ネット調査の回答にAIが紛れ込む｜除外の基準を作り直す

「自由記述を読んでいたら、どれも同じように整った文で、かえって気味が悪くなりました」「回答時間も注意確認の設問も問題なかったのに、集計すると数字が妙に平らです」——ネット調査を使ってきたマーケティング担当者から、この1〜2年で増えてきた声です。米国の大学の調査研究機関が2026年4月にまとめた文献レビューでは、市場調査の業界全体で不正な回答の割合は15〜30%と見積もられ、一部の調査の場では45%に達するという推計が紹介されています。生成AIで書かれた回答やボットの回答は、これまでの不正回答対策をすり抜けることが研究で示されつつあります。これは、一部の悪質な回答者を見つけて消せば済む話ではありません。本当は、何を除くかを集める前に決め直さなければ、調査の数字そのものを説明できなくなる問題です。この記事では、混入が起きる仕組み、従来の対策で見抜けなくなった理由、除外の基準の作り直し方を整理します。

ネット調査で何が起きているのか

ネット調査やパネル調査は、登録した回答者に調査の案内を送り、謝礼と引き換えに答えてもらう仕組みです。ここには以前から、人になりすまして謝礼を得ようとする回答が混ざってきました。シカゴ大学の調査研究機関が2026年4月にまとめた文献レビューは、市場調査の業界全体で不正な回答の割合が15〜30%と見積もられ、一部の場では45%に達するという推計を紹介し、生成AIやボット、人を集めて回答させる手口が手に入りやすくなったことで、その傾向が続いているとしています。

同じレビューは、個別の事例も並べています。4時間で981件の回答が集まり、本物と判断できたのは3件だけだった調査。2,622件のうち正当な回答が4%しかなかった調査。回答のおよそ95%がボットによるものと判断され、調査そのものを取りやめた例。謝礼が付き、誰でもリンクから回答できる入り口ほど、入り込まれやすいという傾向が、繰り返し報告されています。

一方で、どの調査もAIの回答であふれているわけではありません。米国の調査会社が、通常の品質チェックを通過した200人に、人には簡単でAIには難しい課題を6つ解かせて調べたところ、ボットと推定される割合は4〜8%、回答が速すぎる人を除いた後では2〜3%程度でした。しかも疑わしい回答者の多くは、AIというより注意が散漫な人だった可能性があるとしています。混入の度合いは、調査の入り口と謝礼の大きさで大きく変わるというのが、今のところの見立てです。

混ざってくるのは、作られ方の違う3種類の回答

意図せず混ざるAIの回答は、作られ方で3つに分けると考えやすくなります。1つ目は、回答を自動で送るために作り込まれたボットです。生成AIにつないで質問を読ませ、決めた人物像に合わせて答えさせるもので、研究者のあいだでも最も手強いとされています。2つ目は、画面を自分で操作できる市販のAIに調査を解かせるもの。3つ目は、人が回答しながら、自由記述だけを生成AIに書かせるものです。

3つ目は、不正とは言い切れないのが難しいところです。レビューが紹介している研究では、ネット調査に参加している人のうち34%が、自由記述に答えるときに自分の考えをうまく表すため大規模言語モデルを使ったと答えています。国内でも、日本リサーチセンターの定点調査で、生成AIの利用経験率は2023年3月の3.4%から2026年6月には56.3%まで伸びました。自由記述を回答者本人が書いた文だと前提にできない時代になっているということです。

さらに、人とボットが混ざる手口もあります。レビューによれば、最初のふるい分けの設問を人が手で通過し、その後の設問をボットに回答させて謝礼を得るやり方が報告されています。3つの種類ははっきり分かれているのではなく、1件の回答の中で入り混じることがあるわけです。対策を考えるときは、「この回答はAIか人か」の二択で分けようとしないことが出発点になります。

課題：これまでの品質チェックを通り抜けてしまう

問題の中心は、これまでの品質チェックがAIの回答を止められなくなっていることです。米国の研究者が2025年に発表し、米国科学アカデミー紀要に載った研究では、簡単な指示で動く生成AIの回答者を作ったところ、標準的な品質チェックの99.8%を通過し、設定した人物像と矛盾しない、人の回答と見分けのつかない答えを返したと報告されています。

