AIへの聞き方で健康情報が変わる問題

6つの主要LLM（4社提供）に対して、同じ禁煙相談を12種類のペルソナで投げかける実験が行われました。10代・社会人・医療従事者など、年齢・専門性・喫煙歴で属性を変えた12パターンを用意し、4つの質問を組み合わせた計2,880件の回答を分析した研究です。

結果は明確でした。「誰が聞くか」によって、AIが提示する情報の中身が大きく変わっていたのです。これはランダムなばらつきではなく、全モデルに共通する傾向として確認されています。

AIが「相手を読んで答えを調整する」のは一見、親切な設計に見えます。ただ、その調整が情報の抜け落ちを生んでいるとしたら話は別です。使う側として、まずこの構造を知っておく必要があります。

研究で明らかになった中で、特に注目したいのが二つの逆転現象です。

一つ目は「10代ペルソナへの処方薬情報の欠落」。FDA承認済みの禁煙補助薬（日本でいうバレニクリンやニコチン代替療法に相当する治療選択肢）が、10代ペルソナには32〜67ポイントも低い頻度でしか紹介されませんでした。AIが「未成年だから処方薬の話は不要」と判断した可能性が高く、これは安全配慮のつもりが情報格差を生んでいる例です。

二つ目がより興味深い。医療従事者として自己紹介したペルソナには、専門知識のない一般人ペルソナより「基本的な医学的事実」が少なく提示される傾向が、6モデル中5つで確認されました。「専門家なら知っているはず」とAIが省略してしまうわけです。

この構造が意味するのは、「詳しそうに聞くと、詳しい答えが返ってくる」とは限らないということ。むしろ、詳しそうに見せるほど基礎情報が抜ける可能性があります。LLMの「多数決バイアス」が意思決定を狂わせるでも触れたように、AIの判断傾向はユーザー側が構造として理解しておかないと、知らないうちに情報の偏りに乗っかってしまいます。

研究ではもう一つ、実用的な介入の検証も行われています。「どのユーザーにも最低限伝えるべき情報の基準（ファクトフロア）を明示するシステムプロンプト」を設定し、ペルソナ間の回答格差が縮まるかを測定しました。

結果、すべてのモデルでペルソナ差は縮小しました。ただし、全体的な情報カバレッジへの影響はモデルごとに異なり、あるモデルで有効だったプロンプトが別のモデルでは逆効果になるケースも確認されています。「このプロンプトさえ使えば安心」という汎用の解はなく、モデルを切り替えたら再検証が必要というのが結論です。

実用面で押さえておきたいのは、AIに情報を取りにいく際のプロンプト設計が、受け取れる情報の量と質を左右するという事実です。これは禁煙相談に限った話ではなく、法律・医療・税務・技術仕様など「正確な情報が必要な領域」すべてに当てはまります。