最終更新：2026年10月10日

AI

AIを仕事やシステムへ組み込むために、人とAIの役割、知識と条件、評価、理論、実践を設計の視点から考えます。

AIは、使うこと自体が目的ではありません。何をAIに任せ、何を人が判断し、どの条件で仕事やシステムへ組み込むかを考えます。

AIの性質、回答に使う知識とその場の条件、人による確認、評価、運用までを設計の視点から整理しています。

システム化する目的・範囲・業務目標は企画で扱います。ここでは、その要求に対してAIをどう位置付け、要件・方式・責任を設計するかを考えます。

設計・理論・実践の読み方ははじめに、領域を横断した議論は考察に整理しています。

AIを考える5つのテーマ

AIでできることと、AIに任せてよいことを分けて考えます。仕事の目的と誤りの影響から、人・AI・既存システムの役割を決めます。

判断や実行を誰が承認するか、どこで処理を止めるかまで設計します。AIを使わない選択も、この領域で扱います。

AI適用可否と委任レベルの設計
生み出したい価値と業務変化から、AI・人間・既存システムの役割を逆算する。誤りの影響や検証可能性を踏まえ、AIを使わない選択も含む最小の委任範囲を決める。

同じ質問でも答えが変わるのはなぜかを、生成の仕組みから考えます。条件付き確率や出力のばらつきを手掛かりに、AIの振る舞いを理解します。

Temperatureや指示で制御できる範囲と、完全には固定できない部分を分けます。もっともらしい回答を、そのまま正しい回答と扱わないための基礎です。

生成AIの条件付き確率モデル基礎
同じAIでも、渡す情報や指示が変わると答えが変わります。その仕組みを条件付き確率から整理し、回答のばらつきと、RAG・ガードレール・評価で制御できる範囲を考えます。

AIに何を指示し、何を知識として持たせ、今回の回答には何を根拠として渡すかを分けます。モデルの性能だけでなく、参照できる情報の範囲と鮮度を考えます。

検索で必要な情報へ届くか、対象や条件に合う情報かを確かめます。ナレッジ / コンテキストを分けることで、更新や失敗原因の確認をしやすくします。

Instruction・Knowledge・Evidenceの責務分離
AIへの作業指示、継続して参照する知識、今回の回答を支える根拠を分けます。Instruction・Knowledge・Evidenceの役割を明確にし、更新や失敗原因の確認を個別に行える構成を考えます。

AIの回答を何で評価し、どこから人が確認・判断するかを決めます。正答率だけでなく、根拠の提示、回答を控える判断、人への引き継ぎも評価します。

検索・生成・業務効果を分けて測り、失敗を次の改善へ戻します。評価・人による確認を、採用基準と責任の置き方につなげます。

QAチャット評価設計思想
AIの回答が正しいかだけでなく、根拠の提示、回答を控える判断、人への引き継ぎも評価します。検索から業務効果までを分けて測り、QAの改善箇所を見つけます。

AIを開発や保守へ使うときは、生成の速さだけでなく、変更を安全に採用できるかを考えます。調査・要求整理・実装・文書化を、必要な情報と確認方法から組み立てます。

作業ごとにAIが参照できる情報を見極め、人のレビューを挟みます。運用後の評価や知識更新まで含め、実際の仕事へ適用する方法を扱います。

AIを開発工程に組み込む
AIが受け取る入力、出力成果物、根拠、検証、停止条件、承認者を開発工程として定義する。検証済みの成果物だけを次へ渡すための契約・Gate・記録・手動経路を整理する。