AI制約を解決する — 現時点で実際に使えるアプローチ
AIの4つの根本的制約に対して、「今、何ができるのか」を整理する。
このページの位置づけ
01-vision（WHY — なぜブレない参照先が必要か）
→ 02-reference-sources（WHAT — 何を参照先とするか）
→ 03-architecture（HOW — どう構成するか）
→ 04-ai-design-patterns（WHICH — どのパターンをいつ選ぶか）
→ 本ページ（REALITY — 各制約にどこまで対処できるか）
本ページは、AIの制約を「欠陥」ではなく 「性質」として扱い 、何が解決可能で何が解決不可能かの 境界線を引く 章である。
メタ情報
| この章で固定するもの | 知識制約と制度的制約の区別、検証ループの構造、限定された自律性の原則 |
| 扱わないこと | 制約の「完全な解決」。本章は境界線を引くものであり、万能な解決策を提示しない |
| 依存 | 01-vision（4制約の定義）、04-ai-design-patterns（パターンの整理） |
| 誤用ポイント | 「MCP を導入すれば制約が解消する」という過度な期待。制度的制約（権威性・責任性）は技術だけでは解決できない |
このドキュメントについて
01-vision と 02-reference-sources では、AIの4つの根本的制約（正確性・最新性・権威性・責任性）を問題として定義した。04-ai-design-patterns では、RAGやMCPなどの設計パターンを整理した。
本ドキュメントでは、それらの制約に対して現時点で実際に使える解決アプローチを整理する。完璧な解決策は存在しないが、各制約の性質を理解し、適切なアプローチを組み合わせることで、実用的なレベルまでリスクを低減できる。
このドキュメントが解決しないこと
本ドキュメントは以下を約束しない。誤解を避けるために明記する。
| 本ドキュメントが示すこと | 本ドキュメントが保証しないこと | 代わりに提供するもの |
|---|---|---|
| 各制約の解決可能性の境界 | すべてのAI制約が技術で解消できること | 制約ごとの現実的な対処戦略 |
| MCP/RAG等による軽減アプローチ | ハルシネーションの完全排除 | 検証ワークフロー + 不確実性の明示 |
| 責任性確保のための技術基盤 | 法的・倫理的責任問題の解決 | 監査証跡・トレーサビリティの設計指針 |
4つの制約と解決可能性の概観
まず全体像を把握する。4つの制約は、その性質によって解決の可能性が大きく異なる。
| 制約 | 解決可能性 | 理由 |
|---|---|---|
| 最新性 | ◎ ほぼ解決可能 | Web検索やMCP経由のリアルタイムアクセスで対処できる |
| 正確性 | △ 軽減可能、完全排除は不可 | LLMの確率的生成という本質的性質から、原理的に完全排除はできない |
| 権威性 | △ 軽減可能、完全解決は不可 | AIの出力はあくまで「一つの解釈」であり、公式見解にはなり得ない |
| 責任性 | ✗ 技術だけでは解決不可 | 法的・倫理的な制度設計の領域であり、技術はその基盤を提供するのみ |
制約のカテゴリと対処戦略
4つの制約は、大きく2つのカテゴリに分類できる。
| カテゴリ | 制約 | 性質 | 対処戦略 |
|---|---|---|---|
| 知識の制約 | 最新性、正確性 | LLMの学習・生成プロセスに起因 | 外部知識の注入 + 検証ワークフロー |
| 制度の制約 | 権威性、責任性 | 情報の社会的位置づけに起因 | 技術基盤の整備 + 人間の判断 |
知識の制約は技術で軽減できるが、制度の制約は技術だけでは解決できない。この区別が設計判断の出発点となる。
Architecture 3層モデルと4制約の対応
03-architecture の3層モデル（Agent / Skills / MCP）が、各制約にどう寄与するかを整理する。
MCP Layerはすべての制約に部分的に寄与する。特に最新性・正確性・権威性に対しては、構造化された外部アクセスという直接的な解決手段を提供する。
検証ループ — 確率的推論と決定論的検証の分離
AIの制約を軽減する上で中核となるのが、確率的推論（LLMの生成）と決定論的検証（ツールによる照合）を分離する設計である。
限定された自律性
このプロジェクトのエージェントは「何でも自律的に判断する」ことを目指さない。エージェントの自律性は検証可能な範囲に限定される。検証できない判断については人間にエスカレーションする設計とする（責任シフトモデル参照）。
最新性の解決 — 最も手段が明確な制約
1.1 問題の本質
LLMの知識は学習データの時点で固定される（詳細: 02-reference-sources 1.2.2）。しかし、この制約に対しては外部情報源への接続という明確な解決手段がある。
1.2 解決アプローチ
Web検索による最新情報取得
最も手軽な手段。Claude等のAIアシスタントは、組み込みのWeb検索機能でリアルタイム情報を取得できる。
| 利点 | 制約 |
|---|---|
