Post
JA EN

選択肢過多をAIで悪化させない——「2〜3候補」プロンプト設計の心理学

Posted
By
33 min read
選択肢過多をAIで悪化させない——「2〜3候補」プロンプト設計の心理学
  • 想定読者： AIに頼んでも結局決められない、選択肢を並べられて疲れるITエンジニア・エンジニアリングマネージャー・ナレッジワーカー
  • 前提知識： ChatGPT/Claude等のチャット型AIを業務で使った経験
  • 所要時間： 約8分

概要

「技術選定の相談、メンバーへのフィードバック設計、来期の優先施策——AIに投げると丁寧に10個並べてくれる。でも、結局どれにするか決められない」——AIを使えば使うほど、こうした感覚を持つ人は少なくない。特に正解が文脈で割れるマネジメント領域では、列挙されたリストが余計に判断を麻痺させる。

これは古典的な心理学現象「選択のパラドックス（choice overload）」が、AI時代に新しい形で再現されている可能性が高い。Iyengar & Lepper (2000) のジャム実験では、24種類を並べた売り場より6種類の売り場のほうが購入率が約10倍だった1。選択肢が「多い」ことは、意欲・満足度・決定率を下げる方向に効くことがある——もちろん文脈や個人差はあるが、決定停滞の主要因のひとつとしてよく観察される。

ここで重要なのは、AIは選択肢を増やす側にも減らす側にも振れる、両刃の剣だという点だ23。デフォルトでは「網羅的に列挙」する方向に働きやすく、「2〜3個の十分良い候補に絞って、トレードオフ付きで提示せよ」と意図的に指示しない限り、人間側のoverloadは緩和されない。

本記事では、(1) choice overloadのメカニズムと、(2) AI時代における特殊性（推薦が効くケース／効かないケース）、(3) 「2〜3候補提示」プロンプトの設計指針、(4) ハルシネーション・バイアス対策としての「壁打ち再投入」を整理する。AIを「全部任せる相棒」ではなく「心理学的に最適化された補完ツール」として扱うための、実用ベースの考え方をまとめたい。

1. choice overloadとは何か——ジャム実験とSchwartzの整理

選択肢過多の研究は、Iyengar & Lepper (2000) のフィールド実験で広く知られるようになった。同じ高級スーパーで6種類のジャムを試食提供した日と、24種類提供した日を比較したところ、立ち寄り率は24種類のほうが高かったが、実際に購入した割合は6種類提示の方が約10倍高かった（30% vs 3%）1。

この現象を理論化したのが、心理学者Barry Schwartzの著書『The Paradox of Choice』(2004) である4。Schwartzは、選択肢の増加が:

  1. 決定コストの増加（比較・検討のための認知負荷）
  2. 機会費用の認識（選ばなかった候補への後悔）
  3. maximizer的な探索（「もっと良いものがあるはず」）

を通じて満足度を低下させると論じた4。特にmaximizer傾向の強い人ほど、選択肢が増えると決定後の後悔が増えやすいことが追跡研究で示されている5。

ただし、効果は文脈依存である点に留意したい。メタ分析では、choice overloadは「全状況で必ず起きる」ものではなく、選択の難度・専門性・評価基準の明確さなどに応じて効果サイズが大きく変動することが報告されている6。「6個ならOK、24個ならNG」のような単純な閾値はない。

2. AI時代の特殊性——推薦が効くケース／効かないケース

AIによる推薦は、原理的には「絞り込み・要約・ランキング」によってchoice overloadを緩和できる2。ただし、その緩和効果は条件付きだ。

Kim et al. (2023) は、ChatGPTによる推薦と人間によるリスト提示を比較する複数実験を行い、ChatGPTで推薦された場合、60個程度の多数オプションでも満足度・選好強度が高い傾向を観測した7。AIへの信頼性が伝統的な「過多→疲弊」の連鎖を切る、という解釈である。

ただし、これは「AIが信頼に足るうちに、絞り込まれた推薦を出している」前提での話だ。実務でChatGPT/Claudeに「学習すべき技術スタックを列挙して」「優先タスクの候補は？」と曖昧に投げると、AIは網羅的な羅列モードに入りやすい。結果として、紙のメニューを眺める時と同じ決定停滞が、対話画面で再現される。

つまりAIは:

  • 明示的に絞り込みを指示すれば → choice overloadを緩和する
  • 網羅・列挙を黙認すれば → choice overloadを再生産する

両方向に振れる。Schwartz自身も2025年のインタビューで、AIによるキュレーションが新たなパラドックスを生む可能性を指摘し、人間が問いを発し続け選択肢を吟味する戦略の重要性を語っている3。

