複数人の会話にAIはまだ入れない？新しい測定方法で判明

『ターンテイキング』って、複数人会話で AI が難しいって言われてるけど、これ具体的には何が起きてるんですか？

ターンテイキングは、簡単に言えば「話す人の交代」なんですが、人間がやってることって実は超複雑なんですよね。 誰かが話してる途中なのに「あ、ここで次の人が入るタイミングだ」と察する。その判断って、声の高さ、話すスピード、句読点みたいなポーズ、視線、身振り。さらには「その発言に対して自分は何か答えられるか」という内容理解まで一瞬で処理してるわけです。 AI にとってここが鬼門。音声だけで聞いてると、人間にとっての無言のシグナルが全部消えてしまう。「あ、次は誰が話すべき」という合図が、声のデータにはほぼ含まれていない。だから、12 種類全部がほぼ運任せレベルになってる。 二者対話が上手いのは、相手は一人だけだから、相手が喋り終わったら「自分の番」という単純な論理で成り立つ。でも 4 人いたら「A さんが喋り終わった。次は B か C か D か、誰が入るべき？」という判断が入る。人間ならこの "空気を読む" を瞬時にやってますが、AI からするとこれがほぼ見えない領域なのかもしれません。

Zoom 会議で AI アシスタントが使えないって今分かった、ってことは、今後数年で改善されたら普通に会議に参加させる企業も出てくるってこと？

出てくるだろうというのはほぼ確実です。ただ、技術的に解決するのと、実際に普及するのは別の話。 複数人会話での AI の弱さは、要するに「誰が話すべきか」と「今何が必要か」を読む力の問題ですよね。これは 2 人会話よりずっと複雑ですが、だからこそ一度クリアされると、導入の価値は大きい。議事録作成、重要な発言の抽出、実行項目の自動抽出——こうした業務は今も人力でやってます。 ただ企業が導入を躊躇する理由は、技術以外にも山ほどある。会議の内容の機密性、AI が判断を誤ったときの責任の所在、社内政治（「会議に AI を呼ぶなんて不信感を買う」という感情的な抵抗）。特に日本の企業文化では、まだまだ人間関係や信頼が意思決定に大きく影響します。 だから改善された瞬間に普及するというより、「導入企業と非導入企業で会議効率の差が明らかになる」段階を経て、じわじわ広がる形になりそうです。数年で一気にとは言いがたいのかもしれません。

2人の会話は AI が得意になってきたのに、複数人だと急に難しくなるのって、この2、3年で急に技術が追いついてきたから気づき始めたんですか？

2人と複数人の差が「最近になって気づかれた」というより、実は以前からわかってはいたんですよね。ただ、ChatGPT が登場してから、AI の能力が一気に上がったことで、「複数人でもいけるのでは」という期待が生まれ、実際に試してみたら全然ダメだった、という流れなんだと思います。言い換えれば、2人での成功が目立つ一方で、それより複雑な課題は放置されていた。研究者たちもそこに測定方法がなかったから、どの程度できていないのか、定量的には示せなかった。今回の「測定方法を初めて作った」というのは、その盲点を可視化したということ。つまり、テクノロジーが進化したから気づいたというより、テクノロジーの進化で「期待と現実のギャップ」が生まれ、そのギャップを測る枠組みが必要になった、という順序なのかもしれません。

要するに、人間関係の『空気を読む』ことが必要な場面ほど、AI はダメってことなのかな？

正確には、「空気を読む」というより「情報が足りない」という方が近いかもしれません。 2人の会話でAIが上手くいくのは、やり取りが線形で、因果関係が明確だから。AさんがBに質問→Bが答える、という流れが追いやすい。でも複数人になると、話題が枝分かれし、誰が誰に向かって話しているのか、どの発言が今の議論に関係するのか、といった「脈絡」が複雑に絡み合う。数字で測れない、人間の暗黙的なルールの塊です。 実は、人間関係が複雑なほど、必要な情報は反対に「見えにくく」なるんですよね。会議室で何かが決まる瞬間。その前には、誰が納得して、誰が妥協して、どの意見が重かったのか。AIはそこの文脈を完全には拾えない。つまり「空気」というより「言語化されない背景」への対応力が欠けているという見方もできます。逆に言えば、人間関係の深い場面ほど、AIを入れるには「事前に何をしてほしいのか明確に伝える」という工夫が要りそうです。

複数人会話で AI がうまくいかないって分かったことで、逆に『実は人間はこんなに複雑なことをやってる』って改めて見える部分ってあるんですか？

複数人会話での AI の失敗を見ると、人間がやってることの巧妙さが浮き彫りになりますね。 実は私たちは、話を聞くたびに「今は俺のターンか」を判断してるんじゃなくて、もっと早い段階で無意識に読み取ってるんです。相手の声のトーン、話のペース、視線、身体の向き。そういう複合的な信号を同時に処理して「今この人の話が終わりそう」と予測し、次の発言の準備を整える。 会議で誰かが長く話してると、参加者の顔を見るとわかりますが、みんな次の発言権がいつ自分に回ってくるかを常に計算してるんですよ。それでいて相手の話を聞いてもいる。つまり、会話の流れを読むことと聞くことが同時進行してる。 AI が 22%の理解度にとどまるのは、その複合処理が想像以上に難しいからです。音声だけでなく、沈黙の長さ、話題の自然な終わり方、相手の反応をすべて加味して「今どういう状況なのか」を判断する。人間の脳はそれを、努力なしにやってるわけです。会話って、思ってたより随分と複雑な営みなのかもしれません。