多言語プロンプティング：あらゆる言語で一貫した結果を得る方法

多言語プロンプティングは翻訳ではありません — モデルの学習分布の異なる部分を活性化することです。 LLMはテキストを共有embedding空間でtokenize・表現しますが、トレーニングデータは偏っています：CommonCrawl（ほとんどのLLMのトレーニングに使用）は英語約46%、ドイツ語約6%、フランス語約5%、中国語約3%で構成されています。トレーニングデータが1%未満の言語（アフリカ言語の多く、南アジアの多くの言語など）は予測不可能な挙動を示します。

日本語でpromptを書くと、モデルは日本語のトレーニングデータのパターンに頼ります。日本語はコーパス全体の約3%にすぎないため、英語promptと比較して学習済みの関連付けが少ない状態です。これは次のような形で現れます：推論精度の低下、指示に従う信頼性の低下、幻覚率の上昇、出力品質のばらつき。

LLMが言語パターンを実際にどのように学習するかについては、LLMの実際の仕組みをご覧ください。

LLMの言語パフォーマンスはトレーニングデータのシェアに基づく4段階の階層に従います。レベル1（英語）はほぼ完璧なパフォーマンスを発揮し、レベル4（低リソース言語）は信頼性の低い出力を生成します。 このレベル分類を使って、ターゲット言語に適用すべき戦略を判断してください。

同じ1,000語のコンテンツは英語よりアラビア語で46%多くのtokenを消費し、ロシア語では30%多くなります — API請求に直接影響します。 tokenの効率はscriptと言語ファミリーによって大きく異なります。

tokenの詳細な予算管理についてはtokens、コスト、制限をご覧ください。

構造化・推論タスクでは、英語のsystem promptはレベル2〜3言語の母語system promptを上回ります。語調と敬語については、母語のsystem promptの方が効果的です。 これが多言語promptingで最も重要な判断です。

なぜでしょうか？LLMの指示に従う能力の多くは英語のRLHF（人間からのフィードバックによる強化学習）データで訓練されています。複雑なsystem指示（フォーマット規則、ペルソナ、CoTディレクティブ）は英語で書くとより確実に守られます。一方、スタイル指示（敬語レベル、文化的なトーン）はターゲット言語で書く方が効果的です。

判断フロー： 複雑な推論・フォーマット規則 → 英語のsystem prompt。敬語レベル（丁寧語、Sie、keigo）→ ターゲット言語。ペルソナ定義 → 英語＋1件のターゲット言語サンプル。出力言語指定 → 常にsystem promptで明示：「Respond in formal Japanese using 丁寧語.」

詳細はsystem prompt vs user promptをご覧ください。

悪い例 — 言語とregisterをモデルが検出すると想定：

「このドイツ語の契約書を要約して。」

結果：英語/日本語が混在した出力、カジュアルな語調、法律用語が漏れる可能性。

良い例 — 言語・register・推論パスを明示：

「You are a legal analyst. The following document is a German employment contract (Arbeitsvertrag). Summarise its key obligations in formal Japanese (丁寧語). Structure: 契約当事者, 報酬, 解雇予告期間, 特別条項. Maximum 200 words. Flag any clause unusual for standard German employment law with 要確認.」

結果：適切な専門用語を使った丁寧語の日本語出力と、フラグ付きの異常条項。

全言語で1つのモデルがトップというわけではありません。Mistral Large 2はRomance語系をリード；Google Gemini 3.0 Proは東アジア言語をリード；GPT-4oはアラビア語と多言語推論タスクをリードします。 この表はAhuja et al.（2023）MEGAベンチマークからのモデルパフォーマンスをまとめたものです。

上記のtokenコストの差は直接API請求額に影響します。 GPT-4oの価格（入力100万tokenあたり$5）に基づく実際の影響です。

レベル3言語では、Chain-of-Thought指示を英語で書きながら最終回答をターゲット言語で要求すると、推論精度が5〜12%向上します（Shi et al., 2023）。 この言語横断CoT技法は英語の推論力を活用しながら、ターゲット言語での出力品質を維持します。

