EUのテキスト来歴ルールに対する私たちの考え方はシンプルです。来歴ラベルはテキストがどこから来たかを示すもので、誰が書いたかを示すものではなく、あなたの編集方法を変えるものでもありません。EUに公開する場合は、一次情報源であるopenai.com/index/eu-text-provenanceを確認し、下書きを保管し、自分で実際にコントロールできる文章を修正してください。ラベルはメタデータです。あなたの原稿は依然としてあなたのものです。
今週実際に変わったこと
特定のAIシステムを通じて生成されたテキストに来歴レイヤーが付与されるようになり、最初にその影響を受けるのはEU市場にコンテンツを出荷している人々です。マーケティングチーム、EUのクライアントを持つ代理店、EUでホストされるジャーナルに投稿する研究者、そしてCMSがモデルAPIを通っているすべての人です。この変更は出所の追跡可能性に関するものであり、あなたの文章を採点するものではありません。段落が機械製に見えるかどうかを測定するものは何も含まれていません。
この区別は重要です。なぜなら、私が見てきた慌てたメールのやり取りのほとんどは、2つの異なるものを混同しているからです。
| シグナル | 何を報告するか | 何を証明しないか |
|---|---|---|
| 来歴メタデータ | どのシステムが一節を生成または処理したか | 誰がアイデアを書いたか、人間が編集したかどうか |
| AI検出スコア | 文言における統計的シグナル | 著者性、意図、または不正行為 |
| 類似度パーセンテージ | 参照コーパスとの重複 | その重複が引用、出典明記、または偶発的なものかどうか |
モデルスコア、該当する文章の割合、類似度パーセンテージは互換性がありません。この3つのいずれも著者性に関する判定ではありません。クライアント、編集者、委員会のいずれかがそれらのいずれかを証拠として扱うなら、それはプロセスの問題であり、文章の問題ではありません。
最初に影響を受けるのは誰で、誰ではないのか？
実際の影響範囲は、見出しが示唆するよりも狭い。あなたのテキストが来歴を記録するシステムを通過し、EU に公開する場合、あなたは影響を受ける。プレーンテキストエディタで書き、モデルを呼び出さない CMS に貼り付け、または EU の適用範囲外で公開する場合、あなたはほとんど影響を受けない。
板挟みになるのは、AI を下書きの補助として使い、その後手作業で大幅に編集した人たちだ。彼らの最終的なテキストは、下書き段階の来歴記録を帯びている一方で、モデルの出力とはまったく似ていないかもしれない。これが厄介なケースであり、正直に名指しする価値がある。来歴ラベルは、ツールについて技術的に正確でありながら、執筆についてまったく情報を与えないことがあり得るのだ。
トラブルを避けるための手順は次のとおりだ：
- 一次ソースのページを、日付が見える状態で PDF にエクスポートする。
- あなたの公開スタックがテキストをモデル API に送信しているか確認する。プラットフォームの管理者に尋ね、推測しないこと。
- 自分のバージョン履歴を保持する：初稿、モデル支援による下書き、最終編集。
- 編集ログに、どのセクションがモデル支援で、どれがそうでないかを記録する。
- 開示しなければならない場合、開示するのはツールと段階であり、著者性についての告白ではない。
あなたのテキストに付いたラベルが、文章そのものよりも気になるなら、まず下書きを AI 検出器 にかけてみよう。文単位のスコアが、どの行にシグナルがあるかを示してくれるので、文書全体を闇雲に書き直すのではなく、必要な行だけを編集できる。
来歴ラベルがあると検出器にフラグを立てられますか？
いいえ、そしてこれが最もよく耳にする反論です。「ラベルがあれば、検出器がそれに一致するはずだ」と。来歴と検出は別の仕組みで動いています。来歴は生成イベントに付随する記録です。検出は、目の前の文言を統計的に読み取ることです。
私たちはこれを自分たちの素材で検証しました。2026-09-28に、DeAIze検出器（ローカルアンサンブル、liteティア）で2つのコーパスを30%のフラグ閾値でスコアリングしました。生成済みとマークされていないDeAIzeガイドからの709件のパッセージの参照サンプルは、AIスコアの平均26%、中央値25%、範囲0〜69%を返し、709件のうち239件が閾値以上でした。これらはパッセージ数であり、独立した文書の数ではなく、人間の著作性は独立に検証されていません。未編集のモデル出力、固定プロンプトからの12件のパッセージは、平均33%、中央値34%、範囲4〜46%を返しました。
