PangramのAI検出、文章で強く画像で揺らぐ信頼性の核心

AIスロップ拡大で高まる真正性確認の需要

生成AIの普及で、ネット上の文章や画像は「誰が、どの程度つくったのか」を読み手が判断しにくくなっています。低品質な量産コンテンツを指す「AIスロップ」という言葉が広がった背景には、単なる嫌悪感だけでなく、広告、教育、出版、研究、選挙情報への信頼低下があります。

この文脈で注目されているのが、AI生成文章を見分ける検出ツールです。なかでもPangramは、第三者評価やプラットフォーム導入で存在感を強めています。ただし、検出器は万能の鑑定人ではありません。文章では有効な統計的手がかりも、画像や短文、強く編集された素材では揺らぎます。重要なのは「当たるか外れるか」だけでなく、どの場面なら判断材料として使えるのかです。

Pangramが文章検出で評価される技術的理由

文章を「著者識別」と見る分類器

Pangramの特徴は、古いAI検出器で使われがちだった「次に来る単語の予測しやすさ」だけに依存しない点です。同社は、自社の検出モデルを文章分類器として説明しています。文章をトークン化し、文体、構文、意味のパターンを多次元の特徴として扱い、人間が書いた文章と大規模言語モデルが出力した文章の分布を比較する考え方です。

この発想では、AI検出は「この一文にAIらしい語があるか」ではなく、「この文書全体がどの著者群に近いか」という問題になります。Pangramは、人間の文章と、それに近い長さ・話題・調子で生成したAI版のペアを学習に使うと説明しています。さらに、既知の人間文書には生成AIがネット上に広がる前の2021年以前のデータを重視しているとしています。

この設計は理にかなっています。AI文章の検出は、単語単位の癖を追うほど回避されやすくなります。言い換えツールや「人間らしくして」という再生成で表面の癖は消せるからです。文書全体の構造や情報配置を見れば、単純な語彙置換には比較的強くなります。一方で、分類器である以上、学習データの偏りや新モデルへの追随、言語ごとの差は常に課題として残ります。

第三者評価で浮かぶ強みと前提条件

Pangramが注目される理由は、企業の宣伝だけではありません。2026年6月に公表されたVrije Universiteit Brusselの研究は、GPTZero、Pangram、Copyleaks、Turnitinを、完全な人間執筆、完全なAI生成、人間とAIの混在、AI文を「人間化」した文書の4条件で比較しました。対象は各4,000語超の英語学術文書160本です。この研究では、Pangramが完全AI文書で97.5％、混在文書と人間化AI文書で95％を検出したと報告されています。

NBERのワーキングペーパーでも、Pangram、OriginalityAI、GPTZero、RoBERTaを対象に、誤検出率と見逃し率のトレードオフが分析されています。人間文書1,992本とAI文書1,992本を含む大規模コーパスを使い、Pangramは厳しい偽陽性上限でも検出性能を維持したと要約されています。これは、学校や採用、投稿審査のように「人間をAI扱いする損害」が大きい場面で重要な指標です。

ただし、これらの結果は「どんな文章でも個別判定が真実になる」という意味ではありません。学術文書、レビュー、ニュース、SNS投稿では文章の長さも編集過程も違います。検出器は確率的な補助線であり、作成過程そのものを観察しているわけではありません。第三者評価が強いほど、むしろ運用側には「高い精度をどう慎重に扱うか」が問われます。

画像判定が文章より難しい科学的背景

新モデルと改変で崩れる視覚的手がかり

文章検出と画像検出では、難しさの質が異なります。文章は単語列として比較的扱いやすく、文書全体の統計パターンを追えます。画像は、生成モデル、カメラ、圧縮、編集、再投稿、スクリーンショット化が重なり、生成由来の痕跡が消えたり、逆に本物の写真に不自然な痕跡が入ったりします。

NISTのGenAI Image Challengeは、AI画像をつくる生成器と、それを見破る識別器の双方を評価する枠組みです。評価指標にはAUC、等誤り率、特定の偽陽性率での真陽性率などが使われます。これは、画像検出が単純な正解率だけでは測れないことを示しています。偽画像を見逃すリスクと、本物の写真を偽物扱いするリスクを同時に管理しなければならないからです。

Scientific Reportsの2025年論文も、画像検出の脆さを示しています。Stable Diffusion画像で訓練したResNet50分類器は、改変なしでは精度0.9979の高成績を出しました。しかし、FGSMやPGDという敵対的摂動を加えると精度は大きく低下し、PGD条件ではAI画像の検出がほぼ崩れるケースが報告されています。見た目には小さな変化でも、検出器の内部表現を大きくずらせるのです。

C2PAと透かしが補う出所情報

画像の真正性確認では、ピクセルだけを見る検出器より、出所情報を残す仕組みが重要になります。C2PAのContent Credentialsは、画像や動画に作成元、編集履歴、使用ツールなどの来歴情報を暗号的に結びつける標準です。C2PA自身も、これは誤情報対策の万能薬ではなく、メディアリテラシーやファクトチェック、デジタルフォレンジックを補完するものだと説明しています。

