振り分けも予測も文章作成も「AI」。生成AI・LLM・機械学習は何が違う？

「問い合わせを振り分けたい」「来週の売れ行きを知りたい」「案内文を書きたい」。どれもAIの活用ですが、必要な入力も、できあがるものも違います。何を任せたいのかを分けると、使う技術を選ぶ手がかりになります。出力を作る仕組みと、その正しさを確かめる手段を分けて考えてみてください。

欲しいのは区分、数量、それとも文章か

小売店の3つの仕事で考えます（想定例）。分類も文章生成も、技術的には予測を使います。ここでは仕事で欲しい出力を「区分」「将来の数量」「文章」に分けます。

分類：問い合わせを担当へ振り分けたい

入力は問い合わせ文、出力は「返品」「在庫確認」などの区分です。専用の分類モデルを作るなら、過去の問い合わせと正しい区分が学習材料になります。既存のLLMに区分の定義と例を渡して分類させる方法も候補です。

まずは別に用意した確認用の問い合わせで、振り分けの間違いを点検します。単純な条件で足りるなら、AIを使わないルール処理とも比較します。

需要予測：翌営業日に何個売れそうか知りたい

入力は過去の日別販売数や曜日、販促・欠品の情報などで、出力は翌営業日の販売数量の予測です。数値の予測に合うモデルを検討し、学習に使っていない後の期間の実績と比べて誤差を確認します。単純な過去平均との比較も判断材料になります。

LLMを使う場合にも、実績との比較は必要です。自然な文章で数字が返ることだけでは、予測の精度を判断できません。LLMに分析条件を整理させたり、予測結果を説明させたりする役割も考えられます。

文章初稿：休業のお知らせを作りたい

入力は休業日、再開時刻、連絡方法などの確定情報で、出力は案内文の候補です。既存の文章生成型LLMに条件を渡す使い方が候補になります。原文の情報が残っているか、余計な約束や日付が加わっていないかを見ます。

NISTの生成AIリスク資料は、事実と異なる内容を確信的に示す出力や、人がAIを過信することを扱っています。出典付きの回答も、参照先まで確かめることが必要です。

例えば、接続していない社内台帳の「今日の在庫数」は、担当者や在庫システムから取得する情報です。学習した傾向から文章を作る役割と、記録を参照して現在の数を伝える役割を分けると、必要な構成が分かります。

AI・機械学習・生成AIの関係

AIには、認識、分類、予測などを行うさまざまな技術が含まれます。その一部が機械学習です。すべての条件を人が一つずつ書く代わりに、データの関係を学習し、新しい入力への出力を求めます。このとき、学習で得た関係を使って処理する仕組みが「モデル」です。

機械学習の用途には、メールの分類や売上の予測があり、文章や画像を作る生成AIもあります。LLMはLarge Language Modelの略です。生成AIには画像や音声などを作るモデルも含まれるため、生成AIとLLMは同じ意味ではありません。Googleの機械学習用語集でも、AI・機械学習の関係と、生成AIが作る出力の例を確認できます。

枠の入れ子は含まれる範囲です。用途は重なり、LLMも分類に使えます。

モデルは何を学ぶのか

文章生成型LLMの基本を、短い文で考えてみます。「雨が降っているので、傘を」の続きには、「持っていきます」などが考えられます。モデルは、ここまでの文脈を基に続きを作ります。実際には文章の小さな区切りを単位として、続く候補を推定し、生成した続きをさらに手がかりにして文章を伸ばします。

学習の段階では、多くの文章から言葉や文脈の関係を学び、推定のずれを小さくするようにモデル内部の数値を調整します。指示に沿うようにする追加の学習を行う場合もあります。利用の段階では、学習済みのモデルに質問や資料を与え、出力を求めます。この利用時の処理を「推論」と呼びます。

会話で資料を渡すと、その内容を手がかりに回答が変わります。モデル自体に追加学習を行う場合とは、変わる箇所が異なります。Googleの追加学習・プロンプト解説にあるとおり、通常の指示入力はモデル内部の数値を変えずに回答へ影響します。入力の保存や後日の学習への利用は、サービスの契約・設定で確認する必要があります。業務情報を入れるときは社内ルールも確かめてください。

