論文サーベイAIおすすめ7選｜学術特化と汎用Deep Researchの棲み分けで選ぶ

論文サーベイAIを調べていると、Elicit、Consensus、SciSpace、Undermindといった名前がずらっと並んで「結局どれを選べばいいのか」で止まってしまうことが多いと思います。私も最初はそうでした。

一方で、Perplexity Deep Research や ChatGPT Deep Research、Gemini Deep Research のような「汎用Deep Research」も最近は学術用途にかなり使われるようになっています。arXivや Semantic Scholarも巡回してくれるので、「これがあれば専用AIはいらないんじゃない？」という声も聞きます。

この記事では、7つの論文サーベイAIを「学術特化DBに紐づいたAI」と「Web全体を横断する汎用Deep Research」の2軸で切り分けて比較します。単に7つを並べるのではなく、「どちらの系統が自分の研究に合うのか」から選べる構成にしたつもりです。2026年7月時点の情報でまとめました。

サーベイの手順そのものを先に押さえたい方は、論文サーベイのやり方｜AI実演で見る文献レビュー効率化の型 を先に読むと本記事の位置づけが分かりやすいと思います。

この記事でわかること

• 論文サーベイAIは「学術特化AI」と「汎用Deep Research」の2系統に分かれ、選ぶ基準がまったく違うこと
• 7ツール（Elicit / Consensus / SciSpace / Undermind / Semantic Scholar / Perplexity / Gemini + NotebookLM）の機能・料金・強み・弱み・向いてる研究者
• 価格・学術特化度・日本語対応・出典明示・API有無の5軸比較表
• 系統的レビュー / 探索的リサーチ / 日本語論文中心など、研究タスク別のおすすめの組み方
• 日本語文献と国内特許を絡めるならSnorbeという新しい選択肢が加わること

論文サーベイAIは「学術特化」と「汎用DR」の2系統で選ぶ

論文サーベイの負担は、想像以上に大きい仕事です。米国の医療系機関のデータでは、1本のsystematic reviewを実施するのに 中央値 1,139 時間・約 14 万ドルの人件費がかかると報告されています（The significant cost of systematic reviews and meta-analyses, PMC6722281）。Cochrane reviewに至っては、プロトコル起票から本文完成まで 中央値 25.7 か月という長丁場です（Lifecycles of Cochrane Systematic Reviews, PMC12362767）。

この負担のうち、AIで削れる部分と削れない部分があります。とくにタイトル・要旨のスクリーニングやデータ抽出は「型が決まった作業」なので、AIとの相性が良い工程です。

ただ、AIツールを選ぶときに一番混乱するのが、「学術データベースに紐づいて動くAI」と「Web全体を横断するAI」を同列で比べてしまうことだと感じています。この2つは向き不向きが真逆に近いので、まず切り分けから入るのが結局早いです。

学術特化AI（学術DB接続型）とは

学術特化AIは、Semantic Scholarや CrossRef、arXivといった 論文メタデータのデータベースにあらかじめ接続されているタイプです。ここで言う「学術データベースに紐づく」というのは、AIが自由に検索エンジンで拾ってくるのではなく、事前に整備された論文インデックスの中から答えを組み立てる、という意味です。

このタイプの強みは、引用が捏造されにくいこと。汎用チャットボットで論文引用を作ると、25〜40%が完全な捏造で、実在するように見える引用でも43%にエラーが混ざるという調査があります（AI Citation Hallucinations, thehonores.com）。一方でElicitやSciSpaceのような学術特化AIは、2024年時点の第三者テストで「捏造ほぼゼロ」まで下がっていました（arXiv tightens policy on hallucinated references, SMU Library）。

汎用Deep Research（Web横断型）とは

一方の汎用Deep Researchは、PerplexityやChatGPT、GeminiがWeb全体を横断して調べにいくタイプです。arXivやbioRxivのようなプレプリントサーバー、ニュース記事、企業のホワイトペーパー、政府統計まで、どんなソースでも巡回します。

