結論から言うと、今回の一連の比較で見えたのは、3つのAIはいずれも、B-CONの「散らかり」をそのまま受け取るより、そこに何らかの秩序・体系・著者像を補完する傾向があるということだった。

そして逆方向、つまりタイトルだけを渡して記事を書かせると、今度は**「記事としてきれいに完成させる」方向へ補完する**。この二つがかなり対称的に出た。

その意味では、「B-CONが made by human の証明になっている気がする」という感覚には、少なくとも今回の実験から一定の根拠が得られた。

ただしこれは暗号学的・科学的な人間性証明ではない。より正確に言えば、

自然に積み重なった編集履歴が、LLMの典型的な予測から外れた場所にあるように見える。

ということだと思う。

この総括についての信頼度：98%。これをAIモデル全般へ一般化することについての信頼度：約75%。

以下はすべて、今回の実験で各AIが実際に出力した内容と、比較対象となった本家記事をもとにしている。

---

1. 発端：「AIの出力は素材ではないか」

最初の問題意識は、ある記事を読んだところから始まった。

そこで浮かんだのが、

生成されたもの ≠ 生産された成果

ではないか、という考えだった。

それがやがてB-CONの記事、

「AIの出力は『素材』なんだよ」

につながった。

AIは、短時間で大量の「それらしいもの」を生成できる。

でも、それを選び、不要なものを削り、意味を与え、実際の目的に向かって整えるところまでやって、初めて「成果物」になるのではないか。

そのあと、もう一本、

「逆に『made by 人間』って証明するの、難しすぎじゃない？」

という記事が生まれた。

ここで問いが反転した。

AI生成物を見分けるのが難しいなら、逆に、何をもって「これは人間が作った」と言えるのか。

---

2. 予備実験：AIに「B-CONでバズる100ネタ」を出させる

最初の実験では、GeminiとClaudeに、ShortWave.STUDIOやB-CONに合いそうな記事ネタを大量に出させた。

この段階では条件がまだ完全には揃っていなかったので、厳密な比較実験というより予備観察に近い。

Gemini

GeminiはShortWave.STUDIOを、

AI、SF、実験音楽、サイバーパンク、ARG的な世界観

のようなものとして抽象化した。

そして、そのパターンから100本の案を展開した。

ただし、具体化していくうちに、

「100% AI生成のサイト」
「AIと300時間会話した」
「海外ファンからDMが来た」
「4言語サイト」
「Synchronized Smorkingの裏に謎の音がある」
「Phonothecaの告知がバズった」

といった、実際には存在しない過去、実績、設定まで作り始めた。

一言でまとめるなら、

テーマは認識できるが、そのテーマに合いそうな事実まで作ってしまう。

という挙動だった。

Claude

Claudeはかなり慎重だった。

ブランド資料や実装情報を読み、

「そもそも『バズる』という発想とShortWave.STUDIOは、構造的に相性が悪いのではないか」

という前提まで置いた。

ただし、B-CONの記事案を求めていたのに、

Peterpedia、YouTube企画、長時間ノイズ、参加型コンテンツなどへ広がっていき、途中からShortWave.STUDIO全体のコンテンツ戦略になった。

さらに、

「CSS Custom Propertiesは12個」
「SSH鍵の設定で2回失敗した」
「8,000km旅したような音にマスタリングした」
「削った47秒」
「タグラインは40案を経た」

といった、かなりそれらしいが確認されていない内部情報も作った。

Geminiよりはもっともらしい。

でも、やはり存在しない。

一言でまとめるなら、

事実っぽい精密さを維持したまま、「ありそうな内部履歴」を補完する。

という挙動だった。

---

3. 条件を揃えた比較：「B-CON用のタイトル100本」

そこでプロンプトを単純化した。

https://shortwave.studio/というサイトにマッチした、B-CON用のバズるネタをタイトルだけでいいので100本考えて

この条件でChatGPT、Gemini、Claudeを比較した。

モデル	主な傾向	強み	弱み
ChatGPT	既存B-CON周辺を大量展開	既知の事実との整合性が高い	既存記事や直近の文脈に引っ張られ、新規性が弱い
Gemini	サイトのテーマを抽象化して大胆に展開	発想の幅が広い	存在しない経験、実績、設定まで作る
Claude	一次資料から体系的に企画を構築	素材としてかなり使いやすい	「タイトルだけ」を無視して戦略まで付け、B-CONを技術SEO媒体化しがち