調査用の道具に組み込まれた不正の目印も、万能ではありません。レビューは、大手の調査ツールが備える不正の目印が、作り込まれた攻撃には通用しなかったという報告を紹介しています。道具の既定の設定を入れておけば安心、という前提はもう成り立たないと考えてください。

やっかいなのは、すり抜けた回答が数字の上では目立たないことです。AIの回答は世の中で典型的とされる答えに寄りやすく、ばらつきが小さい。極端な値を出して目立つのではなく、平均の近くに静かに積み上がるので、集計結果は「それらしく」見えます。その結果、層ごとの違いが薄まり、本来あったはずの差が見えなくなるおそれがあります。冒頭の「数字が妙に平らになる」という声は、この形で表れたものかもしれません。

• この記事で紹介する数字の多くは米国の研究や調査会社の報告によるもので、国内のパネルにそのまま当てはまるとは限りません
• 研究の多くは特定のAIや調査ツールを対象にしたもので、道具が変われば結果も変わります

原因1：注意確認の設問は、むしろAIのほうが得意

従来の不正回答対策の柱は、注意確認の設問でした。「この設問では『あまりそう思わない』を選んでください」のように答えを指定し、指示どおりに選ばない回答者を除く方法です。いわゆるトラップ設問と呼ばれるもので、設問をよく読まずに答える人を見つけるのには効いてきました。

ところがこの設問は、文章を読んで指示に従えるかを試すものなので、文章を読むのが得意な生成AIにはほとんど障害になりません。レビューでは、生成AIを使うボットが注意確認の設問を確実に解き、画像による認証や、人には見えない隠し設問もくぐり抜けると整理されています。画面を自分で操作する市販のAIを調べた2025年の研究でも、注意確認の設問・隠し設問・画像認識の課題・「正直に答えていますか」と尋ねる設問は、いずれも見分けに役立たなかったと報告されています。

つまり、注意確認の設問は不注意な人を見つける道具であって、AIを見つける道具ではないということです。残しておく意味はありますが、この設問を通過したことを、人が答えた証拠のように扱うのはやめたほうがよい。除外基準の中での位置づけを見直す必要があります。

原因2：回答時間の下限では引っかからない

2つ目の柱は回答時間でした。全体の所要時間が極端に短い回答を、読まずに答えた人として除く方法です。人がまじめに答えれば一定の時間がかかるはずだ、という考え方に立っています。同じ選択肢を縦一列に選び続けるストレートライニングの確認も、回答時間と組み合わせて使われてきました。

しかし、AIが速すぎるとは限りません。画面を自分で操作する市販のAIに調査を解かせた研究では、1回の回答にかかった時間は平均6.6分で、研究者自身が答えたときのおよそ2.5分より長かったと報告されています。作り込まれたボットが人の回答時間をまねるように作られていることも、レビューで指摘されています。回答時間の下限で落ちるのは急いだ人であって、AIではないと捉え直してください。

さらに、人がAIに手伝わせて答える場合、回答時間の意味そのものがあいまいになります。レビューは、AIを使って回答する人がいると、回答時間のような行動の記録から人とボットを見分けるのが難しくなると述べています。回答時間は残すとしても、単独で除外を決める目印からは外し、ほかの目印と組み合わせて使う位置に下げるのが現実的です。

原因3：自由記述の「書いてあるか」しか見ていなかった

3つ目の柱は自由記述でした。意味の通らない文字列や、どの設問にも同じ文を貼り付けた回答を除く方法です。自由記述はボットには書けないという前提で、「人らしさ」の確認に使われてきました。

生成AIは、この前提をひっくり返しました。設問に沿った、文法の整った、ほどよい長さの文をいくらでも書けます。レビューも、業界の知識を試す設問や自由記述は、大規模言語モデルを使うボットに対して効き目がなくなったとする報告を紹介しています。「ちゃんと書いてある」ことは、もはや人である証拠にならないどころか、整いすぎていることが疑いのきっかけになる場面さえあります。

見る観点を「書いてあるか」から「どう書いてあるか」に移す必要があります。複数の回答者の自由記述が、言い回しや組み立てまで似通っていないか。設問の言葉を言い換えただけで、具体的な経験が一つも出てこないか。選択式の答えと自由記述の中身が食い違っていないか。こうした観点が、後で扱う見つけ方の中心になります。

