Qiita 記事作成の最適解 ― 各AIの回答まとめと最終判定
今回AIを使って作成した Qiita 記事について、Claude に分析してもらいました。
対象本数が少なく、作成が Antigravity に偏りすぎている状態での分析です。
また各AIが日々進化していますので、評価はどんどん変わっていくと思います。
テーマ: Antigravity 2.0 と Codex で記事の傾向に違いはあるか／Qiita 記事作成で理想的な AI の組み合わせは何か
対象記事: rex0220 氏「専門技術記事はどこまで作れるか」検証シリーズ（Antigravity 2.0 作成 4本＋Codex 作成 1本）
回答者: Gemini / ChatGPT / Claude
0. 前提となった設問（プロンプト）
各 AI には、以下の設問が共通して与えられた。
下記記事で、Antigravity 2.0 が作成したものと、Codex が作成したもので傾向に違いがあるか？
・Antigravity 2.0 作成、他 AI レビュー
- Google Antigravity 2.0で専門技術記事はどこまで作れるか：宇宙電子機器編
- Google Antigravity 2.0で専門技術記事はどこまで作れるか：超電導編
- Google Antigravity 2.0で専門技術記事はどこまで作れるか：光ファイバー通信編
- Google Antigravity 2.0で専門技術記事はどこまで作れるか：時計編
・Codex 作成、他 AI レビュー
Qiita 記事作成の場合どのような組み合わせが理想的か？
つまり問われたのは次の2点。
- 傾向差の有無: 初稿を Antigravity 2.0 が書いた記事と、Codex が書いた記事で、生成傾向に違いがあるか。
- 理想的な組み合わせ: Qiita の専門技術記事を作るうえで、どの AI をどの工程に当てるのが理想か。
なお比較対象は Antigravity 2.0 系 4本に対し Codex 系 1本と非対称であり、各記事は単独モデルの出力ではなく複数 AI＋人間によるパイプライン制作物である点が、回答全体の前提となっている。
1. 各 AI の回答の要約
3者は「傾向差」と「理想的な組み合わせ」の両方で、ほぼ同じ結論に収束した。
Gemini
- 軸: マクロ vs ミクロ
- Antigravity 2.0: 情報統合力・大局的なストーリー構成に強い「プロデューサー／メインライター型」。網羅性と体系化、図表・比喩の自動生成が得意。
- Codex: 数値・数式の厳密なファクトチェックに特化した「テクニカル校閲・データ検証型」。仕様・コードベースの現実主義。
- Antigravity の弱点: 完璧主義・理想論ゆえに現実のグレーゾーンを無視・断定しやすい（例: 電波時計の補正を「完全に校正」と言い切る、NTP と Google の Leap Smearing を混同）。
-
理想形:
設計(Claude) → 執筆(Antigravity) → 校閲(Codex) → 最終調整(人間)の4層構造。 - キャッチ: 「読みやすさの Claude」で引き込み、「圧倒的情報量の Antigravity」で殴り、「厳密な Codex」で防御を固める。
ChatGPT
- 軸: 百科事典型 vs 概念貫通型
- Antigravity 2.0: 「百科事典型・総合ガイド型」。テーマを技術領域の地図として広く階層的に展開。
- Codex: 「論点設計型・比喩制御型・検証ログ型」。1本の中心概念（例:「単位＝現実世界の型」）で全章を貫く。
- 慎重さ: 唯一、サンプル数の偏り（Antigravity 4本 vs Codex 1本）を明示し、「断定ではなく現時点で見える傾向」と留保。
- 弱点の差: Antigravity は「もっともらしい仕様混同」、Codex は「比喩が強すぎて現実を上書きする危険」。
- 理想形: 7工程ワークフロー（テーマ設計→大構成→技術整理→ファクトチェック観点抽出→読者目線レビュー→最終編集→人間確認）。自分（ChatGPT）を「公開前の編集長」として最終レイヤーに配置。
- キャッチ: Antigravity＝広げる AI／Codex＝締める AI／Claude＝読ませる AI／ChatGPT＝公開前の編集長。
Claude
- 軸: プレゼン力 vs 根拠の堅実さ
- 読んだ範囲を開示: 4本中2本（宇宙電子機器・時計）＋単位系編を精読した上での判断、と正直に明示。
- 重要な前提: 両者は「純粋なモデル出力」ではなく、記事内に明記された制作パイプライン上の役割が違う点に注意。
- Antigravity 2.0: 網羅・百科事典型。mermaid 図・アスキーアート多用、視覚的密度が高い。出典が希薄で言い切りが強い。
- Codex: 一貫メタファー型／論証型。TypeScript のコード例で概念を提示、一次資料リンクを多数明示、比喩の限界を自分で注記。
- 独自の貢献①: 初稿担当と検証担当は必ず別モデルにする（自己採点では誤りに気づけない）。
- 独自の貢献②: 記事の種類で最適解は変わる。特に kintone 実装記事は外部出典よりコードの正確さ・再現性が品質を決め、人間の実機検証が主軸になる。
2. 一致点と相違点
| 傾向の認識 | 推奨パイプライン | 独自の貢献 | |
|---|---|---|---|
| Gemini | マクロ統合 vs ミクロ精密 | Claude→Antigravity→Codex→人間 | 最も整理された4層モデル |
| ChatGPT | 百科事典型 vs 概念貫通型 | 7工程（自分を編集長に） | サンプル偏りの注意喚起 |
