この記事の要点

• OpenAI・Anthropic・Microsoftの公式発表から、チャットで答えるAIから業務を実行するAIエージェントへの転換が確認できる
• Microsoftの2026年調査では、Microsoft 365上で稼働するアクティブなAIエージェント数が前年比15倍。実行が増えるほど、方向づけ・判断・責任は人に残る
• 従来のナレッジマネジメントは人が読む前提で文書を整えてきた。エージェント時代は「AIが参照して動く」前提での整備が必要
• 規程・手順書・FAQなどの管理する知識はそのまま渡せる。一方、手順の間に挟まる例外と判断基準はどの文書にも書かれていない
• 実務の中心は承認ポイントの設計。自動実行の範囲・例外時の戻し先・部署間の優先順位の3点を先に決める
• 判断基準は「誰の判断か・有効条件・例外時の戻し先・更新日」とセットで、統合せず帰属を保って残すのが基本

運営者プロフィール

加藤晃寿郎（株式会社taiziii 代表取締役）。慶應義塾大学経済学部出身のエンジニア。在学中のスタートアップ設立、フリーランスを経てシステム開発会社を創業。企業のAI導入支援と、判断継承AIプラットフォーム「SkillRelay」の開発に従事。

1位

Amazonベストセラー獲得

著書『AI時代の経営デザイン』

データベースカテゴリ、2025年10月時点

「AIの出力結果が公平性を欠くことがないよう、AIに単独で判断させるだけでなく、適切なタイミングで人間の判断を介在させる利用を検討」。総務省と経済産業省が2026年3月31日に公表した「AI事業者ガイドライン（第1.2版）」には、公平性の指針としてこの一文が置かれています。バイアスへの対処を目的とした記述ですが、人の判断をどこで挟むかという問いは公平性の場面に限りません。そして、どのタイミングが「適切」なのかは書かれていません。そこを決めるのは各社です。

出典　総務省・経済産業省「AI事業者ガイドライン（第1.2版）」概要（2026）https://www.soumu.go.jp/main_content/001064299.pdf

各社が決めなければならなくなったのは、AIの役割が変わってきたからです。OpenAIは2025年7月、調査から実行まで複数のステップを進める「ChatGPT agent」を発表しました。読み手が人からエージェントに変わるなら、渡す情報も整えたくなります。規程・手順書・FAQを検索しやすくまとめ直す作業は、これまでのナレッジマネジメントの延長で進められます。

出典　OpenAI（2025）https://openai.com/index/introducing-chatgpt-agent/

書かれていないのは、その先です。請求金額が見積とわずかに違うとき、そのまま処理してよいのか差し戻すのか。検査の数値は基準内なのに仕上がりに違和感があるとき、ラインを止めてよいのか。人が担当していた間、こうした線引きは担当者への確認で埋まっていました。埋めていた人が読み手から外れると、エージェントは例外のたびに止まるか、確認のないまま一般的な処理で進めます。

任せられる範囲を決めるのは、AIの実行能力ではありません。どこで止めて誰に確認させるかが決まっているかどうかです。この記事では、チャットから業務実行への転換をたどったうえで、エージェントが参照する情報を従来のナレッジマネジメントと比べ、人が承認する設計の3要素と、判断基準をAIに渡せる形で残す方法までを扱います。

AIの役割はチャットから業務の実行へ移りつつある

OpenAI・Anthropic・Microsoftの発表は実行するAIへ向かっている

Anthropicは2024年10月22日、AIが画面を見てカーソル操作や入力を行う「computer use」を公開ベータとして発表しました。発表の中で「still experimental（まだ実験段階）」と明記されたとおり、この時点では試験的な位置づけです。

出典　Anthropic（2024）https://www.anthropic.com/news/3-5-models-and-computer-use

OpenAIは2025年7月17日、「Introducing ChatGPT agent」を公式発表しました。調査と行動をつなぎ、ブラウザや外部ツールを組み合わせて複数ステップのタスクを進めるエージェントとして位置づけられています。

出典　OpenAI（2025）https://openai.com/index/introducing-chatgpt-agent/

Microsoftは、毎年公表している働き方の調査レポート「Work Trend Index」の2025年版で、人間とAIエージェントが協働する組織の姿を「Frontier Firm」として提示しました。

出典　Microsoft「Work Trend Index 2025: The Year the Frontier Firm Is Born」2025年　https://www.microsoft.com/en-us/worklab/work-trend-index/2025-the-year-the-frontier-firm-is-born

三つの発表に共通するのは、AIの役割が「質問に答える」にとどまらず、「業務の中で調査・操作・整理を進める」へ広がっている点です。すべてが実務で使える段階に達したわけではありません。それでも、提供元自身の説明が、会話相手から実行役へ動いていることは確かです。

エージェントが増えても方向づけと判断は人に残る

Microsoftが2026年に公開したWork Trend Indexでは、Microsoft 365のエコシステム上で稼働するアクティブなAIエージェント数が前年比15倍（大企業では18倍）と報告されました。同じ調査で、回答者の86%はAIの出力を「最終回答ではなく出発点」として扱うと答えています。調査対象は10か国の2万人ですが、すでに業務で生成AIを使っている人に限定されており、エージェント数の集計範囲もMicrosoft自社製品の利用データです。AIを提供する事業者自身の調査でもあるので、そこは割り引いて読む必要があるでしょう。それでも、エージェントの利用が試験段階から業務の中へ入り始めていること、利用者がAIの出力を確認の対象として扱っていることは読み取れます。

出典　Microsoft WorkLab「Agents, Human Agency, and the Opportunity for Every Organization」Work Trend Index 2026（10か国・業務で生成AIを使う就業者2万人。調査実施はEdelman Data x Intelligence、2026年2月18日〜4月）　https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization

同レポートは、エージェントが実行を担うほど、人間には方向づけ・判断・結果への責任が残るという整理も示しています。エージェントが作業を進める分だけ、人の仕事は、何を参照させてどこで確認するかを決めるほうへ移る、という見立てです。

実行するAIが参照するのは従来と同じ対象である

AIエージェントは、指示を受けると計画を立て、社内の文書やデータ、業務システムを参照しながら複数の手順を進めます。参照先の中身は、規程・手順書・FAQといった文書類、顧客情報や取引履歴などの業務データ、そして業務システムの画面や帳票です。並べてみると、従来のナレッジマネジメントが蓄積してきた対象とほぼ重なります。変わったのは中身より読み手です。

人が読む前提の文書は書かれていない部分を読み手が補ってきた

規程も手順書も、人が読んで使うことを想定して書かれてきました。行間は経験で埋め、用語のゆれは文脈で読み分け、判断に迷えば隣の席の先輩に聞きます。文書が多少不完全でも業務が回ってきたのは、この補完があったからです。

エージェントが読み手になると、補完の前提が崩れます。違いを整理すると次のとおりです。

エージェントが迷ったときに聞き返す相手は、設計すれば決められます。ただし、人が読む前提の文書をそのまま置くだけでは足りません。迷ったらどこへ戻すかを、情報として一緒に渡しておく必要があります。読み手が変われば、文書の書き方も渡し方も変わります。

規程・手順書・FAQのような管理する知識はそのまま渡せる

読み手が変わっても、これまでの整備が無駄になるわけではありません。規程・手順書・FAQ・用語定義のような、事実として書き出せて正解が決まっている知識（この記事では「管理する知識」と呼びます）は、エージェントにもそのまま参照させられます。検索性を高め、重複や旧版を整理し、置き場所を揃えるという従来のナレッジマネジメントの基本は、参照先の品質としてそのまま活きます。

社内文書をAIに参照させる仕組みとしては、RAG（検索拡張生成）を使った社内AI検索が使われます。

問題は、管理する知識だけで業務が最後まで進むかどうかです。人が読む場合ですら、手順書どおりに進まない場面では文書の外の判断に頼ってきました。読み手がエージェントに変わっても、判断が手順書の外に残っている状態は変わりません。

手順書だけではエージェントは業務を最後まで進められない

手順と手順の間に挟まる例外は担当者の判断で埋められてきた

手順書に書かれているのは、業務が想定どおりに進んだ場合の流れです。実務では、その流れから外れる小さな例外が繰り返し現れます。

経理の支払業務では、請求書を照合し、承認を経て支払う流れは手順書にあります。ところが請求金額が見積とわずかに違うとき、そのまま処理してよいか、差し戻して営業担当に確認するかの線引きは書かれていません。端数の調整なら進めてよい、この金額を超えたら止める、という基準は担当者の経験の中にあります。

製造の品質判定でも同じ形の欠落があります。検査の手順と基準値は文書にあります。しかし、数値は基準内に収まっているのに仕上がりに違和感がある、という場面で製造ラインを止めるかどうかは検査担当者の判断です。異常時にどの範囲まで自分で対処し、どこから上長へ上げるかも、文書より人に蓄積されています。

カスタマーサポートでは、問い合わせ対応のフローやFAQが整備されていても、補償をどこまで出すか、どの時点で上席にエスカレーションするかという条件がフローの中に書かれていないことがあります。この場合、対応の線引きは担当者ごとの経験に頼ることになります。

こうした例外時の線引きが特定の個人に留まったままになる状態が、属人化と呼ばれてきた問題にあたります。

人が読み手だった時代は、この欠落が表面化しにくいものでした。手順書に書かれていない部分は、担当者への確認で埋まっていたからです。エージェントが読み手になると、埋めていた人がその場にいません。例外に出会ったエージェントは、参照先に基準がなければ止まるか、確認のないまま一般的な処理で進めてしまうおそれがあります。

どこまで任せるかの条件はどの文書にも書かれていない

手順書は業務のやり方を書く文書であり、その業務をどこまでAIに任せてよいかを書く文書ではありません。規程は禁止と義務を定めますが、自動実行の範囲は定めていません。例外時の判断基準だけでなく、どこまで任せるかという条件も、これまでどの文書の守備範囲にも入っていませんでした。

具体的には、次のような条件が文書化されていません。

• どの業務の、どの工程までを自動で実行させてよいか
• 想定外の状況が起きたとき、誰へ戻すか
• 部署によって基準が違うとき、どちらを優先するか

エージェントに任せられる範囲は、実行の能力ではなく、この判断条件が決まっているかどうかで定まります。何をさせるかより先に、どこで止めて誰に確認させるかを決めなければ、任せる範囲の線が引けないからです。

任せられる範囲はどこで人が承認するかを決めて初めて広がる

AI事業者ガイドラインは適切なタイミングを各社に委ねている

人の確認を組み込む設計は、国の指針でも方向づけられています。総務省と経済産業省が2026年3月31日に公表した「AI事業者ガイドライン（第1.2版）」は、AIを事業で利用する企業を「AI利用者」と位置づけ、10の共通の指針を示しています。その一つ「公平性」の項目には、「AIに単独で判断させるだけでなく、適切なタイミングで人間の判断を介在させる利用を検討」という記載があります。

出典　総務省・経済産業省「AI事業者ガイドライン（第1.2版）」概要（2026）https://www.soumu.go.jp/main_content/001064299.pdf

AI事業者ガイドラインは法的な義務や規制ではなく、事業者の自主的な取組を支援する指針です。だからこそ、守らされる基準としてではなく、設計の参考として読めます。どのタイミングが「適切」かはガイドラインには書かれていません。業務ごとに決めるのは各社であり、その決め方が、どこまで任せるかという条件の言語化にあたります。

承認ポイントは自動実行の範囲・戻し先・優先順位の3点で決める

どこで人が確認するかは、次の3点に分けて決めると具体化しやすくなります。

3点とも、書く作業そのものは難しくありません。難しいのは、これまで暗黙のうちに個人が握ってきた線引きを、組織として決め直すことです。自動実行の範囲を決めるには、この工程は失敗してもやり直せるかを業務ごとに評価する必要があります。戻し先を決めるには、いま例外を実際にさばいているのが誰かを確かめる必要があります。

3つ目の部署間の優先順位は、見落とされやすい要素です。値引きの承認を例にすると、営業は受注の確度を優先し、経理は利益率と回収リスクを優先する、という食い違いが起きます。人が業務を進めている間は、この食い違いもその場のやり取りで収まってきました。エージェントに任せる場合は、どちらの基準を参照させるかを先に決めておかなければ、部署をまたぐ工程で処理が止まるか、一方の基準だけで進んでしまいます。

もう一つの実務上の要点は、承認ポイントを絞ることです。すべての工程に人の確認を挟むと、エージェントに任せる意味がなくなり、確認する側も一つひとつを見なくなります。影響の大きい工程に確認を集中させ、それ以外は事後に記録で追える状態にします。

判断基準をAIが参照できる形で残せば任せる範囲は広がる

承認ポイントを決めても、例外のたびに人へ戻していては、任せられる範囲は広がりません。範囲を広げる鍵は、例外時の判断基準そのものを、エージェントが参照できる形で残すことです。AIが参照する文書やデータをどう整えるかは、別記事「AI Readyな社内ナレッジの整え方」で整理しています。

判断基準は5項目を添えて初めて参照して動ける情報になる

基準の文面だけでは、エージェントはいつ使ってよい基準なのかを判別できません。どんな条件で有効か、外れたら誰に戻すかまで揃って、はじめて業務の中で使えます。残すときは、基準の本文に次の5項目を添えます。

経理の支払業務を例にすると、「請求金額と見積の差が端数調整の範囲なら、そのまま処理して備考に残す。それを超える差は経理の主担当に戻す」という基準に、経理の主担当の判断であること、月次の通常支払に限ること、更新日と確認者を添えて残します。ここまで揃えば、エージェントは基準の範囲内なら処理を進め、範囲の外に出たら人へ戻せます。

複数のベテランの判断は統合せず帰属を保って残す

判断基準を集めると、担当者によって基準が違う場面に必ず出会います。このとき、複数の基準を平均して一本のルールにまとめないことが、残し方の原則です。値引きの判断で、ある担当者は取引の継続性を重視し、別の担当者は利益率を重視しているとします。二つを足して割った中間の基準を作ると、どちらの判断も再現できない、誰のものでもない基準になります。取引の継続性を重視する判断も、利益率を重視する判断も、どの場面で使うかという条件とセットで意味を持つからです。

残すときは、誰の・どの条件での判断かという帰属を保ったまま、条件付きのルールとして並べます。継続取引が見込める顧客には担当者Aの基準を、単発の案件には担当者Bの基準を使う、のように条件で使い分けられる形にすれば、基準の違いは矛盾ではなく守備範囲の違いとして残せます。ベテランから判断基準を引き出す問いの立て方は、別記事「判断基準の作り方と5つの問い」で扱っています。

よくある質問

AIエージェントを導入すれば業務の属人化は解消するのか

導入だけでは解消しません。エージェントは参照先にある情報をもとに動くため、判断基準が特定の個人の中にあるままなら、エージェントが再現できるのは文書化された手順までです。実行が自動化される分、例外時に頼れる人の判断の重要度はむしろ上がります。属人化している判断を見える化し、必要な部分を継承する取り組みが先に要ります。引き継ぎのどこまでをAIに任せられるかは、別記事「AIを使った業務引き継ぎでできること」で扱っています。

AIエージェント時代にナレッジマネジメントは不要になるのか

不要にはなりません。規程・手順・FAQといった管理する知識の整備は、エージェントの参照先の品質としてそのまま活きます。変わるのは読み手の前提です。人が読んで補う前提から、AIが参照して動く前提へ移るため、判断基準・有効条件・戻し先といった、これまで書かれてこなかった情報の整備が新しく加わります。仕事が減るのではなく、整える対象が増えると考えるほうが実態に近いはずです。

手順書をどこまで詳しく書けばエージェントに業務を任せられるのか

手順の記述をいくら細かくしても、それだけでは任せる条件は揃いません。手順書が扱うのは想定どおりに進む場合の流れであり、例外時の判断基準と、どこまで任せてよいかの線引きは手順書の守備範囲の外にあるからです。記述の詳しさよりも、自動実行の範囲・例外時の戻し先・部署間の優先順位という承認の設計と、判断基準に有効条件と戻し先を添えて残すことのほうが先です。

人間の承認を挟むとAIエージェントの効果は薄れないのか

承認ポイントを全工程に置けば効果は薄れます。設計の要点は、影響が大きく取り返しのつきにくい工程に確認を集中させ、それ以外は事後に記録で追える状態にする濃淡です。Microsoftの2026年調査でも、86%がAIの出力を「最終回答ではなく出発点」として扱うと回答しており、確認を前提にした利用はエージェントの活用と両立しています。承認を挟むこと自体ではなく、どこに挟むかを決めないことが効果を下げます。

出典　Microsoft WorkLab「Agents, Human Agency, and the Opportunity for Every Organization」Work Trend Index 2026（10か国・業務で生成AIを使う就業者2万人。調査実施はEdelman Data x Intelligence、2026年2月18日〜4月）　https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization

分かれ目は参照先に判断が書かれているかにある

チャットで答えるAIから業務を実行するAIへ、という転換は、OpenAI・Anthropic・Microsoftの一次発表で確認できる動きです。読み手が人からエージェントに変わると、ナレッジマネジメントの問いも変わります。知識をどう蓄積し、どう見つけてもらうかという従来の問いに、実行するAIに何を参照させ、どこで人が承認するかという問いが加わります。

規程・手順書・FAQといった管理する知識は、これまでの整備がそのまま参照先として活きます。足りないのは、手順の間に挟まる例外の判断基準と、どこまで任せるかの条件です。承認ポイントを自動実行の範囲・例外時の戻し先・部署間の優先順位の3点で設計し、判断基準には誰の判断か・有効条件・戻し先・更新日を添えて、統合せず帰属を保って残します。この整備が、任せられる範囲を少しずつ広げていきます。生成AIの普及で知識の残し方がどう変わるかは、別記事「生成AI時代のナレッジマネジメント」で扱っています。

参照先に判断が書かれていなければ、RAGを組んでも返ってくるのは一般論です。答えるAIでも実行するAIでも、問いの核心は同じ場所にあります。AIの能力ではなく、参照先に判断が書かれているかどうかです。

関連記事

• 生成AI時代のナレッジマネジメント　RAGを使う前に整える手順
• AI Readyとは　生成AIが参照できる社内ナレッジの整え方
• ナレッジマネジメントとは　SECIモデルと導入の手順
• 生成AIガイドライン（社内ルール）の作り方　盛り込む8項目とサンプル構成
• AI導入が進まない理由　部署間の継ぎ目と暗黙知

この記事の要点

• AI Readyとは、必要なときに直ちにAIを導入し便益を得られる状態を指す言葉。2019年の政府決定文書と経団連提言に由来する公的な概念
• 生成AIの回答が外れる主因はモデルの性能ではなく、参照させる社内データの状態にある
• RAGの精度低下の典型は、散在・古い・出典不明・判断基準の欠落の4つ
• AIが参照して外さないナレッジの条件は、構造化・鮮度・出典・判断基準の明文化の4つに整理できる
• 整備は、業務の棚卸し→文書の仕分け→書き直しとメタ情報付与→測定と更新運用の4ステップ
• 最初の対象は全社データ基盤ではなく、問い合わせの多い業務から絞るのが現実的

運営者プロフィール

加藤晃寿郎（株式会社taiziii 代表取締役）。慶應義塾大学経済学部出身のエンジニア。在学中のスタートアップ設立、フリーランスを経てシステム開発会社を創業。企業のAI導入支援と、判断継承AIプラットフォーム「SkillRelay」の開発に従事。

1位

Amazonベストセラー獲得

著書『AI時代の経営デザイン』

データベースカテゴリ、2025年10月時点

AIを導入した企業は増えましたが、期待した成果まで届いた企業は限られます。情報処理推進機構（IPA）が2026年7月16日に公表した調査（回答企業1,799社）では、AI導入は大企業を中心に広がる一方、効果が期待どおり・期待以上だったとする回答の割合は限定的でした。活用の中心も、業務の効率化・迅速化にとどまっています。

出典　情報処理推進機構（IPA）「プレス発表　国内企業のDX動向・AI活用動向のポイントを公表」2026年7月16日　https://www.ipa.go.jp/pressrelease/2026/press20260716.html

この落差を埋めようとするとき、最初に疑われるのはAIモデルの性能です。高性能なモデルに乗り換え、別のツールと比べ、プロンプトを工夫します。規程やマニュアルをまとめて読み込ませ直す手入れもよく行われます。

ところが、モデルを替えても答えは一般論のままです。同じ主題の文書が複数拾われて、聞くたびに答えが変わります。更新の止まったマニュアルが、現行の情報として答えの根拠になります。判断を問う質問には、どこにも書かれていないため教科書的な回答しか返りません。やがて現場はAIを開かなくなり、整備にかけた工数だけが残ります。

外しているのはモデルではなく、渡している社内データの側です。この記事では、AIを活用できる状態を指す「AI Ready」という概念を整理し、AIが参照して外さないナレッジの4条件（構造化・鮮度・出典・判断基準の明文化）、整備を進める4つの手順、最初に手を付ける業務の選び方までを扱います。

