なぜAIと業務整理が同時に取り上げられる？｜良質なコンテキストがないAIは器用貧乏でしかない

「AIを導入するなら、まず業務を棚卸しましょう」

こんな説明を聞くと、「業務を整理する手間を減らしたくて、AIを入れるんだけど」と思いませんか。

この記事では、AIと業務整理がセットで語られる理由を、「業務のベストプラクティス」と「独自のデータ・知見」から解説します。自社の事情を踏まえて仕事を進めるAIにするために、何を言葉にし、何を渡せばよいかを考える記事です。

まず、確かめたいことがあります。

その仕事の「うまくいくやり方」を、会社として説明できるでしょうか。

会社の中でも説明できていない判断基準を、AIだけに察してもらう。その期待には無理があります。

汎用的なAIは、文章の整理やアイデア出しにも役立ちます。ただ、自社ならではの判断まで任せたいなら、何を根拠にどう判断するのかをAIに伝える必要があります。それを伝えなければ、幅広くこなせても、肝心の仕事では器用貧乏で止まってしまいます。

「何でもできる」と「うちの仕事ができる」の違い

「間違ってはいない。でも、うちではこのまま使えない」

AIに仕事を頼んで、こんな感想を持ったことはありませんか。

たとえば、「お客様への返信文を作って」と頼めば、丁寧な文章は出てくるでしょう。でも、その顧客とは何を約束しているのか、どの社内資料が最新なのか、担当者は何を確認してから返答しているのか。そうした事情を踏まえた内容にするには、必要な情報をAIにも渡さなければなりません。

ここで必要になるのが、コンテキストです。この記事では、AIが仕事を進めるときの前提になる、目的・状況・判断基準・参照情報という意味で使います。

「丁寧に」「プロとして」と指示を足しても、顧客との約束そのものは伝わりません。言い回しを磨くことと、判断に必要な情報を渡すことは、別の作業です。

AI開発元のAnthropicも、コンテキストの設計では、指示文だけでなく、参照データや履歴などを含めて、必要な情報を選び、維持することを重視しています（参考資料）。

私は、企業のAI活用でも、この考え方が重要だと考えています。特に取り出したいのが、仕事の良し悪しを分ける基準と、その基準を今回の仕事に当てはめるための情報です。

作業一覧の先にある判断基準

業務整理というと、「誰が、何を、何分かけてやっているか」を一覧にする場面を思い浮かべるかもしれません。

それも、手間の大きい仕事を見つけるには役立ちます。ただ、その一覧だけでは、AIに何をどう任せればよいかまでは決まりません。

ここからは、設備保全の会社で、受付担当者が修理依頼を現場担当者へ引き継ぐ、架空の場面を考えてみましょう。

業務一覧には、「依頼内容を確認し、引き継ぎメモを作る」と書いてあります。この説明だけなら、AIにも文章の整理は頼めそうです。

ところが、仕事のできる受付担当者は、依頼文をきれいにまとめるだけではありません。

訪問準備に必要な情報が足りているかを見て、過去の対応履歴を調べ、確認済みの事実と未確認の点を分けています。現場担当者がメモを受け取った後に、同じ確認を最初からやり直さずに済むようにしているのです。

この仕事をAIに手伝わせるなら、たとえば次の内容が必要になります。

整理するもの	言葉にする内容の例
目的	現場担当者が訪問準備に入れる状態で引き継ぐ
必要な情報	設備の型番・製造番号、顧客が伝えた症状、過去の対応履歴
良いメモの条件	確認済みの事実、未確認の点、次の確認先が分かれている
例外の扱い	型番を特定できないときは、推測で埋めずに追加確認へ回す
参照する資料	現行の受付手順、顧客情報、確認済みの対応記録

「メモを作る」という作業名の裏には、これだけの中身があります。

「何をするか」だけでなく、「どうなれば良い仕事か」まで言葉にする。

この条件を取り出すのが、AI活用に向けた業務整理の大切な部分です。では、具体的に何が変わるのでしょうか。

同じ依頼でも変わる引き継ぎ

顧客から、次の連絡が来たとします。

第2工場の設備Aが、また止まりました。明日、見に来てください。

この連絡を現場担当者へ引き継ぐメモを考えます。以下は、渡す情報によって期待する内容がどう変わるかを示すために書いた架空の比較例です。実際のAIの実行結果や、実在企業の支援事例ではありません。

