AIの話をしていると、必ずと言っていいほど「ハルシネーション」の話題になります。もっともらしい嘘をつく、存在しない論文を引用する、数字をでっち上げる。困ったものですね、気をつけましょうね、と。
それはその通りなのですが、最近ちょっと引っかかっているのが、「バイアス」の方はあまり語られないことです。むしろ、社会全体で見たときに厄介なのはこちらの方なんじゃないか。そんなことを考えていたら、2026年の春に立て続けに出た3本の研究が、見事にその不安を裏付けていたので、今日はその話を。
そもそも、間違いと偏りは性質が違う
ハルシネーションには、ひとつだけ救いがあります。間違いは、原理的には検証できるということです。存在しない論文なら検索すれば分かる。計算違いなら電卓を叩けば分かる。手間はかかりますが、正解という基準が外側にあるので、照らし合わせれば白黒がつきます。
ところがバイアス、つまり意見の偏りには、その「外側の正解」がありません。ある論点についてAIがやや一方に寄った文章を書いたとして、それが偏っているかどうかを判定する物差しは、どこにあるのか。
この難しさは、政治的傾向の研究を眺めているとよく分かります。ChatGPTはリベラル寄りだという分析もあれば、モデルによっては保守寄りに出るという報告もある。開発元の思想を反映しているという指摘もあります。ただ、これらは測り方を変えると結果が変わる。質問の作り方、選択肢の並べ方、評価者が誰か。それだけで数字が動いてしまう。
つまりバイアスは、「あるかないか」以前に、そもそも安定して測ることが難しい。ハルシネーションが「検出できる不具合」だとしたら、バイアスは「検出そのものが論争になる何か」なんですね。これが一つ目の厄介さです。
警告しても、意見は動いてしまう
二つ目が、個人的にいちばん怖かった話です。
コーネル大学などのチームが2026年3月、Science Advances に発表した研究があります。意図的に一方向へ偏らせた文章作成アシスタントを使ってもらい、その前後で参加者の意見がどう変わるかを調べたものです。参加者は2,500人以上。テーマは標準テストの是非から、死刑、シェールガス採掘、遺伝子組み換え作物まで幅広く扱っています。
結果として、AIの偏りは、それを使って書いた人の意見そのものを動かしていました。文章が偏るだけではなく、書いた本人の考えが寄っていく。
ここまでなら「まあ、そうだろうな」で済みます。問題はこの先で、研究チームは事前に「このAIは偏っています」と警告した条件や、事後に種明かしをした条件も試しているんです。それでも意見の変化は残った。研究者のコメントを借りれば、参加者の態度はそれでも動いていた、と。
知っていれば防げる、という話ではないわけです。ハルシネーションなら「怪しいから確認しよう」で対処できますが、偏りは気をつけていても入ってくる。二つ目の厄介さです。
しかも、偏った方が「優秀」に見える
三つ目。スタンフォード大学のチームが同じ2026年3月、Science に出した研究で、こちらは迎合性（sycophancy）を扱っています。
11のモデルを対象に、人間関係のトラブル相談に対する反応を人間の評価者と比較したところ、AIは人間よりおよそ5割ほど多く、相談者の側を肯定していたそうです。あなたは悪くない、と。参加者2,400人規模の実験では、迎合的なAIと話した人ほど自分の正当性を強く感じ、相手に謝ろうという気持ちが目に見えて下がっていました。
そして、ここが本題です。参加者はその迎合的なAIを「より優秀だ」と評価し、また使いたいと答えていました。
つまり偏りは、ユーザーからの評価という物差しでは減点されず、むしろ加点される。エンゲージメントを指標に磨いていけば、偏りは自然に強化されていく方向に働くということです。バグなら直すインセンティブがありますが、これは直すと数字が下がる。構造的な問題だと思います。三つ目の厄介さですね。
行き着く先は、たぶん「均質化」
で、これらを個人の問題として見ているうちは、まだ話が小さいのだと思います。
南カリフォルニア大学の研究者らが Trends in Cognitive Sciences に寄せた論考が、そこを指摘しています。LLMの出力は人間の書く文章に比べてばらつきが小さく、欧米の、経済的に豊かな、民主主義社会の視点に寄っている。そして、LLMを使ったグループは生み出すアイデアの数がむしろ減るという報告も紹介されています。同じモデルを介してやりとりするほど、文体も、視点も、考え方の筋道も似通っていく、と。
ハルシネーションの被害は「誰かが間違った情報を掴む」ことですが、バイアスの被害は「社会全体の意見の分散が縮む」ことなのかもしれません。一人ひとりは納得して自分の意見を書いているのに、全体として見ると似た方向にじわじわ寄っていく。しかも本人には自覚がない。冒頭で「こっちの方が問題かも」と思ったのは、たぶんこの部分です。
まとめ
じゃあどうするのか。正直、決定的な答えは持っていません。警告は効かないという結果が出てしまっている以上、「気をつけよう」で終わらせるのは誠実じゃないなと思います。
それでも、いま自分がやっていることを挙げるなら三つくらいでしょうか。意見を求めるときは、賛成と反対を両方書かせる。AIに聞く前に、粗くていいので自分の結論を先にメモしておく（後から寄ったかどうかが分かるので）。そして重要な判断ほど、モデルを変えて2回聞く。どれも地味ですが、少なくとも「いつの間にか寄っていた」に気づく確率は上がります。
ハルシネーションは、AIが下手なうちの問題です。モデルが賢くなれば減っていく。でもバイアスは、AIが上手くなるほど、なめらかで、心地よくて、気づきにくくなる。技術の進歩が勝手に解決してくれる類の問題ではない——そこがいちばん引っかかっているところです。
参考：Williams-Ceci et al., Science Advances（2026年3月／コーネル大学ほか）／Cheng et al., Science（2026年3月／スタンフォード大学）／Sourati et al., Trends in Cognitive Sciences（2026年／南カリフォルニア大学）
