UMUから、企業文書をコースに変換するAIコース作成ツール「AGL」が新登場ー高品質なコースづくりで、効果的な学習を実現

企業研修を、どのように実際のパフォーマンス向上につなげるのか？ 2015年以来、UMUは一貫してこの問いを軸に、製品開発と企業研修の現場での実践を積み重ね、「効果的学習」の方法論を構築してきました。研修に効果があったかどうかは、学習時間や受講完了率ではなく、受講者が学んだことを実務現場での行動に落とし込めるか、そして真にビジネス成長につなげられるかどうかで判断すべきです。

 

これまで、質の高い学習体験を実現するには、専門人材の不足やコストという制約がありました。しかし今、UMU AI Generated Learning（AGL）を活用すれば、すべての講師に専門的な学習設計の支援を、受講者一人ひとりに最適化された学習パスを提供することが可能です。実証されてきた学習の科学と認知科学の原理を、AIによって一つひとつのコースに取り入れます。

 

 

AGLは、UMUの効果的学習の方法論をAIネイティブに実装したもので、学習設計の考え方をプロダクトの仕組みに組み込み、高品質なコース、効果的な学習の実現を目指しています。AGLのプロダクト設計は、次の3つの問いに応えるものです。

 

1. 受講者に学習プログラムへ主体的に参加してもらうにはどうすればよいか？どのような条件で、学習効果を高められるのか？

2. 学習プログラムを具体的な業務シーンに適合させるにはどうすればよいか？企業研修において、学習設計には何が求められるのか？

3. 質の高い学習体験をどうすればスケーラブルに提供できるのか？AIを活用して、いかにして大規模かつ質の高い研修を実現するか？

 1
研修を本当に効果のあるものにするには

効果的学習の目標：「知る」から「活用する」へ

ある製品知識研修の終了後、確認テストの合格率は90％に達しました。しかし2週間後、営業担当者が顧客との商談で製品に関する質問を受けると、多くの回答が研修マニュアルの内容から大きく外れていました。研修の合格率と実際の業務パフォーマンスとの間にギャップが生じることは、企業研修ではよく見られる現象です。こうしたギャップが生まれるのは、学習効果には異なる段階があるためです。

 

学習効果は、「知る」「理解する」「記憶する」「活用する」の4つの段階に分けられます。

 

• 知る：見たり聞いたりしたことがあり、内容について大まかな印象がある
• 理解する：知識の背景にあるロジックを、自分の言葉で正確に説明できる
• 記憶する：時間が経過したり状況が変わったりしても、重要な情報を思い出せる
• 活用する：実際の業務で学んだ内容を適切に使い、行動に落とし込める

 

研修直後のテストで確認できるのは、主に「知る」「理解する」段階です。一方、顧客とのコミュニケーションで問われるのは「記憶する」「活用する」段階です。学習設計において各段階に応じた働きかけを行わなければ、研修効果は最初の2段階にとどまってしまいます。効果的学習が目指すのは、受講者を「活用する」段階まで導き、学んだことを実際の行動、さらにはビジネス成果につなげることです。

 

AGLでは、すべてのコースを、受講者が「活用する」段階まで学びを深められるように設計します。知識を知り、理解するだけで終わらせず、実際の業務シーンで学んだ内容を適切に活用できる状態を目指します。

 

学習効果を左右する鍵：受講者の認知的エンゲージメントの深さ

 

受講者が「知る」から「活用する」段階へ進めるかどうかは、何によって決まるのでしょうか。認知科学の研究では、重要な変数として受講者が学習に取り組む際の認知的エンゲージメントの深さが挙げられています。学習の中で、どの程度自ら考え、判断し、応答することが求められるかによって、受講者が到達できる学習効果の段階が左右されます。

 

認知科学では、受講者の認知的エンゲージメントを４つのレベルに分けています。

 

• 受動的な受け取り：講義を聞く、動画を見るなど、認知的エンゲージメントが最も浅い状態
• 能動的なマーキング：メモを取る、重要箇所に印を付けるなど、一定の情報処理は行うものの、その深さは限定的
• 構成的なアウトプット：自分の言葉で言い換えたり説明したりすることで、認知的エンゲージメントが大きく高まる
• 対話的な推論：対話の中で問いかけに応答し、やり取りを通じて考えを深めることで、最も深い認知的エンゲージメントが生まれる

 

