AIリテラシーを高めよう　第2回 AIは「正解を出す機械」ではない

第2回　AIは「正解を出す機械」ではない
―もっともらしい訳文をどう疑うか

AIに英文を入力すると、数秒で自然な日本語訳が返ってきます。

文法的にも整っている。文章もなめらかで、読んでいて特に違和感がない。すると、ついこう思ってしまいます。

「これでいいだろう」

しかし、ここにAI時代の翻訳で、最も注意しなければならない問題があります。

自然な訳文であることと、原文に即した訳文であることは同じではありません。

明らかに不自然な訳文なら、人は疑います。ところが生成AIは、意味を少し取り違えていても、論理関係を変えていても、流暢な日本語として提示することがあります。

文章が自然だからこそ、間違いや解釈の偏りまで自然に見えてしまうのです。

前回、AI時代の「翻訳の地頭」を、

原文を深く読み、複数の訳を比較して選び、その選択を根拠とともに説明し、責任を負う力

と定義しました。

今回は、その出発点となる「疑う力」について考えます。

ここでいう「疑う」とは、AIは信用できないから使わない、という意味ではありません。AIの出力を最初から正解とみなさず、一つの仮説として受け取ることです。

 

「正しそうに見える」がいちばん危ない

たとえば、会社で次のような会話があったとします。

“Where is Yumi?”
“Her computer is off, and her coat is gone. She must have left already.”

AIが、次のように訳したとします。

「由美はどこ？」
「パソコンの電源は切れているし、コートもない。もう出発したに違いない」

英文と日本語を対応させれば、大きな誤りはないように見えます。leaveには「出発する」「去る」「離れる」といった意味があり、must have leftも「出発したに違いない」と訳すことができます。

しかし、この場面は会社です。パソコンの電源が切れていて、コートもないことから、話者は由美がすでに帰宅したと推測しています。

したがって、自然な会話としては、

「もう帰ったんじゃないかな」

「もう帰ったみたいだね」

などの方が適切でしょう。

ここで重要なのは、辞書に載っている意味だけではありません。

leaveが、この場面ではどこを離れることなのか。話者は事実を確認しているのか、それとも状況から推測しているのか。人物同士はどのような関係にあり、どの程度くだけた話し方をするのか。

そこまで考えて、初めて訳文を選ぶことができます。

AIが「もう出発したに違いない」と整った日本語を提示すると、それが唯一の解釈であるように見えます。しかし、AIが示したのは、考えられる訳の一つにすぎません。

翻訳者がそこで思考を止めれば、AIの訳文だけでなく、その訳文の前提となっている解釈まで、無意識のうちに受け入れることになります。

 

AIは正しさを保証してから答えるわけではない

生成AIと対話していると、こちらの質問を理解し、必要な情報を確認したうえで、正しい答えを返しているように感じることがあります。

しかし、AIの出力は、その正しさが保証されたうえで提示されるものではありません。

翻訳でも同じです。AIは非常に自然な訳文を作れますが、その訳文が必ず、

• 原文の意味を正確に捉えている
• 論理関係を保っている
• 人物関係を正しく理解している
• 固有名詞や専門用語を正しく処理している
• 作品や文書全体の文脈に合っている

とは限りません。

分からない箇所や不足している情報を、もっともらしく補ってしまうこともあります。これが一般に「ハルシネーション」と呼ばれる現象です。

ただし、翻訳者にとって重要なのは、この用語を覚えることではありません。

AIは、分からないときに必ずしも「分かりません」と答えるわけではない。

この特性を理解しておくことです。

しかも、誤りや根拠の弱い解釈が、不自然な文章として出てくるとは限りません。むしろ、読みやすく整った文章として提示されるからこそ、人間による確認が必要になります。

 

誤訳だけでなく「微妙なずれ」を見る

AIの問題というと、単語をまったく違う意味に訳すような、明らかな誤訳を想像しがちです。

しかし、実際の翻訳では、もっと微妙なずれが問題になることがあります。

このような訳は、日本語として間違っているとは限りません。むしろ、よくできた日本語に見えることがあります。

しかし原文と比較すると、原文にあった意味、論理、文体、話者の態度などが変わっていることがあります。

そこで、AI訳を確認するときには、次の二つの問いが有効です。

原文になかったものが、訳文に足されていないか。

原文にあったものが、訳文から消えていないか。

原文が慎重に可能性を述べているのに、訳文が断定していれば、原文にはなかった「確信」が足されています。

原文に皮肉やためらいがあるのに、訳文が普通の説明文になっていれば、原文にあった「話者の態度」が消えています。

翻訳のチェックは、誤字脱字や日本語の読みやすさを確認するだけではありません。原文と訳文を往復しながら、何が保たれ、何が変化したかを確かめる作業なのです。

 

AIがAIの訳を評価する時代

最近では、AIは翻訳するだけでなく、翻訳の品質を評価し、修正の必要性を判断し、自ら修正版を作る方向へ進んでいます。

研究段階では、

という工程を、一つの軽量な言語モデルで処理する試みも報告されています。

これは翻訳実務を効率化する可能性を持つ重要な進歩です。しかし、AIが作った訳をAIが評価し、AIが修正したからといって、それだけで正しさが保証されるわけではありません。

