AI生成にまとわりつく「AI臭さ（AI slop）」を排除する

【第1章：AI slop（AI臭さ）の構造と発生要因】

・AI slopの定義と背景 AI slopとは、LLM（大規模言語モデル）によって生成された、一見整っているものの実質的な中身がない文章やコンテンツを指します。LLMは原理的に統計的な平均値へ収束する性質があり、さらに安全性やリスク回避のための訓練から角を丸めた表現を選びやすいため、結果として個性や明確な思想のない文章が生まれやすくなります。

・表層的特徴と深層的特徴の分離表層的なAI臭さには、全角ダッシュの多用、絵文字や太字の機械的乱用、英語動詞を直訳したようなコロン構文、過度な誇張表現（「革命的な」「圧倒的」など）といった記号や語彙のパターンがあります。一方、深層的な本質的 weeness（文章の空っぽ感）は「書き手の不在」と「間違いうる具体的な主張へのコミットメント不足」にあります。無生物に人間的な動作をさせる表現（「データが語っている」など）や、両論併記で明確な結論を避ける姿勢が原因です。

【第2章：削減アプローチと「2層防波堤」の設計】

・プロンプト指示の限界生成のたびに「AIっぽく書かないで」と指示する方式は、プロンプトの膨大化や指定の読み飛ばし、不確定さから運用に限界が生じます。

・2層防波堤による役割分担第1層「決定論的 Lint」：textlintやprhなどの静的解析ツールを使用します。表層的な記号、語彙、構文パターンをルールに基づいて高速かつ確実に検出し、不合格な文章を自動で弾きます。第2層「LLM Skill」：stop-ai-slop-jp、meiseki、no-ai-slop-jaなどの専用プロンプトやSkillを使用します。静的ルールでは判断できない文脈、文章のリズム、主体の有無を判定・補正します。例えばmeisekiは「文章の自然さ」ではなく「一読で意味が伝わる明晰さ」に特化して不必要な二重否定や複雑な修飾を整理します。

【第3章：自動化ハーネスの構築（Hooks ＆ CI/CD）】

・Claude Code Hookによる自動検証ループ Claude Codeのフック機能（PostToolUseなど）に検査スクリプトを組み込みます。AIが文章ファイルを保存した瞬間にバックグラウンドでtextlintが実行され、違反があればエラー情報とともにAIへ自動で差し戻されます。これにより人間が目視で校正する手間をなくし、AIによる自動修正ループを実現します。

・エコシステム連携 MCP（Model Context Protocol）の活用やCI/CDパイプラインへの組み込みにより、エディタ、AIエージェント、リポジトリ全体で統一された品質管理を行えます。

【第4章：導入事例・効果と運用のガードレール】

・評価軸の転換「人間らしさ」という主観的な基準ではなく、textlintの指摘件数や読解負荷スコアを数値化して改善効果を可視化します。

・ファクト保護と過剰修正防止推敲の過程で、数値、API名、プログラムコード、固有名詞などの一次情報が書き換わったり消えたりしないよう、厳格なガードレールを設定します。また、統計的なAI検出器（AI Detector）は誤判定が多いため裁定基準としては使用せず、可視化された具体的な指摘パターンに基づいて修正を重ねる運用が推奨されます。