黒パグ式 誰でも知っておいて損はない！ AIへの多数ペルソナ指定の危険性回避 完全マニュアル
こんにちは黒パグです🐾
読者のみなさんはXのタイムラインやSNSで
「AIは◯◯のペルソナ指定すれば最強！！」みたいなのみたことありますか？
似たようにクロードコードで使う最強プロンプト集！や
ノートブックLMで偉人のペルソナを多数指定すれば最強！というのも。
もちろん、それ自体を否定するつもりは全くありません。
今回はそんなAIの「ペルソナ」とは何か？
どういう仕組み？というのを簡単にわかりやすく解説していきます。
以下本編です
📎 技術補遺PDFについて
この記事の技術的な裏付けを全部詰め込んだPDFを無料配布しています。RAGアーキテクチャの詳細解説、4社LLM比較実験の全データ、代替プロンプトのテンプレート集など、エンジニア向けの内容です。記事の最後にダウンロードリンクがあります。
「技術的なことはいいから使い方だけ教えて」という方は、このまま読み進めてください。
SNSで「最強の円卓会議」が流行っている
最近、X（Twitter）でこういう投稿をよく見かける。
「AIに10人の偉人ペルソナを設定して円卓会議させたら最強」
「孫子、ドラッカー、ジョブズが同時にアドバイスしてくれる」
「引用元付きだから根拠も明確」
NotebookLMやGeminiのGems機能を使って、一つのAIの中に何十人もの「専門家」を定義する。課題を投げると10人が同時に答えてくれる。しかも引用付き。
一見すると、これは革命的に見える。
でも、これを見たとき俺は「あ、これ構造的に危ないやつだ」と思った。ツールが悪いんじゃない。NotebookLMは素晴らしいツールだ。問題は使い方にある。
この記事では、AIにペルソナを指定するときの「4つの落とし穴」と、じゃあどうすればいいのかを、技術的な裏付けをもとに解説する。
落とし穴① ── 全員、同じことを言い出す
まず一番わかりやすい問題から。
AIの中に「孫子」と「ジョブズ」と「ドラッカー」を設定して、「新規事業の戦略を考えて」と聞いたとする。返ってくる答えを見ると、孫子は「戦略的に市場を攻めよ」、ジョブズは「革新的に市場を攻めよ」、ドラッカーは「組織的に市場を攻めよ」と言う。
名前と言い回しが違うだけで、中身がほぼ同じになる。
これには技術的な理由がある。AIの内部では、ソースの文章をベクトル（数値の列）に変換して検索している。「戦略」「革新」「決断」みたいな抽象的なキーワードは、どの偉人のソースにも含まれている。だから検索すると、全員のソースから似たような文章が引っかかる。
たとえるなら、10種類のスパイスを全部同じ鍋に入れてかき混ぜたようなものだ。個別の味は消えて、なんとなく「カレー味」になる。技術的にはこれを「セマンティック・スープ化」と呼ぶ。要するに、意味のごった煮だ。
10人の専門家のはずが、「同じスープを10個の器に盛っただけ」になる。これが第一の落とし穴。
落とし穴② ── 偉人の皮を被ったステレオタイプ
「あなたは孫子です」とAIに指示すると、何が起きるか。
AIの内部では、注意（Attention）の重心が「孫子っぽいトークン空間」にシフトする。簡単に言うと、AIの視線が「孫子コーナー」に固定される。
問題は、この「孫子コーナー」の中身だ。AIが学習したのは孫子の兵法の原典ではなく、ネット上にある「孫子の名言まとめ」「孫子に学ぶビジネス戦略」みたいな記事が大量に含まれている。つまりAIが演じるのは「孫子」ではなく、「ネットで流通している孫子のステレオタイプ」だ。
さらに厄介なことに、ソースとしてWeb記事を投入すると、この傾向が強化される。なぜかというと、投入されたWeb記事の内容と、AIが学習済みのWeb記事の内容が似すぎているからだ。AIは「ソースを読んでいるふりをして、実は自分の学習データで答えている」という状態に陥る。
技術的に言うと、ペルソナ制約が強すぎると、AIは学習データ中の「典型的なステレオタイプ」という確率の谷（Local Minima）にトラップされる。ソースに含まれる微妙なニュアンスは無視され、通俗的な解釈で補完される。
孫子に聞いているつもりが、「孫子風のWebライター」に聞いている。これが第二の落とし穴。
