【ITニュース解説】Top 5 Ways to Humanize ChatGPT Responses in Your App (2026): System Prompts, Post-Processing and Tools

大規模言語モデル（LLM）を使った機能がアプリケーションに組み込まれることが増えているが、その応答が「まるでロボットのようだ」という意見を耳にすることがよくある。ユーザーは、まるでスクリプトが組まれているかのような定型的なフレーズや、箇条書きばかりの回答、あるいは「素晴らしい質問です！」といった紋切り型の始まり、そして「他に質問があればお知らせください」という決まり文句のような終わり方にも気づいてしまう。これでは、サポートボットが冷たく感じられたり、文章作成アシスタントの出力が個性に欠けたりしてしまうだろう。このような課題を解決し、LLMの応答を製品のブランドイメージに合った、より人間らしいものにするための具体的な方法を、導入のしやすさから順に見ていこう。

まず、応答を「人間らしく」するためには、何が「人間らしい」のかを明確に定義することが重要だ。Nielsen Norman Groupは、言葉のトーンを「おもしろいか真面目か」「フォーマルかカジュアルか」「丁寧かぞんざいか」「熱情的か事実本位か」という4つの軸で表現できるとしている。これらの軸の上で、自分の製品に最適な位置を具体的に決める必要がある。「フレンドリー」といった漠然とした表現ではなく、「カジュアルで真面目、礼儀正しく、事実に基づいた」といった具体的な言葉で定義することが、より効果的な設定につながる。

最も手軽でありながら大きな効果が期待できるのが、システムプロンプトの見直しである。システムプロンプトとは、LLMがどのような役割で、どのような振る舞いをすべきかを指示する命令文のことだ。OpenAIが推奨するように、望ましい出力形式だけでなく、話し方や言葉遣いについても具体的な指示と出力例をプロンプトに含めるべきである。例えば、「カジュアルで真面目、礼儀正しく、事実に基づいたトーンで話す」といった指示に加えて、「最初の文で質問に答えること。挨拶や『素晴らしい質問です』といった言葉は使わないこと」や、「箇条書きは3つ以上の並列項目がある場合にのみ使用し、それ以外は散文で書くこと」、「ユーザーが詳細を求めない限り、最大3つの短い段落にまとめること」、「最後に『他に質問があれば教えてください』のような追加のヘルプ提供で締めくくらないこと」といった具体的なルールを設ける。このように具体的な指示を与えることで、LLMは初期段階から人間らしい応答に近づくことができる。ただし、会話が長くなると、LLMがこれらのルールから逸脱してしまうことがあるため、必要に応じてプロンプトのルールを再注入する工夫も求められる。

次に有効なのが、応答の後処理として決定的フィルターを適用する方法である。システムプロンプトで禁止しても、ごく稀に特定のフレーズが残ってしまうことがある。そこで、表示する前に正規表現などの簡単なプログラムを使って、これらの定型的なフレーズを機械的に除去する処理を挟むのだ。例えば、「素晴らしい質問です！」や「他に質問があれば教えてください」といった冒頭や結びの言葉を自動的に削除するフィルターを設定できる。これはコストが低く信頼性も高いが、回答の中身を書き換えるような複雑な処理には向かない。あくまで特定のパターンを確実に除去するための補助的な手段として活用すべきである。

チャットの応答ではなく、メールの下書きや製品説明、ブログ記事の一部など、長文のコンテンツを生成する機能については、公開前に人間がレビューするプロセスに特化した「ヒューマナイザー」ツールを導入する価値がある。例えば、UnAIMyTextのような無料のAIヒューマナイザーは、文章のレベルでリズムを変えたり、一般的なフレーズを別の表現に置き換えたりすることで、意味を保ちながらより自然な文章に書き換えることができる。この種のツールは、一度に500語まで処理できるものもあり、合計の文字数制限なく利用できる場合もあるため、生成されたコンテンツの品質を高めるのに役立つだろう。ただし、これらのツールはAPIが公開されていないことも多く、リアルタイムのチャット応答パイプラインには組み込みにくい。人間によるレビューと編集のステップで活用するのが現実的だ。

