AIで書いた記事は、AIに引用されるのか｜引用元の約16%がAI生成と判定された調査から答えます

AIで書いた記事も、AIに引用されています。

海外の調査では、4つのAI検索が引用したページ1万9,154件のうち約16%（3,056件）が、検出ツールで「AI生成」と判定されました。

一方で、AIで書いたページが引用されやすいか、されにくいかを比べた研究は、弊社が読んだ93本の範囲では見当たりません。

研究が分かれ目として示しているのは、誰が書いたかより、質問に合う事実が入っているかです。

記事づくりにAIを使うかどうかを決める場面では、「AIで書くと引用されない」という話と、「AIで書けば十分」という話の両方が耳に入ります。

どちらの話にも、数字の出どころが付いていないことがあります。

この記事は、弊社が作った「買い手がAIに聞く40問」のうち、次の1問に答えるために書きました。

「AIで書いた記事は、AIに引用されますか？」

AIで書くことを勧める記事でも、止める記事でもありません。

何が調べられていて、何が調べられていないかを、条件と一緒に並べます。

対策の全体は、LLMO対策のやり方を9つの工程で書いた記事にまとめてあります。

結論：AIで書いた記事も引用されています。分かれ目は入れる事実です

先に全体を表で示します。

研究で確かめられたことと、確かめられていないことを、左右に分けました。

分かっていることと、分かっていないこと

問い	分かっていること	分かっていないこと	自社で見る所
AIで書いたページは引用されるか	4つのAI検索が引用した1万9,154件のうち、約16%がAI生成と判定された	日本語の質問や日本のサイトで、同じ割合になるか	作り方で止まらず、次の行へ進む
引用されやすいか、されにくいか	比べた研究は、弊社が読んだ93本の範囲に見当たらない	どちらに傾くか	されやすさの数字を見たら、比べた相手を確かめる
何が分かれ目になるか	実験では、質問との関連性が高い文章をAIが重く見た	いまのAIのサービスで、同じ強さで働くか	記事の冒頭が、買い手の質問に答えているか
公開前の書き換えは効くか	AIが作った宣伝ページでは、9種類の書き換えがすべて書き換えなしを下回った	会社の解説記事で、同じ結果になるか	下書きの前に、入れる事実がそろっているか
上位の型に寄せるとどうなるか	模擬実験では、型への近さと品質の結びつきが弱まった	実際のAI検索で、同じことが起きているか	型より先に、自社の事実を決めているか

