複数のAIの答えが一致したら信頼してよいか—AIの多数決を税務の質問で試した記録

2026年7月に、実際に試してみました。6つすべてに、「暗号資産の分離課税はいつから使えますか」という同じ一文を投げています。使ったのは、GPT-5.5 Instant、Gemini 3.6 Flash、Grok 4.5、Perplexity、DeepSeek、Claude Sonnet 5です。

出てきた時期は、6つとも一致しました。5つは「2028年1月1日から」、Perplexityは「2028年1月ごろ」です。そしてこの時期は、見込みとしては正しいものです。つまり多数決を採れば、正しい答えが選ばれます。ここだけを見比べれば、答え合わせは成功しています。

先に、法令上の答えを確認しておきます。

では、6つの回答の中身を見ていきます。同じ日付にたどり着いていても、そこに至る道筋は同じではありませんでした。

▼ そもそも、問いに直接答えていないものがありました

Perplexityは、聞かれたことに自分の見解で答えるのではなく、「この質問をAIにすると、こういう答えが返ってくるでしょう」という形で書いています。示された時期も、自分の結論ではなく「そう解説する記事が多い」という伝聞です。

内容として誤っているわけではありません。しかし、答えを並べて数える前に、そもそも同じ問いに答えているか、そして同じ意味で受け取っているかを確かめる必要があります。

「同じ意味で問いを受け取っているか」という問題も、実際に起きました。Q3で見るように、「総合課税で申告した方がよい人は」と聞いたとき、あるAIは「申告のときに選べる制度」として受け取り、別のAIは「そもそも選べる制度ではない」と受け取っています。同じ一文でも、前提の受け取り方が違えば、答えは並べて比べられません。

▼ 最も注意を要するのは、Claude Sonnet 5です

Claude Sonnet 5は、金商法等改正法が「まだ未成立」だと述べています。実際には令和8年7月15日に成立し、同月23日に公布されています。前提となる事実を取り違えています。

ところが、そこから導いた結論は「2028年1月1日から適用される見通し」で、他と食い違いません。前提が誤っているのに、結論だけが合っているという形です。

ここが、この記事でいちばんお伝えしたいところです。6つの答えを見比べて「みんな2028年1月と言っている」と確かめたとき、確かめられたのは結論だけです。その結論を支えている事実認識が正しいかどうかは、答え合わせの対象になっていません。

なお、この質問でも税率の内訳に触れた回答がありましたが、そこにも共通の問題がありました。税率だけを正面から聞いた結果とあわせて、Q3で扱います。

同じ6つのAIに、別の質問もしてみました。「ビットコインは分離課税の対象ですか」です。

法令上の答えから確認します。分離課税が適用されるには、3つの要件をすべて満たす必要があります（租税特別措置法38条の2第1項）。①譲渡した暗号資産が特定暗号資産であること、②譲渡であること、③国内の暗号資産取引業者を通じた取引であること、です。

①の特定暗号資産は、その名称が金融商品取引業者登録簿に登録されている暗号資産を基本としつつ、財務省令で除外されるもの・追加されるものがあるという建て付けです。そしてその財務省令が、本稿執筆時点では制定されていません。

したがって、ビットコインが①を満たす見込みは高いものの、除外の余地が残ります。加えて、②と③を欠けば同じビットコインでも対象外です。「銘柄だけでは決まりません。現時点では確定していません」が正しい答えです。

今度は答えが割れました。断定したのが2つ、留保したのが4つです。多数決を採れば、正しい答え（留保）が選ばれます。多数決は、この問いでは正しく働きました。

▼ ところが、3つが揃って同じ誤りを含んでいました

Gemini・DeepSeek・Claude Sonnet 5の3つが、分離課税の対象となる取引に暗号資産ETFを挙げています。Claude Sonnet 5にいたっては「3類型に限られ」と、範囲を確定したかのように書いています。

しかし、これは正確ではありません。令和8年度税制改正大綱は、暗号資産ETFについて2つの措置を掲げていました。実際に法制化されたのは、償還金等に係る源泉徴収の特例だけです。もう一方の、株式等の範囲にETFの受益権を加えるという措置は、立法されていません。

したがって、個人が国内上場の暗号資産ETFの受益権を譲渡した場合にどう課税されるかについては、投資信託及び投資法人に関する法律の施行令等の整備で足りるのか、それとも新たな立法が必要なのかといった点を含め、具体的なことはまだ明らかになっていません。

「ETFも分離課税の対象です」と言い切れる状態ではない、ということです。

開発元の異なる3つのAIが、揃って同じところで踏み込んでいます。なお、残る3つが「ETFは対象外です」と答えたわけではありません。この論点に触れていないだけです。6つ全体でETFについて多数決を採ったわけではない、ということです。

それでも、複数のAIに共通する誤りは、回答を並べただけでは見えません。触れているものが揃って同じ方向に誤っていれば、見比べても気づけないからです。

Q1とQ2に共通するのは、次のことです。

なお、2つの質問を通じて最も正確だったのはGrok 4.5でした。ただし、これは2026年7月時点の、この2つの質問についての結果にすぎません。別の質問では別の順位になります。「このAIを信じればよい」という結論は出せません。

3つ目の質問です。「暗号資産分離課税の税率を教えて」と聞きました。

今度は、6つとも一致しました。合計20.315%、内訳は所得税15%・住民税5%・復興特別所得税0.315%。表現の差はありますが、中身は同じです。Claude Sonnet 5だけは「所得税・復興特別所得税15.315%＋住民税5%」とまとめて書いており、0.315%という数字を単独では出していませんが、指しているものは変わりません。

合計の20.315%は、正しい数字です。

しかし、内訳は正しくありません。

分離課税が実際に適用されるのは令和10年分以後の見込みです。その時点では、内訳に防衛特別所得税が入っています。「復興特別所得税0.315%」だけで説明するのは、分離課税の話としては正確ではありません。

