さまざまな分野で語られる「コンテキスト」という概念を、定義から観点別の整理、システムの設計原則まで、できるだけ分かりやすく、ひとつにまとめました。
AIをめぐる競争の主戦場が、変わりつつあります。
この数年、AIの進化は「モデルの賢さ」で語られてきました。より大きなモデル、より高いベンチマークスコア。しかし主要なAIモデルの基礎性能が軒並み高い水準に達した今、同じ質問を投げれば、どのモデルもおおむね良い答えを返します。それでも、実際にAIを使ったサービスの体験には、大きな差が生まれています。
差を分けているのは、モデルの賢さではありません。AIが「相手の状況」をどれだけ知っているか——つまり、コンテキスト（文脈）です。
人間に置き換えると分かりやすくなります。「おすすめの商品はありますか?」と聞かれたとき、相手が誰かをまったく知らない店員は、一番人気の商品を挙げるくらいしかできません。一方、その人が先週何を買ったか、今日は何を眺めていたか、贈り物を探している様子かを知っている店員は、まったく違う答えを返せます。知識の差ではなく、文脈の差です。
AIも同じです。どれほど賢いモデルでも、目の前の相手について何も知らなければ、「誰にでも当てはまる答え」しか出せません。逆に、適切な文脈さえ与えられれば、標準的なモデルでも驚くほど的確な応答ができます。AIの価値を決める変数が、モデルからコンテキストへ移りつつある——これが本ページの出発点です。
このページでは、さまざまな分野で使われる「コンテキスト」という概念を、資料として引ける形で整理します。頭から通読しても、必要な章だけ拾い読みしても読めるよう構成しています。用語だけ確認したい方は、第8章の用語集をご覧ください。
コンテキスト（context）の語源は、ラテン語の contexere（コンテクセレ）——「共に織る」という動詞です。con（共に）+ texere（織る）。テキスト（text）が「織られたもの＝文章」を指すのに対し、コンテキストはテキストと共に織り込まれている背景を指します。文章の意味は、その文章単体ではなく、共に織られた背景と合わせてはじめて決まる。語源そのものが、この概念の本質を言い当てています。
辞書的には、コンテキストは「文脈」「前後関係」「状況」と訳されます。もう少し踏み込むと、次のように定義できます。
ポイントは「解釈や判断を左右する」という部分です。単に周辺にある情報ではなく、それが変わると意味や最適な行動が変わる情報——それがコンテキストです。
本ページでは、実務で扱いやすいよう、コンテキストを次のように定義します。
たとえば顧客対応であれば、「誰に声をかけるべきか」「何を伝えるべきか」「いつが最適か」——これらの判断はすべて、相手の状況・背景を知ってはじめて可能になります。これは顧客対応に限りません。営業なら「どの案件に、いつ、どんな提案を持っていくか」、学習支援なら「どの学習者に、どのタイミングで、どんなヒントを出すか」。分野が変わっても、判断の質が文脈の質に規定される構造は同じです。コンテキストを持つことは、判断の精度を上げることと同義です。
コンテキストを理解するうえで最も重要なのが、「データ」との区別です。
データをいくら積み上げても、自動的にコンテキストにはなりません。この「データから文脈への飛躍」をどう埋めるかが、後の章の主題になります。
「コンテキスト」は分野ごとに異なる顔を持ちます。本章では5つの観点から整理します。各観点は「その分野での意味 → 具体例 → 得られる示唆」の順で記述します。
意味: 言語学において、発話の意味は言葉そのものだけでは決まらず、文脈が決定するとされます。同じ言葉でも、誰が・いつ・どんな関係性の中で発したかによって、意味は正反対にもなります。
例: 「いいね」という一言は、賞賛にも、皮肉にも、気のない相槌にもなります。受け手は言葉に加えて、口調・表情・関係性・直前のやりとりといった文脈を総動員して意味を解釈しています。