AI Readyとは導入して直ちに成果につなげられる状態である

AI Readyという言葉が指すのは、AIを導入すれば直ちに活用でき、便益を得られるところまで組織とデータの準備が整っている状態です。もともとは社会全体の変革を語る文脈で生まれ、現在は企業や組織の単位でも「自社はAI Readyか」という形で使われています。

AI Readyの出どころは2019年の政府決定文書と経団連提言にある

AI Readyという言葉が広まった起点は2019年です。統合イノベーション戦略推進会議が同年3月に決定した「人間中心のAI社会原則」は、「AI-Readyな社会」を、必要なときに直ちにAIを導入して恩恵を得られる社会と定義しています。同じ年の2月には経団連も提言「AI活用戦略」で「AI-Readyな社会」の実現を掲げ、企業・個人・社会制度と産業基盤の3つのレベルで必要な変革を整理しました。

出典　統合イノベーション戦略推進会議「人間中心のAI社会原則」（2019年） https://www8.cao.go.jp/cstp/ai/aigensoku.pdf ／日本経済団体連合会「AI活用戦略～AI-Readyな社会の実現に向けて～」（2019年） https://www.keidanren.or.jp/policy/2019/013.html

企業の単位に引きつけると、AI Readyとは、AIツールを導入したときに自社のデータ・業務・体制がそれに対応でき、成果につなげられる状態です。データが電子化されているという意味ではありません。電子化された文書が大量にあっても、AIが参照して使える状態になっているとは限らないからです。

近年は、AIの導入を個別ツールの話ではなく、管理の仕組みとして扱う整理も進んでいます。米国NISTのAIリスクマネジメントフレームワーク（AI RMF）や、AIマネジメントシステムの国際規格ISO/IEC 42001が整備され、AI活用にはリスクの把握から更新・検証までを含む体制が要るという考え方が、国際的な枠組みとして示されています。AI Readyを考えるときも、データの状態に加えて、誰が管理し、どう更新し、どう検証するかまでを含めて捉える必要があります。

出典　NIST「AI Risk Management Framework」 https://www.nist.gov/itl/ai-risk-management-framework ／ISO「ISO/IEC 42001（AIマネジメントシステム規格）」 https://www.iso.org/standard/81230.html

ツールを導入済みでもAI Readyとは限らない

導入の有無とAI Readyかどうかは、別々に確かめる必要があります。情報処理推進機構（IPA）が2026年7月16日に公表したプレス発表（回答企業1,799社・2026年4〜6月調査）によると、AI導入は大企業を中心に拡大し一定の効果実感もみられる一方、効果が期待どおりや期待以上だったとする回答の割合は限定的で、活用は業務の効率化・迅速化が中心にとどまります。

出典　情報処理推進機構（IPA）「プレス発表　国内企業のDX動向・AI活用動向のポイントを公表」2026年7月16日　https://www.ipa.go.jp/pressrelease/2026/press20260716.html

導入と成果の間にあるものは何でしょうか。同じツールを入れても、AIに参照させるデータの状態は会社ごとに違います。生成AIは渡されたデータの範囲でしか答えられないため、データが整っていない会社では、高機能なツールを入れても一般論の域を出ない答えが返り続けます。AI Readyかどうかを分けるのは、導入したツールの数や新しさではなく、AIに渡せる状態のデータと、それを保つ運用がどれだけあるかです。生成AIの普及で知識の共有や蓄積がどう変わったかは、別記事「生成AI時代のナレッジマネジメント」で扱っています。

生成AIの回答が外れる原因はモデルではなく渡すデータにある

社内データを活用する生成AIの回答品質は、モデルの性能と参照データの品質の掛け合わせで決まります。このうち実務で差がつくのは、ほとんどの場合データの側です。

RAGの精度が上がらないのは参照データの品質に原因がある

社内文書に基づいて生成AIに答えさせる仕組みは、RAG（検索拡張生成）と呼ばれます。動きは二段構えです。質問を受けると、まず登録された文書群から関係しそうな箇所を検索し、次に見つかった箇所を根拠として答えを組み立てます。答えの材料になるのは検索で見つかった文書だけです。参照先に書かれていないことは答えに現れず、参照先が古ければ答えも古くなります。

RAGの精度を上げたいときに見直す先も、この二段構えの前半にあります。モデルを高性能なものに替えても、検索して渡される文書が同じなら、答えの材料は変わりません。古い文書は古い答えの根拠になり続け、書かれていない判断基準は答えに現れないままです。RAGの精度低下に悩んだら、モデルの乗り換えを検討する前に、参照データの状態を確かめるのが順序です。

社内データが「ある」のに使えない4つの典型

社内にデータは十分あるはずなのに、AIの答えが業務に使えない。そうしたとき参照データの側で起きていることは、おおむね次の4つに集約されます。

前の3つは、既にある文書の品質の問題です。正本を決め、更新し、根拠を書き足せば改善できます。4つ目の判断基準の欠落だけは性質が違い、必要な文書がそもそも存在しない問題です。存在しないものは整理しても現れないため、整備手順でも扱いが分かれます。

ツールを選ぶ段階では、この4つを避けられるかどうかが確認点になります。回答の参照元を表示できるか、閲覧権限を反映できるか、文書の更新を検索側に反映できるかを見ます。

AI Readyなナレッジは構造化・鮮度・出典・判断基準の4条件に整理できる

生成AIが参照して外さない文書には、共通する条件があります。全社のデータ戦略のような大きな枠組みではなく、文書を1つずつ点検して直せる単位の条件です。

構造化で問われるのはAIが切り出せる断片の単位である

RAGは文書を丸ごと読むのではなく、検索で見つけた断片を切り出して材料にします。このため、書き手が意識すべき単位は文書全体ではなく、切り出される断片です。1つの見出しの下には1つの主題だけを書き、結論を段落の冒頭に置き、「前述のとおり」「例の件」のような、その場にいた人にしか分からない指し示しを避けます。断片だけ読まれても意味が通る書き方が、そのままRAGで外れにくい書き方になります。

文書の外側に添える情報も効きます。

• ファイル名とタイトルに業務名と対象を入れる
• 対象業務・対象者・適用条件をメタ情報として冒頭に添える
• 比較や一覧は表にする

逆に、数時間分の議事録や口頭説明の文字起こしをそのまま置いた文書は、どこを切り出しても主題が混ざるため、検索にも生成にも向きません。

鮮度は更新日と確認者を残して初めて管理できる

文書には更新日と、内容を確認した人を残します。人が文書を読むときは日付や文脈から「これは古いかもしれない」と気づけますが、生成AIの答えは要約された形で返るため、根拠の古さが表に出にくくなります。更新日が機械にも読める形で残っていれば、古い文書を参照対象から外す運用や、一定期間更新のない文書を点検に回す運用を組めます。確認者を残すのは、内容の正しさに責任を持つ人を明らかにし、次の更新を依頼する宛先を作るためです。

記録を残して参照可能に保つという方向は、国の指針とも重なります。総務省と経済産業省の「AI事業者ガイドライン（第1.2版）」は、「アカウンタビリティ」の指針として、AIガバナンスに関するポリシーの策定・公表とともに、関係する情報を文書化して一定期間保管し、参照可能な状態にしておくことを挙げています。同ガイドラインは法的義務ではなく事業者の自主的な取組を支援する指針ですが、何を根拠にしたかを後から辿れるようにしておくという考え方は、社内ナレッジの管理にそのまま応用できます。

出典　総務省・経済産業省「AI事業者ガイドライン（第1.2版）」（2026年） https://www.soumu.go.jp/main_content/001064299.pdf

出典を残すのは答えの正しさを人が検証できるようにするためである

文書に書かれた数値や結論には、根拠となった一次情報への参照を残します。元の規程・決裁・契約・試験結果・議事録など、その記述がどこから来たのかを辿れる状態にしておくという意味です。

出典が要るのは、AIの答えを人が検証する場面が必ず残るからです。生成AIツールには回答の参照元文書を示す機能を持つものが多くありますが、示された文書自体に根拠が書かれていなければ、検証はそこで止まります。答えの正しさを確かめる経路は、回答から参照文書へ、参照文書から一次情報へと2段でつながって初めて機能します。加えて、文書同士の内容が食い違ったときに、どちらが正しいかを出典に立ち返って判定できるようにもなります。

判断基準の明文化は4条件のうち最も欠けやすく効果も大きい

手順書やFAQが整っている職場でも、「この場合はどちらを選ぶか」「どの条件なら例外を認めるか」という判断の基準は、担当者の頭の中にだけあって文書になっていないことが珍しくありません。書かれていない基準は検索に乗らず、AIの答えにも現れません。

判断基準を文書にするときは、結論だけを書いても使えません。次の要素を組みにして残します。

• 誰の判断か。判断の主体と帰属をはっきりさせる
• どの条件で有効か。前提が変わったら使えない基準だと分かるようにする
• 例外時に誰へ戻すか。基準の範囲の外に出たときの戻し先を決めておく

担当者によって基準が異なる場合は、平均して1つにまとめず、誰のどの条件での判断かを保ったまま書き分けます。まとめてしまうと、答えの根拠がどちらの基準なのかを後から検証できなくなるためです。

判断基準を書き出すときは、AIと人の役割の線引きも一緒に明文化しておきます。AIが担うのは、文書化された判断基準を参照し、判断に必要な材料を提示するところまでです。判断そのものと結果への責任は人の側に残ります。前掲のAI事業者ガイドラインにも、「公平性」の指針として、AIだけで完結させず適切なタイミングで人間の判断を介在させる利用を検討する、という記載があります。どこまでAIに任せ、例外のときに誰へ戻すのか。この線引きは、AIエージェントが調査や実行まで担う運用が広がるほど避けて通れなくなります。実行するAIに何を渡すかという設計は、別記事「AIエージェント時代のナレッジマネジメント」で扱っています。

既存ナレッジは棚卸し・仕分け・書き直し・測定の4ステップで整える

全文書を一斉に直す計画は、途中で止まりがちです。既存のナレッジを4条件へ近づけるときは、対象を絞り、仕分けてから直し、直した後の運用まで決める順で進めます。

最初に決めるのは直す文書ではなく対象業務である

文書単位で見始めると量に圧倒されますが、業務単位なら対象を区切れます。業務ごとに、関係する文書がどこに何件あるか、正本が決まっているか、内容に責任を持つ担当者が誰かを一覧にします。

優先度の見方は次の3点です。

• 問い合わせや確認の発生が多い業務か
• 担当者の異動・退職の予定があるか
• 誤った答えが返ったときの影響が大きい業務か（顧客対応・契約・安全など）

影響の大きい業務ほど整備の効果も大きくなりますが、その分、誤答が許されにくい領域でもあります。最初の1業務には、問い合わせが多く、誤答の影響が限定的な業務を選ぶと進めやすくなります。

既存文書は使える・直す・使わないの3つに仕分ける

対象業務の文書を集めたら、1件ずつ次の3つに分けます。

この段階では、まだ文書を1行も書き直していません。それでも、旧版と重複を参照対象から外して正本を決めるだけで、聞くたびに答えが変わる状態は減らせます。使わないと仕分けた文書も削除はせず、参照対象から外すにとどめます。経緯の記録として後から必要になる場合があるからです。

書き直しの中で判断基準の文書化だけは性質が違う

直すと仕分けた文書から、4条件に沿って手を入れます。見出し単位で主題を1つに絞り直し、更新日・確認者・出典を添え、対象業務と適用条件をメタ情報として付けます。全文の書き直しではなく、切り出される単位を整えて足りない情報を足す作業と捉えると、負担を見積もりやすくなります。

判断基準だけは、既存文書のどこにも書かれていないため直す対象がありません。担当者への聞き取りで引き出し、誰の・どの条件での判断かを保った形で新たに書き起こします。ただし、聞き取りで判断を言語化できる範囲には限界があり、すべてを文書にできるわけではありません。どこまで言葉にできるのかは、別記事「暗黙知をAIで形式知化できる範囲」で扱っています。

正答率ではなく根拠提示率・参照率・更新遅延日数で測る

整備した状態は、放置すれば古くなっていきます。効果と劣化を見るための指標を決め、更新を業務の一部に組み込みます。測る候補は次の3つです。

正答率だけを追わないのが要点です。生成AIの回答から間違いをなくし切ることはできないため、間違いに気づける状態（根拠が示されている）と、気づいたら直る運用（更新が遅れない）を保つほうが、長く使われる仕組みにつながります。

最初に手を付けるのは問い合わせの多い業務である

整備の対象を1業務に絞るなら、社内からの問い合わせが集中している業務を最初に選ぶことをすすめます。理由は2つあります。需要が実証済みであることと、効果を測りやすいことです。

問い合わせの多い業務を選ぶのは需要が実証済みだからである

問い合わせが多い業務は、その情報を必要としている人が現にいることの証明です。整備した文書とAIの回答には初めから使い手がいます。使われるかどうか分からない文書を先回りで整えるのと比べ、徒労に終わる危険が小さい選び方です。

効果の測定にも向いています。問い合わせの件数と内容という導入前の記録が既にあるため、整備後にどれだけ減ったか、答える側の時間がどれだけ浮いたかを比べられます。前章の3指標に加えて、この増減は関係者に伝わりやすい成果になります。さらに、過去の問い合わせと回答のやり取りは、よく聞かれる論点とその答えが対になった蓄積でもあり、文書化の出発点にそのまま使えます。

全社データ基盤の整備から始めない理由は3つある

AI Readyを目指す取り組みは、全社のデータ戦略を立て、データ基盤を構築するところから始めるのが定番の進め方です。中長期の方向としては誤りではありませんが、生成AIに社内ナレッジを参照させて業務の問いに答えさせるという目的に対しては、遠回りになりがちです。

理由は3つあります。第1に、基盤整備は対象が全社に及ぶため、成果が見えるまでの期間が長く、その間に現場の期待が冷めてしまいます。第2に、生成AIの回答品質を決めるのは基盤の性能ではなく、参照される個々の文書の状態です。基盤が立派でも、載っている文書が古く、判断基準が書かれていなければ、答えは外れます。第3に、1つの業務で棚卸しから測定までを回した経験は、対象を広げるときの計画の根拠になりますが、基盤を先に作っても文書整備の経験は貯まりません。

狭い範囲で4条件の整備を回し、測定で効果を確かめてから広げます。IPAの調査でも、導入は広がる一方で効果の実感は限定的でした。範囲は小さくとも成果の出た単位を積み上げるほうが、この落差を避ける進み方になります。

よくある質問

AI ReadyとDXはどう違うのか

DXは、デジタル技術で業務やビジネスモデルを変革する取り組みの全体を指します。AI Readyはその中の到達状態の1つで、AIを導入したときに直ちに活用して成果につなげられる状態を指します。文書が電子化されていてもAI Readyとは限りません。分かれ目は、構造化・鮮度・出典・判断基準の明文化の4条件を満たし、AIが参照して外さない状態になっているかどうかです。

RAGの精度はAIモデルを乗り換えれば上がるのか

参照するデータが同じままなら、大きくは変わりません。RAGの答えは検索で見つかった文書を根拠に組み立てられるため、モデルの性能が上がっても、古い文書は古い答えの根拠になり、書かれていない判断基準は答えに現れないままです。精度に不満があるときは、参照データの散在・古さ・出典不明・判断基準の欠落を先に点検し、それでも残る問題に対してモデルや検索方式の見直しを検討する順序が実務的です。

AI Readyになったかどうかは何で確認できるのか

文書を何件整備したかという投入量ではなく、回答の状態で確認します。目安になるのは、AIの回答に判断基準・参照資料・前提条件が含まれる割合（根拠提示率）、整備した文書が実際に参照された割合（参照率）、変更から文書更新までの日数（更新遅延日数）の3つです。あわせて、判断を問う質問を実際に投げてみて、一般論ではなく自社の条件に基づいた材料が返るかを見ると、判断基準の明文化がどこまで進んだかを確かめられます。

AI Readyは導入の準備ではなくAIが参照して外さない状態である

生成AIの活用でつまずく原因は、モデルの選び方より前に、参照させる社内文書の側にあります。

• AI Readyは2019年の政府決定文書と経団連提言に由来する公的な概念で、必要なときに直ちにAIを導入し便益を得られる状態を指す
• 生成AIの回答が外れる主因はモデルではなく参照データ。散在・古い・出典不明・判断基準の欠落が典型
• AIが参照して外さないナレッジの条件は、構造化・鮮度・出典・判断基準の明文化の4つ
• 整備は、業務の棚卸し→文書の仕分け→書き直しとメタ情報付与→測定と更新運用の4ステップ
• 最初の対象は全社データ基盤ではなく、問い合わせの多い業務。需要が実証済みで、効果も測りやすい

4条件のうち構造化・鮮度・出典は、既にある文書の手入れで近づけます。判断基準の明文化だけは、書かれていないものを聞き取りで引き出して新たに書き起こす、性質の違う仕事です。手順への質問には正確に答えるのに、判断を問うと一般論しか返らない。生成AIの活用でいちばん気づきにくいこの差を埋められるのも、判断基準の明文化だけです。次に自社のナレッジ整備を検討するときは、問い合わせの多い業務を1つ選び、その業務の文書が4条件をどこまで満たしているかを確かめるところから始めてみてください。

関連記事

• 生成AI時代のナレッジマネジメント　RAGを使う前に整える手順
• AIエージェント時代のナレッジマネジメント　実行するAIに渡す情報
• AI導入が進まない理由　部署間の継ぎ目と暗黙知
• 生成AIガイドライン（社内ルール）の作り方　盛り込む8項目とサンプル構成
• ナレッジ共有とは　進まない3つの理由と進める順序

この記事の要点

• IPAの2026年調査では、AI導入は大企業を中心に拡大した一方、「期待どおりや期待以上の効果の割合は限定的」とされた。課題は導入の有無から効果へ移っている
• リテラシー不足・費用対効果・セキュリティといった定番の原因論は実在するが、原因を個人と資源に置くため、研修や予算では解けない停滞を説明できない
• Microsoftの2026年調査では、リーダー層のAI方針が「明確かつ一貫」とした回答は26%。効果を左右するのは個人要因より組織要因という結果もある（ベンダー調査）
• 導入が止まる場所は、承認と責任分界・部署間の基準の違い・文書化されていない判断基準という、組織の継ぎ目にある
• 続けるための設計は3つ。本番運用の条件を外さずに小さく始める、判断基準を5項目つきで残す、確認の負荷を絞って社内ルールを整える
• 判断基準は複数の担当者の間で統合・平均せず、誰の判断かの帰属を保った条件付きルールとして残すのが原則

運営者プロフィール

加藤晃寿郎（株式会社taiziii 代表取締役）。慶應義塾大学経済学部出身のエンジニア。在学中のスタートアップ設立、フリーランスを経てシステム開発会社を創業。企業のAI導入支援と、判断継承AIプラットフォーム「SkillRelay」の開発に従事。

1位

Amazonベストセラー獲得

著書『AI時代の経営デザイン』

データベースカテゴリ、2025年10月時点

Microsoftが2026年に公開した働き方の調査では、勤務先のリーダー層のAI方針が「明確かつ一貫して整合している」と答えた回答者は26%でした。同じ調査は、AI活用の効果と強く相関するのは個人の要因より組織の要因だという分析も示しています（67%対32%）。効果と結びついているのは組織の側だという結果が出ているのに、その組織の方針が届いていると感じている人は4人に1人にとどまります。10か国2万人を対象にしたベンダー調査である点は差し引く必要がありますが、方針を出すことと現場に届けることが別の仕事だということは読み取れます。

全社で生成AIを契約し、アカウントを配り、リテラシー研修を組む。AI導入を任された担当者にとって自然な進め方で、どれも必要な工程です。それでも使っているのは一部の部署だけで、業務の進め方が変わった実感がない。IPAが2026年に公表した調査（回答企業1,799社）でも、導入は大企業を中心に拡大した一方で「期待どおりや期待以上の効果の割合は限定的」とされています。

出典　Microsoft WorkLab（2026）https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization

出典　情報処理推進機構（IPA）「プレス発表　国内企業のDX動向・AI活用動向のポイントを公表」2026年7月16日　https://www.ipa.go.jp/pressrelease/2026/press20260716.html

この状態を放っておくと、契約とアカウントは維持されたまま、利用が一部の個人に固定します。費用だけが毎月出ていき、社内には「うちの業務にAIは合わない」という評価が残ります。次に別の提案を持ち込むときの説得も難しくなります。

止まっているのは技術でもリテラシーでもありません。業務が人から人へ、部署から部署へ、そして人からAIへ渡る箇所です。この記事では、定番の原因論では説明できない止まり方をまず整理します。そのうえで、承認と責任分界・部署間の基準の違い・文書になっていない判断基準という3つの継ぎ目と、導入を続けるための設計を扱います。

