まず、境界をはっきりさせておきましょう。生成AIは文法的に正しく、まとまりのある文章を作れます。しかし、「AIらしく見える」ことと、「AIが生成したと証明できる」ことは同じではありません。2026年のAIテキスト検出器は、統計的な証拠から検出スコアやリスクレベルを計算するもので、作者を直接確定するものではありません。

ここでは、検出器が観察できるもの、代表的な手法の仕組み、そして検出結果を文章の作成過程と一緒に判断する理由を見ていきます。

試してみる

文章をすぐに確認しますか？

ブラウザで使える AI テキスト検出ツールで、AIらしい特徴の初期シグナルを確認できます。テキストは端末内に残ります。

AIテキスト検出ツールを開く

検出器が判断するのは作者ではなくパターン

AIテキスト検出器が答えようとしているのは、通常、次のような限定された質問です。

この文章は、現在のモデルとしきい値の下で、人間が書いた文章と機械生成文章のどちらの統計分布に近いか？

検出器には、文章がどのように作られたかを記録する機能はありません。生成後に人が書き直した文章、翻訳・要約された文章、人間の文章と混ぜた文章、または人間が定型文を使って書いた文章では、「人間」と「AI」を単純に二分類できません。

そのため、検出結果はスクリーニングのための信号として使うのが適切であり、作者を判断する唯一の証拠にすべきではありません。

一般的な検出処理の流れ

1. 入力テキストを正規化する

検出器はまず、言語、文字数、エンコーディング、段落の境界を確認します。HTML、コードブロック、引用、重複した文章を取り除くこともあります。短い文章は特に不安定です。観測できる単語と構文が少ないため、いくつかのよくある表現だけでスコアが大きく変わる可能性があります。

言語と分野も重要です。ニュース、製品ドキュメント、論文の要約、チャットには、それぞれ異なる通常の書き方があります。主に英語ニュースで学習した検出器を日本語の技術文書に使う場合、同じスコアが同じ意味を持つとは限りません。

2. トークン確率と順位を測定する

言語モデルは、文脈から次のトークンが現れる確率を計算します。代表的な指標の一つがパープレキシティです。

PPL(x) = exp(-1/n × Σ log p(xᵢ | x₍<ᵢ₎))

直感的には、ある言語モデルが予測しやすい文章ほど、パープレキシティは低くなります。生成方式によっては確率の高い候補を繰り返し選ぶため、AI生成文章に、より滑らかで予測しやすい局所構造が現れることがあります。

ただし、低いパープレキシティはAIの証拠ではありません。専門用語、法律文書、定型テンプレート、丁寧に編集された人間の文章も予測しやすい場合があります。また、参照する言語モデルが変われば、パープレキシティも変わります。

GLTRは、この系統の初期の代表例です。単一のスコアだけでなく、各トークンがモデルの予測で何位に入ったか、たとえば上位10位、上位100位、それより下かを可視化します。論文の人間実験では、GLTRの可視化によって、事前訓練なしの参加者が偽の文章を見分ける割合が54%から72%に向上しました。可視化には効果がありますが、作者を確定する分類器ではありません。GLTR論文（ACL Anthology）

3. 文体と構造の特徴を抽出する

従来型または教師ありの検出器は、次のような特徴も測定します。

  • 文の長さと、その変化の大きさ。
  • 句読点、接続語、機能語、品詞の分布。
  • 繰り返し表現、段落構造、リストのパターン。
  • 語彙の多様性、構文、局所的な一貫性。
  • 事前学習済みエンコーダが作る文章表現。

これらの特徴は、ロジスティック回帰、勾配ブースティング、Transformer分類器などに入力されます。出力は、文章がどちらのクラスに近いかを示す確率です。2024年のDeTeCtive研究は、データセットや新しいモデルをまたぐ汎化性能の問題を指摘し、単一の学習コーパスの表面的特徴を覚えるのではなく、作者ごとの文体を対照学習で区別する方法を提案しています。DeTeCtive論文

4. ゼロショット検出を使う

ゼロショット手法は、新しい生成モデルごとに二値分類器を再学習する必要がない場合があります。DetectGPTは、まず対象言語モデルで元の文章の対数確率を計算し、次に文章を少しだけ変形して、変形前後の確率の変化を比較します。

この論文では、あるモデルが生成した文章は、そのモデルの対数確率関数における負の曲率領域に入りやすいと観察しています。DetectGPTはこの確率曲率を検出基準にします。専用の人間/AI学習データや、生成時の電子透かしを必須としません。特定のGPT-NeoXによるフェイクニュース実験では、最も強いゼロショットベースラインのAUROC 0.81を0.95に改善しました。この数値はその実験条件での有効性を示しますが、すべての言語・テーマ・モデルに対する精度ではありません。DetectGPT論文

5. 生成時に埋め込まれた電子透かしを確認する

電子透かしは事後検出とは異なり、生成モデル側の協力が必要です。代表的な方式では、乱数シードを使って候補トークンを「グリーンリスト」とその他に分け、グリーンリストのトークンが選ばれる確率をわずかに高めます。

