🗓️ 【2026年7月20日 追記】その後、OpenAI は「医師による評価」を軸に品質を引き上げた

本記事の公開後、OpenAI は公式記事「Improving health intelligence in ChatGPT」で、ChatGPT の健康・医療分野の回答品質を改善したと発表しました。公式発表で確認できた内容だけを記載します。

  • GPT-5.5 Instant により、緊急の受診が必要な状況の認識、必要な文脈の聞き返し、不確実性の説明、複雑な情報のわかりやすい提示が改善された
  • 健康評価の総合スコア（HealthBench Professional を含む）で、OpenAI の最新フロンティアモデルと同等の水準に到達。GPT-5.3 Instant から大幅に改善
  • この改善は医師の関与によって形作られており、60か国・49言語・26の診療科にまたがる260名超の医師のネットワークが参加。これまでに70万件超のモデル応答例をレビューしている
  • 評価は、現実的な健康相談と医師が作成したルーブリックを用いて、正確性・安全性・コミュニケーション・文脈認識・網羅性・適切なエスカレーションといった観点で行われる
  • 毎週2億3,000万人以上が健康・ウェルネスに関する質問で ChatGPT を利用している

【本記事の論旨との関係】 本記事は「ドメイン知識を外部知識（RAG）として持たせ、LLM は推論と整理に徹する」というアーキテクチャ論を軸にしていました。その後 OpenAI が前面に出してきたのは、医師が作ったルーブリックで評価し、その結果をモデル側の品質改善に還元するというアプローチです。アーキテクチャの分離だけでなく、評価設計そのものがドメイン特化の中心になりつつある——これは本記事執筆時には見えていなかった論点です。

なお、ネット上には「事実性の問題が◯%減少」といった具体的な数値も流通していますが、筆者は OpenAI の公式記事本文でその裏を取れなかったため記載しません。

2026年1月7日、OpenAIが発表した「ChatGPT Health」は、コンシューマー向けの単なる機能追加として報じられているが、我々エンジニアから見れば、これは 「汎用LLM（AGI指向）から、垂直統合型AI（Vertical AI）への明確なピボット」 を意味する重要な転換点だ。

汎用モデルであるGPT-5（※仮定）のエコシステムの中に、いかにして「医療」という、最もハルシネーションが許されず、かつコンテキスト依存度の高いドメインを共存させるか。OpenAIが出した答えは、「論理的なサンドボックス化」 と 「RAGパイプラインの厳格化」 であった。

今回は、ChatGPT Healthの裏側で動いているであろう技術スタックと、それが示唆するAI開発の未来について深堀りする。

1. アーキテクチャ分析：なぜ「分離」が技術的必然なのか

発表の中で最も重要な技術的キーワードは、「通常のチャットとは分離された空間」 である。これはUIの話ではなく、推論エンジンのコンテキスト管理に関するアーキテクチャ上の決断だ。

コンテキスト汚染（Context Contamination）の防止

汎用LLMの最大の弱点は、無関係なトレーニングデータが推論に干渉することだ。例えば、ユーザーが「ウイルス」と言ったとき、ITエンジニアなら「マルウェア」を、医師なら「病原体」を想起する。 同じモデル内でこれらを扱うと、プロンプトインジェクションや文脈の揺らぎにより、医療相談に対して一般的な（あるいは不正確な）Web知識が混入するリスクがある。 ChatGPT Healthは、System Promptレベルで強力にスコープを限定し、汎用的な知識ベースよりも、接続されたEHR（電子健康記録）やユーザーのPHR（Personal Health Record）を優先するよう重み付けされた、専用の推論パスを持っていると考えられる。

特化型RAG（Retrieval-Augmented Generation）の実装

「医療記録を読み解く」機能の裏側には、高度にチューニングされたRAGが存在する。 通常のRAGとは異なり、医療RAGには 「時間的因果関係の理解」 が不可欠だ。

  • 「3年前のAという診断」
  • 「昨日のBという検査値」 これらをただのベクトル類似度検索で取得するのではなく、時系列グラフ（Knowledge Graph） として構造化し、LLMに渡している可能性が高い。そうでなければ、「過去の病歴」と「現在の症状」の因果関係を正しく整理することは不可能だからだ。

2. データエンジニアリング：FHIRと非構造化データの統合

記事にある「EHR連携」は、米国の医療ITにおける事実上の標準規格 FHIR (Fast Healthcare Interoperability Resources) へのネイティブ対応を意味する。

マルチモーダル・エンベディングの課題

課題は、構造化されたFHIRデータ（JSON）と、非構造化データ（PDFの検査結果、手書きの医師のメモ）の統合だ。 ChatGPT Healthは、これらを共通の潜在空間（Latent Space）にマッピングするマルチモーダルなエンベディングモデルを搭載しているはずだ。 特に、OCRで読み取った数値データの信頼性スコアリングは重要であり、「読み取りミスかもしれない数値」をLLMがどう扱うか、確率的な閾値処理が行われている点に技術的な妙味がある。

3. アライメントとガードレール：「診断」をさせない技術

OpenAIは「診断や治療を行うものではない」と強調している。ここには、RLHF（Reinforcement Learning from Human Feedback） による徹底したアライメント調整が見て取れる。

「拒絶」のファインチューニング

技術的に最も難しいのは、「もっともらしい診断をすること」ではなく、「診断になり得る回答を、有用性を保ったまま回避すること」 だ。 単に「医師に聞いてください」と返すだけのbotならルールベースで作れる。ChatGPT Healthの凄みは、ユーザーの症状を 「医学的な用語に翻訳・整理」 しつつ、「断定的な判断（Diagnosis）」 のトークン生成だけを抑制するよう、報酬モデル（Reward Model）が調整されている点にある。 これは「Safety-First RLHF」の極致であり、法的責任（Liability）を回避するためのソフトウェア工学的な防壁だ。

4. プライバシー・コンピューティング：学習除外のその先

「学習に使用されない」という宣言は、エンタープライズ版では当たり前だが、個人向けヘルスケア機能としては必須条件だ。 今後はさらに進んで、Confidential Computing（機密コンピューティング） や、一部の処理をデバイス側（On-Device）で行うハイブリッド推論への移行が議論されるだろう。 特にAppleヘルスケアとの連携において、機密データが一度もクラウド上のメモリに平文で展開されない TEE (Trusted Execution Environment) の活用が、バックエンドで行われている可能性は高い。

結論：AIは「検索」から「文脈理解エージェント」へ

ChatGPT Healthは、汎用AIが「何でも屋」から、特定ドメインにおける「専門家の助手（Copilot）」へと分化していく流れを決定づけた。

我々エンジニアが学ぶべきは、 「ドメイン知識を外部知識（RAG）として持たせ、LLM自体は推論と整理のエンジンに徹する」 という設計思想だ。 このアーキテクチャは、医療だけでなく、法務、金融、エンジニアリングなど、あらゆる専門領域のVertical AIに応用可能なブループリントとなるだろう。

2026年、AI開発の主戦場は「モデルのサイズ」から「データの質と統合アーキテクチャ」へと完全に移行したことを、このニュースは象徴している。

Source:

※本記事は2026年1月12日公開。2026年7月20日に、OpenAI 公式記事「Improving health intelligence in ChatGPT」で確認できた範囲（GPT-5.5 Instant による改善、医師260名超のネットワークによる評価、HealthBench Professional での到達水準など）を追記しました。