評価指標と先端トピックの用語（18語）

精度（accuracy）は、テストでいう「100問中何問正解したか」とほぼ同じ考え方です。たとえば100件の問い合わせをAIに自動分類させて90件が正しければ精度90%。数字が高いほど良いのが基本ですが、「正解が偏っている問題」では高い精度が出てもあてにならないことがあるので、次に出てくる適合率・再現率と合わせて見るのが大切です。

適合率（precision）は「AIがクレームだと判定したメールのうち、本当にクレームだった割合」、再現率（recall）は「実際のクレーム全部のうち、AIがちゃんと拾えた割合」です。この2つはシーソーの関係になりやすく、取りこぼしを減らそうと欲張ると無関係なものまで拾い、絞り込みすぎると大事なものを見逃します。たとえば迷惑メール判定では「大事なメールを誤って迷惑扱いしない＝適合率重視」、病気の見落とし防止では「とにかく見逃さない＝再現率重視」というように、目的でどちらを優先するか変えます。

F1スコア（F1 score）は、適合率と再現率という2つの点数をバランスよく1つにまとめた指標です。どちらか片方だけが極端に良くても点が伸びない仕組みなので、両方そこそこ良くて初めて高得点になります。テストでいえば「正答率だけでなく、難しい問題の取りこぼしも込みで総合評価する」イメージで、複数のAIや設定を比べるときの「ものさし」としてよく使われます。

ベンチマーク（benchmark）は、AIの賢さを測るために用意された標準テスト集のことです。数学、読解、プログラミングなど分野ごとに問題集があり、各社のAIを同じ条件で受験させて点数を比べるので、「どのモデルがどの分野に強いか」が分かります。新しいAIが発表されると「このベンチマークで○点を取った」と話題になりますが、模試の点が良くても実務でそのまま役立つとは限らない点には注意が必要です。

評価（eval、evaluation の略）は、AIに自社の代表的な質問や作業を解かせて、その出来を採点する作業です。世間のベンチマークが「全国模試」なら、評価は自社向けに作った小テスト。たとえば「よくある問い合わせ50件への回答が合格点か」を人がチェックしたり、別のAIに採点させたりします。AIを導入・改善するときは、この自前の採点表を最初に用意しておくと、設定を変えたときに「良くなったのか悪くなったのか」を数字で確かめられます。

A/Bテスト（A/B testing）は、案Aと案Bを別々のお客さんに見せて、反応の良かった方を採用する実験です。お弁当屋さんが「日替わりA」と「日替わりB」を半々で出して売れた方を定番にするのと同じ発想で、勘や好みではなく実データで決められるのが強みです。AIの世界では「回答の言い回し」や「おすすめの出し方」をA/Bで比べ、より問い合わせ解決率や成約率が上がる方を選ぶのに使います。

推論コスト（inference cost）とは、AIに質問して回答を生成させる1回ごとにかかる費用のことです。推論とは「AIが答えを出す動作」のことで、これはタクシーのメーター料金に似ていて、長い文章を読ませたり長い回答を求めたりするほど料金が上がります。1回は数円でも、1日何千回も使えば積み上がるため、導入の費用対効果を考えるときに必ず押さえておく数字です。

トークンとは、AIが文章を読み書きするときの最小単位で、日本語ではおおよそ1文字〜数文字が1トークンに相当します。AIの利用料金はこのトークンの量に応じた従量課金で、電気やガスの「使った分だけ払う」仕組みとよく似ています。コスト試算は「読ませる文章のトークン数＋出させる回答のトークン数 × 単価」でざっくり計算でき、長い資料を丸ごと読ませる使い方ほど費用がかさむと覚えておくと安心です。

オープンウェイト（open weight）とは、AIが学習した結果である「重み（ウェイト）＝頭脳の中身」が公開されていて、誰でもダウンロードして使えるAIのことです。料理にたとえると、完成品を毎回買う（外部サービス利用）のではなく、レシピと食材を持ち帰って自宅で作れるイメージ。自社の環境内で動かせるので、外部に出せない機密データを扱いやすく、月々の利用料を抑えられる一方、動かすためのサーバーや運用の手間は自分で負担します。