「進まない」という感覚の正体は未導入ではなく効果の頭打ちである

「AI導入が進まない」という言葉には、二つの状態が混ざっています。ツールをまだ導入していない状態と、導入したのに使われず効果につながっていない状態です。公的調査が示すのは、導入自体は広がりつつあるという現在地です。だとすれば、分解すべきは後者、導入したのに進まないという状態のほうです。

導入は拡大したのに期待どおりの効果は限定的である

独立行政法人情報処理推進機構（IPA）は2026年7月16日、回答企業1,799社の調査（2026年4〜6月実施）の結果をプレス発表しました。AI導入は大企業を中心に拡大し、導入企業には効果の実感がある一方で、「期待どおりや期待以上の効果の割合は限定的」とされています。活用の中心は業務の効率化・迅速化です。

出典　情報処理推進機構（IPA）「プレス発表　国内企業のDX動向・AI活用動向のポイントを公表」2026年7月16日　https://www.ipa.go.jp/pressrelease/2026/press20260716.html

なお、調査の詳細をまとめた報告書「DX動向2026」は2026年7月30日に公開されています（最終更新2026年8月4日）。DX取組と成果の状況、AI・データ利活用の状況、DX・AIに関する人材の3部構成で、個別の数値はこの報告書で確認できます。

この発表が示すのは、導入していないから進まない、という単純な図式ではありません。導入は済んでいるのに、期待した効果に届かない。「進まない」という感覚の正体は、未導入ではなく効果の頭打ちにあります。活用が効率化・迅速化に集中しているという所見からは、定型作業の支援では成果が出ても、判断が絡む業務へは広がっていない可能性が読み取れます。

方針が現場に届かないのは業務の言葉へ翻訳する工程が抜けているからである

Microsoftが2026年に公開した働き方の調査レポート「Work Trend Index」（10か国・2万人への調査）には、経営と現場のずれを示すデータがあります。リーダー層のAI方針が「明確かつ一貫して整合している」と答えた回答者は26%にとどまりました。同じ調査は、AI活用の効果と強く相関するのは個人の要因より組織の要因だという分析も示しています。比率にして67%対32%と、2倍を超える差です。ここで示されているのは、回答者が自己申告した効果と各要因との相関の強さであり、組織要因が効果を生んだという因果関係が検証されたものではありません。AIを提供する企業自身の調査である点は差し引いて読む必要がありますが、方針の発表と現場への浸透は別の仕事だということを示すデータです。

出典　Microsoft WorkLab（2026）https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization

方針がないから進まないのだとすれば、話は簡単です。実際には「AI活用を推進する」という方針を掲げたうえで、現場の業務のどこで、誰の承認のもとで、何を参照して使うのかは決まっていません。方針を業務の言葉に翻訳する工程が抜けたまま、停滞が始まります。

定番の原因論が説明できないのは原因を個人と資源に置いているからである

導入が滞ったときに社内で挙がりやすい原因を、よく取られる打ち手とセットで並べてみます。

どの原因も実在しますし、打ち手が無意味なわけでもありません。ただ、この表の左列には共通点があります。原因を個人の能力か、資源の不足に置いている点です。

個人と資源に原因を置く説明では、次のような止まり方を説明できません。

• 研修を終えた部署なのに、稟議が数か月動かない
• 部署ごとに使い方がばらばらで、部署をまたぐ業務では誰も使えない
• AIの回答が一般論ばかりで、現場の担当者が数回試して頼るのをやめる

どれも、個人が学び直せば解ける問題ではなく、予算を積めば解ける問題でもありません。効果を左右するのは個人要因より組織要因だという前章の調査結果とも符合します。原因の置き場所を、個人から組織の構造へ移して見る必要があります。

止まる場所は技術ではなく組織の継ぎ目である

この記事で「継ぎ目」と呼ぶのは、業務が渡る箇所のことです。部署から部署へ、人から人へ、そして人からAIへ。仕事が渡るたびに、承認・基準・責任の受け渡しが発生します。AI導入が止まる理由は、現場の反対だけではありません。セキュリティ確認、責任分界、ログ、説明可能性、承認、更新管理、例外時に人へ戻す方法。この受け渡しの取り決めが未整理のまま残っていることが、導入を止めます。継ぎ目は大きく3つに分けられます。

導入を止めるのは反対ではなく確認に答える材料と担当がないことである

現場は試したい、情報システム部門は確認したい、法務も確認したい。誰も反対していないのに、稟議だけが動かない状態です。情報システム部門が確かめたいのは、データの保存場所、入力内容がAIの学習に使われるかどうか、操作ログを取れるかどうかです。法務が確かめたいのは、AIの出力を使った業務で誤りが起きたときに誰が責任を負うか、出力の根拠を説明できるか、つまり説明可能性です。どの確認も業務としては正当で、導入への反対ではありません。

なかでも責任分界は止まりやすい論点です。AIの出力を参考にした業務でミスが起きたとき、責任を負うのは出力を使った担当者か、導入を決めた部門か、利用ルールを整備しなかった管理部門か。取り決めがなければ、どの部門も「進めてよい」とは言えません。反対されて止まるのではなく、誰も止めていないのに進まない。承認の継ぎ目で起きているのはこの状態です。

導入後の更新管理も、承認の段階で問われます。AIサービスは機能やモデルの更新が続きます。導入時に確認した条件がいつまで有効で、変わったときに誰が再確認するのか。この問いに答えられないと、確認する側は承認の判断材料を持てません。導入の承認は一度の許可ではなく、条件が変わったときに誰が確かめ直すかまで含めた取り決めです。情報システム部門と法務が確かめたい項目に、持ち込む側があらかじめ答えを用意しておくと、確認部門とのやり取りは前へ進みやすくなります。

AIを挟むとどちらの基準を参照させるかを先に決める必要が生まれる

値引き対応の下書きをAIに作らせる場面を考えます。営業部門は受注の確度を優先し、経理部門は利益率と回収リスクを優先します。人どうしで仕事を回している間は、この食い違いはその場のやり取りで吸収されてきました。AIを挟むと、どちらの基準を参照させるかを先に決める必要が生まれます。決めないまま導入すると、部署単位では便利に使えても、部署をまたぐ業務ではAIの出力がどちらの基準ともずれ、結局それぞれの部署が従来のやり方に戻ります。

導入を全社に広げる段階では、部門間の調整、社内承認、既存システムとの接続、現場への定着が同時に絡みます。顧客情報や取引履歴は基幹システムの中にあり、AIに参照させるには接続と権限の整理が要ります。接続できても、現場の業務手順のどこで使うかが決まらなければ定着しません。担当役員の権限で一気に展開する海外事例をそのまま持ち込むと、この調整の工程が計画から抜け落ち、実行段階で予定どおりに進まなくなります。

部署間で基準が違うこと自体は、悪いことではありません。営業と経理では守るべきものが違う以上、基準が違うのは当然です。問題は、違いが暗黙のまま放置され、AIに渡す段階になってどちらを参照させるか誰も決められないことです。どの条件ならどちらの基準を使うかを書き出せれば、この継ぎ目は通せます。書き方は後半の設計の章で扱います。

AIの回答が一般論になるのは渡す判断基準が文書になっていないからである

AIが参照できるのは、文書やデータの形になっている情報だけです。規程・手順書・FAQのように、正解が決まっていて書き出せる知識（この記事では「管理する知識」と呼びます）は、整備すればAIに渡せます。一方、手順と手順の間には担当者の判断が挟まっています。請求金額が見積とずれたときに進めてよい範囲。検査数値は基準内なのに仕上がりに違和感があるとき、製造ラインを止めるかどうかの見きわめ。クレーム対応で補償をどこまで出すかの線引き。この判断基準は、言葉にされないまま個人の中にあります。哲学者マイケル・ポランニーが「暗黙知」と呼んだ領域で、この記事ではこれを「継承する判断」と呼び、管理する知識と区別します。

判断基準が文書になっていないままAIを導入すると、AIは参照先にある一般的な情報から回答を組み立てるため、出力が一般論になります。現場の担当者は数回試して「自分で判断したほうが早い」と結論づけ、利用をやめます。利用が減れば効果も出ず、「AIは使えない」という評価だけが社内に残ります。導入したのに進まない、という状態の中心にあるのは、技術の性能ではなくこの参照先の欠落です。活用が効率化・迅速化に集中しているというIPAの所見とも矛盾しません。文書になっている定型作業は渡せても、判断が絡む業務は渡す材料がないからです。

同じ業務でも、判断基準は担当者によって違います。複数のベテランの基準を平均して一本のルールにまとめると、誰の判断も再現できない基準ができあがります。集めた基準を残すときは、誰の・どの条件での判断かという帰属を保つのが原則です。

なお、判断基準を書き出そうとしても全部が言葉になるわけではありません。条件と例外が言葉になった範囲から順に残し、言葉にならない部分は例外として人に戻す前提で設計するほうが現実的です。書き出す作業がどこで止まりやすいかは、別記事「暗黙知の形式知化が失敗する理由」で整理しています。

設計し直す対象はツールではなく検証・判断基準・運用の3点である

ツールを選び直しても、研修を足しても、継ぎ目の取り決めは埋まりません。手を入れる先は、検証の進め方、判断基準の残し方、運用と社内ルールの3点です。

小さくするのは対象範囲であって本番の条件ではない

試験導入（PoC）で効果を確かめたのに、本格導入に進めない。この止まり方には構造的な理由があります。試験段階では、承認・責任分界・運用体制といった論点が「試験だから」と一時的に棚上げされます。棚上げされた論点は消えたわけではなく、本格導入の入口で一斉に戻ってきます。効果の検証をどれだけ重ねても、この組織側の論点は一つも片づきません。

小さく始めること自体は有効です。ただし、小さくするのは対象範囲であって、本番の条件ではありません。対象業務を選ぶ目安を挙げます。

• 誤りが起きても影響が小さく、やり直しがきく業務
• 判断基準を持っている担当者を特定できる業務
• 部署をまたがない業務。またぐ場合は、優先する基準を先に決められる業務
• 効果を測る指標を、削減時間だけでなく業務の言葉で決められる業務

指標については、削減時間の試算だけに寄せないことが要点です。ベテランへの都度確認が減ったか、回答に根拠が添えられているか、例外がきちんと人に戻っているか。業務の実感と結びつく指標を試験の設計に入れておくと、本格導入の合意を取りやすくなります。

あわせて、検証項目に組織側の項目を含めます。出力の精度だけでなく、誰が承認したか、例外のとき誰に戻したか、参照する文書の更新を誰が担ったか。試験の間にこの運用を回しておけば、本格導入で問われる論点に、試験段階の実績で答えられます。

判断基準は本文だけでなく5項目を添えて初めてAIに渡せる

継ぎ目を通すための中心の作業が、判断基準の文書化です。ただし基準の本文だけを書き出しても、参照する側は適用してよい範囲も戻し先も分かりません。次の5項目を添えます。

前章で見た部署間の違いも、この形式なら扱えます。営業の基準と経理の基準を統合して中間の基準を作るのではなく、それぞれの有効条件を明記して並べます。継続取引が見込める顧客には営業側の基準、支払遅延の履歴がある顧客には経理側の基準、のように条件で使い分けられれば、基準の違いは矛盾ではなく守備範囲の違いになります。誰の判断かの帰属を保ったまま、条件付きのルールとして残します。この原則は、複数の担当者から基準を集めるときほど効いてきます。

AIが参照して外さない状態を作るには、判断基準に加えて、どの文書を正本とするか、どこに置くか、誰が更新するかまでそろえる必要があります。文書と基準を組織として運用する考え方は、別記事「生成AI時代のナレッジマネジメント」で整理しています。

人の確認は影響の大きい業務に絞り社内ルールは使ってよい範囲から書く

判断基準の文書化も検証も、現場の時間を使います。導入を続けられるかどうかは、この負担の設計で決まります。まず決めるのは、AIの出力にどこまで人の確認を課すかです。全出力に厳格な確認を課すと、確認作業が新しい負担になり、利用そのものが減ります。影響が大きく取り返しのつきにくい業務に人の確認を集中させ、それ以外は事後に記録で追える状態にします。

人の確認をどこに置くかについては、国の指針にも参照点があります。総務省と経済産業省は2026年3月31日に「AI事業者ガイドライン（第1.2版）」を公表しました。その10の共通の指針の一つ「公平性」の項目には、「AIに単独で判断させるだけでなく、適切なタイミングで人間の判断を介在させる利用を検討」という記載があります。このガイドラインは法的義務ではなく、事業者の自主的な取組を支援する指針です。どのタイミングが「適切」かは書かれておらず、業務ごとに決めるのは各社です。前節の「例外時の戻し先」を決める作業は、この検討をそのまま具体化するものといえます。

出典　総務省・経済産業省「AI事業者ガイドライン（第1.2版）」概要（2026）https://www.soumu.go.jp/main_content/001064299.pdf

社内ルールの作り方にも要点があります。禁止事項の一覧から始めると、使ってよい範囲が分からないまま制限だけが積み上がります。先に「この業務のこの工程では使ってよい」という範囲を示し、そのうえで入力してはならない情報と確認の手順を定めます。範囲が明示されれば、現場は迷わず使えて、確認部門は逸脱だけを見ればよくなります。ルール自体にも更新日と責任者を添えます。AIサービスの仕様や機能は更新が続くため、ルールも一度作って終わりにせず、見直しの担当と周期を決めておきます。盛り込む項目とサンプル構成は、別記事「生成AIの社内ルール・ガイドラインの作り方」で扱っています。

よくある質問

AI導入の「失敗」とはどの状態を指すのか

契約の解約だけが失敗ではありません。契約とアカウントは維持されているのに、利用が一部の個人に固定し、業務の進め方が変わっていない。費用だけが出ていくこの状態は、解約されていないだけで失敗に近いものです。IPAの2026年調査が示した「期待どおりや期待以上の効果の割合は限定的」という所見も、課題が導入の有無ではなく効果の水準にあることを示しています。導入の成否は、ツールが稼働しているかではなく、業務のどの作業とどの判断の扱いが変わったかで測るのが実務的です。

リテラシー研修をしても利用が広がらないときに何を見るべきか

研修の追加を検討する前に、視点を個人から組織側の整備へ移し、3点を確かめてみてください。第一に、使ってよい業務と入力してよい情報の範囲が明文化されているか。範囲が曖昧なままでは、入力してよいかの判断がつかず、利用を控える人が出ます。第二に、業務のどの工程で使うかが部署ごとに決まっているか。個人の工夫任せでは、利用はもともと関心の高い層にとどまります。第三に、AIが参照する文書に判断基準が入っているか。参照先が整っていなければ出力は一般論になり、試した人から離れていきます。研修が効きはじめるのは、この3点が整ったあとです。

AIで暗黙知を書き出せば導入は進むのか

書き出す取り組みは前進ですが、書き出しただけで導入が進むわけではありません。暗黙知には言語化しきれない部分が残りますし、書き出した判断基準も、有効条件と例外時の戻し先が添えられていなければ、AIが参照しても業務では使えません。また、複数の担当者から基準を集めたとき、統合して一本にまとめると誰の判断も再現できなくなるため、帰属を保ったまま条件付きで残す必要があります。AIで暗黙知をどこまで書き出せるかは、別記事「暗黙知をAIで形式知化できる範囲」で扱っています。

PoCで効果が出たのに本格導入で止まるのはなぜか

試験導入の環境では、承認・責任分界・ログ・運用体制といった組織側の論点が一時的に免除されているからです。免除は試験の条件であって解決ではないため、本格導入の入口で論点はそのまま戻ってきます。対策は、試験の設計段階から本番の条件を組み込むことです。誰が承認するか、例外のとき誰に戻すか、参照文書の更新を誰が担うかを試験中に運用し、実績として示せれば、本格導入の判断材料になります。

AI導入は組織の継ぎ目を設計し直す仕事である

公的調査が示す現在地は、導入の遅れではなく、導入と効果のずれでした。定番の原因論は個人の能力と資源の不足に原因を置きますが、研修と予算で解けない停滞は、承認と責任分界、部署間の基準の違い、文書になっていない判断基準という組織の継ぎ目で起きています。

続けるための設計は3つです。本番運用の条件を外さずに小さく始める。判断基準を、出典・誰の判断か・有効条件・例外時の戻し先・更新日と確認者を添えて、統合せず帰属を保って残す。人の確認は影響の大きい業務に絞り、使ってよい範囲を先に示すルールを整える。どれもツールの選定より地味な作業ですが、継ぎ目の取り決めが整えば、AIは判断基準を参照しながら業務に組み込めるようになります。そしてこの整備は、AIのためだけのものではありません。承認の所在が明確になり、判断基準が残る組織は、引き継ぎや属人化への備えとしても強くなります。

関連記事

• AI Readyとは　生成AIが参照できる社内ナレッジの整え方
• 生成AIガイドライン（社内ルール）の作り方　盛り込む8項目とサンプル構成
• 生成AIで人は育たなくなるのか　脱スキルの研究と防ぐ設計
• 生成AI時代のナレッジマネジメント　RAGを使う前に整える手順
• 暗黙知の形式知化が失敗する理由　書ける知識を見極める手順

この記事の要点

• AIを取り上げた後の学習成果まで、AIが原因だったと言える形で測った研究は現時点で数少ない。代表的なのが、参加者をくじ引きで分けて比べたBastaniらの試験（PNAS 2025）
• その試験では、答えを渡すAIで練習した群はAIを外した試験で一度も使わなかった群より17%低かった。ヒントを出す設計に変えると悪影響はほぼ消えた
• 批判的思考を調べた研究（Microsoft Research×CMU・Gerlich）は本人の自己評価を尋ねた調査で関係を示したところまでで、「AIで考えなくなる」とは断定できない
• 思考は消えるのではなく「収集・生成」から「検証・統合」へ性質が移る。検証には照合できる知識と経験が要る
• 若手が育ちにくくなる主因は能力の低下ではなく、下調べや下書きという経験の入口をAIが先に済ませてしまう構造
• 防ぐ鍵は利用の禁止ではなく設計。AI側は答えの前に問いと根拠、育成側は検証を仕事にする5つの型

運営者プロフィール

加藤晃寿郎（株式会社taiziii 代表取締役）。慶應義塾大学経済学部出身のエンジニア。在学中のスタートアップ設立、フリーランスを経てシステム開発会社を創業。企業のAI導入支援と、判断継承AIプラットフォーム「SkillRelay」の開発に従事。

1位

Amazonベストセラー獲得

著書『AI時代の経営デザイン』

データベースカテゴリ、2025年10月時点

「生成AIを使うと人は育たなくなる」。この言い方は、実証研究が示した結果とずれています。AIが原因だったと言えるところまで学習への影響を確かめた研究が示したのは、答えをそのまま渡す設計のAIで練習した人にだけ、成果が本人に残らなかったという結果でした。当たり前のようでいて、AIと人材育成を考えるときにいちばん抜けやすい前提です。

下調べも、議事録も、たたき台も、生成AIが数分で返します。任せられるものを任せて速度を上げるのは、効率化としては正しい判断です。

Bastaniら（PNAS 2025）は、参加者をくじ引きで分けて比べる試験（ランダム化比較試験、RCT）を行いました。答えを返すチャット型で練習した高校生の成績は、練習中は一度もAIを使わなかった群より48%高くなりました。ところがAIを取り上げた最終試験では、一度もAIを使わなかった群より17%低い結果でした。同じことが職場で起きるとすれば、順番はこうなります。若手が下調べや下書きを経験しないまま、AI出力を検証する役割だけを任される。照合できる知識がないので、誤りに気づけない。そしてAIが答えられない例外だけが、人の側に戻ってきます。

問われているのは、AIを使わせるかどうかではありません。どう設計されたAIを、どう使わせるかです。同じ研究で、答えを渡さず段階的なヒントを返す設計に変えた群は、練習中の伸びが127%と最も大きく、AIを外した試験での悪影響もほぼ確認されませんでした。この記事では、脱スキル化（deskilling）をめぐる実証研究を、AIが原因だと言えるもの、関係があると分かるだけのもの、変化を記録しただけのものに分けて読み直します。そのうえで、若手が育ちにくくなる構造、答えを渡すAIと問いを渡すAIの設計差、教育・育成に組み込む5つの型までを扱います。

出典　Bastani et al.・PNAS・2025年・https://www.pnas.org/doi/10.1073/pnas.2422633122

生成AIで技能や思考力が衰えるかは印象論から検証の段階へ移った

2025年には、学習への影響を参加者をくじ引きで分けて調べた試験が米国科学アカデミー紀要（PNAS）に、知識労働者の批判的思考をアンケートで調べた研究が国際会議CHIに、医療現場で導入前後の変化を記録した研究がThe Lancet系列誌に掲載されました。教育の現場と職場の双方で、同じ問いが本格的に検証され始めたことになります。

脱スキル化とは、自動化やAIに仕事を任せることで、人が担っていた技能が使われなくなり、維持されにくくなる現象です。生成AIとともに生まれた概念ではなく、自動化研究の分野では40年以上前から指摘されてきた構造です。

