AIへの継続生成タスクは「集計→差分→優先順位」を埋め込む

学習クイズアプリ「おうちドリル」では、毎日Claude Codeのスケジュール実行でクイズ問題を自動生成・追記している。ところが数ヶ月運用してデータを集計してみると、中学3年数学で異常な偏りが出ていた。二次方程式は72問なのに、円周角や統計は1問。同じ学年・教科なのに、1単元だけ4倍以上の開きが出ていたのだ。

原因は、LLMが会話ごとに独立していて過去の生成履歴を参照できないこと。生成プロンプトが「この学年のこの教科の問題を作って」という指示だけだと、モデルが最も典型的で出現頻度の高い単元に寄りやすくなる。1回の生成では気づきにくいが、毎日同じバイアスが積み重なると、無視できないドリフトになってしまう。つまり、AIの「記憶がない」という弱点が、知らず知らずのうちに運用を歪めているわけだ。

対策は、生成の前段に集計ステップを挟むこと。既存の3600件のデータを学年×教科×単元で数え、学習指導要領ベースの「あるべき単元一覧」と突き合わせて、手薄な単元や存在しない単元を洗い出す。そして生成指示に「この単元を優先すること。多い単元には追加しないこと」と明示する。ポイントは、この集計を毎回そのファイルの実データに対して実行し直すこと。ステートレスなタスクでも「今の状態を数える」というステップさえ挟めば、履歴なしで自己修正できるのだ。

この構造は、テストケース生成・ドキュメント執筆・FAQ作成など、LLMに継続的にコンテンツを生成させるあらゆる仕事に応用できる。モデルを賢くするのではなく、モデルに「今ここがどうなっているか」を渡す一手間で、継続生成のバイアスはかなり抑えられる。中小企業がAIで定期レポートや提案資料の自動作成を始めるなら、この「現在地の把握→差分の優先指示」という設計パターンを最初に組み込むべきだ。それができれば、AIは単なる執筆補助ではなく、きちんと「自己修正する仕組み」として機能する。