AIっぽい文章の正体は英語の直訳｜禁止語リストが効かない理由

「AIに書かせた文章は、読めばすぐ分かる」——そう感じるのに、どこがAIっぽいのかを説明しようとすると言葉に詰まる。多くの方がここで止まります。

結論から言うと、AIっぽさの正体は語彙ではなく、英語の言い回しをそのまま日本語に置き換えた言い方にあります。だから禁止語を増やしても消えません。増やすべきは禁止語ではなく、実際に数えた記録のほうです。

株式会社Fyveでは、毎日AIに記事の初稿を書かせています。この記事では、自分の原稿を実際に数えて分かったこと——「AIっぽい」と予測した34の言い回しのうち、初稿に実在したのは4つだけだったという結果と、その数え方をそのままお伝えします。

「AIっぽさ」は語彙ではなく、言い回しに宿る

AI臭を消そうとするとき、最初にやることはたいてい同じです。禁止語のリストを作る。「〜させていただきます」を禁止する。「いかがでしたでしょうか」を禁止する。それでも、出てくる文章はやはりAIっぽい。

禁止語を増やしても、AIっぽさが消えなかった

私も同じことをやりました。気になった表現を見つけるたびにリストへ足していく。リストは伸びていくのに、初稿を読んだときの違和感は減りません。

おかしいと思ったのは、禁止した覚えのない表現に対しても同じ違和感が出たときです。単語を1つずつ潰していく方法では追いつかない。ということは、問題は単語の側にないのではないか——そう考え直しました。

実際、私が却下した表現を並べてみると、共通しているのは語彙ではありませんでした。共通していたのは「動きや空間のイメージで物事を言い表す」という文の作り方のほうです。

却下した言い回しを英語に戻したら、全部イディオムだった

ここで試しにやってみたことがあります。自分が却下した日本語を、英語に戻してみたのです。すると、ほぼ全部が英語の定型表現に着地しました。

これらは日本語として間違ってはいません。意味も通ります。ただ、日本語でこの内容を書く人は、普通はこう書かないというだけです。

「手が空く」は英語だと自然な比喩ですが、日本語で業務の話をしているときには、たいてい「別の作業に回せる」と直接言います。「壊れ方が静か」も、日本語なら「エラーが出ないまま失敗する」と言うほうが通りがよい。英語では加点される書き方が、日本語では減点になる——この非対称がAIっぽさの本体です。

この見方に変えると、初稿を読むときの作業が変わります。単語を探すのをやめて、「これは英語に戻せるか」と問うようになる。戻せたら、そこがAIっぽさの発生源です。

もう1種類ある——日本語なのにAIだけが多用する語

ただし、全部が直訳型だったわけではありません。もう1種類、性質の違うものが混ざっていました。

「地味に」「刺さる」「効く」といった語です。これらは英語に戻せません。もともと日本語のネット文・技術系の短文でよく使われる語彙です。ところが私自身の書いたものを全部調べると、使用回数はゼロでした。私は一度も使っていないのに、AIは高い頻度でこれを撒いてくる。

つまり、こういう構図です。

• 直訳型：英語の言い回しをそのまま日本語にしたもの。英語に戻せる。予測できる
• 過剰使用型：日本語ネイティブの語彙だが、AIが「この分野の文章らしさの目印」として過剰に学習したもの。英語には戻せない。予測できない

対処の方法は同じ（見つけたら禁止する）ですが、見つけ方が違います。直訳型は英語から機械的に予測できるのに対し、過剰使用型は自分の文章と突き合わせないと見つかりません。ここを混ぜると、次に説明する測定が成立しなくなります。

なぜ日本語なのに英語の匂いがするのか

ここは「そう感じる」で終わらせず、研究の裏づけを確認しておきます。原因が分かると、どこで対処すべきかも決まるからです。

モデルの中身は、英語寄りの概念空間で動いている

スイス連邦工科大学ローザンヌ校（EPFL）のChris Wendlerらは、多言語モデルが非英語の入力を処理するとき、層をまたいで内部表現がどう変化するかを調べています（"Do Llamas Work in English? On the Latent Language of Multilingual Transformers", 2024年2月公開）。

