AI用語集
AI・生成AI・RAG・LLM・MCPなど、社内ナレッジ活用にかかわるAI関連の専門用語を、基礎からエンジニア向けの実装用語までまとめて解説します。気になる言葉から確認してください。
62 語
AI・生成AIの基礎
AI（人工知能）
AI（人工知能）とは、言葉の理解や判断、予測といった人間の知的な作業をコンピューターに行わせる技術の総称です。明確な単一の技術を指すのではなく、ルールに基づく古典的な手法から、近年の生成AIまで幅広い分野を含みます。近年は大量のデータから学ぶ機械学習が主流となり、性能が飛躍的に向上しました。社内業務では、文書の検索や問い合わせ対応、要約など、これまで人手に頼っていた作業を補助する用途で活用が広がっています。
生成AI
生成AIとは、文章や画像、音声などを新しく作り出すAIのことです。質問に対して文章で答えるチャット型のサービスも生成AIの一種で、与えられた指示に沿って自然な文章を組み立てます。従来のAIが「分類」や「予測」を主としたのに対し、生成AIは「ゼロから内容を作る」点が特徴です。社内ナレッジの活用では、文書を読み込ませて要点を整理したり、社員からの質問にわかりやすく回答したりする場面で力を発揮します。
機械学習
機械学習とは、大量のデータからパターンを自動的に学び、ルールを人が一つひとつ書かなくても予測や分類ができるようになる手法です。たとえば過去の問い合わせ履歴を学習させると、新しい質問の意図を推測できるようになります。人間が「こういう場合はこう処理する」と細かく指示する従来のプログラミングとは発想が異なります。現代の生成AIやAI検索も、この機械学習を土台に成り立っており、社内データの活用を支える基礎技術です。
ディープラーニング（深層学習）
ディープラーニング（深層学習）とは、人間の脳の神経回路を模した多層のネットワークを使って学習する、機械学習の一種です。層を深く重ねることで、画像や文章のような複雑なデータからでも特徴をとらえられるようになりました。文章の意味を数値に変換する処理や、生成AIの中核を担う言語モデルも、この技術を土台にしています。社内文書を意味で検索したり、自然な回答を生成したりする仕組みも、もとをたどればディープラーニングの成果です。
自然言語処理（NLP）
自然言語処理（NLP）とは、人間が日常的に使う言葉を、コンピューターが理解したり生成したりするための技術分野です。文章の意味を読み取る、要約する、翻訳する、質問に答えるといった処理が含まれます。表記ゆれや言い換えが多い人間の言葉を扱うのは難しく、長年の研究テーマでした。近年は大規模言語モデルの登場で精度が大きく向上しています。社内ドキュメントをAIに質問する仕組みは、この自然言語処理の応用にあたります。
ChatGPT
ChatGPTとは、OpenAIが提供する対話型の生成AIサービスです。質問や指示を自然な言葉で入力すると、文章で回答が返ってくる手軽さから、多くの人がAIに触れるきっかけになりました。文章作成や要約、アイデア出しなど幅広い用途で使われています。一方で、一般的なChatGPTは自社の社内文書を知らないため、社内固有の質問には答えられません。社内情報に基づいた回答を得るには、自社の文書を参照させる仕組みが別途必要になります。
プロンプト
プロンプトとは、AIに対する指示文や質問文のことです。同じことを尋ねる場合でも、前提条件や出力してほしい形式を具体的に書くと、回答の質が大きく変わります。たとえば「要約して」より「3つの箇条書きで要約して」のほうが、意図に沿った結果が得られます。質の高いプロンプトを設計する工夫は「プロンプトエンジニアリング」とも呼ばれます。社内でAIを使う際も、聞き方を少し整えるだけで実用性が高まることを覚えておくと役立ちます。
ハルシネーション
ハルシネーションとは、AIが事実でない内容を、もっともらしい文章で答えてしまう現象です。AIは確率的に自然な文章を組み立てるため、知らないことでも自信ありげに作文してしまう場合があります。社内利用では、誤った規程や手続きを回答されると業務に支障が出るため、特に注意が必要です。対策として、AIの回答を実際の社内文書に紐づけ、根拠を示しながら答えさせる手法が有効です。出典が確認できる仕組みかどうかが、社内導入の重要な判断材料になります。
