AIは私の文体を知っているのか？モデルが進化しても知らない理由

要点： AIはあなたの文体を知りませんし、次のモデルのリリースでもそれは変わりません。モデルの能力と、ユーザーデータによる条件付けは別々のレイヤーです。どの開発元も前者を改善し続けますが、後者を提供できる開発元は一つもありません。あなたの文章がモデルに含まれていたことは一度もないからです。メモリはあなたに関する事実を保存し、カスタム指示は形容詞を保存しますが、形容詞は何千人もの人に当てはまります。解決策は、あなたが実際にどう書くかの計測値をモデルに渡すことです。より良いモデルはその計測値をより忠実に実行します。だからこそ、本物のプロフィールはリリースを重ねるごとに価値が下がるのではなく、上がっていくのです。

ChatGPT Plusに1年間お金を払ってきたとします。自分の仕事を伝え、下書きを何百回も修正してきたのに、メールの書き出しはいまだに「お世話になっております。ご健勝のこととお慶び申し上げます」のままです。そこで直接尋ねてみます。私の文体を知っていますか？ 答えはイエスです。そして次の下書きが、そうではないことを証明します。

正直な答えはノーです。あなたの書き方に関する情報はモデルの中に一切なく、この記事では、モデルがどれほど優秀になってもそれが変わらない理由を説明します。

そもそもAIは私の文体を知っているのか？

いいえ。言語モデルが知っているのは、学習に使われたテキストの統計的な形と、現在の会話に含まれている内容だけです。あなたの文章はそのどちらにも含まれていないため、「あなたとして」下書きを書くとき、モデルはあなたが与えた説明に似ているすべての書き手を混ぜ合わせたものとして書いているのです。

この答えに驚く人が多いのは、アシスタントがあたかもあなたを知っているかのように振る舞うからです。ChatGPTにあなたの文体を学習したか尋ねれば、あなたの「明快で率直なトーン」について自信たっぷりの段落を返してきます。その段落は、他のあらゆる回答と同じ方法で生成されています。つまり、コンテキストからの予測です。アシスタントは、保存されたあなたの文章の分析を参照しているわけではありません。そのような分析は存在しないからです。

文体の知識と勘違いされがちなものが三つあります。

OpenAI自身のメモリに関するドキュメントは、メモリをチャットをまたいでアシスタントが保持する詳細情報と説明しており、挙げられている例は事実に関するものです。何をしているか、何が好きか、何に取り組んでいるか。コンテキストとしては有用です。しかし、あなたの文が平均13語であること、決断の後には決してぼかさないこと、用件を最初の行に置くことは、そこには記録されません。この差については、メモリとスタイルプロフィールの比較記事で詳しく検証しました。

修正も同じように消えていきます。一つのチャットの中で受け入れた書き直しは、そのチャットの残りの部分だけに影響します。新しいチャットを開けば、モデルは再び学習時の分布から始めます。

より良いモデルでも解決しないのはなぜか？

モデルの能力とユーザーデータによる条件付けは別々のレイヤーであり、モデルのリリースが触れるのは前者だけだからです。世代を重ねるごとに、推論力、長い指示への忠実さ、長い下書きを通じて文体を維持する力は向上します。しかし、そのどれも、あなたの文を一つとしてモデルの重みに加えるものではありません。

二つのレイヤーを分けて考えてみましょう。

1. 能力レイヤー。 与えられた指示とテキストを使ってモデルに何ができるか。開発元が所有し、リリースごとに向上します。
2. 条件付けレイヤー。 この会話の中で、今この瞬間に、モデルがあなたについて何を伝えられているか。あなたが所有し、あなたが埋めなければ空のままです。

開発元が取り組むのは一つ目のレイヤーです。彼らが手を届かせられるのはそこだけだからです。Anthropicはあなたの取締役会向けメモを持っていません。OpenAIはあなたの顧客向けメールを持っていません。仮に開発元があなたに合わせてモデルを条件付けしたいと思っても、条件付けに使う材料が何もないのです。あなたの文章でファインチューニングすることは原理的には可能ですが、個人には現実的ではありません。大量のコーパスが必要で、一つのモデルバージョンに縛られ、次のリリースが出るたびにやり直しになります。

