Structured Output(構造化出力)

ざっくり言うと

プログラムから AI を呼び出すときに欠かせない機能で、OpenAI・Anthropic・Google の各社 API でそれぞれ用意されています。

イメージ

たとえば

普段 ChatGPT と話すときは、AIは「人間が読む文章」を返してくれますよね。これは人間相手なら便利ですが、プログラムからすると「使いにくい答え」なんです。

たとえば会議メモから「タスク・担当者・期限」を抜き出してほしいとき:

普通の答え(自由文): 「田中さんが資料作成を金曜までに、佐藤さんがレビューを月曜までに担当します」
構造化された答え(JSON):

{
  "tasks": [
    { "title": "資料作成", "assignee": "田中", "due": "金曜" },
    { "title": "レビュー",   "assignee": "佐藤", "due": "月曜" }
  ]
}

プログラムからすると、後者は「箱の場所が決まっている」ので、機械が読み取ってカレンダーに登録したり、表に並べたりが一発でできます。これが構造化出力です。

正確には

Structured Output は、API 利用時に「答えはこの形(スキーマ)に従ってください」と LLM に指示できる機能のことです。各社で名前や仕様が少しずつ違いますが、「JSON Schema などの形式定義を渡して、その通りの構造にそろえる」という基本コンセプトは共通しています。

提供元	機能名	概要
OpenAI	Structured Outputs	API に JSON Schema を渡すと、対応モデル・対応条件の範囲で、モデルの応答を指定したスキーマに厳密に従わせる機能。2024年8月に公式ブログ「Introducing Structured Outputs in the API」で発表されました
Anthropic(Claude)	JSON mode 相当 / Tool use 経由	公式ドキュメント「Increase output consistency」で、JSON 形式の出力を安定して得るための方法(プロンプト指示・Tool use の活用など)が案内されています
Google(Gemini)	Structured output / `responseSchema`	Gemini API に `responseSchema`(JSON Schema のサブセット)を指定すると、構造化された JSON を返してくれます。公式ドキュメント「Generate structured output with the Gemini API」で仕様が公開されています

なぜ Structured Output が必要なのか

LLM の答えをそのままプログラムに流し込もうとすると、地味につらい問題が起きます。

書式がブレる: 同じ質問でも、回答の書き方が毎回少しずつ違う(JSON のつもりが文章だったり、余計な説明が付いたり)
キーの名前が揺れる: 「assignee」だったり「担当者」だったり「person」だったり、呼び方が不安定
必須項目が抜ける: 「期限」を出してほしいのに、たまに省略される

Structured Output を使うと、スキーマで決めた形に返答をそろえやすくなり、対応条件では厳密な制約もかけられるため、後段のプログラムが読み取りやすくなります。OpenAI の公式発表では、Structured Outputs を使うとスキーマへの一致率が(従来の単なる JSON モードと比べて)大幅に向上すると報告されています。

Function Calling との関係

ほぼ同じ場面で使われる仲間として Function Calling(Tool Use) があります。違いをざっくり整理すると:

Function Calling: 「AIに外部の道具(関数・API)を呼ばせる」ための仕組み。引数を構造化して渡す
Structured Output: 「AIの返事そのものを構造化する」ための仕組み。出力フォーマットを縛る

実際には「Function Calling の引数」も内部的に構造化出力で表現されることが多く、両者は地続きの機能です。OpenAI のドキュメントでも、Function Calling と Structured Outputs は同じ「決まった形に従わせる」グループとして扱われています。

身近な使われ方

たとえば

裏側で Structured Output が動いていそうな機能の例:

会議メモ → タスク一覧の自動抽出: 文字起こしから「タスク・担当・期限」の JSON を取り出して、タスク管理ツールに自動登録
問い合わせメール → カテゴリ分類: 受信メールを { "category": "返品", "priority": "高" } のような形に変換して振り分け
レシート画像 → 経費データ: 画像を読み取って { "店名": "...", "金額": 1200, "日付": "..." } の形で会計システムに流し込む
求人原稿 → 構造化求人情報: 自由文の求人を「職種・給与・勤務地・必要スキル」の項目に整理

「AIに作業させて、その結果を別のシステムに連携する」場面の多くで、Structured Output が縁の下を支えています。

使う前に決めること

Structured Output は便利ですが、先に「どんな箱を用意するか」を決めておかないと力を発揮しません。

たとえば問い合わせメールを分類するなら、少なくとも次のような項目を決めます。

category: 返品、予約、質問、苦情など
priority: 高、中、低など
summary: 人間が読む短い要約
needs_reply: 返信が必要かどうか

確認のコツは、AI の返答そのものより「後続のプログラムが迷わず読めるか」を見ることです。

必要なキーが毎回入っているか
値の種類が決めた型に合っているか
空欄にしてよい項目と、必ず埋める項目が分かれているか
想定外の文章が混ざっても処理が止まらないか

この確認をしておくと、AI の出力を表計算、CRM、予約管理、社内ツールなどに渡すときの事故を減らせます。

注意点

注意

Structured Output は便利ですが、「中身の正しさまでは保証しない」ことに注意してください。

保証されるのは 「形(スキーマ)に合っていること」 であって、「書かれている内容が事実かどうか」 ではない
元の文書に書いていないことを、AIが“それっぽく”埋めてしまう(ハルシネーション)は起こりうる
対応していないモデル・古いモデルでは、スキーマを渡しても完全には守ってもらえない場合がある(各社の対応モデル一覧を必ず確認)

「形が揃っている」=「中身が正しい」ではない、という当たり前を忘れないようにしましょう。重要な抽出結果は人間が抜き取り検査する運用が基本です。

やってみよう

今日やること

今日できる一歩は、普段の ChatGPT などで「答えを JSON で返して」と指示してみることです(API を触らなくても雰囲気は掴めます)。

適当な文章を用意する(ニュース記事のコピーや、自分が書いたメモなど)
プロンプトに 「以下の文章から “タイトル / 要点(配列)/ 想定読者” を抽出して、JSON 形式で返してください」 と指示する
返ってきた JSON を眺めて、項目の揃い方 を確かめる

API で本気で使うときは、ここで言う「JSON で返して」を JSON Schema として厳密に定義して、モデル側にプログラム的に渡します。詳しい使い方は、関連用語の API や Function Calling と合わせて公式ドキュメントを覗いてみてください。

Structured Output は派手な機能ではありませんが、「AIを業務システムに組み込むときの接着剤」として、多くの本格的な AI 活用の裏側で動いている重要なピースです。「AIの答えを、機械が読みやすい形に揃える仕組み」と押さえておけば大丈夫です。