最近、GeminiやChatGPTをはじめとするLLM（大規模言語モデル）を触らない日はありません。（本ブログ記事も、ドラフト版はLLMに作成をしてもらいました）
しかし、多くの企業が「チャットで遊んで終わり」や「回答精度がいまいちで使えない」という、いわゆるPoC（概念実証）貧乏に陥っているのも事実かもしれません。
今回読了した『生成AI「戦力化」の教科書』は、そんな「AIをどう使えばいいかわからない」という霧を晴らし、LLMを自社の強力な「戦力」に変えるための具体的な戦略が詰まった一冊でした。
本記事では、本書の学びを整理しながら、私たちがどのようにAIと向き合い、AIと協働していくかを考察します。
![[商品価格に関しましては、リンクが作成された時点と現時点で情報が変更されている場合がございます。]](https://hbb.afl.rakuten.co.jp/hgb/19ae8be4.e750202b.19ae8be5.ab17822b/?me_id=1213310&item_id=21765845&pc=https%3A%2F%2Fthumbnail.image.rakuten.co.jp%2F%400_mall%2Fbook%2Fcabinet%2F1227%2F9784296071227_1_41.jpg%3F_ex%3D240x240&s=240x240&t=picttext "[商品価格に関しましては、リンクが作成された時点と現時点で情報が変更されている場合がございます。]")
目次
LLMの正体は「超高精度な次単語予測マシン」
まず、私たちはLLMに対して抱いている「幻想」を捨てることから始まります。LLMは人間のように言葉の意味を理解しているわけではなく、「次に来る確率が最も高い言葉を予想する」作業を高速で行っているに過ぎません。
例：「昔々、あるところに……」と入力すれば、AIは統計的に「おじいさんと」が来る確率が高いと判断してつなげます。
この「確率的モデル」であることを理解すると、なぜプロンプトの一語一句が重要なのか、なぜ毎回回答が微妙に異なるのか（ゆらぎ）が腑に落ちます。
日本企業にとってのチャンス：弱点を補う「RAG」という仕組み
LLMには大きな弱点が2つあります。1つは、学習データにない「自社固有の情報（社外秘ルールや最新の顧客状況）」を知らないこと。もう1つは、確率で言葉を繋ぐため「もっともらしい嘘（ハルシネーション）」をつくことです。
これでは、正確性が求められる日本の業務では怖くて使えません。そこで登場するのがRAG（検索拡張生成）です。
RAGの役割を一言でいえば、LLMに「自社の情報を見ながら回答させる」仕組みです。
- 仕組み：ユーザーが質問すると、まずシステムが自社のデータベース（ナレッジベース）から関連する資料を「検索」して取ってきます。そして、その資料をLLMに渡し、「この資料に基づいて回答してください」と指示を出します。
- メリット：ネットにない自社のマニュアルや、昨日の会議録をベースに回答できるようになります。（情報の鮮度と正確性）
- 嘘の抑制：「次に来そうな言葉」を適当に予想するのではなく、「手元の資料にある言葉」を優先して使うため、デタラメ（ハルシネーション）が劇的に減ります。
日本のビジネス現場では、独自の商習慣や複雑な社内規定が多いため、この「社内情報を参照させる技術（RAG）」を使いこなせるかどうかが、AIを単なる玩具から「戦力」へ引き上げる最大の分岐点となります。
AIを「優秀な新入社員」として迎える
「AIを導入したけれど、大したアウトプットが返ってこない」という不満をよく耳にします。しかし、これはAIの能力不足というより、私たちの「迎え入れ方（オンボーディング）」に問題があるのかもしれません。
本書では、LLMを「ポテンシャルは高いが、自社のことは何も知らない優秀な新入社員」と定義しています。
想像してみてください。今日入社したばかりの東大卒の新人に対し、背景も教えずに「いい感じに資料作っておいて」とだけ伝えて、完璧な成果物があがってくるでしょうか？
おそらく、独自の社内ルールや過去の経緯を知らない彼は、的外れな回答をしてしまうはずです。LLMもこれと同じです。彼を戦力化するには、以下のような「丁寧な教育プロセス」が不可欠です。
「解像度」の高い指示を与える
「いい感じに」という曖昧な言葉は、新人にとって最も困る指示です。
- ダメな例：「出張報告書をまとめて」
- 良い例：「今回の出張の目的、訪問先での決定事項、次回のネクストアクションの3点に絞って、箇条書きでまとめて。上司に提出するフォーマットでお願い」
このように、「何を、誰のために、どんな形式で」してほしいのか、言葉の解像度を上げて指示する癖をつけることが、AI使いこなしの第一歩です。
