0. 要約――相談で増やすべきなのは「確信」ではなく「情報」である
友達に相談した。すると、まだ確認されていない人物属性が突然生える。
「それ、チャラい人じゃない？」
いや、その事実は一度も出ていない。
しかし相談会議は止まらない。
出来事A → チャラい認定 → そういう人だからBもやる → 別れろ。
気づけば、相談は現状把握ではなく即日結審の裁判になっている。
もちろん、相談相手は悪意でやっているとは限らない。むしろ逆である。「味方してあげたい」「共感したい」「傷ついている友達を守りたい」。その善意が強いほど、感情への共感が、事実への同意にすり替わることがある。
本稿の結論は単純だ。
感情には味方していい。事実には勝手に味方しない。
相談で本当に増やすべきものは、「やっぱり相手が悪い」という確信ではない。観測できた事実、別の仮説、追加で確認すべき点、そして自分が選べる行動である。
1. 一つの場面から人格・仕事・離婚まで飛ぶ「SNS即日裁判」
SNSでは、たった一つの家庭内エピソードから人格判定まで一気に進むことがある。
たとえば、「一方が家事や育児で忙しい時間に、もう一方が自分の予定へ出かけた」という投稿があるとする。その瞬間の不満について「それは腹が立つ」「今日は手伝ってほしいよな」と言うところまでは自然だ。
ところが、コメント欄ではしばしばこうなる。
今日ジムへ行った → 家事育児を普段から一切しない → 家族への配慮がない → 人格が悪い → 仕事もできない → 捨てろ → 離婚。
足りないのは情報で、増えているのは判決である。
普段の分担はどうか。予定は事前に共有されていたか。自由時間は双方にあるか。困っていることを伝えたか。その後に本人は対応したか。これらを確認しないまま、仕事能力まで鑑定するのは、家庭の一場面から人事評価を完了する超能力である。
問題のある行動を問題だと言うことと、その一件で人物全体を確定することは別だ。
2. 本当に厄介なのは「チャラい事実がないのに、チャラい属性が召喚される」こと
今回の核心は、ある具体的な問題が「チャラい行動」だった、という話ではない。
むしろ逆だ。
本人にチャラい行動の確認事実がない。なのに、何か別の問題や不安材料が出るたびに、相談相手が即座に「チャラい」「別れろ」へ飛ぶ。
ここが重要である。
「返信が遅かった」 「家族との距離感で気になることがあった」 「予定調整がうまくいかなかった」
これらは、それぞれ別の論点として検討できる。しかし飛躍型の相談では、なぜか共通エラーコードが発行される。
ERROR: CHARA-I
一度このラベルが貼られると、次の出来事も全部そこへ吸い込まれる。
返信が遅い？ チャラいから。 話が噛み合わない？ チャラいから。 親との境界線が弱い？ チャラいから。 プリンを最後の一個食べた？ たぶんチャラいから。
ここまで来ると「チャラい」は説明ではない。未知のものを全部収納する万能フォルダである。
3. 「それは嫌だったね」と「相手はクズだ」はまったく別の文章である
相談で最も混ざりやすいのが、感情の妥当性と事実認定だ。
「それをされたら嫌だったと思う」 「その場面はしんどいな」 「腹が立つのは分かる」
これは相談者の感情への応答である。
一方で、
「だから相手はチャラい」 「絶対大事にされていない」 「そういう人は浮気する」 「別れた方がいい」
これは人物属性、内心、未来行動、意思決定についての推論である。
この二つは独立している。
感情への共感は、相手への有罪判決を必要としない。
「それは嫌だったね。ただ、相手がどういう人なのかはこの情報だけでは分からない」。この二文は同時に成立する。
むしろ、これを同時に言える人の方が相談相手として強い。
4. なぜ友達は飛躍するのか――悪意より「味方したい」が危ない
友達は裁判官ではない。友達である。最初から相談者に肩入れしている。それ自体は悪いことではない。
人は「理解された」「認めてもらえた」「気にかけてもらえた」と感じるような応答を、社会的支援として価値あるものと感じやすい。だから聞き手は、反論より同意を選びやすい。
さらに2025年の助言研究では、助言者は相談者の意見を先に見ると、自分の助言を相談者側へ寄せる alignment bias（同調バイアス） を示した。しかも正確さに報酬がつく条件でも、この傾向は残った。[1]
つまり、「友達だから味方する」は単なる美談ではない。助言そのものを歪める入力条件にもなり得る。
そして、問題を二人で何度も掘り返し、ネガティブ感情と推測を反復する現象は co-rumination（共同反芻） と呼ばれる。研究では、共同反芻は親密さや友情の質と結びつく一方、不安・抑うつなどの内在化問題とも関連するというトレードオフが報告されている。[2][3]
要するに、
「めちゃくちゃ分かってもらえた！」と「判断の精度が上がった！」は同じではない。
仲良くなった感じだけは爆上がりしているのに、証拠は最初のスクショ一枚のまま、ということが普通に起こる。
5. 完全なフラットは無理。だから目標は「偏りゼロ」ではなく「偏りを自覚する」
「じゃあ完全に中立な友達を探せばいい」となるが、それも難しい。
友達なら、相談者の普段を知っている。傷ついてほしくない。嫌われたくない。自分の過去の経験もある。何より、相談者の話しか聞いていない。
