コンテキスト・ロットとは。「AIは、情報を入れるほど賢くなる」わけではない

Key Takeaways

• 情報は、入れるほど効くとは限らない。
• 18モデルすべてで、精度は落ちた。
• 文脈は、有限の「注意の予算」。
• 「全部入れる」は、もう通用しない。
• 効くのは、量ではなく、選別。

「社内の資料を、ぜんぶAIに読み込ませてください」。そう言われて、一年分の議事録も契約書もマニュアルも渡した。多く渡すほど、賢く、正確に答えてくれる。そう信じていました。

ところが、逆のことが起きる可能性があります。情報を足すほど、答えの精度は落ちていく……。短い問いには正確なのに、大量の文脈を抱えた途端、単純なことを取りこぼす。

この現象を「コンテキスト・ロット」、文脈（Context)の腐敗（Rot）と呼びます。この連載の第1回で名づけた「コンテキスト負債」が、なぜ静かに積み上がるのか。その正体を解説します。

【前提】「全部読ませれば賢くなる」という、誤解。

生成AIを業務に入れるとき、多くの現場が最初にやることは同じです。「とにかく社内の資料を全部読ませよう」。議事録、契約書、マニュアル、過去のメール……。文脈を渡せば渡すほど、AIは賢く正確になるはずだと。

この期待は、自然なものです。人間なら、手元の資料が多いほど、正確に答えられる。ところが、AIでは必ずしもそうなりません。むしろ、情報を足すほど精度が落ちていく領域があります。それが、いまコンテキスト・ロットと呼ばれ始めた現象です。

【定義】コンテキスト・ロットとは何か。

「コンテキスト・ロット（context rot、文脈の腐敗）」とは、AIに与える入力（コンテキスト）が長くなるほど、回答の精度が不安定に崩れていく現象を指します。

カギは「不安定に」というところ。文脈が2倍になれば性能が半分になる、といった素直な比例ではありません。ある長さを超えると、単純な問いにさえ取りこぼしが出始める。

しかも、入力のどこに置かれた情報かによって、扱われ方まで変わります。冒頭に書いたことは覚えていても、真ん中に埋もれた一文は見落とす。AIは、渡された文脈を「均一には」読んでいないのです。

【根拠】数字が示す、「長いほど、あてにならない」。

そもそも「AIは長い文脈を均一には読めない」というのは、突飛な新説ではありません。

スタンフォード大学などの研究チームは2023年、「ロスト・イン・ザ・ミドル（中間で迷子になる）」と題した論文で、重要な情報が文脈の“真ん中”に置かれると、冒頭や末尾にあるときより回答精度が落ちることを実証していました。自然言語処理の査読付き学術誌にも採録された、よく知られた知見です。

出典：Nelson F. Liu ほか「Lost in the Middle: How Language Models Use Long Contexts」TACL、2023年

この学術的な下地を、最新のモデル群で体系的に測り直したのが、オープンソースのベクトルデータベースを手がけるAI企業、Chromaが2025年7月に公開した技術レポートです。同社は、ClaudeやGPT、Geminiといった当時の最新モデルを含む18のAIで実験し、「入力が長くなるほど、性能は増々あてにならなくなる」ことを確認しました。

注目すべきは、これが難しい推論だけの話ではないことです。文字列を照合するような、人間なら退屈なほど簡単な作業ですら、文脈が長くなると品質が崩れました。ただ間違えるだけでなく、モデルによっては長い入力の途中で「作業の放棄」まで起きています。

あるモデルは約2500語を超えたあたりから、別のモデルは約5000語あたりから、指示を無視したり、無関係な出力を返したりし始めた。量が質を殺す瞬間が、はっきりと数字に表れたのです。

その差は、規模で見れば際立ちます。同じ問いでも、要点だけを絞った短い入力のほうが、背景を丸ごと積み込んだ長大な入力よりも、安定して正確に答えられました。後者はある検証で、本一冊にせまる情報量（約11万トークン）に達していたといいます。多いほど有利とは限らないのです。

