第360号

Hemmingway AI共同創業者インタビュー:人間のように書くAIとうまく書かれた文章の違い

Hemmingway AI共同創業者Yashodan Naidooインタビュー、七つの質問と回答

AI・テックHemmingway AI共同創業者インタビュー:人間のように書くAIとうまく書かれた文章の違い

第277号を読んだモデル開発者からメールが届く

読者さん、去る9月27日の第277号でHemmingway-1というモデルを取り上げました。「人間のように書くこと」を目標に訓練された270億パラメータの文章作成モデルです。私はその号で、このモデルの成績は条件とセットで見るべきだと書きました。評価は開発会社が自ら作成して実行し、採点は人間ではなく別のAIモデルが行い、英語中心のモデルであるという条件です。

その記事が出てから1か月ほど経った10月21日、このモデルを作ったHemmingway AIの共同創業者Yashodan Naidooからメールが届きました。

彼は第277号を「文章は読者がどれだけ容易に理解し行動できるかで評価すべきだ」という主張として読み取り、それが自分たちが「人間のように聞こえる」と言ってきたやり方に対する有用な問題提起だと述べました。そのうえで一つ尋ねてきました。読者の労力という問題を最もよく示す日常の文章作成の場面は何か、と。

私の答えは議事録でした。議事録には決定事項、次のステップの担当者、期限がたいてい全部含まれています。ただし、議論の記録の中に埋もれているんです。ここでモデルが誰も合意していない担当者や日付を勝手に書き込むと、議事録は読みやすいのに人を見当違いの方向へ導いてしまいます。Hemmingway-1のモデルカードに出てくる大家からのメッセージも同じ形です。読む人に必要なのは、自分が動かなければならないその一行なんです。

その返信でインタビューを申し込みました。韓国ではAIが書いた痕跡を隠すことが、ちょっとしたコツ程度の技術になっているという事情も併せて書きました。ダッシュを消し、「軸」や「層」のような単語を避け、文章を投稿する前にヒューマナイザー1 ツールにかける、といった具合にです。そのため、七つの質問のうち複数がその方向を向いています。

Yashodanはインタビューを快諾し、英語でインタビューを行いました。以下に質問と回答を順番に掲載します。回答は韓国語に訳し、合間に読者が知っておくべき事実と私の考えを加えました。第277号で指摘した、彼が同意しないかもしれない部分もそのまま残しています。

まず会社について簡単に紹介します。Hemmingway AIは南アフリカ共和国に登録された会社で、チームは南アフリカとスイスにいます。文章作成アプリと自社モデル、APIを合わせて提供しています。最初のモデルHemmingway-1は2026年9月20日に公開され、Qwen3.8-27Bを追加訓練したモデルです。10月25日には後継モデルHemmingway-1.5が公開され、現在はアプリとAPIの基本モデルになっています。私が質問を送った日は10月21日なので、質問には1.5の話は出てきません。

一つ訂正しておきたいことがあります。第277号でHemmingway-1のライセンスをApache-2.0と書きましたが、現在の公式モデルカードにはCC BY-NC 4.0と記載されています。今後公開予定のHemmingway-2も同じライセンス方針に従い、非商業用途は無料、商業利用は会社との別途契約が必要になる予定です。

「人間らしく」という目標と、その点数の付け方

Q1. なぜ目標を「人間らしく書く」に定めたのですか? いま読者の労力に注目しているとすれば、それはHemmingway-2を訓練する方向をどう変えますか?

多くのAIライティングツールは、実際にその文章を書こうとしている文脈に置いてみると、どこか空疎な文章を作ってしまいます。文章力を鍛えるうえで語調や文体は重要な検討事項ですが、どちらも文脈の下に位置づけられるものです。たとえば、愛する人を失った相手を慰めるメッセージと、同じ相手にプロジェクトの進捗を知らせるメッセージは、同じように「明瞭」であり得ても、まったく異なる感覚を要求します。文章を書くということは情報伝達にとどまらず、書き手と読み手の間の関係を扱うことなのです(私は音楽と文章を書く仕事からHemmingwayに来ました。だからこそ、文章に込められた情報と同じくらい、その文章が読み手に残す効果に関心があります)。

Hemmingway-2の訓練と評価が集中してほしいのは、まさにこの部分です。文章が書かれる状況を汲み取り、元の草稿の内容を守り、受け手が何が重要なのかをより容易に把握できるような文章を作ることです。今週登場するHemmingway-1.6でも進展があると期待していますが、大きく飛躍するのはHemmingway-2になるでしょう。

彼がHemmingway-2の目標として挙げたのは三つです。**状況を汲み取ること、草稿の内容を守ること、受け手が重要なことを容易に把握できるようにすること。**三つ目が私の尋ねた読者の労力に当たり、二つ目は議事録の話とつながっています。

Q2. CommunicationBench、Human-Likeness、StoryBenchは自社で作成したベンチマークであり、採点はモデルが行いました。なぜ人間の評価者ではなくモデル審査だったのですか?

