AIにまつわる7つのグラフを解説、AIが書いた記事の割合は約半分で横ばいになった

出典: AIにまつわる7つの衝撃的なグラフ【データストーリーテリング】

ネットで読む記事のうち、AIが書いたものはどれくらいあると思いますか？ ほとんど人の手だと感じる人もいれば、かなり混ざっていると感じる人もいるはずです。最初のグラフは、まさにその割合です。

最初のグラフは、ネット上の記事のうち、AIが書いたと判定された割合です。出典は、デジタルマーケティング会社 Graphite の調査。

2020年は、まだ1%ほどでした。

対話型AIが一般公開された2022年に4.6%。翌年には33.7%へ、一気に上がります。

そして2025年には、その割合が50%を超え、人間の書いた記事の数を初めて上回った、と語りは話します。

ナレーター（動画の中で・0:22〜）

2025年にはついにその割合が50%を超え人間の執筆した記事の数を初めて上回った。

動画によると、調査は過去およそ6年間の記事を、大きなウェブアーカイブから無作為に抜き出し、3つのAI検出ツールで分析したものです。誤検出のリスクは2%未満、という説明です。

注目は、そのあと。急に増えたAI記事の割合が、50%付近で横ばいになります。人間の記事の線とAIの線が、そこで並ぶ形です。

理由を、動画は可能性として語ります。AIに全部書かせると品質が落ちると、作る側が気づいたのだろう、と動画は見ています。そして、AIだけで書く形から、人間とAIが共同で記事を作る形へ移っていったのだろう、という見立てです。

ナレーター（動画の中で・2:09〜）

つまりAIだけで記事を書く形から人間とAIが共同で記事を作る形へと変化していったのかもしれない。

急に増えて、50%付近で横ばい。

この数字で大事なのは、50%という高さより、そこで止まったことのほうです。

AIで書けば、記事の数はいくらでも増やせます。同じ道具を、みんなが同じように持っています。だとすると、数の多さでは違いが出にくくなります。

経営者が自分のホームページに書くブログも、同じ土俵にいます。読まれる記事の半分がAIの書いたものなら、私たちの記事も、その横に並んで読まれることになります。読む人から見れば、比べるのは中身です。

AIだけで書く記事が頭打ちなら、残りの差はどこで生まれるんでしょう？

私は、他の人との違いを生むのは、自分の体験や過去の記事といった一次情報だと考えています。

型と判断の話は、AIの記事の型と、型の中の判断について考えた魂磨きの記事でも書きました。その記事の中の一文が、こちら。

私の記事より（AIの記事の型と、型の中の判断について考えた魂磨きの記事）

型を捨てるのではなく、型の中に判断を埋め込む方向で答えを出しています。

AIが書く記事は、型が似てきます。型が同じなら、違いが出るのは型の中に埋めた判断のほうです。共同で作る形になったのなら、その中身として、私は判断を持ち込む側に立ちたいんです。

AIの記事が増えるほど、先に確かめるのは、差になる自分の体験と過去の記事です。

職場でのAIの使い道でいちばん多かったのは、28%を占める意思決定の支援でした。文章を書かせる、調べ物をさせる、という思い浮かべやすい使い方より上にあります。

出典は Microsoft WorkLab の2026年の報告。動画によると、10万件を超える会話を用途ごとに分類したものです。

いちばん多いのは意思決定の支援で28%。情報検索が13%、文書作成が12%と続きます。

ナレーター（動画の中で・2:58〜）

職場におけるAI活用の第1位となっているのは意思決定の支援だ。

動画の読みは、こう。使う人が、複数の選択肢をAIに比べさせたり、自分の判断に見落としがないか意見を求めたりしています。AIは、考えることを支援するツールとして使われ始めている、という話です。

助言のように、人との関係を土台にする使い方は比較的少なく、そこは人間の役割が大きい、とも語ります。

ナレーター（動画の中で・3:49〜）

しかしそれは裏を返せば人間が自分で考えなくても答えを得られるようになるということ。

1位は、決める作業そのものではありません。決めるための支援です。選択肢を並べさせることも、見落としがないかを聞くことも、決めるのは自分のままで使えます。ところが、決めるところまでAIに預けてしまうと、見落としを聞く側がいなくなります。