この誤りは、6つすべてに共通していました。防衛特別所得税に触れた回答は、1つもありません。

なお、ここには実務上の含みがあります。合計だけを見て申告するなら、20.315%で計算して差し支えありません。しかし、源泉徴収や予定納税の内訳、あるいは復興特別所得税だけを論じる場面では、内訳の違いが効いてきます。「合計が合っているから正しい」とは限りません。

続けて「総合課税で申告した方がよい納税者はどういう人ですか」と聞くと、もう1つ気になる点が出ました。こちらは5つ（GPT-5.5 Instant、Gemini 3.6 Flash、Perplexity、DeepSeek、Claude Sonnet 5）の回答を確認しています。

GPT-5.5 Instantは「『総合課税』と『申告分離課税』のどちらが有利かを選べる制度ではありません」と、制度の建て付けを正しく述べたうえで「もし選択制だったと仮定すると」と条件を置いて答えました。Claude Sonnet 5は、本文では「どちらが有利かは限界税率が20.315%より低いかどうかで決まります」と選べる前提で書きながら、末尾で「選べる制度になるかどうかは今後の制度設計次第」と留保しています。1つの回答の中で揃っていません。

一方でPerplexityは、選べる前提のまま「課税所得がだいたい330万円以下なら総合課税が有利、430万円前後が分岐点」と、具体的な数字まで挙げました。Geminiも「選択可能な制度として導入された場合」と仮定を置きつつ、実質は選べる前提で書いています。DeepSeekは「総合課税と分離課税、どちらを選ぶかの判断基準」という見出しを立て、「総所得金額が695万円未満であれば総合課税、それを超えるなら分離課税を選んだ方が有利」と結論しました。

そのDeepSeekの回答には、さらに2つの問題があります。

この2つは、多数決では拾えません。他のAIは20万円の話に触れておらず、票が割れる形になっていないからです。1つのAIの中だけで完結している誤りは、何台並べても見つかりません。

そもそも、申告のときに課税方式を選ぶ制度ではありません。どの課税方式になるかは、譲渡のときの取引経路によって決まります。特定暗号資産を国内の暗号資産取引業者を通じて譲渡すれば分離課税、海外取引所やDEXで譲渡すれば総合課税です。

この点を正面から扱った回答は、ありませんでした。経路の話に触れたのはGeminiだけで、それも末尾の注意書きとしてです。

経路によって課税方式が分かれることの実務上の意味は、暗号資産の分離課税と総合課税はどちらが得か――経路選択による節税パターンで扱っています。

多くの場合、答えは3通りあります。2通りではありません。

Q1とQ2で正しかったのは、いずれも第三の型です。第三の答えが正しくなるのは、判断材料が一方向に揃っていない場面で、税務では次のような形で現れます。

▼ 制度が動いている途中

Q1とQ2がこれです。法律は成立・公布されているのに、施行期日を定める政令や、対象の範囲を定める財務省令が未制定である。肯定の材料（法律は成立している）と、留保すべき材料（下位法令がない）が同時にあります。

▼ 取扱いを示した資料が存在しない

暗号資産をレンディングに出したり、流動性プールに拠出したりした時点で課税されるのか。日本では、この点を正面から扱った確立した取扱いがありません。

▼ 前提の区分を誤りやすい

なお、肯定・否定・留保のいずれかを答える前に、質問の前提そのものを正さなければならない場合もあります。次がその例です。

法定通貨建てのステーブルコインは、資金決済法上の電子決済手段であって、暗号資産ではありません。したがって、暗号資産の分離課税の枠外にあります。「暗号資産の税金」という括りで問われたとき、そもそも前提の区分が違う、という答えが必要になります。

上がります。その感覚は、正しいものです。

ダブルチェック・トリプルチェックが有効なのは、それぞれの確認者が別々のところで誤るからです。一人が見落としても、別の一人が拾う。だから確認する人数を増やすほど、見落としは減る。この理屈は、AIについても、ある範囲までは成り立ちます。

Q6で詳しく見る実験でも、それは数字に出ています。正解が「裏づけられる」か「否定される」のどちらかに定まる問題100件について、AI1つの正答率が84.0%だったところ、3つのAIの多数決では95.0%へ上がりました。多数決は、実際に精度を上げています。

問題は、この理屈が成り立つ条件です。

多数決が拾えるのは、正解が1つに定まっている問いでの誤りです。「AとBのどちらか」という問いで、1つがAと誤り、2つがBと正しく答えれば、多数決はBを選びます。

では、正解が「AとBのどちらとも決められない」だったらどうなるでしょうか。

この場合、AとBに票が分かれ、「決められない」には票が1つだけ、ということが起こります。多数決を採れば、票が多いAかBのどちらかが選ばれます。「決められない」は、最も票が集まりにくい選択肢です。

これは、AIの性能が低いから起きることではありません。票を数えるという手続そのものの働き方です。

この研究チームも、論文の冒頭（同1頁）で、この点を議論の出発点として置いています。原文は、こう述べています。

これは、同チームが実験をして見つけたことではありません。多数決とはそもそもそういう決め方だという前提として、論文の冒頭に置かれています。原文もこの箇所に先行研究の文献番号を付しており、自分たちの実験結果としては書いていません。同チームの提案手法も、根拠がしっかりしている少数意見が、根拠の薄い多数意見を覆せるようにすることを狙ったものです（同2頁）。

同論文は、法のような専門的で資料の多い領域でAIが誤る理由として、知識の不足のほかに、「証拠と証拠の細かな違い」と「裏づけとなる証拠の使い方が一貫しないこと」の2つを挙げています（同1頁）。暗号資産の文脈に読み替えると、次のようになります。