研究の種類も、結果の読み方を左右します。参加者をくじ引きで分け、AIを使う側と使わない側を同じ条件で比べた試験なら、生まれた差はAIの影響と考えてよい、というところまで言えます。一方、利用状況と自己評価をアンケートで尋ねた調査から言えるのは、両者が同時に見られるという関係までです。導入前後の変化を記録しただけの調査（観察研究）が言えるのは、「変化があった」ことまでです。この区別を飛ばすと、関係が見えただけの結果を「AIが原因で考えなくなった」と読み違えます。

原因まで言えるのはくじ引きで分けた試験だけでアンケート調査は傾向にとどまる

2025年前後に発表された主要な研究は、方法の違いで読み分けられます。

答えを渡すAIとヒントを返すAIでは結果が逆転する

AIが原因だったと言えるくじ引き型の試験は、この一覧ではBastaniらの研究だけです。Bastaniらは、トルコの高校生約1,000名を対象に、数学の練習時間にGPT-4を使える群と使えない群をくじ引きで分けて比較しました。

結果は二段構えです。AIを使えた練習中の成績は、標準のチャット型（GPT Base）で48%、答えを渡さず段階的なヒントを返すガードレール付きの家庭教師型（GPT Tutor）で127%、未使用群より高くなりました。ところが、AIを取り上げた最終試験では結果が逆転します。チャット型で練習した群の成績は、一度もAIを使わなかった群より17%低かったのです。練習では伸びたように見えて、本人にスキルが残っていなかったことになります。

この悪影響は、AIの設計を変えるだけで消えました。答えをそのまま渡さない家庭教師型の群では、練習中の伸びが最も大きかったうえに、最終試験での悪影響はほぼ確認されませんでした。「AIを使うと学力が下がる」のではなく、「答えを渡す設計のAIで練習すると、成果が本人に残らない」。使い方で結果が逆転するというのが、この試験の読み方です。

出典　Bastani et al.・PNAS・2025年・https://www.pnas.org/doi/10.1073/pnas.2422633122

ただし適用範囲には限界があります。対象は高校数学で、期間も短期です。企業の実務にそのまま当てはめるのは類推で、同じ構造が職場でも起こりうるという仮説にとどまります。

批判的思考のアンケート調査が言えるのは傾向までで原因までは示せていない

職場を対象にした研究では、Microsoft Researchとカーネギーメロン大学が知識労働者319名に尋ねたアンケート調査（CHI 2025）が知られています。生成AIへの信頼が高い人ほど批判的に考える取り組みの自己申告が減り、自分のスキルへの自信が高い人ほど増える、という逆向きの関係が報告されました。あわせて、思考は消えるのではなく、情報の「収集」や文章の「生成」から、AI出力の「検証」「統合」やタスクの管理へと性質が移っていることも示されています。

出典　Lee et al.・ACM CHI 2025・https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/

Gerlichの研究（Societies 2025・666名）も、AIをよく使う人ほど批判的思考の評価が低いという関係を見いだし、その間には考える作業をAIに預ける習慣（認知オフロード）が挟まっていると分析しています。

出典　Gerlich・Societies・2025年・https://www.mdpi.com/2075-4698/15/1/6

この2つから言えるのは、AI利用の深さと批判的思考の自己評価の間に一貫した傾向がある、というところまでです。どちらも本人がそう感じたかを尋ねた調査なので、2つが同時に見られることは示せても、AIの利用が原因で思考力が下がったとまでは言えません。もともと確認を省きがちな人がAIを多用しているだけ、という逆向きの説明も排除できないからです。なおGerlichの論文には2025年9月に訂正（Correction）が出ており、傾向を示す補助的な材料と見ておくのが妥当です。

AIなしのときの成績が落ちる現象には40年前の自動化研究に前例がある

実際の業務の成績変化を記録した例としては、The Lancet Gastroenterology & Hepatologyに2025年に掲載されたBudzyńらの研究があります。ポーランドの4施設で大腸内視鏡のAI支援を導入した後、AIを使わない通常検査の腺腫検出率が、導入前の28.4%から導入後は22.4%へ6.0ポイント下がっていました。検査を担ったのは経験のある内視鏡医19名で、分析対象となったAIを使わない検査は1,443件です。導入前後の変化を記録した研究であり、著者ら自身がAIが原因とは断定できないと明記していますが、AIとともに働くことが「AIなしのときの成績」に影響しうることを、実務のアウトカムで示した点で注目されました。

出典　Budzyń et al.「Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study」The Lancet Gastroenterology & Hepatology, 10(10), 2025, pp.896-903　https://doi.org/10.1016/S2468-1253(25)00133-5 （解析データはACCEPT試験に由来。実施国はポーランド・4施設）

この種の現象は、生成AIで初めて見つかったものではありません。Bainbridgeは1983年の論文「Ironies of Automation」で、自動化には皮肉な構造があると指摘しました。自動化は定型の仕事を機械に移す一方で、最も難しい監視と例外対応を人間に残す。ところが日常業務で技能を使う機会が減るため、いざ例外が起きたときに必要な技能のほうが維持されにくくなる、という構造です。

出典　Bainbridge「Ironies of Automation」Automatica・1983年

ParasuramanとManzeyは2010年のレビューで、自動化への過信や出力をそのまま受け入れてしまう自動化バイアスは熟練者でも起こり、単純な訓練だけでは防ぎにくいと整理しています。

出典　Parasuraman & Manzey「Complacency and Bias in Human Use of Automation」Human Factors・2010年

生成AIをめぐる今の議論は、この40年来の知見の続きにあたります。新しいのは、対象が設備の運転や監視だけでなく、調べる・書く・考えるという知的な工程に広がった点です。

若手が育ちにくくなるのは経験の入口をAIが先に済ませるからである

研究の一覧を企業に引きつけると、人材育成の課題として最も気がかりなのは若手の育ち方です。ベテランの脱スキル化は「あった技能が衰える」問題ですが、若手の場合は「技能がまだ形成されていない段階で、形成の機会が減る」問題になります。同じ脱スキルという言葉でくくられがちでも、実務では分けて考える必要があります。

思考は「収集・生成」から「検証・統合」へ移る

AIを使う仕事では、人の役割は情報を集めて文章を作ることから、AIの出力を検証し統合することへ移ります。この移行自体は悪い変化ではありません。問題は、検証という仕事が収集や生成よりも多くの蓄積を前提にすることです。

AI出力の誤りに気づくには、照合できる知識と、その業務での経験が要ります。ベテランは自分で調べ、書き、失敗してきた蓄積があるからこそ、出力を見て「この条件が抜けている」と指摘できます。ところが若手は、その蓄積を作っている途中の段階でAIとともに働き始めます。収集や生成の仕事はAIが済ませてしまうため、蓄積を作る機会そのものが減ります。照合するものを持たないまま検証だけを任される、という順序の逆転が起こります。

従来の育成を思い返すと、下調べ、議事録、たたき台の作成といった入口の業務は、単なる雑務ではありませんでした。若手はそこで資料の在りかと業務の全体像を覚え、先輩の直しを受けて自分の抜けを知りました。生成AIは、まさにこの入口の業務から置き換えていきます。効率化としては正しい選択が、同時に育成の機会を減らしています。

経験の機会が細って人が育たなくなる構造には技能伝承という前例がある

製造業などの技能伝承では、効率を優先して若手を定型作業に集中させ、段取り替えや異常対応をベテランが抱え込む分担が続いてきました。その結果、ベテランの引退とともに例外への対応力が失われるという失敗が指摘されています。仕事を任せて経験させる機会と、そばで判断を見る機会が減ると、教材や研修だけでは技能は渡りません。この失敗の型は、別記事「技術継承・技能伝承が失敗する理由」で整理しています。

生成AIが入った職場は、この失敗と同じ形になりえます。AIが日常の答えを返してくれる間は業務が回り、成果も出ます。Bastaniらの試験で言えば、練習中の成績が未使用群より48%高かった状態です。しかしBainbridgeが指摘したとおり、自動化が人に残すのは最も難しい例外対応です。AIが答えられない場面、AIの答えを疑うべき場面は必ず残り、そこでは人の経験と判断力が問われます。日常の業務で経験を積む機会が減ったまま例外だけが人に戻ってくるなら、例外に応えられる人をどう育てるかは、従来の技能伝承よりも切実な課題になります。

答えを渡すAIと問いを渡すAI。設計の差が結果を分ける

ここまでの整理から、「だからAIの利用を控えるべきだ」という結論は出てきません。Bastaniらの試験が示した分岐は、AIを使うかどうかではなく、どう設計されたAIを使うかで結果が変わるというものでした。

効率と学習は二者択一ではなく設計次第で両立する

答えをそのまま返すチャット型で練習した群は、練習中は未使用群より48%高く、AIなしの試験では未使用群より17%低い結果でした。答えを渡さず段階的なヒントを返す家庭教師型の群は、練習中に127%伸びたうえで、試験での悪影響はほぼ確認されませんでした。効率と学習は二者択一ではなく、設計次第で両立していたことになります。2つの設計の違いは、人の側にどの工程を残すかにあります。

出典　Bastani et al.・PNAS・2025年（前掲）。高校数学での結果であり、業務への適用は類推。

問いを渡す設計を業務に置き換えると原則は3つになる

人の側にどの工程を残すかという観点で見ると、業務用のAIに求めることは次の3点にまとまります。

• 答えの前に問いを置く　依頼に対して即座に完成物を返すのではなく、前提や条件の確認を挟む。利用者が自分の判断材料を言語化する機会が残る
• 根拠を必ず表示する　どの資料・どの判断基準に基づく出力かを示す。根拠が見えれば、出力をそのまま受け入れる利用が減り、検証という仕事が成り立つ。出力の鵜呑みが熟練者でも起こることは前述のとおりで、根拠表示はその対策でもある
• 例外時は止めて人に戻す　条件から外れる案件はAIが答えを埋めず、人の判断に戻す。例外対応の経験が人の側に蓄積される

3点目は行政の指針とも方向が一致します。総務省と経済産業省の「AI事業者ガイドライン（第1.2版）」は、公平性の指針の中で、AIに単独で判断させるだけでなく、適切なタイミングで人間の判断を介在させる利用の検討を求めています。

出典　総務省・経済産業省「AI事業者ガイドライン（第1.2版）」概要・2026年・https://www.soumu.go.jp/main_content/001064299.pdf

この3原則は、見方を変えると、ベテランの暗黙知を引き出す使い方と同じ形をしています。答えを与えるのではなく問いを立て、根拠をたどれる形で残し、例外は例外として分けて扱います。AIに答えを出させる相手としてではなく、人の判断を引き出し、検証できる形に残す相手として使う発想です。この使い方でどこまで残せるかは、別記事「暗黙知をAIで形式知化できる範囲」で扱っています。

AI側の設計を選べなくても育てる側の運用で考える工程は残せる

市販の生成AIをそのまま使う職場では、出力の返し方を変えることはできません。それでも、どの業務でどう使わせるかは決められます。実務に組み込みやすい型を5つに整理します。

出発点として扱うには照合先と確認の観点が要る

Microsoftの2026年版Work Trend Index（10か国2万人・ベンダー調査）では、回答者の86%がAIの出力を「最終回答ではなく出発点」として扱うとされています。

出典　Microsoft WorkLab・2026年・https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization

方向としては妥当です。ただ、出発点として扱うには続きの工程が要ります。何と照合し、どこを確かめれば検証したことになるのか。照合先と確認の観点が決まっていなければ、出発点と呼びながら実際にはそのまま使う運用に流れがちです。検証の観点を決め、確認の結果まで成果物に含めて初めて、検証は名目でなく仕事になります。

検証の照合先になるのが判断基準です。この案件はなぜこの結論なのか、どの条件なら例外なのか。ベテランの頭の中にある基準を、帰属と条件を保ったまま文書にして渡せば、若手は自分の経験が育つ前でも、基準と突き合わせる形で検証を始められます。基準は白紙に書かせても出てきません。実際にあった事例を1つ選び、どんな条件で・何を見て・何と比べて・例外は・やめる基準は、の順に聞き出すと条件と例外が言葉になります。問いの立て方と基準の残し方は、別記事「判断基準の作り方と5つの問い」で整理しています。

型2のケース演習は、Bastaniらの試験でヒント型が効いた仕組みを業務に置き換えたものです。育成したい業務を絞り、AIに聞く前に自分の答えを作ります。そのうえでAIの出力と突き合わせ、差分がなぜ生まれたかを言葉にします。すべての業務で行う必要はなく、判断力を育てたい業務に限って考える工程を確保する、という使い分けが現実的です。

リテラシー教育で比重を置くべきは操作ではなく限界と検証である

前述のAI事業者ガイドライン（第1.2版）は、共通の指針の1つに「教育・リテラシー」を挙げ、AIを利用する側に十分なレベルのAIリテラシーを確保する措置を求めています。法的義務ではなく自主的な取組を支援する指針ですが、社内教育を企画する際の根拠として参照しやすい文書です。

出典　総務省・経済産業省「AI事業者ガイドライン（第1.2版）」概要・2026年（前掲）

リテラシー教育は操作研修に寄りがちですが、脱スキル化を防ぐ観点で比重を置くべきは、限界と検証の側です。生成AIがどのような誤り方をするか、根拠をどう確かめるか、どの業務では使ってよく、どの判断は人に残すか。ここまで教えて初めて、AI出力を出発点として扱う訓練と接続します。そしてこの教育は単発の研修では完結せず、判断基準の整備や文書の正本管理といった組織側のナレッジ運用と一体で設計する必要があります。その全体像は、別記事「生成AI時代のナレッジマネジメント」で扱っています。

よくある質問

新人や若手には生成AIを使わせないほうがよいのか

禁止は有力な選択肢とは言いにくいです。Bastaniらの試験では、ヒント型のAIで練習した群は成績が最も伸び、AIを外した試験でも悪影響はほぼ確認されませんでした。問題は利用そのものではなく、答えを丸ごと受け取る使い方にあります。禁止すれば効率と学習支援の両方を失ううえ、業務では結局AIを使う場面が残ります。使う業務と使い方の条件を決め、検証の観点とケース演習をセットにするほうが現実的です。

生成AIで批判的思考は本当に低下するのか

批判的思考について、AIが原因だと言い切れるところまで示した研究は、まだありません。Microsoft ResearchとCMUの調査（319名）やGerlichの研究（666名）は、AIをよく使う人ほど批判的思考の自己評価が低いという傾向を示しましたが、いずれも本人がそう感じたかを尋ねた調査です。一貫して報告されているのは、思考の中身が収集・生成から検証・統合へ移っているという性質の変化までです。低下と断定はできませんが、検証を仕事として設計しなければ考える工程が細りやすい、と読むのが実務的です。

脱スキル化とは何か。生成AI特有の現象なのか

自動化やAIに仕事を任せることで、人が担っていた技能が使われなくなり、維持されにくくなる現象を指します。生成AI特有ではありません。Bainbridgeが1983年に、自動化は最も難しい例外対応を人に残す一方で、日常の技能を使う機会を減らすという構造を指摘しています。生成AIで新しいのは、対象が設備の運転や監視だけでなく、調べる・書く・考えるという知的な工程に広がった点です。

ベテラン社員なら影響を受けないのか

経験があっても影響は観察されています。前掲のBudzyńらの研究で腺腫検出率の低下が確認されたのは、経験のある内視鏡医19名でした（導入前後を記録した研究のため、AIが原因とは断定できません）。またParasuramanとManzeyのレビューは、自動化への過信や出力の鵜呑みは熟練者でも起こると整理しています。若手は技能を形成する機会、ベテランは技能を維持する機会というように、影響の出方が違うと捉えるのが実態に近いはずです。

AI時代の人材育成はまず何から手を付けるべきか

対象業務を絞ることから始まります。全業務に一律のルールを敷くより、判断力を育てたい業務を選び、その業務でケース演習と判断基準の整備を先に進めるほうが続けやすいはずです。並行して、AI出力の確認観点（根拠・前提・例外）を決めて検証を成果物に含め、リテラシー教育で限界と検証の仕方を教えます。5つの型を一度にそろえる必要はなく、型1・2・4から始める組み立てが現実的です。

脱スキルは生成AIの宿命ではなく設計の結果である

生成AIで人は育たなくなるのか。実証研究を、AIが原因と言えるものと関係が見えただけのものに分けて読み直すと、答えは「使い方の設計次第」に収束します。

• AIが原因と言えるくじ引き型の試験（Bastaniら）では、答えを渡すAIで練習した群はAIなしの試験で17%低く、ヒント型では悪影響がほぼ消えた
• 批判的思考との関係を調べた研究は本人の自己評価にとどまるが、思考が収集・生成から検証・統合へ移るという性質の変化は一貫して報告されている
• 若手が育ちにくくなるのは、検証の前提となる経験の入口をAIが先に済ませてしまう構造の問題で、技能伝承の失敗と同じ形をしている
• 対策の軸は2つ。AI側は答えの前に問い・根拠表示・例外で人に戻す設計、育成側は出発点として扱う訓練・ケース演習・フィードバック蓄積・判断基準整備・リテラシー教育の5つの型

Bainbridgeの指摘から40年あまり、自動化が例外対応という最も難しい仕事を人に残す構造は変わっていません。生成AIの活用が深まるほど、例外に向き合える人をどう育てるかが人材育成の中心課題になります。脱スキル化は生成AIの宿命ではなく、答えを渡す設計を選び続けた結果です。設計と育成の側で変えられる余地は、研究が示すとおり小さくありません。

関連記事

• AI導入が進まない理由　部署間の継ぎ目と暗黙知
• 生成AIガイドライン（社内ルール）の作り方　盛り込む8項目とサンプル構成
• 技術継承・技能伝承が失敗する理由　失敗の5つの構造
• 暗黙知はAIで形式知化できるのか　生成AIで暗黙知を扱うときの使い方

この記事の要点

• 社内ルールが必要な理由は、入力による情報漏えい・著作権・誤情報の3リスクと、ルール不在のまま個人利用が先行する状態への対処
• 盛り込む項目は8つ。目的・適用範囲、利用してよいサービスの指定、入力情報の線引き、出力の確認義務、著作権、報告と責任、教育、見直し
• 章立ては全社共通の「本則」と利用者向けの「手引き」の二層構成が実用的。東京都のガイドラインが実例
• 雛形はJDLA『生成AIの利用ガイドライン』が無料公開。組織が追加・修正して使う前提
• 雛形の次は、デジタル庁の調達・利活用ガイドラインや民間企業の公開事例が、運用の細部を詰めるときの参照先になる
• 国の「AI事業者ガイドライン（第1.2版）」は10の共通の指針を提示。法的義務ではなく、リスクに応じて自社の濃淡を決めてよい
• 形骸化を防ぐ鍵は、禁止リストの外側で誰が判断し例外を誰へ戻すかまで書くこと。更新と教育をセットで続ける

運営者プロフィール

加藤晃寿郎（株式会社taiziii 代表取締役）。慶應義塾大学経済学部出身のエンジニア。在学中のスタートアップ設立、フリーランスを経てシステム開発会社を創業。企業のAI導入支援と、判断継承AIプラットフォーム「SkillRelay」の開発に従事。

1位

Amazonベストセラー獲得

著書『AI時代の経営デザイン』

データベースカテゴリ、2025年10月時点

禁止事項を並べた社内ルールは作ったのに、なぜ生成AIを使ってよいかという問い合わせは減らないのでしょうか。

ルール作りで先に手が付くのは、入力してはいけない情報の一覧と、使ってよいサービスの指定です。無料公開されている雛形にも整った形で載っているので、写せば体裁は整います。何をどこまで書けばよいか分からないので、まず禁止事項から着手したという話は、情報システムや法務、総務の担当者からよく聞きます。

ところが現場で迷うのは、禁止とも許可とも書かれていない場面です。顧客名を伏せた要約なら入力してよいのか。生成した文章を手直しすれば、そのまま提案書に載せてよいのか。ルールに答えがないため、判断は担当者個人に委ねられます。相談先も決まっていなければ、申告のないまま個人契約のサービスで進める使い方も出てきます。会社側は、どの業務でどの情報が入力されているかを把握できません。

足りないのは禁止事項の数ではありません。禁止リストの外側で誰が判断し、その場で決めきれない例外を誰へ戻すか、という線引きのほうです。この記事では、なぜルールが必要なのかを3つのリスクから確認したうえで、社内規定に盛り込む8項目、章立てのサンプル構成、国の「AI事業者ガイドライン（第1.2版）」との対応関係、作った後に形骸化させない運用までを順に解説します。

なぜ生成AIの社内ルールが必要なのか

情報処理推進機構（IPA）が2026年7月に公表した調査（回答企業1,799社・2026年4〜6月調査）では、AI導入は大企業を中心に拡大している一方、期待どおりまたは期待以上の効果を実感する企業の割合は限定的で、活用は業務の効率化・迅速化が中心と報告されています。