結論はタイトルのとおりでした。中間の層では、意味的に正しい次の語を出せているにもかかわらず、入力言語版よりも英語版のほうに高い確率が割り振られている。そして最後の層で、ようやく入力言語の領域へ移される。論文はこれを「抽象的な概念空間は、他の言語よりも英語の近くにある」と表現しています。

この観察は後続の研究でも支持されています。Lisa Schutらの "Do Multilingual LLMs Think In English?"（2025年2月公開）は、フランス語・ドイツ語・オランダ語・中国語で同様の検証を行い、意味を担う語については、目標言語へ翻訳される前に英語に近い表現がまず現れると報告しています。

逐語訳をしているわけではありません。英語の使い方で形づくられた概念を、日本語の語彙で出力している。だから直訳のような言い回しが湧いてくる、という順序です。

「良い文章」の基準まで英語で学習されている

もう1つ、機構が重なっています。英語の技術文・ビジネス文では、空間や動作の比喩は加点要素です。shift、surface、unlock、free up——こうした語を使えるほど、文章は洗練されていると評価されます。

モデルが「良い文章とはこういうものだ」と学ぶ材料も、英語が優勢です。結果として「鮮やかな比喩を使うと良い文章」という基準を、日本語の出力にも当てはめてくる。ところが日本語の同じ場面は、比喩よりも実物を名指す書き方を好みます。

ここが噛み合っていません。モデルは加点だと思って比喩を足し、日本語の読者は「回りくどい」「実感がない」と受け取る。AIっぽさが「上手そうに見えるのに中身が入ってこない」という形で現れるのは、このためです。

だから指示では消えない

実務上いちばん重要なのはここです。この偏りは学習データの構造に由来しているので、「英語の直訳っぽい表現を避けてください」と指示を書いても、根本的には止まりません。

私の実感でも、指示で抑えられるのは書いた表現そのものだけでした。禁止したものは出なくなりますが、禁止していない別の言い回しが同じ機構で湧いてきます。指示は個別の語には効き、機構には効かない。

だから対処の置き場所を変える必要があります。生成の前で防ぎ切ろうとするのをやめて、出てきたものを投稿前に機械的に照合する工程を作る。指示で守らせるのではなく、通過させない仕組みにするということです。

AI業務効率化SEO記事をAIに書かせる時、品質を一定に保つためにやったこと

予測した34語のうち、実際に出ていたのは4語だけだった

機構が分かると、ありがたい帰結が1つ出てきます。禁止すべき表現は、却下される前に予測できるということです。

従来のやり方は受け身でした。原稿を読んで、気になったものを1つずつリストに足す。これに対して、英語の定型表現から日本語の直訳を機械的に作ってしまえば、まだ出会っていない表現も先回りできるはずです。

そう考えて、実際にやってみました。そして予想と正反対の結果が出ました。

何を数えたか

用意したのは2つの原稿の山です。

• AIの初稿の山：AIに書かせたSEO記事の初稿。40本ほど、合計で約25万字
• 自分が書いた文章の山：私自身が実際に書いて公開した短文の全量

そのうえで、英語の生産性・技術系の定型表現から日本語の直訳を作りました。「扉を開く」「景色が変わる」「輪郭」「霧が晴れる」「種をまく」「武器になる」——AIが言いそうな表現が、34パターン並びました。

判定の条件は2つです。

1. その表現が、AIの初稿の山に実際に出現するか
2. その表現が、自分の文章の山でゼロ回か

両方を満たしたものだけを禁止候補にする。「AIは使うが、自分は使わない」表現だけを取り出す、という考え方です。

結果：34のうち4つ

実際に初稿へ出ていたのは、次の4つだけでした。

34のうち4つ。しかも4つのうち2つは1回しか出ていません。残り30パターンは、出現回数ゼロでした。

この数字が意味することは、はっきりしています。私が「AIっぽい」と思って並べた34語のうち、9割近くは私の思い込みだった。実際のAIは、そんな表現を書いていなかったのです。

