人ではなく、会社が学ぶ
「人が学ぶ会社」ではなく、「会社そのものが学び続ける仕組み」を作る。
気づいたこと
AIによって開発コストが大きく下がった。 そうなると、競争力の源泉はコードを書けることではなくなる。 残るのは、どれだけ速く学習して次に反映できるかのほうだった。
学習を人に任せているうちは、速度は人数と経験年数に縛られる。 一人が現場で得たことは、その人の中に留まる。 異動や退職で消え、次の案件でまたゼロから同じことを学び直す。
だから、学習サイクルそのものを組織側に持たせる。 AIを人の代替として置くのではなく、サイクルを速くする側に置く。
役割を五つに分けると、流れがつながった。
Observation が現場を観察して拾い、 Analysis がそれを構造化し、 Prototype が試作を作り、 Learning が結果を知識に変え、 Recommendation が次の案件へ差し出す。
観察 → 構造化 → 試作 → 知識化 → 再利用。 日報という、いちばん流れて消えやすいものが、この輪に入ると組織のナレッジに変わる。
目指しているのは業務を管理するシステムではなかった。 社員一人ひとりの経験を、組織全体の知識へ変換して、次へ渡す仕組み。 会社が毎日学習し続ける、AI搭載の組織OSだった。
まとまったこと
5つのAIエージェント — Observation / Analysis / Prototype / Learning / Recommendation
土台となるツール — Teams / Copilot Studio / Power Automate / Azure OpenAI / SharePoint / Power BI
実装フェーズ:
- フェーズ1 — 日報を集める入口を作る
- フェーズ2 — SharePoint Lists 設計、Power Automate、Azure OpenAI 連携
- フェーズ3 — 業務マニュアル・業務フロー・FAQ の自動生成
- フェーズ4 — 類似案件の推薦、改善案レコメンド、Power BI 分析
まだ言葉になっていないこと
- Observation Agent が集める現場情報（音声・写真・チャット）のプライバシーと情報セキュリティをどう担保するか
- 学習サイクルの効果（学習速度、改善提案の質）を、どんな指標で測るか
- フェーズ1〜4を、どのスケジュールとリソースで実装していくか
関連ノート
- AIエージェント
- AIを使うから、AIと経営するへ
- 知識ではなく、判断を残す
元の対話
- Archive/対話ログ/AIエージェントによる学習する組織構想