4. 新しさを確認する
すべてのAIモデルには、最後に学習データが更新された時点、すなわちカットオフがある。それが1カ月前の場合もあれば、1年前の場合もあり、その場合モデルは最近の出来事や、対象テーマに関して新たに出てきた追加情報に基づく新しい洞察を提供できない。
学習データの最終更新以降に何か変化があったかを、モデルに尋ねる習慣をつけたい。これは、数値、統計、直近のニュースイベントに基づくデータを求める場合、とりわけ重要である。受け取っている情報の新しさを検証するためには、前節で述べた助言に従うことだ。異なるAIモデルでプロンプトを試し、提示される情報に更新があるかを確認する。
5. 引用を入念に確認する
モデルに情報源の提示を求め、その引用を実際に確認する。ProlexityのマネージングパートナーであるDoyle Albeeは「刊行物が存在することを確認するだけでは不十分だ。引用された記事が、AIが主張する内容を実際に述べているかを確認せよ」と語る。「法的書面、医療判断、公表される研究など、ハイステークスな案件では、AIの出力は完成品ではなく、人間のレビューを要する初稿として扱うべきだ」
Nationwide Children's Hospitalの博士研究員であるSahil Dattaは、自身の研究のため、ある主張を科学的研究で裏づけるようAIに求めた際、AIが「偽の参考文献をしばしば生成する」と報告する。「確立された著者名や学術誌名が並び、最初は非常にもっともらしく見えるものもある。しかし、PubMedやGoogle Scholarのようなデータベースで確認すると、出版物自体が存在しない。偽の参考文献は、確立された著者名を借用することが多く、見抜きにくい」という。
6. 直感を信じる
人間の直感、すなわち「何かおかしい」という感覚は、それだけで推奨されるファクトチェック方法ではない。しかし、追加の確認を促す貴重な動機づけとして役立つ。内なる声が、結果をさらに深掘りせよと告げているのかもしれない。
この直感は、あからさまな懐疑でないとしても、当該テーマに関する既存のドメイン知識に由来することがある。テーマが不慣れなものであれば、AIの回答が誤っている、あるいはAIスロップ（粗雑なAI生成物）であることを示す、別の微妙な手がかりが存在する。
たとえばAIの回答が、不確実性を示す但し書きや留保がなく、確信に満ちすぎていることがある。また誤ったAI回答は反復的で、出力のなかで同じ点を複数回繰り返す場合がある。AIの回答に違和感があるなら、上記の最初の5ステップに立ち返り、AIの結果を二重チェック（場合によっては三重チェック）するとよい。
AIを責任ある形で使うには
AIは強力なツールであり、広く利用可能でしばしば無料のサービスを通じて、世界の知識を指先に届ける。AIモデルを、生活やビジネスの課題を迅速かつ便利に処理する手段として頼りたくなる誘惑もある。しかし、多くの物事と同様、日々直面する問いをうまく乗り切るには、意識的な姿勢と厳密さが求められる。
影響の小さい問いでの誤出力は、せいぜい小さないら立ちにとどまるかもしれない。だが影響の大きい問いでは、より深刻な結果を招き得る。
精査されていないAI情報に基づいて重要な意思決定を行えば、利用者が職を失うこともあれば、企業の収益損失につながることもある。RIIG TechnologyのCTOであるBrian Beheは「危険なのは、AIが間違うことではない」とし、「正しく見える形で間違い、人々が誰かが確認する前にそれをもとに行動してしまうことだ」と語る。
AIには信頼性の問題があり、それは自業自得でもある。強力で安価なツールが遍在することで、消費者とビジネスプロフェッショナルの双方でAI導入は増え続けている。同時に、多くの人は自分が目にしている結果を全面的には信用できないことも学んでいる。幸い、AI出力の真正性を確かめる比較的容易な方法がいくつかあり、必要なのはユーザー側の警戒心を高めることだけだ。
「AIの負の影響は、でっちあげ、盗み、嘘、ミスリード、カンニングといった人間の行動の負の影響と密接に重なる」とLiphardtは述べる。「これらは新しい問題ではない。だから私たちは、どう対処すべきかについて、すでにある程度の直感を持っているのだ」
