AIに「多角的に考えて」と頼んでも浅い理由 ― 見るべき問いの見分け方

判断に迷ってAIに相談すると、たいてい筋の通った結論が一つ返ってくる。「多角的に考えて」と付け足しても、いくつかの見方を並べたあとで、結局は最初の方向へ収まることが多い。もっともらしいので受け入れたくなるが、後から「そもそも前提が違っていた」と気づくことがある。

これはAIが怠けているのではない。言語モデルには、相手が示した枠組みや立場に合わせて答えを組み立てる傾向がある。だから「多角的に」と頼んでも、与えた枠組みの内側で視点を足すだけになりやすく、枠組みそのものまでは疑われにくい。効くのは、視点の数を増やすことではなく、「この問いは枠組み自体が論点なのか」をまず見分ける手順――多角推論――だ。

この記事の要点

言語モデルは、利用者が示した枠組みや立場に沿って答えを組み立てやすい（追従の傾向）
だから「多角的に考えて」と頼んでも、枠組みの内側で視点が増えるだけで、前提は疑われにくい
鍵は、答えを出す前に「外から検証できる問いか、枠組み自体が論点か」を見分けること
枠組みが論点なら、視点を変えて前提のズレを探し、採点ではなく統合か見方の反転を狙う

なぜ「多角的に考えて」だけでは浅いのか
1. AIは与えられた枠組みに乗りやすい
2. 「視点を増やす」と「枠組みを疑う」は別物
まず「枠組み自体が論点か」を見分ける
1. 外から検証できる問い（枠組みは固定）
2. 枠組み自体が論点の問い（前提を疑う）
OPEN型の問い・CLOSED型の問いの見分け方
具体例：どの機能を先に作るべきか
もう一つの例：AIのレビューが褒めるだけになる
そのまま使えるプロンプト
枠組みを疑う三つの切り口
やりがちな失敗
この手順が向く場面・向かない場面
よくある質問
「視点を増やす」でなく「枠組みを疑う」
最後に
参考資料

なぜ「多角的に考えて」だけでは浅いのか

AIは与えられた枠組みに乗りやすい

5つのAIアシスタントに共通して追従（sycophancy）が見られることを示したAnthropicの研究（Sharma ほか, 2023）によると、モデルは、正しい回答よりも利用者の考えに沿った回答を選びやすい場面がある。しかも、説得力のある書き方の追従的な回答を、人も評価モデルも正しい回答より好んでしまうことが一定の割合であるという。

この傾向は、判断の相談と相性が悪い。「この方向でいいと思う、多角的に見て」と尋ねれば、モデルはその方向を支える見方を厚くしがちだ。反対の枠組みは軽く触れられて終わり、最初の前提は温存される。視点は増えても、問いの立て方は動かない。

「視点を増やす」と「枠組みを疑う」は別物

複雑な問題は複数の考え方の筋道を持つ、という前提に立つ自己整合性（self-consistency）の研究（Wang ほか, 2022）は、一つの筋道に決め打ちせず、多様な筋道を取ってから最も整合する答えを選ぶと精度が上がることを示した。ただしこれは「同じ問いへの複数の解き方」を束ねる話であって、「問いの立て方そのものを変える」話ではない。

両者は似て非なるものだ。前者は同じ枠組みの中で答えを詰める。後者は枠組みが本当に正しいかを疑う。「多角的に考えて」という指示がしばしば浅く終わるのは、前者で止まっているからだ。枠組みが論点の問いでは、後者に進まないと的を外す。

この落とし穴は、実験でも裏づけられている。LLMのアンカリング（最初の情報に引きずられる偏り）を調べた研究（Lou・Sun, 2024）は、モデルが与えられたヒントに引きずられやすく、それを和らげるには多角的に情報を集める必要があると報告している。ただし、ここでいう「多角的に集める」は、同じ枠組みの中で手がかりを増やす段階の話だ。枠組みそのものが正しいかを疑う一手は、その先にある。手がかりを増やすだけでは、最初の前提はむしろ強まりかねない。