また、文化人類学者エドワード・ホールは、コミュニケーションが文脈にどれだけ依存するかで文化を分類しました。日本語圏は「言わなくても察する」ことを前提とするハイコンテクスト文化の代表とされ、多くを明示的な言葉に頼るローコンテクスト文化と対比されます。
示唆: 意味は言葉の中ではなく、言葉と文脈の間に生まれる。この原理は人間同士に限りません。機械が人に何かを伝えるときも、文脈を外した言葉は「読まれない・刺さらない・誤解される」のです。
意味: 計算機科学では、コンテキストは「処理を正しく実行・再開するために必要な状態情報」を指します。CPUがタスクを切り替える際に実行状態を保存・復元する処理は「コンテキストスイッチ」と呼ばれます。
例: 1990年代以降には「コンテキストアウェアコンピューティング（context-aware computing）」という研究分野が生まれました。位置・時間・周囲の状況をシステムが認識し、振る舞いを変える——夜間はサイレントモードに切り替わるスマートフォン、現在地に応じて情報を出すナビゲーションなどは、その実用化です。
示唆: システムにおけるコンテキストとは、「同じ入力でも、状況に応じて異なる最適な出力を返す」ための状態情報です。文脈を持たないシステムは、いつ誰が使っても同じ反応しかできません。
意味: 大規模言語モデル（LLM）の世界では、コンテキストは極めて技術的な意味を持ちます。モデルが一度に読める入力の範囲は「コンテキストウィンドウ」と呼ばれ、その中に与えられた情報だけを手がかりに、モデルは応答を生成します。例示を与えるだけでモデルが振る舞いを学ぶ「In-Context Learning」も、この仕組みの上に成り立っています。
例: 近年は「プロンプトエンジニアリング（指示の書き方の工夫）」から、「コンテキストエンジニアリング（モデルに与える情報・状況全体の設計）」へと関心の重心が移っています。どう頼むかより、何を知らせるか。関連情報を検索してモデルに与えるRAG（検索拡張生成）も、この流れに位置づけられます。
示唆: LLMの出力品質は、近似的に「モデルの能力 × 与えられた文脈の質」で決まります。モデルの能力が均質化していく中で、差別化の余地はコンテキストの側に大きく残されています。
意味: マーケティングにおける文脈とは、顧客一人ひとりの「いまの状況・心理」です。属性による分類（セグメント）が「その人がどんな人か」を捉えるのに対し、文脈は「その人がいま、どんな状態にあるか」を捉えます。
例: 同じ30代・女性・既存顧客というセグメントに属する2人でも、一方は「お気に入りの商品の買い足し時期」、もう一方は「前回の商品に不満があり離れかけている」かもしれません。セグメント配信では2人に同じメールが届きますが、文脈対応では届くべきメッセージがまったく異なります。
示唆: 「One to Oneマーケティング」が長年理想とされながら実現しづらかったのは、一人ひとりの文脈を読む作業が、人手では現実的に不可能だったからです。この制約が、技術によって崩れはじめています。
意味: 「文脈を読む」「コンテキストを共有する」という表現が示すとおり、組織における文脈とは、判断の前提となる背景情報の共有状態を指します。
例: 同じ「この案件、どう思う?」という質問でも、経緯・関係者・過去の意思決定を知るメンバーと、知らないメンバーでは、答えの質がまったく違います。優れた意思決定者ほど、判断の前に文脈の収集に時間を使います。リモートワークの普及以降、「文脈の共有」が組織設計の論点として扱われるようになったのも、この構造ゆえです。
示唆: 文脈は、判断の質を決めるインフラです。人間の組織であれ、AIシステムであれ、「判断する主体に、どれだけ質の高い文脈を供給できるか」が成果を左右します。
分野は違っても、貫いている構造は同じです。
そしてどの分野でも、文脈を「持てるかどうか」が、性能・体験・成果の分水嶺になっています。
LLMは、人類がこれまで書いてきた膨大なテキストから学習しています。歴史も、科学も、マーケティングの教科書も知っています。その意味で、LLMは「一般知識の巨人」です。