出典：Chroma「Context Rot: How Increasing Input Tokens Impacts LLM Performance」2025年7月

【仕組み】文脈は、有限の「注意の予算」だから。

なぜ、こんなことが起きるのか。理由は、AIの仕組みそのものにあります。いまのAIは、入力されたすべての言葉を、互いに関連づけながら読みます。言葉が増えれば、その組み合わせは爆発的に増える。100語なら扱いきれても、10万語になれば、一つひとつの関係に割ける「注意」が薄まってしまうのです。

この点を、Anthropicは明快に言い切っています。文脈は「収穫逓減をともなう、有限の資源」であり、AIには使える「注意の予算（attention budget）」があって、言葉を一つ足すごとに、その予算は少しずつ削られていく、と。

つまり資料を無制限に足すことは、AIを賢くするどころか、限りある注意を薄く引き伸ばす行為になりかねません。しかもこの劣化は「すべてのモデルに共通して現れる」。落ち方は、ある地点で急に落ちる崖ではなく、なだらかな下り坂です。

出典：Anthropic「Effective context engineering for AI agents」2025年9月

【現場】あなたの会社では、どこで「腐る」のか。

コンテキスト・ロットは、特別な使い方で起きるわけではありません。むしろ、AI活用が進んだ現場ほど、日常的に踏んでいます。典型は三つです。

一つ目は、社内文書を「丸ごと」読ませているとき。マニュアルや規程を一括で読み込ませ、そこから答えさせる使い方では、資料が増えるほど、肝心の一節が埋もれていきます。

二つ目は、対話やエージェントの作業が「長く」なったとき。やり取りの履歴や作業ログが積み上がると、AIは古い文脈に引きずられ、目の前の指示を取りこぼします。

三つ目は、プロンプトに「念のため」を足しすぎたとき。背景説明も注意書きも全部盛り込んだ長い指示は、かえって要点をぼやけさせます。

いずれも、善意の「たくさん渡せば安心」から生まれます。手厚く文脈を用意したはずが、その厚みこそが精度を削っている。ここに、この現象のいやらしさがあります。

【連結】これは、「コンテキスト負債」の正体だった。

この連載の1回目「コンテキスト負債」で、AIに渡す文脈を整理しないまま溜め込み、じわじわと判断が鈍っていく状態という言葉を立てました。コンテキスト・ロットは、その負債が「なぜ効いてくるのか」の技術的な裏側です。

負債は、ただ積み上がるだけでは痛みません。文脈が一定量を超え、注意の予算を食いつぶし始めたとき、精度の低下という「利息」として表面化する。コンテキスト負債が「溜め込むと危ない」という警告だとすれば、コンテキスト・ロットは「なぜ危ないのか」の答え合わせにあたります。

【現在地】命名から1年。むしろ、本流になった。

「1年前の話では」と思うかもしれません。しかし、この言葉はこの1年でむしろ定着しました。2026年に入っても、開発者向けの解説や実務ガイドがChromaのレポートを土台に引用を重ね、学術界でもコンテキスト・ロットは既知の課題として論文に登場しています。

決定的なのは、先に引いたAnthropic（アンソロピック）が2025年9月、AIエージェント開発の指針として、この現象を真正面から取り上げたことです。一過性の流行語ではなく、コンテキストエンジニアリングという新しい実務領域の中心的な課題として、現場に降りてきている。それが、命名から1年後のいまです。

【経営の一手】「全部入れる」を、やめる。

では、どうするか。答えは、逆説的なほど単純です。「全部入れる」のをやめること。AIに渡す文脈は、多ければよいのではなく、「効くものだけを、効く形で」選んで渡す。この選別こそが、コンテキストエンジニアリングと呼ばれる技術の核心です。