• 資料と資料の細かな違いを取り違える—同論文が別の箇所で挙げている例（同8頁）が、この「細かな違い」をよく表しています。強盗罪をめぐる2つの資料で、一方は「物を取った直後に逃げる際に力を用いれば、窃盗が強盗になる」とし、もう一方は「強盗というには、物を得るために力が用いられている必要がある」とします。どちらも強盗の話ですが、力を用いる場面が違います。
  税務でいえば、金商法上の「特定暗号資産」（発行者がいる暗号資産）と、税制上の「特定暗号資産」（登録簿に登録された暗号資産）が、同じ言葉で別の意味をもつような場面です。
• 裏づけとなる資料の使い方が、回答の中で揃わない—自分で挙げた資料を、結論を出すときに使っていない、という状態です。Q3のDeepSeekがこれにあたります。課税所得が695万円未満の場合について、「所得税の税率は20%以下で、住民税10%を加えても合計30%以下」と自分で書きながら、「695万円未満なら総合課税が有利」と結論しました。合計30%は分離課税の20.315%より重いのですから、自分が挙げた数字を使えば、逆の結論になります。
  なお、同論文は、この2つを誤りの理由として挙げるだけで、それを説明するための例を示してはいません。強盗の例は同論文の別の箇所（同8頁。判定させる際のプロンプトの例）にあるもの、DeepSeekの例は本記事の実測です。どちらをこの2つに当てはめるかは、本記事の筆者の判断です。

どちらも「知識が足りない」せいではありません。知識はあるのに、その使い方でつまずいています。複数のAIが同じところでつまずけば、揃って同じ答えを返しますから、多数決では拾えません。

同論文が試験の場に法の分野を選んだ理由も、この記事の主題と重なります。法の分野をこう説明しています（同2頁）。

• 法的な判断は、結論を支えるために、別々の、しばしば互いに独立した証拠を集めることに依存している
• 数学の証明と違い、証拠は特定の順序に従う必要がない。そのため、複数の異なる推論の道筋から取り出せる
• 推論が重要な証拠を落とすと、法的な推論そのものが崩れうる

税務の照会も、同じ形をしています。条文・政令・通達・裁決例と、別々のところから集めた材料を並べて結論を出します。1つ落とせば、結論が変わりえます。

出典：Laura Wynter, Nirvik Sahoo & Paul Griffin, Quantum-Inspired Trace-Augmented Evidence Selection for Reasoning over Structured Hypothesis Spaces, arXiv:2606.06941v1 [cs.AI] (June 5, 2026)（査読前）, https://arxiv.org/abs/2606.06941

消え方が2通りあります。それを実際に数えた研究です。

▼ どういう実験か

扱っているのはファクトチェック、つまり「ある主張が、集めた資料によって裏づけられるかどうか」をAIに判定させる作業です。税務ではありませんが、やっていることは税務の照会とよく似ています。ある事柄について資料を集め、資料に照らして結論を出す、という作業です。

大事な点があります。この実験では、回答の形式をプロンプトで縛っています。「この4つの語のどれかで答えなさい」と指定し、決められた語以外は返せないようにしたうえで判定させる、という設計です（4つの語の定義は同§4.1、同一の様式で判定させる設計は同§4.6）。自由に文章を書かせているのではありません。

そして、この実験の眼目は、その選択肢に何を用意するかで結果がどう変わるかにあります。

用意された選択肢は、2通りです。

ここが分かりにくいところです。3択にも「資料が足りない」はあります。それなら、食い違っているときもそう答えられそうに思えます。

しかし、この2つは意味が違います。「資料が足りない」は、判断する材料が手元にないという意味です。「資料が食い違っている」は、材料はあるけれども、支持するものと否定するものの両方があるという意味です。論文の著者も、前者は不在を、後者は対立を指すと明確に区別しています（同§4.3）。

論文が挙げている実例で見ると、分かりやすくなります。

「資料が足りない」ではないことに注意してください。資料はあります。あるからこそ、一方だけを見て断定できてしまいます。この2つを混同すると、問題の所在を取り違えます。

なお、この区別が実際に働いていることは数字でも示されています。正解が「資料が足りない」だった30件では、AIは80%で「資料が足りない」を選び、「食い違っている」を選んだのは17%でした。逆に正解が「食い違っている」だった150件では、77%で「食い違っている」を選び、「資料が足りない」を選んだのは4%です（同§4.3）。2つは、AIにとっても別の状態です。

資料が揃っていて、しかも食い違っている。この状態を言い表す語が、3択にはありません。AIは決められた語しか返せませんから、「裏づけられる」か「否定される」のどちらかを選ぶことになります。論文の著者はこれを「構成上そうなる」と表現しています（同表3）。

▼ 対象と、判定に使われたAI

実験で判定させたのは、285個の主張です（総数と、食い違う150個は同§5.1。正解が1つに定まる100個は同表4のキャプション。資料が足りない30個は同§4.3）。1つの主張につき、資料をひと組ずつ与えて判定させます。このうち、正解が「資料が食い違っている」である主張が150個、正解が「裏づけられる／否定される」のどちらかに定まる主張が100個、正解が「資料が足りない」である主張が30個です。この3つを足しても285個には届きませんが、論文は残りの内訳を示していません。以下で使うのは、150個と100個の2つです。

判定に使われたAIは3つ。Claude Haiku 4.5、Claude Sonnet 4.5、GPT-4o-miniです（同§4.6）（Claude Sonnet 4.5は、Q1・Q2で使ったClaude Sonnet 5とは別のモデルです）。前の2つは同じ開発元（Anthropic）の別のモデル、最後の1つは別の開発元（OpenAI）のモデルです。モデルの種類も、開発元も分けた組み合わせであって、同じモデルを3回動かしたものではありません。（なお、同論文はこの3つを選んだ理由を述べていません。「種類も開発元も分けてある」というのは、本記事の筆者が組み合わせを見て述べたものです。）この点は後で効いてきます。

