AI に自分の専門性を棚卸しさせると、自分では見えない線が出てくる── 複数の仕事を渡して言語化させると、経験の中に埋もれた共通の軸が言葉になる

013 つの区画を渡したら、AI は 1 本の線を見つけた

運営者は、自分が書いた 3 つの区画の内容を AI に渡し、「ここから専門性を言語化し、スライド 20 枚分に構造化してほしい」と頼んだ。3 つの区画は、それぞれ異なる主題を扱っていた。

AI は 20 枚の構成を返した。その冒頭に、3 つの区画はばらばらの領域ではなく 1 本の線でつながっている、と書かれていた。規範を歴史から読み取り、規制の外に残るリスクを構造化し、その構造を機械で再現できる形に変換する、という一連の流れである。3 つに共通する公理は「情報の非対称」だった。

運営者はこの線を自分で見つけられなかった。3 つの区画は別々の時期に別々の目的で書いたものだからである。AI は内容を最初から最後まで通して読み、繰り返し現れる概念を抽出し、1 つの命題にまとめた。

02経験が長いほど、自分の専門性を言葉にしにくくなる

この現象には説明がある。経験を重ねると、知識は意識しなくても使える状態に変わる。判断の根拠を聞かれても「こういうものだ」としか答えられないことが増える。経営学者の野中郁次郎は、こうした言葉にしにくい知識を暗黙知と呼び、暗黙知を明示的な言葉に変換する過程を「表出化」と名づけた。

表出化は組織にとって価値がある。暗黙知が本人の頭の中にある限り、他の人は使えない。退職すれば消える。言葉にすれば、共有できる。教えられる。仕組みに組み込める。

問題は、暗黙知の持ち主が自力で言葉にするのが難しいことである。本人にとっては当たり前の前提であり、わざわざ言語化する動機がない。聞き手がいて、質問されて初めて言葉になることが多い。

03専門性が見えないまま AI を使うと、何を頼むかが決まらない

AI と仕事をする場面で、自分の専門性が見えていないことは実害を生む。着想の段階で、自分が何を知っていて何を知らないかが分かっていないと、AI に何を頼むべきかが決まらない。

Harvard Business School の Dell'Acqua らが 2023 年に公表した実験では、経営コンサルタントが AI を使って課題に取り組んだ。AI が得意な課題では成果が約 40% 向上したが、AI が苦手な課題では逆に成果が約 19 ポイント下がった。研究者らはこの境界を「でこぼこの技術的境界線」と呼んだ。どこが得意でどこが苦手かは、課題の表面からは分からない。

自分の専門性を言語化しておくと、この境界の見当がつきやすくなる。自分が深く持っている知識は、AI に任せず自分で判断する領域である。自分が持っていない知識は、AI に調べさせる領域である。棚卸しは、その仕分けの材料になる。

04棚卸しとは、書いたものを渡して構造を返させることである

ここでいう棚卸しは、自分が過去に書いた文書・資料・記録を AI に渡し、そこに含まれる専門性の構造を言葉にさせることである。

棚卸しに向くのは、自分が時間をかけて書いた文書である。会議の議事録や他人の文書の転記は、本人の専門性が薄いので構造が出にくい。運営者の例では、自分が主題を決め、調べ、書いた 3 つの区画だった。

05資材審査では、過去の指摘記録から審査の軸が言語化できる

製薬企業の資材審査で同じ手法が使える場面がある。長年の審査担当者は、過去に出した指摘を大量に持っている。それを AI に渡し、繰り返し現れる判断基準を抽出させると、本人が無意識に使っている審査の軸が言葉になる。

たとえば、過去 1 年分の指摘を渡したとき、「承認された効能の範囲を超える表現」「データの出典が追えない記載」「比較の基準が明示されていないグラフ」といった指摘が繰り返し出ていたことが見える。これらは規則として社内で共有できる。新しい担当者が審査に入るとき、何に注意するかが文書として渡せる。

Brynjolfsson らの研究では、AI の支援により経験の浅い担当者の生産性が 34% 向上した。その効果の一因は、経験者の知識が AI を通じて伝わったことにある。棚卸しで言語化された審査の軸は、同じ役割を果たす。経験者の暗黙知が、組織の明示的な基準に変わる。

06AI が線を見つけられるのは、全文を一度に読めるからである

人が自分の文書を読み返すとき、書いた順に、書いたときの文脈で読む。別々の時期に書いた文書の間に共通点があっても、それぞれの文脈が邪魔をして気づきにくい。

AI は文脈を持たない。渡された文書を最初から最後まで、書かれた順序も目的も知らずに読む。そのため、異なる文書に同じ概念が繰り返し現れることに気づきやすい。運営者の例では、3 つの区画に「情報の非対称」という概念が繰り返し現れていたが、運営者自身はそれを意識していなかった。

ただし、AI が見つけた線が正しいとは限らない。言語モデルは、利用者の考えに沿った答えを返しやすい。Anthropic の研究者らは、この同調の傾向が主要な AI に広く見られると報告している。AI が返した構造は、自分の実感と照らし合わせて確かめる必要がある。「この軸は確かに自分の判断に影響している」と言えるなら、それは使える言葉になる。

07明日からは、過去の文書を 3 つ選び、共通する軸を返させる

手順は三つある。

1. 自分が書いた文書を 3 つ以上選ぶ。異なる時期、異なる主題のものがよい。量が多いほど共通点が見えやすいが、3 つあれば線は出る。
2. AI に構造を返させる。「この文書群から、繰り返し現れる概念、共通する前提、全体を貫く軸を抽出してほしい」と頼む。箇条書きではなく、構造化された形（スライド、章立て、図）で返させると、関係が見えやすい。
3. 返ってきた軸を自分で確かめる。AI が見つけた軸が、自分の判断に実際に影響しているかを問う。合っていれば、次の着想の入口にする。合っていなければ、どこが違うかを伝えてやり直させる。

Anthropic のプロンプトの手引きは、AI に背景と文脈を与えると出力の質が上がると述べている。棚卸しで得た言葉は、その背景と文脈そのものである。「私の専門は情報の非対称を構造化することだ」と伝えてから次の依頼をすれば、AI の返答は的を絞りやすくなる。