学術DB特化ではないので厳密なsystematic reviewには向きませんが、「新しいテーマの全体像を1時間で掴みたい」「学術と業界動向を横断したい」といった探索的リサーチには圧倒的に強いです。

どちらを主軸にするかは研究タスクで決まる

系統的レビューを実施する、あるいは複数論文から表形式でデータ抽出するなら学術特化AIが主軸になります。逆に、新規テーマの全体像を掴む、隣接分野を素早く覗く、業界動向とアカデミアを行き来する研究者なら汎用Deep Researchが主軸になります。両方を並列で契約している研究者も普通にいます。

系統の違いを1枚の表で理解する

2系統の違いを、代表的な項目で並べてみます。

観点	学術特化AI	汎用Deep Research
データソース	Semantic Scholar / CrossRef / arXiv 等の学術インデックス	Web全体（学術+ニュース+企業サイト+統計）
引用捏造リスク	低い（DB照合ベース）	中〜高（要検証、DR モードで下がる）
Systematic Review対応	得意（列抽出・PRISMA準拠ワークフロー）	苦手（構造化抽出は弱い）
探索的リサーチ	中程度（学術範囲に限定）	非常に強い（隣接分野・業界動向も拾う）
日本語論文カバレッジ	弱い（英語圏中心）	Web検索経由で拾えるが保証はない
主な料金レンジ	個人 月10〜50ドル	個人 月20〜200ドル

厳密なエビデンスを組みたい研究者はまず学術特化AIから、まだテーマが揺れていて全体像を掴みたい研究者は汎用DRから、と考えると迷わずに済むと思います。

学術特化AI 5選

ここからは学術特化AI 5ツールを、機能・料金・強み・弱み・向いてる研究者の5点セットで見ていきます。料金はすべて2026年7月11日時点、各社公式ページの表示です。

1. Elicit — 系統的レビューの構造化抽出に最強

Elicitは、米国のスタートアップElicit Labsが提供するAI research assistant です。138M+の論文（Semantic Scholarベース）を対象にして、列（column）ベースで論文からデータを抽出できるのが最大の特徴です。「対象疾患は」「サンプルサイズは」「主要アウトカムは」といった質問を列見出しにすると、複数論文の該当箇所を表形式で埋めてくれます。

料金は 公式pricingページ の通り、Basic（無料）、Plus（$12/月）、Pro（$49/月）、Team/Scale（$169/月）の4段階です。Pro プランでは Systematic Review 機能で 最大 5,000 論文をスクリーニングでき、月12件の report が付いてきます（Elicit Pricing 2026, aiproductivity.ai）。

強みは、なんと言っても column extraction と systematic review workflow です。学術データベースに紐づいて動くため、引用文が sentence-level で元論文にリンクされていて、後から検証しやすい。健康経済学や医療政策の分野では、Elicit for HEOR のような業種特化のソリューションも用意されています。

弱みは、日本語論文カバレッジが弱いこと。Semantic Scholar依存なので、J-STAGEやCiNiiの和文論文はほぼ拾えません。UIも英語中心なので、日本語ネイティブでの操作感は若干つらいと感じるかもしれません。

向いてる研究者は、PhDやポスドクで systematic review を実施する人、複数論文から表形式で抽出したい R&D 企画、そしてエビデンス合成が本業の政策担当です。

2. Consensus — Yes/No エビデンス合成の最短ルート

Consensus は、「X は Y に効くか？」という二項の問いに対して、複数論文のエビデンスを Consensus Meter という視覚表示で合成してくれるツールです。EBM（Evidence-Based Medicine）実務者にはかなり刺さる設計だと思います。

料金は 公式pricingページ で、Free（月15 Pro messages + 月3 Deep reviews）、Pro（$15/月、年払いなら実質$10/月）、Deep（月200 Deep Searches）の3段階です（Consensus Subscription Plans）。