▼ 結果

以下の表は、同論文の表4を、本記事の言葉に置き換えて組み直したものです。パターンA〜Dは、それぞれ同表の Haiku 3-opt／Panel 3-opt (majority)／Panel + typed (majority)／Conflict-if-any panel の行にあたります（論文はこれらを L0・L0・L1・L2 と呼んでいます）。各行の成り立ちを説明した本文は、同§5.2および同§5.3です。

表の各列が何を指しているかを、先に定めます。

• 断定した割合：285個すべてのうち、「裏づけられる／否定される」のどちらかを選んだ割合です。留保せずに答えを出した割合、と読んでください。
• 食い違いと正しく判定できた割合：正解が「食い違っている」である150個のうち、実際に「食い違っている」と答えた件数の割合です。数えているのは、最終的にどの語を選んだかだけです。AIが説明の文中で対立に触れていたかどうかは、ここには入りません。
• 誤って断定した割合：同じ150個のうち、誤って「裏づけられる／否定される」を選んでしまった割合です。低いほどよい数値です。
• 正しく判定できた割合（正答率）：正解が1つに定まる100個のうち、正しく答えられた割合です。

パターンDの「1つでも食い違いと言えばそれを採る」は、多数決とは別のまとめ方です。3つのうち2つが「裏づけられる」と答えても、1つが「食い違っている」と答えたら、そちらを採用します。少数意見に拒否権を与える方式です。
括弧付きの数値は参考値です。「食い違っている」が選択肢に存在しない設定では、論文の定義上、この指標の測定対象外だからです（同表4の脚注）。

▼ 1　選択肢がなければ、断定するほかない

パターンAとBは3択です。「食い違っている」という語がそもそも与えられていません。したがって、食い違いと正しく判定できた割合は0.0%になります。150件のうち1件もありません。

ここは読み方に注意が要ります。この0.0%は、AIが食い違いに一度も気づかなかったことを示す数値ではありません。最終判定として選べる欄がなかったために、そう記録されようがなかった、という数値です。AIが説明の文中で対立に触れていた可能性は、この数値からは分かりません。

同時に、パターンBのいちばん右を見てください。正解が1つに定まる100個での正答率は、AI1つの84.0%から、3つの多数決で95.0%へ上がっています。Q5で述べた「多数決は効く」が、この数字です。

この2つが同じ行に並んでいることが、この記事のいちばんの要点です。よく当たっているように見えるしくみが、食い違う150件を1件も拾えていない。しかも利用者の目に入るのは、正答率が84.0%から95.0%へ上がったという事実のほうです。

税務に置き換えれば、計算問題や形式的な要件はよく当たるのに、解釈が分かれる論点になると気づかずに一方へ踏み込む、という挙動です。

▼ 2　選択肢を与えても、多数決が覆す

パターンCは4択です。「食い違っている」を選択肢に加えると、食い違いと正しく判定できた割合は77.3%まで上がります。答えの選択肢を用意するという工夫は、よく効きます。150件のうち誤って断定した事例は、28件まで減りました。

それでも28件は残ります。この28件のうち、3つのAIそれぞれがどう答えたかを個別に追える27件を1件ずつ調べると、次のように分かれました（同§5.3）（残る1件は、3つのAIのうち1つの回答がうまく読み取れず、票が3つ揃わなかったため、この内訳からは除かれています）。

前者の13件を、Q1の場面に重ねてみてください。3つのAIのうち1つが「政令が未制定なので確定していない」と答え、2つが「2028年1月1日から」と答える。多数決を採れば、正しい答えを出した1つが捨てられます。

この13件について、判定に使われたのがClaude Haiku 4.5・Claude Sonnet 4.5・GPT-4o-miniというモデルの種類も開発元も分けた3つだったことを思い出してください。「同じ系列のAIに聞くと同じ誤りを共有するから、開発元を分けて聞くべきだ」という助言はよく聞きますし、実際に有効です。しかしこの実験は、分けたうえでなお、多数決というまとめ方を使う限り、この失敗は残ることを示しています。

▼ 3　3つとも揃って誤ることもある

後者の14件では、多数決が少数意見を覆したのではありません。3つのAIが揃って誤っています。まとめ方を変えても直りません。

なお、この13件・14件はいずれも集計プログラムが多数決を採った場合の話です。記事前半のQ1からQ3は、筆者が答えを見比べた、人が採る多数決にあたります。誰が数えるかは違いますが、結論だけを数えているという点は同じです。

論文の著者はこれを判定を担うAIのあいだで共有された偏りと呼びます（同§5.3、および付録C）。

なお、この偏りは意図して作られたものではありません。3つのAIには同じ資料と同じ指示が与えられ、それぞれ別に判定させています。互いの答えを見せてもいません。それでも同じ方向へ寄りました。示し合わせなくても揃うというところが、この所見の意味です。

「誤り」ではなく「偏り」という語が使われているのには、理由があります。1件ごとの回答が誤りかどうかは、正解と照らせば分かります。しかし、食い違う事例が並んだときに、どのAIも同じ方向へ寄るという傾向のほうは、多数の事例を並べて初めて見えます。個々の判断の当否ではなく、判断が寄る向きを指しているため「偏り」です。

ここで、いったん場面が変わります。以下は、4択の27件についてではありません。3択の設定についての報告です。論文は、選択肢が3択しかない設定では、成績の悪化は多数派が少数意見を抑え込んだことよりも、むしろこの共有された偏りに支配されていた、と述べています。3択の設定では、食い違う事例のおよそ3分の2で、3つとも同じ方向へ投票していました（同§5.3）。先ほどの13件・14件とは、別の集計です。