経営の現場でそのまま点検できるよう、3つの問いに落とし込みました。自社のAI活用が、次のどれかで「いいえ」なら、すでに腐りはじめているかもしれません。

① 選別しているか。　AIに渡す前に、その文脈は本当に必要か。全部を放り込まず、問いに効くものだけを選んでいるか。

② 圧縮しているか。　対話やログが長くなったら、要点だけを残して畳んでいるか。ふくらんだ履歴を、そのまま持ち回っていないか。

③ 都度、取り出しているか。　必要なときに、必要な分だけを取り出す仕組みか。最初にすべてを積み込む設計になっていないか。

①は「入れる前」、②は「長くなった後」、③は「その都度」の備えです。多くの企業がつまずくのは①――そもそも渡す文脈を選ばず、「あるだけ全部」から始めてしまうところです。

実務では、これを担当者の職人芸に委ねるのではなく、基盤の側で支える発想が要ります。たとえばAIエージェントプラットフォーム「Agentforce」は、データ基盤「Data 360」と組み合わせ、AIがそのつど必要なデータだけを取り出して判断できるよう設計されています。

社内のすべてを丸ごと読ませるのではなく、問いに応じて関連する文脈だけを選んで渡す。コンテキスト・ロットへの備えは、この「渡し方の設計」に宿ります。

【簡単理解】「よくある質問」でコンテキスト・ロットを総ざらい

Q. コンテキスト・ロットとは何ですか？

A. AIに与える入力（コンテキスト）が長くなるほど、回答の精度が不安定に落ちていく現象です。「文脈の腐敗」を意味し、文脈が長いほど、単純な問いでも取りこぼしが増えます。AIが渡された情報を「均一には」読めないことに起因します。

Q. なぜ情報を増やすと、かえって精度が落ちるのですか？

A. AIは入力されたすべての言葉を関連づけながら読むため、言葉が増えるほど一つひとつに割ける「注意」が薄まります。Anthropicは、文脈を「収穫逓減をともなう有限の資源」と表現し、語を足すごとに使える「注意の予算」が削られると説明しています。

Q. ハルシネーション（AIが事実でないことを言う現象）と、どう違うのですか？

A. 重なりますが、別の問題です。ハルシネーションは「もっともらしい嘘を作る」こと。コンテキスト・ロットは「長い文脈の中で、正しい情報を取りこぼし、答えが不安定になる」ことです。長い入力がハルシネーションを誘発することもあり、両者は地続きの関係にあります。

Q. #01「コンテキスト負債」と、どう関係しますか？

A. コンテキスト・ロットは、コンテキスト負債の「技術的な正体」です。整理せず溜め込んだ文脈（負債）が、注意の予算を食いつぶして精度低下という利息を生む――その仕組みがコンテキスト・ロットです。「溜め込むな」という戒めと、「なぜ危ないか」という理由の関係にあたります。

Q. 企業は、どう対策すればいいですか？

A. 「全部入れる」をやめ、問いに応じて必要な文脈だけを選んで渡す設計（コンテキストエンジニアリング）に切り替えることです。担当者の手作業に頼らず、必要なデータをそのつど取り出せる基盤の側で仕組み化しておくと、劣化を避けやすくなります。

【結論】「多く渡すこと」と「賢くすること」は違う

AIにとって「多くを渡すこと」と、「賢くすること」は同じではありません。無防備に足した文脈は、注意という限りある資源を食いつぶし、精度を削っていきます。

半年後、この言葉は開発の現場だけでなく、AI導入を進める経営の会議でも聞かれるようになるはずです。そのとき問われるのは、「どれだけ多くのデータをAIに読ませたか」ではありません。「本当に効く文脈を、選んで渡せているか」です。

「コンテキスト負債」が“溜め込むな”という戒めなら、コンテキスト・ロットは“なぜ溜め込むと壊れるのか”という理由です。情報を足すほど賢くなるーー。その素朴な期待をいったん手放すことが、AIを本当に使いこなす第一歩になります。