プロンプトを微調整し、それでもなお「なんか違う」という出力に付き合う。そしてまた修正する。これが結構面倒なのだ。それゆえ、その疲弊感から、多くのビジネスパーソンは無意識に「結局、人間がやった方が早い」と結論づけているのではないだろうか。
気持ちはよく分かる。だが、その「面倒」の正体は、プロンプト技法の不足ではない。自分の業務を、一度も言葉にしたことがないことに起因しているのではなかろうか。
これは高校教師としての11年の経験を経て、現在はマネージャーとして教育の現場と組織の最前線に向き合い、部署のAX化を毎日進めている私の切実な気づきである。
AI時代に求められるのは「ツールを触る技術」ではなく、AIを使って「仕事を設計する力」だ。その設計の第一歩は、自分が何をしているのかを、言葉として外部に出すこと。この記事では、実務の現場で見た「構造化」と「言語化」の具体的な工夫を通じて、AIを使いこなせる人と、そうでない人の差の本質を明らかにする。
1. AIからのアウトプットが使えないのは解像度が低いから
プロンプト工夫による出力品質の向上は、一定の効果を持つ。最新モデルへの対応、入力文の丁寧さ、役割の明示といった技法は、AIの動作に影響を与える。
しかし、実務の現場では別の層の問題が生じている。指示を改善しても出力が安定しない。何とかしようとして無策なプロンプト調整を繰り返し、再現性のない試行に時間を溶かしてしまうことでかえって認知負荷が増大する、「AIによる泥沼化」である。
「何を書けば出力を向上させられるのか知らない」という問題は、単なる技法不足ではなく、より根本的な構造に由来する可能性が高い。
自分の業務を言葉にしたことがないまま、AIへの指示を工夫しようとしても、その効果は限定的である。部下がデータ分析の指示をAIに出す場面を例に挙げよう。読者が社内のどの層であるか、どの指標が重要であるか、どの表現が標準化されているかといった前提条件が、指示者本人に言語化されていなければ、AIはそれを推測するしかない。推測は外れ、指示を改善する動機そのものが生じない。
つまり、「プロンプト工夫に時間をかけても出力が安定しない」という経験の背後には、自分の業務の解像度が低いままであるという事実が存在している。
AI時代における生存戦略は、自ら課題を構造化し、解決策を設計する能力を持つことにある。本稿では、この二つの能力の具体的な実装を示す。
2. 構造化——業務を「判断領域」に分解する
「校正」という業務を例に取る。
一見すると単一のタスクだが、内実は複数の工程とそれぞれ異なる判断基準を含んでいる。表記ゆれの検出、文法や句読点の妥当性判定、事実の誤りの検証（特定の数字や日付）、トーンの一貫性確認、読みやすさの評価。
これらは「校正」という名称で括られていても、求められる判断の種類は全く異なる。表記ゆれの統一は規則性が高く、AIに任せやすい領域である。一方、「事実の誤りの検証」など100%の正誤判定が求められる領域や説明責任が伴う領域は「致命条件」であり、即座にAI利用の可否を判断して人間が直接対応すべきである。
構造化とは、このように曖昧な業務課題を論理的に整理し、AIが処理可能なタスクレベルまで分解・言語化するプロセスを指す。
業務を構造化しないまま「校正をしてほしい」といきなりAIに丸投げすれば、返ってきたアウトプットを人間が全て検査し直す非効率なループに陥る。構造化されていれば、「この部分はAI判定で十分」「この部分は人間確認が必須」という判断の境界線が明確になり、作業の効率性と品質が同時に向上する。
3. 言語化——前提条件を「確実な情報」として外部化する
構造化した業務設計をAIに伝えるには、さらに一段階の作業が必要である。業務を言葉として外部化し、AIが扱いやすい形に情報を整理・整形する「AI-First」なデータ構造を作ることだ。
これを「言語化」と呼ぶ。
実装の例として、マークダウン形式で社内の標準的な言葉、指標、判断基準をあらかじめファイル化する方法がある。データ分析業務であれば、まず役割を「あなたはデータサイエンティストです」と明示する。その上で、「社内では『LTV』を以下の計算式で定義している」「成長率の報告は前年同月比で行う」「資料のトーンは経営層向けとする」といった条件を事前に読み込ませる。
このプロセスを経ることで、AIはその枠組みの中で、読者の層、標準的な表現、重視すべき指標を理解した状態で出力を生成できるようになる。
言語化の本質は、脳内にある「当たり前」を外部化し、AIが「確実な情報」として処理できる形に変換することである。その結果、AIの出力は「運次第」から、実務で安定して継続稼働する状態へと移行する。成功事例も、その時々の幸運ではなく、特定の個人に依存しない再現性の高いプロセスとなる。
4. 実践的なステップ——「業務を言葉にする」ための三段階
構造化と言語化の必要性を理解しても、実装には躊躇が生じやすい。複雑さへの懸念、着手までの心理的抵抗である。しかし、私が高校教師として生徒に向き合ってきた経験から言えば、「なぜわからないのか」を理解し、最初のつまずきポイントを予測して極力シンプルにすることが突破口になる。最初の一歩は小規模に始めよう。
現在進行中の業務を、紙またはドキュメントに工程として記述する。「データ分析」であれば、「①データの抽出」「②前処理」「③分析」「④可視化」「⑤レポート作成」のように箇条書きにする。この際、各工程で「人間の判断が必要な箇所」「ルーチン化できる部分」を並行して思考する。
各工程において、何が判断の分かれ目になるのかを書き出す。「レポート作成」であれば、「読者層の設定」「伝えるべき主要メッセージ」「優先すべき指標」「社内での標準的表現」といった要素を列挙する。この段階で、自分が無自覚に進めていた作業の曖昧さが可視化される。
第二段階で書き出した判断基準を、AIが理解可能な形式に変換する。マークダウン、テンプレート、プロンプト内の前置き条件など、手段は問わない。重要なのは、「AIに伝える」という意識で、もう一度言語化のプロセスを経ることである。
まとめ：構造化と言語化の本質
構造化と言語化は、AI時代に要求される基礎的な能力である。
構造化は、曖昧な一つの業務を、判断基準や工程に基づいて論理的に分解し、AIが処理すべき領域と人間が判断すべき領域を区別するプロセスを指す。 言語化は、その分解した設計図を、脳の外に「確実な情報」として出力し、AIが再現性を持って処理できる状態に整えるプロセスを指す。
この二つの能力がなければ、AIは試行錯誤の相手に留まる。出力の不安定さは、AIの限界というより、自分の業務設計の未成熟さの表れであると言える。
逆に、これら二つの能力を持つ人間は、AI時代において非常に価値を持つ。AIを単なる効率化ツールとしてしか捉えられず、自ら「設計と判断」ができない人は、市場価値が停滞していく。私たちが目指すべきは、業務を構造化し、AIを組み込んだ再現可能なプロセスを設計・実装し、現場で継続運用できる「AX人材」である。
AI導入が進展する中、「プロンプトエンジニアリングを学ぶ」という枝葉的な努力ではなく、「自分の仕事を一度、言葉として外に出す」という根本的な営みに時間を投じることが、市場におけるイノベーターとしての自身の価値をアップデートし続ける第一歩となるのではないだろうか。