私にも、AIに先に決められた経験があります。

AIに任せる線の話は、AIに任せる線を、経営者が決める考え方を書いた記事でも書きました。その記事の中の一文が、こちら。

私の記事より（AIに任せる線を、経営者が決める考え方を書いた記事）

AIは、私の指摘で気づいた。画像の順番待ち（1時間9分）を詰まりと読み、私に断らずに別の生成エンジンへ切り替えていました。

10月2日のこと。分身AI日記の下書きに、絵柄の変わった画像が5枚入っていました。入れたのは、画像を作っていたAIです。AIは、順番待ちを詰まりと読み、私に断らずに別の生成エンジンへ切り替えていました。私が指摘して、初めて気づかれた切り替えでした。私のAIの決まりには、順番待ちは詰まりではない、と既に書いてありました。待てば、元のエンジンで最後まで仕上がった仕事でした。

決めるのは自分のまま使う、と頭で分かっていても、AIが先に動いてしまえば、その線は守れません。線は、AIを動かす前に、書いて渡しておく物です。

私の場合、委ねる仕組みの一つは、戻せない操作の直前に私の承認を置く線です。

私なら、AIに頼む仕事ごとに、AIが決めてよい所と、先に私へ聞く所を、1行ずつ書き分けてから任せます。

自宅で解ける試験で、86人中40人が満点を取りました。厚生経済学の中間試験の話です。

出典は、ブラウン大学の教授が The Free Press に寄せた記事です。厚生経済学の中間試験を、自宅で解く持ち帰りの形にした、と動画は紹介します。

語りによると、満点を取る学生が続出しました。

例年の中間試験の平均点は60〜80点。今回は、むしろ難しく作っていたそうです。

ナレーター（動画の中で・4:12〜）

すると例年に比べ満点を取る学生が続出。

教授が気になったのは、答案です。不自然に複雑な文章と、多くの学生で似た表現。試験問題をAIに入れてみると、学生の答案とよく似た回答が返ってきた、と話します。

そこで期末試験は、対面方式に切り替わりました。

すると、86人中18人が講義そのものを途中でやめ、9人は期末を受けませんでした。

残った学生で、中間と点数がほぼ同じだったのは数人だけです。大半は点数が大きく下がります。

対面の平均点は48.6点で、中間の半分です。中間で満点なのに、期末0点の学生もいたそうです。

画面の図は、学生一人ひとりの中間と期末の点を、縦線で結んだ作りです。時間軸は、2026年3月が持ち帰りの中間、2026年5月が対面の期末。点の下がり方を、一人ずつ目で追えるようになっています。

ただし、ナレーションは一つ断りを置きます。

ナレーター（動画の中で・5:19〜）

ただし2回の試験では問題や実施条件が異なるため点数だけでのAIの不正利用を断定することはできない。

2回の試験は問題も実施条件も違うので、点数だけでは決められません。それでも、AI時代の教育が抱える難しい問題を象徴している、と動画は続けます。

点数が半分になった、という結果だけを見ると、話はすぐ誰かを責める方向へ進みやすいです。私はその前に、比べている2つの点数が、同じ物差しで測られたのかを見ておきたいんです。物差しが違えば、差の理由も一つには決まりません。

中間は自宅で、期末は対面。問題も条件も別物。点数だけでは決められない、と動画自身が断っています。

この章で私が受け取るのは、一つだけです。AIで答えが出せる時、学んだ中身が点数に表れにくくなる、という見え方の変化です。満点という数字は同じでも、その裏にある中身までは数字には表れません。

これは、学校の試験に限った話ではないと思います。たとえば、部下からAIを使った報告書が上がってきたとします。仕上がりがきれいでも、それだけでは本人の中に何が残ったかは分かりません。そこで、仕上がりを読む前に聞く1問を、先に決めておきます。なぜその結論にしたのか、という1問です。本人が自分の言葉で答えられれば、中身はその人の中にあります。答えに詰まるなら、点数より先に、その結論までの道すじを一緒にたどり直す番です。見るのは、仕上がりの点よりそちらです。点だけを見て褒めたり叱ったりしても、その人の中に残るものは増えません。

