長文生成に優れている

本稿は、生成AIの特性を項目別に検討する一連の記事のうち、「長文生成に優れている」という特性を取り上げるものである。数千字から数万字に及ぶ報告書・マニュアル・研修テキストをAIに書かせるとき、何が技術的に難しく、何が実務上の利点となるのか。そして――ここが本稿の主眼であるが――GxP文書のドラフト作成にAIを用いる場合、規制対応の観点から何を守らなければならないのか。長い出力は「工数削減」であると同時に「検証負荷の増大」でもある。この両面を整理する。

「長文生成」とは何か

短文生成と長文生成の違い

生成AIへの問いかけには、大きく「短文生成」と「長文生成」の2種類がある。

短文生成とは、「この用語の意味は」「この文章を要約してほしい」のように、比較的短い出力を求める問いかけである。回答の文字数は数十〜数百字程度が中心となる。

長文生成とは、「この業務についての報告書を作成してほしい」「研修テキストの草稿を書いてほしい」のように、数千字〜数万字に及ぶ出力を求める問いかけである。報告書・マニュアル・提案書・論文・コラム記事など、実務で日常的に発生する文書の多くがこのカテゴリに該当する。

なぜ「長文生成」が難しいのか

長文生成には、短文生成にはない固有の難しさがある。具体的には以下のような課題が存在する。

• 一貫性の維持：文書全体を通じて、論旨・トーン・用語が統一されている必要がある
• 構造の論理性：序論・本論・結論など、読み手が理解しやすい構成を保つ必要がある
• 文脈の保持：文書が長くなるほど、前述の内容を踏まえた記述が求められる
• 情報の欠落防止：必要な論点が途中で抜け落ちることなく、網羅的に扱われる必要がある

これらの課題を同時に満たしながら、質の高い長文を生成することは、AIにとって技術的に高いハードルを要する作業である。

長文生成を支える技術的条件

コンテキストウィンドウ――「一度に扱える情報量」

生成AIが一度に処理できる情報量のことをコンテキストウィンドウと呼ぶ。この値が大きいほど、長い文書を一括して読み込んだうえで生成することが可能になる。

ここで注意が必要なのは、AIモデルの仕様は数か月単位で改訂されるため、性能値を語るときは必ず「どのモデルの、どのバージョンの、いつ時点の値か」を明示しなければならないという点である。本稿執筆時点（2026年8月）の公式ドキュメントによれば、Anthropic社の Claude Opus 5 のコンテキストウィンドウは100万トークン、1回のリクエストにおける最大出力は12万8千トークンである。一方、同社の Claude Haiku 4.5 は20万トークン／6万4千トークンであり、同一ベンダーの製品群の中でもモデルによって大きく異なる。

実務上の含意はこうである。数十ページ規模の規程文書や報告書を読み込ませたうえで「この内容を踏まえた手順書の草稿を作成してほしい」という依頼を処理するには、現行の主要モデルの容量はおおむね十分である。ただし、容量が大きいことと、その全域にわたって指示が正確に守られることは別問題であり、後述するとおり検証を省略してよい理由にはならない。

構造を維持する能力と指示への忠実度

長文生成の品質を左右するのは、容量よりもむしろ次の2点である。

1. 構造化された出力を維持する能力見出し・箇条書き・段落といった文書構造を、長文にわたって崩さずに維持できるか。「第1章から第5章まで、それぞれ3節ずつ含む研修テキストを作成してほしい」という指示に対して、構成を崩さず全体を出力できるかどうかである。
2. 指示への忠実度ユーザーが最初に与えた条件（文体・対象読者・含めるべき論点など）を、文書の末尾まで保持できるか。長文生成において「途中で指示を忘れる」現象は、品質低下の主要因となる。

もっとも、コンテキストウィンドウが埋まるにつれて古い指示の重みが相対的に下がるリスクは、どのモデルにも共通する技術的制約として存在する。重要な条件は文書の区切りごとに再提示する、章ごとに分割して生成する、といった運用上の工夫を組み合わせることが望ましい。