出典　情報処理推進機構（IPA）「プレス発表　国内企業のDX動向・AI活用動向のポイントを公表」2026年7月16日　https://www.ipa.go.jp/pressrelease/2026/press20260716.html

導入が広がる段階で必ず問われるのが、使い方の線引きです。生成AI特有のリスクは大きく3つに整理でき、いずれも利用者個人の注意だけでは防ぎにくい構造を持っています。

情報漏えいのリスクは入力の時点では表面化しない

生成AIサービスに入力した文章は、社外のサーバーで処理されます。サービスや契約形態によっては入力内容がモデルの学習や品質改善に使われる場合があり、業務上の秘密情報や個人情報を入力すると、社内に留めるべき情報が社外で扱われる状態が生まれます。厄介なのは、入力の瞬間には何も起きないことです。問題が表面化するまで誰も気づかず、後から入力の履歴をたどることも難しくなります。事後の対処が利きにくいからこそ、入力前の線引きをルールとして決めておく必要があります。

著作権のリスクが表面化するのは社外に出す成果物である

生成AIの出力は、既存の文章や画像と似てしまう可能性を排除できません。社内の検討メモに使う分には問題になりにくくても、広告文や公開資料など社外に出す成果物にそのまま使うと、既存の著作物との類似を指摘される余地が残ります。また生成物の多くは参照元が示されないため、内容の正しさや権利関係を後から確かめる手がかりがありません。誰がどの場面で類似を確認するか、参照元をどう残すかは、利用者任せにせずルール側で決める論点です。

誤情報が流れ込むのは確認の観点と確認者が決まっていないからである

生成AIは、事実と異なる内容をもっともらしい文章で出力することがあります。数値や固有名、法令に関わる記述など、正確さが求められる箇所ほど、誤りが混ざったときの影響は大きくなります。問題は誤りが出ること自体ではなく、確認されないまま社内資料や顧客向け文書に流れ込むことです。確認の観点と確認者が決まっていなければ、出力は文章として整って見えるだけに、そのまま使う運用に流れがちです。

全面禁止で対応すると利用は申告されないまま続く

ルールの整備を待たずに、便利さに気づいた社員が個人契約のサービスで業務を進めることがあります。この状態では、どの業務でどの情報が入力されているかを会社側が把握できません。会社の管理が届かないところでAIが使われる状態は、シャドーAIと呼ばれることもあります。ここで全面禁止だけで対応すると、利用は申告されないまま続き、実態の把握はかえって難しくなります。必要なのは、使ってよい条件を示して利用を表に出すことです。

ルールや責任分担の未整理は、利用を広げる場面でも足かせになります。セキュリティの確認、責任の分担、記録の残し方、承認の手順が決まっていないために、試験導入から先へ進めないという停滞も起きます。

生成AIガイドラインに盛り込む8項目。それぞれ何を決めるのか

公開されている雛形や実例を見ると、社内規定として書くべき項目はおおむね共通しています。8項目に整理すると、それぞれで決めることは次のとおりです。

項目1　目的と適用範囲の書き方で後続の項目の厳しさが決まる

最初に、何のために生成AIの社内利用を認めるのかを書きます。業務の効率化が目的なのか、活用範囲を見極めるための試行なのかで、後続の項目の厳しさが変わるためです。適用範囲では、正社員だけでなく契約社員、派遣スタッフ、業務委託先まで含めるかを明示します。範囲を書き漏らすと、ルールの対象外とされた人が実務で生成AIを使っている状態が残ります。

項目2　許可サービスの一覧は契約形態まで書き分ける

利用を許可するサービスを名指しで一覧にし、それ以外は申請制にする方式が管理しやすい形です。実例として、SmartHR社が公開している「AIサービスの利用方針」は、公開情報を除き、入力内容が学習に使われないサービスのみ利用を認め、新しいサービスを使いたい場合は申請制としています。なお同社は現行の方針として別途「SmartHR AI活用ポリシー」を公開しており、この記事で参照しているのは技術ブログに掲載された利用方針の記事です。

出典　SmartHR Tech Blog「AIサービスの利用方針を定めました」・2023年4月14日公開、2025年11月18日最終更新・https://tech.smarthr.jp/entry/2023/04/14/161428

一覧には、無料版と有料版、個人アカウントと法人契約の区別も書きます。同じ名前のサービスでも、契約形態によってデータの扱いが違うことがあるためです。あわせて、申請を受けた側が何を確認するか（データの保存先、学習利用の有無、ログの取得、契約条件）も決めておくと、審査のたびに基準がぶれません。

項目3　入力の線引きは禁止類型の列挙だけでは足りない

入力を禁止する情報を類型で列挙します。個人情報、顧客から預かった秘密情報、未公開の財務情報、社外秘の技術情報が代表例です。前掲のSmartHR社の方針も、重要な秘密情報と特定個人情報（マイナンバー）の入力を禁じています。同方針では業務情報・秘密情報・個人情報は申請を経て利用可とされており、情報の区分ごとに可否が分かれます。

ただし、禁止類型の列挙だけでは判断に迷う場面が残ります。顧客名を伏せれば入力してよいのか、社内向けの資料なら全文を要約させてよいのか。こうした境界例の判定は、後述する利用者向けの手引きに「よい例・悪い例」の形で載せると迷いが減ります。線引きの粒度は許可サービスの契約形態によっても変わります。入力が学習に使われない法人契約と個人向けの無料サービスでは、同じ情報でもリスクが違うためです。

項目4　確認の重さは文書の影響度で変える

出力を確認せずに使わないという原則だけでは、実務は動きません。誰が、どの観点で確認するかまで書きます。観点の例は、事実・数値の正しさ、参照元の有無、既存の文章との類似、社内の表記ルールとの整合です。社外に出す文書は利用者本人に加えて上長や担当部署の確認を挟むなど、文書の影響度で確認の重さを変えます。

あわせて、確認した事実の残し方を決めます。どの資料に基づいて生成したか、誰がいつ確認したかが残っていれば、後から問題が見つかったときに原因をたどれます。AIで作成した社内文書は、確認を終えたどの版を正本とするかまで決めておくと、後から参照する人が古い版を使わずに済みます。

項目5　著作権は入力と出力の両面で条件を決める

入力側と出力側では、決めることが違います。入力側では、他社の文章・画像・コードをそのまま入力して加工させる使い方に条件を付けます。出力側では、生成物を使える範囲（社内限定か、社外公開まで認めるか）と、社外に出す場合の類似確認の手順を書きます。法律の解釈をルール本文で展開する必要はありません。実務で必要なのは、判断に迷ったときに法務など専門の窓口へ相談する経路が書かれていることです。

項目6　報告が遅れるほど打てる手は減る

誤って秘密情報を入力した、誤情報を含む資料が社外に出た。こうした事態を想定し、何が起きたら誰に報告するかを決めます。対応の遅れは選べる手を減らすため、報告した人を責めない運用方針もあわせて書いておくと、報告が上がりやすくなります。責任の所在は、成果物として使う判断とその結果には利用した本人と所属部署が責任を持つ、利用環境と体制の整備には管理部門が責任を持つ、のように役割で分けて書きます。

項目7　ルールは配布しただけでは行動に変わらない

教える内容は、禁止の理由、生成AIの誤りの型、出力を確認する手順の3つです。時期は導入時の全体研修に加えて、新入社員・異動者への説明、ルール改定時の周知を組み込みます。後述する国のAI事業者ガイドライン（第1.2版）も、共通の指針の1つに「教育・リテラシー」を挙げています。

項目8　担当が決まっていないルールは最初の改定で止まる

サービスの仕様や利用規約の変更は珍しくなく、新しいサービスの登場も続きます。定期見直しの周期（目安として半年から1年に一度）と、臨時見直しの条件（利用サービスの規約変更、問題の発生、新しい業務での利用開始）、改定を主管する部署を書きます。主管が空欄のまま運用に入ると、規約の変更に気づいた人がいても、改定を起案する先がありません。

サンプル構成。章立ては本則と手引きの二層で組む

8項目がそろっても、1つの文書にすべてを詰め込むと、承認に時間がかかるうえ利用者にも読まれにくくなります。参考になるのが、規程レベルの「本則」と実務レベルの「手引き」を分ける二層構成です。文書が2つに増えて管理の手間が倍になるように見えますが、承認手続きが要るのは本則だけで、頻繁に変わる部分は手引き側だけを直せば済みます。

章立て例。全社共通の本則と利用者向け手引きに分ける

東京都が2026年3月に公表した「東京都AI導入・活用ガイドライン」（デジタルサービス局）は、目的・位置付け、基本方針、留意事項と対応、標準的な検討プロセス、業務領域別のポイントという構成の本体に対し、職員個々の生成AI利用は別冊「生成AI利用の手引き」を参照する二層になっています。

出典　東京都デジタルサービス局「東京都AI導入・活用ガイドライン」・2026年・https://www.digitalservice.metro.tokyo.lg.jp/documents/d/digitalservice/ai_guideline/

なお東京都は2023年8月に、職員向けの「文章生成AI利活用ガイドライン」をいち早く策定しています。

出典　東京都報道発表・2023年・https://www.spt.metro.tokyo.lg.jp/tosei/hodohappyo/press/2023/08/23/14.html

この二層を企業の社内規定に置き換えると、前章の8項目は次のように割り付けられます。本則（全社共通・改定に承認が要る層）の章立て例です。

1. 目的
2. 適用範囲
3. 基本方針
4. 利用できるサービスと申請手続き
5. 入力してよい情報・入力してはならない情報
6. 出力の確認と出典の残し方
7. 著作権・知的財産の取り扱い
8. 問題発生時の報告と責任
9. 教育
10. 判断に迷う場合の相談先と例外の扱い
11. 見直し

手引き（利用者向け・機動的に更新する層）に書く内容の例です。

• 許可サービスの一覧と利用開始の手順
• 入力してよい情報の判定例。よい例と悪い例
• 業務別の使い方と確認の観点（文書作成、要約、調査、コード作成など）
• 判断に迷ったときの相談先と報告の連絡先

本則は安定させ、サービスの追加や判定例の追記は手引き側で回します。この役割分担にしておくと、改定のたびに規程の承認手続きを踏む必要がなくなり、見直しが現実に回りやすくなります。

公開の雛形・実例3つ。雛形にないのは自社固有の線引きである

ゼロから書き起こす前に、公開されている雛形と実例を確認しておくと構成の判断が速くなります。

出典　日本ディープラーニング協会「生成AIの利用ガイドライン」・2023年・https://www.jdla.org/document/ ／東京都デジタルサービス局・2026年（前掲）／SmartHR Tech Blog・2023年（前掲）

JDLAの雛形はそのまま使える完成品としてではなく、自社の業務・契約・許可サービスに合わせて追加・修正する骨格として公開されています。雛形に書かれていないのは、自社の許可サービスや情報分類に沿った線引きです。ルール作りで時間をかけるべきなのは、その書き足しのほうです。

指針の次に開く公開資料4つ。運用の細部と具体化の度合いを見る

AI事業者ガイドラインは何を満たすべきかを示す文書で、確認の手順や条文の粒度までは書かれていません。前章で挙げたJDLA・東京都・SmartHR社と役割が重ならない公開資料として、次の4つがあります。項目ごとの書き足しで手が止まったときに開く先です。

• デジタル庁「行政の進化と革新のための生成AIの調達・利活用に係るガイドライン」　政府が生成AIを調達・利活用するときのルールを定めた文書で、別紙に調達チェックシートと契約チェックシートが付いています。対象は政府情報システムですが、項目2で申請を受けた側が何を確認するかを決めるとき、審査項目の下敷きになります
• デジタル庁「テキスト生成AI利活用におけるリスクへの対策ガイドブック（α版）」　テキスト生成AIのリスクを、利用形態とユースケース、システム開発の工程ごとに分けて対策を並べた技術資料です。対象読者には、行政職員以外で自社サービスや業務改善のために導入を検討している人も挙げられています。自社の製品や業務システムに生成AIを組み込む場合の線引きを書くときに効きます。なお内容は前掲の調達・利活用ガイドラインへ統合される予定です
• 文化庁著作権課「AIと著作権に関するチェックリスト＆ガイダンス」　生成AIに関わる立場ごとに、著作権のリスクを下げるうえで望ましい取組をチェックリストの形で並べています。項目5で入力側と出力側の条件、社外に出す前の類似確認の手順を書くときの参照点です
• 株式会社メルカリ「メルカリグループAI活用基本ポリシー」「メルカリグループのAIガバナンス」　7つの原則を掲げた方針に加えて、ガバナンス体制図、ルール整備の状況、相談窓口とリスク評価の進め方まで公開されています。項目1・6・8で、目的と責任の所在、見直しの回し方をどこまで書くかを決めるとき、分量の目安になります

出典　デジタル庁「行政の進化と革新のための生成AIの調達・利活用に係るガイドライン」（デジタル社会推進標準ガイドラインDS-920）・2026年6月12日改定、初版2025年5月27日・https://www.digital.go.jp/assets/contents/node/information/field_ref_resources/decb64eb-f26e-41cb-8d37-f3dd173108b8/59054b35/20260612_resources_standard_guidelines_guideline_01.pdf ／デジタル庁「テキスト生成AI利活用におけるリスクへの対策ガイドブック（α版）」・2024年5月29日公開、2025年6月6日最終更新・https://www.digital.go.jp/resources/generalitve-ai-guidebook ／文化庁著作権課「AIと著作権に関するチェックリスト＆ガイダンス」・2024年7月31日・https://www.bunka.go.jp/seisaku/chosakuken/pdf/94097701_01.pdf ／株式会社メルカリ「メルカリグループAI活用基本ポリシー」「メルカリグループのAIガバナンス」・2026年4月1日公開・https://about.mercari.com/ai-policy/ ・https://about.mercari.com/ai-governance/ 。いずれも2026年8月6日取得

国と官公庁の資料は、どの組織にも当てはめられる抽象度で書かれています。民間企業の公開事例は、自社の事業に合わせて具体化された姿です。前者で項目の抜けを点検し、後者で書く分量の見当をつけると、白紙から起こすより判断が速くなります。

AI事業者ガイドライン（第1.2版）とどう対応させるか

社内ルールを作る際に参照すべき国の現行指針が「AI事業者ガイドライン（第1.2版）」です。総務省と経済産業省が2026年3月31日に公表し、AIに関わる主体を開発者・提供者・利用者の3つに整理しています。自社でAIを開発せず業務で生成AIを使う企業は、このうち「AI利用者」に当たります。ガイドラインは3主体に共通する「10の共通の指針」として、人間中心、安全性、公平性、プライバシー保護、セキュリティ確保、透明性、アカウンタビリティ、教育・リテラシー、公正競争確保、イノベーションを挙げています。

出典　総務省・経済産業省「AI事業者ガイドライン（第1.2版）」・2026年・概要 https://www.soumu.go.jp/main_content/001064299.pdf ／本編 https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/pdf/20260331_1.pdf

10の共通の指針と社内ルール項目は一対一では対応しない

10の指針は3主体に共通の理念として書かれているため、社内ルールの項目とは一対一では対応しません。それでも、自社ルールがどの指針を受け止めているかを整理しておくと、抜けの点検と社外への説明の両方に使えます。次の対応は8項目に引きつけた目安であり、厳密な適合を示すものではありません。詳細は本編と付属のチェックリストで確認してください。

10の指針のうち「アカウンタビリティ」には、AIガバナンスに関するポリシーの策定・公表と、関係する情報を文書化して一定期間保管し参照できる状態にしておくことが挙げられています。社内ルールを定めて公表し、利用と確認の記録を残すという運用は、この指針とそのまま重なります。

出典　総務省・経済産業省「AI事業者ガイドライン（第1.2版）」概要・2026年（前掲）

法的義務ではなく自主的な取組。リスクに応じて濃淡を決める

AI事業者ガイドラインは、法的義務として何かを課す文書ではなく、事業者の自主的な取組を支援する指針という位置づけです。同時に、リスクベースアプローチという考え方を採っており、すべての項目を一律の厳しさで書くことは求めていません。扱う情報の機密性や業務の影響度に応じて、自社ルールの濃淡を決めてよいということです。個人情報を扱う部門は入力の線引きを厳しく、公開情報しか扱わない業務は確認の手順を軽く、という設計は指針の考え方に沿っています。

版の更新も続いています。第1.0版が2024年4月19日、第1.1版が2025年3月28日、第1.2版が2026年3月31日と、ほぼ毎年のペースで改版されてきました。

出典　総務省「AI事業者ガイドライン（第1.1版）」・2025年・https://www.soumu.go.jp/main_content/001002576.pdf

参照する側の社内ルールも、指針の改版に合わせて見直す前提で作っておく必要があります。

形骸化させない運用。禁止リストの外側まで書けているか

ルールの整備でつまずきやすいのは、作る段階よりも作った後です。配布して研修を1回行い、その後は誰も開かないという状態を避けるには、更新の回し方、判断に迷う場面の線引き、教育の3つを運用で押さえます。

社内ルールは完成した規程ではなく更新し続ける文書である

AI事業者ガイドライン自体が、状況の変化に応じて更新を続ける文書として運用されており、実際に約1年ごとに版を重ねています。社内ルールの前提も同じ速度で動きます。許可サービスの規約変更、新しいサービスの登場、利用範囲の拡大と、前提は作った時点から変わり続けます。

更新を続けるために置くのが、8項目の最後の見直し条項と、本則・手引きの二層構成です。定期と臨時の見直し条件を本則に書き、日々の追記は手引き側で回します。改定履歴が積み重なっている状態は、不備ではなく正常です。

禁止リストの外側。判断に迷う場面の線引きを書く

禁止事項の一覧は書きやすく、多くのルールで最初に充実する部分です。しかし実務で問題になるのは一覧の外側です。顧客名を伏せた要約なら入力してよいのか。生成した文章を手直しすればそのまま提案書に載せてよいのか。禁止とも許可とも書かれていない場面で、判断は個人任せになります。

ルールに書くべきは、この場面で誰が判断するか、その場で決めきれないときに誰へ戻すかです。相談先を1つ決めて本則に明記し、判断した結果を記録して手引きの判定例に追加していきます。この繰り返しで、判断に迷う領域は運用とともに狭くなります。判断の記録には、誰の判断か、どの条件で有効か、例外のときの戻し先、更新日と確認者を残しておくと、後から参照する人が条件ごと引き継げます。

AI事業者ガイドラインの「公平性」の指針にも、AIに単独で判断させるだけでなく、適切なタイミングで人間の判断を介在させる利用を検討する、という記載があります。

出典　総務省・経済産業省「AI事業者ガイドライン（第1.2版）」概要・2026年（前掲）

どの場面で人の判断を挟むかを先に決めておくことは、指針との対応の面でも、判断の質を保つ面でも中心的な論点です。複数の手順を自動で進めるAIエージェントの利用が視野に入るほど、どこまで自動で進めてよいか、例外のときに誰へ戻すかという条件の設計は重くなります。

規程の配布と誓約書だけでは線引きの理由が伝わらない

配布と署名で手続きを終えると、守るべき形式は残っても、なぜその線を引いたのかは伝わりません。禁止の背景にあるリスク、生成AIの誤りの型、確認の具体的な手順を、境界例を使った演習で教えると、ルールの文言が実務の行動につながります。改定のたびに変更点を周知する仕組みも欠かせません。

AI事業者ガイドラインも共通の指針の1つ「教育・リテラシー」で、AIを利用する側に十分なレベルのAIリテラシーを確保する措置を求めています。

出典　総務省・経済産業省「AI事業者ガイドライン（第1.2版）」概要・2026年（前掲）

教育は単発の研修では完結せず、文書の正本管理や社内ナレッジの整備と一体で設計する必要があります。

よくある質問

生成AIの社内ルールはどの部署が作ればよいのか

社内ルールの作成は1部署では完結しにくく、情報システム、法務、実際に使う現場の3者の関与が要ります。サービスのデータの扱いを評価できるのは情報システム、契約や権利関係を判断できるのは法務、線引きが実務に合うかを検証できるのは現場だからです。ただし主管は1つに定めます。情報システム部門かDX推進の担当部署が主管し、法務と現場が確認者として入る体制が動かしやすい形です。現場を外すと、実務に合わない線引きが守られないルールを生みます。

公開されている雛形をそのまま使ってもよいのか

JDLAの『生成AIの利用ガイドライン』は、組織が追加・修正して使う前提で公開されている雛形です。骨格として使うこと自体は公開の趣旨に沿っています。ただし、許可するサービスの指定、自社の情報分類に沿った入力の線引き、相談先と報告先という自社固有の部分は、雛形には書かれていません。雛形で構成を確保し、固有部分を書き足して初めて社内規定として機能します。

禁止事項だけを並べた短いルールでは足りないのか

出発点としては機能します。何も決まっていない状態と比べれば、禁止事項と相談先だけの1枚でも利用を表に出す効果があります。足りないのは、禁止の外側で判断に迷う場面の扱い、出力の確認義務、問題発生時の報告手順です。この3つがないと、グレーゾーンの判断が個人任せになり、問題が起きたときの初動も決まりません。まず短い版を出し、運用しながら8項目に育てる二段階の進め方も選択肢になります。