その評価において、まだ開かれている(未解決だと考える)問いは何ですか?

この質問は、第277号で付した条件をそのまま尋ねたものです。三つのベンチマークはいずれもHemmingwayが自社で作成したもので、二つのモデルの回答を並べてどちらが優れているかを、別のAIモデル、すなわち審査モデル2が選ぶ方式です。11月10日時点の公式モデルカードには、三つのベンチマークに「内部(internal)」評価という表示があり、誰がどのように採点したのかは記載されていません。

今後出すベンチマークには、モデルの判定とあわせて人間の評価者を含めるつもりです。モデルを「審査者」として使い続けようとする最大の理由は、私たちのような小さなチームでも、同じプロンプトに対する複数の応答を現実的に繰り返し比較できるようにしてくれるからです。モデルを変更したときにどんな影響が生じるかを素早く評価でき、同じ指針で膨大な数の応答を比較できます。モデルを開発するうえで、この点は本当に貴重です。とはいえ、その判定が「客観的」になるわけではありませんし、どのような形であれ読者のフィードバックの代わりにはなりません。

最初に評価を行った際、私たちは応答を生成したモデルが何かを伏せ、(位置バイアス3を減らすために)応答を両方の順序で比較しました。有用な措置ではありますが、審査モデルの好みや、どの課題を入れるかを決めた私たち自身の偏り(評価を設計した側としての)までは取り除いてくれません。審査モデルは、より一般的な表現を使った応答を好意的に評価するかもしれませんし、作り話の事実に気づかないかもしれませんし、役に立つ応答よりも耳当たりのよい応答を選ぶかもしれません。「人間らしさ(Human-Likeness)」評価はこの点で特に弱いと言えます。ある文章をモデルが書いたのか人間が書いたのかを(別の)モデルに判定させることは、人間がその文章をどう判断するかの代わりとするには貧弱な物差しです。今後、人間の評価者がはるかに直接的な役割を担うことになるのは、まさにこの部分だと考えています。

Yashodanは、第277号の二つの条件を否定しませんでした。むしろ、審査モデルが見落としうる点を具体的に書き出しました。ありふれた表現を好意的に評価しうること、作り話の事実に気づけないことがあること、役に立つ答えよりも耳当たりのよい答えを選びうることです。人間らしさ評価については「特に弱い」とまで述べています。

ただし、人間の評価者が加わったベンチマークはまだ「これから」の話です。現在公開されている点数は、すべてモデルが付けた点数です。

「らしさ」を消すことと、うまく書くことはどこで分かれるのか

Q3. 韓国ではダッシュや特定の単語といった表面的な「らしさ」を消して、人間が書いたように見せようとします。Hemmingwayがやっていることも同じなのでしょうか、それとも「らしさ」を隠すこととうまく書くことの間には違いがあるのでしょうか。その線引きはどこにありますか。

ダッシュや特定の単語を消すといった近道は、ヒューマナイザーツールの領分であり、それは実のところ対症療法にすぎません。Hemmingwayはモデルが文章をうまく書けるように訓練していて、これはヒューマナイザーツールのやっていることをはるかに超えるものです。

私たちがより関心を持っているのは、こうした問いです。この文章は、自分が使われる文脈を把握しているか。この関係にふさわしく聞こえるか。私が(送り手が)言おうとしていたことを言っているか。私が(送り手が)許可していない細部を埋めていないか。「AIが書いた」単語や句読点を見つけ出す検査にはすべて通過しても、これらの問いではすべて落第することがあり得ます。

私たちも「人間らしく聞こえる」という言い方をすることはあります。しかし、検出器のスコアで人間と区別がつかないというだけでは、その文章が正確である、役に立つ、あるいは正直に提示されていると主張するには十分ではないと考えています。

私たちは、世の中にあふれる他のAI生成メッセージのように聞こえることなく、人々が自分自身を表現できるようにする道具を持ってもらいたいのです。良い文章とは、誰かが伝えようとしている意味(その人が責任を持てる準備ができている意味)を何倍にも増幅するものであるべきです。伝えたいことがあるという事実そのものに取って代わるものではありません。

