AIエージェントに仕事を任せる前に：個人の判断基準を業務の記憶に変える設計

AIエージェントに業務を任せたい。そう考えたとき、多くの人はまず高性能なモデルや新しい開発環境を探します。

しかし、同じツールを使っても、出力が自社らしくなる人と、一般論しか返ってこない人がいます。差がつくのは、モデルの名前よりも、AIが参照できる業務の前提があるかどうかです。

必要なのは、資料を一か所に集めることだけではありません。自分や会社が何を重視し、どの条件で判断し、何を失敗とみなすのかを、業務で再利用できる形に変えることです。この記事では、そのための「業務の記憶」の作り方と、AIエージェントを改善する検証ループを整理します。

情報の山ではなく、判断の地図を作る

ノートや社内文書が増えると、AIが賢くなるように感じます。ですが、情報量だけでは、自社の判断を再現できません。

AIに渡す情報は、少なくとも次の4種類に分けます。

事実: 商品、顧客、業務手順、過去の成果物など、確認できる情報
目的: 何を改善し、誰にどんな価値を届けるか
判断基準: 優先順位、禁止事項、品質の合格条件、例外への対応
検証記録: うまくいった例、失敗した例、人がどこを修正したか

たとえば問い合わせ対応なら、過去のメールだけを保存するのでは不十分です。「この顧客には先に確認を取る」「この条件では回答せず担当者へ渡す」「この表現は誤解を招く」といった判断理由まで残す必要があります。

ここで大切なのは、個人の経験をそのまま公開・共有することではありません。社内で使える正本、個人に限定する情報、外部へ出してはいけない情報を分け、AIに渡す範囲を管理することです。

業務の記憶は、3層に分けると運用しやすい

最初から巨大なナレッジベースを作ると、何をどこへ書くべきか分からなくなります。まずは次の3層に分けると、更新の責任が明確になります。

1. 参照資料

契約条件、商品情報、過去の成果物、社内ルールなどです。変更日、確認者、正本の場所を添えます。古い資料を混ぜないため、現行・過去・使用禁止を明示します。

2. 判断カード

「何を優先するか」「どんな場合に保留するか」「どこから人が確認するか」を短く記録します。長い説明より、判断の分岐と具体例が重要です。

目的: 初回問い合わせへの下書きを作る
使ってよい情報: 現行の商品説明と対応時間
保留条件: 価格交渉、返金、契約解釈
合格条件: 根拠リンクと確認が必要な箇所が付いている
最終確認者: 営業責任者

3. 実行スキルと検証ログ

AIに何をさせるか、どの順番で処理するか、どこで止めるかを記録します。実行後は、入力、出力、修正、結果を残します。

この3層を分けると、事実を更新したのか、判断基準を変えたのか、作業手順を改善したのかが分かります。すべてを一つの長文メモへ詰め込むと、AIだけでなく人間も変更箇所を追えません。

スキルは一度で完成させず、版を上げる

AIのスキルや指示書を作るとき、「一度書けば自動で安定する」と考えると失敗します。業務の例外や入力の揺れは、実際に動かして初めて見つかるからです。

最低限、次の項目を持たせます。

目的と対象業務
入力データの形式と不足時の扱い
実行手順と停止条件
人が確認する箇所
成果物の合格条件
変更日、変更理由、変更者

改善の流れは、次のようにします。

小さな業務を選ぶ
  ↓
現行手順でAIに実行させる
  ↓
出力・手戻り・エラー・確認時間を記録する
  ↓
成功例と失敗例を判断カードへ戻す
  ↓
スキルを更新し、次の版で再検証する

成功例だけを残すと、AIは失敗しやすい境界を学べません。人が「なぜこの出力を修正したのか」を短く記録することが、次の改善材料になります。

モデル選びは、性能ランキングではなく人員配置で考える

複数のAIモデルやエージェントを使える環境では、「一番強いものを全部に使う」という考え方が、必ずしも合理的とは限りません。

業務ごとに、次の軸で配置を考えます。

業務	優先する軸	配置の考え方
形式のそろった分類・転記	速度、費用	軽量な処理を優先し、抜き取り確認を行う
複数資料を比べる調査	正確性、根拠	根拠提示と人のレビューを組み込む
顧客向け文章の下書き	トーン、禁止事項	判断カードと公開前確認を必須にする
設計や実装の変更	影響範囲、復旧	差分確認、テスト、承認なしの変更禁止を置く

同じ業務でも、品質要求や機密性が変われば配置は変わります。モデルを固定するのではなく、作業時間、修正回数、費用、確認負荷を記録し、定期的に見直します。AIエージェントの運用は、人事配置に似ています。優秀さだけでなく、仕事との相性と確認体制で成果が決まります。

AIエージェントが思ったように動かない3つの原因

原因1: 自分のデータになっていない

外部の記事や一般的なテンプレートだけを集めても、自社の判断は再現されません。まずは自分が実際に行った作業、顧客対応、修正理由、失敗記録を材料にします。

原因2: 最新モデルを使えば解決すると考える

新しいモデルで改善する場合はあります。ただし、判断基準や受入条件がないままモデルだけを交換しても、出力の良し悪しを判定できません。先に評価項目を決めます。

原因3: 失敗を次の実行へ戻していない

毎回人が修正して終わりにすると、同じミスが繰り返されます。修正理由をログに残し、判断カードかスキルのどちらを更新するか決めます。

最初の1業務で検証する

業務の記憶を作るとき、会社全体を一度に整理する必要はありません。まず、次の条件を満たす小さな業務を1つ選びます。

入力と出力を説明できる
失敗しても人が戻せる
成果物の合格条件を決められる
1週間程度の記録で変化を見られる

問い合わせ下書き、週次報告の整理、提案資料の構成案などが候補になります。現行の処理時間、修正回数、確認時間を測り、AI導入後と比べます。速くなったかだけでなく、誤りが増えていないか、担当者が確認できるか、知識が残ったかも見ます。

この小さな検証で、どの情報が不足しているか、どの判断を人に残すべきかが見えてきます。その後に、共有範囲、権限、複数業務への展開、必要なシステム化を検討します。

Optiensの見方

AI活用をどこから始めるべきか迷っている場合は、まず AI活用診断（無料）で、既存業務のどこがAIパッケージ化しやすいかをご確認ください。実装まで進めたい候補が見えた場合は、導入前スコープ整理で対象業務、含む範囲、費用感、5営業日で初期版にできるかを整理します。

まとめ

AIエージェントに仕事を任せるために、最初から最強のモデルや巨大なデータベースを選ぶ必要はありません。

事実、目的、判断基準、検証記録を分ける
参照資料、判断カード、実行スキルの3層で管理する
成功例と失敗例を戻し、スキルを版ごとに更新する
モデルは業務との相性、費用、速度、確認負荷で配置する
まず1業務で測定し、共有や自動化の範囲を後から広げる

業務の記憶は、情報をためる箱ではありません。人が何を考え、どこで止まり、何を確認したかを、次の仕事に使える形へ変える仕組みです。AIを会社の仕事へ入れるなら、ツール選びと同じくらい、判断基準を残す設計から始めることが重要です。

AIエージェントに仕事を任せる前に