構造化出力:AIにスキーマを埋めさせる
JSONスキーマで自由文を決まった項目に変える方法、この機能が保証すること、値を確認するための行動をまとめます。
30秒でわかる要点
概要
メールや議事録は自由な文章です。そこから決まった項目を取り出すために、アプリケーションはAIにJSONスキーマを課すことがあります。Microsoft[1]は、構造化出力(structured outputs)を、API呼び出しで渡されたJSON Schemaの定義にモデルを従わせる機能として紹介し、用途の1つに構造化データの抽出を挙げています[1]。
応答スキーマは、項目の名前と、それぞれに期待されるデータの型を指定します[2]。Google[2]は、スキーマを使うとモデルの応答は常に定義されたスキーマに従うと書いています[2]。この記事では、応答の形と、その内容の正しさという2つの問いを分けて扱います。
よくある質問
構造化出力とは何ですか
リクエストと一緒に渡されたスキーマに従うAIの応答です。Microsoft[1]は、これを従来のJSONモードと区別しています。JSONモードは有効なJSONを保証していましたが、スキーマへの適合は保証できませんでした。Google[2]は、スキーマのないJSONモードは強い誘導にすぎず、有効なJSONが100%になるわけではないと述べています。有効なJSONを100%得るには、リクエストに応答スキーマと application/json の型の両方を含める必要があります[2]。
スキーマに合っていれば、値は正確ですか
いいえ。NIST[3]は、内容の誤りは生成モデルの設計に由来すると説明しています。生成モデルは学習データの統計的な分布に近い出力を作るため、正確な出力も不正確な出力も生じえます[3]。OWASP[5]は、ハルシネーションを、正確に見えるが捏造された内容と説明しています[5]。
文章に情報がないとき、モデルはどうしますか
Google[2]によると、項目は既定では任意です。モデルは項目を埋めることも、無視することもできます。必須と宣言すれば、値を出させることができます。リクエストの文脈が足りない場合、モデルは主に学習に使われたデータをもとに答えます[2]。Microsoftでは[1]、すべての項目を必須と宣言する必要があり、任意の項目は null も受け付ける型で代用します。
仕組み
Azure Databricks[6]は、この機能を、チャットリクエストの応答形式フィールドを使って、定義されたJSON形式で応答を生成するものと説明しています。多数の文書からのデータ抽出(たとえば製品レビューを否定的、肯定的、中立に分類する)、特定の形式を求めるバッチ処理、非構造化データから構造化データへの変換に推奨しています[6]。スキーマの例では、研究テキストからタイトル、著者、要旨、キーワードを取り出します[6]。
提供各社は、JSON Schemaのすべてではなく、一部を採用しています。Microsoftでは[1]、スキーマに含められるオブジェクトのプロパティは最大100個、入れ子は5階層までです。pattern、minLength、maxLength、minimum、maximum の各キーワードは対応していません[1]。Azure Databricks[6]は、キーの上限を64個とし、オブジェクトと配列に長さやサイズの制約を適用しないと示しています。入れ子の深いスキーマは生成の品質が下がると記し、可能なら平坦にするよう勧めています[6]。品質を高めるために使う技法は、消費するトークン数を変え、したがって課金も変えるとも述べています[6]。
Googleでは[2]、モデルの応答はスキーマの各項目の名前と説明を利用します。Googleは、明確な項目名と、各項目の役割を定義する説明を勧めています[2]。スキーマをプロンプトに書き写さないよう、出力の品質を損なうおそれがあるとして勧めています[2]。また、調整済みのGeminiモデルで構造化出力を使うと、モデルの品質が下がることがあるとも記しています[2]。
研究でも同じ問題が扱われています。2025年2月にarXivで公開された研究[7]は、約40,000個の異なるJSONスキーマからなるベンチマークを作り、最新のLLMでも有効なJSON文字列を生成するのにまだ苦労していることを確認しています[7]。2025年5月の別の研究[8]は、スキーマの正確さと内容の忠実さを別々に測っています[8]。
あなたの行動
次の行動は、抽出を設定する人と、その結果を使う人に向けたものです。
- 空の値を用意する。文章に情報がないかもしれない項目には、Microsoft[1]が説明する方法、つまり null も受け付ける型を使います。必須の項目は値を出させます[2]。
- 項目に名前をつけ、説明を書く。Google[2]は、あいまいさのない名前と、項目ごとの役割を書く説明フィールドを勧めています。
- 結果を検証する。スキーマを事前に定義できない場合、Google[2]は、クライアント側のJSON検証と、失敗時の再試行を勧めています。OWASP[5]は、特に重大な環境では、主要な出力を自動で検証するよう勧めています[5]。databricks-claude-opus-5 のモデルでは、モデルがリクエストを拒否したときに、コンテンツフィルター型の停止理由が返ることがあり、その出力はスキーマに従わない場合があります。Azure Databricks[6]は、出力を解析する前にこの停止理由を確認するよう示しています。
