AIに「大事な知識」だけを渡してはいけない――Gemini Skillsが示す、再利用する知識の設計図

原則から現場の勘所まで、異なる深さの知識を層として整理したイメージ

AIに再利用させる知識は、重要度だけで並べてはいけません。経営の原則、業務の仕組み、運用手順、失敗を防ぐ細かな勘所を「どれほど重要か」と「どの高さの知識か」で分けて残し、仕事に応じて読む深さを変えられるようにするべきです。

Googleが広げたのは、指示を使い回すための仕組みである

Googleは2026年9月30日、Geminiで繰り返し使う指示を保存・再利用する「Skills」のグローバル展開を発表しました。公式説明によれば、Skillsにはテキスト、PDF、画像などの参照ファイルを加えられ、複数のSkillsを組み合わせて利用できます。ヘルプでは、Geminiが現在の依頼との関連性を認識し、適切なSkillを自動適用できる仕組みも案内されています。

これは単に、よく使うプロンプトを登録できるという話ではありません。AIが毎回すべての資料を読み直すのではなく、その仕事に必要な指示、判断基準、具体的な資料を呼び出して仕事をする方向が、一般向けの製品にも現れているということです。

ただし、Googleの発表が「知識はどのように分類すべきか」まで答えているわけではありません。そこは、AIを業務で使う側が決めなければならない設計です。私は、その設計で最も避けるべきなのが、「重要な知識ほど抽象的である」という思い込みだと考えます。

抽象的な原則だけ残すと、現場で同じ失敗を繰り返す

社内の知識を整備しようとすると、理念、方針、標準手順のような上位の情報を先に残したくなります。もちろん、それは必要です。何を優先する会社なのかがなければ、個別の判断はばらばらになります。

しかし、上位の原則だけでは、現場の再現性はつくれません。例えば「利用者情報は正確に扱う」「変更は関係者へ共有する」という原則があっても、実務では別の問いが残ります。変更を最初に記録する正本はどこか。誰が変更を確認するのか。予定の変更と支援内容の変更をどこで分けるのか。例外が起きたとき、どの条件なら担当者だけで決めずに相談するのか。

こうした細かな知識は、理念より下位に見えます。しかし、実際には事故、手戻り、二重確認、引継ぎ漏れを防ぐ要点になり得ます。「変更があったら共有する」という原則よりも、「変更情報を複数の場所へ書かず、正本を一つにする」という具体的な勘所の方が、ある業務では重要なことがあります。

逆に、具体例だけを大量に集めても問題です。なぜその手順が必要なのか、別の場面へどう応用するのかが分からず、経験談の保管庫になってしまいます。抽象的な思想だけでも足りない。細かな実務知だけでも足りない。この両方を残し、つなげる必要があります。

重要度と概念の高さを、同じものとして扱わない

私は、組織の知識には少なくとも二つの軸が必要だと考えます。一つは重要度です。その知識を失ったとき、品質、安全、経営判断、組織の継続性にどれほど影響があるか。もう一つは概念の高さです。それが原則なのか、仕組みなのか、運用方法なのか、現場の勘所なのかを分けます。

概念の高さは、次の四層で考えると整理しやすくなります。

第一層は、原則・思想です。何を優先するのか、何を判断の基準にするのか。例えば、問題が起きたときに個人への注意だけで終わらせず、再発する条件を見つけて仕組みを直す、という考え方です。

第二層は、仕組み・体系です。原則を実現するために、情報、役割、工程をどうつなぐか。例えば、問題報告を事実、影響、経過、対策に分け、対策が完了するまで追えるようにする仕組みがこれに当たります。

第三層は、運用・方法です。誰が、いつ、どこへ記録し、どの順序で確認するかという具体的なやり方です。

第四層は、勘所・具体知です。失敗が起きやすい条件、判断を誤りやすい場面、現場で効く小さな工夫です。例えば、警告を増やしすぎると読まれなくなるため、処理を止めるべき誤りと、記録だけ残せばよい変化を分ける、といった知識です。

ここで重要なのは、第一層だけが重要なのではないことです。第四層にも、組織として繰り返し参照すべき重要な知識があります。むしろ、現場の事故や手戻りを防ぐのは、こうした具体的な条件であることが少なくありません。

AIへ渡す知識も同じです。経営方針を考える仕事なら、第一層と第二層を中心に読むべきでしょう。日々の記録作成支援や問い合わせ対応なら、第三層と第四層の精度が効きます。ある業務で必要なのは全社の思想ではなく、「この例外では通常フローを使わない」という一文かもしれません。反対に、新しい仕組みを設計する仕事では、過去の個別対応をそのまま並べるより、背後にある原則まで戻る必要があります。

AIが必要な知識を選べるようにするには、知識を大量に保存するだけでは足りません。何が大事かと、どの深さの知識かを分けておく。その設計があって初めて、AIも人も、仕事ごとに適切な範囲を読めるようになります。

知識を増やす前に、参照できる形へ組み替える

  • 新しい知識を登録するときは、「これは何のために重要か」と「原則・仕組み・運用・勘所のどこに位置するか」を別々に記録する。抽象度が低いから重要度も低い、と自動的に扱わない。
  • 事故、苦情、手戻り、問い合わせから得た教訓は、長い経緯だけで保存しない。次に同じ条件が起きたときに使えるよう、「どの条件で」「何を見落としやすく」「どう行動を変えるか」を短く取り出す。
  • AIの用途ごとに、最初に読む知識の層を決める。方針や企画には原則と仕組みを、定型的な支援には運用と勘所を優先し、不足があるときだけ上位・下位の層へ広げる。
  • 現場の細かな知識を、単なる個人のコツとして放置しない。同じ助言や修正が繰り返されるなら、再現できる条件を整理し、手順、チェック、初期設定、AIへの指示のどこへ戻すかを決める。

結論

Gemini Skillsの発表は、AIが保存済みの指示や資料を仕事に応じて再利用する時代が広がっていることを示しています。しかし、再利用できることと、正しく使えることは別です。

知識を「重要なもの」だけに絞り込むと、経営思想だけが残り、現場を守る細かな勘所が消えます。反対に、具体的な対応例だけを貯め込むと、なぜその判断をするのかが見えなくなります。必要なのは、思想から勘所までを同時に残し、その知識がどれほど重要かと、どの高さの知識かを分けて扱うことです。

AIは、すべての知識を毎回読む必要はありません。人も同じです。経営判断には原則まで戻る。日常の運用では、失敗を防ぐ具体的な条件を確実に参照する。例外が起きたときにだけ、より深い背景へたどる。その読み方を設計できる組織は、知識を資料の量ではなく、判断の質へ変えられます。

大事な知識を残すだけでは足りません。必要な人とAIが、必要な深さで取り出せるようにする。これからのナレッジ設計で問われるのは、その構造だと考えます。

外部参考情報

気に入ったら拡散してくださいな

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

CAPTCHA