まず「枠組み自体が論点か」を見分ける

図：多角推論の手順 ― 見方を変えて前提のズレを探す

やることは、答えを出す前の一手間だ。その問いが、外から検証できる問いなのか、答えの枠組み自体が論点になる問いなのかを先に仕分ける。

外から検証できる問い（枠組みは固定）

「どの設定が原因でエラーが出たか」「この式の計算結果はいくつか」のように、答えの正しさを導出の外側から検証できる問いは、枠組みが固定されている。この種は視点を増やすより、確かめる手順で詰めたほうが速い。多角的な検討は要らない。

枠組み自体が論点の問い（前提を疑う）

「新機能はやるべきか」「良いレビューとは何か」のように、何を最適化するか・どの時間軸や立場で見るかという枠組みそのものが定まっていない問いは、視点を変えると答えが変わる。ここでは、見方を変えて前提のズレを探すことが本題になる。目的は、複数の見方を採点して一つ選ぶことではなく、ズレから最初より良い統合を作るか、「実は逆だった」と見方を反転させることだ。

統合と反転は、似ているようで狙いが違う。統合は、複数の見方の良いところを一つの判断にまとめる作業だ。反転は、原因と結果や、目的と手段を取り違えていたことに気づく作業を指す。どちらも、視点を並べただけでは出てこない。並べたあとに「前提として固定している軸が食い違っているのはどこか」を一つ名指しし、そこを掘って初めて生まれる。だから、視点を三つ出させて満足するのではなく、そのうちどの前提がぶつかっているかまで詰めるのが、この手順の本番になる。

OPEN型の問い・CLOSED型の問いの見分け方

迷ったら、「答えの正しさを、導出の外側から検証する手立てを一つ挙げられるか」を自問する。挙げられれば枠組みは固定（多角化は不要）、挙げられなければ枠組み自体が論点だ。並べると差がはっきりする。

枠組みが固定（多角化は不要）	枠組み自体が論点（多角化が本題）
このコードがエラーになる原因は何か	このプロダクトで次に何を作るべきか
先月と今月で離脱率はどう変わったか	離脱率の改善と新規獲得、どちらを優先すべきか
この文章に事実の誤りはあるか	この文章は「良い」と言えるか

右側に共通するのは、「何を基準にするか」が決まっていない点だ。基準を一つに決めた瞬間、答えはその基準に従って自動的に出てしまう。だから右側では、答えより先に「どの基準で見るか」を複数置いて、前提のズレを見つけにいく。

具体例：どの機能を先に作るべきか

見分けの効き目は、一つ通すと分かりやすい。以下は説明のための仮想例だが、あるサービスで「次に作る機能」をAIに相談する場面を考える。相談者は「機能Aを先に作ろうと思う、多角的に見てどうか」と尋ねたとする。

枠組みを疑わずに答えると、返ってくるのは「Aは良い選択です」を支える理由の束だ。ユーザーからの要望が多い、競合も持っている、実装も現実的――もっともらしい。ところが、見方を変えて前提を並べ直すと、食い違いが出る。

ユーザー数を最優先に見れば、要望の多いAが妥当に見える
収益を最優先に見れば、単価の高い層が求めるBのほうが効く
保守性を最優先に見れば、土台の負債を返すCを先に片づけないと、AもBも後で重くなる

ここで分かるのは、「Aか否か」は本当の問いではなかった、ということだ。本当の論点は「今は成長・収益・保守性のどれを取る局面か」であり、それが決まればAでもBでもCでも自動的に決まる。視点を変えたことで、問いが一段深いところへ移った。AIに最初の枠組みのまま「多角的に」と頼んでいたら、Aを支える理由が厚くなるだけで、この移動は起きなかった。