- 確認せずに何も実行しない。OWASP[4]は、モデルを他のユーザーと同じように扱い(ゼロトラストの考え方)、応答をアプリケーションの機能に渡す前に検証するよう助言しています。モデルの出力に触れるデータベース操作には、パラメーター化されたクエリを使うことも勧めています[4]。
- 信頼できる情報源と突き合わせる。OWASP[5]は、利用者が出力を外部の信頼できる情報源と比べることを促しています。
- 重大な場面では人に確認してもらう。上の「人が確認するのはいつですか」のとおりです[5]。
落とし穴
必須の欄は、もっともらしい値を促します。Google[2]は、必須と宣言された項目はモデルに値を出させ、文脈がなければ主に学習データをもとに答えると述べています[2]。NIST[3]は、こうした誤りが自信ありげに示されると説明しています。リスクは、利用者が応答の自信に満ちた調子のせいで誤った内容を信じるときに生まれます[3]。
理由づけは証拠ではありません。NIST[3]は、モデルが答えを説明するために論理的な手順を示すことがあり、その答えが誤りでも示すと指摘しています。これが過信につながりえます[3]。モデルが埋める「説明」の欄は、したがって何も証明しません。
有効な形式と忠実な内容は、別々の指標です。2025年5月の研究[8]では、制約付きデコードで調整されたMistral-7Bモデルが、スキーマの正確さ99.5%、内容の類似度94.0%に達しています[8]。
過信は誤りを悪化させます。OWASP[5]は、AIへの過度の依存を、生成された内容の正確さを確かめずに過剰に信頼することと定義しています。利用者は誤ったデータを重大な判断やプロセスに組み込むことがあると指摘しています[5]。
形式の整った出力も、危険なことがあります。OWASP[4]は、ユーザーがチャット型の機能で、データベースのすべてのテーブルを削除するSQLクエリを求めるシナリオを挙げています。モデルが作ったクエリが検査されなければ、すべてのテーブルが削除されます[4]。
出典
- Microsoft, 「How to use structured outputs with Azure OpenAI in Microsoft Foundry Models - Microsoft Foundry」. https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/structured-outputs (2026年11月14日閲覧)
- Google, 「Structured output | Gemini Enterprise Agent Platform | Google Cloud Documentation」. https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/capabilities/control-generated-output (2026年11月14日閲覧)
- NIST, 「Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile」. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf (2026年11月14日閲覧)
- OWASP, 「LLM05:2025 Improper Output Handling」, 2024年4月10日. https://genai.owasp.org/llmrisk/llm052025-improper-output-handling/ (2026年11月14日閲覧)
- OWASP, 「LLM09:2025 Misinformation」, 2024年4月10日. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (2026年11月14日閲覧)
- Microsoft, 「Structured outputs on Azure Databricks - Azure Databricks」. https://learn.microsoft.com/en-us/azure/databricks/machine-learning/model-serving/structured-outputs (2026年11月14日閲覧)
- arXiv, 「Learning to Generate Structured Output with Schema Reinforcement Learning」, 2025年2月26日. https://arxiv.org/abs/2502.18878 (2026年11月14日閲覧)
- arXiv, 「SLOT: Structuring the Output of Large Language Models」, 2025年5月6日. https://arxiv.org/abs/2505.04016 (2026年11月14日閲覧)
この記事を引用する
Brain, 「構造化出力:AIにスキーマを埋めさせる」, Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp515_ja_2026,
author = {Brain},
title = {構造化出力:AIにスキーマを埋めさせる},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/ja/articles/ai-structured-outputs-json-schema/},
note = {CC BY 4.0}
}