この回答と並べて見るべき事実があります。私が質問を送ってから4日後に発表されたHemmingway-1.5を、公式モデルカードは「検出不能なAI(The undetectable AI)」と紹介しています。自社テストでGPTZeroとPangram、そして公開されている検出モデル4つを90%の割合で通過したというのです。

ここでの「通過」とは、検出器が90%以上の確信度で人間が書いた文章だと判定したケースを指します。同じ検出器で、人間が書いた文章1,670本の通過率は86%、Hemmingway-1は7%だったとのことです。モデルカードは用途の一つとして「AIが書いた文章を貼り付けて人間らしく聞こえるようにする」も挙げています。

会社が示したこの数字どおりなら、人間が書いた文章でも14%は通過していません。検出スコアを証拠のように使ってはいけないと第195号で書いた理由は、この数字の中にも表れています。

検出器のスコアだけでは十分ではないというYashodanの言葉と、検出器の通過率を真っ先に掲げる製品紹介との間には距離があります。答えが間違っているという意味ではありません。彼は「十分ではない」と言ったのであって、「必要ない」とは言っていないからです。それでも、ダッシュを消す韓国式のテクニックと、検出器を通過するように仕上げられたモデルがどこで分かれるのかは、この回答だけでは線を引くのが難しいものでした。

Q4. Hemmingway-1は英語中心です。韓国語では、英語の文構造が韓国語に移し替えられる過程で生まれるAI「らしさ」が多く見られます。韓国語や他の非英語言語で同種のモデルを作るには何が必要でしょうか。ロードマップには入っていますか。

私たちの最初の非英語言語は、アラビア語やスペイン語のように広く使われている言語になる可能性が高いです。私は、英語で通用する「良い文章」という概念を持ってきて、例文を(韓国語のような)別の言語に翻訳し、その結果が韓国語としても「良い文章」だと仮定してしまうことについては、かなり慎重に見ています。私には、ある文章が韓国語として自然に聞こえるかどうかを判断できるだけの言語的専門性がありません。ですから、課題を定義し、適切な訓練データを選び検証し、結果を評価する作業を手伝ってくれる韓国語のネイティブライターたちを迎える必要があります。言語は文法や語彙だけの問題ではなく、関係性や文脈の問題でもあります。また、モデルが新しい文を生成しながらも、元の下書きにある事実(名前、決定事項など)を守ることを、非英語言語においても同じようにうまくこなせているか確認したいと思っています。成否は、課題設計、訓練データの選別、評価の質が分けるでしょう。

韓国語の予定は回答の中にありませんでした。最初の非英語言語の候補として挙げられたのはアラビア語とスペイン語です。その代わり、韓国語モデルを作るとしたら何が必要かは具体的に書かれていました。英語の例文を翻訳して使うのではなく、韓国語のネイティブライターが課題定義とデータ選別と評価のすべてに関わる必要があるということです。

責任、小さなモデル、そして人が担うべき仕事

Q5. AIが書いた文章がAIが書いたものに見えなくなると、読者は誰かが内容を確認したかどうかを判断する手がかりを一つ失います。その責任は誰が負うべきでしょうか。モデルを作る側でしょうか、メッセージを送る人でしょうか、読者でしょうか。

(AI文章作成モデルのような)ツールは、その目的に沿って出せる最良の結果物を出すべきです。AIが作ったと人々にわかるように、わざと結果物を悪くするというのは筋が通りません。私は、文章、音楽、コード、映像のあらゆる分野において、完成した結果物がそれがどう作られたかを教えてくれる信頼できる手がかりにはならなくなっていくと予想しています(実際、多くの人にとってはすでにその境界を越えています)。ツールをどう使うか、何を世に出すかについての責任は、ツールを使う人が負うべきです。

モデルを作る私たちの仕事は、一つの考えと、その考えが完成した表現になるまでの距離を縮めることです。良い物語を書くには、伝統的に教育や文学に触れる機会、そして練習する時間が必要でした。そうした機会は誰にでも等しく与えられるわけではありません。生計のために働く人にも、語るべき素晴らしいことがあるかもしれません。ただ、文章力を磨く機会がなかっただけなのです。

私たちは、そうした方々も水準の高い作品を作れるようになってほしいと願っています。すでにその技術を磨いてきた方々には、ツールがより遠くへ、より速く進む手助けになってほしいと思っています。より多くの人が、自分の考えに説得力のある形を与える手段を持つべきです。