依頼内容だけで作るメモ

「修理依頼を整理して」と、顧客の連絡だけを渡す場合には、たとえば次のようなメモが考えられます。

顧客から、第2工場の設備Aが再び停止したとの連絡。明日の訪問を希望。

要確認：設備の型番、症状の詳細、訪問可能な時間帯。

依頼の概要は分かります。基本的な確認事項もあります。

ただ、この会社が経験を通じて重視するようになった確認は、まだ入っていません。

自社の知見と記録を添えたメモ

この会社では、再発の依頼を受けたときに「前回の対応後、いつまで動いていたか」を聞き漏らし、現場担当者が確認をやり直したことがあったとします。

そこで、再発の連絡を受けたときは、前回の対応と今回の停止までの経過を並べて引き継ぐという受付基準を決めました。今回、AIには次の情報も渡します。

• 受付基準：再発の依頼では、前回対応後の稼働状況と、再び止まった時点を確認する。分からない点は未確認と書く。
• 該当設備の記録：前回の作業内容と、作業後に稼働を確認した記録。設備の型番も、この記録で特定できるものとする。

この受付基準と記録を使って、次のような内容のメモを作るようAIに依頼できます。

顧客から、第2工場の設備Aが再び停止したとの連絡。明日の訪問を希望。

前回対応：該当設備の作業内容と、対応後の稼働確認の記録を添付。

今回の未確認事項：前回対応後、いつまで動いていたか／再び止まった時点／今回の症状の詳細。

次の確認：受付担当者が顧客へ経過と訪問可能な時間帯を確認し、前回の記録と並べて現場担当者へ引き継ぐ。

変わるのは、文章の丁寧さだけではありません。過去の記録を踏まえ、今回どこを確認するかが具体的になりました。

一般的なAIも、再発までの経過を尋ねる案を出すかもしれません。それでも、「この会社で必ず確認する理由」や「今回参照すべき記録」は、社内の知見から渡す必要があります。

この例では、受付基準が「良いやり方を言葉にしたもの」、設備の履歴が「今回の判断材料」です。その二つを結びつけて渡すことで、AIに求める仕事が具体的になります。

ベストプラクティスの言語化

ベストプラクティスとは、ここでは、自社の目的と条件のもとで、成果につながると確かめてきた仕事の進め方を指します。

先ほどの例で、「過去の対応履歴を確認する」とだけ書いても、何を探し、どう使うかは曖昧です。「再発までの経過を把握し、前回の対応と並べて引き継ぐ。そのために履歴を見る」まで説明すれば、確認の目的が伝わります。

同じ症状でも、原因まで同じだとは決めつけない。分からない点は、確認先を示して残す。こうした判断の限界も、基準の一部です。

「臨機応変に」「いつもどおり」「経験を生かして」。社内で通じているつもりの言葉についても、どんな条件で何をするのかを具体的に説明する必要があります。人の後任者に引き継ぐときにも、必要な説明ですよね。

ただし、自社のやり方なら何でも残せばよいわけではありません。

長く続いているやり方が、良いやり方とは限らない。

「昔から全件でこの項目を入力している」と聞いたら、誰が何のためにその項目を使っているのかを確かめましょう。使い道がなくなっているなら、AIに入力させる前に、その項目を残すかどうかを見直せます。

業務整理には、仕事のコツを取り出す役割と、今の仕事に必要なものを選び直す役割があります。現状の手順をそのままAIに移すだけでは、無駄も引き継いでしまいます。

熟練者が理由をうまく説明できない場合は、実際の事例を見ながら聞く方法もあります。聞き取り方は、「暗黙知」をAIに教えるには？｜熟練者の判断を言語化する方法で詳しく紹介しています。

社内の「当たり前」にある独自の知見

「独自のデータや知見が必要」と聞くと、「うちには、そんな大げさなものはない」と感じるかもしれません。

でも、先ほどの会社なら、次のような情報も自社ならではの知識です。

• 顧客ごとに異なる、訪問時の連絡先や入館手続き。
• 設備ごとの過去の修理内容と、対応後の状況。
• 引き継ぎで情報が足りず、確認のやり直しが起きた記録。
• 一度で必要な情報が伝わったメモと、その理由。

顧客固有の情報もあれば、経験から得た仕事のコツもあります。どちらも、外から来た人が最初から知っていることではありません。

自社では当たり前すぎて、価値を感じていない情報ほど、AIには渡していないかもしれません。ベテランが当然のように気にしている点でも、その理由と手がかりを共有しなければ、他の人もAIも同じようには扱えません。

複数の企業が同じような汎用AIを使うとき、自社の仕事に即した成果を狙うなら、AIに何を渡せるかが差になります。

独自の知見を渡せないまま、「他社には出せない答え」を期待する。その期待には、無理があります。

ただし、データを持っているだけでも足りません。

過去の記録には、うまくいった対応も、不十分だった対応も混ざっています。顧客との取り決めが変わり、今は使えない情報もあるでしょう。

「どれが今の正しい情報か」「どの例を良い仕事の見本にするか」「なぜ良いと判断したか」。そこまで整理して、初めてAIに渡す中身が定まります。

資料の量より、仕事とのつながり

では、社内資料を片っ端から読み込ませればよいのでしょうか。

先ほどの引き継ぎメモを作るのに、全顧客の履歴や、廃止された受付ルールまで必要でしょうか。今回の依頼と関係の薄い資料が増えるほど、参照してほしい情報は埋もれてしまいます。

