生成AI活用は
「新人育成」とよく似ている判断基準を教えるほど、AIは
細かく指示しなくても動ける存在に変わっていく
生成AIを使い始めた頃、私は何を調べ、どの観点で評価し、どの順番で考え、どの形式で出力するかまで細かく指示していた。
ところが、参照知識や判断基準を整備するほど、毎回の説明は減っていった。今では目的と大枠を伝えるだけで、AIが論点を展開し、重要度を付け、改善案を成果物へまとめる場面が増えている。
この変化は、以前マネージャーとして経験した新人育成とよく似ている。作業を教えるだけでなく、判断基準を相手の中に作るほど、指示は手順から目的へ変わっていく。
良いAI育成とは、長いプロンプトを書くことではない。
自分が何を見て、どう判断しているかを、AIが使える形で残すことである。
教えるべきなのは、作業手順だけではない
新人へ仕事を任せる時、最初から「目的だけ伝えるから、あとはよろしく」とはならない。仕事の目的、確認項目、優先順位、判断可能な範囲、禁止事項、相談条件、過去の失敗を教える。
最初のうちは成果物を細かくレビューする。「この場合はこちらを優先する」「この数字だけを見て結論を出さない」「この条件では、その表現を使わない」と修正する。
この仕事は、何のために行うのか。
何を確認し、何を優先するのか。
どこまで自分で判断し、どこから相談するのか。
何が禁止され、過去にどんな失敗があったのか。
こうして上司の判断基準が部下の中にも作られると、少しずつ指示が短くなる。良い育成とは作業方法の伝達ではなく、目的に応じて自分で判断できる状態を作ることである。
AIは「優秀だが、会社のことを知らない新人」である
最新のAIは、最初から非常に多くの一般知識と高い基礎能力を持っている。一方で、自社固有のルール、業界特有の常識、過去の失敗、自分が重視する評価軸、社内のNGまでは知らない。
その状態で仕事を頼めば、それなりの答えは返ってくる。しかし、期待とは微妙にズレる。これは能力が低いからではない。判断に必要なローカルな文脈を、まだ共有していないからである。
基礎能力は高いが、自社や自分固有の基準を知らない。出力は正しく見えても一般論に寄りやすい。
目的、評価軸、NG、過去事例を参照し、何を見るべきかを自分で展開できる。
必要な論点、重要度、改善方法を整理し、人間の最終レビューへ渡せる形にまとめる。
違和感を、次回から使える判断基準へ変える
AIを使っていて違和感が出た時、その場で「直して」と返すだけでは、同じズレが繰り返される。重要なのは、なぜ違ったのかを言語化することである。
たとえばLPレビューがマーケティング視点では正しいが、UX視点では弱かったとする。そこで「UXも見て」と追加するだけでなく、確認すべき行動、NGとなる条件、優先順位、事業との接続まで判断基準として残す。
育つほど、作業指示から目的の委任へ近づく
判断基準が少ない初期状態では、人間が論点、評価基準、手順を決め、AIへ具体的に指示し、ほぼすべてをレビューする。AIは指示されたものを生成する役割にとどまる。
基準が増えると、人間は目的、制約、最終判断へ集中できる。AIは必要な論点を展開し、複数領域から評価し、問題の重要度を付け、改善案を成果物へまとめる役割を持てる。
人間が工程を組み立てる
- 論点と評価基準を決める
- 調査と制作の手順を指定する
- 出力を細部までレビューする
- 修正方法をその都度伝える
AIが工程を展開する
- 目的から必要な論点を洗い出す
- 適切な評価基準を参照する
- 問題を検出し重要度を付ける
- 改善案を成果物へまとめる
これは責任までAIへ渡すという意味ではない。人間は目的と制約を決め、結果をレビューし、採用するかを判断する。そのうえで、中間工程をAIへ任せられる範囲が広がるということである。
「プロンプトが短い」は、雑に使っているという意味ではない
AIへの指示が短いと、表面上は丸投げに見える。しかし実際には、専門知識、過去の判断、NG条件、成功と失敗、評価基準、参照ルーティングを事前に整備しているから短くできる場合がある。
「Aを確認し、Bを調べ、Cと比較して、この順番と形式で資料にする」
「来週の会議でこの判断をしたい。必要な資料を作っておいて」
その場のプロンプトから、恒久的な参照知識へ判断工程を移す。毎回同じ説明をせずに済むのは、説明を省略したからではなく、再利用できる形へ先に移したからである。
AIへ渡すべきなのは、答えより判断材料である
AIを育てるために必要なのは、巨大なマニュアルを一度に作ることではない。日々のレビューで繰り返し現れる判断を、小さく残していけばよい。最初に整理したいのは次の七つである。
目的 — 何のための仕事で、最後に何を判断したいのか。
評価基準 — 何を見て、良い・悪いをどう判定するのか。
優先順位 — 複数の基準が衝突した時、何を先に守るのか。
NG条件 — やってはいけないこと、採用できない状態は何か。
相談条件 — AIだけで進めず、人間へ戻すべき境界はどこか。
成功・失敗事例 — 過去に何が機能し、何が問題になったのか。
参照ルーティング — どの仕事で、どの知識やルールを読むのか。
AIでは、育成内容をデータとして残す必要がある
AIは、人間の部下のように一度注意しただけで永続的に成長するわけではない。会話の中で直せても、その判断が次回の別の仕事へ自動で引き継がれるとは限らない。
残したい判断基準は、参照知識、メモリ、データベース、プロジェクトルールなどへ明示的に外部化する必要がある。さらに、何でも読ませるのではなく、仕事に応じて必要な基準を選んで参照させる設計もいる。
人間の育成では、対話、観察、経験を通じて暗黙的に学ぶ部分が大きい。
AIの育成では、暗黙知を言葉とデータへ変え、必要な時に参照できる場所へ置くことが特に重要になる。
逆に言えば、この外部化を設計できれば、過去の経験を疲労や記憶に左右されにくい一次レビューへ変えられる。自分に余裕がない時でも、以前整理した基準を使ってAIが論点を点検できる。
自分と近い基準で、一次判断できる作業者を育てる
マネージャーとして人を育てる時、私は「自分が不在でも、自分と近い基準で判断できる人を増やす」ことを重視してきた。完全なコピーを作るのではない。どう判断すればよいかを共有し、自分で動ける状態を作るという意味である。
AIでも、自分の専門知識、違和感、NG条件、優先順位、過去の失敗を少しずつ外部化できる。するとAIは、一般的な回答装置から、自分が普段どのように判断しているかを参照できる作業者へ近づく。
ただし、AIの出力はあくまで一次判断である。最終的な採否と責任は人間に残る。その境界を明確にしたうえで、判断材料の整理と中間工程を任せることに価値がある。