LLMがステップバイステップで推論するとき、最大のトレーニングコーパス（英語）のパターンに依存します。日本語やアラビア語などの低リソース言語でのみ推論させると、その言語での学習済み推論パターンが少ないため精度が低下します。ハイブリッドアプローチ — 英語CoT＋母語出力 — が両方の利点を活かします。

テンプレート： `英語でステップバイステップで考えてください。最終回答は日本語で書いてください。質問：質問`

判断： 英語CoTを使う場合 → タスクが多段階推論を必要とする、ターゲット言語がレベル3以上、精度がレイテンシより重要。母語CoTを使う場合 → 語調・敬語が推論の深さより重要、ターゲット言語がレベル1〜2。

詳細：Chain-of-Thoughtプロンプティング：LLMに推論を示させる方法。

Few-shot例はタスクと同じ言語で用意する必要があります — 言語が異なるfew-shot例はレベル2〜3言語で出力精度を15〜20%低下させます（Shi et al., 2023）。 Few-shot例はフォーマット・語調・パターンをモデルに教えます。例が英語でタスクが日本語の場合、モデルは矛盾したシグナルを受け取ります。

2つの戦略： (1) 母語few-shot — 全例をターゲット言語で用意（品質最優先）。(2) ゼロショット＋明示的指示 — 例なし、英語で明確なスタイル・フォーマット規則（母語の例がない場合に最適）。避けるべきこと：英語の例＋日本語タスク＝最悪の組み合わせ。

few-shot vs ゼロショットで完全な判断フレームワークをご確認ください。

LLMはほとんどの言語でデフォルトのregisterを使用します。ユースケースでフォーマルな日本語（丁寧語）、ドイツ語のSie形式、フランス語のVous形式が必要な場合、system promptでregisterを明示的に宣言する必要があります — モデルは文脈から推測しません。

ユーザーがpromptで言語を混在させる場合（例：英語の用語を含む日本語の質問）、ほとんどのモデルはクエリの主要言語で回答しますが、明示的な指示がないと信頼性が低くなります。 コードスイッチングは、技術用語は英語のまま、周囲の文章は別の言語という多言語の職場環境では一般的です。

推奨される対処法： (1) System promptに追加：「ユーザーが言語を混在させた場合、質問が明示的に英語でない限りターゲット言語で回答してください。」(2) モデルに言語検出を任せるのではなく、プログラム的に言語を検出（langdetect、FastText、lingua-rs）してからモデルにルーティングする。(3) 本番の多言語アプリでは：LLM呼び出しの前に言語検出ステップを実装して、正しいpromptテンプレートにルーティングする。

自分の多言語ワークフローに適応できる4つのpromptパターンです。ターゲット言語のプレースホルダーをユースケースに合わせてカスタマイズしてください。

日本（個人情報保護法）： 多言語LLMを導入する日本企業は個人情報保護法（APPI）を遵守する必要があります。METIのAIガバナンスガイドライン2024では、企業向けAI導入における個人情報処理とデータガバナンスについて具体的な指針が示されています。Gemini 3.0 Proは東京でのデータレジデンシーを持つ日本リージョン展開を提供しています。GPT-4oとClaude Opus 4.7はDPA条件が必要です。機密データが日本国外に出ることを確保するために、オンプレミスにローカルLLM（Qwen2.5、Llama 3.1）を展開することを検討してください。

アジア太平洋地域（データ越境）： 多くのAPAC諸国がデータローカライゼーション要件を強化しています。韓国（PIPA）、シンガポール（PDPA）、オーストラリア（Privacy Act）はそれぞれデータ越境移転に関する規制を持っています。クラウドAPIを使用する際は、APIプロバイダーがそれぞれの管轄区域に適切なデータレジデンシーオプションを提供しているかを確認してください。

グローバル展開： 複数の言語・地域にまたがる展開の場合、各市場のデータ規制を別々に確認する必要があります。EU（GDPR）、中国（データセキュリティ法）、その他の地域はそれぞれ異なる要件を持ちます。PromptQuorumはローカルLLMをサポートしており、クラウドAPIを使用せずにデータを組織内に保持することができます。