1行目は、実際のAI検索の答えを集めて数えた調査です。

3行目から5行目は、実験用に作った環境での結果で、実際のサービスの動きを直接測ったものとは別です。

この記事では、AIで書けば引用される、人が書けば引用される、という約束はしません。

この記事の数字の出どころ

数字の出どころは、2種類に分けて書きます。

「海外の調査では」「海外の実験では」と書いた数字は、海外の論文から引いたものです。

「弊社では」と書いた数字は、弊社が自分で数えたものです。

弊社が読んだ海外の研究は、2026年10月2日の時点で93本あり、1本ずつ解説した一覧を公開しています。

お断りしておくと、これらの研究は英語と海外での検証が中心です。

日本語の質問や日本の中小企業で、同じ数字になるとは言えません。

LLMO対策という言葉そのものの説明は、LLMO対策とは何かを書いた記事に分けてあります。

図で見る：AIで下書きを作るときの流れ

下書きにAIを使う場合の流れを、5つの箱で示します。

図は上から下へ進みます。

図の読み方：金色の箱が出発点です

金色で囲んだ1番目が、この記事でいちばん伝えたい段階です。

下書きを作る前に、自社にしかない事実を集めます。

2番目で、その記事が答える買い手の質問を1つ決めます。

3番目が下書きで、4番目は人が事実と数字を確かめる段階です。

5番目は公開のあとの作業で、同じ質問をAIに聞いて、自社のページが引用元に入った回数を数えます。

3番目の箱は、AIでも人でもかまいません

図の中で、AIを使うかどうかが関係するのは3番目の箱だけです。

1番目と2番目で決めた事実と質問は、誰が下書きを作っても同じものが渡ります。

4番目で確かめる数字や固有名詞も、下書きの作り方によって減ることはありません。

あとの節で紹介する研究が扱っているのは、主に1番目と2番目にあたる部分です。

3番目の箱の違いだけを取り出して、引用のされやすさを比べた研究は、弊社の読んだ範囲にありませんでした。

引用されたページの約16%が、AI生成と判定されました

「AIで書いた記事は、AIに引用されますか？」という質問に、いちばん直接に答えている海外の調査を紹介します。

米国の大学の研究者2人が2026年5月に公開した、AI検索が引用したページを検出ツールにかけた調査です。

調べた範囲

項目	内容	読むときの注意
対象のAI	4つのAI検索	利用者と同じ画面から質問している
質問	712問（政治175、健康257、環境280）	すべて英語で、米国に関係する内容
回答	2,848件（712問を4つのAIに1回ずつ）	同じ質問をくり返し聞いた結果とは別
引用されたページ	2万6,266件	重複を除いた数
本文を取得できたページ	1万9,154件（72.9%）	割合の分母はこちら。取得できなかったページは分析の外
判定の方法	市販の検出ツール1種類	判定の1件ずつを人が確かめる工程は、論文の手順に書かれていない
質問した時期	論文に記載がない	いまのAI検索で同じ割合になるかは確かめられていない

この論文は査読前の段階で公開されたものです。

数字を読むときは、英語、米国、3つの話題、1問1回という条件を一緒に持ち歩いてください。

約16%の内訳

検出ツールは、ページを4つの区分に分けました。

検出ツールの判定	件数	割合	論文での扱い
AIの可能性は低い	15,815	82.5%	AI生成に数えない
AIの可能性が非常に高い	2,916	15.2%	AI生成に数える
AIの可能性が高い	140	0.7%	AI生成に数える
AIの可能性あり	283	1.4%	分析から外す
合計	19,154	100%	本文を取得できたページ

「非常に高い」と「高い」を合わせた3,056件が、約16%にあたります。

AI生成と判定されたページは、4つのAI検索のすべてで見つかりました。

AI生成と判定されたページの97.1%は、よく引用される上位25サイトの外から来ています。

引用されたサイトの59.1%は、1回だけの引用でした。

名前の知られた大きなサイトの外側にも出典の席があり、その席にAI生成と判定されたページが並んでいた、という結果です。

下限の目安として読む理由

論文は、約16%を「少なくともこれだけ」という下限の目安として扱うよう求めています。

理由は、本調査の前に行った検出ツールの試験にあります。

AIが広まる前の2022年より前に公開された人の文章200件では、誤ってAIと判定した例は0件でした。

一方、AIで量産していると報じられた7つのサイトの記事105件では、本調査に使ったツールが31.4%を見逃しています。

105件がすべてAI生成だという前提は報道にもとづく仮定で、それ以上は確かめられない、と論文自身が書いています。

判定に使ったツールは1種類だけなので、別のツールを使えば割合は変わりえます。

この数字から言えないこと

この調査が数えたのは、引用されたページの中の割合までです。

AI生成のページが引用されやすいか、されにくいかの比較は、調査の対象に入っていません。

AI生成と判定されたページの中身が正しかったかどうかも、評価されていません。

日本語の質問は1問も含まれていないため、日本語の文章に対する検出ツールの精度も、この論文の外にあります。

「引用されやすいか」は、比べられていません

約16%という数字を見ると、「意外に多い」とも「8割以上は人が書いている」とも読めます。

どちらの読み方も、引用のされやすさについては何も言えていません。

割合と、されやすさは別の数字です

されやすさを言うには、比べる相手が要ります。

候補に挙がったのに引用されなかったページの中に、AI生成のページがどれだけあったか、という数字です。

ウェブ全体でAI生成のページがどれだけあるか、という数字でも代わりになります。

先の調査には、このどちらもありません。

引用されたページの中の割合だけでは、候補の中にAI生成のページがどれだけあったかが分からないため、引用されやすいかどうかは読めません。

弊社が93本で確かめた範囲

弊社では、解説した研究の本文を「AI生成」「AIが書いた」「機械生成」の3つの言葉で検索し、当たった箇所を読み直しました。

AIで書いたページと人が書いたページを並べ、引用される割合を比べた研究は、その中にありませんでした。

近い所を扱った研究は、次のとおりです。

研究が調べたこと	AIで書いたページの扱い	比べていないこと
AI検索が引用したページの監査	引用されたページの中の割合を数えた	引用されなかったページとの差
公開前の書き換えの実験	AIが作った宣伝ページと、人が書いた既存ページで、書き換えの効き方を別々に測った	2種類のページそのものの引用のされやすさ
手を加えたページを見分ける研究	人が書いた文章、AIが手直しした文章、AIが書き下ろした文章を教材にした	3種類の文章の引用のされやすさ