多くの研究で、アクティブラーニングは、受動的に講義を聞く学習よりも高い効果を示すことが確認されています。2025年の研究（Kestin et al.）では、さらに一歩踏み込んだ結果が示されました。対照群がすでにアクティブラーニング形式の授業を受けていたにもかかわらず、学習設計の原則に基づいて設計されたAIチュータリングでは、2倍を超える学習成果が得られ、さらに学習に要した時間も短くなりました。

 

研究チームは、AIチュータリングが高い学習成果を示した理由として、学習設計の中で、受講者により深い認知活動を求めた点を強調しました。受講者はすぐに答えを与えられるのではなく、自分で考えを整理し、説明を試みる必要があります。つまずいた場合も、システムは代わりに考えるのではなく、ヒントを提示します。どうしても先に進めない場合にのみ、段階的に支援を増やしていく仕組みです。こうした設計により、受講者の認知的エンゲージメントはさらに構成的・対話的なレベルへと引き上げられます。また研究では、学習効果を左右する重要な要素は学習設計であり、AIがその効果をさらに高めたことも指摘されています。

 

録画された動画や配布された資料を見るだけでは研修効果が限定的なのは、受講者が学習の最初から最後まで受動的に情報を受け取る状態になりやすいためです。学習方法の違いは、本質的には認知的エンゲージメントの深さの違いです。認知的エンゲージメントが深いほど、学習効果も高まります。

 

AGLでは、AIによる指導の進め方を体系的に設計し、受講者が各ステップで自ら考え、判断し、応答することを求めます。AIはヒントや問いかけを通じて、受講者自身が考えを組み立て、理解を修正できるように導き、認知的エンゲージメントを構成的・対話的なレベルへと深めます。考えるという認知活動そのものは受講者側に残し、思考をAIに委ねないようにします。

 

深い学びを支える学習設計：認知負荷を抑え、知識タイプに合わせる

 

受講者の認知的エンゲージメントを深めるには、学習設計でもう一つ考えるべきことがあります。それは、受講者の限られた認知資源を、学ぶ内容そのものの理解に使えるようにし、学習設計の仕方によって余計に消耗させないことです。

 

たとえば、コンプライアンス研修の資料に、「『XX管理規定』第13条（詳細は添付資料3を参照）に基づき、リスク評価（評価マトリクスを参照）を完了した後、3営業日以内に承認申請を提出すること」と書かれているケースがあります。一つの文章の中に複数の参照先があり、受講者の注意は本文と参照先の間を何度も行き来します。その結果、本来理解すべき承認プロセスそのものに十分な注意を向けにくくなります。

 

認知科学では、このように教材の提示方法によって生じる、学習内容そのものとは関係のない負荷を外在的認知負荷と呼びます。人間のワーキングメモリには限りがあり、一度に処理できる情報量も限られています。教材の見せ方による負荷に多くの認知資源を使ってしまうと、内容を理解し、深く考えるための余力が少なくなります。

 

認知負荷を適切に抑えるうえで重要なのが、知識のタイプに応じて指導方法を変えることです。知識のタイプによって、理解や習得に必要な認知活動は異なり、それに適した指導方法も変わります。知識タイプに合った指導方法を選ぶことで、受講者の認知資源を内容の理解や定着に集中させることが可能です。AGLでは、ラーニングマップ（学習マップ）上で知識タイプを自動的に判別し、それぞれのタイプに応じた指導戦略を割り当てます。

 

1. 事実型知識：製品仕様やコンプライアンス条項など。情報を簡潔に提示し、記憶の定着を促す。

2. 原理・概念型知識：ビジネスロジックや業界の方法論など。たとえを用いて説明し、理解できているかを確認する。

3. プロセス型知識：操作手順や承認プロセスなど。シナリオシミュレーションを行い、実践的なフィードバックを提供する。

 

 

指導戦略が決まると、システムが学習カードを生成し、各学習ユニットで提示する情報量を調整します。これにより、受講者が各ステップで内容を効果的に理解・吸収できるようにします。

 2
企業研修における学習設計には何が求められるのか

企業研修と一般的な学習には、大きな違いがあります。企業研修の目的は、従業員が研修後に実務へ戻ったとき、ビジネス成果につながる行動を取れるようにすることです。そのため、企業研修では、何を教えるか、どのように学ぶかといった一つひとつの設計を、ビジネス上の目標から考える必要があります。

 

コース設計の起点：行動変容の目標

 

