AIが「ずれた答え」を返すとき、自社の評価基準が浮かびあがる

「なんか違う」という感覚の中に、基準がある

AIの出力を見て「なんか違う」と感じることは、AI活用の現場で繰り返し起きる。

いまひとつ社風に合わない文体。論点を外している提案。伝えたかった熱量が抜けた要約。こうした違和感は、使い手のストレスとして処理されがちだ。しかし、それを「あの感覚」のまま終わらせると、同じずれが繰り返されることになる。

「ずれた答え」が生まれる理由は、AIが自社の判断基準を知らないからだ。いや、もう少し正確に言えば、自社の判断基準の多くが言葉になっていないからだ。「このトーンは少し堅すぎる」「最初に結論を持ってきてほしい」「この業界への言及は避けたい」——こうした評価の目線は、長年の経験の中で身についた暗黙のルールであって、誰かに明示的に教えてもらったわけではない。

AIを使う前は、その暗黙のルールをわざわざ言葉にする必要がなかった。人同士であれば、業務経験と場の空気の中で補正し合えたからだ。AIにはそれができない。だからこそ、違和感が言語化を求めてくる。

不採用理由は、暗黙知の掘り起こしである

AIの出力を却下するとき、何かの基準に照らして「違う」と判断している。重要なのは、その判断の中身だ。

採用された出力は「うまくいった例」として機能するが、なぜうまくいったかは案外わかりにくい。一方、不採用にした出力には「ここが違った」という理由が必ずある。

• 想定している読者とずれている
• 強調してほしかったポイントが後ろに追いやられている
• 提案に根拠が示されていない

この「ここが違った」の一言一言が、暗黙の評価基準を言葉に変える作業だ。不採用の記録を積み重ねることは、採用基準の言語化に直結する。採否の蓄積をどう組織の資産にしていくかは、「AIの精度を育てるには、却下の記録が欠かせない」で詳しく論じているので、具体的な記録の設計はあわせて参照してほしい。

言語化された基準は、AI以外にも効く

評価基準が言葉になると、何が変わるか。

ひとつは、AIへの指示が精度を持つようになることだ。「丁寧な文体で」という曖昧な表現より、「箇条書きは使わず、体言止めも避ける」のほうが意図は通りやすい。不採用理由を積み重ねることで、こうした具体的な表現が自然に集まってくる。

もうひとつは、人の判断の質が揃うことだ。評価基準が言語化されると、それは属人的な感覚から、チームで参照できるルールになる。新しいメンバーが加わったときに「うちはこういう基準で判断しています」と示せることは、AI活用の話を超えて、業務の再現性と品質管理につながる。

同じ問いは、社内の知識をどう蓄えるかという場面でも顔を出す。フォルダRAGの設計でも「何を知識として残すか」という判断基準が言葉になっていないと、蓄積した情報が使えないまま眠る。「フォルダRAGを知識資産に変えるために」では、権限・鮮度・投入ルールという三つの設計を軸に、同じ問題を整理している。

---

評価基準は、ルールブックを作ろうとして言語化されるより、AIへのフィードバックを繰り返す中でにじみ出てくるものに近い。

---

「ずれた答え」は、組織が自分自身を見直す機会だ。その違和感を記録することの意味は、AIを改善することだけではない。暗黙のうちに判断してきた基準が言葉になること——その過程が、組織の知識を外に引き出す地道な作業になる。

AI活用の定着を、個別の改善で終わらせず組織の仕組みとして設計したい方には、DX伴走支援「しぼる」も参考になるかもしれない。