税務でこの型が出やすいのは、もっともらしい要約に丸め込まれる場面です。この記事の前半で、実例を2つ見ています。

• Q2の暗号資産ETF—3つのAIが揃って「ETFも分離課税の対象」と述べました。その前提となる立法は行われていません。
• Q3の税率の内訳—6つのAIが「復興特別所得税0.315%」で一致しました。分離課税が適用される年の内訳ではありません。

どちらも、広く出回っている説明をそのまま返したものです。読みやすい要約に寄せる圧力が、どのモデルにも同じ方向に働きます。開発元を分けても、参照している解説記事が同じなら、同じところで止まります。

▼ 4　安全に寄せると、断定する割合が下がる

ここが実務でいちばん効いてきます。表の「断定した割合」の列を見ると、80.0%から39.6%へ、半分以下に下がっています。1つでも食い違いと言えばそれを採る方式（パターンD）では30.5%、正解が1つに定まる100個での正答率も78.0%から67.0%へ落ちます。

留保を尊重する設定は、無償ではありません。断定してくれる回数が減り、確実な場面での精度も落ちます。少なくともこの実験の範囲では、安全性と断定率を同時に最大にすることはできませんでした。論文の著者も、まとめ方の選択が単一の最適解を生むことはないと述べ（同§5.3）、その選択によって安全性と回答率のどちらをどれだけ諦めるかという交換が表に出るとしています。

▼ 5　AIの自信は当てにならない

この失敗は「AIがどれくらい自信を持っているか」でも見分けられません。

実験では、判定のたびにAI自身に確信度を0から1の数値で申告させています（割合ではなく、AIが付けた点数です）。外から測ったものではありません。自己申告です。その平均を比べると、食い違う事例に誤って踏み込んだ28件が0.902、正解が定まる事例で正しく答えた78件が0.933でした（同§5.4）。ほとんど差がありません。

理由は、先ほどのマスクの例に表れています。AIは「否定される」と判定し、高い確信度を申告しました。健康な人についての資料だけを見れば、その判定に迷う理由はないからです。確信度が測っているのは、AIが自分の出した答えをどれだけ強く支持しているか、それだけです。

一方、この事例で判定を止めるべき理由は、AIの内心ではなく資料の側にありました。主張の成否を左右する部分で、支持する資料と否定する資料が併存している。資料がどう並んでいるかは、AIがどれだけ自信を持っているかとは無関係です。論文の著者は、確信度と資料の状態はそれぞれ別のことを教えてくれる指標であり、一方から他方は分からない、と述べています（同§1）。

「自信たっぷりに答えているから大丈夫だろう」という見方は、この意味で成り立ちません。

出典：Haoran Xu, Cherry-pick Override: Unsafe Directional Commitment in LLM Judges under Mixed Evidence, arXiv:2606.07834v1 [cs.SE] (June 5, 2026)（単著・査読前）, https://arxiv.org/abs/2606.07834

ここまでの話は、複数のAIに別々に答えさせて、その答えを数えるやり方でした。答えを見せ合って議論させる、というやり方もあります。それを比べたのが、次の研究です。

Zhao et al. 2026は、複数のAIの組ませ方を4つに分けています（同3頁の定義、同17頁の実装）。

結果を先に申し上げます。組ませたほうが良くなる場合のほうが多数です。5つのモデルと6つの問題集を組み合わせた30通りの条件のうち、AI1つが最高精度を記録したのは13通り（30通りの43.3%）で、残りの17通りでは、組ませた構成のいずれかが最高でした（同5頁）。

「組ませたほうが良くなるかどうか」を、以下では協働構成の有効性と呼びます。（同論文はこれを MAS effectiveness と表現していますが、特別な用語として定義してはいません。日本語の呼び名は本記事のものです。）

そのうえで、実務に関わる所見が3つあります。

▼ 1　討議型でも、最後は多数決です

見落としやすい点があります。この研究の討議型では、3つのAIが互いの答えを見ながら議論を重ねますが、最終的な答えの決め方は多数決です（同17頁・付録B.2）。議論の後で、各AIが出した答えを数え、最も多いものを採ります。

議論させれば多数決から離れられる、というわけではありません。議論によって各AIの回答は更新されますが、最後の集め方は多数決のままです。その段になれば、Q6で見たことがそのまま当てはまります。

つまり、どちらの根拠が強いかを突き詰めて答えを決めているのではありません。議論を経たあとの答えを数え、多いほうを採っています。

▼ 2　1巡目でばらつくと、議論を重ねても立て直しにくい

論文は、組ませたことの効果が大部分は1巡目のやり取りで決まると述べ、2巡目以降の議論では、初期のずれから確実には立て直せないと結論しています（同8頁）。

ここは「確実には」という言い方が要点です。原文も「必ず立て直せるとは限らない」という趣旨で書かれており、どの組ませ方でも絶対に立て直せない、という意味ではありません。実際、後で見るハイブリッド型は、立て直せる側の例です。以下は、それ以外の組ませ方についての話とお読みください。

討議型についても同じです。論文は、討議型は早い段階で意見が揃うかどうかに強く依存すると述べ、最初の食い違いが大きいと、それが回を追うごとに大きくなって、まとまらなくなると報告しています（同7頁）。1巡目のばらつきの大きさは、討議型の失敗を最もよく予測する指標でした。

ただし、これには条件が付きます。早い段階で意見が揃った場合には、その後のやり取りの多さは有益に働きます。早く揃えて、それから広げる、という形です。逆にいえば、早い段階で揃わなかった場合、討議型は回を重ねても立て直せません。