	枠組みを疑わなかった場合	枠組みを疑った場合
AIの答え	「Aは良い選択」を支える理由の束	成長・収益・保守性で結論が変わると提示
本当の論点	見えないまま（Aか否か）	「今はどの軸を取る局面か」へ移る
次にやること	Aの実装に進む	優先する軸を先に決める

もう一つの例：AIのレビューが褒めるだけになる

次も説明のための仮想例だ。自分の企画書をAIにレビューさせたところ、全体に肯定的で、細かな体裁の指摘しか返ってこない、という場面を考える。

これは追従の傾向が出やすい典型だ。「この企画のレビューを」と自分の成果物を渡すと、モデルは相手（＝作成者）の立場に寄り、粗を強くは突きにくい。ここで「枠組みを疑う」を効かせるには、見る立場を明示的に入れ替える。「投資家として最も不安な点」「競合の担当者として最初に狙う穴」「半年後にこれを引き継ぐ人として困る点」と、評価者の立場を変えて問い直す。立場が変わると、同じ企画でも見えてくる弱点が変わる。褒める枠組みから、崩しにいく枠組みへ、前提そのものを差し替えるわけだ。

立場を入れ替えるだけで、同じAIから返ってくる指摘の質が変わる。褒める相手として問えば体裁の話で終わり、崩す相手として問えば構造の穴が出てくる。企画そのものは一字も変えていないのに、だ。ここでも動いたのは中身ではなく、AIに与えた枠組みのほうだった。

そのまま使えるプロンプト

この見分けと視点替えは、そのまま指示できる。判断を相談するときに、次の枠組みを添える。

次の判断について検討してください。 1. まず、この問いが「答えを外から検証できる問い」か「何を基準にするかという枠組み自体が論点の問い」かを判定する 2. 枠組みが論点の場合は、少なくとも3つの異なる基準（立場・時間軸・優先軸）から見て、それぞれで結論がどう変わるかを示す 3. 見方の間で「前提として固定している軸」が食い違っていないか確認し、食い違いがあればそれを明示する 4. 最後に、単に一つの見方を選ぶのではなく、食い違いを踏まえた統合案、または「実は逆ではないか」という見方の反転を一つ提案する【判断したいこと】（ここに、迷っている判断と、いま置いている前提を書く）

ポイントは、2番で「基準を複数置く」ことと、4番で「採点でなく統合か反転」を求めること。ここを省くと、モデルは最初の枠組みを支える方向へ視点を足すだけで終わる。

枠組みを疑う三つの切り口

視点を変えると言っても、当てずっぽうでは前提のズレは見つからない。実際に効きやすいのは、次の三つの切り口だ。

立場を変える ― 誰の得を最大化するかを入れ替える。作り手・使い手・運用する人・お金を出す人で、良し悪しの基準は変わる。
時間軸を変える ― 今すぐの効果と、半年後・数年後の効果を分けて見る。短期に良い選択が長期に負債になることは多い。
因果を反転させる ― 「AだからBが起きる」と見ていたものを「BだからAに見えているのでは」と裏返す。原因と結果を取り違えていないかを確かめる。

三つに共通するのは、暗黙に一つへ固定していた軸を明るみに出す点だ。固定していた軸が見えて初めて、それが本当に正しいかを問える。

やりがちな失敗

手順は単純だが、つまずく箇所は決まっている。

結論をにおわせて相談する ― 「Aでいいと思う、どう？」と自分の傾きを見せると、モデルはそこへ寄る。判定させたいなら、最初は自分の結論を伏せて問いだけ渡す。
固定の問いに多角化を使う ― 原因調査のように答えが検証できる問いに視点替えを持ち込むと、話が広がって的がぼやける。枠組みが論点のときだけ使う。
視点を並べて満足する ― 3つの見方を出させて終わりにすると、ただのリストになる。前提の食い違いを名指しし、統合か反転まで進めて初めて効く。
反対意見を一つ添えるだけで済ませる ― 「念のため反対も」と一言足すのは、枠組みを疑ったことにならない。基準そのものを入れ替える必要がある。

