AIは、人々の平均を引き上げると同時に、人々を平均へと引き寄せる

チャットGPTがもたらした「生成AI革命」から、約3年半。
私たちは、長い文章を一行ずつ丁寧に読んだり、自分の手で文章を書いたりすることが、以前より少なくなりました。
日常や仕事の一部にAIを使うことは、もはや当たり前になりつつあります。
AIは文章を書くのが上手です。
「人間如きがAI様の書いた文章を直していいのだろうか?」と思ってしまうほど、論理的に整った文章を、わずか数秒で出力します。
しかも、AIの性能は日に日に上昇中。
どこか不自然だった日本語も、今ではかなり上達しました。かつては当たり前のようにしていた“もっともらしい嘘”も、以前ほど目立たなくなりました。専門的な文章を書くときには、自らインターネットを検索し、出典まで確認してくれます。
ところが、不思議です。
どこか「AIっぽい」。なぜか、あまり面白くありません。
ものすごく頭がよくて研究実績も素晴らしいのに、なぜか講義だけは退屈な教授のような感じです。
では、そもそも魅力的な文章、人の心を動かす文章、個性的な文章とは何なのでしょうか。
多くの人は、親しみやすく受け入れやすいものと、予測できない意外性の、その中間あたりに強い魅力を感じます。
あまりにも見慣れていれば退屈ですし、逆にあまりにも馴染みがなければ、最初から敬遠されてしまいます。
おそらく「センスがいい」と言われる人は、数値化するのが難しいこの間の最適解を、無意識のうちに見つけるのが上手なのでしょう。
では、AIはこの方法を技術的に再現できるのでしょうか。
AIは常に「次に何が来るか」を計算する
生成AIの学習では、次に現れるトークン、つまり「言葉の断片」を予測することが基本的な目標になります。
AIが文章を生成するとき、これまで入力された質問や回答は内部で数値に変換され、今の文脈でどの情報が重要なのかが計算されます。そして、学習によって得たパターンをもとに、次に現れる可能性の高い「言葉の断片」それぞれにスコアを付けます。
ある言葉の断片が次に現れる確率は20%かもしれません。別のものは8%、さらに別のものは0.01%かもしれません。
その中から一つを選び、その言葉を再び文脈に加え、同じ計算を繰り返します。
長い文章も、最終的にはこの連続です。
最近では、AI自ら途中の推論を点検し、修正しながら、長い推論過程を進めることもできるようになりましたが、技術的な原理上、最終的に文章を出力する瞬間には、必ず「次の言葉の断片」に対する確率分布を通らなければなりません。
その結果、「最もそれらしい言葉」を見つけるように学習されたAI特有の、論理的ではあるものの、どこか既視感のある「AIっぽさ」が生まれます。
「最もそれらしい文章」を見つける能力
さらに、現在の生成AIは追加の訓練を受けています。
人間が好む回答を学習し、指示により忠実に従い、より役に立つ回答を出すように調整されます。たとえば、人間が複数のAI回答を比較して好ましいものを選び、その評価を再びAIの学習に反映する、といった方法です。
その結果、「どこか変な表現」を取り除くAIの能力は、今も向上し続けています。
コーディングやビジネス文書のように、文章の個性や人間ならではの感覚がそれほど重要ではない作業では、こうした仕組みは非常に大きな効果を発揮します。
しかし、正解も決まった型もない文章表現になると、少し事情が変わります。
2026年8月24日に『Nature Human Behaviour』で発表された研究では、88万件を超える文章が分析されました。人間が書いた文章をLLMに推敲・書き直させたところ、内容そのものはおおむね維持された一方で、人それぞれにあった文体の違いは小さくなりました。つまり、文章は整えられましたが、人と人との間にあった独特の違いも同時に薄れていったのです。
2024年の『Science Advances』の実験でも、よく似た結果が確認されています。AIが提案したアイデアを使って文章を書いた参加者は、平均すると「より創造的で、よく書けていて、面白い」と評価されました。特に、もともと創作能力が低かった参加者ほど、その効果は大きくなりました。しかし、AIの助けを借りた作品同士を比較すると、作品間の類似性はむしろ高まっていました。
AIは、人々の平均を引き上げると同時に、人々を平均へと引き寄せます。
最も効果的な方法 = 具体的に指示する
AIの仕組みを理解すると、使い方も少し変わって見えてきます。
生成AIの初期には、temperature、top-k、top-pといった値を調整して、回答の多様性を高める方法がよく議論されていました。temperatureは、確率の低い単語も選ばれやすくする設定です。top-kやtop-pは、次の単語を選ぶ際に、どこまでを候補として残すかを調整する仕組みです。
しかし、こうした方法でできるのは「選択肢を広げること」までです。
どの意外性に意味があり、どの意外性が単なるノイズなのかまでは判断してくれません。
現在わかっている中で、結局のところ最も効果的なのは、プロンプトを具体的にすることです。
「具体的な指示」と聞くと、むしろAIの自由が減り、かえってありきたりな回答になりそうに思えます。
ところが、興味深いことに実際は逆です。
曖昧な質問では、答えとして成立する範囲があまりにも広いため、AIは学習してきた中で最も一般的で、安全な表現へ戻りやすくなります。一方で、目的、文脈、視点、必ず入れるべき事実、避けるべき表現など、「平均とは違う条件」を具体的に加えると、次のトークンに対する確率分布そのものが変わります。
その結果、よくある無難な回答が選ばれる可能性は、むしろ下がっていきます。
結局、よいプロンプトに必要なのは、
「もっとクリエイティブに書いて」
という指示ではありません。
どこで“平均”から外れるべきなのかを、AIに具体的に教えることがスタートラインです。
あわせて読みたい
ライティングに関連する記事をもっと見る →
DeepL MCP翻訳で商品名と案内文を統一する方法
同じ商品の日本語名がページによって違い、英語の案内で「出荷」が「到着」に変わっていたら、お客様は何を信じればよいのでしょうか。訳文が自然でも、商品や購入条件が違って伝わ…

AIで提案書を作る前に:RFPの要件・回答・根拠を整理する方法
提案書の文章がどれほど読みやすくても、お客様が求めるセキュリティ資料や運用条件が一つ抜けていれば、確認のやり直しになります。締め切りが近づくほど、文章を増やすことよりも…

AIにうまく仕事を頼む方法 — 2026プロンプト作成ガイド
AIに何か頼んだのに、期待とまったく違う答えが返ってきたことはありませんか。 「クリエイティブに書いて」と言ったらかえって堅くなり、「詳しく説明して」と言ったら終わりな…

ELI5 — AIと私、お互いに伝わる話し方
AIに急いで何かを聞いたら、長くて難しい回答が返ってきた経験はありませんか。 逆に、ちゃんと説明したのにAIがとんちんかんな答えを出してきたことは? 実は、この2つの悩…