しかし、LLMが構造的に知らないことがあります。目の前の相手のことです。
あなたのストアの顧客が先週何を買ったか。今日どのページを何分眺めたか。カートに入れたまま3日迷っているのが何か。——これらは世界のどこにも書かれていない、その場・その人固有の情報であり、学習データには決して含まれません。
「賢いのに、気が利かない」。多くの人がAIに抱くこの感覚の正体は、能力の不足ではなく、文脈の不在です。
この欠落は、「指示の工夫」では埋まりません。ここで、混同されやすい2つの概念を区別しておきます。
同じプロンプトでも、文脈の有無で出力は別物になります。文脈なしのAIが書けるのは「誰に送っても成立する（＝誰にも刺さらない）メール」であり、文脈ありのAIは「その人のためのメール」を書けます。指示をどれだけ磨いても、文脈の欠落は補えません。
文脈を持たないAI・システムの失敗には、パターンがあります。
いずれも、モデルを賢くしても解決しません。解決策は、AIに文脈を供給する仕組みの側にあります。
もうひとつ、この数年で新しく生まれつつある論点に触れておきます。AIエージェント——人の指示を受けて、検索・比較・予約・購買までを代理で実行するAI——の広がりです。商取引の領域では、AIが人に代わって買い物をする「エージェンティックコマース」という言葉も使われはじめています。
ここまで本章で扱ってきた文脈は、「サービス提供者が、顧客を理解する」ための一方向のものでした。エージェントの時代には、逆方向の文脈が重要になります。自分たちの情報を、AIが理解できる文脈として語れているか、です。
AIエージェントが商品やサービスを探しに来たとき、エージェントが読み取るのは、そのサービスの理念・商品情報・価格・評判といったデータです。それらが機械に解釈できる形で整っていなければ、どれほど良い商品も、エージェントの比較の土俵に上がれません。人に選ばれるための接客と同じように、AIに選ばれるための文脈整備が、新しい競争条件になりつつあります。
つまりコンテキストは、「相手を理解するための文脈」と「自分を理解してもらうための文脈」という双方向のインフラへと役割を広げています。どちらの方向でも、問われることは同じです——データの断片を、判断に使える文脈へどう組み上げるか。次章の主題です。
第4章の結論を一歩進めます。「AIに文脈を与えればよい」——では、その文脈はどこにあるのでしょうか。
答えは、どこにもありません。存在するのは、購買記録・閲覧ログ・顧客属性といったデータの断片だけです。「この顧客は離れかけている」という文脈は、データベースのどこを探しても書かれていません。断片をつなぎ、意味を読み取り、確からしさを見積もって、はじめて文脈は立ち上がります。
つまり、コンテキストは「ある」ものではなく、「つくる」ものです。この転換が、本ページで最も重要な主張です。
データの断片から文脈を組み立てるプロセスは、一般化すると5つの段階で描けます。
このプロセスは、従来の「if-thenルール」（例: 30日購入がなければクーポン送付）とは根本的に異なります。ルールは一度書いたら固定され、状況の変化に追従しません。一方、上記の流れで生成される文脈は、新しいデータと反応のたびに組み立て直される動的なものです。人の状態が刻々と変わる以上、それを写し取る文脈も動的でなければならない——これが文脈を「つくる」アプローチの核心です。
ECサイトでは、カートに商品を入れた人の多くが、購入せずに離脱するといわれます。文脈を持たないシステムにできるのは、全員に同じリマインドメールを送ることだけです。
文脈をつくるアプローチでは、同じ「カゴ落ち」の裏にある違いが見えてきます。
「カゴ落ち」という同じ現象が、文脈によって3つの異なる状況に分解され、それぞれ最適な打ち手が変わる。これが文脈対応の具体的な姿です。ベテランの店員が売り場で自然にやってきた「お客様を見て、対応を変える」ことの、データによる再現ともいえます。
この構造は、ECに限りません。