マルチモーダル
マルチモーダルとは、文章だけでなく画像や音声、文書など、複数種類の情報を同時に扱えるAIの性質を指します。たとえば図表を含むPDFや写真を読み取り、その内容について質問に答えられるようになります。テキストだけのAIに比べて扱える情報の幅が広がり、現場の実態に近い形で活用できます。社内ナレッジでは、文字情報だけでなく図やスクリーンショットを含む資料も多いため、マルチモーダル対応は実務上の利便性に直結する要素です。
AIエージェント
AIエージェントとは、与えられた指示に対して自分で手順を考え、必要なツールを使いながら一連の作業を実行するAIです。単に質問へ答えるだけでなく、「調べる」「比較する」「まとめる」といった複数の工程を自律的につないで進めます。たとえば社内文書を検索し、関連情報を集め、要約まで一気に行うといった動きが可能です。業務の自動化を一段進める存在として注目されていますが、誤作動を防ぐための権限管理やルール設定も重要になります。
LLM・モデル
LLM（大規模言語モデル）
LLM（大規模言語モデル）とは、膨大な量の文章で学習し、人間のように言葉を扱えるようになった巨大なAIモデルです。文章の生成、要約、翻訳、質問応答など、言葉に関わる幅広い処理を一つのモデルでこなせます。生成AIの中核を担う存在で、ChatGPTをはじめとする多くのサービスがLLMを基盤にしています。社内文書をAIに質問する仕組みも、最終的に回答文を組み立てるのはこのLLMです。モデルの性能や特性が、回答の質を大きく左右します。
GPT系（OpenAI）
GPT系とは、OpenAIが開発する大規模言語モデルの系統で、ChatGPTを動かす基盤でもあります。汎用性が高く、文章作成から要約、コーディングまで幅広い用途でバランスよく使えるのが特徴です。多くの企業向けAIサービスが選択肢として採用しており、エコシステムが充実している点も強みです。用途ごとに複数のモデルが用意されており、求める精度とコストに応じて選びます。各モデル系統の使い分けは、社内AIモデル比較の記事で詳しく解説しています。
Claude系（Anthropic）
Claude系とは、Anthropicが開発する大規模言語モデルの系統です。長い文章をまとめて扱う能力、安全性への配慮、コーディング性能などに強みを持つとされ、長文の社内文書を扱う用途と相性が良いモデルです。指示への素直さや、丁寧で読みやすい文章を生成する傾向も評価されています。社内ナレッジ活用では、規程集やマニュアルのような長い資料を根拠に回答させる場面で力を発揮します。各モデル系統の特徴や選び方は、社内AIモデル比較の記事で整理しています。
Gemini系（Google）
Gemini系とは、Googleが開発する大規模言語モデルの系統です。非常に長いコンテキストを一度に扱える点や、文章と画像などを横断して理解するマルチモーダル性能に強みがあるとされます。Google各種サービスとの連携のしやすさも特徴のひとつです。社内ナレッジでは、図表を含む資料や大量の文書をまとめて参照させたい場合に向いています。どのモデル系統が自社の用途に合うかは一概に決まらないため、社内AIモデル比較の記事を判断の参考にしてください。
オープンモデル（Llama / DeepSeek / Mistral / Qwen など）
オープンモデルとは、モデルの構造や重みが公開され、自社の環境でも動かせる大規模言語モデル群の総称です。LlamaやDeepSeek、Mistral、Qwenなどが代表例です。外部サービスに頼らず自前で運用できるため、機密性の高いデータを社外に出したくない場合や、利用コストを抑えたい場合に選ばれます。一方で、運用には相応のインフラと技術が必要です。商用モデルとオープンモデルのどちらが適するかは、機密要件・コスト・運用体制を踏まえて判断するのが現実的です。