コース設計の起点となるのは行動目標です。つまり、研修を終えた受講者が、どのような業務シーンで、これまでとは異なるどのような判断や行動を取れるようになるべきかを明確にします。何を教えるのか、どのように教えるのか、どのように練習するのか、そして何をもって習得できたと判断するのか。以降の設計は、すべてこの目標を軸に組み立てます。

 

従来のコース開発では、この目標を明確にすることが、特に時間のかかる工程の一つでした。現場から寄せられる研修ニーズを学習設計に落とし込み、「何を教えるのか」「どこまで習得してもらうのか」を定めるには、関係者とのすり合わせを何度も重ねる必要があります。

 

AGLでは、AIが講師との対話を通じた要件定義を支援します。講師が研修のニーズを自然言語で説明し、関連する文書をアップロードすると、AGLは対話を重ねながら、研修課題の定義、目標とする行動、よくある間違い、受講者像などの重要な情報を整理し、構造化された要件定義を作成します。情報が不足している場合は、AGLが必要な点を確認し、必要な情報がそろえば次のステップへ進むよう案内します。

 

 

実際の業務シーンに即した練習を設計する

 

目標とする行動が明確になったら、練習や評価も、受講者が実際に直面する業務シーンに合わせる必要があります。たとえば、営業担当者がコースの中で顧客からの異議や懸念への対応方法を学んだとしても、練習で扱うのが汎用的なケースだけでは、実務でそのまま活用できるとは限りません。実際の商談では、特定の業界の顧客から、特定の製品について具体的な質問を受けます。研修で練習した場面と実際の業務シーンがかけ離れていれば、学んだ知識をうまく行動に移せないことがあります。練習するシーンが実際の業務シーンに合っているほど、学んだ知識を実務での行動につなげやすくなります。

 

AGLでは、要件定義の段階で整理した受講者像や業務シーンを、シナリオシミュレーションや練習問題の生成に反映します。たとえば、医療業界の担当者向けであれば、医療現場での情報提供を想定したシーンを、新入社員向けであれば業務の基礎知識や仕事の進め方を学ぶシーンを取り入れます。コース内で練習する内容が、受講者の実際の業務に直接つながるように設計します。

 

 

研修効果を数値化し、報告できるようにする

 

研修の責任者は、次の研修計画を立案・報告する際には、AGLを通じて、チームが各知識領域を実際にどの程度習得しているのかを把握できます。AGLでは、どの領域は十分に習得できているのか、どの領域はさらに強化が必要なのかを確認できます。受講完了率やテストの点数だけでは、研修を受けたか、テストで何点取ったかは分かっても、学習ポイントごとにどの程度習得できているかまでは把握できません。

 

AGLでは、各学習ユニットで学習シグナルを収集し、受講者一人ひとりの学習ポイントごとの習熟度を可視化します。講師や研修の責任者はダッシュボードで受講者の習熟状況を確認し、チーム全体の進捗や、どの領域に能力ギャップがあるのかを把握できます。

 

学習の科学は、効果的な学習を設計するための原理を提供し、実際の業務シーンへの理解は、学習設計をより実践的なものにします。こうした取り組みは、優れた研修設計者がこれまでも行ってきたものですが、従来は個人の経験に大きく依存し、コストも高いため、大規模に展開することが難しいという課題がありました。AIは、こうした制約を変えることができます。

 

 3
質の高い学習体験をどうスケーラブルに提供するか

受講者によって、前提となる知識も、学習のペースも、つまずきやすいポイントも異なります。理想的な学習体験とは、すでに習得している内容は繰り返さず、不足している基礎知識は必要なタイミングで補い、苦手な部分には的を絞った練習とフィードバックを提供することです。

 

AGLは、AIによって、こうした学習体験を大規模に提供するうえでの制約を変えます。システムは、受講者がどの程度自主的に学習を進められるかに応じて、指導方法を調整します。自主的に学習を進められる受講者には、より多くの探索の余地を設け、より多くの支援が必要な受講者には、明確な学習の足場かけ（スキャフォールディング）を提供します。こうしたレベルのパーソナライズは、従来は1対1の指導でしか実現できませんでした。AGLは、それを数百人、数千人規模の受講者にも提供できるようにします。

 

AIは講師のコース作成をどう支援するか

 

AGLは、コース開発の中でも特に作業量が多く、反復性の高い工程である「ナレッジの抽出」「指導戦略のマッチング」「学習設計の生成」「受講者とのインタラクション」を担うことができます。講師はその分、専門的な判断が特に求められる重要なポイントにリソースを集中させることができます。たとえば、「このコースで解決すべき課題は何か」「ラーニングマップ（学習マップ）の内容は正確か」、「指導戦略は受講者の実情に合っているか」といった判断です。