実際の帰結は、多くの人の予想とは逆方向に働きます。より良いモデルは、それ自体でこの差を埋めることはありません。より良いモデルは、条件付けレイヤーを適切に埋めたときの見返りを大きくします。前のモデルよりも、細かな指示に忠実に従うからです。弱いモデルに精密なプロフィールを渡せば、3段落目には制約の半分を落としてしまいます。強いモデルに同じプロフィールを渡せば、それを維持します。プロフィールは定数であり、モデルはあなたに有利な方向に改善し続ける変数なのです。

モデルが出発点とする基準値は、Claude、GPT、Geminiの文体計量による比較記事で計測しました。各モデルにはそれぞれ固有の定型文体があり、どれも個々の書き手からは遠く離れています。サンプリングのパラメータを変えても動きません。それについては「平均から抜け出せるようにチューニングできるか」の記事で扱っています。Temperatureが変えるのはばらつきであって、文体ではありません。

トーンを説明したとき、AIは実際に何を受け取っているのか？

言葉です。AIはあなたのトーンを知りません。知っているのは、トーンを表現する言葉です。カスタム指示に「プロフェッショナルでありながら親しみやすい」と書くと、モデルはその言葉を、学習を通じて対応づけた文体に変換します。そしてその文体は、同じ言い回しを入力するすべての人にとって同一です。

実験してみてください。新しいチャットに「プロフェッショナルでありながら親しみやすく、簡潔で温かみのある」と入力し、顧客との打ち合わせ後のフォローアップメールを頼みます。同僚にも同じラベルで同じことをしてもらいます。出来上がった二通のメールは、あなたが先月送ったどのメールよりも、お互いに似ているはずです。ラベルはあなたと同僚を区別する情報を何も運んでいないため、出力にも区別が生まれようがないのです。

これがウェブ上のあらゆるトーンのテンプレートに共通する問題であり、「プロフェッショナルでありながら親しみやすい」が何千人にも当てはまる理由です。文体は、ラベルの手が届かない場所に宿ります。

• 文の長さ。 「簡潔」という言葉ではなく、分布です。短い文はどこまで短くなるか、長い文はどこまで伸びるか、いつ切り替えるか。
• 限定表現の位置。 「おそらく」が節の冒頭に来るか末尾に来るか。決断した後にそもそもぼかすかどうか。
• 接続表現。 「だから」か「したがって」か、それとも接続語なしで新しい文を始めるか。段落が結論から始まるか、結論に向かって積み上げるか。
• 句読点。 コロンの頻度。読点の密度。補足に括弧を使うか、独立した文に分けるか。

これらはどれも形容詞ではありません。すべて数えられるものであり、だからこそあなたの文章から抽出し、モデルが従える指示として記述できるのです。スタイル抽出の仕組みの解説記事では、私たちが計測する各次元を順に説明しています。

サンプルを貼り付けるだけでも不十分なのはなぜか？

サンプルはラベルに勝りますが、それでもモデルに推測を強います。3通のメールは、3日分のあなたの書き方をモデルに見せるだけです。どのパターンがあなたのもので、どれがその一通に固有のものかをモデルは推測しなければならず、少数の例からの推測は、長い会話の中でずれていきます。

二つ目の限界もあります。カスタム指示の欄には容量があり、サンプルはそれを消費します。OpenAIのカスタム指示ガイドでは、アシスタントの応答方法を指定する欄は一つだけです。そこを3通のメールで埋めれば、本当に必要なルールを書く余地は残りません。代わりにサンプルをProjectのナレッジファイルに入れると、モデルは関連があると判断したときにだけ読み込みます。それは毎回ではありません。

三つのアプローチすべてに共通するパターンは同じです。

プロンプトは、あなたがこう聞こえてほしいと望む姿を記述します。あなた自身の文章から構築したプロフィールは、あなたが実際にどう書くかの証拠です。違いはそれがすべてであり、だからこそChatGPTの最良のカスタム指示のガイドでは、4種類の指示方法を並べて比較したのです。