もしこの34語をそのまま禁止リストにしていたら、どうなっていたか。リストは34行に膨らみ、そのうち30行は一度も仕事をしません。それどころか、照合のたびに誤って引っかかる危険だけが増えます。数えていない禁止は、思い込みの一覧です。

外れた30語を、どう扱うか

ここで注意したいのは、外れた30語は「間違い」ではないという点です。正しくは「このモデルの、いまの癖ではまだ出ていない」にすぎません。

モデルの世代が変われば、癖も変わります。だから私は30語を捨てず、監視のリストとして残しました。禁止はしないが、次に測定するときにもう一度当てる。禁止と監視を分けて持つのが、実務上の落としどころだと考えています。

禁止リストに入れてよいのは、実際に出た4つだけ。この線引きを守るかどうかで、リストが仕事をするかどうかが決まります。

最初の測定は全滅した——数える対象を間違えていた

正直に書いておきたい失敗があります。この測定、1回目は完全な空振りでした。34パターンのどれも、1回も見つからなかったのです。

原因は、数える対象を間違えていたことでした。1回目に使ったのは、すでに3周ほど手直しを通した原稿です。分量も1万字ほどしかありませんでした。

当然の結果です。手直しの工程で消えたものを、手直しの後で探していた。AIっぽい表現は、まさにその工程で削られていたわけですから、残っているはずがありません。

ここから得た教訓は、そのまま他の測定にも当てはまります。探すための材料は、まだ濾していないものでなければならない。きれいになった成果物を見ても、何が起きているかは分かりません。手を入れる前の状態を保存しておくことが、測定の前提になります。

もし今から同じことを試すなら、まず初稿を捨てずに残すところから始めてください。それが無いと、そもそも数えられません。

自分の環境で同じ測定をやる4工程

ここまでの内容は、私の環境で出た結果です。あなたの環境では、違う4語が出ます。使っているモデルも、書いている分野も、あなた自身の書き癖も違うからです。

だから結果を借りるのではなく、測定のほうを借りてください。工程は4つです。

① 自分が書いた文章を集める

まず、自分が実際に書いて外に出した文章を集めます。メール、社内の連絡、SNSの投稿、過去の資料——形式は問いません。

大事なのは「AIに手伝ってもらっていない」ものだけを入れることです。ここにAI混じりの文章が入ると、判定の基準そのものが汚れます。量は多くなくて構いません。数千字でも、自分の癖は十分に出ます。

② 手直し前の初稿を集める

次に、AIに書かせたそのままの初稿を集めます。ここが今回いちばん重要な工程です。

普段は初稿を上書きして消してしまっている方が多いはずです。今日からは、手を入れる前に別ファイルへ複製しておいてください。1〜2週間ためれば、数万字にはなります。

私の場合は約25万字ためましたが、そこまでは要りません。ただし1万字程度では足りないことは、私の空振りが示しています。数万字は目標にしてください。

③ 候補を作る——英語に戻して当てる

候補の作り方は2通りあります。

直訳型を狙う場合は、英語の定型表現から日本語を作ります。この作業自体はAIに頼んで構いません。「英語の技術文・ビジネス文でよく使われる比喩表現を挙げて、それぞれ日本語に直訳して」と頼めば、候補は簡単に何十個も出ます。

過剰使用型を狙う場合は、英語からは作れません。初稿の側から頻出語を機械的に数えて、上位を眺めるほうが速いです。自分が使わない語が上位に来ていたら、それが候補になります。

ここで候補を厳選しようとしないでください。候補は雑でよく、絞るのは次の工程の仕事です。私も34個並べて、4個に絞られました。

④ 両方に当てて、残ったものだけ禁止する

最後に、候補を2つの山に当てます。判定は単純です。

• 初稿の山に出た、かつ、自分の文章の山でゼロ回 → 禁止リストへ
• 初稿の山に出なかった → 監視リストへ（禁止しない）
• 自分の文章の山にも出ている → 候補から外す（それはあなたの言葉です）