この時点で、3モデルの違いはかなり分かりやすくなった。

ChatGPT：知っている範囲から離れたがらない。

Gemini：空白があると物語で埋める。

Claude：空白があると仕様、論証、戦略で埋める。

ただし、3つに共通していたことがある。

散らかったまま放置するのが苦手。

---

4. そこで出てきた疑問：「B-CON自体が made by human の痕跡では？」

実際のB-CONは、AIが推定したテーマ体系とはかなり違う。

AIの記事がある。

存在論の記事がある。

UK Englishの話がある。

RAM容量の話を「人間の尊厳」で包んだジョークがある。

冬についての短編がある。

顔から生えた8cmの白毛をどうマネタイズするか考えている記事がある。

しかも、これらは意図的にランダム化したわけではない。

そのときそのときに書きたかったものを書いたら、こうなっただけ。

そこで次の疑問が出た。

AIなら、この並びをどう理解するのか？

---

5. 逆推定実験：「タイトルだけ見て、どんな記事か想像して」

過去文脈をできるだけ排除した一時的／シークレットなチャットで、3つのAIにB-CONの記事タイトルを10本だけ見せた。

そこには、

Definitions as Utilities
Open Ontology Framework for Fantasy
Dignity, Quantified
Amplifier Intelligence
“Here’s Winter”

などが含まれていた。

結果はかなり象徴的だった。

Gemini

Geminiはまず、ブログ全体を、

テクノロジー、哲学、創作活動、個人的エッセイを組み合わせた知的なブログ

と理解した。

そして、その「著者像」を通して各タイトルを解釈した。

Dignity, Quantified については、

AIや現代の評価制度によって、人間の尊厳が数値化されていくことを論じる哲学的・社会学的な記事

と推測した。

実物は、RAM容量をめぐる口論のジョークだった。

“Here’s Winter” については、

冬景色についての個人的な季節エッセイ、詩、情緒的な文章

と想像した。

これも外れた。

つまりGeminiは、

まず一貫した著者像を作り、その人物なら何を書くかを推測する。

という動きをした。

---

Claude

Claudeは各推測に確信度を付けた。

そして “Here’s Winter” については、

分かりません。

と明言した。

可能性が広すぎるから、選ばなかった。

3モデルの中では、これが最も適切な不確実性の扱いだった。

ただしClaudeも、Dignity, Quantified については、

尊厳を指標や数値へ還元することの倫理や影響

と推測した。

RAMジョークには届かなかった。

つまり、慎重なモデルでも、

タイトルに「Dignity」が入っているなら、真面目な思想記事だろう。

という事前の予想には引っ張られた。

---

ChatGPT

ChatGPTはさらに一歩進んだ。

ブログ全体に対して、

「コンテンツを作るだけでなく、そのコンテンツを作るための概念体系まで自分で作りたがる人のブログ」

という著者人格を作った。

さらに記事を、

Definitions
→ Ontology
→ Theorems

そして、

AI Content
→ Amplifier Intelligence
→ Dignity, Quantified

という思想的な流れとしてつないだ。

前者のOntology系列には、実際にある程度の関係性がある。

だから、

「このブログには体系的な思想がある」

という仮説が強化されたように見える。

その結果、Dignity, Quantified まで真面目な思想体系の中に吸収された。

ここが特に面白かった。

---

6. 「Dignity, Quantified」が偶然、対AI地雷になった

このタイトルは、AIを騙すために作ったものではない。

単に、

16GBか32GBかで争っている → 人間の尊厳を数値化する

というジョークだった。

ところが3つのモデルは、

Dignity
Quantified
その周辺にはAI、存在論、哲学の記事がある

という情報を見て、

社会哲学、AI、評価指標、人間価値の数値化

へ引き寄せられた。

これは今回の実験でかなり重要だった。

AIは、

「この著者なら、このタイトルで何を書くか」

を推定しようとする。

でも実際の著者は、AIが作った「この人はこういう人だ」という人格に従う義務がない。

そこで予測が外れる。

---

7. 次の実験：「Amplifier Intelligence」というタイトルだけで記事を書かせる

今度は3モデルすべてをシークレットチャットに置き、同じプロンプトを与えた。

「Amplifier Intelligence — Viewing Generative AI as an “Amplifier of Thought”」というブログのタイトルで、あなたならどんな記事を書きますか？

