自社独自の暗黙知をAIで言語化する方法

TL;DR

成果の良い資料や投稿、面談ログなどをAIに比較させ、共通する特徴を抽出し、人が必要な項目だけを選んで修正する。確定した知見をプロンプトや研修、評価基準へ組み込めば、個人に偏った仕事の進め方を組織で再利用できる。

Transcript

こんにちは。イトです。今回は自社独自の 地見を言語化し、これをAIで活用する 秘訣中の秘訣リバースナレッジという概念 をご紹介したいと思います。で、これは 実際に私がコンサルであったり、 アドバイリーで入ってその会社のために プロンプトとか、ま、デファ使ったり GPT使ったりしてAIを作る時にやっ てる内容でして、こういう風な作り方、 やり方してる人、おそらくしっかりやっ てる人はかなりみんなやってるんじゃない かなと思うんですけど、やってない人も かなり多いと思うんですね。買い出して もらってプロンプと見ても、あ、全然一般 的で中身が全然ないという風に思うケース が多く、今日のこの内容を見てもらって、 え、このやり方覚えてもらうことによって 皆さんのAI使い、プロンプト能力、AI を活用し... Read More

Key Insights

• リバースナレッジは、既存のデータや優れた成果物をAIに比較させ、組織や個人に固有の成功要因を逆算して言語化する手法である。
• 元データの選定は、抽出結果の方向を決める工程であり、反響の良い投稿や受注した提案書など、目的に合う成功事例を複数集める必要がある。
• AIの抽出結果は独自ナレッジそのものではなく、その候補であるため、人が重要性を判断し、不要な一般論や誤った解釈を削除する必要がある。
• SNS投稿の分析は、内容の共通点だけでなく、段落の短さ、読者への働きかけ、強調方法など、文章スタイルの特徴も言語化できる。
• 資料分析は、ファイル添付だけに依存せず、全ページを文字データへ変換して入力することで、資料全体の構造や共通点を検討しやすくなる。
• 採用面談ログは、合格者と不合格者の共通点を比較することで、知識、課題解決力、学習意欲などの合否判定軸の候補へ整理できる。
• 一次データの分析は、抽象的な評価軸を作るだけでなく、その判断根拠となった具体的な発言や良い例、悪い例を元の会話から抽出できる。
• 確定した独自ナレッジは、生成AIのプロンプトに組み込むほか、社内研修、マニュアル、評価基準など、人への知識移転にも再利用できる。
• 🎬 このチャンネルの他の動画:
  • Dropboxの同期を保ち容量を節約する方法
  • ClaudeとSupabaseを連携する方法
  • 業務用GPTsを高精度に作る方法とは？
• 📺 このチャンネル: いけともch

Questions & Answers

Q: リバースナレッジとは何ですか？

リバースナレッジとは、既存のデータや成果物をAIで分析し、そこから組織や個人に固有の判断基準、成功要因、表現パターンを逆算して言語化する考え方です。AIが候補を抽出し、人が必要な項目を選別、修正して、再利用できる知識へ仕上げます。

Q: 自社の暗黙知をAIで言語化する方法は？

成果の良かった事例を複数集め、AIに共通する良い点や特徴を箇条書きで抽出させます。次に、一般的すぎる項目や自社の考え方と異なる項目を人が除外し、重要な項目を具体化します。完成した内容をプロンプト、研修、マニュアルへ反映すれば再利用できます。

Q: 分析する元データはどのように選べばよいですか？

実現したい成果に対応する、質の良い事例を選びます。SNS投稿なら反響があった投稿、営業なら受注した提案書、報告業務なら顧客評価の良かった資料が候補です。採用では合格者と不合格者の面談ログを分け、両者の違いを比較できる状態にします。

Q: AIが抽出した特徴をそのまま使ってよいですか？

そのまま採用せず、独自ナレッジの候補として人が精査します。複数事例には共通していても今後は再現したくない特徴や、AIが偶然の一致を過大評価した項目が含まれる可能性があります。重要な項目を選び、不要な内容を削り、表現を修正してから確定します。

Q: PDFや提案資料から独自ノウハウを抽出する方法は？

資料の全ページを文字データへ変換し、その全文をAIへ入力して、構造、内容、ストーリー、共通パーツなどの観点から良い点を抽出させます。話者は、ファイル添付では一部だけが検索される場合があるとしており、資料全体を対象にするための全文テキスト化を勧めています。

Q: SNS投稿の勝ちパターンを抽出する方法は？

反響の良かった投稿を複数選び、AIに内容面と文章スタイル面を分けて共通点を尋ねます。問題提起と解決策の明確さ、具体性、行動喚起に加え、短い段落、読者への働きかけ、強調表現などを抽出し、自分が今後も再現したい要素だけを残します。

Q: 採用面談ログから合否判定軸を作る方法は？

合格者と不合格者の面談ログを区別してAIへ渡し、それぞれの共通点と相違点を抽出させたうえで、合否判定軸の候補を作らせます。さらに各軸の根拠となる発言、良い例、悪い例を元ログから示させると、抽象的な基準を具体的な評価材料へ落とし込めます。

Q: 抽出した独自ナレッジをプロンプトへ反映する方法は？

人が確定した特徴を、生成物が満たすべき要件としてプロンプトに記載します。たとえば投稿なら、内容の構成、文章スタイル、読者への働きかけなどを明文化します。一般的な指示だけでなく、実際の優れた成果物から抽出した条件を入れることが、再現性を高める狙いです。

Summary & Key Takeaways

• リバースナレッジとは、成果物や業務データから、組織や個人に固有の成功要因をAIで逆算して言語化する方法である。大量の資料が未整理のまま残り、ベテランの判断基準が共有されず、一般的なプロンプトでは期待する品質を再現できないという一連の課題に対応する。

• 基本手順は、反響の良いSNS投稿、受注した提案書、評価された報告書など、目的に合う良質な事例を複数選ぶことから始まる。AIに共通する良い点、構成、文章表現、使用パーツなどを観点別に抽出させ、その結果を人が採用、削除、修正して独自ナレッジへ仕上げる。

• 応用例には、投稿の勝ちパターン、提案資料の構造、採用面談の合否判定軸、営業ログに現れる質問やニーズの抽出がある。確定した知見はプロンプト、社内研修、マニュアル、評価基準に転用できる。ただしAIの抽出結果は完成品ではなく、元データの選定と人間の判断が必要である。