 

AGLではすべてのステップで、提案に至る推論プロセスや、その背景にある方法論を確認できます。講師は提案をそのまま採用することも、自身の専門的な判断に基づいて調整することもできます。人材開発部門（L&D）が蓄積してきた研修の経験や専門的なインサイトを、このプロセスの中でより活かせるようになります。最終的なコースの品質は、講師による的確なレビューと判断、そしてAGLに組み込まれた方法論を適切に組み合わせることで決まります。

 

講師はコースを作成する際、複雑な操作方法を覚える必要はなく、対話を通じてAGLと協働しながら、一連のプロセスを完了できます。コースのアウトラインは、可視化されたラーニングマップ（学習マップ）形式で提示され、講師はマップ上で学習ポイントを直接移動させたり、分割・統合したりできるほか、対話の中でAIに調整を指示することもできます。

 

 

AIは受講者の学習をどう支援するか

 

AGLは受講者に、対話型のインタラクティブラーニング（双方向学習）を提供します。情報はコンパクトなナレッジカードとして段階的に提示され、学習プロセスにはインタラクティブクイズ、業務シーンのシミュレーション、状況に応じた演習が組み込まれます。各学習ユニットでは明確な研修アクションが設定され、受講者がそこで必要な思考や応答を終えてはじめて、次のステップへ進みます。受講者が長い文章や説明に圧倒されることはなく、各ステップでの認知負荷がコントロールされるように設計されています。

 

学習中は、AIが継続的に受講者の能動的な思考を促します。受講者は質問に答え、学習ポイントを自分の言葉で説明し、シミュレーションされた業務シーンの中で判断や選択を行う必要があります。一つのチャプターが完了するごとに、AIが重要なポイントを自動的にまとめ、受講者が学んだ内容を確認できるようサポートします。AGLは、単にコンテンツを流し読みするだけでなく、受講者が自ら考え、内容を深く理解するプロセスを学習の中に組み込んでいます。

 

受講者は各ユニット完了直後に、自身の習熟状況についてすぐにフィードバックを得られます。何を習得できたのか、どこをさらに強化する必要があるのかを明確に把握できるため、学習の進捗を継続的に実感でき、学習を続けるモチベーションにつながるとともに、次に何を学ぶべきかも明確になります。

 

コースの内容は、講師がアップロードした企業文書に厳密に基づいて生成され、講師によるレビューを経ます。また、各学習ポイントは元の文書まで遡って出典を確認できます。受講者が学ぶのは、企業のナレッジベースに基づいた業務知識であり、汎用大規模言語モデル（汎用LLM）よりも高い文書への忠実性と研修の品質を確保します。

 

 

AGLの利用フローは、コース作成から学習プログラムの提供までの全プロセスをカバーします。具体的には、文書のアップロード、対話による要件定義、ラーニングマップ（学習マップ）の生成とレビュー、指導戦略のマッチング、対話形式でのコース提供、習熟度データのダッシュボードまで、一連のプロセスをAGL上で進めることができます。

 4
3つの代表的な業務シーンで見る効果的学習

シーン1：新入社員オンボーディング

 

ある企業では、新入社員が入社後30〜60日間で習得すべき重要な内容をカバーする、オンボーディングの学習パスを構築する必要がありました。既存の資料は3つの部門に分散しており、製品部門には製品マニュアル、営業部門には営業プロセスに関する文書と顧客コミュニケーションガイド、人事部門には企業文化と社内規程のハンドブックがあります。文書の形式は統一されておらず、学習ポイント間の前後関係や依存関係も整理されていません。

 

もし講師が手作業で研修コースの作成を進める場合、まずすべての文書に目を通さなければなりません。そのうえで「何を教え、どこまで教えるか」を判断し、学習ポイント間の前後関係や依存関係を整理します。最後に、指導方法と理解度を確認する方法を設計することが必要です。このプロセスには通常、2〜3週間かかります。

 

 

AGLでは、講師がすべての文書をアップロードすると、AIが複数文書を横断して解析・統合し、自動的に学習ポイントを抽出し、前後関係や依存関係を整理します。ラーニングマップ上では、知識タイプごとに対応する練習方法が自動的にマッチングされ、コースのアウトラインも自動的に編成されます。これにより、段階的に学びながら、途中で理解度を確認できるオンボーディングの学習パスが形成されます。