「社内の文脈（コンテキスト）」を共有する
新人はあなたの会社の「常識」を知りません。LLMも同様に、一度に扱える情報（コンテキスト）には限りがあり、放っておくと一般的な回答しか出しません。 そこで、「この仕事に必要な背景知識」という名の枠組みをあらかじめセットしてあげる必要があります。
「お手本（過去事例）」を見せる
口頭で説明するより、過去の成功例を見せるのが一番の近道です。 「去年の報告書はこれだよ」「この先輩の書き方を参考にして」と、具体的なサンプル（Few-shotプロンプト）を提示することで、LLMは驚くほど正確に自社のトーン＆マナーを学習します。
戦力化の両輪：ワークフローとナレッジベース
「優秀な新入社員」に適切な指示を出せるようになったら、次のステップは「その個人プレーを、組織の仕組みに昇華させること」です。
一人の社員がAIを使いこなすだけでは、組織全体の生産性は大きく変わりません。新入社員（LLM）が誰の隣に座っても、同じクオリティで成果を出せるようにするための「仕組み」こそが、本書の核心であるワークフローとナレッジベースです。
この2つは、いわば「仕事のやり方」と「仕事のネタ帳」の関係にあります。
ワークフロー（「仕事の進め方」を教える）
どれほど優秀な新人でも、複雑なプロジェクトを丸投げされてはフリーズしてしまいます。そこで、仕事を細かなステップに分解してあげるのが「ワークフロー」の役割です。
- 分解して渡す：「資料作成」という大きな塊を、「構成案を作る」「情報を収集する」「執筆する」「校正する」という小さなモジュールに分解します。
- 「人」が介在するポイントを作る：全てをAI任せにせず、「構成案ができたら人間がチェックする」という工程を挟むことで、精度と安心感を担保します。
- 紙とペンで書き出す：ツールを触る前に、まずはホワイトボードなどで「どのステップでAIが動き、何を出力するか」を可視化することが成功の近道です。
ナレッジベース（「仕事の判断材料」を渡す）
ワークフローが「手順」なら、ナレッジベースは「中身」です。 どれだけ手順が完璧でも、参照するデータが古かったりバラバラだったりすれば、AIは誤った回答を出してしまいます。
- 「生データ」を「資産」に変える：単にファイルをクラウドに放り込む（データレイク）だけでなく、AIが検索しやすいように「これは〇〇プロジェクトの最終版」といったタグ（メタデータ）を付けて整理します。
- 「チャンク」に切り分ける：長すぎるマニュアルはAIも読み飛ばします。意味のある単位（チャンク）に適切に分割して保管することで、AIが必要な情報だけを即座に引き出せるようになります。
組織の資産としてのAI活用
個人のプロンプト術に頼るのではなく、「この手順（ワークフロー）で、この資料（ナレッジ）を使えば、誰でもAIを戦力化できる」という状態を作ること。
この「両輪」を回すことで、AIは単なる便利なツールから、組織の文脈を理解した「手放せないパートナー」へと進化していくのです。
業務効率化の4つのパターン
本書では、書類業務を例に具体的な実務への適用を4つのパターンで解説しています。
| パターン | ポイント |
| 転記・抽出 | 「どこに注目し、どのルールを参照するか」を定義する。 |
| 書類作成 | LLMは「ドラフト製造機」。過去の高品質な文書をプロンプトに埋め込む。 |
| レビュー | 「シフトレフト」を実現。正式な承認前にAIが1次チェックを行う。 |
| 整理・共有 | ワークフローで自動分類し、ナレッジの鮮度を保つ。 |
特に「レビュー」におけるシフトレフト（工程の早い段階で品質担保を行うこと）は、組織のスピードを格段に上げます。
次なるステージ「エージェント」と「完全自動運転」
さらに進化すると、AIは単なる道具から「エージェント」へと変わります。 エージェントは自律的に計画（Planning）を立て、必要に応じて外部ツールを使い、記憶を保持して目的を達成しようとします。
私たちが目指すべき到達点は、「業務の完全自動運転」です。 最初は点（単発のタスク）の自動化かもしれませんが、それらを線（ワークフロー）で結び、最終的には面（部門横断）での自動化へと広げていく。この積み重ねが、将来どんな高度なAIが登場しても揺るがない「企業の基盤」となります。
最後に：AIとともに成長する働き方
「AIに仕事が奪われる」という懸念もありますが、歴史を振り返れば、技術革新は常にそれ以上の新しい仕事を生んできました。
重要なのは、今ある仕事の形に固執せず、「AIありきの競争優位性」をどう築くかです。 まずはAIを楽しく触ってみるを始めてみませんか。
LLMという「新入社員」をどう育てるか。それは、私たちマネジメント側の腕の見せ所なのです。