なお、直列型と比べれば、討議型のほうが崩れにくいことは確かです。意見が双方向に行き来する分、立て直しの余地があります。一方向に渡していく直列型では、前のAIの誤りがそのまま次へ渡り、積み上がっていきます。ただしこれは直列型との比較においてであって、討議型なら立て直せる、という意味ではありません。

▼ 3　最も崩れにくいのは、討議型ではありません

論文が最も頑健だとしているのはハイブリッド型です（同7頁）。互いの答えを見せ合うだけでなく、まとめ役のAIからの指示も同時に受け取る形です。

この形でも、早い段階のばらつきが有害であることは変わりません。しかし、仲間からの指摘と、まとめ役からの指示という二重の手当てがあるため、早い段階で意見が揃わなかった場合でも、やり取りを重ねることで立て直せると報告されています（同7頁）。

討議型との違いは、ここにあります。討議型で2巡目以降の議論が効くのは、早い段階で意見が揃ったときに限られます。ハイブリッド型は、揃わなかったときにも立て直しがききます。

この見出しの問いへの答えは、次のようになります。

▼ 所見が消える条件があります

先ほどの「30通りのうち13通りではAI1つが最高だった」という数値には、明示された限界があります。

AIには、基本的な訓練を終えた段階のモデルと、そこからさらに強化学習という方式で追加訓練を施したモデルがあります。この論文が30通りの比較に使ったのは前者です。後者、つまり強化学習で追加訓練したモデルを使って同じ比較をしたところ、どの条件でも、組ませた構成のほうがAI1つより成績がよくなりました。AI1つが勝った条件は、1つもありません（同46頁・付録G）。

ただし、この追加の比較で使われたのは特定の1モデルです。強化学習で訓練したモデル一般について「単独では勝てない」と言えるわけではありません。

追加訓練の方式が変わるだけで、所見が消えます。30通りのうち13通りは、割合にすればおよそ4割です。しかし「AI1つで足りる場合が4割ある」と一般化することはできません。その4割は、標準的な訓練のモデルを使ったときの数字だからです。

出典：Yuxuan Zhao, Sijia Chen & Ningxin Su, When Does Multi-Agent Collaboration Help? An Entropy Perspective, arXiv:2602.04234v6 [cs.MA] (June 4, 2026)（査読前）, https://arxiv.org/abs/2602.04234

あります。この記事は多数決を否定するものではありません。

ここまでの研究のなかにも、多数決を擁護する材料が4つ含まれています。答えが1つに決まる問題では正答率が84.0%から95.0%へ上がったこと。複数のAIを組ませたほうが成績がよくなる条件のほうが多いこと（30通り中17通り）。多数決による悪化が別のデータセットでは再現しなかったこと。そして、誤りの本体が多数決ではなく共有された偏りである場合があること。

税務の問いに引き直すと、多数決が効く問いと効かない問いは、おおよそ次のように分かれます。

左の列に共通するのは、正解が1つに定まっていることです。答えは決まっており、AIが当てられるかどうかだけが問題になります。

右の列に共通するのは、正解が「まだ決まっていません」である場合を含むことです。

ここでは、確認の性質そのものが変わります。左の列なら「合っているか」を確かめれば済みますが、右の列ではどこまでが確定していて、どこからが未確定かを見極める作業になります。解釈が問題になる論点であれば、その解釈が条文の文言から出るのか、通達に書かれているだけなのか、下級審の判断にとどまるのか、最高裁が示したものなのか—支えている法源の強さまで踏み込むことになります。

5点あります。いずれも、ここまでに見た所見から導かれるものです。

▼ 1　留保を選べる形で問う

Q6の表が示すとおり、選択肢がなければ断定するほかありません。問い方を変えます。

▼ 実際に、この形で聞いてみました

Q1と同じ6つのAIに、今度はこう聞きました。「暗号資産の分離課税はいつから使えますか。確定していない場合は、何が未確定かを示してください」

結果は、はっきりしていました。6つとも「まだ確定していない」と答えました。Q1では「決定しています」と断定していたGemini 3.6 Flashも、今度は未確定であることを認めています。問い方を変えるという工夫は、確かに効きます。

問題は、その先でした。「何が未確定か」の中身が、割れたのです。

3つは「金商法改正がいつ成立・施行するかがまだ確定していない」と書いています。金商法等改正法は、すでに成立し、公布されています。未確定なのは、施行日を定める政令だけです。

つまり、「未確定である」という結論は6つとも合っていたのに、その理由は半数が誤っていました。Q1で見たことが、形を変えて繰り返されています。

研究の側でも同じことが確かめられています。選択肢を与えたうえでなお、3つのAIの答えを追える27件のうち13件では、正しく「食い違っている」と答えた1つのAIの判断を、多数決が覆していました。

▼ 2　一致した部分ではなく、割れた部分を見る

Q2がその例です。断定した2つと留保した4つに割れました。割れている箇所は、それぞれが別々に判断した結果として割れています。そこにこそ、確認すべき論点があります。

逆に、一致している箇所は、同じ資料を読んで同じところでつまずいた結果かもしれません。Q1の日付と、Q3の税率の内訳がそうでした。とくにQ3では、6つとも同じ答えを返し、6つとも同じ誤りを含んでいました。一致は安心の材料ではありません。確認のきっかけとして扱います。

その前提として、そもそも同じ問いに答えているかを確かめます。Q1のPerplexityは、「AIにその質問をすると……ことが起きます」「必要なら、その質問に対する自然なAIの回答例も作れます」と書いていました。自分の見解を述べる形になっていません。答えの中身を比べる前の作業です。

▼ 3　結論ではなく、根拠を読む

Q1でClaude Sonnet 5の誤りに気づけたのは、結論の日付ではありません。そこに至る説明を読んだからです。結論だけを見比べていれば、6対0の一致として通り過ぎていました。