| Claude | プレゼン力 vs 根拠の堅実さ | Claude→Antigravity→Codex→Claude→人間 | 生成/検証の分離原則・記事種別依存 |
一致点
- 核となる軸は完全一致 ― Antigravity＝広さ・構造・見せ方／Codex＝深さ・根拠・出典。
- 単独モデルではなく 役割分担 が理想。
- 人間の最終判断は省略不可。
この強い収束そのものが、結論の信頼性を裏付けている。
相違点
主に 慎重さの度合い。Gemini は傾向を確立した事実として扱い、ChatGPT と Claude は「Codex は1本だけなので暫定」と留保を付ける。ここは ChatGPT / Claude が正しい ― 今見えているのはモデルの素の性能差というより、各記事の パイプライン上の役割の差 であり、純粋なモデル比較ではない。
3. 最終判定：Qiita 記事作成の最適解
A. 専門解説記事（検証シリーズのような読み物）の場合
3者の総意通り、以下が最適解。
設計・章立て → Claude／Gemini ｜ 初稿・図解 → Antigravity 2.0 ｜ 事実検証・出典付け → Codex ｜ 読みやすさレビュー → Claude ｜ 最終判断 → 人間
最も譲れないのが、Claude が指摘した 「生成系（Antigravity）と検証系（Codex）を別モデルにする」 原則。Antigravity の最大リスク（出典希薄・過剰な断定・標準仕様と個別実装の混同）は、同じモデルでは潰せず、独立した検証担当でしか塞げない。
リソースを絞る場合の軽量版:
- 2モデル構成: Antigravity で初稿＋図 → Codex で事実検証 → 人間。これだけで Antigravity の弱点はかなり消える。
- 1モデルなら Codex 寄り: 網羅性は落ちるが、出典と検証の堅実さで「後で恥をかかない」記事になる。
B. kintone 実装・ハウツー記事の場合（← 本業向け）
検証シリーズは外部知識中心の解説記事なので出典検証が要だったが、kintone 実装記事では品質を決めるのは外部出典ではなく コードの正確さと再現性 であり、ドメインの権威は書き手自身。したがって最適解は変わる。
- 初稿・コード生成は Claude か Codex（mermaid 図の華やかさより API の正確さが効く工程）。
- Antigravity の出番は「全体構成の叩き台」や「図解」に限定。
- 検証は モデルより実機 ― 実際に動かす＋人間が品質の主軸。
総合結論
最適解は1つではなく、記事の種別で切り替わる。
- 検証系・外部知識中心の専門記事 → 3〜4モデルのフル布陣（生成と検証を分離）。
- kintone のような実装記事 → 生成系を軽くし、人間の実機検証を中心に据える。
この使い分けを前提にすることが、本当の意味での「Qiita 記事作成の最適解」である。
推奨できない組合せ
記事作成という文脈で、3者の回答から導ける「あまり推奨できない組み合わせ」を、避けるべき理由とともに挙げます。根底にある原則は 「同じ強みのモデルを重ねない」「生成と検証を同一モデルにしない」 の2つです。
1. Antigravity 単独（初稿も検証も Antigravity）
最も避けたい構成です。Antigravity の弱点（出典の希薄さ・過剰な断定・標準仕様と個別実装の混同）は、同じモデルでは自己採点で気づけません。網羅性と勢いはあるが、誤りを内包したまま完成度高く見えてしまうのが一番危険です。
2. Antigravity 初稿 → Claude / Gemini だけでレビュー（Codex なし）
Claude・Gemini は「読みやすさ・構成」のレビュアーであって、ファクトチェッカーではありません。この組み合わせは文章が滑らかになるほど、中身の事実誤りや根拠不足が温存され、「読みやすいが間違っている記事」になりやすい。検証層に Codex 系（根拠・出典の担当）が入っていないのが欠陥です。
3. 生成系を2つ重ねる（Antigravity ＋ Claude/Gemini を両方とも初稿に）
どちらも「広げる・展開する」方向のモデルなので、文量は増えても厳密さは足されません。強みが重複し、弱点（裏取りの甘さ）も共有してしまう、コスパの悪い組み合わせです。
4. Codex 単独で網羅的な解説記事を書く
逆方向の失敗です。Codex は一貫した論証・比喩制御に強い反面、広い技術領域を俯瞰する総合ガイド型の記事では密度が高すぎ・範囲が狭くなりがち。ChatGPT が指摘した「比喩が強すぎて現実を上書きする」リスクも、検証役なしの単独では止められません。（※実装記事なら Codex 単独でも可、という点は別です）
5. 検証工程を人間だけに丸投げ（AI 検証層を省く）
生成系で一気に書いて、あとは人間が目視、という構成。Antigravity 初稿の場合、人間が一次資料を一つずつ当たる負荷が大きく、見落としが出ます。Codex 系の機械的な裏取りを挟まないと、検証が現実的に回りません。
kintone 実装記事に限った話としては、Antigravity を主軸（初稿担当）にするのが非推奨です。mermaid 図の華やかさより API の正確さ・再現性が効く領域なので、Antigravity の長所が活きず短所（仕様の混同）が出やすい。ここは初稿を Claude / Codex に任せ、Antigravity は構成の叩き台や図解に限定するのが無難です。
いずれも前置きの通り、対象本数が少なく Antigravity 偏重のサンプルから見えた傾向なので、断定ではなく現時点での目安として捉えてください。