帰無仮説の下で、各位置がグリーンリストに入る確率をおよそ γ、各位置をほぼ独立とみなすと、グリーンリストの数 G はおよそ Binomial(T, γ) に従います。正規近似を使うと、次のような標準化統計量で偏りを検定できます。

z = (G - γT) / √(Tγ(1 - γ))

電子透かしの利点は、文体を推測するよりも「参加した生成システムが文章を作ったか」という問いに近い証拠を得られることです。一方で、生成システムが透かしを埋め込んでいる必要があり、翻訳、書き換え、削除、短すぎる文章によって信号が弱くなる可能性があります。Kirchenbauerらは、このグリーンリスト方式と統計的有意性、感度、安全性を提案・分析しました。A Watermark for Large Language Models

6. 複数の信号をリスクレベルに校正する

具体的な実装では、単一の指標だけでなく、確率、文体特徴、モデル出力、文章の長さなどを組み合わせる場合があります。そして、言語、分野、入力長に応じて校正し、低・中・高リスクやパーセンテージとして表示します。

このパーセンテージは、「文章の83%がAIによって書かれた」という意味ではありません。現在のモデル、データ、しきい値の下で、文章がどちらのサンプル分布に近いかを表しているだけです。学習データ、評価データ、対応言語、しきい値が公開されていない場合、数字だけで信頼性を判断するのは困難です。

検出器が誤判定する理由

言語と分野の違い

英語ニュースでは良い性能を示す検出器でも、日本語、第二言語の文章、コードドキュメント、専門的なテンプレートでは結果が変わる可能性があります。ある分野で生成痕跡に見える特徴が、別の分野では普通の書き方かもしれません。

文章が短すぎる

数文だけでは統計的なサンプルが少なすぎます。タイトル、製品説明、SNSの投稿だけでは、パープレキシティ、文体分布、繰り返しパターンを安定して推定できません。

人間とAIの共同執筆

人間がAIに下書きを作らせてから書き直す場合もあれば、文法の修正だけを依頼する場合もあります。人間の著者も、定型文、翻訳ツール、文法チェッカーを使います。この時点で「人間」と「AI」は完全に分離したラベルではありません。

書き換えによって信号が壊れる

単語確率、文型、電子透かしに依存する手法は、翻訳、同義語置換、段落の並べ替え、手動編集によって影響を受けます。2023年の調査論文は、この分野を可能性と不可能性の両面から整理しています。安定した手掛かりが見つかる一方で、回避戦略と理論的な限界にも向き合う必要があります。検出に関する調査

新しいモデルで分布が変わる

生成モデル、サンプリングパラメータ、コンテキスト長が変わると、古い検出器の学習分布が役に立たなくなることがあります。2026年のAEyeDE研究は、表面的なテキスト特徴を補うものとして、注意マップに基づく帰属信号を調べています。この研究は、単純な単語頻度だけでなくモデル内部の表現も扱っています。ただし、特定の実験条件での結果であり、すべての文章を認証する仕組みではありません。AEyeDE論文

検出結果を正しく使う方法

学校、採用、審査の場合

一つのスコアをそのまま「不正」や「欺瞞」に変換しないでください。確認は次の順番で進めると整理しやすくなります。

  1. 検出器のバージョン、言語、文章の長さ、しきい値を記録する。
  2. 高リスクの結果を結論ではなく、確認を始めるきっかけとして扱う。
  3. 下書き、変更履歴、出典、作成時刻、作者の説明を確認する。
  4. 評価された人が背景を説明し、異議を申し立てる機会を与える。
  5. 言語と専門分野ごとに誤検出率を検証する。

コンテンツチームの場合

検出器は、大量のコンテンツから通常と異なるパターンを見つける補助になります。しかし、事実確認、引用確認、編集責任の代わりにはなりません。SEOコンテンツでは、独自調査、明確な出典、正確な表現、実際の編集責任のほうが、検出器に見つからない文章を目指すことより重要です。

文章を簡単に確認したい場合は、AIテキスト検出ツールを利用できます。結果はリスクの目安であり、作者の証明ではありません。

まとめ

2026年のAIテキスト検出は、主に四つの方向に分けられます。トークン確率に基づく統計手法、文体と表現に基づく教師あり分類器、確率曲率を使うゼロショット手法、そして生成時に埋め込む電子透かしです。それぞれ異なる種類の証拠を見ているため組み合わせることはできますが、すべての言語、長さ、テーマ、編集過程で絶対的な結論を出せる方法はありません。

説明できる判断には、複数の証拠が必要です。検出スコアは文章が「何に似ているか」を示し、作成過程は「どのように作られたか」を説明し、出典と変更履歴は「誰がいつ何をしたか」を確認する手掛かりになります。このように証拠を組み合わせるほうが、一つのAI検出パーセンテージに依存するよりも、判断の根拠を説明しやすくなります。

参考資料