同一の計算済み星図データを ChatGPT・Gemini Pro・Gemini Flash・Claude の4モデルに渡し、「バーナム効果を減らした鑑定」を指示。結果を精度・具体性・独自性の観点で比較した実験記録です。
入力データ：Swiss Ephemeris で計算済みの出生図データ（天体位置・ハウス・アスペクト・小惑星含む）をYAML形式で提供。個人情報は含まない。
プロンプト指示：「バーナム効果・一般論をできる限り排除し、このデータから直接読み取れる傾向を優先して記述せよ。」
比較軸：①このチャート固有の情報を使っているか ②一般的な占星術知識で補完していないか ③バーナム表現（曖昧・普遍的な記述）を避けられているか
※ 小惑星データ（パラス・ジュノー・キロン・リリス等）も含めて提供。アスペクトの角度・オーブの具体数値は非公開。
「どのAIが優れているか」ではなく「AIごとにどんな読み方をするか」が、この実験で見えてきたことです。4モデルとも同じYAMLを読んでいるのに、出力の性格が全然違う。同一データから4つの読み方が生まれる——これがnanami-productsの計算データを使う上で知っておきたいことです。
一般的なAI占星術が無視しがちな小惑星まで積極的に活用。「パラスとMCのオポジション（orb 0.20）」「ジュノーと木星のトライン（orb 0.04）」「水星とリリスのトライン」など、他のモデルが言及しなかった配置を複数拾っている。アスペクトを「論理の一部」として組み込む点が特徴的。
「水星とリリスのトライン——言ってはいけないとされていることをことばにする力。タブーに触れる表現や、場を揺らすような問いかけが、実は才能の核心にある。」
弱点は「データから一歩踏み込む」傾向。心理描写は配置に根拠はあるが、YAMLから直接読めるかというと一段飛んでいる。占い師として面白いが、純粋なデータリーダーとしては補完が入っている。
4モデル中、最も「誠実な読み方」をしている。31日サマリーが空であることを明記し、推測には「推測を含みます」と注記。他のモデルは空データを読み飛ばすため、この点はGemini Pro単独で評価できる。小惑星もジュノー・パラス・リリス・キロンまで拾っている。
「YAMLの next_31_days_summary は空（{}）です。（推測を含みます）現在の太陽・水星・天王星が双子座にあり、今後数週間のうちに蟹座へと移動していきます。」
弱点は解釈がやや強い箇所がある点。「自身の価値を正当に認めさせる才能」は配置根拠はあるが少し盛っている。ただし全体として4モデル中最も推測と事実を分けて書いており、データの透明性が高い。
4モデル中、最も「構造を読む」アプローチをとっている。「5H（表現）→6H（改善）→7H（変容）」という流れを早い段階で把握し、チャートを一枚の地図として読んでいる。単なる説明ではなくチャートの特徴抽出であり、監査員っぽい精度重視の読み方として評価が高い。
「この配置は、『自分が目立ちたい』よりも、何かを整え、役立つ形にし、人に届けるために表現する方向に強く出ています。」
弱点は占星術知識ベースによる補完。「7ハウス冥王星＋ノード→運命的な出会いを繰り返す」は定番解釈であり、YAMLから直接確定できる結論ではない。Claudeが「アスペクトを展開して説明文へ変換」するのに対し、ChatGPTは「YAMLを圧縮して意味構造へ変換」する——目的別の使い分けが有効。
YAMLを読んだというより「YAMLの構造を説明している」だけになっている箇所が多い。数値は正確に読めているが、「このチャートだから出てくる固有の特徴」まで踏み込めていない。
「高い分析力と実務能力をベースにしつつ、大局的な視点からタスクを割り振っていくことで、この1ヶ月を安定して乗りこなすことができる傾向にあります。」
→ 誰のチャートでも出てきそうな表現。
小惑星はジュノー・パラス・バーテックスを出しているが、チャート全体のテーマへの組み込みが弱い。同じGeminiでもProとは別物に近く、長文構造物はFlashよりProの方が得意な傾向が今回の実験でも確認された。
同一YAMLから4つの文体が生まれる
Claudeはアスペクト深掘り、ChatGPTはハウス構造把握、Gemini Proはデータ信頼性明示、Flashは構造説明。同一データから4つの文体が生まれる。
占い師っぽさ vs 監査員っぽさ
Claudeは人物像へ寄り、ChatGPTは配置から読めることへ寄る。目的によって使い分けが有効。
Gemini ProとFlashは別物
Proは誠実さと小惑星活用で高評価。Flashは構造説明にとどまりテンプレ感が残る。長文鑑定文にはProが適している。
AI出力の質はモデルと入力データの両方に依存する
小惑星・細かいアスペクトまで含む計算データを渡すほど、鑑定の固有性が上がる。ただし同じデータでもモデルによって出力の性格は大きく変わる。データ品質とモデル特性の両方を理解して使うことが重要。
※ 参考値の点数は「どちらが優れているか」を示すものではありません。評価軸が異なるため同点でも読み方の方向性は異なります。