SLM（小規模言語モデル）
SLM（小規模言語モデル）とは、パラメータ数を抑えた軽量な言語モデルです。大規模モデルに比べて性能の上限は下がる傾向がありますが、動作が速く、低コストで運用できます。スマートフォンや手元の端末内で動かす用途、特定の限られたタスクに絞った用途と相性が良いのが特徴です。すべての業務に最大規模のモデルが必要とは限らず、用途に応じて規模を選ぶことでコストと速度のバランスを取れます。社内利用でも、軽い問い合わせには小型モデルで十分な場合があります。
推論特化モデル（reasoning系）
推論特化モデル（reasoning系）とは、答えを出す前に段階的に「考える」過程を踏むことで、複雑な問題に強くなったモデルです。計算や論理的な手順が必要な課題、複数の条件を組み合わせる質問などで精度が高まります。その分、回答までに時間とコストがかかる傾向があるため、用途を選んで使うのが効果的です。社内利用では、単純な事実確認には通常のモデル、込み入った判断が必要な相談には推論特化モデルといった使い分けが考えられます。
パラメータ数
パラメータ数とは、モデルが内部に持つ調整可能な数値の量で、モデルの規模を表す代表的な指標です。一般にパラメータ数が大きいほど高性能になる傾向がありますが、その分だけ計算コストや応答時間も増えます。ただし数が多ければ必ず優れているわけではなく、学習データや設計の質も性能を左右します。社内でモデルを選ぶ際は、パラメータ数だけにとらわれず、求める精度・速度・コストのバランスで判断することが大切です。
コンテキストウィンドウ
コンテキストウィンドウとは、モデルが一度に読み込める文章の長さの上限を指します。これが長いほど、多くの資料や長い会話履歴を一度に渡して回答させられます。社内文書を扱う場合、長いマニュアルや複数の規程をまとめて参照させたいニーズがあり、コンテキストウィンドウの広さが実用性に影響します。一方で、長く渡せば渡すほど良いわけではなく、関連性の低い情報を大量に入れると精度やコストの面で不利になることもあります。
トークン
トークンとは、AIが文章を処理する際の最小単位です。単語や文字のまとまりに分割され、料金や入力できる長さの上限は、このトークン数で数えられます。日本語ではおおむね1文字が1トークン前後に相当します。AIサービスの利用料がトークン数に応じて決まることも多く、長い文書を扱うほどコストが増えます。社内でAIを使う際、扱う文書量やコストを見積もるうえで、トークンという単位を理解しておくと役立ちます。
ベンチマーク（MMLU など）
ベンチマークとは、AIモデルの性能を共通の問題セットで測り、比較の目安とする指標です。MMLUのように幅広い知識を問うものや、コーディング能力、推論力を測るものなど、目的別にさまざまな種類があります。スコアが高いモデルほど一般に優秀とされますが、テスト用の問題と実際の業務で求められる能力は必ずしも一致しません。社内でモデルを選ぶ際は、ベンチマークを参考にしつつ、自社の実データで試してみることが確実です。
ファインチューニング
ファインチューニングとは、既存のモデルに追加のデータを学習させ、特定の用途や文体に最適化する手法です。専門分野の言い回しや、自社特有の業務に合わせた応答を作りたい場合に用いられます。ただし、学習データの準備や再学習にコストがかかり、内容の更新も手間です。社内文書を活用する目的なら、モデル自体を学習し直すよりも、回答時に文書を参照させる手法のほうが、手軽で情報を最新に保ちやすいケースが多くあります。
temperature / top-p
temperature と top-p は、AIの回答のばらつき、つまり創造性と安定性のバランスを調整するパラメータです。値を高くすると表現が多様で創造的になり、低くすると一貫性が高く堅実な回答になります。アイデア出しのように発散させたい場面では高め、社内規程の確認のように正確さが求められる場面では低めが向きます。社内ナレッジの問い合わせでは、毎回ブレのない答えが望ましいため、ばらつきを抑えた設定が好まれる傾向があります。