UI（ユーザーインターフェース）はチャット画面のように人が直接操作する入口、API（エーピーアイ、アプリケーション・プログラミング・インターフェース）はプログラム同士をつなぐ差し込み口です。レストランでいえば、UIは客席で注文する形、APIは厨房に直接食材を流し込んで自動で料理が出てくる配管にあたります。社員が手で使うならUI、自社の業務システムにAIを組み込んで自動処理させたいならAPI、と用途で使い分けます。

感情分析（sentiment analysis）は、レビューやメールの文章を読んで「ポジティブ・ネガティブ・どちらでもない」を自動で判定する仕組みです。アンケートの自由記述を一枚ずつ読んでニコニコマークかしかめっ面かを仕分けする作業を、AIが高速でこなしてくれるイメージ。大量の口コミやお客様の声から「不満が多い箇所」を素早く見つけ出すのに役立ちます。

生成AIにできることは複雑に見えても、突き詰めると要約（長文を短く）・分類（カテゴリ分け）・抽出（必要な情報だけ取り出す）・生成（新しく文章を作る）の4タイプにほぼ収まります。新人に仕事を頼むときと同じで、「この作業はこの4つのどれにあたるか」を考えると、AIに任せやすい形に分解できます。たとえば「議事録を作る」なら、録音の要約＋決定事項の抽出＋報告文の生成、という組み合わせで実現できます。

世界モデル（world model）とは、AIが「物が落ちる」「ドアは押すと開く」といった世の中の仕組みを内部に持っておく考え方です。人が「コップを倒したら水がこぼれる」と先読みできるのは、頭の中に世界の動き方の地図があるからで、それをAIにも持たせようという発想です。文章だけを扱う今のAIに対し、世界モデルは映像やロボット制御など「現実を予測して動く」AIの土台として2026年現在も研究が活発な分野です。

身体性（しんたいせい）とは、AIがカメラの目や腕などの体を持ち、現実世界で行動するという考え方で、これをロボットに応用したのがロボティクスAIです。頭で考えるだけの人と、実際に手を動かして作業できる人の違いに似ていて、文章生成が得意な今のAIに「現実を見て触って動く力」を足そうとしています。2026年現在、倉庫の荷運びや簡単な組み立てなどで実用化が進みつつありますが、複雑な作業はまだ研究・実証の段階です。

量子コンピュータは、物理の特殊な性質を使って膨大な組み合わせを一気に試せる新しいタイプの計算機です。今のコンピュータが一本道を順に進むなら、量子コンピュータは何本もの道を同時に探るイメージで、特定の難しい計算で力を発揮すると期待されています。AIと組み合わせて学習を速くできるかが研究されていますが、2026年現在はまだ実験段階で、日常業務に使える完成品ではないため、過度な期待は禁物です。

スケーリング（scaling）とは、AIの規模（学習データ・計算量・モデルの大きさ）を増やすほど性能が伸びる、というこれまで観察されてきた法則を指します。「設備とスタッフを増やすほど工場の生産量が上がる」のに似ていますが、現実の工場と同じく、いつかは伸びが鈍る・コストが見合わなくなる可能性も議論されています。2026年現在も「規模拡大はまだ効く」という見方と「別の工夫が必要」という見方の両方があり、まだ決着していません。

ベンチマーク汚染（benchmark contamination）とは、AIが学習する大量のデータの中にテスト問題とその答えがうっかり混ざっていたために、本番のベンチマークで「丸暗記」で高得点を出してしまう現象です。模試の問題が事前に塾の教材に載っていて、解けたように見えても実力ではない、という状況に似ています。だから「ベンチマークで満点級」という宣伝を見ても、実務の本当の実力とは別物かもしれない、と一歩引いて見ることが大切です。

幻覚（ハルシネーション）とは、AIが事実でないことを自信ありげに答えてしまう現象で、幻覚率（hallucination rate）はそれがどれくらいの頻度で起きるかを測った値です。よく喋るけれど時々もっともらしいデタラメを言う新人にたとえると分かりやすく、幻覚率が低いほど安心して任せられます。ただしゼロにはならないため、契約金額や法令など間違いが許されない情報は、AIの答えを必ず人や出典で裏取りする運用が前提になります。