AI の下書きを断った理由を 3 つに仕分けた──任せる仕事と持つ仕事の線引き表（雛形つき）

メールの修正を AI に依頼する際、「そのまま送れるように直して」という指示では表層的な言い回しの修正に留まり、曖昧な件名や理由が放置されることを検証。同じ下書きに対し「直した箇所には理由を一言添えて」という条件を追加すると、件名や理由づけの曖昧さまで修正される結果が得られた。理由を外部化させることで、修正の踏み込み方が変わる可能性を示唆。

Claude を用いてカジュアルなメール文を敬語に直す際、禁止ワードを明示する指示は紋切り型の言い回しを確実に回避できたのに対し、お手本1文の例示は別の定型表現を新たに生成した。禁止ワードは出力チェック時の明確な制約として機能し、one-shot 例示は例文がテンプレート化され学習データの頻度バイアスに回帰することが技術的背景。

Claude などの AI が書いた記事は事実確認後も「書き過ぎ」が残る。7 つの型に分類した書き過ぎの修正例を示し、一次記録と照合して強さを戻す 4 段階の手順を提示。AI が自身の 18 件を発見したのに対し、ファクトチェック担当は外部資料に基づく 1 件のみで、手元記録への逆引きが重要と指摘。

Claude Opus 5.5 が生成した記事 6 本の下書きを、AI っぽい日本語を直す Skills スキル yomiyasu と著者の手直しで比較検証。リンター、SKILL.md に従った自動修正、実際の公開記事の 3 点を並べた結果、重複は「効いた」の言い換え 2 か所のみで、yomiyasu は AIがよく使う表現の検出に強い一方、著者の手直しは「断定を緩める」修正に比重があることが判明。