言葉同士の関係を扱うTransformer

Transformerは、言葉同士の関係を重み付けする「注意機構」を中心にしたモデルの構造です。Vaswaniほかが2017年の論文「Attention Is All You Need」で提案しました。ここでいう注意は、処理に使う言葉の関係を求める仕組みを指します。人間と同じ意図を持つという意味ではありません。

会話アプリに検索や計算を組み合わせる

モデルと会話アプリにも違いがあります。モデルは処理の中核で、会話アプリはそれを使いやすくする画面や機能を備えた製品です。会話画面に数字が表示されても、LLMが作った文なのか、計算機能の結果なのかで、確かめる場所が変わります。

矢印は情報が渡る向きです。検索・計算は、必要に応じて組み合わせます。

合計4,100円を、何で確かめるか

注文Aの単価は1,200円、数量は3個、送料は500円（想定例）。税の追加計算・値引きはありません。検索用の明細記録も同じ条件で、合計欄はないものとします。「合計はいくらですか」という問いを、3つの手段で扱ってみます。

手段	結果の作り方	戻るもの	確かめること
生成：LLM単体	条件から回答文を作る	「合計は4,100円です」などの文	数値と式を計算で照合する
検索：記録参照	注文Aの明細を探す	単価・数量・送料の記録	注文と記録の版を確かめる
計算：電卓・表計算	1,200×3＋500を計算する	4,100円	入力値・単位・式を確かめる

生成には注文条件、検索には対象の記録、電卓には人やアプリが変換した式を渡しています。回答文は、この違いを示すために作った見本です。

記録に合計が保存されていれば、検索で取得できます。単価や送料が分からなければ、計算の前に注文書などの元記録を探します。どの手段でも、対象の注文と条件が合っていることが出発点です。

実務では、検索で根拠を取得し、計算で数値を求め、LLMで説明文にする組み合わせが考えられます。LLMには必要な条件の整理や結果の説明を任せ、確定する金額は元の記録と計算結果に照らして確認します。

丁寧な文章でも、開店時刻が抜ければ使えない

次は、条件が抜けると何が変わるかを見比べる文例です（想定例）。

原文

10月1日は棚卸しのため休業します。10月2日は午前10時に開店します。問い合わせはメールで受け付けます。

指示

お客様向けの丁寧な案内文にしてください。日付・時刻・連絡方法は変えず、原文にない理由やサービスは加えないでください。

下書き	原文との違い
棚卸しのため、10月1日は休業いたします。翌日から通常どおり営業いたします。お問い合わせはメールにて承ります。	「午前10時」が消え、「通常どおり」という原文にない表現に変わった
棚卸しのため、10月1日は休業いたします。10月2日は午前10時より営業いたします。お問い合わせはメールにて承ります。	日付・開店時刻・連絡方法を保っている

原文と出力を並べ、日付・時刻・連絡方法が同じか、勝手な値引きや代替営業の約束がないかを確認します。自然に読めることに加えて、原文の情報が保たれているかを見る練習です。

まず、AIに任せたい仕事を一つ選び、欲しい出力が区分・数量・文章のどれかを書いてみてください。そのうえで、参照する記録と必要な計算を決めます。下書きにはLLM、記録の照合には検索、式の処理には計算。それぞれの役割が分かると、どこを確かめて使えばよいかも見えてきます。

情報の扱いと誤回答への備えは、生成AIの現在・仕組み・未来ガイドの仕事で使う例と道具選びで続けて読めます。

資料を渡した後に何が保存され、何が回答に使われるかも押さえておくと、古い答えへの対処を選べます（AIの学習・メモリー・検索は何が違う？）。

文章を作るAIから、周囲を見て機体を動かすAIへ広げて考えたい場合の例もあります（フィジカルAI・世界モデルと会話するAIの違い）。

参考出典

• Google for Developers「Machine Learning Glossary」：AI、機械学習、生成AI（2026年9月16日確認）
• Google for Developers「Fine-tuning, distillation, and prompt engineering」
• Vaswaniほか「Attention Is All You Need」（2017年）
• NIST「Generative Artificial Intelligence Profile」（NIST AI 600-1、2024年）：2.2 Confabulation、2.7 Human-AI Configuration、MEASURE 2.5（出典・引用の照合）。2026年9月16日確認（PDF）