93本の外にそうした研究がある可能性は残ります。

言えるのは、「弊社の読んだ範囲では見当たらない」という所までです。

見分ける側の研究でも、作り方と中身が混ざっていました

3行目の研究は、AIの答えに出やすいよう手を加えたページを見分ける手法を調べたものです。

評価用の文章3,200件で既存の手法を比べると、見かけの成績が良い手法ほど、文章をAIが書いたかどうかを手がかりにしている疑いがありました。

手を加えたかどうかを見たいのに、誰が書いたかで判定が動いていた、という指摘です。

著者らは自分たちの検出器を作り、2026年7月28日から31日に配信された2つの検索の結果ページ1万95件にかけています。

手を加えたページと判定されたのは8.90%で、そのページが引用していた6,663件のうち69.34%が「検証しにくい」に分類されました。

どちらも著者らの検出器による推定で、ページの持ち主が意図して手を加えたかどうかを確かめたものとは違います。

質問は英語圏の利用者が検索した1,000件で、査読前の論文です。

「AIが書いたか」と「中身に確かめられる根拠があるか」は、研究の側でも分けて測るのが難しい、という材料として読めます。

されやすさの数字を見かけたとき

「引用元の何割が人の記事」「AIの記事は何割」という数字を見かけたら、次の4つを確かめられます。

• 分母は何件で、どの言語のどんな質問から集めたか
• AI生成かどうかを、何で判定したか
• 判定の見逃しと誤判定が、どのくらいあったか
• 引用されなかったページや、ウェブ全体の割合と比べているか

4つ目が書かれていない数字は、引用されたページの中の割合です。

されやすさの根拠として使うには、材料が足りません。

弊社がこの質問をAIに聞いた結果

弊社でも、この記事の質問をそのままAIに聞いて、引用元を数えました。

結果は、弊社のページは2回とも引用元に入らなかった、というものです。

測った条件

項目	内容	読むときの注意
測った日	2026年10月2日	1日だけの結果
AIの種類	Claude	ほかのAIでは違う結果になりうる
聞いた質問	AIで書いた記事は、AIに引用されますか？	社名を入れていない質問
回数	2回	回数は少ない
引用元の件数	1回目が7件、2回目が6件	延べ13件。2回とも出たページがある
弊社のページ	2回とも引用元に入らなかった	この質問に答える記事を公開する前の結果

引用元になったページの社名は、この記事には書きません。

測り方と記録の残し方は、引用されない記事の測り直しを書いた記事にまとめてあります。

ほかの質問を合わせた全体の数字

同じ日に、40問のうち13問を、同じAIに2回ずつ聞いています。

社名を入れない11問では、弊社のページが引用元に入ったのは22回中1回でした。

社名を入れた2問では4回中2回で、1問は2回とも入り、もう1問は2回とも入りませんでした。

弊社のメインサイトの公開記事は、2026年10月2日の時点で1,008本です。

記事の本数があっても、買い手が社名を知らずに聞く質問では、22回のうち21回で出典の席に座れていなかったことになります。

引用元を読んで分かったこと

弊社では、この2回の答えに付いた引用元のうち、開けたページを読みました。

書かれていた事実の種類は、言葉の定義、対策の手順、引用元に占める割合の数字の3つでした。

割合の数字を載せたページには、分母と判定の方法が書かれているものもありました。

一方で、次の事実は、読んだページには見当たりませんでした。

• 割合を下限の目安として読む、という断り
• 引用されなかったページと比べていない、という断り
• AIが作ったページと人が書いたページで、書き換えの効き方が逆になった実験
• 同じ質問を自分で聞いて数えた、日付と回数つきの記録