AI事業者ガイドラインに従わないとどうなるのか

AI事業者ガイドラインは法的義務ではなく、事業者の自主的な取組を支援する指針です。従わないことに対する罰則を定める性質の文書ではありません。一方で、取引先や顧客からAI利用の管理体制を問われる場面では参照点になります。10の共通の指針と自社ルールの対応を整理しておくと、社外への説明で根拠を示しやすくなります。

社内ルールはどのくらいの頻度で見直せばよいのか

目安として半年から1年に一度の定期見直しに、臨時見直しの条件を組み合わせる設計が現実的です。参照点となるAI事業者ガイドライン自体、第1.0版（2024年4月）から第1.2版（2026年3月）までほぼ毎年更新されています。定期だけに頼らず、利用サービスの規約変更、問題の発生、新しい業務での利用開始を臨時見直しの条件として本則に書いておくと、実態と文書の差が開きにくくなります。

ルールが機能するかは禁止の外側で決まる

社内ルールが機能するかどうかは、禁止事項をどれだけ網羅したかではなく、そこに書かれていない場面をどう扱うかで決まります。

• ルールが必要な理由は、入力による情報漏えい・著作権・誤情報の3リスクに加え、ルール不在のまま個人利用が先行して実態が見えなくなること
• 盛り込む項目は目的・適用範囲から見直しまでの8項目。利用してよいサービスの指定と入力情報の線引きが実務の中心
• 章立ては全社共通の本則と利用者向け手引きの二層が実用的。JDLAの雛形、東京都、SmartHR社の公開実例を参照できる
• 書き足しの段階では、国・官公庁の実務資料と民間企業の公開事例が、どこまで具体化するかの目安になる
• AI事業者ガイドライン（第1.2版）の10の共通の指針は法的義務ではなく、リスクに応じて自社の濃淡を決めてよい。対応表を作ると点検と社外説明に使える
• 形骸化を防ぐ鍵は3つ。更新し続ける文書として扱う、禁止リストの外側で誰が判断し例外を誰へ戻すかを書く、教育とセットで運用する

ルール作りのゴールは文書の完成ではありません。判断に迷う場面で立ち止まり、決められた相談先に確かめるという行動が定着したとき、ルールは利用を縛る文書ではなく、安心して使える範囲をはっきりさせる文書になります。まず8項目の骨格を作り、自社固有の線引きを書き足すところから始めてみてください。

関連記事

• AI導入が進まない理由　部署間の継ぎ目と暗黙知の壁
• AIでマニュアルを作る方法
• 生成AI時代のナレッジマネジメントとは
• 生成AIで人は育たなくなるのか　脱スキルの研究と防ぐ設計
• AI Readyとは　生成AIが参照できる社内ナレッジの整え方

この記事の要点

• 生成AIとRAGで改善しやすいのは、社内文書の検索、要約、分類。
• 文書にない判断基準は、AIに聞いても根拠として返ってこない。
• AI Readyとは、AIが参照して外さないように情報と判断を整えた状態。
• 判断はトピック単位で整理し、通常と例外、条件、用語をそろえることが大切。
• ツール選定の前に、対象業務を絞り、ベテランから判断を引き出す必要がある。
• 効果測定は文書数ではなく、判断の再現性と問い合わせの質で見る。

判断をAIに引き継ぐことに「興味がある」と答えた管理職は59.5%、およそ6割にのぼりました。一方で、暗黙知を組織的に記録する仕組みが「ある」と答えた人は16.5%にとどまります（いずれも株式会社taiziii調べ・管理職200名・インターネット調査。両者は別々の設問への回答です）。AIに判断を渡したい人は多いのに、渡すための中身が社内に書かれている会社はその3分の1にも届きません。

この差はAIチャットを導入したあとの体験にそのまま表れます。規程やマニュアルの場所は正確に答えてくれるのに、「この案件、受けるべきか」と踏み込んだ瞬間、当たり障りのない一般論しか返ってこない。結局はいつものベテランに聞き直すことになり、せっかく入れた仕組みが使われなくなっていきます。

そこで、AI検索やRAG、社内文書を読み込ませた生成AIを入れてナレッジマネジメントを立て直す、というのもよく取られる対処です。

しかし、ツールを入れても、踏み込んだ質問への答え（ベテランの判断）は出てきません。RAGも生成AIも参照先に書かれていることしか返せないからです。そして先ほどの16.5%が示すとおり、多くの会社ではベテランの判断基準がそもそもどの文書にも書かれていないのです。より賢いとされる新しいモデルに替えても、参照先に判断が書かれていなければ返ってくる答えはほとんど変わりません。整えるべきは知識そのものより、その奥にある「なぜそう判断するか」という判断のほうです。

この記事では、生成AIでナレッジマネジメントの何が変わったか（変わらないか）をまず整理します。そのうえで、なぜ踏み込んだ質問に答えが出ないのか、その構造を分けて示します。最後に、ツール選定の前に判断をAIが参照できる形へ整える「AI Ready化」を、どう考えどんな手順で進めればよいかを解説します。

すでにAIチャットを入れたのに踏み込んだ質問に弱い、という段階を想定しています。この記事を読むことで、次の理解が深まります。

• RAGの限界がなぜ起きるのかを「不在層・埋没層・鮮度層・受け手層」という4つの外し方に分けて説明できるようになること
• 判断をAIが参照できる形に整える「AI Ready化」を、対象選定から効果測定まで5つのステップで自社の現場に当てはめられること
• ツールを買う前に自社の文書がAIに渡せる状態かを確かめる8問の診断と、その結果ごとの次の一手
• 検索型・チャット型・プラットフォーム型というツールの類型を、自社の状況に照らして選び分ける軸

導入後に「思ったほど使われない」を繰り返さないための判断材料を、この順で渡していきます。

運営者プロフィール

加藤晃寿郎（株式会社taiziii 代表取締役）。慶應義塾大学経済学部出身のエンジニア。在学中のスタートアップ設立、フリーランスを経てシステム開発会社を創業。企業のAI導入支援と、判断継承AIプラットフォーム「SkillRelay」の開発に従事。

1位

Amazonベストセラー獲得

著書『AI時代の経営デザイン』

データベースカテゴリ、2025年10月時点

AIナレッジマネジメントで変わったこと

AIナレッジマネジメントとは、生成AIを使って社内の知識の蓄積・検索・活用を支援する取り組みの総称です。具体的には、社内文書に対する自然文での質問応答、文書の自動要約・分類、ナレッジの自動整理などが含まれます。

その中核になっている技術がRAG（Retrieval-Augmented Generation　検索拡張生成）です。名前のとおり「検索」で「生成」を「拡張」する仕組みで、動きは3つの工程に分けて見ると分かりやすくなります。

第1工程は検索です。利用者が質問を入力すると、AIはいきなり答えを書き始めるのではなく、まず社内に登録された文書の中から質問に関係しそうな箇所を探し出します。第2工程は根拠化です。探し出した箇所を回答の材料としてAIに渡します。ここで渡された文書が答えの拠りどころになります。第3工程は生成です。渡された材料をもとに、AIが自然文の答えを組み立てます。このとき、材料に書かれていた事実を引用しながら答えを作るため、AIが事実でないことをもっともらしく答えてしまう現象（ハルシネーション）を抑えやすくなります。社内AIチャットの多くがこの方式を採っているのはこの3工程目の「根拠に基づいて答える」性質があるからです。

3工程に分けると、RAGの守備範囲がどこまでかも見えてきます。汎用的な業務で考えてみます。経費精算の規程について「出張の宿泊費に上限はありますか」とAIチャットに尋ねたとします。第1工程で経費精算規程の該当条文が検索され、第2工程でその条文がAIに渡され、第3工程で「役職別に1泊あたりの上限が定められています」といった答えが条文を引きながら返ってきます。規程に書かれている事柄なので、RAGはこれを得意とします。一方で、「この出張、そもそも宿泊する必要があるか」という問いには、規程は答えを持っていません。宿泊の要否は出張の目的・移動時間・翌日の予定を勘案した判断であり、それを「どんな条件のとき宿泊と決めるか」という形で書いた文書が社内に存在しないと、第1工程で検索すべき材料がそもそも見つからないからです。RAGが守れるのは、第1工程で材料が見つかる範囲までと言い換えられます。

何が変わったのか。検索のかたちが「キーワードで探して、自分で読む」から「質問すると、要約された答えが返る」に変わりました。複数文書の横断、表記ゆれの吸収、多言語対応も実用レベルになりました。これは従来のナレッジ検索と比べて、はっきりした進歩です。「あの規程はどこか」「この用語の定義は何か」「過去の議事録でこの案件はどう扱われたか」といった、答えがどこかの文書に書かれている問いについては探す手間が大きく減りました。

一方で、変わっていないことがあります。参照先に書かれていないことは、答えられない。この一点がこの記事で掘り下げる問題です。

ここで、この記事を通じて使う2つの言葉を先に定義しておきます。シリーズの他記事とも共通の整理です。1つは管理する知識です。規程・手順・FAQ・用語定義のように、事実として書き出せて正解が決まっている知識を指します。従来のナレッジマネジメントもAI検索もここを扱うのは得意です。もう1つは継承する判断です。「どんな条件のとき、何を手がかりに、どこまで許容し、どこからNGとし、どの行動を取るか」という、ベテランが状況に応じて下している判断のことです。これは正解が一つに決まらず、条件によって変わります。本記事が「踏み込んだ質問に答えが出ない」と呼んでいるのはこの継承する判断のほうが文書になっていない状態を指しています。生成AIで「変わったこと」は管理する知識を探す工程、「変わらないこと」は継承する判断が書かれていなければ返せないこと、と対応させて読み進めると以降の話が整理しやすくなります。

生成AIでナレッジマネジメントが楽になる3つの場面

生成AIは、ナレッジマネジメントに実際の改善をもたらしています。主なものは次の3つです。

探す時間の削減

「あの規程はどこにあるのか」という探し物が短時間で解決します。なぜ短くなるのかというと、従来は「どのフォルダか」「どのwikiか」を人が当たりをつけてからキーワードで検索し、ヒットした複数の文書を自分で開いて読み比べる必要がありました。RAGでは、質問に対して関連箇所が自動で検索され、要約された答えが返るため、当たりをつける工程と読み比べる工程が省けます。

汎用的な例で、前後を比べてみます。これまで、経費規程の保管場所への問い合わせが総務に集中していたとします。社員は「規程のPDFはどこですか」「最新版はどれですか」と総務にメールやチャットで尋ね、総務が都度リンクを返していました。AIチャットが一次回答する状態に置き換わると、社員はチャットに直接尋ね、規程の該当箇所と保管場所が要約で返ってきます。総務に届く問い合わせのうち、置き場所を尋ねるだけの定型的なものが減り、総務は判断を要する個別相談に時間を使えるようになります（固有名・数値を伴わない、業務の前後を示すための仮の例です）。

ナレッジ整備の負荷軽減

散在する文書の要約・分類・FAQ化をAIが補助するため、「書く・整える」コストが従来のナレッジマネジメントより小さくなりました。従来型のナレッジマネジメントが続かなかった理由の一つは、整備そのものが重い手作業だったことです。議事録を読んでFAQにまとめ直す、似た文書を分類する、古い記述を見つけて直す、といった作業を人手で続けるのは負担が大きく、途中で止まりがちでした。AIがこの下ごしらえを補助することで、整備が止まって形だけ残る、という従来型の失敗を起こしにくくする効果があります。

ただし注意したいのは、整備の負荷が下がること自体は判断が書けることを意味しない点です。AIが要約・分類できるのは、もとの文書に書かれている内容までです。判断基準がどの文書にも書かれていなければ、いくら整備の負荷が下がっても判断が文書に現れることはありません。

新人の立ち上がり支援

「誰に聞けばいいか分からない」段階でも、AIチャットが一次回答してくれます。質問するたびに先輩の作業を止めてしまう、という遠慮も要りません。新人が最初につまずくのは、業務そのものより「この場合、誰に確認すればよいのか」が分からないことです。AIチャットがあれば、規程や手順の範囲については人に聞く前にまず自分で確かめられます。これは新人の心理的なハードルを下げ、先輩の割り込み対応も減らします。

利用者側の期待も大きいことが分かっています。AI導入で期待するメリット（複数回答）の1位は業務品質の標準化〔若手でもベテランに近い判断ができる〕で54.6%、2位は24時間いつでも誰でもノウハウにアクセスできることで50.4%でした（出典　株式会社taiziii「企業の属人化防止完全ガイドブック2026」掲載調査、管理職200名・インターネット調査）。

ただし、注意したいのはこの1位の中身です。「若手でもベテランに近い判断ができる」という期待は、次章で見るとおり、文書をAIに読ませるだけでは実現しません。ベテランに近い判断をAIが返すには、ベテランの判断基準が参照先に書かれている必要があります。ところが、その判断基準こそが多くの会社で文書になっていません。期待が集まっている1位がいちばん難しい部分だという構図になっています。

「文書を全部読ませれば解決」が、うまくいかない理由

導入済みの方なら、「規程には答えるのに、踏み込んだ質問には弱い」と感じ始めているかもしれません。この体験には、構造的な理由があります。理由は4つあり、それぞれ別の場所で起きています。

理由1　書かれていない判断は、返せない

規程・手順への質問には正確に答えるのに、「この案件、受けるべきか」には一般論しか返らない。この差はAIの能力の差ではなく、参照先の差です。規程や手順は文書になっています。しかし「どんな条件ならOKを出すか」という判断基準は、ほとんどの会社で文書になっていません。RAGは検索で見つかった文書を根拠に答えを組み立てる仕組みですから、参照先のどこにも判断基準がなければ根拠にできるのは世間の一般的な知識だけになります。

汎用的な例で考えます。営業担当者が「この値引き、受けてよいか」とAIチャットに尋ねたとします。値引きの申請手順や決裁ルートは規程に書かれているので、AIは「3%までは課長決裁、それを超えると部長決裁です」と正確に答えます。ところが「今回のお客様は5%を求めているが、受けるべきか」と踏み込むと答えは一般論に変わります。「取引の継続性や利益率を総合的に勘案して判断しましょう」といった、どの会社にも当てはまる無難な答えです。なぜなら、「この顧客は来期の継続が見込めるから、今回は5%でも受ける」「この商材は値引きすると他案件に波及するから、3%で止める」というベテランの判断基準が、どの文書にも書かれていないからです。AIは根拠にできる材料を持たず、世間の一般論で埋めるしかありません。モデルを最新のものに替えても、この構図は変わりません。

理由2　文書を増やすほど、精度が下がることがある

「情報が足りないのかもしれない」と文書を大量投入すると、むしろ回答の精度が下がることがあります。関連の薄い文書が検索のノイズになり、本当に必要な情報が検索結果の上位に来なくなるためです。RAGの第1工程である検索は質問に関係しそうな箇所を順位づけして拾います。関係の薄い文書が大量にあると、その中に紛れて本当に必要な手順書や基準が上位から押し出されてしまいます。

汎用的な例です。AIチャットの回答精度が上がらないのは情報不足のせいだと考えて、念のため関連しそうな部署の議事録・古いマニュアル・参考資料を片端から登録したとします。狙いとは逆に、回答の精度が下がることがあります。質問に対して、本来参照すべき現行の手順書ではなく関連の薄い議事録の断片が上位で拾われ、それを根拠に答えが組み立てられてしまうからです。「とにかく全部読ませる」は対策に見えて、悪化の原因になり得ます。

加えて、長い文脈を言語モデルに渡したときの使われ方を調べた研究では、中間に置かれた情報を見落としやすいという傾向が報告されています（出典　Liu, N. F. et al. “Lost in the Middle: How Language Models Use Long Contexts,” Transactions of the Association for Computational Linguistics, 12, 2024）。先頭と末尾は参照されやすく、真ん中に埋もれた記述は使われにくい、という性質です。必要な情報を渡しているつもりでも、大量の文書の中間に埋もれていれば答えに反映されないことがあります。

理由3　「貯めれば使える」という前提が、そのまま持ち込まれる

従来のナレッジマネジメントが形骸化した中心的な理由は、ツールの古さではなく、「知識は貯めておけば再利用できる」という前提のほうにありました。この「KMはもう古いのか」という問い自体は、別記事『ナレッジマネジメントは古いは本当か』で正面から扱っています。この前提のまま、置き場所を社内wikiからAIに替えても「参照先に判断が乗っていない」という核心の問題はそのまま残ります。wikiに書かれていなかった答えはAIに聞いても出てきません。ツールの入れ替えは、検索の体験を良くしても参照先の中身を増やすわけではないからです。

汎用的な例です。これまで社内wikiに業務手順を蓄積してきたが、肝心の判断は「先輩に聞く」で回していた会社が、wikiをやめてAIチャットに切り替えたとします。検索の体験は良くなり、手順への質問は快適に答えが返るようになります。しかし「この場合どう判断するか」を尋ねると、やはり一般論しか返りません。wikiの時代に判断が書かれていなかったのと同じ判断がAIの参照先にも書かれていないからです。ツールを替えても書かれていない判断は現れません。

そしてもう一つ見落とされがちなのが、整えた知識が更新され続けているかどうかです。マニュアルや判断基準の型は時間とともに古くなります。更新が止まった文書は参照先にあっても古い判断を返す原因になります。汎用的な例では、数年前に作ったまま更新が止まった旧版マニュアルが参照先に残っていると、AIはそれを根拠に現行と異なる古い手順や基準を自信を持って返してしまいます。利用者は、それが旧版に基づく答えだとは気づきません。更新が続いているかどうかがその知識が今も生きているかどうかの目安になります。

理由4　それらしい一般論を、信じてしまう

ここまでの3つが参照先（AIに渡す中身）の話だったのに対して、4つ目は、その答えを受け取る人間側の工程の話です。検索結果の一覧であれば、複数のヒットを「自分で読んで確かめる」という工程が残っていました。AIの要約された答えは最初から一つの結論として返ってくるため、この確かめる工程を省きやすくします。

実際、知識労働者319名を対象にした自己申告調査では、AIへの信頼が高い人ほど、出力を批判的に吟味する労力が減る傾向が報告されています（出典　Lee, H.-P. et al. “The Impact of Generative AI on Critical Thinking,” Proceedings of ACM CHI 2025。Microsoft Researchとカーネギーメロン大学の研究チームによる調査）。なお、この調査は自己申告に基づく相関の報告であり、AIが原因で吟味が減ったと因果を立証したものではありません。傾向として観察された、という温度で受け取るのが正確です。これとは別に、自動化の出力を鵜呑みにしてしまう「自動化バイアス」は、熟練者でも起こり簡単な訓練では防ぎにくいことが古くから指摘されています（出典　人間と自動化の関係を研究してきた工学心理学者 Parasuraman, R. & Manzey, D. H. “Complacency and Bias in Human Use of Automation,” Human Factors, 52(3), 2010）。

汎用的な例です。AIが返した流暢な一般論を、担当者が「自社の方針だ」と思い込み、確認工程を省いてそのまま顧客に提示してしまう。後から、それが自社の基準とは違っていたことが分かる。もっともらしい一般論を「自社の判断」と誤認するリスクは、紙のマニュアルや従来検索の時代より、むしろ上がっていると考えるべきです。

対策は両輪になります。受け手の側では、答えをそのまま受け入れず当否を確かめる工程を残すこと。そして参照先の側では、確かめる基準になるよう、自社の判断を正しく書いておくことです。

AIが答えを外す4つの層

ここまでの4つの理由は、別々の現象に見えて、AIが答えを外す「場所」で並べ直すと、見通しが良くなります。この記事では、4つを〈AIが答えを外す4層〉として名前をつけて整理します。これは既存の研究フレームの引用ではなく、4つの理由を読者の頭に残りやすくするためにこの記事で命名した独自の整理です。

• 不在層判断が、参照先のどこにも書かれていない（理由1に対応）。AIに渡す材料そのものが存在しないため一般論で埋まる。
• 埋没層文書を増やすほど、必要な情報が検索の上位に来ず埋もれる（理由2に対応）。材料はあるのに、第1工程の検索で拾われない状態です。なお、Liuらの “Lost in the Middle” が示したのは検索順位の失敗ではなく、情報が長いコンテキストへ入った後に、冒頭・末尾より相対的な中央位置が使われにくくなる傾向です。実務では同じ「届かない」問題として点検できますが、検索段階と生成段階を分けて原因を特定します。
• 鮮度層更新が止まった文書が、古い判断を返す（理由3に対応）。材料は拾われるが、その中身が現行と食い違っている。
• 受け手層もっともらしい一般論を、人が自社の判断と誤認する（理由4に対応）。AIの出力は届いているが、受け取る側の確かめる工程が抜けている。

