AIを使う会社と、仕事を変える会社の違い

AIを使っているのに、仕事が変わらない

AIを毎日使っているのに、仕事の流れは半年たっても変わらない。

会議録は早くなった。メールも整う。資料のたたき台も、数分で出てくる。

それでも、同じ説明を毎回AIに入力し、同じ確認を人がやり直している。

便利になったはずなのに、なぜか仕事は軽くならない。

こんな場面は、実務ではそれほど珍しくありません。

「このメールを整えてください」
「この資料を要約してください」
「改善案を考えてください」

一つひとつの作業は速くなります。

ただ、その前に誰が情報を集め、その後に誰が判断し、結果をどこへ戻すのかは変わっていません。

AIが速くしているのは、仕事の一部分だけです。

一見すると、AI活用が進んでいるように見えます。

けれども、毎回同じ指示を出し、毎回同じような修正をしているなら、それは仕組みではなく、少し高性能になった手作業なのかもしれません。

仕事が変わるのは、AIが賢い文章を返したときではありません。

入力された情報が判断につながり、判断が行動になり、その結果が次の入力へ戻ったときです。

点だった仕事が、線になります。

では、AIを単発の道具で終わらせない会社は、何を先に考えているのでしょうか。

本当に変える会社は、入力から考えている

ファーストリテイリングの公開資料を読むと、少し違うAI活用の姿が見えてきます。

海外を含む顧客の声を集約し、自動翻訳して可視化する。さらに生成AIを使い、会社全体の傾向だけでなく、個別の店舗、商品、商品・色・サイズの単位まで情報を把握する取り組みが示されています。

ここで目を引くのは、生成AIそのものではありません。

顧客の声が、商品、生産、物流、店舗、ECへつながるように、仕事の流れが先に設計されている点です。

有明プロジェクトの資料でも、顧客の声を起点に商品をつくり、必要なタイミングで必要な分だけ生産し、運び、販売する構造が示されています。

同じ情報をもとに、各部門が連動することまで含まれています。

これは「良いプロンプトを考えた」という話ではありません。

顧客の声をどこに集めるのか。
どの単位で見るのか。
異常や機会を誰が判断するのか。
何を変え、結果をどこへ戻すのか。

AIが入る前に、こうした仕事の骨格があります。

ここで扱っている実務プロンプトも、柳井正氏やファーストリテイリングが公開したものではありません。

公開資料から読み取れる業務構造を、ほかの仕事でも使える形に組み直したものです。

AIを仕事へ入れるとき、つい「何を出力させるか」から考えてしまいます。

けれども、本当に先に決めたいのは、何を入力し、その結果を誰の判断につなげるかです。

ただし、情報を集めて要約できても、それだけで現場が動くわけではありません。

要約だけでは、現場は動かない

たとえば、顧客から次のような声が届いたとします。

「この商品は使いにくい」

AIに要約させれば、「操作性に改善の余地がある」と返ってくるでしょう。

間違いではありません。

ただ、この文章だけでは、誰も動けません。

どの操作が難しかったのか。

何人から同じ声が出ているのか。

商品そのものの問題なのか、説明不足なのか。

初めて使った人だけが困っているのか。

一部の強い不満なのか、広く起きている問題なのか。

ここを分けないまま「潜在ニーズを分析してください」と頼むと、AIはもっともらしい物語をつくります。

読みやすい回答ほど、事実と推測の境目が見えにくくなることがあります。

現場を動かすには、少なくとも次の情報が必要です。

• 確認できた事実

• 根拠となった原文や数値

• そこから考えられる仮説

• 別の可能性

• 不足している情報

• 次に取れる行動

• 担当者と期限

• 結果を判断する指標

在庫の判断でも同じです。

「在庫が少ないので追加発注する」という判断は、一見すると自然です。

しかし、販売数が伸びたのか、欠品で売れなかったのか、販促の影響なのか、店舗への配分が偏ったのかで、取るべき行動は変わります。

ファーストリテイリングの資料でも、販売計画だけを見るのではなく、生産、物流、店舗、ECの情報を連動させ、個店や商品単位で在庫を調整する構造が示されています。

AIに判断を丸投げするのではありません。

判断に必要な材料を並べ、人が見落としていた選択肢を出してもらう。

その使い方なら、業種が違っても応用できます。

そこで、会議、報告書、顧客対応、業務改善、引き継ぎに使える形へまとめてみます。

誰でも使える「仕事を動かす」プロンプト

次のプロンプトは、文章をきれいにするためのものではありません。

入力された情報を、判断と行動につなげるためのものです。

会議メモ、顧客の声、トラブル報告、日報、企画書などを貼り付け、角括弧の中を自分の仕事に合わせて変更します。

使い方のコツは、最初から大量の情報を入れないことです。

まずは、最近うまく進まなかった仕事を一つ選びます。

会議で決まらなかったこと。

何度も修正される報告書。

担当者によって対応が変わる問い合わせ。

同じトラブルを繰り返している作業。

その材料を入れてみると、仕事のどこが曖昧だったのかが見えやすくなります。

回答が出たら、もう一度だけAIへ問い返します。

この問い返しがあるだけで、きれいに整っているだけの回答を、少し現実へ近づけられます。

ただし、良い回答が一度出ても、プロンプトが完成したとは限りません。

プロンプトは、使った後に完成する

プロンプトをつくると、そこで仕事が終わったような気持ちになります。

実際には、使い始めてから見える不足の方が多いものです。

期限が出てこなかった。

担当者が曖昧だった。

現場では取得できない数値を要求された。

例外が起きるたびに、人が最初から説明し直していた。

こうしたズレを一つずつ直して、プロンプトは仕事に合う形へ変わっていきます。

AIが出した回答に対しても、少し立ち止まります。

なぜ、この施策が最優先なのか。

どの事実を根拠にしたのか。

反対の判断をするとしたら、どんな条件か。

失敗したとき、どこで止めるのか。

この確認を人が担います。

AIに任せるのは、情報の整理、見落としの指摘、選択肢の比較です。

最終的な判断や承認まで、AIへ預ける必要はありません。

実行した後は、結果を残します。

・何を実行したか
・どの数字が変わったか
・予想と違ったことは何か
・次回は何を変えるか

この記録が次の入力になります。

プロンプトを使う。

結果を見る。

基準を直す。

もう一度使う。

この小さな循環ができると、AI活用は単発の作業から、少しずつ仕事の仕組みに変わります。

良いプロンプトを探し続けても、仕事にぴったり合うものはなかなか見つかりません。

自分たちの現場で使い、失敗し、直したプロンプトだけが、その仕事に合う道具になっていきます。

そう考えると、最初にAIへ渡すべきものは、きれいな指示文だけではないのでしょう。

自分たちが何を見て、どこで迷い、何を基準に決めているのか。

AIを使うことで、むしろ人間の仕事の曖昧さが見えてくるのかもしれません。