この記事は、その4つを中心に書いています。

次の測り直しは2026年11月1日ごろで、同じ質問を、同じAIに、同じ回数だけ聞きます。

測り直す前なので、この記事を公開した結果がどうなるかは、いまの時点では分かりません。

分かれ目は、質問に合う事実が入っているかです

誰が書いたかの代わりに、研究が分かれ目として示しているものを見ていきます。

1つ目は、AIがどんな文章を答えの根拠に選ぶかを調べた海外の実験です。

実験の中身

項目	内容	読むときの注意
質問	賛否が分かれる質問	AIに作らせた実験用の質問で、英語
文章	質問を検索して集めたウェブページの本文	出典のURLや公開日、見出しはAIに渡していない
比べ方	賛成側と反対側の文章を1つずつAIに見せ、どちらの立場で答えるかを数える	渡した文章だけを根拠に答えるよう指示している
規模	あるモデルの評価では、238問と2,208件の文章	モデルごとに規模は変わる
対象のAI	5つのモデル	2023年時点のモデル

結果として、AIは質問との関連性が高い文章を強く重視しました。

文章の内容をほとんど変えずに関連性だけを高める小さな書き換えでも、AIの答えが動いています。

読みやすさと語彙は、ほとんど相関しませんでした

人が信頼の手がかりにする読みやすさや語彙の多様さは、AIの判断とほとんど相関しませんでした。

科学的な出典や自信のある文体を足す書き換えも、効果は中立か、下がる方向でした。

文章の特徴と結果を並べた部分は相関の分析なので、因果までは示されていません。

この結果は、2023年時点のモデルと、実験用に作ったデータで得られたものです。

日本語の文章や、いまのAIのサービスで同じ結果になるかは、論文自身が確かめていません。

文章のなめらかさは、AIを使うと整えやすい所です。

この実験の範囲では、そこを整えることと、AIに根拠として選ばれることは、ほとんど結びついていませんでした。

この2文は弊社の受け取りで、実験がAIで書いた文章と人が書いた文章を比べたわけではない点は、お断りしておきます。

自社の記事で見る所

質問に合う事実が入っているかは、次のように点検できます。

見る所	確かめ方	足りないときにすること
題と最初の見出し	買い手の質問文と並べて、同じ言葉が入っているかを見る	質問の言葉をそのまま使う
冒頭の2〜3文	冒頭だけを読んで、質問の答えになっているかを見る	答えを先に言い切る
答えの根拠	数字に、分母と測った日と条件が付いているかを見る	元の資料に戻って、条件を足す
自社の事実	ほかのサイトに無い事実が、1つ以上入っているかを見る	社内の人に聞いて、1つ足す

4つとも、下書きを誰が作ったかとは関係なく確かめられます。

AIで作ったページは、あとからの書き換えが効きにくい結果でした

2つ目は、公開前の書き換えがAIの引用にどう効くかを測った海外の実験です。

この実験では、もとの文章をAIが作ったか人が書いたかで、同じ書き換えの効き方が逆になりました。

2つの実験の結果

もとの文章	当てた書き換え	結果	条件
AIが作った宣伝目的のページ	キーワードを足す、権威的な文体にするなど9種類	3種類のAIのすべてで、9種類とも書き換えなしを下回った	検索の上位5件に、宣伝ページ1件を足してAIに渡した
人が書いた既存のページ	同じ9種類	目立ち方の指標の平均が18.72から19.71へ上がった。下がったのは1種類	同じ質問集。書き換え前の値が18.72