質問は三つの主体を挙げて問いましたが、答えはツールを使う人を名指ししていました。

Q6. 27Bのモデルが日常的なメッセージの分野で、はるかに大きなモデル群を抑えて1位になりました。この結果は、狭いタスクに特化したモデルと汎用フロンティアモデル4について何を語っているのでしょうか。

特定の領域に特化したモデルが汎用フロンティアモデルを上回ることは、それほど驚くべきことではないというのが私の仮説です。集中が重要であり、規模が大きいというだけでそれが自動的に埋め合わされるわけではありません。

企業の世界では常に見られることです。資金も人材もはるかに豊富な巨大企業が、なぜ競合する小さな会社すべてに勝てないのでしょうか。資源が多いということと、その資源を特定の問題に集中して注ぎ込むということは別の話だからです。小さなチームは自分たちの領域をより深く理解し、その一つのことをうまくやるためにすべてを組織できます。

モデルについても同じようなことが言えると考えています。Hemmingwayの結果が私にとって興味深いのはそのためです。はるかに大きな汎用モデルが一貫してできないことを、集中した訓練が成し遂げられることを示唆しているからです。

うまく調整されたシステムが、高度に特化したモデル群の間でリクエストを振り分け、ユーザーはモデルが切り替わったことにほとんど気づかない未来を思い描くこともできます。一つの滑らかな体験の中で、複数のモデルの強みを享受するというわけです。実際にそうなるかはこれから見ていく必要がありますが、私は最大のモデルが常にあらゆる領域で最良のモデルであるとは仮定していません。

この質問の前提となった順位は、Hemmingwayの自社ベンチマークであるCommunicationBenchの結果です。モデルカードによれば、Hemmingway-1が1026点、2位のFable 5.1が1024点で、その差はわずか2点です。Hemmingway-1の基盤モデルであるQwen3.8 27Bは954点でした。創作文章力を測るStoryBenchでは、Fable 5 Max(1277点)とGLM-5.3(1254点)がHemmingway-1(1197点)を上回っていました。

Q7. 毎日AIで報告書やメッセージの下書きを作っている韓国の会社員に、何をモデルに任せ、何を依然として自分で書くべきだと言っていただけますか。

できるだけ多くの文脈を与えてください。自分が知っていることは何か。相手に何を理解してほしいのか。これをうまくやればやるほど、結果物も良くなります。私自身、構成の提案をもらったり、繰り返しを削ぎ落としたり、何かをより上手に説明したり、言い出しにくいことをどう言うか考えたりするときに、よくモデルを使います。

勧告や事実、約束についての責任はユーザーにあります。ある実行項目について担当者と期限が合意されないまま会議が終わったのなら、議事録にはそのとおり、合意されていないと明記してください。数字や出典(特に出典!)は原資料と照らし合わせて確認してください。流暢に書かれているからといって、それが事実であるとは限りません。

私は「この部分は自分で書く」というふうに分けて考えてはいません。言いたいことを正確にわかっていても、それを言葉にする助けが必要なときがあるからです。最後に送信ボタンを押す前に、メッセージに含まれるすべての内容について自分が責任を持てるかどうかを確認してください。誰かが事実関係を問いただしたり、約束を守れと言ってきたりしたときに、答えられる準備ができているべきです。

議事録の話が、答えの中で再び出てきました。担当者と期限が合意されていなければ、合意されていないとそのまま書けというわけです。私が最初にメールに書いた懸念は、モデルがその空欄をもっともらしく埋めてしまうことでしたが、彼は空欄を空欄として書くことこそ、書く人の仕事だと答えました。

hemmingway founder interviewOswarldの視点

第277号で私は、Hemmingway-1の成績に条件を付けました。今回の答えを読んでみると、その条件を最も詳しく書き出していたのが開発会社の共同創業者でした。審査モデルが捏造した事実を見逃しかねないこと、そして人間らしさの評価が特に弱いことを、本人が直接書いていたからです。

私は、2番の答えがCommunicationBench 1位という順位そのものより、この会社について多くを語っていると見ています。順位はモデルカードに載っていますが、そのベンチマークが何を測れていないのかはモデルカードには書かれておらず、この答えの中にあるからです。ただし言葉と製品は別に確認する必要があります。人間の評価者を入れた結果が実際に公開されるのか、Hemmingway-1.5の紹介文が、検出器の通過率ではない何かを前面に押し出すようになるのかを見れば、この答えの重みがわかるはずです。