3つ目の条件を忘れないでください。AIっぽく見える表現でも、自分が普段から使っているなら、それを禁止するのは自分の文章を壊す行為です。

ここまでやると、禁止リストは驚くほど短くなります。短くて構いません。34行の思い込みより、4行の実測のほうが仕事をします。

見つけた表現を、どう直すか

禁止リストができても、置き換え方が分からなければ止まります。ここは機械には任せられない部分なので、私が実際にどう直したかを書いておきます。

直し方の原則は1つだけ

原則は「比喩をやめて、実物か実際の動作を名指す」です。それだけです。

AIっぽい表現は、たいてい何かをイメージに置き換えています。「手が空く」は時間の状態を手の様子に、「線を引く」は判断を線という図形に置き換えている。だから、置き換える前のものが何だったかを考えて、そちらを直接書けばよいことになります。

並べてみると、直した側はどれも説明的で、面白みがありません。それでいいのだと私は考えています。読み手が知りたいのは何が起きるかであって、表現の巧みさではないからです。

1段落を実際に直してみる

抽象的な説明より、実物のほうが早いので1つ通してやってみます。次はAIが書いた文章としてよくある形です。

この仕組みを入れると、担当者の手が空きます。確認の負荷を後ろにずらすことで、日々の業務に余白が生まれ、本来やるべき仕事に向き合う時間が返ってきます。どこまでを自動化し、どこから人が見るのか、線を引いておくことが重要です。

読める文章です。しかし4文の中に、先ほどの表から4つの表現が入っています（手が空く／後ろにずらす／余白が生まれる／時間が返ってくる／線を引く）。そして読み終えても、具体的に何が起きるのかが分かりません。

原則どおり、実物と実際の動作に置き換えます。

この仕組みを入れると、担当者が毎回チェックしていた作業がなくなります。1件ずつ確認していたものを、公開の直前にまとめて機械が照合する形に変えるためです。空いた時間は、その分を別の作業に充てられます。どの範囲までを機械に任せ、どこから人が目視するのかは、あらかじめ決めておいてください。

文字数は増えました。読んだときの印象も、前のほうが洗練されて見えるかもしれません。しかし後のほうは何が起きるかを読み手が再現できます。「毎回チェックしていた作業がなくなる」「公開の直前にまとめて照合する」——どちらも動作として指定されているからです。

直すのを、書き手の心がけにしない

1つだけ、運用上の注意があります。この直し方を「気をつける」で運用しようとすると、まず続きません。

私も最初は読み直しのときに注意するつもりでいましたが、疲れている日ほど素通りします。しかも素通りしたことに自分では気づけません。だから照合の工程を投稿の直前に置いて、そこを通らないと出せない形にしました。

直し方は人が決めるもので構いません。ただし「引っかける」ところは機械にやらせる。この役割分担にしてから、ようやく安定しました。

この方法がうまくいかない場面と、私の失敗

万能ではありません。実際に運用して分かった限界を、4つ書いておきます。

禁止できない語が混ざる

いちばん困ったのが「伴走」でした。17回と、ずば抜けて多く出ています。ところがこの語は、私の会社のサービス紹介で実際に使っている言葉です。禁止したら、自社の説明文が書けなくなります。

解決は、禁止の適用範囲を分けることでした。個人名義で書く短文には適用し、会社のサービス説明には適用しない。同じ語でも、どの文脈で書いているかによって扱いが変わる——測定してみるまで、この区別が必要だとは気づきませんでした。

あなたの環境でも、業界の専門語や自社の看板になっている語が上位に来ることがあります。頻度が高いからといって機械的に禁止しないでください。

頻度ゼロでも禁止すべき語がある

逆の失敗もありました。私が読んで明確に「これはAIっぽい」と却下した表現が、初稿の山では0回だったことがあります。日常のやりとりの中で出てきたもので、記事の初稿には現れていなかったのです。