「データの断片から状況を読み、対応を変える」という同じ技術思想が、分野を問わず機能します。文脈生成は特定業界のテクニックではなく、あらゆる対人サービスの基盤技術になりうるものです。
概念の整理から、設計の話へ進みます。文脈を扱うシステムを構築・選定する際に確認すべき原則を、7つにまとめます。それぞれ「原則 → なぜ必要か → 欠けたとき何が起きるか」の順で記述します。
なぜ: 文脈は複数の断片の組み合わせから立ち上がります。購買履歴だけ、アクセスログだけでは、その人の状況は一面しか見えません。属性・行動・履歴・状況という異なる性質のデータが統合されてはじめて、解釈に耐える文脈になります。
欠けると: 「よく買う人＝優良顧客」のような一面的な推定に陥ります。実際には不満を溜めながら惰性で買っている顧客を「ロイヤル」と誤認する、といった判断ミスが構造的に発生します。
なぜ: 人の状態は刻々と変わります。「いま迷っている」人への最適な対応は、明日には最適ではなくなっているかもしれません。文脈の生成と利用は、状態の変化に追従できる速度で行われる必要があります。
欠けると: 夜間バッチで昨日の状態に基づいて配信されるメールは、「昨日の心理」への応答です。購入済みの商品を勧める、離脱済みの顧客に通常案内を送る、といったズレが常態化します。
なぜ: if-then型の静的ルールは、書かれた時点の想定に固定されます。現実の状況はルールの想定を超えて多様で、変化し続けます。文脈は、その時点のデータから都度組み立て直される動的なものであるべきです。
欠けると: ルールの網目からこぼれる顧客が対応されないまま放置され、例外が増えるたびにルールを追加する保守地獄に陥ります。ルールの数が増えるほど、矛盾と抜け漏れも増えていきます。
なぜ: 文脈は推定であり、推定には必ず不確かさが伴います。「離反しかけている（確度高）」と「離反しかけているかもしれない（確度低）」は、取るべき対応が違います。文脈の各要素が信頼度を持つことで、確度に応じた対応の強弱が設計できます。
欠けると: 低確度の推定に基づく過剰な対応——たとえば誤った離反判定による唐突な引き止めクーポン——が顧客体験を損ないます。すべての推定が同じ重みで扱われるシステムは、間違いにも全力で間違い続けます。
なぜ: 同じ人物でも、通知・FAQ応答・レコメンドでは、必要な文脈の要素も分量も異なります。ひとつの固定的な「顧客プロファイル」を使い回すのではなく、出力の目的に応じて文脈を再構成できる設計が必要です。
欠けると: どの接点でも同じ切り口の対応になり、「問い合わせへの回答にまで売り込みが混ざる」ような、目的と手段のミスマッチが発生します。
なぜ: どれほど精緻に組み立てても、文脈は仮説にすぎません。仮説は相手の実際の反応によってのみ検証できます。反応データが意味づけと評価に還流し、外れた推定が自動で補正される学習構造を持つこと——これが文脈の精度を維持する唯一の方法です。
欠けると: 初期設定の精度が永遠に上限になります。顧客の変化・季節・トレンドに従って推定はゆっくりと現実からずれていき、しかもそのずれに誰も気づけません。
なぜ: 文脈化とは、個人への深い理解にほかなりません。だからこそ、データの取得根拠と利用目的の透明性、本人の同意、そして「なぜこの推定に至ったか」を説明できる設計が、機能要件と同じ重さで求められます。文脈技術への信頼は、この原則の上にしか築けません。
欠けると: 技術的に正しくても、社会的に受け入れられないシステムになります。「便利」と「不気味」の境界線は、能力ではなく透明性が決めます。
外部からの直リンクを想定し、各用語にアンカーIDを付与します。カテゴリ順に掲載します。
LLMが一度の処理で読み取れる入力の範囲。モデルはこの範囲内に与えられた情報だけを手がかりに応答を生成するため、「何をウィンドウに入れるか」が出力品質を左右する。
モデルのパラメータを更新することなく、入力内の例示や指示だけからタスクの解き方を汲み取るLLMの性質。文脈がモデルの振る舞いを規定することを示す代表的な現象。