この4層のうち、前の3つ（不在層・埋没層・鮮度層）は参照先、つまりAIに渡す中身の問題です。残る受け手層だけが、答えを受け取る人間側の工程の問題です。「3＋1」で覚えると、対策の方向も分かれます。前3層は「何を・どう書いて渡すか」を直す話、受け手層は「返ってきた答えをどう扱うか」を直す話です。次章以降の「AI Ready化」は、おもに前3層を、最後の確かめる工程の設計が受け手層を担います。

なお、この4層整理の裏づけとして、必要な情報にたどり着けない失敗（不在層・埋没層）と、情報は届いているのに使い方を取り違える失敗（鮮度層・受け手層の一部）を分ける見方は、知識を構造化する実務でも使われています（参照の失敗／解釈の失敗の二分法。次章で扱います）。借用した理論名で呼んでいるのではなく、この記事の理由1〜4を、この実務の見方に照らして層に並べ直したもの、と捉えてください。

AI Readyとは、AIが参照して外さない状態である

ここまで見てきた4層は、書かれていない、増やすと埋もれる、古い判断が残る、人が鵜呑みにする、と並べると別々に見えますが、行き着く問いは同じです。AIが参照して、答えを外さない状態とは、どんな状態か。ここではその状態を「AI Ready」と呼びます。

AI Readyの定義は、情報を増やすことでも、AIに考えさせることでもなく、判断を再現できる形に情報を整えることです。 AIが「参照して」「正しく解釈して」「使える」状態、と言い換えてもかまいません。なぜこの定義になるのかというと、4層のうち前3層はいずれも「参照先に何が・どう書かれているか」で決まるからです。判断が書かれていれば不在層は埋まり、業務トピック単位に絞って渡せば埋没層は防げ、更新が続いていれば鮮度層は防げます。情報を闇雲に増やすことは、むしろ埋没層を悪化させます。整える方向は「量を増やす」ではなく「再現できる形にする」です。

ここで整えているのは、規程やFAQのような管理する知識ではなく、その奥にある「なぜそう判断するか」という判断のほうです。狙いは、文書が増えることではなく、同じ条件なら同じ判断がAIの参照を通じて再現できること、つまり判断の品質保証にあります。

この「判断の品質保証」を、AI Ready化のゴールとして3点に分けておきます。シリーズを通して押している考え方です。1点目、対象は「文書があること」ではなく、「同じ条件なら同じ判断が再現できること」です。マニュアルが揃っていても、同じ状況で人によって判断が割れるなら、品質は保証されていません。2点目、単位はトピック（業務）ごとです。全社で一度に保証するのではなく、値引き判断なら値引き判断という業務単位で、参照を通じて判断が再現できるかを見ます。3点目、帰属を保ちます。誰の・どの条件での判断かを保ったまま条件付きルールにします。複数のベテランの判断を平均して一本にまとめると、どちらの判断の根拠も消え、再現性がかえって失われます。この3点を満たした状態が、AI Readyの到達点です。

ここで前提になるのが、AIが返した答えを、最後に人が受け入れられるかどうかです。流暢で高度に見える出力でも、担当者がその当否を判断できなければ現場では使えません。AI Readyとは、AIが答えを返せる状態であると同時に、人がその答えを判断して受け入れられる状態でもあります。これが4層でいう受け手層への備えにあたります。

なお「AI Ready」という言葉自体は、内閣府「AI戦略2019」をはじめ公的文書でも使われてきた概念で、当社の独自用語ではありません。ここでは「AIが参照して答えを外さないように、社内の知識、とくに判断を整えておくこと」という意味で使います。

整える対象を特定するために、AIが答えを外す原因を、もう一段だけ実務寄りに分けておきます。実際に起きる外し方をたどっていくと、必要な情報にそもそもたどり着けていない場合と、情報は届いているのに使い方を取り違えている場合に行き着きます。前者を参照の失敗、後者を解釈の失敗と呼んで分けておきます。先ほどの4層でいうと、不在層・埋没層が参照の失敗に、鮮度層と解釈のずれが解釈の失敗に、おおむね対応します。

参照の失敗必要な情報にたどり着けない失敗です。情報が多すぎて必要な文書が検索の上位に来ない、文書の単位が大きすぎて関係のない記述まで一緒に渡ってしまう、といった形で起きます。汎用的な例では、一つの部署マニュアルに10業務分の手順が詰め込まれていると、ある業務について尋ねても、関係のない9業務分の記述まで一緒に渡ってしまい、答えがぼやけます。対策は「絞って渡す」「業務トピック単位に分割する」です。

解釈の失敗情報は見つかったのに、使い方を間違える失敗です。どんな場面で使う知識なのかが書かれていない、通常時と例外時の記述が混在している、同じ用語を部署ごとに違う意味で使っている、といった形で起きます。汎用的な例では、「特急対応は半額の手数料を加算する」という記述があっても、それが通常時の話なのか繁忙期だけの例外なのかが書かれていないと、AIはどちらの場面にも当てはめてしまいます。対策は「使う条件の明記」「通常と例外の分離」「用語の統一」です。

この2つを潰していく作業がAI Ready化であり、ツールの乗り換えより先にやるべきことです。

AI Readyを作る5つの手順

AI Ready化は、対象を選び、判断を引き出し、構造化し、用語を揃え、効果を測る、という5ステップで進めます。言い換えると「判断を言語化し→構造化し→RAGに載せ→回答を検証する」という流れです。この流れのどこかが空のままだと、どれほど検索の性能が高くても欲しい答えは返ってきません。

ステップ1　対象トピックを選ぶ

全社一斉にやらないことが、成否を最初に分ける選択です。問い合わせが集中している判断業務を1〜2個だけ選びます。なぜ絞るのかというと、次のステップの判断の引き出しも、最後の効果測定も、対象が広いほど現実離れしていくからです。10業務を同時に扱おうとすると、ベテランへのヒアリングだけで何ヶ月もかり、効果を測る前に息切れします。1業務に絞れば、数週間で「判断を引き出し→カードにする→試す→測る」を一周でき、手応えが次の業務への燃料になります。

では、どの業務を選べばよいのでしょうか。まず、総務・情シス・経理・営業事務など、問い合わせを受けている窓口に「直近1ヶ月で多かった質問」を挙げてもらいます。次に、その質問を「答えがどこかの文書に書いてあるもの（管理する知識）」と「ベテランの判断を要するもの（継承する判断）」に仕分けます。AI Ready化で効くのは後者です。後者の中から、頻度が高く、かつ担当できる人が限られている業務を1つ選びます。頻度が高いほど効果が見えやすく、担当者が限られているほど属人化のリスクが大きいからです。

ビフォーアフターで言うと、ビフォーは「AIを全社の全業務に入れたが、どの業務でも一般論しか返らず、結局使われない」。アフターは「問い合わせが集中する1業務に絞り、その業務の踏み込んだ質問にAIが答えられるようになり、窓口の負荷がはっきり減る」です。

ステップ2　判断を引き出す

選んだ業務のベテランに質問します。このとき「マニュアルを書いてください」と頼んでも、判断基準は出てきません。ベテラン本人が、自分の判断基準を普段は意識していないからです。「なぜそう決めたのですか」と直接聞いても「経験です」「勘ですね」としか返らないことがほとんどです。判断基準がすぐに言葉にならないのは、本人が隠しているからではなく、まだ言葉として整理されていないからです。

そこで、知識工学の分野で使われてきた引き出しの手法を使います。この記事ではSkillRelayの独自手法としてではなく、知識を引き出すための一般的な5つの型として紹介します。このうちCDMは、消防士や看護師など専門家の現場判断を研究した心理学者ゲイリー・クラインらの「自然主義的意思決定（NDM）」に由来する手法です。

1. CDM（重要事例法）過去の具体的な判断を、本人にもう一度たどってもらう手法です。「最近、判断に迷った案件を一つ思い出してください。何を見て、最終的にどう決めましたか」と、実際の出来事に沿って聞きます。抽象的に基準を尋ねるより、具体的な場面のほうが言葉が出ます。
2. 対比法通した案件と落とした案件、OKにした例とNGにした例を並べ、その差を聞く手法です。「この案件は通したのに、似たこの案件は見送ったのは、何が違ったからですか」。差を言葉にする過程で、判断の分かれ目が浮かび上がります。
3. 境界条件プロービング　OKとNGの境目を探る手法です。「どこまでなら受けますか」「あと何が変わったら、判断はひっくり返りますか」と、ギリギリの線を聞きます。閾値が数値で出てくることもあります。
4. 仮想シナリオ（反実仮想）条件を変えたらどうなるかを聞く手法です。「もし納期が半分だったら、判断は変わりますか」「もし相手が新規の取引先だったら」。条件を動かすことで、判断が何に依存しているかが見えます。
5. 例外パターン通常フローに乗らない勘所を聞く手法です。「数字は悪くないのに、警戒したほうがよいのはどんなときですか」。ベテランの価値が最も出るのが、この例外への対応です。

汎用的な質問の型としては、「基準内なのに見送った案件はありますか」「もし納期が半分だったら判断は変わりますか」「数字は良いのに警戒したケースは」といった、境界条件と反実仮想を組み合わせた問いが効きます。引き出した内容は、後でカードにまとめるので、誰のどの発言かが分かる形で記録しておきます。ベテランの判断を問いで引き出す型のさらに詳しい使い方は、別記事『暗黙知はAIで形式知化できるのか』で掘り下げています。

ビフォーアフターで言うと、ビフォーは「ベテランに『基準を教えて』と聞いて『経験です』で止まる」。アフターは「具体的な過去案件を5つたどり、対比と境界を聞くことで、『利益率が◯%を下回る、かつ継続見込みが薄い案件は見送る』といった条件付きの言葉になる」です。

ステップ3　1業務1カードに構造化する

引き出した内容を、AIが参照しても外しにくいよう、最小の単位に整えます。トピックカードと呼ぶ、1業務1枚の型です。「1業務1カード」と「例外は別カード」を守ることが、解釈の失敗を防ぐ要になります。

カードは次の項目で書きます。状況の定義は「5W＋WHICH」で固定します。

• 【トピック名】現場で実際に使われている言い方（検索で外さないため、正式名称より現場の呼び方を優先）
• 【状況の定義】WHO（誰が）・WHEN（いつ）・WHY（何のために）・WHAT（どの文書・システムを参照するか）・WHICH（通常か／例外か）
• 【結論】OK・NGの結論
• 【やり方】手順（手順層）
• 【考え方】判断基準・数値（判断層。「なぜそう決めるか」をここに書く）
• 【禁止事項】やってはいけないこと

このカードは、手順層（やり方）と判断層（考え方）の二層で構成します。従来のマニュアルは手順層だけで止まりがちでしたが、踏み込んだ質問に答えるには判断層が必要です。

特に外してほしくないところが2つあります。

1つ目は、例外は必ず別カードに分けることです。通常と例外を1枚に混ぜると、AIはどちらの記述を根拠にすべきか区別できず誤答の原因になります。ビフォーアフターで示します。ビフォーは、1枚のカードに「通常は3%まで値引き可。ただし期末で在庫過多のときは10%まで可」と混ぜて書いた状態です。AIは期末でない平常時にも「10%まで可」を拾ってしまう可能性があります。アフターは、通常カードに「3%まで」、例外カードに「期末・在庫過多のときは10%まで」と分け、それぞれのWHICHを「通常／例外」と明記した状態です。これで、AIは状況に応じてどちらのカードを根拠にすべきかを区別できます。

2つ目は、複数のベテランで判断が異なるとき、平均して一本のルールにまとめないことです。Aさんの基準とBさんの基準を丸めて中間の値にした瞬間、どちらの判断の根拠も消えてしまいます。汎用的な例では、Aさんは「利益率が条件Xを下回ったら見送る」を重視し、Bさんは「継続見込みが条件Yを満たすなら受ける」を重視していたとします。これを「だいたい中間で」と一本化すると、AさんもBさんも「自分の判断とは違う」と感じ、現場で使われなくなります。中間ルールにせず、誰の・どの条件での判断かの帰属を保ったまま2本の条件付きルールとして残します。どちらを適用するかは、案件の条件で分岐させます。一本化しない理由は、判断は条件に依存しており、平均すると条件が消えて再現性が失われるからです。

ステップ4　用語を統一する

文書をAIに載せる前に、同じ言葉が部署によって違う意味を持っていないかを揃えます。揃えないと、AIは「長期顧客には〜する」という記述について、どこかの部署の定義を勝手に前提にして答えてしまい、それが質問者の想定と食い違います。これは4層でいう解釈の失敗、用語のずれにあたります。

例を挙げます（当社ウェビナー第2回で使っている説明用のサンプルです）。「長期顧客」という言葉の定義が、営業では「取引2年以上」、カスタマーサポートでは「3年以上」、経理では「契約更新2回以上」とバラバラだったとします。このまま文書をAIに読ませると、「長期顧客には〜する」という記述について、AIはどれかの定義を前提に答えてしまいます。それが質問した人の想定と同じとは限りません。統一定義（例　取引開始から3年以上）を先に決めてから載せる必要があります。

用語を揃える手順は3段です。まず、各部署が手元で実際に使っている定義やメモ（いわゆる虎の巻）を出してもらいます。次に、同じ用語が部署ごとにどう違うかの差分を一覧にします。最後に、統一定義を一つ決め、それを各カードに反映します。順番が大切で、いきなり「統一定義はこれです」と上から決めると現場の実態とずれた定義になりがちです。先に実態を集めてから差分を見て統一する、という順にすると、現場が納得しやすく、後から覆りにくくなります。

ビフォーアフターで言うと、ビフォーは「『長期顧客』という言葉が3部署で別の意味のまま文書がAIに載り、回答が部署によって食い違う」。アフターは「虎の巻を突き合わせて統一定義を決め、全カードで同じ意味に揃い、誰が尋ねても同じ前提で答えが返る」です。

ステップ5　効果を測定する

導入前に、必ず現状値を取ります。最低限とりたいのは、対象業務への問い合わせ件数です。試験導入を始めたら、回答の精度（質問に対して使える答えが返った割合）も記録します。「導入前の数値を取っていなかった」という失敗は、当社が導入支援の現場で最もよく見かけます。これを欠くと、改善もできなければ効果の証明もできなくなります。

現状値の取り方を具体化します。問い合わせ件数は窓口に届いたメール・チャット・口頭の質問を、対象業務に関するものだけ、1〜2週間カウントします。完璧に数える必要はなく、「導入前はだいたい週◯件だった」という基準が取れれば十分です。回答の精度は試験導入後に、利用者が「この答えは使えた／使えなかった」を記録していく形で測ります。母数が小さくてかまわないので、まず数十件で割合を見ます。

測定の枠組みは、研修評価の定番として知られるカークパトリックの4段階（Kirkpatrick, 1959/1994）に当てはめると整理しやすくなります。

• 反応　使いやすいか
• 学習　答えが当たるか
• 行動　現場で実際に使われているか
• 成果　問い合わせは減ったか

いずれの段階でも、測るべきは「文書が増えたか」ではなく「同じ判断が再現できているか」です。これがステップ1〜4で目指してきた判断の品質保証の確認にあたります。

なお当社では、AIの回答精度について「導入1ヶ月で60%、3ヶ月で75%、6ヶ月で85%」を目安に改善サイクルを回しています。これは実績の保証値ではなく、当社の運用上の目安です。経験上、精度が60%を下回る状態が続くと、利用者に「使えない」と見なされて利用自体が止まりやすいため、最初の1ヶ月で60%に乗せることを目標に置いています。

ビフォーアフターで言うと、ビフォーは「導入したが、効果を聞かれても『なんとなく便利になった』としか言えず、次の予算が取れない」。アフターは「導入前の問い合わせ件数と回答精度の推移を示し、『対象業務の問い合わせが◯割減り、精度は◯ヶ月で◯%に乗った』と説明でき、次の業務への展開が承認される」です。

AI Ready化でつまずきやすい疑問

5つのステップは、説明だけ読むと一本道に見えますが、実際に動かすと各ステップの入口で手が止まります。ここでは、ステップごとに現場で出やすい疑問を拾い、実務上の答えを整理します。

対象業務を1つに絞れないときの選び方

問い合わせの量が並んでいて選べないときは、量とは別の3つの軸で見ると決まります。

1つ目は、担当できる人の数です。問い合わせが同じくらい多くても、5人が答えられる業務と、1人しか答えられない業務では、後者のほうが属人化のリスクが大きく、止まったときの影響も大きくなります。担当者が限られている業務を優先します。

2つ目は、判断の比率です。問い合わせの中身を見て、「文書に書いてある場所を尋ねるだけ」のものが多い業務と、「どう判断するか」を尋ねるものが多い業務に分けます。AI Ready化で差が出るのは後者です。判断を要する問い合わせの比率が高い業務を選びます。

3つ目は、ベテランが協力してくれるかです。ステップ2でベテランの時間を借りるので、本人が前向きな業務から始めると最初の一周がうまくいきやすくなります。協力が得にくい業務は、最初の成功事例ができてから着手するほうが現実的です。

汎用的な例では、問い合わせ件数が同程度のA業務とB業務があり、A業務は3人が対応できて質問の多くが「場所を尋ねるだけ」、B業務は1人しか対応できず質問の多くが「どう判断するか」だったとします。この場合はB業務を選びます。属人化が深く、判断の比率が高く、効果が見えやすいからです。

ベテランが「勘ですね」で止まるときの聞き直し方

ベテランが「勘です」としか言わないのは隠しているのではなく、判断基準が言葉になっていないからです。抽象的に「基準は何ですか」と聞くと出てきません。具体案件、対比、条件変更の3方向から聞き直します。

1つ目は、抽象を聞かず具体を聞くことです。「基準は何ですか」ではなく、「最近、判断に迷った案件を一つ思い出してください。何を見て決めましたか」と、実際にあった出来事に沿って聞きます（CDM）。具体的な場面のほうが、記憶とともに言葉が出てきます。

2つ目は、二つ並べて差を聞くことです。「この案件は受けたのに、似たこの案件は断ったのは、何が違ったからですか」（対比法）。差を説明しようとすると、本人も意識していなかった分かれ目が言葉になります。

3つ目は、条件をずらして聞くことです。「もしこの条件が変わったら、判断は変わりますか」「どこまでなら受けますか」（仮想シナリオと境界条件プロービング）。条件を動かすことで、判断が何に依存しているかが見えてきます。

汎用的な例では、「与信の基準は」と聞いて「勘です」で止まっていたベテランに、「直近で与信を厳しめにした取引先を一つ挙げてください。何が引っかりましたか」「同じ業種で通したところとは、何が違いましたか」「もし取引額が半分だったら、通しましたか」と重ねていくと、「決算書の数字より、支払いサイトの変更要求が出たかどうかを見ている」といった、本人も明文化していなかった手がかりが出てきます。これを、誰の発言かを保ったままカードの判断層に書きます。

1業務1カードの粒度で迷ったときの分け方

粒度は「実際に参照される単位」で切ると決まります。判断は一つの文書やシステムで完結せず、複数を跨いで成立することが多いので、教科書的な業務分類ではなく現場で一度に参照される塊を1カードにします。

判断の目安は2つです。1つ目は、「その業務について踏み込んだ質問が来たとき、このカード1枚を見れば答えられるか」です。1枚で答えられないなら、足りない情報を同じカードに足します。逆に、1枚に複数の業務の判断が混ざっていて、状況によって使う部分が変わるなら、カードを分けます。2つ目は、WHICH（通常／例外）で分かれるなら迷わず別カードにすることです。

汎用的な例では、「請求業務」という大きすぎる単位で1カードにすると、通常請求・前払い・分割・督促の判断が一枚に混在し、AIがどれを根拠にすべきか区別できません。これを、「通常請求の判断」「督促の判断（例外）」のように、参照される場面で分けます。逆に、「督促の一次連絡」と「督促の二次連絡」が常に一続きで参照されるなら、無理に2枚に割らず1枚にまとめます。「業務名で切る」のではなく「参照される塊で切る」と覚えると、粒度が安定します。

判断が食い違うときに1本化してはいけない理由

複数のベテランで判断が割れるときは、平均して中間のルールを作るのではなく、それぞれの判断を適用条件つきの別々のルールとして残します。

1本にまとめてはいけない理由は、判断が条件に依存しているからです。Aさんが条件Xを重視し、Bさんが条件Yを重視するとき、二人の違いは「どちらが正しいか」ではなく、「どんな状況を念頭に置いているか」の違いであることが多いものです。これを「だいたい中間で」と平均すると、AさんもBさんも「自分が見ている状況では、それは違う」と感じます。結果として、どちらの判断の根拠も消え、現場で使われなくなります。

汎用的な例では、値引き判断について、Aさんは「利益率が条件Xを下回る案件は、継続見込みがあっても見送る」、Bさんは「継続見込みが条件Yを満たすなら、利益率が多少低くても受ける」だったとします。これを「利益率と継続見込みを総合的に勘案して判断」と丸めると、何も言っていないのと同じになります。残し方は、「利益率が条件Xを下回る場合は見送る（Aの基準）」と「継続見込みが条件Yを満たす場合は、利益率が条件Xを下回っても受ける（Bの基準）」を、それぞれ誰の判断かを保ったまま条件付きで書き、どちらを適用するかは案件の条件で分岐させます。帰属を保つことで、後から「この判断はどういう考えから来たのか」をたどれるようになります。

