SECTION 01
AIで書いた文章が「誰でも書ける文章」になる原因
AIに「○○について記事を書いて」と指示すると、整った文章が返ってきます。文法は正しく、構成もそれなりに論理的です。
しかし読み返すと、どこかで見たことがある文章にしか見えません。
この違和感の正体は明確で、AIが生成する文章には書き手の体験が載っていないのです。失敗して学んだこと、迷った末に選んだ判断、現場で感じた手触り──こうした一次情報がゼロの状態で書かれた文章は、どれだけ整っていても読者の記憶に残りません。
プロンプトを工夫すれば解決するという意見もあります。しかし、プロンプトだけでは限界があります。
「カジュアルな文体で」「体験談を交えて」と指示しても、AIが作る体験談はあくまで架空のものです。読者はその揺らぎのなさを直感的に察知します。
つまり問題は、AIの性能ではなく使い方の設計にあります。一方的に書かせるフローそのものが、著者性を消す構造を持っています。ここを変えない限り、どんなモデルを使っても結果は同じです。
もう一つ見落とされがちなのが、文体と判断基準の違いです。文体は語尾や言い回しの話ですが、判断基準は「なぜその選択をしたか」という思考の軸を指します。
AIが再現できないのは後者であり、これが抜けた文章は表面だけ似ていて中身がない状態になります。
SECTION 02
答え：AIに「自分へ質問させる」だけで独自性が戻る
この問題に対する自分の答えは、AIに書かせるのではなく、AIに質問させるという発想の転換でした。執筆の主導権を人間に戻すだけで、文章の質がまったく変わります。
具体的なフローはこうです。まずAIにテーマと構成を渡し、「この記事に必要な著者の一次情報を引き出す質問を出して」と指示します。するとAIが「このテーマで失敗した経験はありますか？」「なぜその方法を選んだのですか？」といった問いを投げてきます。
この方式が機能する理由は、質問されると人間は考えざるを得ないからです。漠然と「書いて」と言われると何も浮かばなくても、「なぜそう判断したのか」と聞かれれば具体的なエピソードが出てきます。インタビューと同じ構造です。
引き出されるのは主に3種類の情報です：
- 体験：実際にやってみて分かったこと
- 判断軸：なぜAではなくBを選んだかの理由
- 感情：うまくいかなかったときの焦りや、成功したときの手応え
これらはAIが自力で生成できない情報であり、記事の独自性を決定づける要素そのものです。質問→回答→執筆というステップを挟むだけで、同じテーマの記事でも他の誰とも違う内容になります。
実際にこの記事自体も、このフローで書いています。AIが著者に問いを投げ、その回答を素材にして構成するという方法は、一度やってみると従来の「AIに丸投げ」には戻れなくなります。
SECTION 03
AIにどんな質問をさせると、良い文章になるのか
AIに質問させるといっても、質問の質によって引き出せる情報の深さは大きく変わります。漠然とした質問では漠然とした回答しか返せません。ここでは実際に効果が高かった質問のパターンをご紹介します。
まず体験談を引き出す質問です。「このテーマで最初にうまくいかなかったのはどんな場面でしたか？」「実際にやってみて、想像と違ったことは何ですか？」といった問いが有効です。
過去の具体的な場面に意識が向くことで、抽象論ではなくリアルな描写が出てきます。
次に判断基準を引き出す質問です。これが最も記事の独自性に直結します。
- 「他の選択肢もあった中で、なぜこの方法を選んだのですか？」
- 「同じ状況になったら、今度は違う判断をしますか？」
- 「この判断をしたとき、一番重視した基準は何でしたか？」
そして失敗談を引き出す質問です。「やめておけばよかったと思うことはありますか？」「途中で方針を変えた理由は何でしたか？」。失敗談は読者の共感を最も強く引く素材であり、AIが絶対に生成できない情報でもあります。
重要なのは、AIに任せる部分と自分で答える部分の線引きです。構成の整理、情報の補足、文章の整形はAIに任せて構いません。
しかし「なぜ」「どう感じたか」「何を選んだか」は必ず自分で答えます。この線引きさえ守れば、AIを使っても著者性は薄まりません。
SECTION 04
「自分AI」で再現精度を上げる──4万件のテキストをどう活かすか
質問→回答の執筆フローをさらに進化させたのが、自分AIという仕組みです。自分AIとは、自分がこれまで書いてきたテキストデータをAIに読み込ませ、自分のようにアウトプットできる状態を作るMacアプリです。