3. 「2〜3候補提示」プロンプト設計の指針

ここからが実装パートだ。心理学的な知見と実務経験を踏まえると、AIに対するプロンプトには次のような設計が有効と考えられる。

3-1. 「2〜3個まで」を明示する

最もシンプルかつ効くのは、出力候補数の上限を明示することだ。

❌ 「Reactのコンポーネント設計手法を教えて」

✅ 「Reactのコンポーネント設計手法を、用途別に2〜3個までに絞って提示してください。それぞれの強み・弱み・典型的な失敗例も含めて」

なぜ1個ではなく2〜3個なのか。心理学的には、

  • 1個だけ提示: ユーザーは「他に良い選択肢があるのでは」というmaximizer的不安を抱きやすく、結局再質問してしまう45
  • 2〜3個提示: 比較軸が明確になり、satisficing（十分満足戦略）が成立しやすい
  • 5個以上: 比較負荷が線形以上に増え、決定コストが上昇する

という整理ができる。Millerの古典「マジカルナンバー7±2」やCowanの修正版（4±1）といったワーキングメモリ研究は、人間が同時に保持できる「比較対象の数」が小さいことを示唆する8。実際のプロンプト効果を直接測定した実証研究は筆者が確認した範囲では限定的だが、認知負荷理論の観点からは2〜3個の絞り込みは合理的な初期設定といえる。

3-2. 「トレードオフ」を必ず付ける

候補リストだけだと、結局「どれが一番ですか？」と再質問が発生する。これを防ぐには、各候補に選ぶべきでないケースを併記させるとよい。

「各候補について、(1) どんな状況で最適か、(2) どんな状況では避けるべきか、(3) この選択肢を採用した場合に発生する典型的な後悔を1行で書いてください」

「後悔の予測」を出させることで、Schwartzが指摘するmaximizer的な「他にもっと良いものがあるはず」という残存不安を、最初の応答内で潰せる4。

3-3. 「決定基準」を先に問わせる

候補を出す前に、AI側から「どの基準で評価しますか？」と1問だけ返してもらう構えも有効だ。

「候補を出す前に、私が答えるべき評価基準を3つ以内の質問でまとめてください。回答後にあなたが2〜3候補を提示してください」

この「質問→回答→提示」の2ターン構成は、コマンド型と質問型のプロンプト切り替えで扱った「解釈の余地が大きい問いではAIに先に質問させる」設計と整合する。

4. ハルシネーション・バイアス対策——「壁打ち再投入」の使い方

絞り込みプロンプトには副作用がある。少数候補に絞らせると、その2〜3個がもっともらしい誤りでも、ユーザーは検証せずに採用しがちになる。AIのハルシネーション・バイアスは「絞られて自信ありげに出されたもの」ほど検出しにくい。

これに対しては、AIを壁打ち相手として使う運用が現実的だ。

4-1. AIに自分の出力を粗探しさせる（別ターンで批判ロール）

最初の応答を出した後、同じAIに批判ロールで再度走らせる。「自分が出した候補を、自分で叩く」ターンを意図的に挟むイメージだ。

「直前に提示した2〜3候補それぞれについて、意図的に粗探ししてください。事実誤認・古い情報・ステレオタイプ的選択になっていないか、各候補に最低2個の弱点を挙げてください」

最初の応答ではマスクされていた弱点や古い前提が出てくることが多い。同一会話内でも、別ロールでAIに再評価させることで偏りを部分的に相殺できる。これはAI側の自己点検であって、人間が読み返すレビューとは別の工程として位置づけたい。

4-2. 自分のコンテキストを再投入する

AIは初回プロンプトの情報量に応じて答える。最初の出力を見て「自分の状況に合っていない」と感じたら、棄却ではなく追加コンテキストの投入が効く。

「先の3候補を、以下のコンテキスト下で再評価してください: チーム規模5人、TypeScript既習、レガシーRails資産あり、納期4週間、保守メンバーは私1人」

この再投入は、Context Engineering と呼ばれる実践の一部とみなせる。AIに「決めさせる」のではなく、自分が認識すべきコンテキストを言語化する練習にもなる。

4-3. 最終判断は人間に残す

ここが原則だ。AIの2〜3候補提示は「思考のフレーム」を提供するが、最終決定は人間に残す。Schwartzの2025年インタビューでも、AI時代に主体性を保つには、AIに選択肢の整理を任せつつ人間が選ぶ側に立ち続ける役割分担が必要だ、という趣旨が語られている3。