特に日本語では、主語や目的語の省略、敬語、文末表現、人物関係、キャラクターの口調、言外の含意などが、訳文の評価に影響します。表面的な意味対応だけでは、日本語として適切かどうかを判断できない場合があります。

ゲームローカリゼーションを対象に、8種類の大規模言語モデルを英語から6言語への翻訳で比較した2026年の研究では、日本語は比較対象の中で最も難しい言語となりました。

ただし、この研究では、言語による性能差全体は統計的に有意ではないとも報告されています。また、対象はゲームローカリゼーションです。したがって、この結果だけで「AIにとって日本語の評価が常に最も難しい」と一般化することはできません。

それでも、AIが日本語訳を作れることと、AIがその日本語訳の良し悪しを正確に評価できることは、分けて考える必要があります。

今後、人間の翻訳者の役割は、AIが間違えた箇所を手作業で直すことだけではなくなるでしょう。

AIが訳し、評価し、修正する。そのうえで人間が、その判断を信用してよいかを判断する。

この役割が、ますます重要になります。

 

AI訳を疑う六つのポイント

すべての文章を最初から徹底的に調査していては、AIを使う効率が失われます。必要なのは、むやみに疑うことではなく、重点的に確認するポイントを持つことです。

第一は、意味が一つに決められているところです。原文に曖昧さがあるのに、AIが迷いなく一つの意味に訳している場合は、別の解釈がないかを確認します。

第二は、断定が強くなっているところです。may、might、could、seem、apparentlyなどが、訳文では事実として処理されていないかを見ます。

第三は、論理関係です。原因と結果、条件と帰結、対比、逆接、根拠と結論が、原文どおりに保たれているかを確認します。

第四は、妙に読みやすくなっているところです。原文が意図的に曖昧だったり、ぎこちなかったり、反復を含んでいたりする場合、AIが勝手に整理している可能性があります。

第五は、固有名詞、専門用語、年代、制度、引用などです。これらは訳文の自然さだけでは正誤を判断できません。必要に応じて、一次資料や専門資料で確認します。

第六は、なぜこの訳なのか、自分で説明できないところです。

AIがそう訳したから、では説明になりません。自分がその訳を採用するのであれば、

「原文のこの構造から、こう解釈した」
「前後の文脈から、この意味だと判断した」
「この読者を想定して、この表現を選んだ」

と説明できる必要があります。

 

AIに別解と反証を出させる

AIの訳を疑うために、AI自身を利用することもできます。

最初の訳をそのまま採用するのではなく、たとえば次のように問い直します。

こうした質問によって、最初の回答では見えなかった可能性が現れることがあります。

ただし、二回目の回答も正解とは限りません。最初の回答を二回目の回答に置き換えるのではなく、複数の可能性を並べ、原文に戻り、自分で判断します。

AIとの対話の目的は、答えをもらうことではありません。自分だけでは気づかなかった判断材料を増やすことです。

 

一発で訳させず、工程を分ける

2026年に発表された「Translation-CoT」という研究では、AIに一度の指示で最終訳を作らせるのではなく、

という段階的な処理を行わせました。

14言語と複数の大規模言語モデルを対象とした実験では、単純に翻訳を指示する方法などと比べ、自動評価だけでなく人間による評価でも、誤訳、脱落、不自然な表現、ハルシネーションが減ったと報告されています。

これは、翻訳者が従来から行ってきた思考過程とよく似ています。

AI時代になっても、この順序が不要になったわけではありません。むしろ、AIがいきなり完成度の高そうな訳文を出すからこそ、その途中にある「読む」「解釈する」「判断する」という工程を、意識的に取り戻す必要があります。

 

AIの訳文は「答え」ではなく「判断材料」

AIを疑うことは、AIを否定することではありません。

重要なのは、「AIを信用するか、信用しないか」という二者択一ではなく、何を、どこまで信用し、どこを人間が確認するかを判断することです。

しかも、その境界は固定されていません。AIの能力が上がれば、AIに任せられる工程は増えるでしょう。実際、AIは翻訳だけでなく、品質評価や修正にまで役割を広げています。

だからこそ、人間に残る仕事を、単に「AIができない作業」と考えるだけでは不十分です。

翻訳者に求められるのは、

という姿勢です。

AIに答えを求めるのではありません。AIから判断材料を得るのです。

そして、その判断材料をどう評価し、どの訳文を採用するかについて、最終的な責任を負うのは人間です。

AIの出力を「正解」ではなく「仮説」として受け取る。

これが、AI時代の翻訳者に必要なAIリテラシーの第一歩です。

では、AIからよりよい判断材料を引き出すには、どのように質問すればよいのでしょうか。

次回は、「AIに質問する力――プロンプト以前の問題」として、AIへの指示を書く前に、翻訳者自身が目的、読者、条件、品質基準をどう設計するかを考えます。

 

参考資料

• Maciej Modrzejewski, Yash Bhaskar, and Chinmay Pateria, “Predict and Fix: A Unified Model for Translation Quality Estimation and Post-Editing,” AMTA 2026.
• Mao Tian and Na Wu, “Benchmarking Large Language Models for Game Localization Quality Assurance: A Cross-Model, Cross-Lingual Analysis,” AMTA 2026.
• Tabia Tanzin Prama, Juniper L. Lovato, Chris Danforth, and Peter Dodds, “Translation-CoT: A Human-Inspired Chain-of-Thought Framework for Multilingual LLM Translation,” AMTA 2026.