システムプロンプト
システムプロンプトとは、AIの役割や守るべきルールを、あらかじめ指示しておく設定文です。ユーザーが毎回入力する質問とは別に、会話全体の前提として効きます。たとえば「社内規程に基づき、根拠を示して回答する」「分からない場合は推測せずその旨を伝える」といった方針を定められます。社内利用では、ハルシネーションを抑え、回答のトーンや範囲を統一するうえで重要な役割を果たします。安全で一貫した運用の土台となる設定です。
検索・RAG・回答生成の仕組み
RAG（検索拡張生成）
RAG（検索拡張生成）とは、質問に関係する文書をまず検索し、その内容をもとにAIが回答を生成する仕組みです。AIが自分の記憶だけで答えるのではなく、社内文書という「根拠」を参照してから回答するため、社内固有の情報にも正確に答えられ、事実と異なる回答を抑えやすくなります。社内ドキュメント活用の基本的な仕組みとして広く使われています。RAGの全体像と、なぜ社内文書活用に向くのかは、RAGとは何かを解説した記事で詳しくご紹介しています。
ベクトル検索
ベクトル検索とは、文章を数値の並び（ベクトル）に変換し、その「意味の近さ」をもとに文書を探す検索方式です。文字列の一致を見る従来の検索と違い、言い換えや表記ゆれがあっても、意味が近ければ見つけ出せます。たとえば「有給」と「年次休暇」のように表現が異なっても、同じ内容として扱えます。社内文書をAIで活用する基盤技術のひとつです。仕組みと導入ステップは、社内文書をAIで検索する方法の記事で具体的に解説しています。
ベクトルDB / ベクトルインデックス
ベクトルDB／ベクトルインデックスとは、ベクトル化した文書を保存し、似た意味の文書を高速に探し出すためのデータベースと索引構造です。HNSWのような索引アルゴリズムを用いることで、大量の文書からでも瞬時に近いものを見つけられます。社内文書が増えても検索が遅くならないのは、こうした仕組みが支えているためです。利用者がこの内部構造を意識する必要はありませんが、AI検索の速度と精度を裏で支える要素として理解しておくと役立ちます。
埋め込み（Embedding）
埋め込み（Embedding）とは、文章を意味を保ったまま数値ベクトルに変換する処理です。意味が近い文章どうしは、変換後の数値空間でも近い位置に配置されます。この変換があるからこそ、文字列が一致しなくても意味で文書を探せるようになります。ベクトル検索やセマンティック検索の前提となる、いわば下ごしらえの工程です。社内文書を取り込む際にも、各文書がこの埋め込み処理を経て、意味で検索できる形に整えられています。
セマンティック検索
セマンティック検索とは、単語の一致ではなく「意味の近さ」をもとに文書を探す検索方式です。言い換えや表記ゆれに強く、「経費精算」と「立替金清算」のように表現が違っても、同じ内容として見つけ出せます。正しいキーワードを思いつかなくても、知りたいことを自然な言葉で尋ねれば目的の情報にたどり着けるのが利点です。社内ドキュメント活用との相性が良い検索方式です。仕組みと違いは、社内文書をAIで検索する方法の記事で詳しく解説しています。
キーワード検索 / 全文検索
キーワード検索／全文検索とは、入力した単語と文字列が一致する文書を探す従来型の検索です。仕組みがわかりやすい反面、表記ゆれや言い換えに弱く、社内ドキュメントでは「あるはずなのに見つからない」という限界が生じがちです。スキャンPDFの中身が検索対象にならない、複数文書にまたがる答えをまとめられない、といった課題も知られています。この限界の具体的な現象と診断は、キーワード検索の限界を解説した記事で詳しく整理しています。
ハイブリッド検索
ハイブリッド検索とは、文字列の一致を見るキーワード検索と、意味の近さで探すベクトル検索を組み合わせ、両方の長所で精度を高める方式です。固有名詞や型番のような「正確な文字列」が重要な検索はキーワード検索が得意で、言い換えの多い自然文はベクトル検索が得意なため、両者を併用すると取りこぼしを減らせます。社内文書には製品コードのような厳密な語と、口語的な言い回しが混在するため、ハイブリッド検索が有効に働く場面が多くあります。
