AI記事のファクトチェック方法｜誤情報を潰す5工程と出典の付け方

AIに記事を書かせると、原稿は10分で出てきます。ところが公開してから「その統計、どこの数字ですか」と聞かれて答えられない——AIブログを運用し始めた会社が最初につまずくのは、たいていここです。速く書けるようになった分だけ、検証されていない文章が世に出る速度も上がってしまう。

この記事では、AI記事のファクトチェックを「気合い」ではなく手順に落とし込みます。何をどの順で確かめ、どこに出典を貼り、どこで機械に任せ、どこで人間が止めるのか。1本あたり20〜40分で終わる現実的な型として整理しました。

結論：AI記事のファクトチェックは5工程で回す

AI記事のファクトチェックは、次の5工程を上から順に実行すれば漏れません。①主張の切り出し → ②一次情報との照合 → ③出典リンクの付与 → ④数値・日付・固有名詞の再計算 → ⑤表記と言い回しの統一。この5工程だけを毎回同じ順で回すことが、精度でも速度でも最も効きます。

順序に意味があります。先に①で「検証すべき主張」を機械的に抜き出してしまえば、以降の工程はリスト消化になります。逆に本文を頭から読み直しながら気になった箇所だけ調べる進め方は、読み手の集中力に依存するため、同じ記事を2回チェックすると毎回違う箇所が漏れます。実務で最初に直すべきはツールではなく、この順序です。

なぜAI記事ほど検証が要るのか（Googleの立場と実際のリスク）

誤解されがちですが、Googleは「AIで書いたから低評価」とは言っていません。2023年2月のAI生成コンテンツに関するGoogle検索のガイダンスで、ランキングシステムはE-E-A-T（経験・専門性・権威性・信頼性）で表される品質を満たしたオリジナルで高品質なコンテンツを評価する目的であり、コンテンツがどのように制作されたかではなく、その品質に重点を置くと明記されています。

一方で、Googleのスパムに関するポリシーには「スケーリングされたコンテンツの不正使用」が置かれています。これは検索順位の操作を主目的に、ユーザーの役に立たないページを大量生成する行為を指し、生成AIを使ったか人力かは問われません。つまりGoogleの判定軸は「AIかどうか」ではなく「読者に価値があるか」であり、価値の中身の大部分は書いてあることが正しいかどうかです。

実務上のリスクはSEOだけではありません。誤った価格・法令・仕様を載せれば、それを読んで問い合わせてきた見込み客との商談が最初から食い違います。BtoBのオウンドメディアで「記事の記載と実際の条件が違う」が起きると、失うのは1本の記事の順位ではなく信用です。だからファクトチェックは、SEO施策ではなく営業品質の管理だと捉えたほうが運用が続きます。

工程①：本文を「検証すべき主張」に分解する

最初にやるのは調べ物ではなく、調べる対象のリスト化です。AI原稿を読みながら、次の5種類に当てはまる文だけを別ファイルへ抜き出します。感想・意見・比喩は対象外です。

• 数値：割合・金額・件数・期間・順位（例「導入企業の◯%が」）
• 固有名詞：企業名・製品名・機能名・法令名・補助金名
• 時制つきの事実：「2026年◯月に開始」「現在は提供終了」
• 仕様・条件：料金プラン、無料枠、対応形式、上限値
• 伝聞の断定：「一般的に」「◯◯と言われている」で始まる主張

この抽出はAI自身にやらせて構いません。「以下の原稿から、事実確認が必要な記述だけを箇条書きで抜き出してください。意見・感想は含めないでください」と指示すれば十分機能します。ただし抽出は任せても、照合は任せない——これが後述する工程②の原則です。

抜き出した主張は、そのまま公開前チェックリストになります。1本あたり10〜20件に収まるのが普通で、40件を超える場合は原稿が「調べていないことを書きすぎている」サインです。その場合は検証量を増やすより、記述の粒度を落として断定を減らすほうが早く安全になります。

工程②：一次情報にあたる（出典の優先順位）

照合先には明確な優先順位があります。上から順に探し、上位で見つかったらそこで止めるのが、時間を使わないコツです。

現場でいちばん多い事故は、AIが4位・5位の情報を1位のような口調で書いてしまうケースです。「◯◯社の調査によると」と書かれているのに、たどっていくと調査そのものは存在せず、他社のまとめ記事が孫引きしていただけ——という構図は珍しくありません。「◯◯によると」の◯◯に直接たどり着けなければ、その一文は消す。この一線を運用ルールとして明文化しておくと、判断が属人化しません。