読むべきは、根拠として挙げられた条文番号・法律名・成立日・公布日です。ここが揃っているかどうかは、結論の一致とは別に確かめられます。

▼ 4　多数決を採らず、一次資料に基づく留保が1つでも出たら断定を止める

Q6の表のパターンDが、この方式にあたります。3つのうち1つでも「確定していない」「争いがある」と述べたら、そこで結論を出さないという運用です。食い違いと正しく判定できた割合は77.3%から89.3%へ上がりました。

代償もあります。肯定・否定まで断定する割合は下がり、確実な場面での精度も落ちます。それでも、争いのある論点で気づかないまま一方へ踏み込まれるより望ましい、というのが本記事の筆者の判断です。これは論文の主張ではありません。税務の実務から出る判断です。

もっとも、実務でこれを機械的な規則にする必要はありません。どんな異論でも1つ出たら必ず止めるという運用にすると、根拠の薄い異論にまで作業が止められます。実務に合うのは、次の形です。

あわせて、聞く相手は開発元の異なるAIから選びます。ただしQ6で見たとおり、開発元を分けても多数決を使う限りこの失敗は残ります。開発元を分けることは、多数決を採らないことの代わりにはなりません。

そして、3つとも揃って誤る型には、多数決も止める規則も効きません。Q2のETFやQ3の税率の内訳がこれにあたります。この型に効くのは、AIを増やすことではありません。条文・議事録・官報といった一次資料に当たることです。数値・固有名詞・条文番号・法律名・主語は、AIの答えが揃っていても原典で確認します。

▼ 5　自分の数え方を点検する

ここまでは、AIの側の話でした。最後に、見比べている側の話をします。

冒頭で、多数決には「人が採る場合」と「プログラムが採る場合」があると書きました。票になるのは結論だけという点は共通しますが、それ以外は違います。

人のほうが有利な点が1つあります。プログラムは最終的な答えしか受け取りません。根拠を見ることは、構造上できません。人は回答の全文を見ています。Q1でClaude Sonnet 5の事実誤認に気づけたのは、そのためです。プログラムの多数決なら、この誤りは検出のしようがありません。

ただし、人には人の癖があります。しかもその癖は、いずれも一致を実際より強く見せる方向に働きます。

AIに税務相談をすること自体に潜むリスクについては、生成AI・AIチャットボットで税務相談をするリスクで扱っています。

Q9で「根拠として挙げられた条文番号・法律名を読む」と書きました。ここには、もう一段深い問題があります。

AIは、法律と通達を、同じように信頼できるものとして示します。

「所得税法○条により」と「国税庁の質疑応答事例によれば」が、同じ回答の中に、同じ重みで並びます。どちらも「根拠」として出てきて、どちらがどれだけ強いかは示されません。

▼ この2つは、法的な性質がまったく違います

通達に従って申告することが悪いわけではありません。実務では、通達に従った処理が広く行われています。最高裁も、課税庁の見解が通達で示されている場合に納税者がそれに従うことを、申告納税制度の下で通常のこととして扱っています。

問題は、区別が意識されなくなることです。

▼ 「法律にはそう書いていない」と言えなくなる

通達が法律ではないことには、実際的な意味があります。通達の内容が法律の解釈として誤っていれば、争うことができます。裁判所は通達に拘束されないからです。

しかしAIが、法律と通達を同じように信頼できるものとして示せば、受け取る側は、そこに争う余地があるとは思いません。通達が、事実上の法律として通用します。課税要件を法律で定めるという建前が、形だけになるということです。

▼ ただし、税理士の側にはジレンマがあります

「法律から読めないなら従わなくてよい」と言い切れれば、話は簡単です。しかし実際には、そう単純にいきません。

通達その他の行政解釈が納税者に有利な内容である場合、裁判所もこれを認めたり、そもそも争点として取り上げなかったりする傾向があります。課税庁が納税者に有利な取扱いを公表しているとき、それを争う者がいないからです。

そこで、国税庁が法律から離れたところで納税者に有利な取扱いを示している場合に、税理士が独自の判断で「これは法律からは読めないので従うべきではない」としたとします。すると、次のことが起こります。

つまり、これは税理士の姿勢だけで解決できる問題ではありません。法律と行政解釈がずれており、しかも通達等が、法的拘束力を持たないにもかかわらず、事実上、納税者や税理士の判断や行動を拘束している—この状況が、実務の側に負担を押し付けています。「法律に忠実であれ」という要請と、「公表された取扱いに従うのが納税者の利益になる」という現実とが、正面からぶつかります。

このジレンマ自体は、AIがなくても存在してきたものです。AIが加えるのは、その手前の段階です。

板挟みに気づくには、まず「この取扱いは法律からは読めない」と分かる必要があります。ところがAIが法律と通達を同じように信頼できるものとして示せば、気づく機会そのものが減ります。ジレンマに直面していることにさえ気づかないまま、公表された取扱いに従うことになります。

もともと解決困難な問題が、区別が見えなくなることで、その存在さえ認識されないまま処理されていく。そういう関係にあります。

▼ もう1つの問題—出所の見えない行政の見解

国税庁がFAQを公表すれば、それは検索にかかり、AIの回答として繰り返し再生産されます。納税者は、それを「国税庁の見解」としてではなく、「AIが言っていること」として受け取ります。

FAQの公表それ自体は、特定の納税者に向けた行政指導ではありません。しかし、AIを通じて個別の質問への答えとして返されるとき、その働きは行政指導に近づきます。

行政指導であれば、歯止めがあります。行政手続法は、行政指導が相手方の任意の協力によってのみ実現されること、従わないことを理由に不利益な取扱いをしてはならないことを定めています（行政手続法32条）。その前提として、相手方が「これは行政の見解である」と分かっていることが要ります。