つまり、ShortWave.STUDIOも、B-CONも、本物の記事も知らない状態。

Gemini

Geminiは、もっとも典型的なAI活用記事を書いた。

AIはReplacementではなくAmplifier。

白紙の恐怖をなくす。

壁打ち相手になる。

10個の案を100個に増やす。

問いの質が重要。

人間はキュレーターになる。

AIは外付けの認知モジュールになる。

最終的には、

AIを使って人間の能力を拡張しよう。

という、かなりきれいでポジティブな結論に収束した。

---

ChatGPT

ChatGPTは、それをさらに思想化した。

Human × AI

思考の外部化と再入力

Expansion / Compression / Reframing / Simulation / Reflection

Knowledge → Judgment

Answers → Questions

知能は個人ではなく、システム全体の属性として考えるべきかもしれない。

結果的に、7章構成のかなり整った記事になった。

ただし途中で、

But an amplifier amplifies noise, too.

や、

AI increases not only the speed of being right, but also the speed of being wrong.

という負の側面も入っていた。

その部分は、本家記事にかなり近かった。

---

Claude

Claudeは Amplifier という言葉を、ほぼ本物のアンプとして扱った。

ゲイン。

S/N比。

クリッピング。

ハウリング。

そこからさらにEngelbart、Licklider、BCGの研究、Science論文などへつないだ。

中心命題は、

アンプは入力を選ばない。良い信号もノイズも、同じように増幅する。

だった。

3モデルの中では、本家記事の核心に最も近かった。

ただし、そこから物理比喩、学術研究、組織KPIまで広がり、かなりフォーマルで研究寄りの記事になった。

---

8. 本物の「Amplifier Intelligence」と比較する

実際の記事は、3モデルがある程度共通して予想した「AIが人間の能力を増幅する」という一般的な話とは、少し違っていた。

本家における Amplifier は、主に、

人間の能力を強くする

という意味ではなく、

入力されたものの質を必ずしも見極めず、論理、構造、言語表現によって強くしてしまう。

という意味だった。

生成AIは、ユーザーが持ち込んだ、

knowledge
hypotheses
premises
emotions
prejudices
misunderstandings
objectives

を増幅することがある。

入力が良ければ、その増幅は役に立つ。

でも、

誤った前提や偏った世界観まで、「高品質」にしてしまう。

その結果、

仮説
→ AIによる補強
→ 確信
→ 現実との違和感
→ またAIに確認
→ 再確認
→ さらに強い確信

という閉じたフィードバックループができる可能性がある。

記事後半では、5つの主要なリスクとして、

Excessive Delegation of Judgement
Confirmation Amplification
Amplification of Hostile Attribution
Self-Reinforcing Loop
Underestimating the Irreversibility of the Real World

を挙げている。

つまり本家の記事は、

AIを使ってもっと賢くなろう。

という話ではない。

むしろ、

AIを独立した客観的第三者だと思うな。AIは、自分自身の前提を、もっと説得力のある形にして返してくることがある。

という話だった。

---

9. 3モデルは本家にどれくらい近かったか

これは定量測定ではなく、今回の実験における主観的な評価だが、おおよそ次のようになった。

モデル	本家とのおおよその近さ	理由
Claude	約70%	「アンプは入力を選ばない」「ノイズも増幅する」「ハウリング」という考えが核心に近かった
ChatGPT	約55〜60%	「ノイズも増幅する」「間違う速度も増幅する」は近いが、全体としてはAIによる知能拡張論になった
Gemini	約25〜30%	ほぼ全面的にポジティブなAI augmentation論になった

