AIは一本道でしか思考できない。それが問題です。
多くの人がAIアシスタントに質問すると、AIは非常に単純な動作をします。つまり、一つの答えを一方向へ、順を追って導き出そうとするのです。3番目のステップで間違った方向に進めば、その後のすべてのステップも誤りとなります。2023年、NeurIPS（Conference on Neural Information Processing Systems、神経情報処理システム大会）で発表された研究において、プリンストン大学のShunyu Yao氏らは、この「一本道」のアプローチを数学的推論のベンチマークで検証し、パズルの正解率はわずか4%にとどまることを明らかにしました。
解決策は何か。それは、AIに、あなたが旅行を計画するのと同じように思考させることです。
5カ国を巡る旅行計画
5カ国を3週間で巡る旅行を計画すると想像してください。あなたなら、「まずパリへ飛び、あとはその時に考える」といった一本道で計画することはないでしょう。代わりに、同時に3つや4つの可能なルートを描き出します。
- ルートA：パリへ向かい、列車でバルセロナへ、その後ローマへ飛ぶ
- ルートB：アムステルダムを起点とし、レンタカーでベルリンへ、その後南へ向かってウィーンへ
- ルートC：ロンドンを出発し、格安航空でリスボンへ、その後モロッコへ向かう
それらを比較検討します。ルートBにはスケジュールを破綻させる14時間の運転が含まれています。そこで、これを除外し、分岐点に戻ります。ルートCはモロッコ区間でビザの問題が生じます。この枝も切り捨てます。そしてルートAを残し、その中でのバリエーションを探ります。
これこそが、Tree of Thoughts（ToT、思考の木）と呼ばれる手法の正体です。そして、この手法はAIが難問を解く方法を変えつつあります。
直線的思考から分岐型論理へ
ToTがなぜ重要かを理解するには、その先駆となるものを知るとよいでしょう。
Chain of Thought（CoT、思考の連鎖）は2022年1月に登場しました。これはAIに「声に出して考える」ことを教え、最終回答を出す前に中間的な推論ステップを書き出させるものでした。即座に答えに飛びつく従来のアプローチに比べ、大きな進歩でした。しかし、CoTは一本の鎖にすぎません。一つの壊れたリンクが全体の結果を台無しにするのです。
Tree of Thoughts（ToT）は、2023年5月にプリンストン大学のShunyu Yao氏らによって提案され、この限界を解消しました。一本の鎖を辿るのではなく、AIは各ステップで複数の「思考の枝」を生成します。そして、どの枝が有望でどの枝が行き止まりかを評価します。ある枝が失敗に終われば、AIは以前の地点に戻り、別の方向を試みます。まるで、不適切な旅行ルートを消し、地図に立ち返るのと同じです。
その差は数値として測れます。4つの数字を基本演算で組み合わせて24を作る数学パズル「Game of 24」において、CoTプロンプティングの正解率は4%でした。一方、同じAIモデル（GPT-4）を用いたToTは74%を達成しました（Yao氏ら、NeurIPS 2023発表論文による）。これは成功率を約18.5倍に高めたことになりますが、これはモデル自体を巨大化したり、学習コストを増大させたりするのではなく、モデルの上に構造化された探索・評価のレイヤーを追加することで実現されました。
Graph of Thoughts（GoT、思考のグラフ）は2023年8月に登場し、これをさらに一歩進めました。AIの推論経路を再接続・統合させ、木構造ではなくネットワークを形成できるようにするのです。2つの別々の枝が有用な部分的な答えを生み出した場合、GoTはそれらを組み合わせてより良い解決策を導き出せます。同じ都市の異なる街角を探検する2人の旅行者が、夕食で合流して得た知見を分かち合うようなものです。
企業はすでに分岐型論理を活用している
旅行の比喩は、学術論文のための単なる隠喩ではありません。ToTの根幹にある原理（選択肢を探り、評価し、立ち返る）は、企業がAIツールを構成する方法にも現れ始めています。
現在、一部のAIアシスタントには「推論モード」が備わっており、応答前に内部的な推論トレースを生成します。このモードでは、AIはリクエストを多角的に検討し、最終回答を出す前にアプローチを修正します。これは（明示的な探索アルゴリズムを伴う）完全なToTフレームワークそのものではありませんが、同じ本質的洞察に基づいています。つまり、最初の答えに飛びつくのではなく選択肢を吟味することで、より良い結果が得られるということです。
関連する動きとして、コンテクストエンジニアリングと呼ばれるものがあります。多くのチームは、AIアシスタントにタスクを依頼する前に、書面によるルールや好みを与えています。これらのルールには、企業の意思決定基準、推奨フォーマット、過去の判断、運用上の制約などが含まれます。まるで、初日の新しいコンサルタントに社内の業務マニュアルを渡すようなものです。その文脈がなければ、AIは一般的な提案にとどまります。しかし、それがあれば、AIの選択肢は自社の実情に根差したものとなります。