点数が同じでも、中身が同じとは限りません。点数の隣に、なぜその結論にしたのか、という1問を置いておきます。

国ごとの力を比べる時、件数で並べますか？ それとも割合で並べますか？ 同じ国でも、並べ方ひとつで見え方は入れ替わります。次のグラフは、その分かれ道です。

次は、国別のAI関連特許です。出典は WIPO の統計。

件数で並べると、中国が25,177件、アメリカが17,307件です。

続いて韓国が5,635件、日本が4,811件。日本は件数で4位。

ヨーロッパとイギリスは、件数で大きく遅れています。トップ10に入ったEU加盟国は、ドイツとフランスだけでした。

次に、全体の特許数に占めるAI特許の割合で並べ直します。アメリカ0.49%、中国0.44%、韓国0.43%。図には、アメリカは中国よりAI技術を重視しているのか、という問いが添えられています。

日本は0.23%で、上位3か国よりかなり低い数字です。

語りの読みは、AI技術がアメリカとアジア諸国に大きく集中していて、国ごとの格差が大きい、というものです。

ナレーター（動画の中で・6:52〜）

国がAI技術を積極的に開発することとそこで暮らす人々がAIを歓迎することは果たして同じなのだろうか。

ここで動画は、見るものを国から人々へ移します。国がAIを積極的に開発することと、そこで暮らす人がAIを歓迎することは同じなのか、という問いです。

出典は Ipsos の30か国の調査と、国連の人口統計。横軸は人口の年齢の中央値、縦軸はAI製品やサービスへの期待度です。

若い国ほど期待度が高い関係が図に出ていて、添えられた数字は r=-0.53 です。インドネシア、マレーシア、インドは、期待度が高い側に並びます。年齢の中央値が35歳未満の国は、ほとんどが60%を超えています。

年齢の中央値が最も高い日本は、46%です。欧州や北米の高齢化した先進国も、低めの側に並びます。

例外もあります。タイと韓国は、高齢化が進んでいるのに期待が高い国です。比較的若いアルゼンチンは、43%でした。

ナレーター（動画の中で・8:23〜）

高齢化した先進国ではAIを社会変化へのリスクとして慎重に見る傾向があると言えるかもしれない。

動画の読みは、次の通り。若い人口の新興国は、AIを成長の機会として見ます。高齢化した先進国は、リスクとして慎重に見る傾向がある、という読みです。ただし一概には言えない、と断りも付いています。

件数では4位の日本が、割合では0.23%。同じ国が、並べ方ひとつで別の姿になります。

件数で見れば上位にいると言えて、割合で見れば低いとも言えてしまいます。片方だけを見出しにすると、読む人には片方の姿しか届きません。

経営者が資料や会話で国の数字を使う場面を考えてみます。たとえば取引先への説明で、日本はAI特許の件数で4位、とだけ書いたとします。読む人は日本が上位にいると受け取り、割合の低さは隠れます。反対に、割合の0.23%だけを書けば、件数の多さが隠れます。どちらも動画のグラフにある数字なのに、片方だけでは読む人に違う絵が届くんです。

だから、2つを並べて書きます。件数で4位、割合で0.23%。この2つが並んでいれば、読む人は自分で見え方を確かめられます。

後半の r=-0.53 は、並びの強さを表す数字です。若い国ほど期待度が高い、という並びは見えます。ただ、若いから期待が高い、という理由までは、この数字だけでは言えません。

期待度の例外も、同じ見方で読めます。タイと韓国は、高齢化が進んでいるのに期待が高い国です。年齢の中央値という1本の軸だけで並べると、こうした国は外れて見えます。

特許も期待度も、国ごとに一つの数字へまとめた物です。一つの国の中にも、期待する人と慎重な人がいます。日本の46%も、まとめた後の姿です。だから私は、国の数字を、そこで暮らす一人ひとりの気持ちと同じものとしては読みません。