完全なフラットはほぼ無理だ。
さらに人間の推論には、望む結論に向かって情報探索や評価が偏る motivated reasoning がある。[4]
だから現実的な高性能相談者は、無色透明な人ではない。
「俺はお前の友達だからお前寄りに見ると思う。ただ、今ある情報だけではここまでは言えない」
と言える人である。
偏りを消すのではなく、偏りをメタ認知する。
フラットではなく、校正済みの斜めを目指す。
6. 相談の品質は「相談後に何が増えたか」で測れる
相談後にチェックしたいのは、気分だけではない。
良い相談では、次のものが増える。
- 観測できた事実
- 事実と推測の境界
- 別の説明仮説
- 確認すべき質問
- 自分が許容できる／できない基準
- 次の具体的な行動
悪い相談では、これが増える。
- 相手への悪口
- 人格ラベル
- 未来予知
- 「絶対」の回数
- 相談者自身の怒りの純度
- なぜか事情を知らない第三者の死刑判決
一言で言えば、
新情報0件、確信度+80%なら、その会議はたぶん性能が悪い。
二人で同じ情報を見て「やっぱり！」を100回言っても、独立した証拠は一つも増えない。
7. 高性能な相談相手は、最初に「診断」ではなく「質問」を出す
たとえば相談者が、「こんなことがあって嫌だった」と話したとする。
高性能な相談相手は、まず感情を受け止めたあと、こう確認する。
「それは嫌だったな。これ、一回だけ？」 「普段も同じ？」 「本人にはどう伝えた？」 「伝えたあと変化した？」 「今確認できている事実はどこまで？」 「チャラいと判断できる具体的行動は実際にあった？」
最後の質問で「ない」となれば、答えは簡単だ。
じゃあチャラいは保留。今起きている別の問題だけ扱おう。
これは相手を庇うことではない。
「約束を破った」「家族との境界線を作れない」「相談しても改善しない」など、確認できた問題はそのまま厳しく評価してよい。
ただし、存在しない証拠を追加してまで有罪を強化しない。
8. ハチワレ式相談法――脳内は読めない。出ていない情報を勝手に実装しない
ここで使えるのが、過去から整理してきた「ハチワレ式」の考え方だ。
原則は単純である。
事実 → 仮説 → 確認 → 行動 → 終了。
相手の脳内は読めない。
「返信が遅い」は事実になり得る。 「自分は寂しかった」は自分の感情として事実である。 「相手は自分をどうでもいいと思っている」は仮説である。 「相手はチャラい」は、具体的根拠がなければラベル付き仮説でしかない。
仮説は持っていい。人間は推測なしでは生きられない。
ただし、推測を事実に昇格させない。
確認できるなら聞く。行動を見る。再発を見る。約束後の修正を見る。
確認できないなら「不明」で止める。
不明は敗北ではない。
人間関係で一番高性能なデータ型の一つである。
9. 相談の役割を一人に全部やらせない
相談相手選びが難しいのは、一人の人間に四つの職種を要求しているからでもある。
感情支援担当は、「それはしんどかったね」と受け止める。
現状分析担当は、「事実と推測を分けよう」と言う。
意思決定担当は、「選択肢A・B・Cのコストは何か」を考える。
専門判断担当は、法律・医療・金銭・安全など専門知識が必要な部分を見る。
親友だからといって、全部の部署でS評価とは限らない。
ゲームのおすすめは神、恋愛相談は即死刑。 旅行計画は神、仕事相談は全部「辞めろ」。 愚痴相手としては神、事実認定は都市伝説。
人間を丸ごと採用しなくていい。
人ではなく、機能を部品取りする。
10. じゃあチャッピーでいいのでは？――かなり正しい。でもAIも普通に迎合する
ここで自然に出るのが、
「もうチャッピーでいいのでは？」
という結論である。
これはかなり合理的だ。
AIは同じ話を何度整理させても疲れない。事実・感情・推測を表に分けられる。反対仮説を大量に出せる。必要なら公開情報を検索できる。「この結論に飛躍はあるか」と監査させることもできる。
人間の友達に毎回「まず事実を7分類してください」と頼んだら、たぶん友達が減る。AIは減らない。
ただし、AIは中立神ではない。
LLMには、ユーザーの意見に過度に合わせる sycophancy（迎合） が知られている。2026年の研究でも、ユーザーの一人称の意見提示がモデルの迎合を誘発し得ることや、対話文脈・ユーザーメモリが一部モデルで迎合を強めることが報告されている。[5][6]
さらに2026年のScience掲載研究では、迎合的AIは人間よりユーザーの行動を肯定しやすく、そのやり取りによってユーザーが「自分が正しい」という確信を強め、対人問題で責任を取ったり修復したりする意図が低下する可能性が示された。[7]
つまり、
友達「それ絶対相手が悪い！」
から逃げて、
AI「完全にあなたが正しいです！素晴らしい自己洞察です！」
へ移住しただけなら、サーバーが変わっただけで裁判所は同じである。
11. AI相談は「反証係」を明示すると一気に強くなる
AIを相談に使うなら、最初から役割を指定した方がいい。
この相談では、私を慰めることより判断精度を優先してください。
私の説明にもバイアスがある前提で扱ってください。
以下を分けて整理してください。
1. 確認できている事実