BM25
BM25とは、全文検索で古くから使われている、単語の重要度を考慮したスコアリング手法です。文書中での出現頻度や、その単語の珍しさを加味して、検索結果の関連度を順位づけします。シンプルながら実用的で、現在もキーワード検索の標準的な土台として広く使われています。ベクトル検索と組み合わせるハイブリッド検索では、このBM25が文字列一致側のスコアを担うことがよくあります。固有名詞や正確な語句を探す場面で、安定した強さを発揮します。
チャンキング（分割）
チャンキング（分割）とは、文書を検索しやすい適度な単位に区切る処理です。長い文書をそのまま扱うと検索の精度が落ちるため、見出しや段落などの意味のまとまりで区切ります。この区切り方が回答の精度を大きく左右し、細かすぎると文脈が失われ、大きすぎると無関係な情報が混ざります。社内マニュアルのように構造のある文書ほど、適切な分割が効果的です。検索精度を支える裏側の工程として、社内文書をAIで検索する方法の記事もあわせて参考になります。
リランキング
リランキングとは、検索で集めた候補の文書を、質問との関連度が高い順に並べ替えて精度を上げる処理です。最初の検索は速さを優先して幅広く候補を集めるため、必ずしも最適な順番にはなっていません。そこで、もう一段きめ細かく関連度を評価し直すことで、本当に必要な情報を上位に押し上げます。社内文書のように似た内容が複数ある場合に、的確な根拠を選び出すうえで効果的です。回答の質を一段引き上げる、仕上げの工程といえます。
Top-k
Top-kとは、検索で見つけた候補のうち、上位何件を根拠としてAIに渡すかを示す設定です。kの値を大きくすると多くの文書を参照できますが、関連性の低い情報まで混ざって精度が落ちたり、コストが増えたりすることがあります。逆に小さすぎると、答えに必要な情報を取りこぼす恐れがあります。社内文書の検索では、質問の性質に応じて適切な件数に調整することで、回答の正確さと効率のバランスを取ります。地味ながら精度に効く調整項目です。
コサイン類似度
コサイン類似度とは、2つのベクトルがどれだけ近い向きを向いているかで、その近さを測る代表的な尺度です。ベクトル検索では、質問と文書をそれぞれベクトルに変換し、このコサイン類似度が高い文書ほど「意味が近い」と判断します。値は向きの一致度を表すため、文章の長短に影響されにくいのが利点です。利用者が直接触れることはありませんが、意味で文書を探すセマンティック検索の精度を、数値の面から支えている基礎的な計算です。
グラウンディング（出典明示）
グラウンディング（出典明示）とは、AIの回答を実際の文書に紐づけ、どの資料を根拠にしたかを示すことです。回答だけでなく出典が確認できると、利用者は内容の正しさを自分で検証でき、安心して業務に使えます。出典が不明な回答は、たとえもっともらしくても鵜呑みにしにくいものです。社内利用では、規程や手続きを誤りなく伝える信頼性に直結するため、根拠を示しながら答える仕組みかどうかが、ツール選びの重要な基準になります。
ロングコンテキスト
ロングコンテキストとは、非常に長い文章を一度にまとめて扱えるモデルの能力を指します。長いマニュアルや複数の資料をそのまま渡して回答させられるため、便利な場面が増えました。この能力の向上を背景に「文書を検索して渡すRAGは不要では」という議論も生まれています。ただし実際には、コストや情報の鮮度、扱う文書量によって向き不向きが分かれます。両者の使い分けは、RAGとロングコンテキストを比較した記事で詳しく整理しています。
Corpus2Skill
Corpus2Skillとは、文書群（コーパス）をAIが使える「スキル」に変換するアプローチで、RAGの補完あるいは代替として注目されています。あらかじめ文書の内容を整理・構造化しておくことで、毎回の検索に頼らず、より低コストで的確に社内知識を引き出せる可能性があります。比較的新しい考え方で、RAGとの違いや使いどころが論点になっています。ものしりAIがRAGの本番検証を経てこの考え方に至った経緯は、RAGから移行した理由を綴った記事で詳しく紹介しています。
