「あの話、もっと早く知りたかった」
中堅企業の経営者から、繰り返し聞く悔やみの声があります。
「3 ヶ月前の社内ミーティングで、ある社員が新規事業のアイデアを出していたらしい。当時上司が拾わず、アイデアは消えた。今頃同業他社が似たことを始めて、市場を取られている」
「営業部の若手が大手取引先で進めていた商談、上司が知らない間に競合に取られていた。週次会議で話題にすらならず、CEO の自分が把握したのは失注 2 ヶ月後だった」
これらは、経営者が 「全会議に出席できない」 ことから来る構造的問題です。社員数十名以上の組織では、CEO が物理的に全ミーティングに同席することは不可能です。
本稿では、この構造的問題を解く設計として 「シグナル DB」 という発想を整理します。実運用に乗っている事例を参考にしつつ、自社で組み立てる際の論点を解説します。
※ 本稿は 2026 年 5 月時点の事例観察に基づきます。
シグナル DB とは何か
定義
社内のあらゆるテキストデータ（Slack 投稿、Google Meet 録画の文字起こし、ドキュメント編集履歴、メール）から、経営判断に関わる事象だけを自動抽出して時系列で蓄積したデータベース です。
なぜ「シグナル」と呼ぶか
社内データの大半は経営判断に直接関係ないノイズです：
- 「おはようございます」
- 「ランチ何にしますか」
- 「資料の表記、ここ統一しておきました」
これらをすべて経営者に通知すると、本当に重要な情報が埋もれます。逆に、以下のような発言は経営判断に直結します：
- 「経営者が知らない部門で、新規事業の構想が議論されている」
- 「ある投資家からの提案を実装した結果、業績にヒットした履歴が複数回ある」
- 「ある顧客との接触で、これまでなかった種類の要望が発生している」
これらの 「ノイズに混じった重要な信号（シグナル）」 だけを抽出するのが、シグナル DB の役割です。
シグナルの分類
実運用事例で使われている分類軸は、おおむね以下の 8 種類です：
| 分類 | 例 |
|---|---|
| 仮説 | 「この施策はこういう理由で効くはず」 |
| 学び | 「前回の失敗から、こういう手順を変えた」 |
| 意思決定 | 「来月から販売チャネルを A から B に切替」 |
| 接触 | 「新しい投資家・顧客・パートナーと面会」 |
| 検討中アイデア | 「こういう新規事業ができそう」 |
| 気づき | 「業界違うプロと話して新しい視点を得た」 |
| 発見 | 「市場で新しい兆候を観測した」 |
| 知識 | 「この技術トレンドを社内で初めて触った」 |
これらを 1 日数百件のペースで自動抽出します。
抽出の仕組み
Step 1: データ収集
社内のあらゆるテキストデータを集約する基盤を作ります。具体的には：
- Slack ワークスペース全体：パブリックチャンネルの投稿
- Google Meet 録画 → 文字起こし：全社員の会議記録
- Google Docs / Notion：ドキュメントの新規作成・編集
- メール（任意）：取引先とのやり取り
これらを 1 つのデータベースに集約します。
Step 2: 重複排除
同じ会議が「Meet 録画」と「カレンダーログ」で二重カウントされる、ライフログ録音と Meet 録画が被る、といった重複は 専用の AI エージェント が裏で寄せて 1 件にまとめます。
Step 3: シグナル分類
集約されたテキストから、「業務上意味を持つ発言」だけを抽出する分類エージェント が動きます。「おはようございます」と「事業 A から B に人員配置を全振り」を区別する分類器が肝です。
これは LLM への分類タスク委譲で実装できます。プロンプト例：
以下の発言を「シグナル」「ノイズ」のいずれかに分類してください。
シグナルは経営判断・組織運営・顧客対応に関わる発言。
ノイズは挨拶・雑談・事務的なやり取り。
発言：「来月から販売チャネルを A から B に切り替えます」
分類：シグナル
カテゴリ：意思決定Step 4: 経営者への通知
シグナルは時系列で DB に蓄積され、経営者は朝のブリーフィングで一覧確認します。詳しくは 経営者の朝 15 分 ── AI で意思決定フォローを自動化する設計 で扱っています。
シグナル DB の効果
効果 1: 「全会議に同席している」感覚
社員数十〜数百名の組織でも、経営者は朝 5 分でその日に発生した重要事象を把握できます。「自分が出ていないあの会議で、こんな議論があった」が即日分かります。
効果 2: 「自分すら気づいていない」成功パターン発見
シグナルを 1〜2 年蓄積し、ストーリー化（線にする）すると、自分でも気づかなかった成功パターンが浮き上がります。
例：「ある投資家から提案された施策を実装する → 業績にヒット」というパターンが過去 3 回発生していた。AI が時系列分析で発見し、「この投資家からの提案は最優先で実装」という判断ロジックが明文化される。
効果 3: 重要事象の取りこぼしゼロ
週次会議で報告されないレベルの細かい事象が、毎朝経営者に届きます。3 ヶ月後に「今頃知った」が起きません。
実装の前提条件
必須条件
- データのデジタル化：Slack・Google Workspace 等が日常運用に組み込まれている
- 社員数 30 名以上：少人数では「全会議に出席する」方が早い
- 疑似録の運用：Meet 等の会議録画が日常的に取られている
あると望ましい条件
- ライフログ収集：オフライン会議も録音できる体制
- チャットツール集約：Slack に統一されている（メール・LINE・チャットワークが分散していると統合コストが上がる）
プライバシー・倫理面の留意点
シグナル DB は 社員の発言をすべて拾う 性質があるため、以下の論点を社内で合意する必要があります：
- 全社員に「シグナル抽出のために発言が経営者に共有される」ことを事前に告知
- パブリックチャンネルのみ対象とし、プライベート DM は除外
- 個人攻撃や評価に使わない運用ルールを明文化
- 経営判断のサポート目的に限定する
これを怠ると「監視されている」という不信感が生まれ、社内のオープンな発言が消えます。導入時には人事・法務との合意を取ることをおすすめします。
弊社での構築事例
弊社では、社員数 30 名以上の組織向けにシグナル DB の構築・運用支援を行っています。Supabase をデータ基盤とし、Slack/Google Meet/Notion 等から自動収集 → 分類 → 経営者向け通知までを一貫して構築可能です。
詳しくは 導入支援 のご案内、または AI 活用診断（無料） からお問い合わせください。