GxP文書のドラフト作成にAIを使う

医療機器・医薬品業界では、SOP・手順書・バリデーション計画書・研修テキストなど、整備すべき文書が膨大である。「白紙から書き始める」負担をAIで軽減したいという要求は自然なものであり、実際に有効でもある。ただし、工程によって適性は大きく異なる。

逆説――長い出力ほど検証コストが高い

したがって、GxP文書へのAI活用を検討する際は、「生成できるか」ではなく「検証できる分量か」を基準に据えるべきである。一度に1万字を生成させるより、500字単位で生成し、その都度確認しながら積み上げるほうが、最終的な品質も総工数も優れることが多い。

ハルシネーション――実在しない条文番号という落とし穴

生成AIは、事実に基づかない内容を、事実であるかのような自然な文体で出力することがある。これをハルシネーション（幻覚）と呼ぶ。そして当社の読者にとって最も重大なのが、条文番号・ガイダンス名・規格の版数の誤りである。

これらは形式が正しいために誤りに見えない。「21 CFR §11.300(d)」という表記は、それ自体としては完全に正当な条番号の形をしている。実在する条項でもある。問題は、そこに書かれている内容が、AIが主張している内容とは違うという点である。

実際に起きた誤りの例

以下は、当社が生成AIを用いて規制文書を扱う中で実際に遭遇した誤りである。いずれも原典に当たって初めて発見できたものであり、読んだだけでは気づけない。

注目していただきたいのは、誤りが「まったくの架空」ではなく「近接する実在の条項」である点である。第64条も第63条も実在する。§11.300(d) も実在する。だからこそ、条番号だけを見て違和感を覚えることは難しい。査察の場でこの種の誤りを含む手順書を提示すれば、その文書一式の信頼性そのものが疑われることになる。

条番号を検証する手順

1. AIに条番号を「思い出させない」そもそも条番号をAIに書かせないという設計が最も安全である。条文引用が必要な箇所は空欄にしておき、人が原典から転記する。
2. 米国規則は eCFR で確認する21 CFR Part 11 の現行条文は eCFR（電子版連邦規則集）で全文を参照できる。検索エンジンの要約や二次情報ではなく、条文そのものに当たること。
3. 国内法令は e-Gov の原文に当たるQMS省令・GMP省令の条番号は、条見出しごと転記する。「第○条（苦情処理）」のように条見出しを併記しておけば、番号がずれたときに気づける。
4. 規格は版数まで書く「ISO 13485」ではなく「ISO 13485:2016」と書く。版数を書く習慣があれば、版の取り違えに気づく機会が増える。
5. ガイダンス名は発出機関・発出年とセットで確認する実在しないガイダンス名が生成されることがある。FDAガイダンスであれば FDA Guidance Documents 検索で正式名称と発出年を確認する。

電子署名に関する条項の読み解きについては、当社記事「電子署名の3つの明示事項」および「なぜ2人以上の共謀が必要とされたのか」も併せてご参照いただきたい。

生成物を「記録」としてどう扱うか

作成者は誰か――21 CFR Part 11 との接点

AIが下書きした文書を承認し、電子署名を付す。このとき、規制上の意味を正確に押さえておく必要がある。

21 CFR Part 11 の §11.50(a) は、署名済み電子記録には署名に関連する情報として、(1) 署名者の氏名、(2) 署名の日時、(3) 署名に伴う意味――レビュー、承認、責任、または作成者性（authorship）――を明示することを求めている。

ここから導かれる結論は明快である。AIは署名者になり得ない。§11.100(a) は「各電子署名は1人の個人に固有でなければならず、他の者に再使用または再割当てされてはならない」と定めている。AIは「個人（individual）」ではないため、電子署名の主体たり得ない。

したがって、AIが下書きした文書に「作成者」として署名した人間は、その内容について自らが作成者であるという意味を、規制上引き受けていることになる。「AIが書いたので誤りがあった」という説明は、Part 11 の枠組みでは成立しない。承認責任・レビュー責任・作成者責任は、いずれも人間にある。