| 追加コストなし | 検索結果の信頼性は保証されない |
| すぐに利用可能 | 情報の構造化が不十分 |
| 幅広い情報源をカバー | ノイズが多い |
MCP経由のリアルタイムアクセス
権威ある情報源に構造化された方法で直接アクセスする。このプロジェクトが推進するアプローチ。
rfcxml-mcp → IETFの最新RFCを直接取得
hourei-mcp → e-Gov APIから最新法令を取得
w3c-mcp → W3C/WHATWGの最新仕様を取得| 利点 | 制約 |
|---|---|
| 権威あるソースから直接取得 | MCPサーバーの開発・保守が必要 |
| 構造化されたデータ | 対象ドメインごとにMCPが必要 |
| 検証可能な出典 | すべての情報源をカバーできない |
RAGインデックスの定期更新
組織内のドキュメントについては、RAGインデックスを定期的に更新することで最新性を確保できる。
1.3 実現度の評価
最新性は4つの制約の中で最も解決手段が明確であり、適切なツールを組み合わせることで実用レベルで解決可能である。残る課題は「すべての情報源をリアルタイムでカバーすることの現実的な困難さ」であり、これは運用上の問題として対処可能。
正確性の軽減 — 完全排除は原理的に不可能
2.1 問題の本質
ハルシネーション（事実と異なる情報の生成）は、LLMが「正しい」のではなく「もっともらしい」出力を確率的に生成するという本質的な性質に起因する（詳細: 02-reference-sources 1.2.1）。
これは「バグ」ではなく「仕様」であり、完全に排除することは原理的に不可能である。
2.2 軽減アプローチ
外部知識の注入（MCP / RAG）
AIに正確な情報源を提供することで、ハルシネーションの発生頻度を低減する。
MCPの効果:
質問: 「RFC 6455のステータスコード1006の意味は？」
MCP なし → AIが学習データから「もっともらしい」回答を生成（誤る可能性）
MCP あり → rfcxml-mcp が原文を取得 → 正確な回答が可能
→ ハルシネーションの発生率が大幅に低下ただし、MCPで取得したデータの解釈においてハルシネーションが発生する可能性は残る。
生成結果の検証（多段階チェック）
AIの出力を別の手段で検証するワークフロー。
このプロジェクトのrfcxml-mcpの validate_statement() は、まさにこの用途のために設計されている。
不確実性の明示
AIが自身の回答に確信を持てない場合、それを明示する仕組み。
確信度の段階:
✅ 確認済み: MCP/原典で検証できた情報
⚠️ 推定: 学習データに基づくが、原典で未検証
❓ 不確実: 情報が見つからない、または矛盾がある人間によるレビュー
最終的な品質保証として、人間によるレビュープロセスを設ける。特に重要な判断（法的判断、セキュリティ要件等）では不可欠。
2.3 実現度の評価
正確性の完全な保証は原理的に不可能だが、上記のアプローチを組み合わせることで、実用上のリスクを大幅に低減できる。重要なのは「AIの出力をそのまま信じない」文化と、検証可能なワークフローの構築である。
権威性の確保 — 完全解決ではなくリスク管理
3.1 問題の本質
AIの出力は「一つの解釈」であり、公式な見解ではない（詳細: 02-reference-sources 1.2.3）。RFC、法令、標準仕様の「正式な解釈」を提供できるのは、その策定主体（IETF、立法機関等）のみである。
この制約は、AIの性質というよりも情報の権威性の本質に起因するため、技術だけでは完全に解決できない。
3.2 対応アプローチ
原典への直接アクセス
MCPを通じて一次情報源に直接アクセスし、AIの解釈ではなく原文を提示する。
AIの出力を権威づけるのではなく、
原典そのものを提示し、人間が判断できるようにする。
例:
AI: 「RFC 6455 Section 7.4.1 の原文は以下の通りです」
↓ 原文を提示
人間: 「なるほど、この場合はこう解釈すべきだ」
↓ 人間が判断出典の明示
すべてのAI出力に、参照した情報源のセクション番号まで明示する。これにより人間が独立して検証できる。
出力テンプレートの詳細は 02-reference-sources 第4章 を参照。
人間レビューのワークフロー
権威性が求められる判断（法的判断、仕様解釈等）では、AIの出力を下書き・参考情報として扱い、最終判断を人間が行うワークフローを構築する。
AIの役割: 情報の収集・整理・候補の提示
人間の役割: 最終的な判断・承認
→ AIは「万能な回答者」ではなく「優秀なリサーチアシスタント」多角的な検証
複数のMCPを使って、異なる角度から情報を検証する。
3.3 実現度の評価
権威性を「完全に解決する」のではなく、リスク管理として対処する姿勢が重要。AIは権威ある情報源へのアクセスを効率化するが、権威そのものを代替することはできない。
責任性の確保 — 技術と制度設計の交差点
4.1 問題の本質
AIの出力には説明責任（Accountability）の主体がない（詳細: 02-reference-sources 1.2.4）。これは技術的な問題というよりも、法的・倫理的な問題である。