頻度の条件だけで機械的に判定していたら、これは取りこぼしていました。そこで優先順位を決めました。自分が実際に却下した表現は、頻度がゼロでも即座に禁止する。頻度は候補を見つけるための道具であって、判断の基準ではありません。

モデルが変われば、結果も変わる

この4語は、私が測定した時点で使っていたモデルの癖です。モデルを乗り換えたり、世代が上がったりすれば、出てくる表現は変わります。

ですので、この測定は一度やって終わりにはなりません。モデルを変えたタイミングで、監視リストごともう一度当て直す。逆に言えば、工程さえ作っておけば、当て直すのは短時間で済みます。

置き換え後は、たいてい長くなる

最後に、意外だった発見を1つ。AIっぽい表現を自分の言葉に置き換えると、ほぼ毎回、元より長くなります。

たとえば「数え方が合わない」を、私は「単位のそろえ方が違っていて比較できない」に直しました。「データが外に出るかどうか」は「外部に公開される情報かどうか」に直しました。どちらも文字数は増えています。

AIが学んだ美学は「短くて鮮やか」です。私が選んだのは「長くなっても、実物を名指す」ほうでした。短くしようとすると比喩に戻る——この関係に気づいてから、短さを目標にするのをやめました。

AIの日本語が読みにくく感じる理由には、言い回し以外の要因もあります。文の構造やリズムの側面については、こちらで扱っています。

AI業務効率化AIの文章が読みにくい理由と直し方｜認知リズム

文章以外にも、同じことが起きている

この話は文章に限りません。「AIが作ったものが、なんとなくそれっぽい」と感じる場面は、たいてい同じ構造をしています。

スライドの見た目、図解の配色、コードの書き方、提案書の構成——どれも、モデルが学習した「良いとされる型」が出力に出ているだけです。そして、その型は日本語圏・自社の慣習とは必ずしも一致しません。

対処も共通です。感覚で「なんか違う」と却下し続けるのをやめて、却下した実例を集め、共通点を探し、数える。そのうえで、実際に出たものだけを止める仕組みに載せる。

指示を磨くよりも、手元にある実物を材料として使うほうが速い、という話でもあります。この考え方を出力の指示側に当てはめた例は、以下で扱っています。

AI業務効率化AIへの指示が伝わらない原因と直し方｜見本を1枚渡す

まとめ

AIっぽい文章の正体は、語彙ではなく英語の言い回しをそのまま日本語にした言い方です。「手が空く」「壊れ方が静か」「線を引く」——却下したくなる表現を英語に戻すと、ほぼ全部が英語の定型表現に当たります。研究でも、多言語モデルが英語寄りの概念空間で処理していることが報告されています。

そして、この機構は指示では止まりません。禁止した表現は出なくなりますが、同じ仕組みから別の表現が湧いてくるからです。効くのは、生成の前ではなく出てきたものを投稿前に照合する工程のほうです。

ただし、その照合リストを想像で作ってはいけません。私は「AIっぽい」と予測した34の表現を用意して、実際の初稿・約25万字に当てました。残ったのは4つだけ。9割近くは私の思い込みでした。しかも1回目は、手直し済みの原稿を数えていたせいで全滅しています。

やることは4つです。①自分が書いた文章を集める ②手直し前の初稿を集める ③候補を雑に作る ④両方に当てて、残ったものだけ禁止する。今日できるのは②だけで十分です。次にAIに何か書かせるとき、手を入れる前の初稿を1本、別名で保存しておいてください。それが無いと、数えることそのものができません。

禁止語リストが伸び続けているのに手応えが無いなら、足すのを一度止めて、数えるほうに切り替えてみてください。リストは短くなりますが、そのぶん確実に仕事をするようになります。

こうしたAI活用の設計や、品質を仕組みで担保する工程づくりを、事業の実態に合わせて一緒に組み立てる支援を行っています。詳しくは専属AI活用顧問サービスをご覧ください。