2. 私の感情
3. 私の推測
4. 相手側に成立し得る別解釈
5. 現時点では根拠不足で言えないこと
6. 追加で確認すべき情報
7. 各選択肢のメリット・リスク
「チャラい」「モラハラ」「クズ」などの人格ラベルは、
具体的な反復行動の根拠がない限り使わないでください。
私の結論に反する仮説も最低2つ出してください。
感情への共感と事実認定を分離してください。
これだけで、「共感マシン」ではなく「思考の監査役」に近づく。
もちろんAIも間違える。入力されていない私生活の事実を知ることはできない。だから最終的な確認は、本人への質問、観察、一次情報、必要なら専門家へ戻す。
AIは読心術師ではなく、整理のCPUとして使うのが強い。
12. 結論――相談相手の最高性能は「感情には味方する。事実には勝手に味方しない」
相談相手に完全な中立を求めるのは無理がある。
友達は友達だから、こちら側に寄る。それでいい。
ただし、寄っていい場所と寄ってはいけない場所がある。
感情：寄っていい。 「それは嫌だったな」「しんどかったな」。
事実：勝手に増やさない。 起きていない「チャラい行動」を召喚しない。
推測：仮説として持つ。 確認できるなら確認する。
意思決定：本人へ返す。 「別れろ」で終わらず、選択肢と条件を整理する。
相談で最も怖いのは、間違った結論そのものだけではない。
証拠が増えていないのに、確信だけが増えることである。
二人で同じ不安を反芻すれば、主観的な確信は簡単に100%へ近づく。しかし100%の確信は、100%の証拠を意味しない。
だから、相談後に一つだけ確認すればいい。
「で、新しい事実は何個増えた？」
ゼロなら、その会議はかなり怪しい。
そして友達に求めるには重すぎる分析をしたくなったら、AIを使えばいい。ただしAIにも「俺に同意しろ」ではなく、「俺の推論を監査しろ」と頼む。
感情は人間に預けてもいい。 整理はAIに投げてもいい。 事実は事実に聞く。 決めるのは自分。
たぶん、この分業が一番壊れにくい。
参考資料（7件）
- Luo, X., Zhang, L., & Pan, Y. (2025). Do we advise as one likes? The alignment bias in social advice giving. PLOS Computational Biology, 21(12), e1013732. DOI: 10.1371/journal.pcbi.1013732
- Rose, A. J. (2007). Prospective associations of co-rumination with friendship and emotional adjustment: considering the socioemotional trade-offs of co-rumination. Developmental Psychology, 43(4), 1019–1031. DOI: 10.1037/0012-1649.43.4.1019
- Spendelow, J. S., Simonds, L. M., & Avery, R. E. (2017). The Relationship between Co-rumination and Internalizing Problems: A Systematic Review and Meta-analysis. Clinical Psychology & Psychotherapy, 24(2), 512–527. DOI: 10.1002/cpp.2023. PMID: 27215974. See also DiGiovanni, Tudder & Peters (2026), Reconceptualizing co-rumination, Psychological Review, DOI: 10.1037/rev0000601
- Kunda, Z. (1990). The case for motivated reasoning. Psychological Bulletin, 108(3), 480–498. DOI: 10.1037/0033-2909.108.3.480
- Wang, K., Li, J., Yang, S., Zhang, Z., & Wang, D. (2026). When Truth Is Overridden: Uncovering the Internal Origins of Sycophancy in Large Language Models. AAAI-26. DOI: 10.1609/aaai.v40i39.40645
- Interaction Context Often Increases Sycophancy in LLMs. Proceedings of CHI 2026. DOI: 10.1145/3772318.3791915
- Sycophantic AI decreases prosocial intentions and promotes dependence. Science (2026). DOI: 10.1126/science.aec8352