監査証跡とバージョン管理

§11.10(e) は、電子記録を作成・変更・削除する操作者の入力と行為について、日時を記録する安全で、コンピュータが生成し、タイムスタンプが付された監査証跡の使用を求めている。同項はさらに「記録の変更は、それ以前に記録された情報を隠蔽してはならない」と定める。

AI由来のドラフトを文書管理システムに取り込む場合、この要求との関係で次を整理しておく必要がある。

• どの時点から正式な電子記録として扱うのか。AIとの対話画面上のテキストは、通常はまだ記録ではない。文書管理システムに登録した時点から監査証跡の対象となる、といった線引きを明文化する。
• AI生成部分と人が修正した部分を、後から区別できるようにしておくか否か。区別する運用にするなら、その方法をSOPに定める。
• §11.10(a) が求めるシステムのバリデーションの対象範囲。AIツールそのものをどう位置づけるかは、社内のCSV／CSA方針との整合が必要となる。
• §11.10(i) は、電子記録／電子署名システムを開発・保守・使用する者が、その職務を遂行するための教育・訓練・経験を有することの確認を求めている。AIリテラシー教育はこの要求の延長線上にある。

なお、FDAは Part 11 の適用範囲について「Part 11, Electronic Records; Electronic Signatures — Scope and Application」（2003年8月）で解釈を示している。国内では、厚生労働省の「医薬品等の承認又は許可等に係る申請等における電磁的記録及び電子署名の利用について」（平成17年4月1日 薬食発第0401022号、いわゆるER/ES指針）が対応する枠組みとなる。実際の査察でどう見られるかについては、当社記事「ER/ES指針査察のいま――電磁的記録・電子署名は当局調査でどう見られるか」で詳述している。

入力してはならない情報

長文生成を実務で使おうとすると、必然的に「大量の社内文書を読み込ませる」という使い方に向かう。ここに、もう一つの重大なリスクがある。

この点は、総務省・経済産業省の「AI事業者ガイドライン」（本稿執筆時点の最新版は第1.2版、令和8年3月31日）が示す考え方とも整合する。同ガイドラインは拘束力を持つ規制ではないが、AIを利用する事業者が備えるべき体制の共通言語として参照されており、社内規程を整備する際の骨格として有用である。

AIベンダーの選定・継続利用そのものがリスク管理の対象であるという論点については、当社記事「#QuitGPT ― ChatGPTに「解約」を突きつける市民ボイコットの深層」でも扱っている。

運用ルールに落とし込む――5つのチェックポイント

1. 用途を限定して明文化する「構成案・定型記述の下書きには使ってよい」「条文引用・リスク判断・原因分析には使わない」というように、使ってよい工程と使ってはならない工程を規程で切り分ける。
2. 検証工数を工程として計上する「AI生成1万字＝レビュー工数◯時間」という前提を計画に織り込む。検証工数を見込まない計画は、検証を省略する運用を生む。
3. 条番号・規格版数は必ず原典照合を通す照合したこと自体を記録に残す。照合者と照合日を残せば、後日の調査に耐える。
4. 入力可否を判断できる基準を配る「迷ったら上長に相談」では機能しない。入力してよい情報・してはならない情報を具体例で示し、承認済みツールの一覧と併せて周知する。
5. 教育訓練の記録に含める§11.10(i) が求める教育・訓練・経験の確認の一部として、AIリテラシー教育を位置づけ、受講記録を残す。

生成AIが「長文生成に優れている」という特性は、文書作成の工数削減という表面的なメリットにとどまらない。それは、専門知識を持つ担当者が「書く作業」から解放され、「判断する・確認する・改善する」というより本質的な業務に集中できる環境を生み出す可能性を秘めている。ただしその環境は、確認の工程を設計に組み込んで初めて成立する。ツールの特性を正しく理解し、適切な使い方を設計することが、AI活用の成否を分ける鍵となるであろう。