分岐型推論と事前に入力されたビジネスコンテクストを組み合わせることで、AIはすでに自社の制約を理解した上で、複数の方向性を探索できます。これにより、出力は一般的な提案から、自社の状況に即した推奨へと変わります。
ヒトインザループ：最良のルートには現地のガイドが必要
「AIが複数の選択肢を考慮できること」と、「AIが自社の状況に最適な選択肢を選べること」の間には、大きな隔たりがあります。分岐型論理はAIが行き止まりを避けるのに役立ちますが、AIはまだ自社が実際にどの枝を選ぶべきかを知りません。
そこで、ヒトインザループ（HITL）設計がその隔たりを埋めます。一例が「構造化AIインタビュー」と呼ばれる手法です。AIに完成した計画を作らせるのではなく、まず前提を突いてくるよう求めます。AIは補助者ではなく、インタビュアーになります。計画について的を射た質問を投げかけるのです。制約は何か。この部分が失敗したらどうなるか。何を見落としているか、といった具合に。
AIは、意思決定の木の各枝をあなたと共に歩み、不明瞭な点を一つずつ解消していきます。作業を終えた時には、あなたとAIは問題に対して同じメンタルモデルを共有しています。AIがあなたの代わりに決断したのではありません。より徹底的に、より迅速に、そして隙の少ない形で意思決定を思考するのを助けたのです。
これは、優れた旅行計画の根底にあるのと同じ原理です。最高の旅行計画は、ガイドブックだけでも、現地の友人だけでも生まれません。ガイドブックの広範な知識と、現地の友人の具体的な文脈を組み合わせてこそ実現します。HITL設計は、AIを答えを出す機械ではなく、構造化された思考パートナーに変えます。
なぜ今、企業にとってこれが重要なのか
多くの企業は、AIを「より速い検索エンジン」として使うよう社員を教育しています。「質問すれば答えが返ってくる」。これでは価値のほんの一部しか引き出せません。真のレバレッジは、社員がToTのような構造化された意思決定パターンを用いて、AIと共に思考することを学んだ時に生まれます。
製品ローンチを計画するマーケティングチームを考えてみましょう。構造化されたAI思考がなければ、彼らは「ローンチプランを作成して」とAIに依頼し、一般的な計画を一つ得るだけです。ToT推論を用いれば、AIは同時に3つのローンチ戦略を生成し、それぞれを予算とスケジュールに照らして評価し、戦略Bに規制上の抵触があると特定して立ち返り、戦略AとCをトレードオフ分析とともに提示します。構造化AIインタビューを併用すれば、チームリーダーはコミットする前に、残った2つの戦略をQ&A形式でストレステストできます。
その結果、意思決定プロセスはより徹底したものとなります。トレードオフは、ローンチ後に発見されるのではなく、チームがコミットする前に明らかにされるのです。
デロイトの「2026年グローバル・ヒューマン・キャピタル・トレンド」レポートは、AIと効果的に協働できる社員の育成と、組織的な意思決定の質向上の重要性が増大していることを強調しています。方向性は明確です。企業の目標は、基本的なAI導入を超え、AIを用いた構造化推論を意思決定の日常の一部として行えるチームを構築することにあります。
実践的な始め方
ToTの原理を活用し始めるために、研究施設は必要ありません。今日から誰でも試せる簡単なフレームワークを以下に示します。
- 選択肢を求め、答えを求めない。「どうすればいいですか」ではなく、「この問題に対する3つの可能なアプローチと、それぞれのトレードオフを示してください」とAIに指示します。
- AIに自らのアイデアを評価させる。 続けて「この3つのアプローチのうち、最も弱いのはどれか、理由は何か」と尋ねます。これは、研究現場でToTを有効にする自己評価ステップと同じ構造です。
- コンテクストを加える。 制約、過去の判断、好みをAIに伝えます。コンテクストが豊かであればあるほど、AIは不適切な枝を剪定できます。
- 構造化された挑戦ステップを使う。 方向性を確定する前に、AI（あるいは同僚）に計画に疑問を投げかけてもらいます。これこそが、HITLの原理を実践するものです。
この4ステップのパターン、「分岐させ、評価し、コンテクスト化し、挑戦する」は、研究が示す最も効果的な手法を反映しています。そして、これは製品ローンチの計画、研修プログラムの設計、あるいは5カ国を巡る旅行計画など、あらゆる場面で機能します。
結論
AIは、熟練した意思決定者がすでに行っているのと同じように考えることを学んでいます。複数の選択肢を検討し、それぞれを正直に評価し、うまくいかなければ立ち返り、実際の制約に基づいて計画を練り直すのです。
ToTは魔法ではありません。それはAIに組み込まれた、構造化された意思決定です。このようにAIと共に思考することを社員に教える組織は、より少ない無駄で、より良い意思決定を行えるチームを築くことになるでしょう。
ツールはすでに存在します。研究は公表されています。パターンは学習可能です。残されているのは、企業がAIに答えを求める段階から、AIと共に選択肢を巡って思考する段階へ移行することです。