RAG不要論
RAG不要論とは、モデルのロングコンテキスト化が進めば、文書を検索して渡すRAGは要らなくなる、とする主張です。確かに長文をそのまま扱える場面は増えましたが、実際には文書量・コスト・情報の鮮度といった条件によって向き不向きが分かれ、一律にどちらが優れているとは言えません。社内文書活用では、両方の特性を理解して使い分けるのが現実的です。この論点の検証は、RAG不要論を扱った記事で詳しく掘り下げています。
連携・プロトコル・ツール実行
MCP（Model Context Protocol）
MCP（Model Context Protocol）とは、AIクライアントと外部のデータやツールを、標準化された方法でつなぐための仕組みです。この共通の規格を介することで、ClaudeやGemini、CodexといったさまざまなAIから、同じように社内文書へ接続できます。ツールごとに個別の連携を作り込む手間が減るのが利点です。社内ナレッジを普段使っているAIクライアントから直接参照したい場合に役立ちます。接続の具体的な手順はMCP接続ガイドの記事や、MCP連携のLPで解説しています。
Function Calling / Tool Use
Function Calling／Tool Useとは、LLMが外部のツールやAPIを呼び出して、検索や操作といった実際の処理を実行する仕組みです。AIが文章で答えるだけでなく、「社内文書を検索する」「データを取得する」といった行動を起こせるようになります。これにより、AIは自分の知識の外にある最新情報や、リアルタイムの操作にも対応できます。社内ナレッジ活用では、AIが必要に応じて文書検索を呼び出し、根拠を集めてから回答する流れを支える基盤的な仕組みです。
API連携
API連携とは、外部のサービスとプログラム同士でデータをやり取りするための接続方式です。APIという決められた窓口を介することで、人手を介さずにシステム間で情報を自動的に受け渡せます。たとえば社内のチャットツールやグループウェアと連携させ、使い慣れた画面からAIに質問できるようにする、といった応用が可能です。既存の業務システムを活かしながらAIを組み込めるため、ツール導入のしやすさや、運用の自動化を考えるうえで重要な仕組みです。
チャットウィジェット
チャットウィジェットとは、Webサイトに設置する小さなチャット窓のことです。サイトを訪れた人が質問を入力すると、AIが社内文書やFAQをもとに自動で回答します。問い合わせ対応の負荷を下げつつ、訪問者には24時間その場で答えを返せるのが利点です。社内向けにも社外向けにも活用でき、専用の問い合わせフォームより気軽に使ってもらえます。設置方法や活用の進め方は、チャットウィジェット導入の記事や、チャットボットのLPで詳しく紹介しています。
シナリオ型チャットボット
シナリオ型チャットボットとは、あらかじめ決めた分岐や選択肢に沿って応答するボットです。「該当する項目を選んでください」と誘導しながら、用意した回答へ導きます。想定どおりの質問には安定して答えられる一方、分岐から外れた質問には対応できず、シナリオの作成・保守に手間がかかります。これに対し、社内文書をそのまま参照して自由な質問に答える「AIに聞く」方式は、事前のシナリオ設計が不要です。両者は用途に応じて使い分けられます。
ReAct / 思考連鎖（CoT）
ReActや思考連鎖（CoT）とは、AIが答えを導く過程を工夫する手法です。思考連鎖は、結論をいきなり出すのではなく、考える筋道を順を追って示すことで、複雑な問題の正答率を高めます。ReActは、その推論と、ツールを使った行動とを交互に繰り返しながら答えにたどり着く考え方です。これらにより、AIは複数の文書を調べて情報を統合するような、込み入った社内の問い合わせにも、段階的に対応できるようになります。
ナレッジ管理・業務
ナレッジベース
