AIリテラシーを高めよう　第3回 AIに質問する力

第3回　AIに質問する力――プロンプト以前の問題
――翻訳の目的・読者・品質基準を設計する

AIを使うとき、「どんなプロンプトを書けば、よい答えが返ってくるのか」がよく話題になります。

「具体的に指示する」
「役割を与える」
「条件を詳しく書く」

たしかに、こうした工夫は役に立ちます。

しかし、その前にもっと重要な問題があります。

それは、「自分はAIに何をしてほしいのか」を、利用者自身が分かっているかということです。

翻訳なら、なおさらです。

誰が読むのか。
何のために読むのか。
どこで使うのか。
何を優先するのか。

こうしたことが決まっていないまま、「翻訳してください」とAIに頼んでも、本当に必要な訳文が得られるとは限りません。

問題は、プロンプトが短いことではありません。

翻訳そのものの設計ができていないことなのです。

 

「自然に訳してください」では、何も決まっていない

たとえば、次のようなプロンプトを考えてみましょう。

「次の英文を自然な日本語に訳してください」

よくある指示です。

一見すると、特に問題はないように見えます。

しかし、「自然な日本語」とは何でしょうか。

大学教授が読む論文として自然なのか。
一般読者向けのWeb記事として自然なのか。
中学生が読む教材として自然なのか。
文学作品として自然なのか。

読者が変われば、適切な訳文も変わります。

たとえば、

The findings suggest that further investigation may be warranted.

という英文があったとします。

学術論文なら、

「この結果は、さらなる検討が必要である可能性を示唆している」

とするのが適切かもしれません。

一方、一般読者向けの記事なら、

「この結果からは、さらに詳しく調べる必要がありそうです」

とした方が伝わりやすい場合もあります。

どちらが正しいのでしょうか。

原文だけを見ても、一つには決められません。

誰が読むのか。
何のために読むのか。
どの程度の専門性を保つのか。

それによって判断が変わるからです。

つまり、

「よい訳文」は、原文の意味や表現だけを見て、一つに決められるものではありません。

原文の意味や表現を踏まえたうえで、読者と目的との関係によって、適切な訳し方が変わるのです。

 

AIに丸投げすると、「見えない判断」まで任せることになる

「この英文を訳してください」

とAIに頼めば、訳文はすぐに出てきます。

「もっと自然にしてください」

と言えば、さらに滑らかな文章にしてくれるでしょう。

しかし、そのときAIは、単に単語を日本語に置き換えているわけではありません。

専門語をそのまま使うか。
文章を分割するか。
主語を補うか。
説明を追加するか。
原文の硬さを残すか。
断定の程度をどう表現するか。

こうした語彙・文体・説明量・断定の強さに関する判断まで、AIが行っています。

つまり、利用者が翻訳方針を決めていなければ、本来は翻訳者が行うべき判断の一部まで、知らないうちにAIへ渡していることになります。

しかも、AIの文章は流暢です。

そのため、「なぜこの表現になったのか」を考えないまま、そのまま採用してしまうことがあります。

これが、丸投げの怖さです。

問題は、AIが間違えることだけではありません。

人間が判断すべきことまで、いつの間にかAIに決めてもらってしまうこと。

そこに、より大きな問題があります。

まず「目的・読者・条件・評価基準」を決める

では、AIに質問する前に、何を考えればよいのでしょうか。

翻訳では、最低限、次の四つを整理しておく必要があります。

  目的
  読者
  条件
  評価基準

まず、目的です。

この翻訳は何のために作るのでしょうか。

内容を確認するための参考訳なのか。
社内で共有する資料なのか。
顧客に提出する文書なのか。
一般公開するWeb記事なのか。
出版する文章なのか。

目的が違えば、求められる品質も変わります。

次に、読者です。

専門家なのか。
一般読者なのか。
その分野を初めて学ぶ人なのか。

専門家向けなら、専門用語をそのまま使った方が正確な場合があります。

一般読者向けなら、専門語をかみ砕いたり、短い説明を補ったりした方がよい場合もあります。

三つ目は条件です。

原文の構造をどこまで残すのか。
読みやすさをどこまで優先するのか。
用語は既存の訳語に統一するのか。
注釈を付けるのか。
「です・ます調」にするのか、「である調」にするのか。

