ハルシネーションは試験ごとにどう問われるか（用語・起きる理由・攻撃との区別）

結論：ITパスポートは「似た語の区別」、DMは「出処の確認」、生成AIパスポートは「起きる理由」、SCは「攻撃による誤りとの区別」

ハルシネーションは、生成AIが事実と違う内容を、もっともらしい文章で出力することです。4つの試験のシラバスはどれも生成AIの誤った出力を扱っていますが、どの面から問うかが違います。

IPAのサンプル問題に「ハルシネーション」の語はありません。生成AIの出力の誤りに触れているのは、新ITパスポート 問4のc（得られた情報に誤りが含まれるおそれ）だけです（2026年10月3日の時点）。出力を誰が確かめるかは「AIの結果の確かめ方」で、入力の側の留意点は「生成AIの業務利用」で扱っています。この記事は、誤りそのものの種類と原因を扱います。

新ITパスポート：ハルシネーションを、似た用語と区別する

ITパスポートのシラバス案（Ver.0.1）は、中分類27「情報倫理・AI 倫理」の小分類2に、AIのリスク・脅威の用語例として、ハルシネーション、古い出力情報、根拠・出典不明の出力情報、出力情報の再現性・一貫性の欠如を並べています（p.17）。同じ中分類の小分類1には、誤情報（ミスインフォメーション）と偽情報（ディスインフォメーション）もあります。

どれも「AIの出力をそのまま使えない理由」ですが、中身は別物です。当サイトでは次のように区別しています。

誤情報と偽情報の違いは、だます意図があるかです。ハルシネーションはAIに意図がないので、出力を人が広めれば誤情報の側に入ります。誰かがだますためにAIで作った文章なら偽情報です。当サイトの読み方では、選択肢で「意図的に」「悪意をもって」と書かれていたら、ハルシネーションの説明ではないと判断できます。

シラバス案はハルシネーションの対策として結び付けてはいませんが、対策に使える語もあります。中分類10「AI 利活用」の小分類3には、生成AIの活用領域の用語例としてランダム性の制御とRAGによる知識連携が、生成AIの活用例に「複数の生成 AI を用いた検証」があります（p.7〜8）。中分類18「AI 技術」には、検索拡張生成（RAG）とトークンが用語として入っています（p.14）。当サイトの見方では、ITパスポートの水準なら、RAGは外部の資料を検索して回答に使う仕組み、と説明できれば足ります。

DM：出力の出処を、元のデータまでたどる

データマネジメント試験（仮称）のシラバス案（Ver.0.1）は、科目Aの「その他の分野」の中分類27に、ハルシネーションと並べて「出典元データの出処を確認することの必要性」を置いています（p.8）。同じ中分類の情報倫理の側にはファクトチェックがあります。ITパスポートにない言い方で、データを扱う実務者には、AIの出力がどのデータから来たかまで確かめることを求めている、と当サイトはみています。

科目Bの「1-5. AI 活用におけるデータ利用上の留意事項への対応」では、誤情報、差別的出力、偏った判断など、AI利用結果に伴う倫理違反に関する組織のルールを守るスキルが挙がっています（p.11〜12）。たとえば、AIが社内文書を要約して「前年比12%増」と書いたら、その数字が載っている元の表を開いて、対象期間と集計の単位が同じかを確かめます。数字が元の表のどこにも見当たらなければ、ハルシネーションを疑います。

科目Aの中分類10の小分類3には、ランダム性の制御、RAGによる知識連携、システムプロンプトがあり、活用例に「複数の生成 AI を用いた検証」がある点はITパスポートと同じです（p.5）。DMの科目Bのサンプル問題に、この論点の問題はまだありません（2026年10月3日の時点）。

生成AIパスポート：なぜ起きるかを、生成の仕組みから説明する

GUGAの生成AIパスポート試験シラバス（2027年2月試験より適用。2026年10月1日公表）は、第2章「生成AI」の生成（推論）プロセスの学習目標に、ハルシネーションが起こる理由を挙げています（p.2）。学習項目は、トークン化、埋め込みとベクトル表現、確率的な次トークン予測、ハルシネーション、生成パラメータ（Temperature・Top-p）、コンテキストウィンドウです。