ナレッジベースとは、社内の文書やノウハウをまとめ、必要なときに引き出せるようにした情報基盤です。マニュアルや規程、過去の事例などを一元的に蓄積し、誰もが参照できる状態にします。情報が整理されていれば、同じ質問への対応や調べ物にかかる時間を減らせます。近年は、ためた情報をAIに質問できるタイプのナレッジベースも広がっています。ものしりAIで実現できる機能の詳細は、機能紹介のLPで確認できます。
ナレッジマネジメント
ナレッジマネジメントとは、社内に散らばる知識を蓄積・共有・活用していく取り組み全般を指します。個人が持つ経験やノウハウを組織の財産として形に残し、必要な人が使えるようにすることが目的です。文書化や共有の仕組みづくりだけでなく、それを使う文化の醸成も含みます。情報が個人に閉じたままだと、その人の異動や退職で失われてしまいます。AIを活用すれば、ためた知識を「探す」だけでなく「質問して引き出す」形で、より使いやすくできます。
社内ポータル / 社内Wiki
社内ポータル／社内Wikiとは、社内の情報を一か所に集約して共有するためのサイトです。お知らせ、マニュアル、各種手続きなどをまとめ、社員が参照できるようにします。情報の集約には役立ちますが、ページが増えるほど目的の文書を探しにくくなる、という課題もよく聞かれます。検索しても見つからず、結局は詳しい人に聞いてしまう状況です。蓄積した情報をAIに質問できるようにすると、探す負担を減らし、せっかくの情報を活かしやすくなります。
属人化
属人化とは、特定の人にしか分からない業務や情報が生まれ、その人がいないと仕事が回らなくなる状態です。担当者の経験や勘に頼った進め方は効率的に見えても、異動や休暇、退職の際に業務が滞るリスクを抱えます。引き継ぎ漏れや対応のばらつきも起きがちです。情報を文書化し、誰もが引き出せる形にすることが解消の第一歩です。属人化が生まれる原因と具体的な解消法は、属人化の解消を扱った記事で詳しく解説しています。
暗黙知 / 形式知
暗黙知／形式知とは、知識を性質で分けた言い方です。暗黙知は、経験や勘のように言葉にしにくく、本人の中に蓄えられた知識を指します。形式知は、マニュアルや手順書のように文書化され、共有できる形になった知識です。組織の知恵の多くは暗黙知として個人にとどまりがちで、退職や異動とともに失われてしまいます。これを形式知へ変換し、組織で共有することが重要です。暗黙知を見える化する方法は、暗黙知の見える化を扱った記事で紹介しています。
ナレッジサイロ
ナレッジサイロとは、部署やツールごとに情報が分断され、横断して使えなくなっている状態です。各部門がそれぞれ別の場所に文書をためた結果、全体を見渡せず、似た資料が重複したり、必要な情報にたどり着けなかったりします。サイロとは穀物などを貯蔵する縦長の倉庫のことで、情報が孤立して縦割りになっている様子をたとえた言葉です。情報を一元的に検索・参照できる仕組みを整えることで、分断を越えて知識を活かせるようになります。
FAQ（よくある質問）
FAQ（よくある質問）とは、繰り返し寄せられる質問と、その回答をまとめたものです。同じ問い合わせに何度も個別対応する手間を減らし、利用者も自分で答えを見つけられるようにします。ただし、項目が増えると目的の質問を探しにくくなり、内容の更新も追いつかなくなりがちです。社内文書やFAQをAIに参照させると、利用者は一覧から探さずに自然な言葉で質問でき、回答の自動化も進みます。問い合わせ対応の効率化と相性の良いテーマです。
オンボーディング / OJT
オンボーディング／OJTとは、新しく加わったメンバーが業務に慣れるための導入支援や、現場での実地教育を指します。新人が一人前になるまでには、基本的な手続きから業務特有のノウハウまで、覚えることが数多くあります。その都度先輩に質問していると、教える側の負担も小さくありません。社内文書を整え、AIにいつでも質問できる環境を用意しておけば、新メンバーが自力で疑問を解消でき、立ち上がりの負荷を下げられます。
セキュリティ・運用・選定
データを学習に使わない（オプトアウト）