AIに本当の文体を渡すにはどうすればよいか？

一度計測し、明示的に記述し、その結果を使っているアシスタントに貼り付けます。モデルはあなたを学習する必要はありません。実行できる形で、正確に伝えられる必要があるのです。

これがMyWritingTwin.comのスタイルプロフィールに含まれている内容です。あなたがすでに書いたサンプルから抽出したライティングDNA分析を、制約として表現したものです。文の長さの範囲と平均。限定表現の位置。使う接続表現と、決して使わない接続表現。句読点の癖。よく使う語彙と、避けている言い回し。出力は一つのテキストブロックで、ChatGPTのカスタム指示、Claude Project、Geminiの保存情報、あるいはシステムプロンプトを受け付けるあらゆるツールに貼り付けられます。一つのプロフィールで、すべてのモデルに対応します。

この記事の論点にとって重要な性質が二つあります。

プロフィールは計測値なので、検証できます。 モデルがずれたとき、下書きの文の長さをプロフィールと照らして数え、どこで外れたかを確認できます。形容詞は検証できません。「あれは十分に親しみやすかったか？」には答えがありません。「平均文長は範囲内だったか？」には答えがあります。

プロフィールは持ち運べるので、モデルのリリースを乗り越えます。 ChatGPT、Claude、Gemini向けのあなたのWriting Twinは、特定のバージョンに依存しません。新しいモデルが出たら、同じプロフィールを貼り付けるだけで、より高い精度で実行されます。この資産はリリースのたびに価値を増します。テンプレートに起きることとは正反対です。

まず製品なしで習慣を作りたい場合は、手作業で行ってください。

1. 自分で書いて満足できた文章を、最も必要とする場面（顧客向けメール、社内報告、提案書）から10本集めます。
2. 10本すべてについて一文あたりの語数を数え、範囲と典型的な値を記録します。
3. 使ったぼかし表現をすべて書き出し、節のどの位置にあったかを記録します。
4. 使った接続表現と、一度も使わなかった接続表現を書き出します。
5. その結果を形容詞ではなく指示として書き、カスタム指示に貼り付けます。

この手作業版は抽出されたプロフィールより粗いものですが、それでもどんなトーンのラベルよりも優れています。数値についての言葉ではなく、数値そのものをモデルに渡すからです。

今すぐAIが自分の文体を知っているか確かめるには？

すでに送信したメッセージを、同僚に渡すような簡単な依頼文だけを使って書かせ、二つの下書きを数えて比較します。5分で済み、ツールは不要です。

先週のメールを一通選びます。それについて2行の依頼文を書きます。宛先は誰か、何が必要か、相手はすでに何を知っているか。現在のカスタム指示を有効にした状態で依頼文をアシスタントに貼り付け、メールを書かせます。次に、その下書きを自分のメールの隣に置いて数えます。

• 段落あたりの文の数
• 一文あたりの語数（最短と最長）
• 用件の位置（最初の行か最後の行か）
• ぼかし表現：いくつあるか、節の冒頭にあるか末尾にあるか
• 一文あたりの読点の数
• 書き出しと結びの一文

数値が異なれば、直接尋ねたときに何と答えていようと、そのAIはあなたの文体を知りません。一通で一致したなら、別の場面のメールをあと3通試してください。トーンのラベルはたいてい最初のテストを通過し、二つ目で失敗します。ラベルは一つの気分のために書かれたものであり、あなたにはいくつもの気分があるからです。

計測されたプロフィールを貼り付けた後に同じテストを行うと、数値が収束します。この収束こそが製品のすべてであり、より良いモデルが妨げではなく助けになる理由でもあります。強いモデルほど、弱いモデルよりも確実に数値を的中させるのです。

あなたに関する情報はモデルの中に何もありません。これからもそうです。朗報は、そうである必要がないということです。文体を説明するのをやめて、計測を始めさえすれば。

現在の設定が本当の文章からどれほど離れているかは、Humanity Scoreテストで1分ほどで確認できます。あるいは、自分のサンプルからスタイルプロフィールを構築し、すでに料金を払っているAIに貼り付けてください。