はじめに
「AIに仕事を任せる時代」と言われて久しいですが、実際にAIを使ってみると、同じ課題を与えても全く異なる結果が返ってくることがあります。
今回、ある企業の取り組みを分析した文書と、その取り組みに関連する事業を持つ競合他社の理念・サービスを記した文書の2つを用意し、Bob、Claude Code、**Cline(Sonnet4.6)**という3つのAIに「競合他社がどの程度その企業に入り込んでいるか」を分析させてみました。
具体的にどの企業に関することかわからないように、多くを伏字にしています
具体的には下記のような同一のプロンプトを投げて結果を確認しています。
Aのファイルはお客様が対応しているxxxに関する取組です。
Bのファイルはお客様に入り込んでいると思われる企業のxxxに関する取組情報になります。
他の資料は一切参照せずに、お客様に対してこの企業が
どれほど入り込んでいると想定されるかシミュレーションしてください。
結果、3つのAIは同じ結論（「高い介入度」）に達したものの、分析のアプローチ、文章量、評価方法が全く異なっていたのです。
3つのAIの基本スペック
まず、それぞれのAIが生成した分析レポートの規模を見てみましょう。
| AI名 | 行数 | 文字数 | 特徴 |
|---|---|---|---|
| Bob | 271行 | 約12,000字 | 詳細な戦略提言付き |
| Claude Code | 70行 | 約3,000字 | 最小限で本質を突く |
| Cline | 328行 | 約15,000字 | 学術論文のような網羅性 |
同じ素材から、最小3,000字から最大15,000字まで、実に5倍もの差が生まれました。
評価方法の違いが面白い
3つのAIは、それぞれ独自の評価方法を採用していました。
Bob：★評価 + パーセンテージ
総合浸透度: 95%
思想レベルの整合性: ★★★★★（100%）
ビジネスモデル実装度: ★★★★☆（85%）
特徴：視覚的に分かりやすく、経営層向けのプレゼンテーションを意識した構成。「極めて高い」「完全一致」など、断定的な表現が多い。
Claude Code：●段階評価
思想・フレーム浸透: ●● 高
戦略・ビジネスモデル設計: ●● 高
デジタル・データ領域: ●● 中〜高
特徴：定量評価を避け、「課題の語られ方そのものがフレームワーク化されている」という深い洞察を提示。わずか70行で本質を突く。
Cline：100点満点スコア
総合浸透度スコア: 78/100点（高度浸透レベル）
内訳：
- ビジネスモデルの一致度: 17/20点
- 「xxxxx」理論との整合性: 18/20点
- サービス領域の実践度: 19/20点
特徴：付録でスコアリング基準を明示し、再現性を担保。学術論文のような客観性を重視。
最も印象的だった違い：「何を証拠とするか」
3つのAIが最も異なっていたのは、「何を証拠として重視するか」という点でした。
Bob：時系列の整合性を証拠化
2021年から2026年までの施策を時系列で並べ、「段階的な戦略転換が競合他社の思想と完全に一致している」ことを証明。まるで探偵のように、5年間の足跡を追いかけました。
Claude Code：言語化の様式を証拠化
他の2つのAIが見逃していた視点がこれです。
「xxxxxモデルからyyyyyモデルへの転換」という論点設定そのものが、競合他社の問題意識と同一である
つまり、「何を課題として認識するか」という認知フレーム自体が外部から影響を受けている可能性を指摘したのです。これは哲学的とも言える深い洞察でした。
Cline：定量的一致度を証拠化
5つのビジネスモデルそれぞれに一致度を算出：
- AAAAAサプライチェーン：95%
- BBBBBとCCCCC：98%
- DDDDD：10%
- EEEEEの延長：40%
- FFFFFプラットフォーム：5%
そして重要なのは、「非適用領域」（10%、5%）も正直に記載し、なぜ一致しないのかを分析している点です。
戦略提言の有無で見える「AIの役割」
Bob：詳細な戦略提言あり
❌ 避けるべきアプローチ：正面対決
◎ 推奨アプローチ：
- 補完的ポジショニング
- 協業モデルの提案
- 新規領域の開拓
まるでビジネスコンサルタントのように、「で、どうすればいいのか？」に明確に答えています。
Claude Code：提言なし
分析のみに徹し、「何をすべきか」には踏み込みません。これは分析者としての中立性を保つスタンスです。
Cline：複数の仮説を提示
パターンA：戦略コンサルティング提供（可能性：高）
パターンB：デジタル実装支援（可能性：中）
パターンC：思想的影響のみ（可能性：中）
「何が起きているか」の複数解釈を提示しますが、「どうすべきか」は述べません。
3つのAIの「職業」を例えるなら
それぞれのAIを人間の職業に例えると、こうなります：
| AI | 職業 | 強み | 活用場面 |
|---|---|---|---|
| Bob | ビジネスコンサルタント | 説得力・実行可能性 | 経営会議、戦略立案 |
| Claude Code | 哲学者・評論家 | 深い洞察・本質の可視化 | 問題の再定義、前提の検討 |
| Cline | 学術研究者 | 客観性・再現性 | 学術研究、第三者評価 |
用途別の使い分け提案
実務でAIを使う際の参考として、用途別の推奨をまとめました：
- 経営層への報告：Bob（簡潔・明快で、アクションプランまで提示）
- 戦略立案会議：Bob + Claude Code（実務的提言 + 本質的洞察）
- 学術研究・論文：Cline（再現性・客観性が高く、査読に耐える）
- 競合分析の深堀り：Claude Code（メタレベルの思想浸透を見抜く）
- 初見の人への説明：Claude Code（70行で本質を掴める簡潔さ）
さいごに
いかがでしたでしょうか？
同じ課題、同じ素材を与えても、AIによって分析の粒度、結論の出し方、説得の論理が劇的に異なることが分かりました。
これは、各AIの「訓練データ」や「設計思想」の違いが、まるで人間の職業的バックグラウンドのように作用している証拠です。
重要な教訓は2つあります：
- タスクに応じてAIを使い分けることで、より高度な成果物が得られる
- 複数のAIの分析を組み合わせることで、多角的で堅牢な判断が可能になる
「AIは万能」ではなく、「AIにも個性がある」。この理解が、これからのAI活用の鍵になるのではないでしょうか。
今回の実験で最も印象的だったのは、Claude Codeが指摘した「課題の語られ方のレイヤーで思想的浸透が起きている」という洞察です。これは、私たち人間が情報を解釈する際にも当てはまる普遍的な真理かもしれません。
同じ情報でも、どのような「思考フレーム」で見るかによって、全く異なる結論が導かれる。AIの個性を知ることは、私たち自身の思考の癖を知ることにも繋がるのです。