AI臭の正体は語彙ではなく、文の長さが均質になるリズムのクセである。良いモデルを選んでも、この癖は解消されないという実測結果が公開された。
AI臭とは
AI臭とは、生成AIが書いた文章に特有の「機械っぽさ」を指す。今回の実測では、体言止めの有無や翻訳調構文といった語彙面よりも、文の長さが揃うリズム面の均質さが主因であることが定量的に示された。
- Zennの記事は人間文137本とAI文406本を比較した実測結果を報告している
- AI臭の判定軸は語彙面(体言止め・「〜ではなく」反復・翻訳調構文)とリズム面(low_burstiness・low_sentence_variance)の2つ
- 良いモデルを選んでもリズムの均質さは解消されないという逆説的な結果が出た
- 文長・段落構成の均一性が高い(88〜95%程度)ほど、リズム系検出器で強く反応する傾向が見られた
- 対策はモデル選定ではなく、プロンプト設計・lint・人間承認を組み込んだ工程設計にある
背景:生成AI文書の「読みにくさ」はどこから来るのか
情シス部門やITマネージャーが社内文書生成にAIを使う場面は増えている。しかし出来上がった文章に「AIっぽさ」を感じ、手直しに時間を取られるケースは珍しくない。従来はその原因を定型句や翻訳調の言い回しに求める向きが多かった。だが最新モデルは、悪目立ちする決まり文句をほとんど使わなくなっている。
それでも読んでいて眠くなる文章は生成される。2026年7月13日に公開されたZennの記事は、その正体を定量的に突き止めた点で注目に値する。
発表内容:7モデル×406本の実測とAgent Skill「natural-japanese」
筆者は、AIが書いた日本語を自然な日本語に整えるAgent Skill「natural-japanese」を開発し公開した。元記事によれば、Claude CodeやCodexのプラグインとして動作する。
このスキルの特徴は、「自然に書いて」とプロンプトで頼む代わりに、AI臭を機械的に検出するlintを工程に組み込んだ点にある。lintの閾値は、人間の文章137本(青空文庫の随筆12本、note・Zenn・官公庁文書など125本)と、AIの文章406本のコーパスで校正されている。
AIコーパスは、Claude系4モデル(Fable 5・Sonnet 5・Opus 4.8・Haiku 4.5)とGPT系3モデル(GPT-5.6-sol・GPT-5.6-terra・GPT-5.6-luna)に、ブログやビジネス文書など58種のお題を1本ずつ書かせた計406本で構成される。
技術的なポイント:語彙面とリズム面の二軸診断
AI臭の検出は語彙面とリズム面の2軸で行われる。語彙面では体言止めの有無、「〜ではなく」という反復構文、翻訳調の品詞列パターンを見る。リズム面では、文長の均質さを見るlow_burstinessと、段落内の文数・文長の変動係数を見るlow_sentence_varianceの2指標を使う。
実測で分かったのは、AI臭が強く出るのは文長が均質な場合だという点である。全文の長さが平均56モーラ前後で揃っていたり、3段落すべてがきっかり4文で構成されていたりすると、リズム系の検出器が反応する。逆に、4文字の断定的な短文と80モーラを超える長文が混在すると、この検出は通りにくくなる。
重要なのは、修正の方向性を誤ると別の均質さに陥る点である。長い文を短く切りそろえただけでは、平均文長は縮んでも標準偏差が小さいままになり、警告は消えない。ばらつきを作るには、短文と長文を意図的に混在させる必要がある。
ベンチマーク:文長・段落構成の均一性が高いモデルほど検出されやすい
記事の実測では、AI文の多くで文長の均一性が88〜95%という高い水準に達し、段落構成の均一性も約50%に上る例が確認された。3段落すべてがきっかり4文で構成されるなど、人間の文章では起こりにくい規則性が、複数のモデルに共通して見られたという。
この結果が示す逆説は明確である。語彙面や内容の組み立てが優れていても、文長・段落構成のリズムが均一であれば、AI臭の検出は強く出る。語彙面の品質とリズム面の自然さは、別軸で評価する必要がある。
独自コメント:モデル選定より工程設計への投資が重要