強みは Consensus Meter の視覚合成に加えて、研究デザインラベル（RCT、meta-analysis、cohort study等）で絞り込めることです。「RCTだけで見ると効果あり、observationalも含めると意見が分かれる」といった濃淡が一目で分かる。API も Consensus API として提供されているので、自動化パイプラインにも組み込めます。

弱みは、探索的リサーチにあまり向かないところです。「エビデンス強度の投票」に最適化されているので、まだテーマが揺れている段階での広い当たり調査には合いません。日本語UIや論文カバレッジも Elicit と同水準で弱めです。

向いてる研究者は、臨床医、EBM実務者、政策担当、そして体系的なエビデンス確認が仕事の中心にある人です。

3. SciSpace — オールインワンの学術AIスイート

SciSpace は、282M+の科学論文インデックスを持つ、学術AIの中でも最大級のカバレッジを誇るプラットフォームです（SciSpace Literature Review）。PDFチャット（Copilot）、AI Writer、Paraphraser、Literature Review Agent、データ抽出テーブル、Semantic Searchまで、論文サーベイから執筆までを1つのUIで完結できます。

料金は 公式pricing で、無料枠 + Premium が $8/月〜と、他ツールに比べても手が届きやすい設定です。クレジット制で Basic / Premium / Advanced / Max のプランに分かれています（SciSpace Credits Guide）。

強みは、論文検索から PDF 対話、執筆、パラフレーズまで 1 プラットフォームで完結すること。1M+の研究者・学生が使っていて、日本語UIも比較的整っています。修士・博士学生の「予算は限られているけど、複数ツールを行き来したくない」というニーズにフィットします。

弱みは、過去に引用信頼性の問題が指摘されていたことです。「存在しないジャーナル」「不正確なソース」が返ってくる報告が2023年頃までありましたが、2024年時点の第三者テストでは捏造はほぼゼロに改善したという報告があります（arXiv tightens policy on hallucinated references, SMU Library）。それでも重要な引用は元PDFを開いて確認する運用が安全です。多機能ゆえに UI 学習コストが高い面もあります。

向いてる研究者は、修士・博士学生、非英語圏で PDF 対話しながら執筆まで一気通貫でやりたい人、そして予算を抑えたい個人研究者です。

4. Undermind — 再帰的な引用チェイン探索の深さ

Undermind は少し毛色が違うツールで、「1回の検索で10〜20分かける代わりに、引用チェインを再帰的に辿り尽くす」設計になっています。人間の科学者が Google Scholar の関連論文を延々と辿るような探索を、AIが自動でやってくれるイメージです。

料金は Free（月3 deep searches）、Pro（約$20/月、30 deep searches）、Team（5席〜 $15/席/月・年払い）の3段階です（Undermind Review 2026, AIVario、Undermind Review 2026, aichief.com）。

強みは、探索の深さです。Undermind自身のホワイトペーパー（whitepaper.pdf）では、v1で Google Scholar 比 10倍の関連度を出したとしています。製薬大手GSKが導入しているケーススタディも公開されていて、専門ドメインでの実績も積み始めているようです（GSK case study）。

弱みは、1検索に10〜20分かかるので 高速反復には向かないこと。「新しいキーワードを思いついたのですぐ試したい」といった軽い探索とは相性が悪いです。日本語論文カバレッジも限定的で、無料枠も細めです。

向いてる研究者は、新規テーマの網羅レビューをしたい人、隣接領域の見落としを発見したい人、そして citation chain の深掘りが必要な博士課程学生や R&D 探索担当です。

5. Semantic Scholar / Allen AI — 無料でAPIも開放されたインフラ層

Semantic Scholar は、Allen Institute for AI（AI2）が2015年に立ち上げた学術検索プラットフォームです。214M+の論文を対象に、キーワード検索と意味検索の両方が使えて、しかも 完全無料です。APIも無料枠が開放されているので、自動化に組み込みたい研究者にはインフラとして重宝します。