Anthropicの解説でも、必要な情報を十分に含めながら、関連性の高い情報に絞ることが勧められています（参考資料1）。

業務で考えるなら、「この依頼を、この目的で処理するために、何が必要か」から選びます。

受付の例なら、現行の受付基準と今回の依頼内容、該当する顧客・設備の記録、良い引き継ぎメモの見本を組み合わせて試せます。再発の依頼を受けたときの受付基準だけを渡しても、今回がどの設備の再依頼か分からなければ、今回の依頼と設備の記録を結びつけられません。履歴を渡すときにも、今回どこを確認してほしいのかをAIに伝える必要があります。

さらに、見本には「何が良いか」という説明を添えましょう。資料には更新日や確認先を残しておきましょう。必要な事実を確認できないときは、誰に確認するのかも決めておきましょう。

AIが必要な情報を探し、その意味を理解して判断に使えるように整えることが、AIのための業務整理です。

一つの仕事で始める整理と試行

ここまで読むと、「AIを使う前に、社内のすべてを文書化しないといけないのか」と感じるかもしれません。

全部を一度に整理する必要はありません。一つの仕事で、整理と試行を行き来できます。AIに質問役や整理役を頼み、担当者が答えを確かめる進め方もあります。

最初は、繰り返し発生していて、担当者が良し悪しを説明しやすい仕事を選んでみてください。

1．良い仕事の条件を決める

「引き継ぎメモを作れた」だけで終わらせず、「現場担当者が準備に必要な情報を把握できたか」まで考えます。受付担当者と現場担当者で、何を減らし、どんな状態にしたいのかについて認識を合わせます。

AIに任せる範囲も、まずはメモの下書きまで、と区切れます。

2．見本と、その理由を集める

うまく伝わったメモと、確認のやり直しが起きたメモを比べます。使う事例は、AIへ渡せる範囲を確認し、不要な顧客情報などを除いて用意します。

「こちらが良い」で終わらせず、何が書かれていたから仕事が進んだのかを言葉にします。そこから、必要な項目や判断基準を取り出します。

3．別の依頼で試す

基準と見本をAIに渡したら、見本とは別の依頼でメモを作らせます。担当者が確認し、情報の抜け、事実と推測の混同、不要な確認事項がないかを見ます。

基準を渡せば、必ず期待どおりに動くわけではありません。書いた条件を見落とすなら、指示の伝え方やAIに任せる範囲も見直します。

業務上の変化を見るなら、「引き継ぎ後、情報不足のために必要になった追加確認の件数」が一つの目安になります。同じ種類の依頼をそろえ、従来の方法で作ったメモと、AIの下書きを担当者が確認したメモで、この件数を比べてみます。追加確認の件数が減っていても、必要な情報を見落としていないか、メモの内容も併せて確認しましょう。

4．手直しの理由を残す

担当者が直したら、完成したメモに加え、「なぜ直したか」を基準や見本に反映します。

その都度、チャットで訂正して終わると、次回も同じ説明が必要になります。確認した知見を基準や見本の原本に反映し、次に仕事を頼むときにも参照できるようにしておきます。

受付基準と見本を誰が更新するかも決めておきます。顧客との取り決めや手順が変わったら、その担当者が内容と更新日を直し、次回から使う資料へ反映します。

これを繰り返すと、AIへの指示だけでなく、社内で仕事を引き継ぐための知識も整っていきます。

AIに渡せる自社の仕事の中身

AIと業務整理が同時に取り上げられるのは、自社の「良い仕事」を、AIが参照できる形にする必要があるからです。

ベストプラクティスを言語化すれば、仕事の良し悪しを分ける基準が残ります。独自のデータや知見を整理すれば、その基準を今回の仕事に当てはめる材料がそろいます。実際の仕事で使って確かめ、手直しした理由を基準に反映することで、基準も育っていきます。

AI活用の目的や、どの業務に力を注ぐかがまだ定まっていない場合は、AXやAI-Ready化はゴールではない｜AI活用を成果につなぐビジョンと戦略も判断の手がかりになります。ぜひご一読ください。

新しいAIツールを選ぶときには、何ができるかに加えて、自社は何をAIに委譲できる状態なのかも確かめてみてください。

「その仕事において何が正解なのか。他の人にも説明できますか？」

この問いに答えを持たないままでは、AIへの要求レベルだけが高くになり、必要な情報がないままです。

自社の経験を、次の仕事に使える知見として残せるでしょうか。AIに任せる範囲を広げるほど、会社が積み重ねてきた仕事の中身が問われるのです。