読み込ませたデータはメール、X（旧Twitter）、note、Notion、メモなど約4万件です。これだけの量があると、文体だけでなく思考パターンや関心領域まで再現できるようになります。自分自身のデジタルクローンに近い存在です。
データの種類によって再現に効く領域が異なるのが面白い発見でした：
- メール・チャット：口語的な文体、返答のテンポ感
- SNS投稿：意見の出し方、感情表現のクセ
- メモ・Google Keep：思考の断片、関心テーマの傾向
- 長文記事・note：論理展開のパターン、主張の組み立て方
技術的な選択として、RAG（検索拡張生成）ではなく、Claude Codeと時系列プロフィールを組み合わせる方式を採用しました。RAG（Retrieval-Augmented Generation）とは、質問に関連する文書を検索してAIに参照させる手法です。事実の検索には強いのですが、文体や思考パターンの再現には向いていません。
時系列プロフィール方式では、過去のテキストを時間軸に沿って整理し、人物像として構造化します。いつ頃どんなテーマに関心を持ち、どう考え方が変化してきたかをAIが理解できる形にします。
これにより「今の自分」だけでなく、思考の変遷を含めた再現が可能になります。
どのくらいのデータ量から実用レベルになるかという問いへの答えとしては、数千件でも文体の傾向は掴めます。しかし判断基準や思考パターンまで再現するには万単位のデータが必要でした。
日常的にテキストを外部化する習慣が、結果として自分AIの精度を支えています。
SECTION 05
実践：記事1本ができるまでの8ステップ
ここからは、自分AIを使った記事制作の具体的なフローをご紹介します。現在はこの8ステップで1本の記事を仕上げています。この記事自体も、まさにこの流れで書かれたものです。
前半の4ステップはテーマと構成の設計です：
- 検索ニーズを調査する：読者が何を知りたがっているかを把握します
- 検索意図を深掘りする：表面的なキーワードの裏にある本当の悩みを特定します
- 自分AIからナレッジを抽出する：テーマに関連する自分の過去の経験や知見を引き出します
- タイトルを決める：検索意図と自分の独自性が交差する切り口を選びます
後半の4ステップは執筆と仕上げです：
- 構成を決める：セクション構成を自分AIと相談しながら固めます
- 執筆する：AIに質問させて、自分が回答する形で本文を書きます
- サムネイルを生成する：記事の内容に合った画像を作成します
- 記事完成：最終チェックをして公開します
このフローで最も重要なのはステップ3と6です。ステップ3では自分AIが過去のテキストから関連するナレッジを見つけ出してくれます。ステップ6ではAIが「この部分について、あなたの実体験を教えてください」と質問してきます。
従来の「AIに記事を書かせる」フローとの決定的な違いは、人間のインプットが2回入ることです。ナレッジ抽出と質問回答という2つの接点があることで、記事全体に著者の経験が行き渡ります。
AIはあくまで引き出し役と構成役に徹しています。
SECTION 06
RAGではなく時系列プロフィールを選んだ理由
自分AIの技術的な設計で最も議論になるのが、なぜRAGを使わなかったのかという点です。RAGはLLM（大規模言語モデル）活用の定番手法であり、多くの場面で有効に機能します。しかしコンテンツ制作という用途では、限界を感じました。
RAGの仕組みは、質問に関連するテキスト断片を検索して、文脈として渡すというものです。「入江がAIについて書いた文章」を検索して引っ張ってくることはできます。
しかし、それはあくまで過去に書いた文章の切り貼りであって、思考パターンの再現ではありません。
コンテンツ制作で求められるのは、新しいテーマに対して「自分ならどう考えるか」を出力する能力です。過去に一度も書いたことがないテーマでも、自分の判断軸や視点の癖を反映した文章を書きたい。RAGだと参照先がないテーマでは精度が大きく落ちてしまいます。
時系列プロフィール方式では、テキストを情報源としてではなく、人物像の構築素材として扱います。時期ごとの関心事、考え方の変化、価値観の軸を構造化することで、新しいテーマに対しても「この人ならこう考えるだろう」という推論が可能になります。
もう一つの利点は、文体の一貫性です。RAGで断片を参照すると、参照元のテキストの文体に引きずられて出力がばらつくことがあります。プロフィール方式なら文体の特徴を人物像の一部として保持するため、どんなテーマでも安定した文体で出力できます。
ただしこの方式にもトレードオフはあります。プロフィールの構築に手間がかかること、データ量が少ないと人物像が薄くなること。万能ではありませんが、「自分らしい文章を書く」という目的に対しては、RAGより適した選択でした。