目立ち方の指標は、AIの答えの中でそのページを根拠にした文がどれだけを占めるかを、語数と位置で数えたものです。

質問は英語の質問集から取られ、引用の判定も文章の質の採点も自動で行われています。

実際のAIのサービスで同じ結果になるとは限らない、と論文自身が述べています。

論文の説明：整った文章に手を足すと、自然さが崩れる

論文は、この逆転を次のように説明しています。

AIが作った文章はすでになめらかなので、書き換えが冗長さを増やし、自然さを崩して逆効果になりやすい、という考え方です。

人が書いた文章では、同じ書き換えが構成や文体のすき間を埋めるので効きやすい、とも書かれています。

これは論文の解釈で、仕組みそのものを確かめた実験ではありません。

この結果から言えること、言えないこと

言えるのは、AIが作った宣伝ページでは、あとから言い回しを足す書き換えが効かなかった、という所までです。

AIで書いたページは引用されにくい、という結論は、この実験からは出てきません。

2つの実験は別々に行われていて、AIが作ったページと人が書いたページを同じ土俵で比べていないためです。

実験に使われたAIのページは、会社名を毎段落に入れ、急がせる表現を使うよう指示して作らせた宣伝文でした。

会社の解説記事とは、文章の性格が違います。

弊社の受け取りを書くと、AIで下書きを作る場合は、公開前の言い回しの手直しに頼らず、下書きの時点で入れる事実を決めておくほうが、この結果と合います。

型へ寄せるほど、中身との結びつきが弱まりました

3つ目は、上位の文書の型へ寄せる書き換えをくり返した海外の模擬実験です。

AIで下書きを作るとき、上位の記事の構成を手本として渡す作り方があります。

その作り方を全員が続けたら何が起きるか、に近い問いを扱っています。

実験の中身と結果

項目	内容
文書	英語の文書。商品推薦と質問応答の6分野から各20問、1問あたり候補は5〜10件
手順	AIが順位を付け、上位10%の文書に共通する特徴を割り出し、ほかの文書の一部をAIがその特徴へ寄せて書き換える
回数	20回くり返す
測ったもの	上位の型への近さと、別系統のAIが採点した品質との結びつき（順位相関）
結果	6分野すべてで弱まった。変化は-0.107から-0.018、平均-0.068
対照	でたらめな特徴へ寄せた場合は、弱まり方が小さかった

20回目の値は、どの分野もプラスのままでした。

関係は逆転しておらず、弱まった、という結果です。

文書の品質そのものが下がった、とも論文は書いていません。

上位の型に近いことが、中身の良さの目印として働きにくくなった、と読むのが論文に沿った受け取りです。

読むときの条件

これは実際のウェブで起きたことを観察した研究とは違い、順位づけへの適応だけを切り出した模擬実験です。

順位を追うことが品質の低下を引き起こす、という因果も確かめられていません。

日本語の記事で同じ結果になるかも、調べられていません。

それでも、上位の記事と同じ形に整えることは、質問に合う事実を入れることの代わりにならない、という材料にはなります。

型を渡して下書きを作ること自体は、人が書く場合でも起きることです。

AIを使うと同じ型の記事を短い間に何本も作れるので、型だけがそろった記事が増えやすい、というのが弊社の見方です。

自社にしかない事実を先に集めます

ここからは、図の1番目と4番目にあたる作業を書きます。

下書きを作る前に集めるのは、自社の中にしか無い事実です。

集める事実の種類

事実は、次のように分けて集められます。

事実の種類	中身	社内で聞く相手	書き留める形
数えた数字	件数、回数、本数など、自社で数えたもの	記録を付けている担当者	数字と、分母と、数えた日
手順	実際に行っている作業の順番	その作業をしている人	順番どおりの箇条書き
買い手の言葉	商談や問い合わせで聞かれた質問	営業や窓口の担当者	聞かれた文のまま
断っていること	引き受けない条件、対応していない範囲	責任者	条件と理由
うまくいかなかった例	試して合わなかった方法	現場の担当者	何を試し、何が起きたか