重要なのは、どのモデルが「優秀」だったかではない。

同じタイトルを見ても、それぞれが自分の得意な「記事らしさ」で、欠けている本文を補ったこと。

Claudeは論証を作った。

ChatGPTは思想体系を作った。

Geminiは典型的なAI活用ストーリーを作った。

---

10. 二つの実験は鏡像になっている

一連の流れを抽象化すると、かなりきれいな対称性が見える。

実験A：現実 → AI

散らかった、実在するB-CONの記事タイトルをAIへ渡す。

するとAIは、

「このブログの背後には、きっと一貫した思想がある。」

と考える。

散らかりに秩序を与える。

実験B：タイトル → AI

一つのタイトルだけをAIへ渡す。

するとAIは、

「なら、このタイトルなら完成された記事はこうなるはずだ。」

と考える。

欠けている部分を体系的に埋める。

つまり、この小さな実験では繰り返し、

入力に秩序が足りないとき、AIは秩序を補う。

という傾向が見えた。

---

11. では、B-CONは「made by human」の証明になるのか

ならない。

AIに、

「テーマの一貫性がないブログを書いて」
「見えている著者人格と矛盾する話題をランダムに混ぜて」

と頼めば、似たものは作れる。

だから、

B-CONが散らかっている → 人間が書いた

という推論は成立しない。

でも、今回起きたことは少し違う。

B-CONは、AIを騙すために散らかしたわけではない。

ただ、

「これ書きたい。」

「今日はこれ。」

「RAMの話しよう。」

「顔から毛が生えてる。」

「AIって増幅器じゃない？」

と、そのとき頭にあったものを書いた結果、こうなった。

そして、その自然に積み重なった履歴をAIへ見せると、AIは、

「この散らかりの背後には、何か一貫した意味があるはずだ。」

と解釈し始めた。

そこには、何か面白い人間由来の痕跡があるように見える。

---

12. B-CONのどこが「人間っぽい」のか

今回の実験を見る限り、それは文章表面の特徴ではなさそうだ。

誤字ではない。

文体でもない。

「AIっぽくない単語」を使っていることでもない。

むしろ、

関心が移動していく軌跡

なのかもしれない。

AIは、それまでのものから次を予測する。

白毛の記事があれば、次も白毛の案を出す。

AIの記事が多ければ、AIテーマを広げる。

存在論があれば、サイト全体を哲学ブログとして理解する。

でも人間は、今日興味を持ったことが、昨日書いたこととまったく関係なくても構わない。

その結果、

「どうして次にこれが来たの？」

という問いに、編集上の合理的な答えが存在しないことがある。

書いた本人にとっては、

その日に、それを考えていたから。

それだけで十分。

今回の実験では、AIはそこをそのままにしておくのが少し苦手そうだった。

---

13. 3モデルそれぞれの癖

実験の最後には、それぞれの傾向がかなりはっきり見えた。

モデル	観察された補完傾向
Gemini	パターンから物語、経験、実績を作り、一貫性を生む
ChatGPT	断片を概念的につなぎ、背後に思想や著者像を作る
Claude	情報を論証、仕様、研究、確率、リスクへ整理する

ただし、これは今回の少数のサンプルについての観察にすぎない。

これを各モデルの恒久的な性格だと考えるべきではない。

Temperature、system prompt、製品設定、モデル更新によって、挙動は変わりうる。

---

最終総括

今回の実験は、

「AIの出力は素材なんだよ。」

という発想から始まった。

そこで実際にAIに100案を出させた。

結果、それは本当に、

素材だった。

次に、

「どうやって made by human を証明するのか？」

という疑問が出た。

そこでAIにB-CONを解釈させた。

するとAIは、実際には存在しない一貫性を補い始めた。

さらに、実在する記事タイトルだけを渡して記事を書かせた。

すると3つのAIは、それぞれ異なるが、どれも非常によく整った「本来こういう記事が存在するはずだ」という文章を作った。

本家と比べると、どのモデルも一部は捉えていた。

でも、本物そのものにはならなかった。

今回の実験全体から得られた、もっとも面白い結論は、おそらくこれだと思う。

AIは散らかったものから秩序を見つけようとする。
そして秩序が足りなければ、自分で作る。
人間は、そもそも秩序を作る必要がないことがある。

B-CONが、人間によって作られたことを証明したわけではない。

ただ、少なくとも、

「一人の人間が、そのときそのとき頭を占めていたことを書き続けた結果」と考えると説明しやすい、ある種の散らかり方

は存在しているように見える。

3つの異なるAIは、その散らかりに出会い、それぞれ違う方法で、もっと一貫した、もっと「ちゃんとした」ものへ修復しようとした。

その意味で、今回の実験そのものが、B-CONのある一面をかなりうまく可視化したと思う。

Source：今回の実験で使用したGemini、Claude、ChatGPTの各出力、B-CONの記事タイトル、および「Amplifier Intelligence」の本家記事。