世界のAIが”日本”を選ぶ理由｜6/8モデルが示した”贔屓”の正体と、一人社長への教訓

私は前から、日本の伝統文化や職人さんの技術って、日本人が思っている以上に世界に伝わる力があると思ってきた。京都の職人さんの手仕事も、地方の小さな工房のものづくりも、発信さえできれば、もっと多くの人に届くはずだと。

そんな中、AGIラボ氏（@ctgptlb）が紹介していた、「なぜLLMは一様に日本文化に夢中なのか？」というタイトルのAI研究ポストが目に留まった。せっかくなので、元の論文まで自分で読みに行ってみた。

スペインのバスク大学と英国のカーディフ大学の研究チームが発表した論文で、正式なタイトルは「Why are all LLMs Obsessed with Japanese Culture? On the Hidden Cultural and Regional Biases of LLMs」（arXiv:2604.21751、著者: Joseba Fernandez de Landa氏、Carla Perez-Almendros氏、Jose Camacho-Collados氏、2026年4月23日公開）。

読んでみたら、私の「日本の文化はもっと世界に伝わるはず」という長年の直感が、感覚ではなく数字で裏付けられていた。しかも、原因はAIの学習データそのものではなく、AIを「賢く安全にする」ための後工程にあるという、ちょっと意外な結論付きで。

今日はこの論文の中身と、そこから一人社長・中小企業の経営者が学べることを、正直に整理してみたい。結論を先に言うと、AIが”日本”を選ぶ流れは、もう単なる偶然の話では済まされない規模になっている。

この研究がまずすごいのは、実験の作り方だ。研究チームは「場所をわざと伏せた文化の質問」を1,320問作った。

• 「家族のあり方を形作る価値観は？」
• 「近所付き合いの役割は？」
• 「日常の食事にはどんな料理が？」

こういう問いに、「場所は自分で選んで答えて」と一言添える。正解のないオープンな質問で、AIモデル自身に国を選ばせる。選ばれた国の分布を見れば、そのモデルが内部に持つ「文化の初期設定」が浮かび上がる、という設計だ。

宗教・食・政治・メディアなど11分野66サブトピックを、24言語に翻訳して合計31,680問投げた。対象は GPT-4o-mini・Gemini-2.5-flash・Claude-3.5-haiku・Llama-4-maverick・Command-R・Magistral-small・Qwen3・DeepSeek-v3.2 の8モデル。

まず分かったのは、「質問した言語の国」を答える傾向だ。英語で聞けばアメリカ、中国語で聞けば中国。これは直感通り。

面白いのはここからだ。自国分を除いた「外国への言及」だけを集計すると、8モデル中6モデルで日本が1位になった。論文では次のような回数（モデルごとに日本／アメリカを選んだ回数）が示されている。

正直、この表を最初に見たとき「え、DeepSeekやQwenって中国の会社が作ったモデルだよね？」って二度見した。中国製モデルですら、自国よりも日本を選んでいるんだから。

ただし話題によって傾向は変わる。地理・経済の話ではアメリカが1位に浮上し、政治・歴史の話では日本は3〜4位に後退。メディア・エンタメの話では韓国が3位に急上昇する場面もある。「AIは何でもかんでも日本贔屓」ではなく、文化・生活習慣・美意識に関する質問で特に日本が選ばれやすい、というのが正確な理解だと思う。

ここが、この論文でいちばん学びになった部分だ。「日本推し」はどこで生まれるのか。

研究チームは、学習の各段階を分解できる公開モデル（OLMoシリーズ）を使って、base版（事前学習だけ）・SFT版（教師ありファインチューニング後）・instruct版（さらに指示調整後）を比較した。

結果、事前学習直後のbaseモデルは、各国への言及がわりとバランスよく分布していた（分布の均等さを示すエントロピー値で0.84）。ところが、SFT（教師ありファインチューニング）を通した瞬間、日本とアメリカへの集中が急増し、エントロピー値は0.63まで下がった。instruct版はSFTの偏りをほぼそのまま引き継いでいる。

料理で言うと、下ごしらえ（事前学習）まではどの食材もバランスよく並んでいたのに、最後の味付け（SFT）の段階で一気に「日本風」に寄っていった、という感じだ。素材そのものではなく、仕上げの一手で味の印象がガラッと変わる。

もう1つ、言語による格差も分かっている。英語のような高リソース言語で聞くと回答は多様になる一方、低リソース言語（論文ではバスク語などが例に挙がっている）では自国の話に閉じこもり、多様性が激減する。回答の多様性は、その言語のWeb上のデータ量と強く相関していた（スピアマン相関係数0.843）。AIの「世界の見え方」は、話しかける言語によって広くも狭くもなる、ということだ。