4.2 技術が提供できる基盤
技術だけでは責任性を完全に解決できないが、責任性を支える基盤を提供できる。
監査証跡の確保（Audit Trail）
AIがどのデータを参照し、どのような処理を経て出力を生成したかの記録。
記録すべき情報:
- いつ: タイムスタンプ
- 何を: 参照したデータソース（MCP呼び出しログ）
- どう: 処理の過程（プロンプト、ツール呼び出しの連鎖）
- 何を出力したか: 最終出力トレーサビリティ
AIの出力から、参照した原典まで遡れること。MCPが提供する構造化された出典情報がこれを可能にする。
AIの出力: 「ステータスコード1006はClose frameに含めてはなりません」
↓ トレース
参照: rfcxml-mcp → get_requirements(6455, section="7.4.1")
↓ トレース
原典: RFC 6455, Section 7.4.1, MUST NOT requirement
↓ 検証
人間が原典を直接確認可能ここでこそ、オープンソースMCPの透明性が価値を持つ。MCPサーバーのソースコードが公開されていれば、「データがどのように取得・加工されているか」をコードレベルで検証できる。プロプライエタリなパイプラインではこの検証が不可能であり、トレーサビリティの連鎖が途切れる。
データ完全性の保証
MCPが外部サービスから取得したデータが、改竄されていないことを保証する仕組み。将来的には以下のような技術の導入が必要になる。
| 技術 | 目的 | 標準 |
|---|---|---|
| タイムスタンプ | データの存在時刻を証明 | RFC 3161 |
| HTTPメッセージ署名 | 通信の真正性を保証 | RFC 9421 |
| 電子署名 | データの非改竄を証明 | 電子署名法 / eIDAS |
現時点でMCPプロトコルにこのような仕組みは組み込まれていないが、MCPが外部サービスへの接続を担う以上、接続経路と取得データの完全性保証は避けて通れない将来的課題である。
ガバナンス体制の構築
技術の範疇を超えるが、AIの出力に対する責任体制を組織的に整備する必要がある。
誰が: AIの出力を最終承認するか
何に基づいて: どのガイドラインで判断するか
どう記録するか: 承認プロセスの証跡をどう残すか
問題発生時に: 誰がどのように対応するか4.3 実現度の評価
責任性は技術を超えた制度設計の領域である。技術（監査証跡、トレーサビリティ、データ完全性）はその基盤を提供するが、最終的には法的枠組み・組織体制・業界標準の整備が必要。
現時点で個人や小チームができることは、技術的な基盤をできる限り整備し、将来の制度設計に備えることである。このプロジェクトのMCPアプローチ（オープンソース、出典明示、構造化アクセス）は、まさにその基盤を構築している。
4つのアプローチの全体像
5.1 まとめ表
| 制約 | 解決可能性 | 主な手段 | このプロジェクトの対応 |
|---|---|---|---|
| 最新性 | ◎ ほぼ解決可能 | Web検索、MCP、RAG更新 | rfcxml-mcp等でリアルタイム取得 |
| 正確性 | △ 軽減可能 | MCP/RAG注入、検証、不確実性明示 | validate_statement()、出典明示 |
| 権威性 | △ リスク管理 | 原典アクセス、出典明示、人間レビュー | MCP経由の一次情報源アクセス |
| 責任性 | ✗ 制度設計が必要 | 監査証跡、トレーサビリティ、署名 | オープンソースMCPによる透明性 |
5.2 各アプローチと解決策のマッピング
5.3 重要な認識
AIの制約を「すべて技術で解決する」ことはできない。完全に解消するわけではないことを前提に、各制約の性質に応じた戦略を選択する。
| 制約 | 戦略 | 姿勢 |
|---|---|---|
| 最新性 | 技術でほぼ解決できる | 解決 |
| 正確性 | 技術で軽減し、残存リスクを受容する | 軽減 + 受容 |
| 権威性 | 技術でリスクを管理し、人間が最終判断する | リスク管理 |
| 責任性 | 技術は基盤を提供し、制度設計に委ねる | 基盤構築 |
重要なのは「完全な解決」を目指すことではなく、各制約の性質を理解し、適切なアプローチを選択すること。
このプロジェクトのMCPアプローチは、4つすべての制約に対して部分的に寄与する。特に「ブレない参照先」を通じた正確性・最新性・権威性の向上と、オープンソースの透明性を通じた責任性の基盤構築が、現時点で実現可能な最善のアプローチである。
関連ドキュメント
- 01-vision — AIの限界の定義と「ブレない参照先」の必要性（WHY）
- 02-reference-sources — 5つの特性による参照先の体系（WHAT）
- 03-architecture — MCP/Skills/Agentの構成論（HOW）
- 04-ai-design-patterns — RAG/MCP等の設計パターン比較（WHICH）
- mcp/what-is-mcp — MCPの詳細
- 07-doctrine-and-intent — ドクトリン層：制約・目的・判断基準