ヒューマナイザーを当座しのぎだと述べた3番の答えは、私が第213号で書いたものと同じ方向を向いています。あのとき私は、「AIくささを消す方法」のような小手先のリストを探すべきではないと書きました。ダッシュを消し、「軸」や「層」を避けるコツは、そのリストの最新版にすぎません。

Yashodanが代わりに提示した4つの問いは、AIが書いた文章だけに向けられる問いではありません。文脈を把握しているか、この関係にふさわしいか、自分が言おうとしていたことか、自分が許可していない内容が入り込んでいないか。人間が書いた報告書やメッセージを検討するときにも、そのまま使えます。

私が最初に議事録を例に挙げた理由は、誰も合意していない担当者と日付が埋まった議事録が、一見すらすら読めるにもかかわらず、人を見当違いの方向へ送り込むからです。彼の4つ目の問いと、7番の答えにある「合意されていないなら、そう書け」が、まさにその急所を指しています。

ただし5番の答えで彼は、責任を道具を使う側に置きました。送り手が自分のメッセージに責任を持つべきだという点には、私も同意します。しかし、許可されていない内容を勝手に書き足さないことは、モデルを作る側の責任でもあります。彼がHemmingway-2の目標として「草稿の内容を守ること」を挙げているのを見ると、彼自身もこれを自分たちの宿題だと捉えているようです。

6番の答えは、私がいつも言っていることと重なります。すべての人、すべての仕事に最上位のフロンティアモデル並みの知能が必要なわけではなく、仕事や環境に合ったモデルが別にあるということです。私自身、時間がかかる作業や反復の多い作業は最近DeepSeekやGLMに任せ、全体の計画や初期設計はClaudeやGPT-6に任せています。

ただし、今回の結果をその根拠にするのはまだ早いでしょう。1位と2位の差はわずか2点で、その点数を付けたベンチマークの限界については、Yashodan自身が2番の答えで直接説明していたからです。彼もこれを仮説と呼んでいました。

おわりに

Yashodanは第277号の批判を、攻撃ではなく対話の出発点として受け止めてくれました。そのおかげで、開発会社が自己評価の弱点を自ら説明した回答を掲載することができました。このインタビューは英語版でも併せて公開しており、英語版には彼の回答を原文のまま掲載しています。


💬 AIと一緒に書いたメッセージを送る前に、最後に何を確認していますか?コメントで一言お聞かせください。

📨 報告書やメッセージの下書きをAIと一緒に書いている同僚がいたら、この記事をぜひ伝えてください。

あなたの視点が次の号をつくります

この号で最も共感した点、あるいは違う経験をした点はどこですか。

読者アカウントがあれば無料でコメントできます。

参考資料と関連リンク

主要出典

  • Yashodan Naidoo(Hemmingway AI共同創業者)インタビュー、2026年11月。··· 今号に掲載した7つの答えです。原文は英語で、日本語訳はINLEVEL9 Letterが行いました。
  • Hemmingway AI、「Hemmingway-1 model card」、2026年11月10日確認。··· CommunicationBench、Human-Likeness、StoryBenchのスコアと現在のライセンスはこちらです。
  • Hemmingway AI、「Hemmingway-1.5 model card」、2026年11月10日確認。··· 検出器通過率90%、人間が書いた文章86%、試験に使われた検出器リストと通過基準の出典です。
  • Hemmingway AI、「What is Hemmingway AI?」、2026年11月10日確認。··· 会社の所在地、モデルごとのリリース日、Hemmingway-1の検出器通過率7%がまとめられています。

併せて読みたい過去号


アン・グァンソプ(Oswarld)のイラスト

著者 アン・グァンソプ(Oswarld) は世宗大学校 兼任教授、INLEVEL9 戦略コンサルタントです。経歴、研究、著書、最近の活動は著者紹介で更新しています。 最近の活動 · 2026年7月:HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

📝 用語解説

각주

  1. ヒューマナイザー(humanizer):AIが書いた文章を人間が書いたように見せかけて、検出スコアを下げるツールです。 ↩

  2. 審査モデル(judge model):他のモデルが書いた答えを読んでスコアを付けたり、2つのうち優れている方を選んだりするAIモデルです。人間の評価者より速くて安く済みますが、審査モデル自身の好みがスコアに混ざります。 ↩

  3. 位置バイアス(position bias):2つの答えを並べて見せたとき、内容に関係なく先に出てきた方、あるいは後に出てきた方をより頻繁に選んでしまう傾向です。順序を入れ替えて2回比較することで軽減できます。 ↩

  4. フロンティアモデル(frontier model):その時点で性能が最も先進的な大型汎用AIモデルを指す言葉です。 ↩