外注ライターの原稿品質をChatGPTで揃える手順

オウンドメディアを複数のライターで回していると、記事ごとに文体がバラバラになる問題に必ずぶつかります。「です・ます」と「だ・である」が混在する、見出しの粒度が人によって違う、専門用語の表記が揺れる。読者からすると、同じメディアなのに別のサイトを読んでいるような違和感が生まれます。

なぜこの問題がなかなか解消されないのか。理由は表面的な「ライターの力量差」ではありません。

品質がバラつく原因は「基準が暗黙知」であること

まず、メディアの文体ルールが明文化されていないケースが大半です。編集担当の頭の中には「うちのメディアはこういうトーンで書く」という感覚がありますが、それが文書として共有されていません。ライターは発注時の簡単な指示書だけを頼りに書くので、指示書に書かれていない部分は自分の判断で埋めます。結果、10人のライターから10通りの文体が上がってきます。

さらにその下には、もう一つの原因があります。フィードバックが属人的で、蓄積されないことです。編集者が赤入れした修正は、そのライターのその原稿にだけ適用されます。「次回から気をつけてください」と伝えても、何をどう気をつけるのかが具体化されていなければ、同じ指摘が繰り返されます。修正の履歴がルールに昇華されないまま、毎回ゼロから赤入れしている状態です。

つまり構造はこうです。ルールが暗黙知だから、ライターは自己判断で書く。フィードバックが蓄積されないから、同じ指摘を繰り返す。編集者の工数が膨らみ、結果として「自分で書いた方が早い」となり、外注が機能しなくなる。

この構造を崩すには、暗黙知を言語化し、チェックと修正指示を仕組みにする必要があります。ChatGPTを使えば、その大部分を自動化できます。

手順1: 自社の「良い記事」から文体ルールを抽出する

まず、自分のメディアで「これがお手本」と言える記事を3〜5本選んでください。PVや成果ではなく、「この文体で揃えたい」と思える記事です。

それをChatGPTに渡して、文体の特徴を抽出します。

以下の3つの記事は、同じメディアの「お手本」記事です。
これらに共通する文体の特徴を、次の観点で抽出してください。

- 文末表現（です/ます、だ/である、体言止めの使用頻度）
- 一文の長さの傾向
- 見出しの書き方（体言止め、疑問形、数字の使い方）
- 読者への呼びかけ方（「あなた」「皆さん」など）
- 専門用語の扱い方（初出時の説明の有無）
- 段落の長さ
- 箇条書きの使い方

[記事1を貼り付け]
[記事2を貼り付け]
[記事3を貼り付け]

出力された特徴リストが、あなたのメディアの「文体ルール」の原型になります。抜けている観点や、意図と違う部分があれば修正してください。このステップで30分ほどかかりますが、一度作れば半年は使えます。

手順2: チェックリストに変換する

抽出した文体ルールを、「はい/いいえ」で判定できるチェックリストに変換します。

以下の文体ルールを、原稿チェックに使えるチェックリスト形式に変換してください。
各項目は「はい/いいえ」で判定できる形にしてください。
項目数は15〜20に収めてください。

[手順1で抽出した文体ルール]

出力例:

• [ ] 文末は「です・ます」で統一されているか
• [ ] 一文が80字を超えていないか
• [ ] 見出しは体言止めで統一されているか
• [ ] 専門用語は初出時に括弧書きで説明されているか
• [ ] 段落は5行以内に収まっているか

このチェックリストが、以降のすべてのステップの土台になります。

手順3: 納品された原稿をチェックリストで検査する

ライターから原稿が届いたら、チェックリストと一緒にChatGPTに渡します。

以下のチェックリストに基づいて、この原稿を検査してください。
各項目について「OK」「NG」を判定し、NGの場合は該当箇所を引用して理由を書いてください。

【チェックリスト】
[手順2のチェックリスト]