その2つの範囲を並べて読んでください。重なっています。モデル出力範囲の低端にあるパッセージは、参照範囲の高端にあるパッセージより下に位置します。これが、単一の数値では著作性の問いに決着をつけられない理由のすべてであり、来歴ラベルと検出器スコアを足してもなお証明にはならない理由です。
永遠の解決策：シグナルを運ぶ文を編集する
ラベルが何と言おうと、編集作業は同じであり、それはAIテキストのヒューマナイズに関する私たちのピラーガイドで説明されている作業です。あなたはツールを打ち負かそうとしているのではありません。特定の言いたいことがある人間のようにテキストを響かせようとしているのです。
文レベルの検出器がハイライトする箇所から始めましょう。私たち自身のサンプルでは、AI特有の頻度は参照コーパスで100語あたり1回、未編集のモデル出力でも100語あたり1回だったので、頻度だけでは良い文章と生成された文章を区別できません。両者を分けるのは配置です。生成されたテキストは同じ癖を均等に散りばめる傾向がある一方、人間の下書きはその癖を偏って集中させます。
実例による説明であり、実際のクライアント文書ではありません：
- 変更前：「包括的なコンプライアンスを確保するために、来歴要件の多面的な性質を考慮することが重要です。」
- 変更後：「来歴ルールは3つのグループに適用されます：出版社、プラットフォーム、そしてモデルAPIを通してテキストを流すすべての人です。あなたがどれに当てはまるか確認してください。」
2番目のバージョンは数字を明示し、グループを明示し、余分な言葉を削っています。また、主張も変えていますが、これこそ人々が見落とす部分です。数量、引用、否定、または限定詞を変える書き換えは、たとえスコアが下がっても文書を損なっています。修正したすべての文を元の文と比較し、事実を自分で確認してください。意味的類似性はレビューの補助であり、意味が保たれた証拠ではありません。
これが間違った選択となる場合
以下のいずれかの状況にあるなら、このために何も購入しないでください。
- あなたは著者権の紛争の中にいます。リライトツールは証拠にはならず、係争中のテキストを編集すると必要な記録を破壊する可能性があります。原本を保存し、タイムスタンプを保持し、所属機関のプロセスに従ってください。
- あなたのポリシーがAI支援を完全に禁止しているなら、修正策はリライトではなく、実際に何をしたかについて上司と話し合うことです。
- あなたはモデルを一度も使っておらず、テキストはクリーンです。来歴のルールは、あなたの作業をパラフレーザーにかける理由にはなりません。
- あなたにはTurnitin番号が必要です。誰もそれを約束できません。DeAIzeは公式のTurnitin読み取り値やTurnitinスコア推定器を提供しておらず、そうでないと主張するツールは推測を売りつけているだけです。
あなたの状況が委員会やクライアントから厳しい質問を受けているというものであれば、有用な読み物はハイスコアが本当に意味するものに関する私たちのガイドです。これは、数字が争われたときにどう対応するかを説明しており、それを隠す方法ではありません。
今日やるべきこと、順番に
10分の事務作業は、1週間の不安に勝ります。
- 一次資料を読み、読んだ日付を記録する。
- テキストがあなたのCMSからモデルAPIへ送信されるかどうかをプラットフォームに尋ねる。
- バージョン履歴を自分が管理する場所にアーカイブする。
- 下書きを文単位の検出器にかけ、フラグが立った行だけをハイライトする。
- それらの行を具体性のために編集し、すべての数字と引用を原本と照合し、両方のバージョンを保持する。
- 開示が必要な場合は、ツールと段階を明確に述べる。
それが全体のアプローチです。ラベルが何を記録し、何を記録しないかを知り、読者が実際にあなたを評価する文に労力を注いでください。アイデア、データ、結論はあなた自身のものでなければなりません。ラベルはそれを変えられず、検出器はそれを測定できません。
編集を始める前にどの文がシグナルを担っているかを確認したい場合、リライトトライアルではメール確認後にクレジットカード不要で200語が利用でき、検出限界は現在のインターフェースに表示されています。
測定に関する注記：本記事の数値は、2026-09-28に当社独自の検出器を実行して得られたものです — n = 709（生成済みとマークされていないガイドからの参照パッセージ）対 n = 12（未編集のモデルパッセージ）、AIスコアの中央値はそれぞれ25%と34%でした。参照元の著者は独立に検証されていません。パッセージは独立した文書ではありません。方法：/methodology/。