Shuichiro Ogawa

Notes ・ updated 2026-06-28

AI の期待-能力ギャップと UX — 産業動向（2026）

ベンダー一次情報（T1v: 8件）、公的調査・コンサル調査（T2: 10件）、実務家の知見（T3: 13件）の計 33 件を収集した統合要約。 ポジショントーク（各社の販促的優位主張）は分離済み。出典追跡・確度・ポジション判定つきの内部作業台帳は source/review/ai-expectation-gap-ux/industry.md（リポジトリ内部・非公開）。学術側は ai-expectation-gap-ux-literature。 収集系統: WebSearch による産業ソース収集。規約 .claude/collection-protocol.md（捏造ゼロ・出典追跡・ポジショントーク除去）。

TL;DR

2026 年時点で、AI の期待ギャップは定量的に可視化されている。Pew Research によれば ChatGPT 利用者 44% に対し出力を信頼するのは 29%——15pp の利用-信頼ギャップが存在する。Stanford HAI は AI の雇用影響について専門家と一般の認識差が 50pp に達することを報告した。Gen Z の AI への興奮は1年で 14pp 低下し、怒りは 9pp 上昇した。

ベンダー各社はこのギャップを UX で埋める設計指針を整備し始めた。Microsoft HAX（18 ガイドライン・4時相）、Google PAIR（Mental Models 章）、IBM の6原則（CHI 2024 査読済み）、Apple HIG（Generative AI セクション追加）が主要フレームワークである。実務家コミュニティでは、agentic AI 時代に対応した新しいパターン（progressive delegation、proportional awareness、trust calibration spectrum）が急速に形成されている。

共通する設計原則は「信頼を上げること」ではなく「AI の能力に見合った信頼を形成すること（calibrated trust）」であり、同一モデル上でも UX 設計によって信頼の結果は正反対になる。

1. ベンダーガイドライン（T1v）: 各社の設計指針

主要 AI 企業7社すべてが設計ガイドラインを公開しており、期待管理を中心課題に位置づけている。

構造の比較

ベンダーフレームワーク組織軸期待管理の核
MicrosoftHAX Toolkit（18ガイドライン）4時相: Initially / During / When Wrong / Over Time失敗時の振る舞いと長期的な適応
GooglePAIR Guidebook6章: User Needs / Data / Mental Models / Explainability+Trust / Feedback+Control / ErrorsMental Models 章で段階的オンボーディングを処方
IBM6原則（CHI 2024）原則ベース: Mental Models / Trust & Reliance / Generative Variability / Co-Creation / Imperfection / ResponsibleGenerative Variability（毎回異なる出力）への対応
AppleHIG for ML/AIInput/Output: Feedback / Calibration / Corrections → Mistakes / Options / Confidence / Attribution / LimitationsAI 使用箇所の明示 + 限界の開示
OpenAIApps SDK UX Principlesタスクフロー中心60秒以内に具体的価値を見せる
AnthropicResponsible Scaling Policy + System CardsSafety Levels + defense-in-depth能力閾値の不確実性を認める
MetaResponsible AI Practices透明性ベース明示的・平易なコミュニケーション

各社に共通する処方は3つある。(1) AI の能力と限界を明示的に伝える。(2) 失敗時に信頼を壊さないグレースフルな回復を設計する。(3) ユーザーにコントロールとフィードバックの手段を与える。

IBM の Weisz ら（CHI 2024）が指摘した Generative Variability は生成 AI 固有の課題である。従来の UX は同じ操作に対して同じ結果を返す一貫性を前提としていたが、生成 AI はそれを破る。この非決定性への期待設計は、既存ガイドラインのどれにも十分なパターンがない。

2. 期待ギャップの定量的証拠（T2）

2.1 利用-信頼ギャップ

Pew Research（2026年6月）が示した 15pp の利用-信頼ギャップ（利用 44% vs 信頼 29%）は、期待ギャップの最も直接的な定量指標である。60% が AI 生成の検索要約を読むが、AI が教育に好影響と答えるのは 24%、雇用については 23% にとどまる。

2.2 専門家-一般ギャップ

Stanford HAI AI Index 2026 によれば、AI の雇用影響について専門家の 73% がポジティブに対し一般は 23%（50pp 差）。経済影響は 69% vs 21%、医療は 84% vs 44%。Pew Research（2025年4月）でも専門家 56% がポジティブ vs 一般 17% と、ほぼ同規模のギャップが確認されている。

2.3 組織内ギャップ

McKinsey（2025）は経営層が従業員の AI 利用率を3倍過小評価していることを報告した（経営層推定 4% vs 従業員自己申告 13%）。BCG（2025）はリーダー支援があると従業員のポジティブ感情が 15% から 55% に上昇する一方、正規の AI 訓練を実施している企業は 29% にとどまることを示した。ペルソナベースの学習は一律学習の 20 倍 の採用率を達成したという。