上で紹介した Elicit / Consensus / SciSpace / Undermind の多くは、実は裏側で Semantic Scholar のインデックスを使っています。つまり、Semantic Scholar は「学術AIのインフラ層」に近いポジションです。

Semantic Scholar 本体に加えて、AI2は関連ツールも出しています。Semantic Reader は PDF に埋め込みで用語定義や引用文脈を表示してくれるリーダー。OpenScholar は 2024年11月に AI2 と UW が発表した retrieval-augmented LM で、オープンウェイトのモデルとして公開されています。

強みは、無料 + API + オープンサイエンス志向の三拍子。予算が限られている大学院生、あるいは自動化パイプラインを組みたいデータサイエンティストには他の選択肢がありません。

弱みは、UI 単体で見ると chat や PDF 対話の UX がまだ薄いこと。ChatGPT や Elicit のような「会話体験」を求めると物足りなさを感じます。日本語論文カバレッジは英語圏中心です。

向いてる研究者は、予算がない大学院生、APIで自動化したいデータサイエンティスト、オープンモデル志向の研究者、そして他ツールの裏側インデックスを理解しておきたい上級ユーザーです。

汎用Deep Research 2選

続いて汎用Deep Research系を2つ。学術特化AIとは狙う場所が違うので、「置き換え」ではなく「並列で使うともう1軸増える」ものだと考えると分かりやすいと思います。

6. Perplexity Deep Research（+ ChatGPT Deep Research）

Perplexity の Deep Research モードは、Web全体を横断してレポートを返してくれる機能です。学術用途で特に重要なのが Academic Focus モードで、これを有効にすると Semantic Scholar の 200M+ 論文と arXiv / bioRxiv / SSRN に絞って検索してくれます（Perplexity Pro Review 2026, aiunpacker.com）。

料金は Free（1日 5 Deep Research queries）、Pro（$20/月、Deep Research 無制限）、Max（$200/月）、Education Pro（学生 $10/月、SheerID認証）の階段です（Perplexity Pricing 2026, Suprmind）。学生プランが半額なのは地味に効きます。

ChatGPT Deep Research 側も Plus（$20/月）または Pro（$200/月）で使えて、こちらも Web を長時間巡回して統合レポートを返してくれます。両者とも日本語対応が良好で、SciSpace や Elicit と違ってストレスが少ないのは大きな利点です。

強みは、学術DBに閉じずに Web全体を1スレッドで横断できること。プレプリント、著者本人のブログ記事、企業のホワイトペーパー、政府統計まで拾ってきてくれるので、「新規テーマの全体像を1時間で掴む」用途では他の追随を許しません。

弱みは、系統的レビューのような厳密性が要る作業には向いていない点です。有料誌本文には入れず（アクセス権を持たないため）、column extraction もできず、PRISMA準拠のワークフローもありません。「なんとなく良い要約」は出ますが、方法論を厳密に定義する場面には合わないと思っておくのが安全です。

向いてる研究者は、プレプリント探索や隣接分野の速習をしたい人、業界動向と学術を横断したい R&D 企画・技術戦略担当、そして「テーマがまだ揺れているので広く当たっておきたい」段階の研究者です。

7. Gemini Deep Research + NotebookLM

Googleは Gemini Deep Research と NotebookLM という2つの武器を持っています。学術用途では、両者を組み合わせて使うのが定石になりつつあります。

料金は、NotebookLM が Free / Plus（$7.99/月）/ Pro（$19.99/月）/ Ultra の階段（NotebookLM Pricing 2026, felloai.com）、Gemini Advanced（Deep Research 込み、Google AI Pro）が $19.99/月です。API で使う場合、Deep Research は standard が約 $2/task、max が約 $5/task という設定になっています（Gemini Deep Research pricing, TokenCost）。

Gemini Deep Research はWeb全体をスキャンして数百ソースを横断するタイプで、Perplexity Deep Research と似た性格を持っています。日本語ネイティブなので、Perplexity より日本語検索クエリで拾ってくれる範囲が広い印象があります。