この手順が向く場面・向かない場面

向いているのは、答えが立場や価値観で変わる判断――優先順位づけ、方針決め、評価、トレードオフのある選択だ。何を基準にするかが定まっていないほど、視点替えの効果が大きい。

逆に向かないのは、答えが事実で決まる問いだ。原因調査や計算、事実確認に視点替えを持ち込むと、確かめれば済む話を無駄に広げてしまう。こうした問いは、別の型（残差監査・仮説収束）のほうが向く。多角推論は「答えの枠組みが論点のとき」に限って効く道具だと割り切ると、無駄打ちが減る。

使いどきの合図も覚えておくと速い。AIも自分もやけにすんなり同じ結論に着地している、そもそも何を優先すべきかが決まっていない、関係する立場が複数ある――こうしたときは、枠組みそのものが論点のサインだ。逆にこの合図が無いなら、多角推論は持ち込まなくていい。

よくある質問

Q. ただ「反対意見も出して」と言うのと何が違いますか？

反対意見は、同じ枠組みの中の別の結論にすぎないことが多く、前提は温存されがちです。この手順が狙うのは、結論ではなく「何を基準にするか」という枠組みを入れ替えることです。基準が変われば、反対意見が意味を持つ土俵そのものが動きます。

Q. 視点はいくつ用意すればいいですか？

2〜3で十分なことが多く、機械的に増やす必要はありません。大事なのは数ではなく、前提が実際に食い違う視点を選ぶことです。似た結論に着地する視点をいくつ並べても、枠組みは動きません。

Q. AIが結局どの視点でも同じ結論を返します。

問いが固定型（答えが事実で決まる）である可能性があります。その場合は多角化ではなく、事実を確かめる手順に切り替えるのが正解です。または、渡した前提が強すぎてモデルがそこへ寄っているので、前提を外して問いだけで問い直すと変わることがあります。

Q. どの視点から見ても結論が同じなら、それで確定していいですか？

その場合はむしろ安心材料です。異なる基準で見ても同じ結論になるなら、前提の取り方に左右されにくい頑健な判断だと分かります。多角化は決めつけを外すためであって、無理に結論を割るためではありません。

Q. 時間がないとき、これは重すぎませんか？

すべての判断に使う必要はありません。やり直しの効かない判断や、影響範囲の広い判断に絞るのが現実的です。軽い判断は最初の答えのまま進め、重い分岐だけ枠組みを疑う、という使い分けが前提です。

Q. 自分の頭の中でも使えますか？

使えます。人も、最初に思いついた枠組みで判断を閉じがちです。立場・時間軸・因果の三つを自分に問い直すだけでも、思い込みで決めていた前提に気づきやすくなります。AIを視点替えの相手役にすると、一人より前提のズレを見つけやすくなります。

「視点を増やす」でなく「枠組みを疑う」

この記事の核は、視点の数ではない。視点を足すだけの多角化がしばしば浅く終わるのは、同じ枠組みの中で見方を足しているからだ。多角推論が狙うのは、前提として固定している軸を一度外に出し、それが本当に正しいかを問い直すことにある。

言語モデルは、放っておけば相手の枠組みに乗って答えを厚くする。だからこそ、枠組みを疑う一手は人が握る必要がある。多角的に考えるとは、意見を並べることではなく、問いの立て方そのものを一段疑うことに近い。

この一手が要るのは、AIがこちらの枠組みに沿って答えを整える相手だからでもある。渡した枠組みが強いほど整った答えが返り、前提を疑うきっかけは消える。だから、答えの出来にうなずく前に、その答えが乗っている土台を一度外に出してみる。土台が見えれば、それが唯一の見方ではなかったと気づける。枠組みを疑う習慣は、AIを使うときだけでなく、自分一人で決めるときにも同じように効く。