ITパスポートとDMが「誤りがある」ことを前提に扱うのに対して、生成AIパスポートは「なぜ誤るか」に踏み込みます。生成AIは、事実を調べて答えているのではなく、次に来るトークンを確率に基づいて選んで文章を組み立てています。そのため、学習データにない事柄でも、それらしい文章ができてしまいます。Temperatureは出力のばらつきを調整する値で、下げても正しさが保証されるわけではありません（当サイトの説明）。

第3章のRAGの項目では、詳細キーワードにハルシネーション、正確性、最新性が並び、RAGが必要とされる理由が学習項目になっています（p.3）。第4章の「AI出力の評価と検証」は、用途と影響度に応じた検証レベル、事実・数値・出典・最新情報を確かめるファクトチェック、採用・修正・破棄・専門家確認の判断を扱います（p.4〜5）。仕組み、技術的な対策、人の確認の3段で、1つの論点を章をまたいで扱う構成です。

SC：誤った出力が攻撃で起こされる場合と区別する

情報処理安全確保支援士試験のシラバス案（Ver.0.1）には、ハルシネーションという語は出てきません（2026年10月3日にPDFの全文を検索して確認）。ただし、SCの科目A-1の用語例は別の科目A-1（共通知識）のシラバス案 Ver.0.1（2026年9月30日掲載）にあり、こちらには中分類27のAIのリスク・脅威にハルシネーションとスロップスクワッティングが（p.31）、中分類21にパッケージハルシネーションが（p.28）入っています。SCのシラバス案のほうでは、中分類23の「AI システムに対する攻撃」に、プロンプトインジェクション（直接、間接）、データポイズニング、敵対的サンプルなどが並びます（p.3）。中分類26の「AI システムを守るための対策」には、外部参照データの検証と分離、RAG用のデータ及びデータストアへのアクセス制御があります（p.11）。

ここで生成AIパスポートとの向きが逆になります。生成AIパスポートでは、RAGはハルシネーション、正確性、最新性と並べて出てきます（ITパスポートのシラバス案では、生成AIの活用の用語例です）。SCでは、RAGが参照するデータそのものが攻撃の入口になりえます。参照先の文書に攻撃者が指示を仕込めば（間接プロンプトインジェクション）、AIが誤った内容を出力したり、意図しない動作をしたりすることがあります。結果は「誤った出力」で同じでも、原因はAIの性質ではなく攻撃者です。

当サイトの見方では、選択肢を読むときは、誤りの原因に第三者の操作があるかで分けます。操作がなければハルシネーション（出力の確認で防ぐ）、あれば攻撃（参照データの検証とアクセス制御で防ぐ）です。SCの科目Bのサンプル問題に、AIシステムの問題はまだありません（2026年10月3日の時点）。

学ぶ順番：用語の区別 → 出処の確認 → 起きる理由 → 攻撃との区別

学ぶ順番

1. 1
   ITパスポート用語の区別4つの語を例と結び付ける。誤情報と偽情報は意図で分ける
2. 2
   DM出処の確認出力の数字を元のデータまでたどる
3. 3
   生成AIパスポート起きる理由次トークン予測・Temperature・RAG との関係
4. 4
   SC攻撃との区別RAG の参照データを、資料と攻撃の入口の両面から見る

ITパスポートの段階では、上の表の4つの語を、それぞれ1つの例と結び付けて言えるようにします。誤情報と偽情報は「意図があるか」で分けます。

DMを受けるなら、AIの出力の数字や記述を、元のデータのどこに書いてあるかまでたどる習慣を付けます。見つからないときに誰に報告するかは、自社のルールで確かめます。科目Bの1-5にも、問題を発見した際に関係部門に報告・相談するスキルがあります（挙げられている場面は、情報漏えい、不適切利用、利用制限違反です）。

生成AIパスポートを受けるなら、次トークン予測、Temperature、RAGの3つを、ハルシネーションとの関係で1文ずつ説明できるかを確かめます。SCを受けるなら、RAGの参照データを「誤りを減らす資料」と「攻撃の入口」の両面から見て、どちらの対策が問われているかを読み分ける練習をします。