NotebookLM は逆に「アップロードした論文PDFやURLだけをソースとして固定する」タイプの RAG（Retrieval-Augmented Generation）です。ソース固定型なので幻覚が起きにくく、systematic review 後半の「絞り込んだ論文だけを使って議論を組み立てたい」フェーズにハマります。Audio Overview（Podcast風要約）や Study Guide、Mind Map の生成もでき、日本語 Audio Overview の品質は 2025 年後半に大幅改善済みです。

強みは、日本語ネイティブでのストレスの少なさ、Google Docs / Sheets との連携、そして NotebookLM の「ソース固定型 RAG」が systematic review 後半のドラフト執筆にきれいにハマること。

弱みは、Gemini Deep Research 単体では Elicit のような学術DB 特化検索ではなく、Web 全体スキャン型なので、有料誌本文は取れないこと。NotebookLM は逆に「アップロードした論文にしか答えない」ので、探索的リサーチには使えません。

向いてる研究者は、日本語論文中心の研究者、Google エコシステム（Docs/Sheets/Slides）で執筆したい大学院生、そして自分で絞り込んだ論文セットに対して深掘り QA をしたい R&D 企画です。

5軸比較表

7ツールを、価格・学術特化度・対応言語・出典明示・API有無の5軸で並べます。料金は2026年7月11日時点の各社公式値です。

ツール	料金（個人向け目安）	学術特化度	日本語対応	出典明示	API
Elicit	Free / $12（Plus）/ $49（Pro）	高（Semantic Scholar 138M）	弱め	文単位リンク	あり
Consensus	Free / $15（Pro）	高（Semantic Scholar 200M+）	弱め	文単位＋研究デザイン	あり
SciSpace	Free / $8〜（Premium）	高（282M＋PDF対話）	中（UI日本語対応）	引用付き	一部あり
Undermind	Free / 約$20（Pro）	高（Semantic Scholar + arXiv）	弱め	文単位リンク	限定的
Semantic Scholar	完全無料	高（インフラ層 214M）	弱め	論文リンク	完全無料
Perplexity Deep Research	Free / $20（Pro）/ $200（Max）	中（Academic Focus モード）	良好	出典URL列挙	あり
Gemini + NotebookLM	Free / $7.99〜19.99	中（Web + アップロード論文）	非常に良好	出典URL＋原文引用	あり

学術特化AI 5ツールは Semantic Scholar / CrossRef 系のインデックスに依存しているため、J-STAGE や CiNii などの国内和文誌カバレッジは限定的です。ここは覚えておくと選定で迷いにくいです。日本語論文が中心の研究者は、汎用DR で J-STAGE を拾いつつ、CiNii Research と併用する運用が現実的だと思います。

研究タスク別のおすすめの組み方

7ツールを研究タスクごとに組み合わせるとしたら、私なら次のように振り分けます。あくまで一例として。

系統的レビュー（PRISMAは論文の選定・除外過程を透明化するための国際ガイドラインです）を実施する場合は、Elicit Pro を主軸に、Consensus をエビデンス強度チェック用のサブにします。5,000論文までスクリーニングできる Elicit の Systematic Review 機能で1次スクリーニングを流し、絞り込んだあとに Consensus Meter で研究デザイン別の分布を確認する流れです。

探索的リサーチ（新規テーマの全体像を掴む）なら、Perplexity Deep Research + Undermind の組み合わせが強い。Perplexity で1時間で全体像とキーワードを掴み、そこから Undermind で引用チェインを深掘る。両方合わせても月40ドルほどで済むのは、大学院生でも組みやすい配分です。

日本語論文が中心のR&D調査なら、Gemini Deep Research + NotebookLM が主軸、SciSpace が英語論文まわりのサブという組み方が実務的です。J-STAGE や国内学会論文を Gemini で拾って、絞り込んだ PDF を NotebookLM にアップロードして議論を組み立てる、というワークフローに落ちます。

citation chain の深掘りを軸にしたい博士課程学生なら、Undermind Pro が主軸、Semantic Scholar API がサブ。Undermind で網羅探索、Semantic Scholar API で見つかった論文のメタデータを自分の Zotero に自動連携する、というパイプラインが組めます。