現場の言葉を変えずに用語をそろえる方法

用語統一でそろえるのは「意味」であって、現場の「呼び方」を奪う必要はありません。反発の多くは慣れた言い方を取り上げられることへの抵抗なので、呼び方は残したまま意味を一つに揃える設計にすると摩擦が小さくなります。

具体的には、まず統一する定義を一つ決めます。次に、各部署が使っている呼び方を、その定義に「ひもづけ」として登録します。「長期顧客（営業の呼び方）＝取引開始から3年以上」「お得意様（CSの呼び方）＝取引開始から3年以上」のように、呼び方は複数あってよく、指している意味が同じであればAIは正しく扱えます。揃えるのは意味の側です。

それでも反発が残るときは、定義を上から押しつけず、ステップ4の手順どおり、先に各部署の実態（虎の巻）を集めてから差分を見せます。「営業は2年、CSは3年で運用していました。このままだと同じ言葉でAIの答えが食い違います」と、揃えないと困ることを具体的に示すと納得が得やすくなります。呼び方は残す、揃えるのは意味、決め方は実態から、の3点で進めます。

導入前の数値がなくても効果を測る方法

導入前の現状値を取り損ねても、効果をまったく測れなくなるわけではありません。後から復元する方法と、これから測り始める方法の二段で対応します。

復元できるものは復元します。問い合わせ件数なら、メールやチャットの履歴をさかのぼって、対象業務に関する質問を数えられることがあります。完璧でなくてよく、「導入前はおおむね週◯件あった」という水準が分かれば比較の基準になります。

復元できない場合は、これから測り始めます。導入前と後の比較ができなくても「導入後、月を追うごとに回答精度がどう変わるか」「問い合わせ件数が今後どう推移するか」は、今から記録すれば追えます。加えて、利用者へのアンケートで「導入前と比べて探す手間は減ったか」を主観で聞くと、定量データの欠けを補えます。次の業務に展開するときには、今度こそ導入前の数値を取る、と決めておけば同じ取りこぼしを繰り返しません。

AI Readyかどうかを見抜く8問

ツール導入の前に、自社の文書がAIに渡せる状態かを確かめるためのチェックリストです。対象にしたい業務を1つ思い浮かべて、はい／いいえで答えてください。各問に、なぜその問いが効くのかと「はい」に近づける最初の一手を添えました。

この8問は、印刷して書き込めるExcel付録「AI Ready診断8問」としても別添に用意しています。設問・記入欄・不足時の対処（どのステップへ）・判定の見方を1枚にまとめています。

1. その業務の判断基準は文書になっている（いいえ→ステップ2）

   なぜ効くか　不在層を直接見る問いです。判断が文書になければ、AIは一般論で埋めるしかありません。

   最初の一手　ベテランに過去案件を一つたどってもらい、判断の手がかりを一行だけ書き出します。

2. 判断基準は「〜の場合は〜する」という条件つきの形で書かれている（いいえ→ステップ3）

   なぜ効くか　条件のない「総合的に判断する」は、AIにとって基準として使えません。

   最初の一手　既存の基準を一つ選び、「どんな条件のとき」を頭につけて書き直します。

3. 通常時の対応と例外時の対応は分けて書かれている（いいえ→ステップ3）

   なぜ効くか　通常と例外が混在すると、AIがどちらを根拠にすべきか区別できません。

   最初の一手　いちばん混ざりやすい1業務で、例外の記述を別の場所に切り出します。

4. 文書には「誰が・いつ使う知識か」という使う場面が書かれている（いいえ→ステップ3）

   なぜ効くか　使う場面（5WのWHO・WHEN）がないと、AIは場違いな場面で当てはめます。

   最初の一手　主要な手順書の冒頭に、想定する利用者と利用場面を一行足します。

5. 主要な用語の定義は部署間で揃っている（いいえ→ステップ4）

   なぜ効くか　同じ用語が部署で違う意味だと、回答が部署によって食い違います。

   最初の一手　食い違いが起きやすい用語を3つ挙げ、各部署の定義を並べてみます。

6. 文書は業務トピック単位に分割されている（いいえ→参照の失敗の対策）

   なぜ効くか　1文書に多業務が詰まっていると、関係のない記述まで渡り埋没層が悪化します。

   最初の一手　いちばん大きい文書を一つ選び、業務ごとに見出しで区切ります。

7. AIに読ませる文書は対象業務に関係するものに絞り込めている（いいえ→参照の失敗の対策）

   なぜ効くか　関連の薄い文書はノイズになり、必要な情報が上位に来なくなります。

   最初の一手　登録予定の文書から、対象業務に関係しないものを一旦外します。

8. 対象業務への問い合わせ件数など、導入前の現状値を測っている（いいえ→ステップ5）

   なぜ効くか　現状値がないと、改善も効果の証明もできません。

   最初の一手　対象業務への問い合わせ件数を、まず数え始めます。

判定の目安は次のとおりです。

「はい」が6問以上なら、RAG導入で効果が出やすい状態です。次の行動は、対象業務に絞ってAIチャットを試験導入し、ステップ5の効果測定を回し始めることです。すでに参照先が整っているので、検索の体験を良くするツール選定に進んでかまいません。

3〜5問なら、部分導入と並行して、上流（判断の言語化・構造化）の整備を進めてください。次の行動は、「いいえ」だった問いに対応するステップから着手することです。たとえば2と3が「いいえ」なら、ステップ3のカード化を1業務分だけ先に回します。整った範囲からAIに載せ、整っていない範囲は無理に載せません。

2問以下なら、ツールを先に買わないでください。最初の仕事は、判断の言語化です。次の行動は、ステップ1で対象業務を1つ選び、ステップ2でベテランへの最初の質問を始めることです。この段階でツールを買っても、参照先が空のままなので、どのツールでも一般論しか返りません（最初の1ヶ月の進め方は、後半のFAQでも具体化しています）。

AIナレッジツールを選ぶ前に見るべき類型

社内AI検索・AIナレッジマネジメントのツールは、大きく3つの類型に分かれます。

どの類型が向くかは、自社の状況で変わります。それぞれ、向く状況の判断基準と、選ぶ前に確かめておく質問を挙げます。

検索型が向くのは、文書はそれなりにあるが、複数のシステムや部門に散らばっていて「どこにあるか分からない」が主な困りごとの場合です。判断基準は「探す手間がボトルネックか、判断が書かれていないことがボトルネックか」です。前者なら検索型が効きます。確認質問は「散らばった文書を一箇所に集約せずに横断できるか」「アクセス権限を保ったまま検索できるか」です。ただし、検索型は探す体験を良くするもので、不在層（判断が書かれていない）は解消しない点に注意が必要です。

チャット型が向くのは、定型的な問い合わせが特定の窓口に集中していて、その一次回答を肩代わりさせたい場合です。判断基準は「同じような質問が繰り返し来ているか」です。繰り返しが多いほど、チャット型の効果が見えやすくなります。確認質問は「回答に出典（参照した文書）が表示されるか」「答えられない質問を人に引き継ぐ導線があるか」です。

プラットフォーム型が向くのは、ナレッジ整備そのものをこれから立ち上げる場合や、判断の引き出し・構造化・用語統一といった上流から手をつけたい場合です。判断基準は「整える対象（参照先の中身）から作る必要があるか」です。確認質問は「文書を載せる前の整備（カード化・用語統一）を支援する機能があるか」「更新の仕組みが用意されているか」です。

選定にあたっては、どの類型を選ぶにせよ、次の4点を一度確かめておくと安全です。それぞれ、なぜ効くかと確認のしかたを添えます。

• アクセス権限の引き継ぎ元の文書で閲覧制限のある情報が、AIの回答に混ざらない設計か。なぜ効くかというと、RAGは検索した内容を要約して返すため、権限管理が甘いと、本来見えないはずの情報が回答経由で漏れます。確認のしかたは、権限の異なる利用者で同じ質問をして、回答が分かれるかを試すことです。
• 機密データの取り扱い入力した社内データが外部モデルの学習に使われない契約・設定か。なぜ効くかというと、社内文書には外に出せない情報が含まれるためです。確認のしかたは、学習利用の有無を契約条項とサービス設定の両方で確かめることです。
• ハルシネーション対策回答に出典（参照した文書）が表示され、根拠を確かめられるか。なぜ効くかというと、出典が見えれば、利用者が答えの当否を確かめられ、4層でいう受け手層のリスクを下げられるためです。確認のしかたは、回答に必ず参照元が併記されるか、その参照元をワンクリックで開けるかを見ることです。
• 運用体制回答精度の検証と文書の更新を、誰がどの頻度で回すか。なぜ効くかというと、更新が止まると鮮度層の問題が再発するためです。確認のしかたは、ツール側に更新候補を知らせる仕組みがあるか、更新の担当と頻度を決められるかを確かめることです。

ツールの中には、回答精度を担保する方法として「検証済みのナレッジ」を掲げるものもあります。専門家が内容を確認した正しい事実だけをAIに参照させる、という考え方です。これは事実の正しさを保証する有効なアプローチですが、この記事で見てきたAI Ready化とは目的の層が違います。検証済みナレッジが保証するのは「書かれている事実が正しいこと」です。一方、AI Ready化が目指すのは「同じ条件なら同じ判断が再現できること」、つまり判断再現性です。事実が正しいことを担保しても「どんな条件のときに、どう判断するか」が書かれていなければ踏み込んだ質問には答えが出ません。検証済みかどうか（事実の層）と、判断が条件付きで書かれているか（判断の層）は、別々に確認する項目だ、と分けて捉えておくと、選定時の見え方を誤りにくくなります。

そのうえで、この記事の観点から選定軸を1つ加えます。「上流」を支援する機能があるかです。ここまで見てきたとおり、AI検索の成否は参照先の中身で決まります。そこで、判断の引き出し・構造化・用語統一といった上流の整備を助ける仕組みをツールが持っているかを見ます。具体的には、ベテランへのヒアリングを支援する、引き出した判断をカード形式に整える、部署ごとの用語の差分を洗い出す、更新候補を知らせる、といった機能です。検索の性能だけで選ぶと、参照先に判断が書かれていないという最初の問題に戻ってしまいます。上流を誰がどう支えるかは、ツールの内蔵機能で賄うのか、運用と人手で賄うのかも含めて、選定時に決めておくとよい論点です。

よくある質問

Q. RAGとAIナレッジマネジメントは、何が違うのですか

いったん用語を分けて押さえると、選定や社内説明で混乱しません。RAGは技術方式の名前で、AIが回答前に文書を検索し、見つかった内容を根拠に答えを組み立てる仕組みを指します。AIナレッジマネジメントはRAGなどの技術を使って社内の知識の蓄積・検索・活用を支援する取り組みの全体を指します。たとえば「RAGを使った社内チャットを導入して、ナレッジマネジメントを改善する」という言い方になります。RAGは手段、AIナレッジマネジメントは目的を含んだ取り組み全体、と対応させてください。

Q. 社内AIチャットの回答精度を上げるには、どうすればよいですか

精度が上がらないとき、最初に手をつけるべきはモデルの変更ではなく、参照文書の整備です。理由は、この記事で見たとおり、踏み込んだ質問に答えが出ない原因の多くが、モデルの賢さではなく参照先の中身（不在層・埋没層・鮮度層）にあるからです。具体的には、業務トピック単位への分割、「〜の場合は〜する」という条件の明記、通常と例外の分離、用語の統一です（本文の5ステップを参照してください）。これらを整えてもなお精度が頭打ちなら、そのときに初めてモデルや検索方式の見直しを検討します。

Q. 何から始めればよいですか

着手の順番は決まっています。問い合わせの多い業務を1つ選び、「AI Ready診断（8問）→判断の引き出し→小さく導入」の順です。全社一斉のツール導入から始めないことが、結果的に早く効果につながります。1業務で一周回すと、何が効いて何がつまずくかが具体的に見え、次の業務への展開がスムーズになるからです。

Q. AIを使いながら若手の判断力を育てる方法

AIの便利さが若手の考える工程を肩代わりしてしまう。これは4層でいう受け手層の問題で、放っておくと若手の判断力が育ちません。対策は、AIに聞く順番を変えることです。先にAIに答えを出させるのではなく、若手にまず自分の仮説を出させてからAIの回答と突き合わせます。

具体的な学習ループを、汎用的な例で挙げます。若手にまず、その案件の判断について自分の仮説を3つ出させます。次に、AIに過去事例や関連条件を提示させ、自分の仮説と突き合わせます。最後に、ベテランが、若手の仮説とAIの回答の両方を見て、見落としを指摘します。この順にすると、AIは若手の思考を肩代わりするのではなく、自分の考えと照らし合わせる相手になります。AIの出力をそのまま採用させるのではなく、「なぜその答えが妥当か」「どの条件なら外れるか」を若手に説明させることも、考える工程を残すのに効きます。なお、高校数学で行われた無作為化比較試験では、練習中にそのまま答えを出すAIを使った生徒は、AIを外した最終試験ではAIを一度も使わなかった生徒より成績が下がった一方、答えを渡さずヒントだけ出す設計にすると、その悪影響がほぼ消えたと報告されています（出典　Bastani, H. et al. “Generative AI Without Guardrails Can Harm Learning: Evidence from High School Mathematics,” PNAS, 2025）。設計しだいで、AIは判断力を育てる側にも空洞化させる側にも振れます。

Q. ベテランが「AIに仕事を奪われる」と感じて協力してくれません。どう巻き込めばよいですか

ベテランが非協力的に見えるとき、本人を責めても動きません。知識はベテランにとって自分の価値や立場と結びついているので、「吸い上げられる」と感じると守りに入るのが自然です。巻き込みでは、知識を出すほど立場が下がるのではなく、出すほど役割が高まる設計にします。

具体的には、ベテランを単なる情報提供者ではなく、AI回答の監修者、若手演習のレビュアー、判断基準の認定者として位置づけます。たとえば、AIが返した答えをベテランが「この条件ならこの答えでよい／この場合は違う」と監修する役割を担えば、知識を出すことが「自分の判断が会社の基準になる」という形で報われます。協力を「吸い上げ」ではなく「次世代への貢献」として設計し、その貢献が評価される仕組みを添えると守りが解けやすくなります。

Q. 一度作ったカードが古くなります。更新を止めないための仕組みはどう設計すればよいですか

カードは作って終わりではなく、業務条件や顧客が変われば古くなります。更新が止まると、4層でいう鮮度層の問題が再発し、AIが古い判断を返すようになります。更新を止めないには、更新を「思い出したらやる作業」にしないことです。

仕組みは3つの要素で設計します。1つ目は、利用ログを見ることです。どのカードがよく参照され、どのカードが「使えなかった」と記録されたかを見れば、直すべきカードが分かります。2つ目は、訂正の経路を作ることです。現場で「このカードは現行と違う」と気づいた人が、その場で修正を申請でき、誰かが承認して反映する流れを決めておきます。3つ目は、廃止の基準を持つことです。各カードに適用条件と版を持たせ、条件が変わったら古い版を廃止します。誰が・いつ・どの頻度で更新を回すかを決めておくことが、止めないための前提になります。

Q. RAGの精度を上げるために、まずモデルを最新版に替えるべきですか

替えたくなる気持ちは分かりますが、最初の一手としては勧めません。理由は、踏み込んだ質問に答えが出ない原因の多くが、モデルの賢さ（生成の工程）ではなく参照先の中身（検索の工程）にあるからです。判断が参照先に書かれていなければ、どれだけ賢いモデルでも根拠にできる材料がないため一般論で埋めます。最新版に替えても、不在層・埋没層・鮮度層はそのまま残ります。まず参照先を整え、それでも精度が頭打ちになったときに、モデルや検索方式の見直しを検討する、という順番が費用対効果に合います。

Q. AI Ready診断で「はい」が2問以下でした。最初の1ヶ月で何から手をつければよいですか

「はい」が2問以下のときは、ツール選定を一旦止めて、参照先を作る側に時間を使います。最初の1ヶ月は、ツールではなく1業務分のカードを作ることに集中します。

週単位の目安を挙げます。1週目は、ステップ1の対象業務の選定です。問い合わせ窓口に直近の質問を出してもらい、判断を要する業務を1つに絞ります。2〜3週目は、ステップ2の判断の引き出しです。選んだ業務のベテランに、CDM・対比法・境界条件の問いで過去案件をたどってもらい、判断の手がかりを記録します。4週目は、ステップ3のカード化です。引き出した内容を、通常と例外を分け、5W＋WHICHで状況を固定して、1業務1カードにまとめます。この1ヶ月で、ツールに載せられる参照先が1業務分できます。あわせて、ステップ5に備えて、対象業務への問い合わせ件数を1週目から数え始めておくと後で効果を示せます。

Q. 社内文書はそれなりにあるのに、踏み込んだ質問に弱いのはなぜですか

文書の量と、踏み込んだ質問に答えられるかは別の話だからです。社内にある文書の多くは規程・手順・FAQといった「管理する知識」です。これは「何をするか」「どこにあるか」は書いてありますが、「どんな条件のとき、なぜそう判断するか」という「継承する判断」は、ほとんど書かれていません。踏み込んだ質問はこの継承する判断を尋ねています。文書がいくらあっても、判断が書かれていなければAIは一般論で埋めるしかありません（4層でいう不在層）。加えて、文書が多いほど必要な情報が埋もれやすくなる（埋没層）ので、量があること自体が、かえって精度を下げていることもあります。直す方向は、文書を増やすことではなく、判断を引き出して条件付きで書き、絞って渡すことです。

ツールの前に判断をAIに渡せる形へ

生成AIは、ナレッジマネジメントの「探して読む」工程を大きく改善しました。規程・手順・FAQといった、すでに書かれた知識を探し出して使う場面では、確かに効果が出ます。一方で、AIは参照先に書かれていないことを返せません。社内で本当に欲しい「ベテランの判断」が文書のどこにもなければ、どのツールを選んでも返ってくるのは一般論です。

なぜ踏み込んだ質問に答えが出ないのかは、〈AIが答えを外す4層〉で見通せます。判断がそもそも書かれていない不在層、増やすほど埋もれる埋没層、更新が止まって古くなる鮮度層、人が一般論を鵜呑みにする受け手層。前の3つは参照先の問題、最後の1つは受け手側の問題です。

やるべきことは、順番にあります。先に、問い合わせの集中している業務を1つ選びます。判断を引き出し、帰属を保った条件付きルールとして構造化し、用語を揃えます。AI Readyになった範囲からAIを載せ、導入前に取った現状値と比べて検証する。この順番です。測るべきは「文書が増えたか」ではなく「同じ条件なら同じ判断が再現できているか」という判断の品質保証です。

ツール選定から始めたくなったら、AI Ready診断の8問を思い出してください。「はい」が2問以下なら、最初にやるべきことはツールの比較ではなく、ベテランへの最初の質問です。

関連記事

• ナレッジマネジメントはもう古いのか　従来のナレッジマネジメントの限界を見る
• 暗黙知をAIで形式知化する方法　AIが暗黙知を扱える範囲を確認する
• ナレッジマネジメントの基礎と導入手順　基礎概念から整理する
• AI Readyとは　生成AIが参照できる社内ナレッジの整え方
• AIエージェント時代のナレッジマネジメント　実行するAIに渡す情報
• ナレッジ共有とは　進まない3つの理由と進める順序

※この記事は、知識ではなく”判断力”の継承に取り組む株式会社taiziiiが運営しています。導入前に自社の文書がAIに渡せる状態かを確かめられる「AI Ready診断（8問）」の配布版（Excel付録「AI Ready診断8問」。印刷して使えます）は、こちらからダウンロードできます。

出典・参考文献

• 株式会社taiziii「企業の属人化防止完全ガイドブック2026」掲載調査（管理職〔課長以上〕200名・インターネット調査。資料記載の調査期間：2025年8月14日〜18日、2026年2月24日〜3月6日）
• 内閣府 (2019)「AI戦略2019」
• Liu, N. F. et al. (2024) “Lost in the Middle: How Language Models Use Long Contexts,” Transactions of the Association for Computational Linguistics, 12
• Lee, H.-P. et al. (2025) “The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers,” Proceedings of ACM CHI 2025（Microsoft Research × Carnegie Mellon University）
• Bastani, H. et al. (2025) “Generative AI Without Guardrails Can Harm Learning: Evidence from High School Mathematics,” PNAS
• Parasuraman, R. & Manzey, D. H. (2010) “Complacency and Bias in Human Use of Automation: An Attentional Integration,” Human Factors, 52(3)
• Kirkpatrick, D. L. (1994) Evaluating Training Programs: The Four Levels, Berrett-Koehler（4段階評価の初出は1959年の論文連載）