この実測結果は、社内文書生成にAIを活用する情シス部門にとって、実務上の示唆に富む。多くの企業は「もっと性能の良いモデルに切り替えれば、文章の質は改善する」という前提でAIツールを選定している。しかし今回の調査結果に従えば、リズムの均質さという癖は比較対象の7モデルに共通して残っており、モデルのグレードやベンダーを変えるだけでは解消されない。AIエンジニアアカデミーの研修現場でも、受講者から同様の相談を受けることが多い。最新版のモデルに入れ替えても「AIっぽさ」が消えないという声である。この記事の実測は、その体感を裏付けるデータとして扱える。投資すべきは高性能モデルへの乗り換えではなく、プロンプト設計・lint・人間承認を組み合わせた工程そのものだという結論は、システム開発の提案書にもそのまま転用できる視点である。
社内向けプロンプトに組み込むべき「文長ばらつきルール」
社内文書生成用のプロンプトには、次のようなルールを追加することが有効である。一文の長さを15〜60モーラ程度の範囲で意図的に変化させ、時々5モーラ前後の断定的な短文を挟むよう明記する。箇条書きで列挙しがちな内容は、あえて一つの長文に畳んで文体に緩急をつける。体言止めは1文書につき1〜2回程度に留め、多用は避ける。
具体的には「各段落の文数は揃えず、2文の段落と5文の段落を混在させる」「同じ文の長さが3文以上続かないようにする」「重要な結論は短い体言止めや断定文で示す」といった指示が、リズムの均質化を防ぐ実践的な手立てになる。
社内AIライティングガイドラインのチェックリスト案
- 段落ごとに文数を変える(すべての段落を同じ文数で揃えない)
- 一文の長さにメリハリをつける(短文と長文を混在させる)
- 体言止めは1文書に1〜2回程度に抑える
- 「〜ではなく」型の対比構文を連続させない
- 箇条書き的な羅列は、文脈に応じて一文にまとめ直す
意義:lint→判断ループを社内AIエージェント設計に応用する
natural-japaneseの設計思想は、検出は機械が決定的に行い、直すかどうかの判断はAIまたは人間が行う、というものである。lintはエラーとして処理を止めず、警告として疑いを提示するだけに留められている。
この設計は、RAGや文書生成エージェントを社内システムとして構築する際のガードレール設計にそのまま応用できる。検出ステップと承認ステップを分離し、指標を機械的に自動最適化させない仕組みが重要になる。指標を自動修正のトリガーにしてしまうと、指標だけを最適化する現象、いわゆるグッドハートの法則的な形骸化が起きる。固有名詞の反復など誤検知が疑われる場合は、理由を記録した上で残すという人間の判断を工程に組み込むことが、実務上の再現性を保つ鍵になる。
情シスが社内向けAIエージェントを企画・提案する際は、この「検出は自動、修正判断は人間が承認」という多段階ワークフローを設計に取り込むことで、品質担保の仕組み化を提案書に落とし込みやすくなる。
よくある質問
Q1. AI臭はモデルを変えれば解決しますか
今回の実測では、AI臭のうちリズム面の均質さは比較した7モデル共通の癖として残っており、モデル変更だけでは解消しないことが示された。語彙面の改善は進んでいるが、文長のばらつきという課題はモデル横断で残る。
Q2. AI臭を減らすために一番簡単にできる工夫は何ですか
文長にメリハリをつけることである。短い断定文や体言止めを1〜2回混ぜつつ、長めの説明文と組み合わせるだけでも、機械的なリズムは緩和されやすい。
Q3. 社内文書生成でAI臭を自動チェックする仕組みは作れますか
文長の標準偏差や段落内の文数のばらつきを機械的に測定し、警告として提示する仕組みは実装可能である。ただし修正の可否は人間またはAIの判断に委ね、自動修正はしない設計が望ましい。
Q4. モデルによって自然さに差はありますか
語彙面の巧拙にはモデルごとの差があるが、リズム面の均質さという癖は比較対象の7モデルに共通して見られた。総合的な自然さは、モデル単体ではなく工程設計に左右される。
こうした最先端AI技術を扱えるエンジニアを育てる「AIエンジニアアカデミー」では、実践的なカリキュラムを提供しています。