5. 実務シーンでの適用例——マネジメント領域から

具体的な業務シーンで、絞り込みプロンプトと壁打ち再投入がどう動くかを示す。マネジメント領域は「正解が文脈で割れる」「判断を後悔しやすい」場面が多く、choice overload が特に効く領域だ。

ケースA: 1on1の話題選定

  • ❌ 「成長が停滞しているメンバーとの1on1で何を話すべき？」 → 10個の質問例リスト
  • ✅ 「半年前から成果が伸び悩んでいるメンバーA（中堅・元々ハイパフォーマー）との来週の1on1で、最優先で扱うべきトピックを2つまでに絞ってください。各トピックの『扱うべきでない状況』と『この話題が逆効果になる兆候』も併記」

ケースB: メンバーへのフィードバック設計

  • ❌ 「ジュニアエンジニアにコードレビューでうまく伝える方法」 → ベストプラクティス10個
  • ✅ 「ジュニアAは過去3回のコードレビューで指摘を反映できていない（プルリクは更新するが、本質的な設計改善が反映されない）。次のレビューで効果が出る可能性が高いアプローチを2つまでに絞り、それぞれの逆効果リスク（萎縮・過剰防衛・離職）も書いて」

ケースC: チーム施策の優先順位決定

  • ❌ 「来期のチーム目標を教えて」 → 候補列挙
  • ✅ 「以下の制約下で、来期チームの最優先施策を2つに絞ってください: 5名チーム、レガシーRails保守と新機能開発の両立、メンバー2名に転職リスク、予算は今期-15%、CTOからは『自動化推進』の指示。選ばなかった施策を後回しにすることの機会損失も併記」

ケースD: 技術選定（参考）

技術選定でも同じ型は使える: 「以下の制約下で、リアルタイム通信の候補を2個までに絞り、それぞれの後悔シナリオを併記: ブラウザ→サーバ片方向通知、同時接続2万、運用工数最小化」。ただし技術領域は公式ドキュメントや最新の比較記事で答え合わせがしやすく、AIの誤りを検出しやすい。マネジメント領域はその「答え合わせ」が効きにくいため、絞り込みプロンプトの恩恵が相対的に大きい。

いずれも、「数の制約」+「トレードオフ／後悔の明示」+「コンテキスト先出し」の組み合わせで動く。マネジメント領域では特に、逆効果のシナリオを必ず併記させることで「AIが提案した方法を機械的に試す」事態を避けられる。

6. 組織レベルへの拡張——社内ナレッジRAGという射程

ここまでは個人がプロンプト設計でできる話だった。同じ発想を組織レベルに拡張すると、過去の社内ドキュメント・1on1ログ・レトロ議事録などを社内RAGの母集団にし、reranker や品質スコアで「2〜3個の十分良い候補」に絞らせる構想に行き着く。

直感に反するが、技術ナレッジよりマネジメント知識のほうが社内RAG向きな側面がある。技術情報は陳腐化が速く、社内に積まれた古い回答が誤った候補として返るリスクが大きい9。一方、心理的安全性や1on1の進め方といった原則は数十年単位で安定している1011。

ただし「ナレッジに点数を付けて古い情報を自動降格させる」運用は、reranker 実装そのものよりも運用設計（誰が freshness を保証するか、フィードバックをどう収集するか）のほうが壁になる。詳細は「マネジメント知識こそ社内RAGに向く——陳腐化非対称性とナレッジ点数付けの現実」に切り出した。元記事のスコープでは「個人プロンプトでまず2〜3候補を引き出す」段階を着実に習得することを優先したい。

7. 留保——一般化できない部分

最後に、本稿の限界を明示しておく。

  • 個人差: maximizer傾向の強い人は、絞り込まれても「他にもっと良いものが」と再探索を続けやすい5。完全な解決策ではない
  • 文脈依存: 創造的探索フェーズや、ブレインストーミングでは、むしろ多くの候補が必要なことがある。choice overloadは「決定フェーズ」で効く現象6
  • 実証データの限界: 「2〜3候補プロンプトが意思決定の質を高める」ことを直接示したRCT規模の実証研究は、筆者が調べた範囲では確認できなかった。本稿の処方は、心理学知見と認知負荷理論からの演繹と実務知見の組み合わせである
  • AIの推薦能力の進化: Kim et al. の結果のように、AI推薦が信頼に足る領域では「絞り込み」を意図しなくてもoverloadが起きにくくなっている7。本稿の処方が役立つのは、AI出力の品質と自分の評価軸がまだズレているフェーズ