照合するときの3つの問い

各主張について、次の3つを口に出して確認します。どれか1つでも答えられなければ、書き直しか削除です。

1. 誰が言ったか：発表主体は特定できるか（「業界では」は主体不在）
2. いつの話か：公表年月は分かるか（年度が古い統計を「現在」と書いていないか）
3. 何を数えたか：母数・対象・条件は何か（「企業の70%」の企業とは誰か）

制度や補助金を扱う記事は特に「いつの話か」で崩れます。要件や締切は年度ごとに変わるため、昨年度の条件をそのまま書いてしまうと、読者は申請できない条件で準備を始めます。制度系の記事では、本文中に「◯年◯月時点の情報です」と参照日を明記し、必ず公式の募集要領へリンクを置くのが安全側の書き方です。

工程③：出典リンクの付け方（AI記事の引用ルール）

出典は「記事末尾にまとめて並べる」だけでは不十分です。読者もAI検索も、どの一文の根拠がどれかを知りたがっています。次の3点を守るだけで、記事の信頼度と引用されやすさが同時に上がります。

• 数値の直後にリンクを置く：段落の最後にまとめず、その数値を含む文の中でリンクする
• リンク先は一次情報にする：同じ内容を伝えるまとめ記事ではなく、発表元の公式ページへ
• アンカーテキストで内容を示す：「こちら」ではなく「◯◯の公式ドキュメント」のように書く

加えて、他者の文章をそのまま載せる場合は引用のルールに従います。自分の文章が主・引用が従であること、引用部分を明確に区別すること（blockquote タグなど）、出所を明示すること、必要な範囲にとどめること。AIが生成した文章に他社サイトの表現が丸ごと混ざっているケースは実際にあるため、長めの言い回しは検索でそのまま照合して確認します。AIと著作権の論点整理は文化庁がAIと著作権についてのページで公開しており、生成・利用段階の考え方が示されています（法的拘束力のある解釈ではなく、現時点の考え方の整理という位置づけです）。

なお、出典が「豊富にある記事」は、検証コストが下がるという副次効果もあります。次回リライトするときに、どの主張がどの資料に基づいていたかを追い直さずに済むためです。AIブログをペナルティなく安全に運用する条件を考えるうえでも、出典の密度は最も分かりやすい防御線になります。

工程④：数値・日付・固有名詞を機械的に潰す

ここは判断ではなく作業です。目視ではなく、決まった観点でしらみつぶしにします。

自社情報の誤りは、外部の統計より頻度が高いのに見落とされます。AIは学習データや過去記事から古い料金・古いプラン名を引っ張ってくるため、自社に関する記述こそ最後に必ず自社サイトと突き合わせる。これは表記ゆれの是正も兼ねます（Mihataの記事なら社名表記は常に「Mihata」で統一する、といった単純なルールを機械チェックにかけておくと事故が減ります）。

この工程は、文章表現の整えと一緒に走らせると効率的です。表記ゆれ・敬体・冗長表現の是正までまとめて自動化する考え方はAIで記事校正を自動化する手順に整理しています。ファクトチェック（正しいか）と校正（読みやすいか）は別工程ですが、チェックリストは同じファイルで管理したほうが運用が軽くなります。

工程⑤：AIに検証させるときの正しい使い方

「AIが書いた記事をAIに検証させても意味がないのでは」とよく聞かれます。答えは使い方次第です。決定的な違いは、モデルが実際の文書を参照しているかどうかにあります。

技術的な裏づけも進んでいます。AnthropicのCitations機能は、渡したドキュメントを文単位（プレーンテキスト・PDFは文チャンク、カスタムコンテンツはブロック単位）に分割し、回答の各主張がどの箇所に基づくかを返します。PDFならページ番号、プレーンテキストなら文字インデックスで位置が特定でき、返された引用テキスト（cited_text）は出力トークンとして課金されない仕様です。GoogleのGrounding with Google Searchも、回答テキストの範囲（開始・終了インデックス）と参照URLを紐づけたアノテーションを返します。

