ChatGPTに「この分野でおすすめの会社は？」と聞いて、自社の名前が出てこなかった。そんな経験、ありませんかね。
不思議なのは、名指しで「この会社について教えて」と聞けば、事業内容も強みもすらすら返ってくることなんですよ。
知らないわけではない。なのに、選ぶ場面になると出てこない。
この温度差、気持ち悪いじゃないですか。
へクス子も長いこと首をかしげておりました。知り合いのはずなのに、パーティーで一度も紹介してもらえないようなものですからね。
なんですが、この現象、AIの中身の側から見ると案外すっきり説明がつくかもしれません。
Anthropicが2026年7月に、自社モデルの内部を解剖した研究を公開していまして。今回はそのへんを掘り下げてみたいと思います。
AIの中にあった、数十個しか載らない「作業台」
見つかったのは、Claudeの内部にある小さな共有領域でして。研究チームはこれを「」と名づけています（R）。
下敷きになっているのは、人間の脳を説明するという考え方ですね。
この理論ってのは、要は「脳では大量の処理が並列で走っているのに、意識に上がるのはごく一部だけ」という見方であります。
意識に上がったその一部だけが共有の作業台に載り、そこから他のいろんな担当へ配られていく。Claudeの中にも、これとよく似た領域があったそうな。
ややこしいのは、J-spaceが、AIが画面に書き出す「思考の実況」とは別物だという点でしょうな。書かずに内側で保持している「黙った思考」のほうにあたります。
「黙った思考」を、単語のリストとして読み出す
とはいえ、黙っている思考を、どうやって外から観察するのか。ここが一番の関門ですよね。
研究チームはそのために、（J-lens）という解析手法を新しく作っています。
Jacobian lensってのは、要は「どの内部パターンが、どの単語の出やすさを押し上げているか」を層をまたいで追う道具ですね。
これを使うと、ある瞬間にモデルの内部で活性化している概念を、単語のリストとして読み出せるようになるわけです。
作業台の上にいま何が載っているかを、そのつど写真に撮れるようになった。そう考えると分かりやすいっすね。
作業台を取り除くと、止まったのは「考える」処理だけだった
で、何が分かったかと言いますと、この作業台、想像よりずっと小さかったんですよ。
- 同時に載っている概念は、数十個程度にとどまる
- J-spaceが占めるのは、モデル全体の活動の1割未満
- 一部の領域では、J-spaceのパターンの結合密度が通常の約100倍
全体の1割にも満たない領域なのに、そこだけ結びつきが異様に濃い。面白いのはここからでして、研究チームはこの領域をあえて取り除いてみたそうです。
- 多段推論（いくつかの事実をつないで答えを出すこと）の性能は、ほぼ0まで落ちた
- 一方で、流暢な文章生成や単純な事実の想起は、ほぼそのまま保たれた
つまりAIは、課題によって通るルートを変えていたということですね。すらすら喋る処理と、じっくり考える処理は、別の道だったわけです。
「知っている」と「作業台に載る」は、別のこと
この結果、マーケターの目線に翻訳すると、なかなか効いてくる話になります。モデルが内部に持っている情報と、答えを組み立てるときに実際に作業台へ載る情報は、同じではないわけです。
自社について流暢に説明できることと、検討の場面で名前が挙がること。この2つは別だった、ということになりましょう。
似た話として、AIは自社ブランドを「知ってる」のに、なぜ正しく答えられないのかでは、学習データの書かれ方で知識の引き出しやすさが変わる話を紹介しました。今回はその先、答えを組み立てる瞬間にどの情報が載るか、という別の話なんですよ。
もうひとつ、AIが教えてくれる「おすすめの理由」、実は後から作った言い訳かもしれない問題では、AIの説明文が本当の判断理由とは限らない、という話も扱っております。
「黙った思考」が別にあるという今回の発見は、その理由をもう一段補強するものでしょう。
留保つきでも、測るべき場所ははっきりする
ここで、風呂敷を広げすぎないための留保も置いておきますね。
今回の発表は、Anthropicが自社のClaudeを対象に行った自社研究であります。他社のモデルで同じ構造が成り立つかどうかは、この発表の範囲外なんですよ。
それに、作業台の仕組みが分かったことと、そこへ自社の情報を載せる方法が分かったことは、まったくの別問題でしょう。
それでも、へクス子はこの話、押さえておく価値が十分にあると思うんですよね。「持っている」と「使われる」が別だと分かれば、自社の可視性をどこで測るべきかが、はっきりしてくるからですね。
「知られているか」ではなく「検討の場面で出るか」を測る
そんなわけで、AIが自社を推してくれるかどうかは、AIが自社を知っているかだけでは決まりません。答えを組み立てるあの狭い作業台に、自社の情報が載るかどうかまでが勝負どころになるわけです。
だとすると、確かめるべきなのは「AIはうちを知っていますか」ではないんですよね。「この分野のおすすめを聞かれたとき、うちの名前は何割の確率で出てきますか」のほうです。
AIが語る推薦理由の文章は判断の記録ではないので、そこを施策の根拠にせず、実際に名前が出た率や引用された数という、外から見える結果を追いかける。
そのうえで効いてくるのが、「自社＝この分野の会社」という事実を、一貫した形で置き続けることでしょう。作業台に載るのは、あちこちで同じ形に整った、取り出しやすい事実のほうですからね。
測る対象を出現率に切り替えると、打ち手の良し悪しもそのまま数字で返ってきます。まずは自社の名前が今どのくらい出ているのか、そこを数えるところから始めてみましょうかね。
出典
- Anthropic, “A global workspace in language models”, 2026年7月6日, anthropic.com（Claudeの内部に、人間の脳のグローバル・ワークスペースに似た小さな共有作業領域「J-space」を発見。Jacobian lens（J-lens）により、どの内部活動パターンがどの単語の出力確率を押し上げるかを層をまたいで解析し、その瞬間に活性化している概念を単語リストとして読み出す。J-spaceが同時に保持する概念は数十個程度、モデル全体の活動の1割未満で、一部領域では結合密度が通常の約100倍。J-spaceを取り除くと多段推論の性能がほぼ0に落ちる一方、流暢な言語生成や単純な事実想起はほぼ保たれる。J-spaceは書き出されるchain-of-thoughtとは別の「黙った思考」にあたる。注記: モデル開発元による自社研究であり、対象はClaude。他社モデルで同じ構造が成り立つかは本発表の範囲外）