落とし穴③ ── AIは「いい子」しかできない
三つ目の落とし穴は、AIの訓練方法に起因する。
現代の主要なAI（Claude、GPT、Geminiなど）はすべて、RLHF（Reinforcement Learning from Human Feedback）という調整を受けている。簡単に言うと「AIの通知表」だ。人間の評価者が「この回答は良い」「この回答は悪い」とフィードバックして、AIの出力を調整する。
この調整は「丁寧でバランスの取れた回答」を強化する一方で、「極端な意見」や「攻撃的な批判」を抑制する。これは安全性の観点から必要な調整だが、副作用がある。
一つのAIの中で「軍神」と「平和主義者」を戦わせても、最終的な結論は「バランスの取れた折衷案」に収束する。なぜなら、AIの根っこにある確率分布が同じだからだ。ペルソナを切り替えても、モデルの重み（本質的な性格）は変わらない。
これを「中庸の重力」と呼ぶ。どんなに極端なペルソナを設定しても、AIは真ん中に引き戻される。
多視点の本質は「対立する意見がぶつかること」にある。でも一つのAIの中では、対立は構造的に起きにくい。10人の専門家が全員「まあ、どっちも大事ですよね」と言う。それは会議ではなく、一人の人間の独り言を10分割しただけだ。
落とし穴④ ── 「引用付き＝正しい」は嘘
四つ目。これが一番見落とされやすい。
NotebookLMの引用機能は、同サービスの最大の強みの一つだ。回答のどの部分がソースのどこに基づいているかを明示してくれる。素晴らしい機能だと思う。
ただし、引用が証明するのは「ソース内のどこに書いてあるか」という位置情報だけだ。「その記述が正しい」ということは証明していない。
ここに落とし穴がある。
ソースとしてWeb記事を投入した場合、そのWeb記事自体が三次情報であることが多い。原典（本人の著書や公式文書）→ 学術書や解説書 → Web記事、という変換を経るたびに、ライターの解釈バイアス、編集による単純化、SEO最適化による語彙偏向が積み重なる。
特に偉人系コンテンツでは、英語圏の誤訳が日本語圏で再拡散している例も珍しくない。
引用マーク ＋ ペルソナの権威 ＋ もっともらしい文体。この3つが組み合わさると、人間の側で「引用付き ＝ 根拠がある ＝ 正しい」という三段論法の飛躍が起きる。これを「権威錯覚」と呼ぶ。
ハルシネーション（AIが嘘をつく）は内容の誤りだから、まだ検出しやすい。でも権威錯覚は「正しい引用機能を誤った権威付けに使う」という人間側の認識エラーだから、検出がずっと難しい。
じゃあ本当の「多視点」ってなんだ？── 4社に同じ質問を投げてみた
落とし穴を4つ並べたところで、「じゃあどうすればいいんだよ」という話をする。
俺は今回、この「多ペルソナ円卓会議」の運用パターンについて、4つのAI（Claude、GPT、Gemini 2種）に同じ質問を独立して投げてみた。
結果は面白かった。
4つのAIは、結論としてはほぼ同じことを言った。「単一モデル内の多ペルソナには構造的な限界がある」と。でも重要なのは結論じゃない。そこに至る経路がバラバラだったことだ。
Claudeは「擁護→批判→代替案」という段階構造で展開した。GPTは「4分類で網羅的に整理」した。Gemini（1回目）は「比喩を使った読み物」として展開した。Gemini（2回目・技術深掘り設定）は「アーキテクチャ層に降下して数理的に分解」した。
使う語彙も違う。Claudeは「三段論法の飛躍」、GPTは「重大な構造的欠陥」、Geminiは「情報の出がらし」「神託」、もう一つのGeminiは「セマンティック・スープ」「確率の谷」。
同じモデル（Gemini）でも、セッション設定が違うだけでここまで変わる。ちなみにこれは良い面だけの話ではない。同じGeminiでも汎用的な助言モードで聞くと、課題への批判ではなく自社製品の使い方ガイドを返してきた事例もある（詳細はPDFの付録Cに記録した）。文脈設定は出力を良くも悪くも劇的に変える。
逆に言えば、一つのモデルの中でペルソナを切り替えても、この経路の独立性は得られない。
これが「本物の多視点」だ。異なる学習データ、異なる調整を経た複数のAIが、独立にたどり着いた結論は信頼性が高い。一つのAIの中で名前を変えて出した10個の回答とは、構造的に別物だ。