要するに、AIを「判定者」ではなく「該当箇所を見つけてくる係」として使うと精度が跳ね上がります。最終的に「正しい」と判断するのは人間で、AIの役割はその判断材料を最短距離で運んでくることです。ここを取り違えると、検証したつもりで誤りを固定化してしまいます。

ここまで読んで「工程は分かったが、毎日となると回せない」と感じた方も多いと思います。私たちMihataでも、AIブログの運用でいちばん時間を取られるのはこの検証工程でした。だからこそ、記事生成と検証・出典付けまでを一連の運用として設計したサービスも提供しています。記事の途中で恐縮ですが、自社での内製と比べる材料として見ていただけたら嬉しいです。

現場で多い、生成AIの誤情報7パターン

検証の効率は「どこが危ないか」を知っているかで決まります。実務で繰り返し出会うのは、次の7つです。

1. 存在しない出典：もっともらしい調査名・レポート名が創作される。検索しても原典が出てこない
2. 数字の丸め崩れ：元データは28.4%なのに「約3割超」「3人に1人」と書き換わり、意味が変わる
3. 時制の固定：学習時点の情報を「現在」として書く。提供終了・値上げ・制度改正に追随できない
4. 主体のすり替え：A社の事例がB社の事例として語られる。業界内で似た名前の企業があると起きやすい
5. 因果の断定：相関しかないデータを「◯◯だから売上が伸びる」と因果で書く
6. 過度な一般化：特定業種・特定規模の調査結果を「企業全体の傾向」に拡大する
7. 自社情報の混入：他社の料金体系やサービス名が自社の説明に紛れ込む

このうち1・3・7は機械的に検出できる（出典名で検索してヒット0件、日付表現の抽出、自社用語の辞書突合）ので、チェックリストに組み込むと安定します。2・5・6は文脈判断が要るため人が読む工程に残します。「機械に任せる項目」と「人が読む項目」を最初に線引きしておくのが、検証を毎日回すための現実解です。

公開前チェックリストと運用への落とし込み

ここまでの内容を、そのまま使えるチェックリストにまとめます。記事1本あたり、慣れれば20〜40分です。

• □ 事実主張をリスト化した（意見・感想は除外）
• □ 各主張の「誰が・いつ・何を数えたか」を答えられる
• □ すべての数値に一次情報のリンクがある
• □ 「◯◯によると」の◯◯に自分で到達した
• □ 単位・年度・割合の計算を再確認した
• □ 製品名・法令名・企業名を公式表記に統一した
• □ 制度・料金には参照時点を明記した
• □ 自社の料金・納期・社名表記を自社サイトと突き合わせた
• □ 引用は主従が逆転しておらず、出所を明示した
• □ 裏の取れなかった記述をすべて削除した

運用に乗せるコツは、このチェックリストを記事テンプレートの末尾に常設し、公開時に消すことです。別ファイルのチェックリストは高確率で見られなくなりますが、原稿の中にあれば嫌でも目に入ります。

もう1つ。検証を「品質の担保」で終わらせず、公開後の数字と結びつけて初めて一巡します。出典が厚い記事とそうでない記事で、滞在時間や順位の伸び方は変わります。公開後に何をどう見るかはAIブログの効果測定でどの指標を見るかに整理しました。制作工程の入口であるAIでのSEOキーワード選定、本文の骨格を決める見出し・構成案の設計から、検証・公開・測定までを一本の線でつないでおくと、改善点が「どの工程の問題か」で切り分けられるようになります。

まとめ

AI記事のファクトチェックは、才能や勘ではなく順序の問題です。①主張の切り出し ②一次情報との照合 ③出典リンク ④数値・日付・固有名詞 ⑤表記の統一——この5工程を毎回同じ順で回し、裏が取れなかった記述は迷わず削る。それだけで、AI記事は「速いけれど危ない原稿」から「速くて信用できる記事」に変わります。

そしてGoogleが見ているのは、AIを使ったかどうかではなく、読者にとって価値があるかどうかです。検証と出典は、その価値を外から確認できる形にする唯一の手段だと考えています。AIブログの立ち上げや検証フローの設計でお困りでしたら、お気軽にご相談ください。