兆候1：自由記述が不自然にそろう

AIの回答に最も表れやすい兆候は、自由記述のそろい方です。レビューが紹介する研究では、大規模言語モデルが生む回答は均質で、世の中でよく言われる答えに寄りやすく、本来のばらつきを押し下げると指摘されています。人の自由記述は、長さも言葉づかいもばらばらで、誤字や言い切りの弱さが混ざります。AIの自由記述には、その凸凹が少ない。

具体的には、次のような形で見えます。書き出しが同じ型にそろっている。「〜という点が魅力的です」のような評価の言い回しが、多くの回答で繰り返される。箇条書きのように整理された組み立てになっている。固有の場面や数字がなく、誰にでも当てはまる内容になっている。市販のAIに調査を解かせた研究では、郵便番号を答えさせた設問で8割を超える回答が有名な地域の番号だったと報告されており、典型的な答えへの寄りは、選択式や数字の設問にも表れることが分かります。

ただし、そろい方は疑いのきっかけであって、証拠ではありません。文章を書き慣れた人の回答は整っていますし、設問の範囲が狭ければ人の答えも似てきます。そろった回答を見つけたら、次に挙げる別の目印と重ねて判断します。

兆候2：回答の中の食い違いと、食い違わなさ

2つ目の兆候は、1件の回答の中の食い違いです。冒頭で「従業員は10人未満」と答えたのに、自由記述では「部署をまたいだ調整に苦労している」と書く。「使ったことがない」と答えた製品について、使った感想を細かく書く。こうした食い違いは、AIが設問ごとに別々にもっともらしい答えを作っているときに起きやすくなります。

ところが、食い違いを探すだけでは足りません。市販のAIに人物像を与えて答えさせた研究では、同じ内容を別の形で尋ねた設問への答えが99〜100%一致していました。人物像を与えない場合は、一致が28〜78%まで下がっています。つまり作り込まれたボットほど、食い違わない。人のほうが、うろ覚えや気分で答えが少し揺れるのが普通です。

このため、食い違いの確認は両方向で使います。明らかな矛盾は疑いの目印になり、同時に、どの角度から尋ねても完璧に一致する回答にも注意を払う。ただし、一致しすぎを理由に除外するのは難しいので、ほかの目印と重なったときの補強として扱うにとどめます。

見つけ方：一つの目印で決めず、重ねて見る

ここからは対策です。見つけ方の原則は、一つの目印で決めないことです。レビューは、単独の隠し設問や汎用の画像認証、固定された不正の目印といった従来の守りだけでは足りず、事前の設定・照合・人による確認を組み合わせた多段の方法のほうが崩れにくいとしています。

重ねる目印には、研究で効果が報告されているものがあります。人には答えられないはずの設問にAIだけが正しく答えてしまう「逆向きの確認設問」（専門的なプログラムを書かせる設問に、市販のAIは正しく答えてしまった）。文字を1字ずつ入力せず、まとめて貼り付けているかの検知。回答に使われた端末や接続元の情報（市販のAIの回答は、端末の情報がほぼ同じで、住宅ではなくデータセンターの接続元から来ていた）。米国の調査会社は、錯視図形のように人には簡単でもAIが覚えた答えを返してしまう課題を組み合わせる方法を試しています。

どの目印も、いずれ破られる前提で使います。逆向きの確認設問について、研究者自身が、AIが適応するまでの時間しか使えないと述べています。目印は定期的に入れ替え、効かなくなったものは外す。そのためにも、どの目印で何件が引っかかったかを、調査ごとに記録しておくことが大切です。

AIに当たらせる範囲と、AIに捨てさせない線

自由記述のそろい方や矛盾を洗い出す作業は、件数が多いと人の目だけでは追いきれません。ここはAIに任せてよいところです。回答を読み込ませて、言い回しが似ている回答のまとまりを挙げさせる、選択式と自由記述が食い違っている回答を拾わせる、具体的な場面や数字が出てこない回答に印を付けさせる。その際、なぜ疑わしいのか、どの文と何が食い違うのかという根拠を書かせることを条件にします。