2.4 幻滅の加速

Gen Z の AI への興奮は1年で 36% から 22% に低下し、怒りは 22% から 31% に上昇した（Stanford HAI 2026）。アメリカ人の 50% が AI 増加に懸念が興奮を上回ると回答し（2021 年の 37% から上昇）、2/3 が AI の進展が速すぎると考えている（Pew 2026）。

これらの数値は、期待ギャップが「AI を知らないから不安」という無知の問題ではなく、使った結果として信頼が形成されないという体験設計の問題であることを示唆する。

3. 実務家パターン（T3）: 設計の現場から

3.1 agentic AI 時代の3フェーズパターン

Smashing Magazine（2026年2月）は agentic AI の UX パターンを3フェーズで整理した。

  • Pre-Action（制御）: Intent Preview パターン——「これからこうします。よろしいですか？」
  • In-Action（文脈）: Explainable Rationale + Confidence Signal——「なぜ」と「どれくらい確か」を表示
  • Post-Action（安全）: Action Audit & Undo + Escalation Pathway——実行後の監査・取り消し・エスカレーション

3.2 progressive delegation（段階的委任）

agentic-design.ai と UXmatters（2025年12月）が独立に提唱したパターン。エージェントの自律性を低い状態から始め、ユーザーの承認履歴に合わせて段階的に拡大する。1回の失敗でユーザーが完全に離脱するのを防ぐ。

3.3 proportional awareness（比例的認知）

Smashing Magazine（2026年4月）と designative.info が提唱。透明性は多ければよいのではない。過剰なアラートはアラート疲れと信頼崩壊を招き、過少は過信を招く。必要な透明性を必要なタイミングで必要な量だけ提供する設計が求められる。

3.4 trust calibration spectrum（信頼校正スペクトル）

Grand Studio（2026）の定式化が明快である。「2026 年の AI 機能の失敗の大半はモデルの失敗ではない。設計の失敗である。」同一モデル上の2つの製品が、一方は信頼を形成し他方は破壊する——違いは UX 設計だけである。信頼が過剰だと受動的依存に陥り、不足すると委任の目的が達成されない。

3.5 エラーハンドリングの転換

UXmatters（2025年11月）は「信頼はエラーをゼロにすることで獲得されるのではなく、エラーをどう処理するかで獲得される」と述べた。信頼度スコア表示（「85% の確信度です」）、人間が理解できる理由説明、グレースフルな誤り認知（「誤解したかもしれません——詳しく教えていただけますか？」）が推奨される。同時に trustwashing（透明性の見せかけ）への警告もなされている。

3.6 オンボーディングの原則

OpenAI と Userpilot が独立に指摘するのは 60 秒以内に価値を見せる 原則である。5つの質問に答えないと結果が見えないフローではユーザーの多くが離脱する。intent-based onboarding（ユーザーの目的に沿ったフロー構成）が feature-highlighting（機能紹介型）を上回る。AI チャットボットでは、対応可能なタスクをサジェストプロンプトや例示クエリで可視化することで「何ができるか」のメンタルモデルを素早く形成させる。

4. 学術知見との対応

産業界の動向は学術研究と高い整合性を持つ。

産業パターン対応する学術知見
Microsoft HAX 18ガイドラインAmershi et al. (CHI 2019) が学術的基盤
IBM Design for ImperfectionKocielnik et al. (CHI 2019): 不完全さの事前開示が期待校正に有効
progressive delegationBansal et al. (HCOMP 2019): エラー境界のメンタルモデルが段階的に形成される
proportional awarenessBuçinca et al. (CSCW 2021): 説明の付加だけでは過信は減らない
エラーハンドリング重視Yin et al. (CHI 2019): 観察精度が信頼に影響
trust calibrationLee & See (2004): appropriate reliance の3軸定義
擬人化への慎重さCrolic et al. (J. Marketing 2022): 擬人化が期待違反を拡大

ただし、学術研究の大半が1回限りの実験であるのに対し、産業は長期的なプロダクト運用を前提とした設計を扱う。この時間軸の違いが両者の知見を相補的にする。

5. 未解決の課題

  1. ガイドライン→実装のギャップ: 各社がガイドラインを公開しているが、実装可能なパターンへの翻訳は不十分（UX Collective が指摘）。
  2. 非決定性の期待設計: 生成 AI の「毎回異なる出力」に対するユーザー期待の校正パターンは確立されていない。
  3. agentic AI の信頼設計: 行動を起こすエージェント型 AI の期待管理は、出力を閲覧する対話型 AI とは質的に異なる。Gartner は agentic AI プロジェクトの 40% 超がキャンセルリスクと予測している。
  4. 幻滅後の再信頼: Gen Z のデータが示すように、期待の過剰→幻滅→離脱のサイクルへの対処パターンが未整備。
  5. NNGroup の統計の方法論未確認: 63%（信頼度表示の効果）や 72%（言語の影響）の数値は広く引用されるが、原調査の方法論・標本が未確認 [要一次検証]。

参照文献

← Notes 一覧 ・ ホーム