表の中身は一般的な分け方で、弊社の決まりとして示すものではありません。

集め方の細かい手順は、自社にしかない事実の集め方を書いた記事に分けてあります。

先に集める理由

AIは、渡されていない自社の事実を知りません。

事実を渡さずに下書きを頼むと、返ってくるのは、どの会社のページにも書ける一般的な説明になります。

先に紹介した実験では、AIが重く見たのは質問との関連性で、文章のなめらかさではありませんでした。

事実の一覧を先に作っておけば、下書きを誰が作っても、同じ事実が記事に入ります。

人が書く場合も順番は同じで、事実が手元に無いまま書き始めると、一般的な説明が並びます。

人が確かめる所：数字・日付・固有名詞

下書きができたら、公開の前に人が確かめます。

確かめる所は、数字と日付と固有名詞の3つに絞れます。

AIの書き換えで、事実が足されることがあります

先の模擬実験では、書き換えの中身を別のAIで点検しています。

3,472件の書き換えのうち、3.4%に事実の付け足しが見つかりました。

書き換えを担当したAIには、事実を変えない、新しい事実を作らない、という指示が与えられていました。

指示があっても、足されることがあった、という結果です。

点検したのもAIなので、3.4%という値そのものは目安として受け取ってください。

AI検索が引用したページの調査でも、AI生成と判定されたページの中身が正しいかどうかは評価されていませんでした。

引用されることと、書かれていることが正しいことは、別々に確かめる必要があります。

確かめる所と、照らす相手

確かめる所	照らす相手	確かめられなかったとき
数字	元の資料の表や本文。分母と条件も一緒に読む	その数字を外す
日付	発行元の現行のページ、自社の記録	日付を書かずに、確かめた日を書く
固有名詞	公式の表記、相手に確かめた表記	名前を出さない書き方に変える
引用した文	原文のその箇所	引用の形をやめる
自社の事実	下書きの前に作った事実の一覧	一覧に無い事実は、社内に聞いてから載せる

5行目が、下書きの前に事実を集めておくもう1つの理由です。

一覧があれば、下書きに入っている自社の事実が、一覧から来たものか、足されたものかを見分けられます。

確かめる手順は、記事に入れる事実のそろえ方を書いた記事で詳しく扱っています。

自社で進めるか任せるかを決める材料は、LLMO対策を自分でやる場合の記事にあります。

AIで一気に増やす場合

AIを使うと、短い期間に何本も下書きを作れます。

本数を一気に増やす場合に確かめておきたいのは、Googleの文書が何を問題にしているかです。

Googleの文書が問うのは、目的と中身です

Googleの「ウェブ検索のスパムに関するポリシー」には、「大量生成されたコンテンツの不正使用」という項目があります。

ユーザーの役に立つことでなく、検索ランキングの操作を主な目的として大量のページを生成すること、と説明されています。

例に挙がっているのは、ユーザーへの価値を足さずに大量のページを作る場合です。

同じポリシーの冒頭には、スパムにはAIの回答を操作する試みも含まれる、と書かれています。

見る所	Googleの文書での扱い	自社で確かめること
作り方（AIが書いたか、人が書いたか）	基準にされていない	作り方の話と、中身の話を分ける
主な目的	ユーザーの役に立つことか、検索ランキングの操作か、が問われる	その記事が誰のどの質問に答えるかを1行で書けるか
中身の価値	ユーザーへの価値を足しているか、が問われる	自社の事実や、確かめた数字が入っているか
記事の本数	何本からを大量とするかの数は、弊社が読んだ範囲の公式文書に見つかっていない	本数の前に、1本ずつの中身を見る

