ディープリサーチ

ディープリサーチとは、AI が問いを受けて、自動で多段階の検索と読み込みを繰り返し、出典つきの調査レポートにまとめる機能・手法です。

ディープリサーチを具体例で理解する

新規事業の会議で、こう振られたとする。

「国内のシニア向け宅食市場、来週までにざっと調べておいて」

これまでなら、検索して、何十ページも開いて、要点を拾って、表にまとめる。半日仕事だった。

ディープリサーチに同じ指示を渡すと、AI が自分で検索語を組み立て、複数のサイトを巡回し、要約しながら、数ページのレポートを返してくる。市場規模の概算、主要プレイヤー、最近の動きが、参照リンクつきで並んでいる。

数時間の下調べが、コーヒー一杯の間に一通りそろう。

これがディープリサーチである。

ディープリサーチの仕組み

ふつうの検索は、キーワードに対してリンクの一覧を返すだけだ。その先を読んで判断するのは人間の仕事だった。

ディープリサーチは、その判断の一部を AI が代わりに回す。問いを小さな問いに分解し、検索し、返ってきた内容を読み、足りなければ検索語を変えてもう一度たどる。これを何度か繰り返してから、集めた断片を一つのレポートに編集する。文章を生成しているのは、その中核にある LLM（大規模言語モデル）だ。

検索して終わりではなく、検索と読み込みを多段で回す。だから「ディープ（深い）」と呼ばれる。

ディープリサーチは何に使うのか

向いているのは、こんな場面だ。

• まだ土地勘のないテーマで、全体像の当たりをつけたいとき
• 何を論点にすべきか、最初の枠組みを洗い出したいとき
• 既存の統計や記事など、すでに公開されている二次データを素早く広く集めたいとき

ただ、線は引いておきたい。ディープリサーチは、人手のデスクリサーチや一次調査を置き換えるものではない。置くべき場所は、その前段だ。

初期の当たり付けや論点出しには、たしかに速くて強い。けれど、一次データが要る意思決定や、出典の正確さが結論を左右する場面では、あくまで下書き止まりだと考えたほうがいい。下調べを速める道具であって、調べたことにしてくれる道具ではない。

ディープリサーチでわからないこと

最も注意すべきなのは、出典そのものが当てにならないことがある、という点だ。

AI はもっともらしい文章を生成するのが得意で、その延長で、存在しない論文を引用したり、実在する出典に誤った内容を結びつけたりする。これは ハルシネーション と呼ばれる現象で、NIST（米国国立標準技術研究所）はこれを「自信ありげに述べられた、しかし誤った内容」と定義している。実際、医療分野で AI に文献レビューを書かせたある査読研究では、引用の約 20% が実在しない捏造で、実在する引用でも 4 割超に書誌情報の誤りがあったという。これは一分野の一例だが、なじみの薄いテーマほど誤りが増える傾向も示されている。

拾える範囲にも限りがある。検索でたどれない有料情報や非公開データは反映されない。出てこなかったものは、ないことにされる。さらに複数の査読研究は、AI の出力が英語圏や欧米のように情報の多い地域に偏り、そうでない地域や少数の立場では精度が落ちると指摘している。だから一見すると網羅的に見えても、抜けは静かに残る。

もちろん、有用な技術であることは間違いない。社会科学の研究でも、AI が大量の情報を素早く処理する力は調査の助けになりうると評価されている。ただしその評価は、いつも偏りや品質への注意とセットで語られている。

ディープリサーチは、結論ではなく出典リストを疑う

きれいにまとまったレポートが返ってくると、つい結論のほうを読みたくなる。

でも、ディープリサーチで本当に確かめるべきなのは、結論ではない。

その下に並んだ出典リストのほうだ。

そのリンクは本当に存在するか。中身は要約のとおりか。一つひとつ原典に当たって初めて、AI が集めてきた素材は、自分の判断材料になる。

だからレポートを閉じる前に、出典リストの上から順にリンクを開く。存在するか、中身は要約どおりか。そこを一度通せば、AI が速く広げてくれた地図は、そのまま自分の調べ直しの出発点になる。