初心者向け ── 今日からできる「正しいやり方」3つ
理屈はわかった。で、明日から何をすればいいのか。
やり方① ── ペルソナじゃなくて「観点」で聞け
「あなたは孫子です」と指定する代わりに、「以下の4つの観点から分析してください」と指定する。
以下の課題について、4つの独立した観点から分析してください。
各観点は独立に評価し、最後に統合せず観点ごとの結論を並列に提示してください。
観点1：顧客にとっての価値
観点2：技術的な制約
観点3：倫理的な影響
観点4：長期的な持続性
課題：（ここに自分の課題を入れる）
偉人の名前を出さないことで、AIが「確率の谷」にハマるのを防げる。しかも観点ごとに独立して答えさせることで、「全員同じ結論」問題も緩和できる。
やり方② ── 賛成意見が出たら、必ず反証を取れ
AIに何かを聞いて「いいですね！」と返ってきたら、次にこう聞く。
今の回答について、徹底的に反証してください。
前提の誤り、証拠の不足、論理の飛躍、代替仮説の存在を
網羅的に列挙してください。肯定的な擁護は不要です。
一つのAIの中でも、明示的に「反証しろ」と指示すれば、ある程度は対立的な視点を引き出せる。ただし、これだけでは限界がある。だから次のやり方③と組み合わせる。
やり方③ ── 同じ質問を、別のAIにも投げろ
これが一番シンプルで、一番効果が高い。
同じ課題をClaudeとGPTとGeminiに投げて、答えを並べる。3社とも同じ結論なら信頼度が高い。バラバラなら「ここは要検討」ということがわかる。
一つのAIに10人を演じさせるより、3つのAIに1人ずつ聞いたほうが、多視点としての価値は圧倒的に高い。
ソースの選び方も大事
ペルソナの問題とは別に、そもそもAIに何を読ませるかで結果は大きく変わる。
ソースには3つの階層がある。
一次情報 ── 原典、本人の著書、公式文書、査読論文。一番信頼できる。
二次情報 ── 学術書、解説書、伝記、公的機関のレポート。条件付きで使える。
三次情報 ── Web記事、ブログ、まとめサイト、SNS投稿。最終手段。
SNSで流通している「偉人ペルソナ」のソースは、ほとんどが三次情報だ。名言集、格言まとめ、○○に学ぶビジネス術。これらは著者の解釈、編集による単純化、SEO最適化を経ている。原典とはかなり距離がある。
「孫子の兵法について聞きたいなら、孫子の兵法の原典を読ませろ」。これだけで出力の質は劇的に変わる。
ツールが悪いんじゃない。使い方の問題だ
ここまで「落とし穴」を4つ並べたけど、誤解しないでほしい。
NotebookLMは優れたツールだ。ソース特化型のRAG、引用機能、Audio Overview、自動カテゴリ分け。公式が推奨するワークフロー（情報の集約→理解の深化→構造化→アウトプット生成）に沿って使えば、高い価値を発揮する。
問題は、そのワークフローを逸脱して「40人の偉人ペルソナで円卓会議」という使い方をしたときに、構造的な限界が露呈するということだ。
「10人の専門家を呼ぶ」という発想自体は良い。人間の認知バイアスを補正する装置として価値がある。でもそれを一つのAIの中で疑似的に再現できると思うのは、技術的な誤解だ。
本当の多視点は「召喚」ではなく「設計」で手に入る。
観点フレームワークで構造化する。反証プロンプトで対立を生む。複数のAIに並列で投げる。一次情報をソースにする。
手間はかかる。でも「一つのAIに10人演じさせてワンクリックで最強の答え」というのは、残念ながら幻想だ。
📎 技術補遺PDF（無料）
この記事の技術的裏付けをまとめたPDFを無料配布しています。
内容：
RAGアーキテクチャとセマンティック・スープ化の詳細解説
Attention機構とペルソナ・ステアリングの限界
RLHFが生む「中庸の重力」の構造分析
4社LLM比較実験の全データ（8軸指紋比較表つき）
代替プロンプトのテンプレート集（観点フレームワーク型・反証型・統合型）
ソース選定チェックリスト
執筆：黒パグ（LLM48プロジェクト）
#AIと始めてみた #AI活用 #ChatGPT #Claude #Gemini #NotebookLM #プロンプト #AIの使い方 #LLM #生成AI