【原稿】
[ライターの原稿を貼り付け]

ポイントは、判定理由に「該当箇所の引用」を求めることです。「文末が統一されていません」だけでは、どこを直せばいいかわかりません。「第3段落の『〜だろう。』が『です・ます』と混在しています」まで特定させます。

手順4: NG箇所の修正指示を生成する

チェック結果のNG項目をもとに、ライターに渡す修正指示を作ります。

以下のチェック結果のNG項目について、ライターへの修正指示を作成してください。
各指示は次の形式にしてください:

- 該当箇所: （原文の引用）
- 修正内容: （具体的に何をどう直すか）
- 理由: （なぜ直す必要があるか、チェックリストのどの項目に該当するか）

修正指示は丁寧な言葉遣いで、ライターのモチベーションを下げない表現にしてください。

[手順3のNG項目リスト]

「丁寧な言葉遣いで」と指定するのは重要です。赤入れの言い方一つでライターとの関係は変わります。「ここが間違っています」ではなく「この部分は○○に揃えていただけますか」という形で出力させます。

手順5: 修正パターンをルールに昇華する

ここが最も見落とされるステップです。修正指示を出して終わりにすると、次回も同じ指摘を繰り返します。修正が3回以上繰り返された項目は、ルールとして文体ガイドに追加します。

以下は過去3ヶ月間に出した修正指示の一覧です。
同じ種類の指摘が3回以上繰り返されているものを抽出し、
文体ルールとして追加すべき項目を提案してください。

各提案は次の形式で:
- ルール: （守るべきこと）
- 背景: （なぜこのルールが必要か）
- 良い例 / 悪い例

[過去の修正指示をまとめて貼り付け]

このステップを月に1回行うだけで、チェックリストが育ちます。3ヶ月後には、初回の納品品質が目に見えて上がります。ルールが明確になれば、ライターは「何を求められているか」がわかるからです。

手順6: ライターごとの傾向を分析する

複数のライターに依頼している場合、ライターごとの強みと弱みを把握しておくと、発注の精度が上がります。

以下は3名のライター（A、B、C）のチェック結果です。
ライターごとに、よくOKになる項目とよくNGになる項目を整理し、
それぞれの強みと改善点を1〜2行でまとめてください。

[ライターAのチェック結果3本分]
[ライターBのチェック結果3本分]
[ライターCのチェック結果3本分]

この分析があれば、「構成力はあるが表記ルールが甘いライターA」には表記チェックリストを重点的に渡し、「表記は正確だが構成が弱いライターB」には構成のテンプレートを渡す、という使い分けができます。

ChatGPTだけでは解決しないこと

ここまでの手順で、品質チェックと修正指示の工数は大幅に減ります。ただし、3つの領域はChatGPTでは代替できません。

読者の文脈の理解。「この業界の読者はこの言い回しに敏感」「この用語は競合が使っているから避ける」といった判断は、市場と読者を知っている編集者にしかできません。

ライターとの関係構築。修正指示の「言い方」は自動生成できても、「このライターは今キャパシティが厳しい」「前回の修正が多かったから今回はフォローを入れよう」といった配慮は人の仕事です。

品質基準そのものの設計。何を「良い記事」とするかは事業の判断です。ChatGPTはルールに沿ったチェックはできますが、ルール自体を作る判断は編集者が担います。

取材から原稿化までを一貫して任せる場合

外注ライターとの品質管理は、そもそも「取材→文字起こし→構成→初稿」の工程が分断されていることから難しくなります。取材した人と書く人が違えば、文脈が落ちるのは当然です。

sonataは、取材音声の文字起こしから記事の初稿生成までを一つのワークフローで処理します。話者の発言がそのまま記事の素材になるため、「取材で言ったことと記事の内容が違う」という問題が構造的に起きにくくなります。品質を揃える工数を減らしたい場合は、工程そのものを見直す選択肢も検討してみてください。