AIコンテンツの品質管理で見るのは、事実と適用の両方です

生成AIが作った学習コンテンツの品質は、二つの層に分けて考えると整理しやすくなります。一つは、書かれている内容が事実として合っているかという層です。もう一つは、その内容が自社のこの業務、この対象にそのまま当てはまるかという層。前者は、数値や手順の誤り、古い条件の混入という形で表に出ます。後者は、記述そのものに誤りがなくても起こります。品質管理と呼ぶとき、多くの職場が意識しているのは前者までなのです。

では、何を基準に確かめるのか。よりどころになるのは、出来上がった文章の外側にある材料です。自社の一次資料と、その内容を使う業務の条件。生成AIの出力をいくら読み込んでも、どの記述をどこまで当てはめてよいかという基準は、文章の中からは出てきません。つまり品質管理の実務は、配ってよいと判断するための材料を、あらかじめそろえておくところから始まります。

生成AIの出力に事実の誤りが混じっていれば、読み合わせでも見つかります。厄介なのは、記述そのものは正しいのに、目の前の業務にはそのまま当てはまらない場合です。全社共通の手順として書かれた一文が、ある顧客区分では例外的な取り扱いになることもあります。同じ製品の説明でも、扱う地域によって前提が変わります。こうした食い違いは、文章を何度読み返しても、文章の側からは見えてこないのです。

例外的な取り扱いや、地域ごとの運用の違いを把握しているのは、その業務を日々担っている人たちです。事業部門の担当者や現場のマネージャーが、自分の言葉で説明できる範囲。ここに、適用の層を判断する材料があります。裏を返せば、業務を知る人の判断が入らないまま配ったコンテンツは、事実として整っていても、現場では使いどころを取り違えやすくなります。品質を左右するのは点検の回数ではなく、その判断がどこに入っているかなのです。

変わるのは、コンテンツができるまでの手前の工程です。資料の整理、構成の組み立て、初稿の作成といった下ごしらえに、生成AIを使えるようになりました。業務を知る人が白紙から書き起こす必要は薄れ、たたき台を見ながら、足りない前提や例外を書き足す進め方に移ります。もっとも、たたき台が自社の実態に合っているとは限りません。何を残し、どこを直すかを決めるのは、引き続き人の仕事です。

手前の工程が軽くなると、業務を知る人が使える時間の中身も変わります。文章を作る作業に充てていた時間を、どの範囲まで当てはめてよいか、どの条件で例外になるかという判断に回せるようになるのです。ただし、確認や調整の手間がなくなるわけではありません。適用の層を決める責任は、これまでどおり人の側に残ります。生成AIが変えるのは、その責任の重さではなく、そこにたどり着くまでの労力の配分です。