SECTION 07
量産しても「自分の名前で出せる品質」を保つチェック方法
AIを活用すれば記事の制作スピードは格段に上がります。しかし速さと引き換えに品質が落ちたら意味がありません。量産しても自分の名前で出せるレベルを保つために、公開前に必ず確認しているポイントがあります。
チェックは大きく3つの観点で行います：
- 事実確認：AIが生成した情報に誤りがないか。特に技術的な説明や固有名詞
- 文体の崩れ：自分が普段使わない言い回しや、過度に丁寧すぎる表現が混じっていないか
- 著者性の薄まり：記事全体を通して、自分の経験や判断が十分に反映されているか
3つ目の「著者性の薄まり」が最も見落としやすいポイントです。一つひとつの文は自然でも、記事全体を読んだときに「この人にしか書けない内容」がどこにもない──という状態は、AIを使うと容易に起こります。
具体的な確認方法として、記事の各セクションに「自分の体験や判断が入っているか」を一つずつチェックしています。もし一つもないセクションがあれば、それはAIに丸投げした箇所です。そこに自分の視点を足すか、セクションごと削ります。
もう一つ意識しているのが、AIが書いた部分と自分が答えた部分のバランスです。理想は、記事の骨格と詳細説明はAIが整え、核となる主張と体験は自分が提供するという配分です。
このバランスが崩れると、読者に「AIっぽさ」が伝わってしまいます。
SECTION 08
アプリ開発者が発信を止めないための仕組み化
個人開発をしていると、「作る」ことには没頭できても「知ってもらう」ための発信が後回しになります。これは自分自身が何度も経験してきた課題であり、サービスを40個以上作ってきた中で痛感したボトルネックです。
フリーランス時代、ブログを書き続けたことが案件獲得の生命線でした。発信を続けることで認知が広がり、それが仕事につながるという体験を何度もしてきました。書くことは「余裕があればやること」ではなく、生存戦略そのものだったのです。
しかし開発が忙しくなると、どうしても手が回らなくなります。多くのプロダクトを作るからこそ、それぞれを届ける時間が足りない。この構造的な問題を解決するために、自分AIを使った発信の仕組み化に取り組んでいます。
現在開発中なのは、キーワード選定から記事執筆までを自分AIでまかなえるマーケティングツールです。自分が作ったプロダクトを紹介するオウンドメディアを運営し、記事制作のフローを半自動化します。ゆくゆくはショート動画の制作まで視野に入れています。
この仕組みの核心は、量産しても著者としての独自性が維持される点にあります。自分AIが過去のテキストから思考パターンを理解しているからこそ、効率化と品質を両立できます。
単なるAIライティングツールとは違い、「自分」が書いたものとして出せるクオリティを目指しています。
まだ完成形ではありませんが、一人でも手数を増やせる時代に、自分自身の分身をデジタルで動かすという発想は現実的な選択肢になってきました。個人開発者にとって、作ることと届けることの両立は永遠の課題ですが、自分AIはその解決策の一つになり得ます。
SECTION 09
AIを使うほど「自分の思考」が問われるというパラドクス
AIライティングについて語ると、よく「AIが進化すれば人間は書かなくてよくなる」という話になります。しかし実際に深く使い込むと、逆のことが起きます。AIを使うほど、自分自身の思考の質が問われるようになるのです。
AIは構成を整えること、情報を補足すること、文章を整形することには優れています。しかし「何を主張するか」「どの体験を選ぶか」「なぜそう判断したか」は、書き手自身が持っていなければ引き出しようがありません。
つまりAIライティングの品質を決めるのは、AIの性能ではなく、書き手のインプットの質です。日常的に考え、記録し、言語化する習慣がある人ほど、AIを使ったときのアウトプットの質が高くなります。
Google Keepにメモを書き続けてきた習慣が、結果として自分AIの精度を支えています。
30回以上のプロダクト開発で大半が失敗だった──その経験の蓄積こそが、AIには代替できない資産です。成功体験だけでなく、失敗から何を学んだかという情報が、記事に厚みと信頼性を与えます。
AIが書けるのは一般論までで、「やってみたから分かること」は人間にしか提供できません。
AIで書いても「自分の文章」にする方法。その答えは結局、自分自身が何を考え、何を経験し、何を選んできたかを、AIに伝えられる形で持っているかどうかにかかっています。技術やツールは手段にすぎません。問われているのは、書き手としての自分自身の厚みです。
