LLMを活用した執筆術：AIをゴーストライターではなく校正者として使う

中心となる主張：校正とゴーストライティングの違い

人間らしい独自の声を維持し、AI生成テキスト特有の「不気味の谷」を避けるためには、LLMをゴーストライターとしてではなく、校正者として活用すべきです。読者はしばしばLLMが生成した散文を「執筆」ではなく「出力」として感知してしまうため、実際の草稿作成はすべて著者が行うことが不可欠です。執筆プロセスにおけるLLMの主な有用性は、疲労することなく完成した草稿の欠陥を機械的に指摘できる点にあります。

人間の声を維持するための2つのルール

「LLMの浸食」を防ぎ、個人の表現が希薄化するのを避けるため、書き手は以下の2つの厳格な制約を守るべきです。

ルール1：LLMが提案した単語は決して使わない

最先端のモデルは、耳当たりの良い見出しのような言い回しを選択するように設計されています。しかし、これらの提案を採用すると、文章が人工的で「安っぽい」印象になりがちです。これを避けるため、モデルが提案した特定のフレーズや単語は、元の文章より「優れている」ように見えたとしても、使用禁止とみなすべきです。

ルール2：励ましを禁止し、無視する

LLMはユーザーの作業を称賛する傾向があり、それが書き手に初稿の欠陥を助長させる結果を招くことがあります。段落を考え直し、書き換えるプロセスは独自の声を育むための「重要な支柱」であるため、不適切な構成や支離滅裂な流れを肯定するモデルの傾向は有害です。書き手はモデルに対して励ましを提供することを明示的に禁止し、受け取った称賛に対しては常に警戒を怠らないようにすべきです。

LLM校正の具体的な活用方法

LLMは散文を書かせるべきではありませんが、人間がチェックするには退屈な機械的・構造的な問題を特定するのには非常に効果的です。

機械的な癖: 受動態の多用、名詞化された動詞、冗長な言葉（例：「非常に」「残念ながら」「本当に」「実際に」など）の特定。
構造の明瞭さ: 文章の流れと明瞭さを即座に改善するために、段落をどこに移動すべきかの提案。
事実の正確性: 事実誤認のチェックや、中心となる主張を損なう可能性のあるドキュメントの特定。

推奨されるワークフロー

独立して草稿を作成: AIの助けを借りずに、完全に自力で執筆する。
問題を特定: モデルに文章内の具体的な問題点を指摘させる。
手動で書き直し: 指摘された問題に基づき、該当箇所を自分自身で書き直す。
ブラインド比較: 元の文章と新しいバージョンを（校正プロセスの文脈を持たない）別のモデルインスタンスに提示し、どちらがより効果的かを判断させる。

コミュニティの視点と反論

テクニカルライターや開発者の間では、このアプローチの有効性について様々な意見が交わされています。

「AIを使わない」派

多くの批評家は、執筆とは思考の延長であり、校正であってもプロセスの一部を外部委託することは知的成長と創造性を阻害すると主張しています。一部のユーザーは、AIの影響を受けたテキストを読むことはストレスであり、読書の楽しみを損なうと指摘しています。

「感覚的な辞書」としてのAIの有用性

一部の書き手は、LLMを洗練された類語辞典として使い、特定のニュアンスを持つ単語や外国語の慣用句を見つけることに価値を見出しています。彼らは、最終的な選択はあくまで著者の声であると主張します。

代替ワークフロー

ユーザーからは、執筆プロセスにAIを組み込むためのいくつかの代替手法が提案されています。

物語の探索: 散文を書く前に、LLMを使って箇条書きや物語の構成案をブレインストーミングする。
多言語での草稿作成: AIを使って非ターゲット言語で最初のバージョンを作成し、それを手動で翻訳・書き直すことで、AI特有の散文がそのまま残るのを防ぐ。
物語の一貫性チェックリスト: 厳格なチェックリスト（例：コードとコメント間で語彙を統一する）を適用し、コミットメッセージやPRの説明における技術的な明瞭さを確保する。

「センス」の必要性

重要な反論として、「校正者」アプローチには著者がすでに高いレベルの執筆センスを持っている必要があるという点が挙げられます。『Style: Lessons in Clarity and Grace』に見られるようなスタイルの基礎的な理解がなければ、書き手は有益な構造的アドバイスと「LLM特有の言い回し」の提案を区別できない可能性があります。