データを学習に使わない（オプトアウト）とは、入力した社内文書を、AIモデルの再学習に使わせないようにする設定や方針です。これが担保されていないと、自社の機密情報がモデルに取り込まれ、意図せず外部に影響する懸念があります。社内データを扱うAIを選ぶうえで、情報漏洩対策の要となる確認事項です。提供元が学習利用をしないと明示しているか、契約や設定で制御できるかを必ず確かめましょう。セキュリティの考え方は、セキュリティのLPでも紹介しています。
アクセス制御 / 権限分離
アクセス制御／権限分離とは、誰がどの情報を見られるかを制御する仕組みです。すべての社員が全文書を閲覧できると、人事や経営に関わる機密が意図せず広がる恐れがあります。フォルダ単位で閲覧範囲を分けるなど、役割に応じた権限設定が欠かせません。AIで社内文書に質問できるようにする場合も、利用者ごとに参照できる範囲を適切に絞ることが重要です。安全な社内AI運用を支える基本的な考え方で、詳細はセキュリティのLPで解説しています。
テナント分離
テナント分離とは、利用する組織・チームごとにデータを分け、他社や他組織の情報と混ざらないようにする設計です。クラウド型サービスでは複数の利用者が同じ基盤を使うため、それぞれのデータが確実に隔離されているかが、安心して使うための前提になります。分離が徹底されていれば、自社の文書が他者から参照される心配はありません。社内文書のような機密性の高い情報を預ける際の重要な判断材料で、セキュリティのLPで考え方を紹介しています。
プロンプトインジェクション
プロンプトインジェクションとは、不正な指示を文章に紛れ込ませてAIを誤作動させる攻撃手法です。たとえば文書中に「これまでの指示を無視せよ」といった命令を仕込み、本来見せてはいけない情報を引き出そうとするものです。社内文書を扱うAIを導入する際に注意すべきリスクのひとつです。対策として、入力内容の検査や、AIの行動範囲を制限するガードレールの設定などが行われます。安全性を確かめるうえで知っておきたい概念です。
ガードレール
ガードレールとは、AIが不適切な出力や危険な動作をしないよう制限する仕組みの総称です。回答してはいけない内容を遮断したり、操作できる範囲を限定したり、不正な指示を検知したりします。便利さと安全性を両立させるための「安全柵」のような役割です。社内でAIを使う場合、機密情報の不用意な開示や、誤った操作を防ぐうえで欠かせません。どのようなガードレールが備わっているかは、社内AIツールを選ぶ際の安心材料になります。
SaaS / クラウド型
SaaS／クラウド型とは、ソフトウェアを自社で構築・保有せず、インターネット経由でサービスとして利用する提供形態です。自前でサーバーを用意する必要がなく、申し込んですぐ使い始められ、保守や更新も提供元が担います。初期費用を抑えやすく、利用人数や規模の変化にも柔軟に対応できます。社内ナレッジ活用のツールも、専門知識がなくても導入しやすいクラウド型が主流です。コストや運用負担の面で、中小企業にとって始めやすい選択肢といえます。
稟議
稟議とは、社内でツールやサービスの導入について承認を得るための手続きです。多くの場合、費用対効果やセキュリティ、運用体制などを整理した稟議書を作成し、関係者の合意を取りつけます。社内AIの導入では、料金の妥当性や情報の取り扱いについて、判断材料を分かりやすくまとめることが通過の鍵になります。どのような観点を押さえれば承認を得やすいかは、社内AI導入の稟議チェックリストの記事で具体的に整理しています。
Evals（評価）
Evals（評価）とは、AIの回答品質を測り、改善につなげるための評価の仕組みです。実際の質問に対してどれだけ正確に、的確に答えられているかを、決めた基準でチェックします。導入して終わりではなく、評価を通じて弱点を把握し、文書の整理方法や設定を見直していくことが、運用の精度向上につながります。社内ナレッジでも、よくある質問に正しく答えられているかを定期的に確かめることで、AIを安心して使える状態に保てます。