一方で、AIの判定だけで回答を捨ててはいけません。レビューは、AIが書いた文を見分ける汎用の判定道具について、効果を裏づける証拠が乏しいとしています。特定の設問に合わせて調整した判定の仕組みで最大100%の精度が出た研究もありますが、別の設問に当てはめると予測はうまくいかなかったと報告されています。AIに判断させないのは、除外するかどうかの最終判断です。

• AIが「AIが書いた可能性が高い」と判定した回答を、中身を読まずに一括で除く
• 集計結果を見てから、都合の悪い回答が消える基準を後付けで作る
• 自由記述が整っているという理由だけで除く
• 除外した件数と理由を記録せず、報告にも書かない
• ある調査で効いた目印を、見直さずに次の調査でも使い続ける

分担を整理すると、AIは候補を挙げて根拠を添えるところまで、人は根拠を読み、ほかの目印と重ねて除外を決めるところ。AIが候補に挙げた回答のうち、人が読んで除外しなかったものの割合も記録しておくと、次の調査でAIの洗い出しをどこまで当てにしてよいかが分かってきます。

除外の基準は、集める前に決める

除外の基準は、回答を集める前に文書にしておきます。集めた後に基準を決めると、結果を見ながら基準を動かせてしまい、意図しなくても都合のよい数字に寄っていきます。レビューも、行動の記録を集めること、ルールを前もって文書にすること、除外の基準を透明に当てはめることを勧めています。作り直すときは、次の順番で進めると抜けが出にくくなります。

基準を「一つでも当てはまれば除く目印」と「重なったら除く目印」に分けて書いておくと、担当者が替わっても同じ判断になりやすくなります。単独で除く目印ほど少なく、重ねて見る目印ほど多くしておくと、除きすぎも防げます。

除きすぎも、数字をゆがめる

除外は、少なすぎても多すぎても数字をゆがめます。レビューは、厳しすぎる除外が、注意が続きにくい人、ネットの環境が不安定な人、デジタル機器に不慣れな人、答え方が典型から外れた人を、本物の回答者なのに不正として落としてしまう危険を繰り返し指摘しています。こうした人を落とすと、調査の対象がネットに慣れた層に偏ります。

除外が結論を変えることも知られています。2005年の研究では、ある調査の回答の11%が不正と判断され、それを除くと統計的に意味のある差かどうかの判断が変わりました。逆に、疑わしいとされた回答が実は対象の多様さを支えていた、という報告もあります。除く前と除いた後の両方の数字を手元に残し、結論が変わるかどうかを確かめるのが、除外の影響を説明する最も確かな方法です。

また、まじめに答えた人を不正と決めつけて謝礼を払わない運用は、回答者との関係を損ないます。レビューは、監視していると示したり、疑わしい回答に謝礼を払わなかったりすることの倫理的な問題にも触れています。除外は回答者を罰する手続きではなく、集計に入れるかどうかを決める手続きだと切り分けてください。

除外した後の数字は、報告や調査リリースに使えるか

除外を済ませた数字を、社内の報告や外に出す調査リリースに使ってよいかは、どのくらい除いたか、除いたことで結論が変わったかで判断します。除外が少なく結論も変わらないなら、除外の方法を添えて使えます。除外が多い、あるいは結論が変わるなら、その数字を主張の柱にするのは避けたほうが安全です。

状況	社内の報告	調査リリース・外部の資料
除外が少なく、除く前後で結論が変わらない	除外の方法を添えて使える	除外の件数と方法を明記して使える
除外が多いが、除く前後で結論は変わらない	使える。除外の多さを注記する	使う前に回収の入り口を見直す。数字を主張の柱にしない
除く前後で結論が変わる	両方の数字を並べて報告する	使わない。調査をやり直すか、傾向の参考にとどめる
疑わしい回答の判断がつかないまま残っている	判断保留の件数を明記する	使わない

外に出す場合は、とくに慎重さが要ります。調査リリースの数字は他社の記事や資料に引用され、後から訂正しても、広がった数字は戻りません。報告には、回収した件数、除外した件数とその理由、使った目印、除く前と後で結論が変わったかどうかを添えます。除外した事実を書かないことが、いちばん信頼を損なうと考えてください。調査リリースそのものの作り方は、自主調査を使った広報の記事で扱っています。

