生成AIに同一のビジネスプランを評価させても、使うAIモデルが違えばスコアが大きく変わる——これは直感的には分かっていても、実際のデータとして示されることは少なかった。本レポートでは eval000 の体験セミナー（2026年8月5日）で実施したライブデモの実証データとして、DeepSeekとClaudeに全く同一のルーブリックで2件のビジネスプランを評価させた結果を公開します。

実施背景——「AI評価の標準化」という問題

ビジネスコンテスト・採用選考・補助金審査の現場では、審査工数の削減を目的として生成AIの活用が急速に広まっています。しかし多くの場面で「AIに採点させる」という実装が行われており、そこには構造的な問題があります。

eval000が2025年に実施した予備検証では、同一のビジネスプランをChatGPT・Gemini・Claude等の複数モデルで評価させると最大12点差が生じることを確認しています。本レポートはその構造的問題を、AG・BGという2種類のルーブリックを用いたより精密な実証として示します。

評価方法

評価対象プラン

• プランA：EcoBottle Campus——大学生向け水筒シェアリングサービス
• プランB：越中八尾ウェルネス・スマートビレッジ創生事業——令和8年度富山市PoC申請

使用ルーブリック

評価者

DeepSeek（ポテンシャル評価型）とClaude（エビデンス評価型）に、全く同一のルーブリック・評価基準・ビジネスプラン文書を提供し、独立採点を実施しました。

EcoBottle Campus の評価結果

AGルーブリック比較

BGルーブリック比較

越中八尾ウェルネス・スマートビレッジ創生事業の評価結果

AGルーブリック比較

BGルーブリック比較

全スコアの総括

AI評価思想の比較分析

スコアの差はAIの「能力差」ではなく「評価思想の差」です。DeepSeekとClaudeは高性能なLLMですが、事業計画の「何を」評価するかという判断が根本的に異なります。

SEGT収束——バラつきを除去した評価標準 v* の生成

本体験セミナーでは上記の実証に続き、eval000のSEGT収束計算を適用するライブデモを実施しました。3つのAIペルソナ審査員（実務派・革新派・バランス派）がBGルーブリックで採点した後、SEGT収束で Evaluation Standard v* を生成しました。

BGルーブリック × 3ペルソナ → SEGT収束の実値

結論

1. 同一ルーブリックでも AI によってスコアが最大 1.60点変わる

越中八尾プランのAGスコアにおいて DeepSeek 5.00 vs Claude 3.40 という1.60点差が発生。これはAIの能力差ではなく、「将来計画を評価するか／現在の実績を評価するか」という評価思想の構造的な差に起因しています。

2. 共通点は「事業の本質」への評価に現れる

両AI一致または差が小さかった項目（「社会的変革の度合い」「人間ならではの価値」「技術的実現可能性」）はプランの本質的な価値に関わる軸です。AIが「正しく評価できる領域」は存在しますが、それは評価の一部にすぎません。

3. eval000 SEGT収束は AI の評価思想の差を数学的に除去する

複数のAIペルソナ審査員のスコアを SEGT 収束計算にかけることで、各AIが持つ固有の評価思想のバラつきを外生の原理 N のもとで除去し、再現可能な Evaluation Standard v* を生成します。