Show original
Enjoyed this article?
Support Naoaki S
Share
Review Generator - Why I Created AI-Powered Review Generation
AI translation
What we wanted to solve, Why we decided to create it, What we were particular about
About 4 min read1
AI translation
What we wanted to solve, Why we decided to create it, What we were particular about
Enjoyed this article?
Support Naoaki S
After dining at a restaurant, users often think "that was delicious, I should write a review," but when it comes time to actually write, recalling specific flavor descriptions and the restaurant's atmosphere takes considerable effort. As a result, users postpone writing, their memories fade, and they ultimately abandon posting—creating a significant opportunity loss we wanted to address.
Existing simplified reviews or star ratings with only "It was delicious" written don't provide much value for other users choosing restaurants. Conversely, when users try to write detailed reviews, they find structuring their thoughts tedious.
We needed a mechanism to efficiently generate "specific, high-resolution reviews that are genuinely useful to other readers" without burdening users.
Modern Large Language Models excel at taking fragmented keywords (e.g., "Shibuya," "yakitori," "the liver is exceptional," "great service") and filling in context to produce natural, readable prose. This capability perfectly aligns with the human pain point of "I remember it, but writing it down feels like a hassle."
Each review platform has its own unique atmosphere (how you came to visit, menu items ordered, flavor details, value-for-money commentary, etc.). Simply asking a general AI chatbot to "write a review" often results in unnaturally business-like or exaggerated promotional language. By creating a dedicated tool with prompts specifically tuned to platforms like Tabelog, we could provide an experience where general users navigate confidently without confusion.
The most legitimate criticism of AI-generated text is that it can easily produce false content—reviews of restaurants never visited or dishes never eaten (essentially fake reviews). To prevent this, rather than allowing free-form input, we designed the interface to be based on concrete facts:
To pursue realism in generated text, we tuned the system to automatically incorporate the following elements into the structure:
AI-generated text is positioned as merely a "draft (80-point version)." From the generation completion screen, users can seamlessly edit and copy the text, and by adding 1-2 lines in their own words, they complete a fully original review. This workflow is intentional.
飲食店を利用した後、「美味しかったからレビューを書こう」と思っても、いざ文字にしようとすると具体的な味の表現や店の雰囲気を思い出すのに時間がかかります。結果として、執筆を後回しにしているうちに記憶が薄れ、結局投稿を断念するというユーザーの機会損失を解決したいと考えました。
既存の簡易レビューや、単に「美味しかったです」とだけ書かれた星評価は、他のユーザーが店を選ぶ際の参考になりにくいという課題があります。一方で、詳細に書こうとすると構成を考えるのが面倒になります。
ユーザーに負担をかけずに、「他人が読んでも参考になる、具体的で解像度の高い口コミ」を効率的に出力する仕組みが必要でした。
現在のLLM（大規模言語模型）は、断片的なキーワード（例：「渋谷」「焼き鳥」「レバーが絶品」「接客が良い」）を与えるだけで、文脈を補完し、自然で読みやすい文章に肉付けすることに非常に長けています。この特性は、人間の「覚えているが、文章にするのが面倒」というペインポイントと完全に合致していると考えました。
各プラットフォームの口コミには、独特の空気感があります（冒頭の来店経緯、注文したメニューの羅列、味のディテール、コスパへの言及など）。 単に一般的なAIチャットに「口コミを作って」と頼むだけでは、不自然にビジネスライクな文章や、誇大広告のような不自然な文章になりがちです。「食べログの文脈に特化したプロンプト」を固定した専用ツールを切り出すことで、一般ユーザーが迷わず使える体験を提供できると確信し、開発に至りました。
AIによる文章生成において最も批判されるべき点は、「行っていない店、食べていないメニューの嘘（サクラのような文章）を簡単に生成できてしまうこと」です。 これを防ぐため、自由記述で丸投げさせるのではなく、以下のようなファクト（事実）をベースに入力させる設計にこだわりました。
生成される文章のリアリティを追求するため、以下の要素を自動で構成に組み込むようにチューニングしました。
AIが生成した文章はあくまで「下書き（80点のもの）」という位置づけにしています。生成完了画面からシームレスにテキストを編集・コピーできるようにし、ユーザー自身が最後に「自分の言葉」を1〜2行足すことで、完全にオリジナルの口コミとして完成するワークフローを意識しました。