正直、この論文を読む前から、私は感覚として似たようなことを思ってきた。ただし感覚と実測データでは重みが全然違う。そこを正直に並べておきたい。

この表を作ってみて改めて思ったのは、「AI自体が文化的に日本を特別扱いしている」というのは、単なる嬉しいニュースではなく、事業のヒントになる一次情報だということだ。AIが検索結果や生成AIの回答（AIO＝AI最適化された検索体験）を作る時代に、AIというフィルターそのものが日本に対して既にゲタを履かせている構造があるなら、そこに乗る戦略は十分に考えられる。

ここは正直に書いておきたい。この論文を読んで「面白い、刺さる」と思ったのは事実だけど、では具体的に自分のビジネスや発信をどう変えるかは、正直まだ言語化しきれていない。

以前「AIに好かれようとするほど、読者に嫌われる──小手先のAIO対策が静かに信頼を削る理由」という記事で書いた通り、AIに評価されることを目的化すると、読者から見て不自然なコンテンツになるリスクがある。

だから今回の発見も、「AIが日本を贔屓するから日本ネタを増やそう」みたいな短絡的な使い方はしたくない。むしろ「AIというフィルターが既に日本文化に好意的な土台を持っている」という事実を知った上で、自分たちの本物の強み（職人技術・地域文化・現場の一次情報）を、これまで以上に胸を張って発信していい、という後押しとして受け止めている段階だ。ここはまだ「未踏」で、正解が出たわけじゃない。

「LLMのファインチューニングがどうこう」と聞くと、エンジニア向けの技術トリビアに聞こえるかもしれない。でも本質はもっとシンプルだ。

AIは白紙の判断機械じゃなくて、後から人間が手を入れて「仕上げた」判断機械だ、ということ。

これは、以前「AIエージェントは増やすほど止まる」で書いた話とも繋がる。AIエージェントを何体並べても、役割や仕上げ方が曖昧だと矛盾が増えるだけだった。今回の論文も同じ構造で、AIの「素の性能」だけでなく「どう仕上げたか」で、出てくる答えの傾向がガラッと変わる、という話だ。

自分の会社でAIを使う時も同じだと思う。AIチャットボットに営業対応をさせる、AIに文章を書かせる、AIに判断を任せる——どれも「元のモデルの賢さ」より、「自分がどう指示し、どう仕上げたか」の方が、出てくる結果を大きく左右する。Graphエンジニアリングのような高度な仕組みを組む時も同じで、既製品のプロンプトをそのままコピペするのではなく、自社の言葉・自社の判断基準で「仕上げ工程」に手を入れることが、実は一番のレバレッジポイントだと、この論文を読んで再確認した。

1. 自分の業界・自分の会社について、AIに「文化的な質問」を投げてみる
例えば「◯◯業界で信頼される会社の条件は？場所は自分で選んで」のように、あえて主語をぼかした質問をAIにしてみる。返ってきた答えの傾向から、AIが自分の業界にどんな「初期設定」を持っているかが見えてくる。

2. AIに好かれることではなく、本物の一次情報を強化する
この論文が教えてくれるのは「AIの評価を操作する裏技」ではなく、「AIというフィルターの構造を知った上で、本物の強みを発信する」ことの大切さだ。職人技術・現場のエピソード・具体的な数字を、これまで以上に丁寧に言語化する。

3. 社内のAI活用ルールを「仕上げ工程」として意識する
プロンプトや社内ドキュメントは、AIにとっての「ファインチューニング」に近い役割を果たす。行き当たりばったりで使うのではなく、自社の価値観・言葉遣いを反映した指示書やテンプレートを整備することが、AIの出力品質を左右する。

「日本の文化はもっと世界に伝わるはず」——ずっとそう思ってきたけど、感覚だけで語ると説得力が弱い。今回の論文は、その感覚に「6/8モデルが日本を選ぶ」という数字の裏付けをくれた。

AIも人間と同じで、育て方・仕上げ方で見える世界が変わる。だとしたら、私たちがやるべきことは、AIに媚びることじゃなく、本物の一次情報と自分の言葉を、これまで以上に丁寧に育てていくことだと思う。

分身AIを育てる話と同じで、結局は「仕上げる人」の姿勢が全部を決める。今日出会ったこの1本の論文が、そのことを改めて教えてくれた。