自動化・パイプライン志向のデータサイエンティストなら、Semantic Scholar API + Consensus API + Elicit の Team プランという組み方もあります。ここは Snorbe のようなナレッジグラフ型のリサーチエージェントも視野に入ってきます。

日本語文献と国内特許を絡めるならSnorbeという新しい選択肢

ここまで7ツールを紹介してきましたが、実は日本語の一次情報（J-STAGE、CiNii、特許庁、企業IR、業界レポート）を 同じスレッドで横断したい研究者には、既存の7ツールでは埋めきれない穴が残ります。

その別軸の武器として押さえておきたいのが、株式会社Deskrexの Snorbe です。2026年5月にクローズドα版の一般提供が始まったAIリサーチエージェントで、「調査が、創発になる」をコンセプトにしています（Snorbe クローズドα版一般提供開始, codecamp、Deskrex Snorbe 提供開始, innovatopia.jp）。

Snorbeが他ツールと違うのは、調査結果を ナレッジグラフ（意味空間 + テキスト索引） として蓄積し、次の調査に自動で連結する設計になっている点です。ElicitやConsensusが「1回の検索セッションで完結」するのに対して、Snorbeは調査を重ねるごとに独自のナレッジグラフが育っていく。「先週調べた特許と今日調べた論文が実は同じ発明者だった」といった、人間では見落としがちな連結を自動で提示してくれます。

そして日本語ネイティブなので、J-STAGE / CiNii / 特許庁 / 業界レポート / 企業IRを 同じスレッドで扱える。学術特化AI 5ツールが英語圏の学術DBに閉じているのに対して、Snorbeは日本の一次情報を混ぜて調査できるのが強みです。企業R&D企画、知財・技術戦略、国内市場調査を伴う研究者にとっては、既存7ツールと並列で持っておくと調査の解像度が変わってきます。

現時点ではクローズドα版ですが、24時間自律稼働で複数AIモデルが協調するアーキテクチャなので、systematic review後半の「絞り込んだ論文セットに対して深掘り」する用途とも相性が良さそうです。

無料枠から始めて機関ライセンスへ

7ツールを一気に契約するのは現実的ではないので、段階的に組み立てるとしたら次の3段が扱いやすいと思います。

第1段は無料枠での探索です。Semantic Scholar、Elicit Basic、Consensus Free、SciSpace 無料枠、Perplexity Free、NotebookLM Free、そして Snorbe のクローズドα版申し込み。ここまでは全部ゼロ円で試せます。系統的レビューまでは無理ですが、「自分の研究にどのツールがハマるか」の当たりはつけられます。

第2段は個人プラン（月10〜50ドル）です。研究タスクに合わせて2〜3ツールを組み合わせます。系統的レビュー中心なら Elicit Plus + Consensus Pro（月合計 $27）、探索的リサーチ中心なら Perplexity Pro + Undermind Pro（月合計 $40）、日本語中心なら Gemini Advanced + SciSpace Premium（月合計 $28）といった配分です。

第3段は機関ライセンスです。Elicit Pro / Elicit Scale、SciSpace Advanced/Max、Undermind Team。ラボや部門で導入するなら、column extraction や systematic review 機能をチーム全員で使えるようになるので、単純な合計金額以上のリターンが出やすいです。

論文サーベイAIの市場は、2026年に入ってからも新機能・新プランのリリースが多く、料金体系も動いています。この記事の情報は2026年7月11日時点なので、契約前には各社公式ページで最新の料金を確認するのが安全です。