例の中に生成AIが出てくるので、AIで書いた記事がすべて対象だと読まれることがあります。

ポリシーの説明は作り方を問わない立て付けで、条件になっているのは、価値を足していないことのほうです。

ここに書いたのはポリシーの記載で、個別のサイトがどう判定されるかを弊社が予測するものではありません。

本数が増えると、確かめる数も増えます

下書きを作る数は増やせても、数字と固有名詞を人が確かめる作業は、本数の分だけ要ります。

公開する本数は、確かめる人の手が回る範囲で決めることになります。

ポリシーの中身と弊社の実測は、記事を大量に公開する施策について書いた記事で扱いました。

避けたほうがよい施策の全体は、やってはいけないLLMO対策をまとめた記事にあります。

通常の検索での扱い

ここまでは、AIの答えに引用されるかどうかの話でした。

通常の検索での扱いは、AIで書いた記事の検索での評価を扱った記事に分けてあります。

検索の順位と、AIの答えの引用元は、同じ記録では確かめられません。

書いた記事については、検索の表示回数と、AIに同じ質問を聞いて数えた回数を、別の欄に書き留めておいてください。

よくある質問

Q1. AIで書いた記事は、AIに引用されにくくなりますか

引用されにくくなる、と示した研究は、弊社が読んだ93本の範囲には見当たりません。

引用されやすくなる、と示した研究も見当たりません。

海外の調査では、4つのAI検索が引用した1万9,154件のうち約16%がAI生成と判定されましたが、この調査は引用のされやすさを比べていません。

Q2. 人が書けば、引用されやすくなりますか

人が書いたことだけで引用されやすくなる、と示した研究も、弊社の読んだ範囲には見当たりません。

海外の実験でAIが重く見たのは、質問との関連性でした。

2023年時点のモデルと英語の文章を使った実験で、いまのAIのサービスでの確認はされていません。

Q3. 約16%という数字は、日本語でも同じですか

分かりません。

調査の質問は712問すべてが英語で、米国に関係する政治・健康・環境の内容でした。

日本語の文章に対する検出ツールの精度も、調査の範囲に入っていません。

Q4. AIで下書きを作ったあと、人はどこを見ればいいですか

数字と日付と固有名詞を、元の資料と照らしてください。

海外の模擬実験では、事実を作らないよう指示したAIの書き換え3,472件のうち、3.4%に事実の付け足しが見つかりました。

確かめられなかった数字は、外します。

Q5. 「引用元の何割が人の記事」という数字を見ました。AIで書かないほうがいいですか

その数字だけでは決められません。

引用されたページの中の割合は、引用されなかったページやウェブ全体の割合と比べて初めて、されやすさの材料になります。

分母、判定の方法、見逃しの率、比べた相手の4つが書かれているかを、先に確かめてください。

まとめ

AIで書いた記事も、AIに引用されています。

• 海外の調査では、4つのAI検索が引用し本文を取得できた1万9,154件のうち、約16%（3,056件）がAI生成と判定された。英語・米国向けの712問で、検出ツール1種類による下限の目安
• AIで書いたページが引用されやすいか、されにくいかを比べた研究は、弊社が読んだ93本の範囲には見当たらない
• 実験でAIが重く見たのは質問との関連性で、読みやすさや語彙の多様さはほとんど相関しなかった（2023年時点のモデル）
• AIが作った宣伝ページでは、9種類の書き換えがすべて書き換えなしを下回り、人が書いたページでは平均で上向いた
• 上位の型へ寄せる書き換えを20回くり返す模擬実験では、型への近さと品質の結びつきが6分野すべてで弱まった
• 弊社がこの質問をClaudeに2回聞くと、引用元は7件と6件で、弊社のページは2回とも入らなかった（2026年10月2日）
• 下書きの前に自社の事実を集め、公開の前に数字・日付・固有名詞を人が確かめる

道具の違いで分かれる、と示した研究は見当たらず、入れる事実で分かれる、という材料は複数ありました。

海外の研究は英語と海外が中心で、日本語で同じ結果になる保証はありません。

弊社の次の測り直しは2026年11月1日ごろです。

今日できる点検

道具を買わずに、今日のうちにできる点検を表にしました。

AIで下書きを作った記事でも、人が書いた記事でも、同じ表で点検できます。

点検の表

点検すること	やり方	結果の見方
記事が答える質問を書く	記事を1本選び、答えている買い手の質問を1文で書く	1文で書けるかを、はい・いいえで書く
冒頭を読む	冒頭の2〜3文だけを読む	その質問の答えになっているかを見る
自社の事実を数える	ほかのサイトに無い事実に印を付ける	印の数を数える。0なら社内に聞いて1つ足す
数字を照らす	本文の数字を、元の資料と1つずつ照らす	確かめられなかった数字を外す
日付と固有名詞を照らす	日付と名前を、発行元のページや自社の記録と照らす	違っていた所を直す
AIに聞く	書いた質問を、AIに2回聞く	自社のページが引用元に入った回数と、引用元の件数を書き留める

点検のあとにすること

6つの点検が終わると、その記事について、答える質問、自社の事実の数、確かめた数字の数、AIに聞いた結果の4つが手元に残ります。

下書きを誰が作ったかは、この4つのどこにも入っていません。

AIに聞いた日と回数は、記録の端に書いておいてください。

翌月に同じ質問を同じ回数だけ聞くと、最初の記録と比べられるようになります。

ページを増やしても問い合わせが来ないなら、原因はページの外にあります。その場合は、下の入口からご相談ください。