AIは優秀な新人

import { NavigationBlock } from "@/components/blog/NavigationBlock";

AIは優秀な新人

栄養（データ）と規律（前提）で性能が決まる

AIを導入したのに、期待した成果が出ない。

最初は便利だったのに、だんだん使われなくなる。

出力はそれっぽいが、重要なところでズレる。

このとき多くの人は、こう考えます。

• モデルが弱いのでは？
• プロンプトが悪いのでは？
• もっと高いAIにすべきでは？

もちろん、性能差はあります。

ただ実務で起きる失敗の大半は、そこではありません。

原因はもっと手前にあります。

AIは、優秀な新人です。

優秀な新人が能力を発揮できるかは、才能よりも

• 何を食べているか（栄養＝データ）
• どんなルールで動いているか（規律＝前提）
• 何を正解とするか（評価基準）

で決まります。

この記事が想定する読者：AIを導入したが成果が出ない・使われなくなる担当者。原因を「モデルやプロンプト」に求めがちで、入力設計（データ・前提）の判断軸がほしい方。

判断を誤るとどうなるか：プロンプトやモデルだけいじると迷走・薄い出力・たまのズレが続く。栄養（データの新鮮さ・一貫性・粒度）と規律（目的・読者・禁止事項・判断基準）を先に固定し、前提ドキュメントで「同じ新人」にすると失敗しにくい。