そして、日本語の一次情報を絡めた調査を強化したい場合は、Snorbeのような日本発のリサーチエージェントを別軸で検討してみると、既存7ツールでは埋められなかった「日本語文献 + 国内特許 + 業界レポートの横断」が同じスレッドで走らせられます。研究テーマが国内産業と絡む方には、無料α版の申し込みから始めてみる価値がありそうです。詳細はlp.deskrex.ai でどうぞ。

よくある質問（FAQ）

Q1. Elicit と Consensus はどう使い分ければいいですか？

Elicit は複数論文からの構造化データ抽出（column extraction）と系統的レビューに強く、Consensus は「X は Y に効くか？」というYes/No型のエビデンス合成に強いツールです。系統的レビューを最後まで走らせるなら Elicit Pro、迅速なエビデンス強度チェックには Consensus Pro、というのが実務での使い分けの基本になります。両者とも Semantic Scholar 系のインデックスを使っているので、カバレッジ自体は近いです。

Q2. 無料で使える論文サーベイAIはありますか？

Semantic Scholar は完全無料で API も開放されているので、予算がない大学院生には最初の選択肢になります。Elicit Basic、Consensus Free、SciSpace 無料枠、Perplexity Free（1日5 Deep Research queries）、NotebookLM Free もあります。まずは無料枠で自分の研究にハマるツールを見つけて、月10〜50ドルの個人プランに移るのが現実的だと思います。

Q3. 学術特化AI と汎用 Deep Research はどちらを選ぶべきですか？

系統的レビューや構造化データ抽出が主業務なら学術特化AI（Elicit / Consensus / SciSpace / Undermind）、新規テーマの全体像を掴む探索的リサーチや業界動向との横断が主業務なら汎用DR（Perplexity / Gemini）が主軸になります。研究タスクによっては両方を並列で契約する研究者も普通にいます。

Q4. 日本語の論文をカバーしているAIはありますか？

学術特化AI 5ツールは Semantic Scholar / CrossRef 系インデックス依存のため、J-STAGE や CiNii などの国内和文誌カバレッジは限定的です。日本語論文が中心なら、Gemini Deep Research や NotebookLM で J-STAGE を Web 検索経由で拾いつつ、CiNii Research を併用する運用が現実的です。日本語文献に加えて国内特許や業界レポートまで横断したい場合は、Snorbe のような日本発のリサーチエージェントを別軸で検討すると穴が埋まります。

Q5. 論文サーベイAIによる引用の捏造（ハルシネーション）は起きますか？

汎用チャットボットで論文引用を作ると25〜40%が完全な捏造とされますが、Elicit / SciSpace のような学術特化AIは学術データベースに紐づいて動くため、2024年時点の第三者テストで「捏造ほぼゼロ」まで下がっています。それでも「出版日エラー」や「無関係な実在論文の混入」は残るので、重要な引用は元PDFで確認する運用が安全です。

Q6. Perplexity Deep Research と ChatGPT Deep Research はどちらが学術に強いですか？

Perplexity には Academic Focus モードがあり、Semantic Scholar の 200M+ 論文と arXiv / bioRxiv / SSRN に絞って検索できます。ChatGPT Deep Research 側は学術DBに絞る機能は明示的ではないですが、Web全体を長時間巡回する統合レポートの質が高めです。学術絞り込みなら Perplexity、Web + 学術 の広範な統合レポートなら ChatGPT、というのが現時点の棲み分けです。

Q7. Snorbe は既存の論文サーベイAIとどう違いますか？

Snorbe は株式会社Deskrexが提供する日本発のリサーチエージェントで、調査結果を ナレッジグラフとして蓄積し、次の調査に自動連結する設計になっています。既存7ツールが「1回の検索セッションで完結」するのに対して、Snorbe は調査を重ねるごとにナレッジグラフが育つのが特徴です。日本語ネイティブで、J-STAGE / CiNii / 特許庁 / 業界レポート / 企業IR を同じスレッドで扱えます。既存7ツールを置き換えるのではなく、日本語文献と国内一次情報を横断したい研究者向けの別軸の選択肢です。