AIを通した場合、その前提が欠けます。誰が言っているのかも、法律なのか行政の解釈なのかも見えないまま、内容だけが伝わります。それが行政の見解であると気づかないまま受け入れることになり、従うかどうかを自分で判断しにくくなります。

▼ 背景は1つではありません

誤解のないように書いておくと、国税庁がAIを運用しているわけではありません。ここで起きていることの背景には、いくつもの前提が重なっています。

誰か一人が悪いという話ではなく、この3つが重なったところに問題が生じています。根は深いところにあります。

▼ 逆向きの動きもあります

ここまでは、行政の見解が法律のように広まる方向の話でした。逆の方向も起こりえます。

国税庁の公式見解が出ていない論点では、AIは何を参照するでしょうか。税理士のブログや解説記事です。そこで示された実務的な見解が、AIの回答として繰り返し返されます。

納税者がそれに従って申告し、税理士がそれに従って助言し、国税職員までもがそれを参照するようになれば、その見解は事実上の先例として働きはじめます。行政先例、あるいは会計慣行に近いものです。

法人税であれば、さらに進む余地があります。法人税法22条4項は、収益や費用の額を「一般に公正妥当と認められる会計処理の基準」に従って計算するものと定めています。AIを通じて広まった取扱いが、多くの企業や専門家に継続して採用され、会計実務として定着すれば、この規定を通じて税務上の意味をもちうるということです。ネット上で広く読まれているというだけで、法規範になるわけではありません。定着という段階を経る必要があります。

しかし、危うさも同じところにあります。広く流通しているというだけでは、法的な正しさの根拠になりません。租税法律主義から離れたまま、事実上の多数決で税務の取扱いが決まっていくなら、それは正統性を欠いた決め方です。声の大きさが基準になれば、この記事が扱ってきた多数決の問題が、より大きな規模で繰り返されることになります。

ここで、税理士法1条を思い出す必要があります。税理士の使命は、「租税に関する法令に規定された納税義務の適正な実現を図ること」と定められています。AIの時代になっても、この条文は変わっていません。租税法令から離れた解釈を、税理士が先導してよいことにはなりません。

▼ 実務として何をするか

• AIが挙げた根拠が、法律なのか、政令・省令なのか、通達なのか、質疑応答事例やFAQなのかを分けて確認する
• 通達やFAQであれば、その内容が法律のどの文言から出るのかを確かめる。出てこなければ、それは行政の解釈にすぎない
• 争う余地があるかどうかは、そこで初めて判断できる
• 公式の見解がない論点で、「実務ではこう扱われています」という答えが返ってきたときは、それが誰の見解なのか、どこから来たのかを確かめる。広く行われていることと、法令から出ることは別です

Q9で述べたことの延長です。結論ではなく根拠を読む。そのうえで、その根拠がどの高さのものかまで見る。

ここまでは、AIの答えをどう扱うかという技術の話でした。最後に、その先にある問題を書いておきます。

生成AIで申告や税務の検討ができるようになると、こういう考え方が広がりやすくなります。

Q3を思い出してください。6つのAIが「20.315%」で一致し、合計としては正しかった。結論だけを見るなら、それで終わりです。しかし内訳は、分離課税が適用される年の姿になっていませんでした。結論が合っていることと、制度を理解していることは別です。

日本の所得税は、納税者が自分で所得と税額を計算して申告する申告納税制度を採っています。これは、納税者が制度の中身をある程度理解していることを前提にした仕組みです。どの所得区分に当たるのか、どの特例が使えるのか、なぜその税率なのか。これらを自分で判断するからこそ、税の負担のあり方について意見を持つこともできます。

結論だけを受け取る習慣が広がると、この前提が痩せていきます。税額は出てくるが、なぜその額なのかを誰も説明できない、という状態です。そうなると、制度が変わっても気づけません。負担が重くなっても、根拠を検討できません。

税は、国民が代表を通じて決めるものです。決め方に関与するには、中身が分かっている必要があります。結論だけを受け取る姿勢が広がれば、税制の中身を自分で検討できる納税者が減っていきます。税制をめぐる議論の土台が、その分だけ弱くなります。

この記事が「根拠を読んでください」と繰り返してきたのは、誤りを防ぐためだけではありません。ここにつながっているからです。

この記事で見てきたことは、そのまま裏返せば次のことでもあります。

「AIで税理士の仕事はなくなるのか」という問いには、しばしば具体的な数字が添えられて語られます。その数字が何を指しているのか、そして税理士の仕事のどの部分が置き換わり、どの部分が残るのかについては、税理士の仕事はAIでなくなるのか？――「92.5%」の真実と、税法研究者が考えるAI時代の税理士像で改めて論じています。

AIが税務の計算を代わりにやってくれる時代に、税理士が担うのは、正解を出すことよりも、その結論がどこまで確かなのかを見極め、納税者が自分で判断できる状態を保つことだと考えています。

関連する論点は、次の記事でも扱っています。

• 税理士の仕事はAIでなくなるのか？――「92.5%」の真実と、税法研究者が考えるAI時代の税理士像—本節の問いを正面から扱った記事
• ChatGPTが「税理士の代わりにはなれない」と答えた4つの理由—AI自身が挙げた理由を、税法研究の側から検討したもの
• 生成AI・AIチャットボットで税務相談をするリスク—AIに税務相談をすること自体に潜む危うさ
• 税務AIに必要なのは「正しく答える力」ではなく「間違って進めない構造」である—作る側から見た設計の問題
• 税理士のAI利用に関する豪州TPB・英国PCRTの倫理ガイダンス—税理士がAIを使う際に、どこまでを自らの責任として引き受けるべきか
• 税理士事務所と会計ソフトのAI活用最前線—実務の現場でAIがどこまで使われているか