これは人間でもAIでも変わりません。

AIは魔法ではなく「組織の思考を映す鏡」

AIを使うと、会社の中にある"曖昧さ"が可視化されます。

• 目的が曖昧
• 判断基準がない
• 情報が分散している
• 禁止事項が共有されていない
• データが古い/不足/矛盾している

この状態でAIを働かせると、当然こうなります。

• それっぽいけど微妙な出力
• 重要な前提が抜ける
• 矛盾を起こす
• 無難な一般論に逃げる

AIが悪いのではありません。

前提とデータが足りないだけです。

まず結論：AIの性能は「入力の設計」で決まる

First byte的に、AI活用を分解するとこうなります。

この4つが揃うと、AIは安定します。

逆に、どれかが欠けると、能力は出ません。

この記事では、特に重要な 栄養（データ） と 規律（前提） を中心に整理します。

1. 栄養（データ）が弱いと、AIは"良い新人"ほど困る

新人に例えると分かりやすいです。

• 資料がない
• 仕様が人によって違う
• 最新情報が共有されていない
• 過去の経緯が分からない

この状態で「いい感じにやっといて」と言われた新人は、

無難な一般論か、想像で埋めるしかありません。

AIも同じです。

AIの栄養（データ）に必要な3条件

例：新鮮さがないと起きること

• 古い価格/規約で案内する
• 旧サービス内容で説明する
• すでに変えた方針に戻る

例：一貫性がないと起きること

• Aではこう言うのにBでは逆を言う
• 部署ごとに言っていることが違う
• "例外ルール"が書かれていない

例：粒度が粗いと起きること

• 正しいが役に立たない一般論になる
• 自社事情が反映されない
• 読者（顧客）の状況を想定できない

2. 規律（前提）がないと、AIは"暴走"ではなく"迷走"する

AIに規律がない状態は、よくある誤解があります。

「AIが勝手に変なことを言う（暴走）」ではありません。

実際は

AIが迷走する

が近いです。

なぜならAIは、曖昧さがあると

• 無難な方へ逃げる
• それっぽい一般論で埋める
• 断定を避けて薄くなる
• たまに"自信満々に"ズレる

という挙動をします。

だから必要なのは「上手いプロンプト」より

前提の固定です。

3. "前提"とは何か：AIに渡すべき5つの規律

前提を、最小で5つに分けます。

この5つがあると、AIは急に安定します。

4. "前提ドキュメント"という発想（プロンプト以前の土台）

多くの企業は、AI活用を「プロンプト」で解決しようとします。

でも実務では、まずこれが必要です。

前提ドキュメント（AI用の社内ルール）

新人に「会社の方針・言葉遣い・NG」を渡すのと同じです。

最小の前提ドキュメント（雛形）

以下を1枚にまとめるだけで、出力品質は大きく変わります。

• ブランド方針（First byteのスタンス）
• 口調・文体（断定しない、でも前提は明確にする）
• 重要語の定義（前提設計/快適定員/失敗耐性など）
• 事実ソース（自社ページ・規約・価格表の参照先）
• 禁止事項（誇大、断定、根拠ない数値、煽り）

これがあると、AIは"毎回同じ新人"になります。

ないと、毎回"別人"になります。

5. AIを「任せられる状態」にするチェックリスト

ここまでを、前提設計（First byte Method）に接続します。

A 目的

• AIに何を任せたい？（例：記事構成/下書き/要約/FAQ案）
• 成功条件は何？（例：一次情報に沿う、ハルシネーション最小）

B 制約

• 使ってよい情報の範囲は？（社内資料のみ/公開情報のみ）
• 誰が最終責任を持つ？（レビュー担当）

C 現状（栄養）

• 最新資料はどこ？更新頻度は？
• 参照すべき一次情報はどれ？
• 例外ルールは何？

D 判断基準

• 良い出力の条件は？（具体）
• NGの条件は？（具体）
• 分からない時は？（質問する／保留する／明示する）

6. よくある失敗パターン（そして対策）

失敗1：データが散らばっていて、AIに与えられない

対策：参照元を"固定"する（1つに寄せる）

→ Notion/Docs/社内Wikiのどれでもいい、入口を1つにする

失敗2：例外ルールが共有されていない

対策：例外だけ集めた「例外集」を作る

→ 新人もAIも、例外で事故る

失敗3：評価基準が曖昧で、レビューが属人化する

対策：レビュー観点をチェックリスト化

→ "良い文章"ではなく"条件を満たす文章"にする

まとめ：AI活用は「組織の前提設計」で決まる

AIは優秀な新人です。

そして新人が力を出す条件は、才能ではなく環境です。

• 栄養（データ）
• 規律（前提）
• 評価（基準）
• 権限（範囲）

First byte Method は、ここを「前提設計」として扱います。

正解を当てるのではなく、判断が壊れない条件を揃える。

判断の土台として押さえておくこと

• AIの性能は「栄養（データ）と規律（前提）」で決まる：モデル・プロンプトより、新鮮で一貫したデータと、目的・読者・禁止事項・判断基準の固定が先。
• 前提ドキュメントで「毎回同じ新人」にする：ブランド方針・口調・重要語・事実ソース・禁止事項を1枚にまとめ、プロンプトより前に整える。
• 次の一手：前提設計の全体像は前提設計：成果を出す前に、判断を壊さない土台を作る、権限設計はAIに任せる範囲の決め方、品質管理はAI時代の文章品質管理を参照する。

前提設計の4ブロック（目的・制約・現状・判断基準）と全体像は、前提設計：成果を出す前に、判断を壊さない土台を作るで解説しています。品質管理（4原則・チェックリスト）はAI時代の文章品質管理、権限設計はAIに任せる範囲の決め方、分からない時に質問させる設計はAIの質問力を設計するで扱っています。

relatedHub={{

title: "前提設計：成果を出す前に、判断を壊さない土台を作る",

url: "/column/premise-design-foundation"

}}

nextInCategory={[

{

title: "AIに任せる範囲の決め方",

url: "/blog/ai/ai-authority-design"

},

{

title: "AI時代の文章品質管理",

url: "/blog/ai/ai-content-quality-management"

},

{

title: "AI導入の投資対効果",

url: "/blog/ai/ai-investment-roi"

},

{

title: "AI運用のKPI設計",

url: "/blog/ai/ai-operation-kpi"

},

]}

philosophyLink={true}

/>