OpenAIも、対応する画像にはC2PAメタデータとSynthID透かしを組み合わせる方針を示しています。ただし、メタデータは投稿先や編集ツールで失われることがあり、透かしも圧縮、切り抜き、ノイズ、形式変換で劣化します。さらに、検証ツールが検出できるのは対応サービスの信号に限られます。信号がないことは「AIではない」ことの証明ではありません。

したがって、画像判定の現実的な方向は、単体のAI画像検出器に全責任を負わせることではありません。出所メタデータ、透かし、投稿者の説明、撮影時の文脈、逆画像検索、専門家によるフォレンジックを重ねる多層確認です。Pangramが画像分野に広がるとしても、文章検出と同じ信頼感をそのまま移植するには、公開ベンチマークと実運用での誤差検証が不可欠です。

検出結果が人を裁く道具になる制度リスク

Substack導入が示した読者参加型の透明性

Pangramをめぐる議論が広がった大きな契機は、SubstackのAI検出機能です。Substackは2026年7月21日以降に公開された投稿、ノート、コメント、返信について、一定以上の長さがあるテキストを読者が任意でスキャンできる機能を導入しました。Pangramを使い、人間執筆、AI支援、AI生成の割合を推定する仕組みです。

この導入は、AIスロップへの反撃として理解できます。Substackの発表では、問題はAI利用そのものではなく、読者が人間的な関係性を期待しているのに、実際にはほぼ機械生成だったというミスマッチだとされています。クリエイター側には制作過程を説明する「How I make this」欄や、検出の無効化、誤判定報告の仕組みも用意されています。

一方で、読者が誰かの文章をその場で判定できる仕組みは、信頼を回復するだけでなく疑心暗鬼も増やします。検出ラベルは便利な手がかりですが、作家の思考、取材、編集、責任の取り方までは測れません。AIが草稿作成に使われた文章と、AIが校正だけに使われた文章では、読者にとっての意味が違います。検出器の数値だけでは、この差を十分に説明できません。

教育現場の誤判定が残す教訓

AI検出器の歴史には、強い警告材料もあります。Stanford HAIが紹介した2023年研究では、当時の複数の検出器が非ネイティブ英語話者のTOEFLエッセイを高い割合でAI生成と誤判定しました。特に、91本中18本を全検出器がAI生成と判定し、少なくとも1つの検出器に引っかかったものは89本に上ったと報告されています。

この研究は古い世代の検出器を対象としており、Pangramの現在の性能を直接否定するものではありません。それでも、制度設計上の教訓は残ります。文章が整っている、表現が単純である、非母語話者らしい規則性がある、といった特徴を「AIらしさ」と取り違えると、学生、移民、若手ライター、障害特性のある書き手に不利に働く可能性があります。

Turnitinも、AI Writing Reportを不利益処分の唯一の根拠にすべきではないと明記しています。これは検出器を否定する姿勢ではなく、評価の責任を人間側に戻す姿勢です。下書き履歴、引用、授業内容との整合性、過去の文章、本人への聞き取りを合わせて判断する必要があります。精度の高い検出器ほど、運用者がそれを「判決」に見せない設計が重要になります。

読者と編集部が採るべき三層の検証姿勢

Pangramは、AI文章検出の実用性を一段押し上げた存在です。学術評価、SNS分析、Substack導入、NewsGuardとの連携を見る限り、AIスロップ対策の中核ツールになりつつあります。インターネット上の新規ウェブサイトの相当部分がAI生成またはAI支援と分類された研究もあり、真正性確認の需要は今後さらに強まります。

ただし、検出器は「誰が考えたか」を直接測る装置ではありません。文章では、十分な長さ、対象ジャンルに近い検証データ、異議申し立ての仕組みがある場面で力を発揮します。画像では、ピクセル判定だけでなくC2PA、透かし、撮影・編集履歴、文脈調査を組み合わせる必要があります。

読者や編集部が取るべき姿勢は三層です。第一に、検出結果を注意喚起として見ること。第二に、作成者の開示や制作過程を確認すること。第三に、重要度が高い案件では複数の証拠を重ねることです。AI時代の信頼は、機械のスコアを信じ切ることではなく、スコアを含む証拠の束を丁寧に読む技術から生まれます。

参考資料:

• Pangram - AI Detector
• Pangram Labs Documentation - AI Detection
• How does Pangram work?
• AI Content Is Everywhere on Social Media, Especially LinkedIn
• Who wrote this? Evaluating the reliability of AI detection tools in higher education
• Artificial Writing and Automated Detection
• How can I detect AI on Substack?
• Against Claudefishing
• Pangram Labs raises $9M to launch more accurate AI detection for text and images
• Using the AI Writing Report
• AI-Detectors Biased Against Non-Native English Writers
• GenAI: Image Challenge
• GenAI: Deepfakes 2026
• Detection of AI generated images using combined uncertainty measures and particle swarm optimised rejection mechanism
• C2PA and Content Credentials Explainer
• Provenance signals in OpenAI-generated content
• The Impact of AI-Generated Text on the Internet