「2〜3候補プロンプトを使えば誰でも迷わない」とは言わない。が、「網羅列挙の自動応答」を選ばないだけで、決定停滞は減らせる。

まとめ

AIは選択肢を減らすこともできるし、増やすこともできる。デフォルトでは増やす方向に働きやすいので、人間側がプロンプトで意図的に絞り込みを設計する必要がある。

実務で使える原則は3つにまとめられる:

  1. 数の制約: 「2〜3個まで」を明示
  2. トレードオフ込み: 各候補の後悔シナリオを併記させる
  3. 壁打ち再投入: 粗探しロールで自己レビュー、コンテキストを増やして再評価

そして最終決定は人間に残す。AIは「決める存在」ではなく「決めるための足場を整える存在」として位置づけるほうが、心理学的にも運用的にも安定する。

関連記事

このテーマに関連する他の記事もご覧ください：

参考資料

本文中の引用番号に対応する参考資料を番号順に記載しています。

  1. When Choice is Demotivating: Can One Desire Too Much of a Good Thing? - Iyengar, S. S., & Lepper, M. R. (2000). Journal of Personality and Social Psychology, 79(6), 995-1006. 【信頼性: 高】査読済み論文。ジャム試食実験で6種類提示時の購入率が24種類提示時の約10倍だったことを報告。 ↩︎ ↩︎2

  2. The Paradox of Choice, revisited: How AI Can Either Help or Hinder. Or Both. - Chiosso, H. (2025). 【信頼性: 中】専門家による考察記事。AIがchoice overloadを増減両方向に作用しうると論じる。 ↩︎ ↩︎2

  3. The Paradox of Choice in the AI Age - Schwartz, B. (2025) インタビュー. 【信頼性: 中〜高】Choice overload概念の提唱者本人によるAI時代への適用論。 ↩︎ ↩︎2 ↩︎3

  4. The Paradox of Choice: Why More Is Less - Schwartz, B. (2004). HarperCollins. 【信頼性: 中〜高】専門家による著書。choice overloadのメカニズムを体系化。 ↩︎ ↩︎2 ↩︎3 ↩︎4

  5. Doing Better but Feeling Worse: Looking for the “Best” Job Undermines Satisfaction - Iyengar, S. S., Wells, R. E., & Schwartz, B. (2006). Psychological Science, 17(2), 143-150. DOI: 10.1111/j.1467-9280.2006.01677.x. 【信頼性: 高】Maximizerが客観的には良い結果（約20%高い初任給）を得つつも満足度が低いことを示した査読済み研究。 ↩︎ ↩︎2 ↩︎3

  6. Can There Ever Be Too Many Options? A Meta-Analytic Review of Choice Overload - Scheibehenne, B., Greifeneder, R., & Todd, P. M. (2010). Journal of Consumer Research, 37(3), 409-425. 【信頼性: 高】50研究のメタ分析。choice overload効果の平均は0付近で、効果は文脈依存的に変動することを示した。 ↩︎ ↩︎2

  7. Decisions with ChatGPT: Reexamining choice overload in ChatGPT recommendations - Kim, J., Kim, J. H., Kim, C., & Park, J. (2023). Journal of Retailing and Consumer Services. 【信頼性: 中〜高】ChatGPT推薦下では多数オプションでも満足度が高いケースを報告。 ↩︎ ↩︎2

  8. The Magical Number 4 in Short-Term Memory: A Reconsideration of Mental Storage Capacity - Cowan, N. (2001). Behavioral and Brain Sciences, 24(1), 87-114. 【信頼性: 高】ワーキングメモリの実効容量を約4±1に修正したMillerの再評価論文。 ↩︎

  9. An Empirical Study of Obsolete Answers on Stack Overflow - Zhang, H., Wang, S., Chen, T.-H. P., Zou, Y., & Hassan, A. E. (2019). IEEE Transactions on Software Engineering. 【信頼性: 高】Stack Overflowの観測された obsolete 回答のうち58.4%が投稿時点で既に obsolete、更新されるのは20.5%のみ。 ↩︎

  10. Psychological Safety and Learning Behavior in Work Teams - Edmondson, A. (1999). Administrative Science Quarterly, 44(2), 350-383. 【信頼性: 高】1999年の論文だが、Project Aristotle (Google) を含む後続研究で繰り返し最重要因子として再確認されている。 ↩︎

  11. SECI model of knowledge dimensions - Nonaka, I. (1990s). 【信頼性: 中〜高】野中郁次郎の暗黙知・形式知の変換モデル。30年経過後もGenAI時代の知識マネジメント論で継続的に参照される（後述: GenAI SECI 拡張案など）。 ↩︎

AI・テクノロジー
プロンプトエンジニアリング 心理学 意思決定 choice overload AI活用
This post is licensed under CC BY 4.0 by the author.