 

講師はラーニングマップ上で、内容の正確性や構成のロジックをレビューし、必要な調整・確認を行ったうえでコースを公開できます。分散していた文書が、学習設計に基づいて構成された学習パスへと変わり、講師はレビューと判断に時間を集中させることができます。

 

シーン2：製品知識の迅速なアップデート

 

製品チームが大規模なアップデートを行い、新機能のリリースに伴い、関連する営業トークスクリプトも更新する必要があります。全国の数千人に及ぶ営業およびカスタマーサービス担当者は、次回の顧客対応が始まる前に、アップデート内容を正確に習得しなければなりません。事業部門の責任者の手元には、「新しいバージョンの製品マニュアル」「社内向けFAQ」「旧版からの変更点をまとめた比較表」の3つの文書があります。

 

このようなアップデートでは、特に重要なことが２つあります。1つ目はスピードです。製品リリースから顧客への案内開始までの時間は限られているため、コース作成期間は短ければ短いほど望まれます。2つ目は正確性です。製品仕様やコンプライアンス条項には内容のズレが許されず、一つのパラメータが誤って伝わるだけでも、顧客とのコミュニケーションに直接影響する可能性があります。

 

従来は、事業部門の責任者が文書を人材開発部門（L&D）に渡し、コンテンツの整理や教材作成を依頼し、作成が完了してから研修を手配する必要がありました。あるいは、文書をそのままチームに配布して各自で読んでもらうこともありますが、それでは全員が重要ポイントを正確に習得したかを確認できません。

 

 

AGLでは、事業部門の責任者が3つの業務文書を直接アップロードすると、レビュー可能なコースが自動的に生成されます。コース内容はアップロードされた文書に厳密に基づいており、各学習ポイントについては元の文書へ遡って具体的な出典箇所を確認できます。

 

事業部門はダッシュボードで一人ひとりの習熟度を確認し、チームが次の顧客対応を始める準備が整っているかどうかを確認できます。これにより、製品のアップデートからチームが内容を習得するまでの期間を大幅に短縮できます。

 

シーン3：シチュエーショナル・リーダーシップ研修

 

ある講師が、新たに管理職となった従業員向けに、部下一人ひとりの能力や状況に応じてリーダーとしての関わり方を変える「シチュエーショナル・リーダーシップ」研修を担当することになったとします。依頼された時点では大まかな方向性しかなく、既存の文書も、明確なコース構成も、具体的な受講者像もありません。講師は、この曖昧な研修テーマを、内容構成が明確なコースへと落とし込む必要があります。

 

 

AGLでは、要件定義の段階でAIが講師との対話を通じて、受講者が現在直面している典型的なマネジメントシーン、管理職が陥りやすい判断ミス、研修で目指す行動変容、受講者のマネジメント経験のレベルなどを整理していきます。数回の対話を重ねることで、曖昧だった方向性が、明確な研修目標と構造化された要件定義へと徐々に具体化されます。

 

この要件定義に基づき、AGLはその企業の背景やマネジメントシーンに合ったコースのアウトライン、ケース、状況判断のシナリオ演習を生成します。曖昧だった研修の方向性が、明確な学習目標と実際の業務シーンを想定した演習を備えたコースへと形になります。

 

どのような業務シーンでも、また既存の資料がどのような状態でも、AGLは講師や事業部門の責任者が、学習設計に基づいて効果的な研修につながるコースを作成できるよう支援します。

 

 

UMU AGLへのお問い合わせ・トライアルはこちら

 

AGLを貴社の研修でどのように活用できるか詳しく知りたい方は、製品デモをご予約ください。

 

まずは、1つの研修プログラムと1つの業務文書から、AGLをお試しください。企業文書がインタラクティブなコースへ変換され、AIを活用した効果的なラーニングジャーニーを提供するまでの一連の流れをご体験いただけます。

 

 

---

 

参考文献

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6

 

---

私達UMUは、企業様向けに研修のオンライン化やリモート学習の無料相談会を毎日実施しております。
また、常に最先端のテクノロジーと学習情報をアップデートしておりますので、お困りごとや、追加で必要な情報のご要望などございましたら、いつでもお気軽にご相談ください。

▼各種お問い合わせフォーム
https://www.umu.co/contact/

▼無料相談会の予約ページ
https://umucs.youcanbook.me