こうした条件を先に決めておけば、AIが独自に判断する範囲を狭めることができます。

そして四つ目が、評価基準です。

ここが特に重要です。

 

何を作らせるかだけでなく、「何を良しとするか」を決める

AIに翻訳させるとき、多くの人は「何をしてほしいか」を指示します。

しかし、「どうなっていれば、その訳を良いと判断するのか」までは決めていないことが少なくありません。

翻訳には、さまざまな評価基準があります。

原文の意味が正確に保たれているか。
因果関係や条件関係が変わっていないか。
断定の強さが変わっていないか。
原文の文体や語り口が保たれているか。
対象読者に理解しやすいか。
用語が一貫しているか。
日本語として読みやすいか。

しかし、これらをすべて最大限に満たせるとは限りません。

文学作品なら、多少読みづらくても、原文のリズムや曖昧さを残したい場合があります。

一方、マニュアルなら、原文の語順よりも、誤操作を防ぐ明快さの方が重要でしょう。

つまり必要なのは、「今回は何を優先するのか」という判断です。

そして、その判断こそが翻訳者の仕事なのです。

 

丸投げ質問と、設計された質問

違いを具体的に見てみましょう。

丸投げ型なら、

「この英文を自然な日本語に訳してください」

となります。

それに対して、翻訳を設計してからAIに依頼すると、たとえば次のようになります。

「一般読者向けのWeb記事に掲載します。専門知識のない読者にも理解できる日本語にしてください。ただし、原文の因果関係、可能性と断定の違いは変えないでください。専門用語には、必要な場合だけ短い説明を補ってください。」

こちらの方が、AIが何をすべきか明確です。

しかし、大切なのは、この文章を「よいプロンプトの例」として暗記することではありません。

なぜ一般読者向けなのか。
なぜ因果関係を保持する必要があるのか。
なぜ断定の強さを変えてはいけないのか。
なぜ専門用語に説明を付けるのか。

そうした判断を、利用者自身がしていることが重要なのです。

プロンプトとは、その判断をAIに伝えるための形式にすぎません。

 

「プロンプトを書く力」より「翻訳タスクを設計する力」

ここで、プロンプトを書くことと、質問を設計することを区別しておきましょう。

プロンプトを書くとは、AIへの指示を文章にすることです。

質問を設計するとは、

何をAIに任せるのか。
何を人間が判断するのか。
何を基準に結果を評価するのか。

を決めることです。

この二つは同じではありません。

翻訳の場合、AIに文章を作らせること自体は、すでにそれほど難しいことではありません。

むしろ難しいのは、「どのような翻訳が必要なのか」を人間が定義することです。

つまり、プロンプト技術より前に必要なのは、「翻訳タスクを設計する力」なのです。

 

一発翻訳ではなく、「翻訳工程」を設計する

質問を設計したら、次に考えたいのが工程です。

翻訳を、

「原文を入力する」
↓
「訳文が出てくる」

という一回の処理として考えると、AIへの丸投げになりやすくなります。

しかし、実際の翻訳には、

読む
↓
解釈する
↓
判断する
↓
訳す
↓
評価する
↓
修正する

という工程があります。

AIを使っても、この工程がなくなるわけではありません。

むしろAIが、翻訳だけでなく分析、評価、修正まで行えるようになるほど、どの工程をAIに任せ、どこで人間が判断するのかを設計する必要があります。

たとえば、

まずAIに原文の論理構造だけを整理させる。

次に、専門用語の訳語候補を出させる。

その後で複数の訳案を作らせる。

最後に、人間が原文と照合して選ぶ。

という使い方もできます。

つまり、

質問設計とは「何をさせるか」を決めること。
工程設計とは「どの順番で、どこまでさせるか」を決めること。

なのです。

AI活用の中心は、プロンプトの言い回しそのものから、こうした設計へ移りつつあります。

 

