことを習慣にしてみてください。特に「なんか最近のAIの提案がズレてきたな」と感じたら、それがリセットのサインかもしれません。新しいセッションに「これまでの結論だけを箇条書きで渡す」方式は、メモリーカースを回避するシンプルな手法です。
よくある疑問
よくある疑問
Q1. これってChatGPTやClaudeを普通に使う場合にも関係ある？
A. はい、関係あります。ただし影響度の大きさは使い方によります。一人で一つのAIと会話する分には比較的影響は小さいですが、「長い会話の中でAIに複数の役割を持たせる」「別のAIの出力を貼り付けて参照させる」という使い方をしている場合は、今回の研究の示唆が直接当てはまります。「最初の方の会話が邪魔をして最近の提案がズレてきた」という経験があるなら、それがサインです。
Q2. 「記憶が多い＝賢い」じゃないなら、AIのメモリー機能はむしろ使わない方がいい？
A. 「使わない方がいい」ではなく、「何を記憶させるかを選ぶべき」というのが正確な解釈です。研究が示したのは「内容の質が重要」ということ。失敗した過去・紛糾した議論・ネガティブな前例をそのまま渡すのが問題であって、成功パターンや前向きな判断基準をコンパクトにまとめて渡すなら、記憶機能は強力な武器になります。AIのメモリー設定がある場合は、保存する内容を「ポジティブで前向きな情報に絞る」という運用ルールを作るといいですね。
Q3. 複数AIを連携させるシステムを業者に作ってもらう予定があるが、発注時に何を確認すべき？
A. ぜひ「各AIエージェントに渡すコンテキストの設計思想を教えてください」と聞いてみてください。「前のエージェントの出力を全量渡す設計か、要約・フィルタリングして渡す設計か」という点が重要です。また「履歴が長くなったときの挙動テストをしていますか」も確認ポイントです。今回の研究を知っている発注者として、この質問ができるだけでベンダーとの会話のレベルが上がりますよ。
もう一歩踏み込みたい人へ
もう一歩踏み込みたい人へ
今回の研究で使われた「LoRAアダプター」という手法も実は興味深いんです。「前向きな推論をする会話データだけで追加学習させたモデルは、記憶の呪いを回避し、かつ別のゲームにもゼロショットで対応できた」という結果が出ています。これは「AIに渡すデータの思想や方向性が、AIの行動パターンを根本から変える」という原則を示しており、プロンプト設計だけでなくファインチューニングの話にもつながります。
また今回紹介した3本の論文のうち、BLT（Byte Latent Transformer） の高速化研究（論文①）も間接的に関連します。AIエージェントの処理速度が上がると、複数エージェントの連携がよりリアルタイムに近づく。速くなることで連携フローが増える→記憶の呪いの影響を受けるシーンも増える、という構図です。
AIと人間の判断、最適な仕事の振り分け方が変わるでも触れたように、「どのタスクをAIに任せ、どう設計するか」という判断軸はマーケターにとってますます重要なスキルになっています。今回の「渡す情報の質を設計する」という視点は、その判断軸の中核をなすものです。元論文はarXivで無料公開されており（http://arxiv.org/abs/2605.08060v1）、図表を眺めるだけでも雰囲気はつかめます。
参照ソース
- [ArXiv]Fast Byte Latent Transformer→ arxiv.org/abs/2605.08044v1
- [ArXiv]CA-SQL: Complexity-Aware Inference Time Reasoning for Text-to-SQL via Exploration and Compute Budget Allocation→ arxiv.org/abs/2605.08057v1
- [ArXiv]The Memory Curse: How Expanded Recall Erodes Cooperative Intent in LLM Agents→ arxiv.org/abs/2605.08060v1