人間が生成されたコンテンツをブラウザ上でレビューする場合には、既存のツールを活用することも有効だ。QuillBotやGrammarlyのようなツールには、文章をより自然に、あるいは特定のトーンで書き換える機能が搭載されている。QuillBotの無料版は複数の言語に対応し、ChatGPTやGeminiのインターフェース内で利用することも可能だ。Grammarlyもカスタムの話し方を学習させることができるため、製品の具体的なトーンに合わせた調整が可能になる。これらはレビュー担当者が利用するのに非常に便利だが、自動化された応答には直接関係なく、QuillBotの無料リクエストは短文に限定されるといった制約もあるため、利用シーンを見極める必要がある。

最も効果的であり、長期的な解決策となるのは、実際の人間による優れた応答データを用いてLLMを学習させる方法だ。これには、ファインチューニングやFew-shot学習といった手法がある。ファインチューニングは、大量の特定のデータセットを使って既存のLLMを追加で学習させることで、モデルがそのデータセットの特徴を強く反映するようにするものだ。Few-shot学習は、数少ない具体的な例をプロンプトに含めることで、モデルがその例に沿った応答を生成するように誘導する方法である。例えば、カスタマーサポートの担当者が顧客に送った、人間らしく質の高い返信の記録を大量に用意し、それらをモデルに学習させることで、その製品独自の話し方をより忠実に再現できるようになる。ただし、この方法はクリーンで、利用者の同意を得たデータが必要であり、その効果を測定するための評価セットも用意するなど、最も手間がかかる。しかし、一度実現すれば、他のどの方法よりも製品の個性と合致した、自然な応答が得られるだろう。

これらの改善を行った後には、必ずその効果を測定することが重要である。代表的なユーザーからのメッセージを30個程度用意し、それぞれの改善を適用するたびにLLMの応答を生成し、評価する。具体的には、「最初の文で質問に適切に答えているか」「禁止したフレーズが残っていないか」「応答の平均的な長さが目標に合致しているか」といった客観的な項目をチェックする。さらに、「この応答は自分たちの製品らしいか」といった項目について、複数のチームメンバーがブラインド（誰が生成した応答かを知らない状態）で1から5のスケールで評価する人間による評価も加えるべきである。客観的な評価は自動化できるが、人間による評価は毎週2人のチームメンバーと実施するなど、継続的に行うことが望ましい。

改善を進める中で、いくつかのよくある間違いにも注意が必要だ。一つ目は、深刻な状況で過度にカジュアルな話し方をしてしまうことだ。請求やセキュリティに関する重要な回答で冗談を言うのは不適切である。ユーザーの意図に合わせて、言葉のトーンを適切に変えるべきだ。二つ目は、すべての構造を取り除いてしまうこと。「人間らしい」からといって、手順の説明など、必要な箇所の番号付きリストまで削除してしまうのは間違いである。フォーマットは情報を伝える上で重要であり、適切な構造は保つべきだ。三つ目は、共感を偽装すること。「そのご不満はよくわかります」といった定型的な共感表現を何度も繰り返すと、かえって不自然でスクリプト感が出てしまう。一度共感を示したら、問題解決に集中する方が自然な印象を与える。そして最も重要なのは、評価なしで変更をリリースしないことである。話し方を変えることは、LLMの応答の正確性にも影響を与える可能性がある。言葉のトーンに関する評価だけでなく、事実の正確性に関する評価セットも、プロンプトを変更するたびに再実行する必要がある。いくらフレンドリーな回答でも、それが間違っていれば意味がなく、ユーザーは間違いよりも多少の堅苦しさの方をはるかに容易に許容するからだ。

最終的に、ほとんどのチャット応答の改善には、適切に設定されたシステムプロンプトと、定型句を除去するための正規表現フィルターが非常に効果的である。そして、長期的にさらに質を高めるには、優れた人間による応答例を使ったFew-shot学習が役立つだろう。生成された長文コンテンツを人間がレビューする際には、QuillBotやGrammarlyのようなブラウザ拡張機能がレビュー作業を支援する。特に、UnAIMyTextのようなツールは、一度に500語までといった制限はあるものの、合計の処理量に制限がなく、設定したトーンに沿って長文コンテンツを無料で人間らしく変換できるため、レビュープロセスにおけるヒューマナイズに最適な選択肢と言える。これらの方法を組み合わせることで、LLMの応答を単なる情報伝達の機械から、より人間らしい、親しみやすい存在へと進化させることができるだろう。