AIへの質問は、自分への質問でもある

AIに良い質問をしようとすると、自分自身にも質問しなければならなくなります。

この翻訳は誰のためなのか。
何を最も重視するのか。
何を変えてよいのか。
何を変えてはいけないのか。
どのような訳文なら「良い」と判断するのか。

AIへの質問を具体的にしようとすると、自分の考えの曖昧な部分が見えてきます。

逆に言えば、AIに何を頼めばよいのか分からないとき、足りないのは必ずしもプロンプト技術ではありません。

その前に、目的・読者・優先順位が整理されていない可能性があるのです。

人間同士なら、曖昧な依頼をすれば、

「誰向けですか？」

「どのくらい専門的にしますか？」

「これは公開用ですか？」

と聞き返してくれるかもしれません。

しかしAIは、曖昧な質問にも答えてしまいます。

しかも、もっともらしく答えます。

だからこそ、人間の側に「問いを設計する力」が必要なのです。

 

翻訳設計力が、AI時代の専門性になる

第1回では、AI時代の「翻訳の地頭」を10の要素に整理しました。

その一つが「翻訳設計力」です。

読者、目的、媒体、品質基準、注釈方針、文体方針を設定する力です。

AIが高性能になれば、この力は必要なくなるのでしょうか。

私は逆だと思います。

AIが文章を作る能力が高くなるほど、

何を作るのか。
誰のために作るのか。
何を良いものとするのか。

を決める人間の役割は、むしろ重要になります。

AIに「翻訳してください」と言えば、訳文はすぐに出てきます。

しかし、翻訳者の仕事は、訳文を出すことだけではありません。

誰のために、何のために訳すのかを決める。

どのような基準で訳すのかを決める。

AIにどこまで任せるのかを決める。

出てきた結果を評価する。

必要なら問い直す。

その一連の判断に責任を持つ。

そこに、AI時代の翻訳者の専門性があります。

そして質問を設計するためには、自分が何を判断しようとしているのかを理解していなければなりません。

AIに問いを投げる前に、まず自分に問い返す。

「この翻訳で、私は何を実現したいのか」

そこから、AIとの協働は始まります。

次回は、その判断の土台となる「原文を深く読む力」を取り上げます。

文法や構文だけでなく、意味、含意、前提、曖昧さ、発言の意図まで、AI時代には原文をどのように読めばよいのかを考えていきます。

 

参考資料

• 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.
  翻訳を一度に行わせるのではなく、語彙確認、文法分析、文脈把握、翻訳、改善という段階に分けてAIに処理させる手法を検証した研究。翻訳では、単なるプロンプトの工夫よりも、工程そのものを設計することが重要であることを示している。
• Qianou Ma, Weirui Peng, Chenyang Yang, Hua Shen, Ken Koedinger, and Tongshuang Wu, “What Should We Engineer in Prompts? Training Humans in Requirement-Driven LLM Use,” ACM Transactions on Computer-Human Interaction, 2025.
  AIに良い回答をさせるには、表面的なプロンプト技法よりも、利用者が目的や要求条件を明確にすることが重要だと論じた研究。今回の「プロンプト以前に、何を求めているのかを明確にする」という考え方と重なる。
• “How does the level of human input affect the quality of automated legal translation? A case study comparing four workflows of human-AI collaboration,” 2026.
  法務翻訳を対象に、人間がAIにどの程度の情報や条件を与えると翻訳品質が変わるかを比較した研究。翻訳の目的、対象読者、要求条件などを具体的に示すことが、AIとの協働で重要であることを検討している。