AIへの指示文の設計技術。「どう頼むか」の工夫であり、「何を知らせるか」を扱うコンテキストエンジニアリングとは焦点が異なる。
AIに与える情報・状況の全体を設計する技術・考え方。指示文だけでなく、参照情報・履歴・ツール・データをどう選び、どう構成してモデルに供給するかを扱う。プロンプトエンジニアリングの発展形として関心が高まっている。
外部の知識源から関連情報を検索し、モデルの入力に加えて応答を生成する手法。モデルが学習していない情報を文脈として供給する代表的なアーキテクチャ。
人の指示や目的を受けて、検索・比較・予約・購買などの一連のタスクを自律的に実行するAIシステム。単発の応答ではなく連続した判断を行うため、各判断の質は与えられる文脈の質に強く依存する。
AIエージェントが人に代わって商品・サービスの探索や購買を行う商取引の形態。売り手側には、人向けの接客に加えて「AIに理解・選択されるための情報整備」という新しい課題が生じる。
AIモデル・エージェントが外部のデータやツールに接続するためのオープンな標準規格。名称のとおり、外部の情報をモデルの文脈として受け渡す仕組みであり、エージェントと各種サービスをつなぐ共通言語として普及が進む。
システムが位置・時間・状況などの文脈を認識し、振る舞いを変える性質。1990年代のユビキタスコンピューティング研究に起源を持つ。
データから導かれた、状態を表す意味のラベル（例:「頻繁な訪問者」「価格に敏感」）。生データと文脈の中間に位置し、文脈を組み立てる際の構成要素となる。
タグなどの文脈要素に、当てはまりの強さを数値として与えること。文脈の構成要素に優先順位を付け、機械的に扱える形にする。
出力への実際の反応を回収し、推定や評価の補正に還流させる循環構造。文脈の精度を維持・向上させるための必須要素。
顧客一人ひとりに合わせて内容・体験を変えること。文脈の質が、パーソナライズの質を決める。
属性や行動の類似性で顧客を群に分けること。「どんな人か」を捉える手法であり、「いまどんな状態か」を捉える文脈対応とは補完関係にある。
一人ひとりに最適化されたマーケティングの理想形。概念の提唱から長らく、実行コストの壁で実現が難しかった領域。
同じ対象でも、置かれた文脈によって知覚や評価が変わる現象を指す心理学・行動経済学の用語。同じ価格でも並び順で印象が変わる、などが典型例。
コミュニケーションが文脈にどの程度依存するかによる文化の分類（エドワード・ホール）。日本語圏は「察する」ことを前提とするハイコンテクスト文化の代表とされる。
プロンプトはAIへの「指示（何をしてほしいか）」、コンテキストはAIに知らせる「状況（相手や場面がどうなっているか）」です。同じ指示でも、与える文脈によって出力の質は大きく変わります。詳しくは第4章をご覧ください。
AIに与える情報・状況の全体を設計する考え方です。指示文の書き方（プロンプトエンジニアリング）にとどまらず、どんなデータ・履歴・参照情報を、どう構成してAIに供給するかを扱います。
AIは一般知識を豊富に持つ一方、「目の前の相手の状況」を構造的に知らないためです。文脈が与えられないAIは、誰にでも当てはまる（＝誰にも刺さらない）応答しかできません。
データの断片から、判断に使える文脈を組み立てるプロセスです。収集→意味づけ→評価→組み立て→再評価という流れで、静的なルールではなく、状況に応じて都度更新される動的な文脈をつくります。詳しくは第5章をご覧ください。
AIエージェントが人に代わって探索・購買を行う時代には、「顧客を理解するための文脈」に加えて、「自分たちの情報をAIに理解してもらうための文脈」が重要になります。商品・価格・評判などを機械が解釈できる形に整えることが、エージェントに選ばれるための条件になりつつあります。詳しくは第4章をご覧ください。
本ページで解説した「文脈をつくる」プロセスと7つの設計原則を、PrepXが実装した技術基盤がPrep Context Engineです。詳細はテクノロジーページおよび資料をご覧ください。