調査会社に発注するときに確かめる項目

自社でパネルを持たず調査会社に発注する場合も、除外の基準は丸投げできません。調査会社はそれぞれ不正回答の対策を持っていますが、何を目印にどこまで除いているかは会社ごとに違います。レビューは、複数の業者や下請けをまたぐことで不正対策に穴が生じるという指摘も紹介しています。見積りの段階で、次の点を確かめておくと後で困りません。

• 回答者の登録時に、本人の確認や二重登録の防止をどう行っているか
• 回答中にどんな目印を取っているか（端末・接続元・貼り付け・回答時間など）
• 生成AIやボットの回答への対策として、最近何を追加したか
• 除外した回答の件数と理由を、目印ごとに納品してもらえるか
• 除外する前の全回答のデータも受け取れるか
• 回答者を自社のパネルから集めるのか、提携先から集めるのか

レビューの著者らは、誰でもリンクから回答できる集め方よりも、名簿から無作為に選び、連絡先を確かめ、回答者ごとに固有の番号で入ってもらう確率抽出型のパネルのほうが、自動の攻撃やなりすましに構造的に強いとしています。費用は上がりますが、外に出す数字や経営判断に使う数字の調査では、入り口の作り方から選ぶという考え方も持っておいてください。対策の出来は、回収の後ではなく入り口でかなりの部分が決まるということです。

よくある質問

AIが書いた自由記述は、すべて除外すべきですか

一律に除く必要はありません。回答者が自分の考えを整えるためにAIを使うことは広がっており、中身が本人の経験に基づいていれば、答えとしての価値はあります。問題になるのは、本人の経験がなく、設問から作られただけの回答です。見分けの手がかりは、具体的な場面や数字があるか、選択式の答えと食い違っていないかです。

AIが書いた文かどうかを判定する道具を使えば、見分けられますか

判定の道具の結果だけで決めるのはおすすめしません。汎用の判定道具は効果を裏づける証拠が乏しく、特定の設問に合わせて調整した仕組みでも、別の設問では精度が落ちたと報告されています。疑わしい回答の候補を挙げる用途にとどめ、最後は人が読んで決めます。

謝礼を無くせば、AIの回答は入ってこなくなりますか

減る可能性はありますが、無くなるとは限りません。レビューでは、謝礼を無くしても不正がすべて止まるわけではなく、調査を妨害する目的で回答する例もあると紹介されています。謝礼を無くせば、まじめな回答者も集まりにくくなる点も考えに入れてください。

小規模な調査でも、ここまでの対策が必要ですか

回答者が取引先や会員など身元の分かる相手で、案内も個別に送っているなら、入り込まれる危険は小さくなります。対策の重さは、誰でもリンクから答えられるか、謝礼があるか、数字を外に出すかの3点で決めてください。3つとも当てはまる調査ほど、目印を厚く重ねます。

国内のネット調査でも、同じことが起きていますか

この記事で紹介した混入の割合や見分け方の研究は、ほとんどが米国のものです。国内のパネルでどのくらい混ざっているかを示す公表された数字は、今のところ多くありません。ただ、国内でも生成AIの利用経験率が5割を超えており、自由記述をAIに手伝わせる回答者がいることは前提にしたほうが安全です。海外の数字をそのまま当てはめるのではなく、自社の調査で目印ごとに何件が引っかかったかを記録し、自分たちの数字で確かめていくのが確実です。

まとめ

ネット調査やパネル調査には、作り込まれたボット、画面を操作する市販のAI、自由記述だけをAIに書かせた人の回答が、意図せず混ざるようになりました。注意確認の設問はAIのほうが得意で、回答時間の下限にもかからず、自由記述は整っているほど疑わしいこともあるため、従来の目印は単独では役に立ちにくくなっています。兆候は自由記述のそろい方と、回答の中の食い違い、そして食い違わなさです。見つけ方は目印を重ねることで、除外の基準は集める前に文書にし、単独で除く目印を少なく、重ねて見る目印を多くします。除く前と後の数字を両方残し、結論が変わるなら外には出さない。AIにはそろい方や矛盾を根拠つきで当たらせるところまでを任せ、除外するか、使ってよいかは人が決めます。まずは次の調査の前に、今使っている除外の基準を書き出し、AIに通用しなくなった目印に印を付けるところから始めてみてください。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。