動画が見せるのは、国と年齢で分かれる数字の差です。私は、差を見る前に、その数字が何で割られているかを見ます。

私なら、AIの国別の数字を使う前に、件数なのか割合なのか、何で割った数字なのかを、出典の隣に1行で書き足してから使います。

AIの数字には、使う側と描かれる側の2つの顔があります。最後の2つのグラフは、その両方で男女の差を見せてくれます。

まずは使う側。イギリスの学生への YouGov の調査で、回答は1,027人です。

毎日使う学生は、女性が6%、男性が10%でした。反対の端では、一度も使わない学生が、女性26%、男性18%でした。

次は、ハーバード大学の経営大学院の研究です。100か国・30万人超を分析した、と動画は話します。

生成AIの利用率は、男性47.8%、女性39.3%。男女の差は、ほぼ全ての地域・分野・職業にある、と結論づけられているそうです。

ナレーター（動画の中で・9:03〜）

生成AIの利用における男女格差はほぼ全ての地域、分野、職業に存在すると結論付けられている。

ここで動画は、向きを逆にします。人間から見たAIではなく、AIが人間をどう見ているか、という向きです。出典は Kapwing の調査で、動画生成のAIの出力を分析したものです。

性別を指定せずに職業の人物を描かせると、CEOは89.16%が男性。レジ係は70.59%が女性でした。複数の動画生成ツールで一貫していた、と話します。

動画の読みでは、AIが何もないところから偏りを作ったわけではありません。人間が作った文章・画像・映像で学ぶので、社会にある偏りを映しやすい、という話です。

心配されているのは、AIが偏りを繰り返し見せたり誇張したりして、固定観念がさらに強まることです。

そして問いが置かれます。偏りをそのまま正確に描くのか、現実とは違っても、より公平な世界を描くのか、という問いです。

ナレーター（動画の中で・10:46〜）

AIは社会にある偏りをそのまま正確に描くべきなのか、それとも現実とは違っていてもより公平な世界を描くべきかという点だ。

動画全体は、使い方次第だという話で結ばれます。慎重に使えば、AIは補助ツールになり得る、という語り手の意見で締めくくられます。

このグラフで気をつけたいのは、数えている相手がグラフごとに違うことです。イギリスの学生なのか、100か国の30万人超なのか、それとも、AIが作った動画の中の人物なのかで、話が変わります。

同じ男女の差でも、数えた相手が違えば、同じ物差しでは並べられません。学生だけを数えた差と、多くの国を数えた差は、別々に読みます。

一度も使わない学生の差も同じ。女性26%と男性18%の差は、イギリスの学生を数えた差です。働く人の差として、そのまま持ち出すことはできません。

後半のAIが描く職業は、使う側の話とは向きが違います。こちらは、AIが出した物そのものの偏り。動画の読みでは、AIは社会の偏りを映しています。

映すことと、そのまま外へ出すことは、別の話です。

AIに画像や文章を作らせて仕事で使うなら、出す前に、誰がどんな姿で描かれているかを一度見ます。経営者の役が毎回男性で、レジの役が毎回女性になっていないか、という所です。そこを見るのは、作らせた側の仕事だと私は考えています。

AIに作らせた絵は、たたき台です。人物の性別や年齢が偏っていたら、作り直しを頼むこともできますし、そのまま使うと決めることもできます。

偏りをそのまま映すか、釣り合いを取って描くか。動画が置いた問いに、一つの答えは出せません。ただ、自分の名前で外に出す物については、出す前に見て、自分で決めることはできます。

偏りの数字を見たら、まず、誰を数えた数字かを見ます。

AIが書いた記事は約半分で横ばい。職場の1位は意思決定の支援。ブラウン大学の試験から、特許の件数と割合、年齢と期待度、性別の差、職業の偏りへと、動画は順に進みます。

この動画から私が持ち帰ったのは、差になる自分の体験と過去の記事を先に確かめること。数字は誰を数えて何で割ったかを見てから読むこと。気になる一件は、原文を自分で読むことです。

AIに任せる所と、先に人へ聞く所を、仕事ごとに分けておく考え方があります。数字を読む時なら、まとめはAIに、気になる一件は自分の目で、と分けるやり方です。

今週目にしたAIの数字を1つ選んで、誰を数えて何で割った数字かを、メモに1行で書き出してみてください。書けなかったら、その数字は人に話す前に止めておきます。