こんにちは！ 生成AI、業務で使い倒していますか？
「話題になっているからChatGPTを使ってみたけど、なんだか当たり障りのない回答しか返ってこない…」 「もっと気の利いた提案をしてほしいのに、結局自分で手直ししている」
もしあなたがそんなモヤモヤを抱えているとしたら、それは「AIへの期待の仕方」がほんの少しズレているだけかもしれません。
実は、生成AIをバリバリ活用して成果を出している人と、AIに振り回されて疲れてしまう人の決定的な違いは、プロンプト（指示文）の巧みさ以上に、「データの扱い方」にあるのです。
今日は、IT企業にお勤めの皆さんが明日から「AIを活かす側」に回るために必要な、データの渡し方とその改善ポイントについて、分かりやすく解説していきます。
- なぜ同じAIを使っているのに差が出るのか？
- 「ゴミを入れたらゴミが出る」──AI活用の鉄則
- 【実践編】AIが劇的に賢くなる「データの渡し方」3つの改善テクニック
- 一歩進んだ活用術──社内データとAIを安全につなぐ
- まとめ：今日から始める「データファースト」なAI活用
なぜ同じAIを使っているのに差が出るのか？
同じChatGPT（GPT-5など）を使っているはずなのに、驚くほど精度の高いアウトプットを出す同僚がいませんか？ 彼らは一体、何をしているのでしょうか。
「魔法の箱」ではなく「超優秀な変換エンジン」と捉える
AIに振り回されてしまう人の多くは、生成AIを「何でも知っている魔法の箱」として扱ってしまいがちです。「〇〇の企画書を書いて」とだけ投げて、完璧な答えを期待してしまうのです。
一方、AIを活かす人は、生成AIを「言葉を理解する超優秀なデータ処理エンジン」として捉えています。
現在の生成AI（LLM：大規模言語モデル）は、膨大なテキストデータを学習し、「次に来る言葉」を確率的に予測する仕組みで動いています。つまり、AIのアウトプットは、あなたが入力した情報（コンテキスト）に100%依存して生成されるのです。
入力情報が曖昧であれば、AIは学習データの中から「一般的によくある確率の高い答え（＝平凡な答え）」を返すしかありません。逆に、独自の濃い情報を渡せば、それを元にした独自の回答が返ってきます。
「ゴミを入れたらゴミが出る」──AI活用の鉄則
IT業界には古くから「Garbage In, Garbage Out（ゴミを入れればゴミが出てくる）」という言葉がありますが、これは生成AIの時代になって、より一層重要な真理となりました。
AIは「シェフ」、データは「食材」
少しイメージしてみましょう。 世界最高峰の三ツ星シェフ（＝高性能なAIモデル）がいたとします。しかし、そのシェフに渡された食材が「腐りかけた野菜と、泥のついた肉」だとしたらどうでしょう？ どんなに腕が良くても、そこから美味しい料理を作るのは至難の業です。
逆に、新鮮で下処理の済んだ最高の食材（＝整理された良質なデータ）を渡せば、シェフはその腕を存分に振るい、最高の一皿を提供してくれるはずです。
「AIが賢くない」と感じるとき、多くの場合、悪いのはAI（シェフ）ではなく、私たちが渡しているデータ（食材）の品質や、その渡し方にあるのです。ここを改善するだけで、結果は劇的に変わります。
【実践編】AIが劇的に賢くなる「データの渡し方」3つの改善テクニック
では、具体的にどうすれば「良質な食材」としてデータを渡せるのでしょうか？ ここでは、IT企業にお勤めの皆さんならすぐに実践できる、3つの具体的なテクニックをご紹介します。
1. ベタ打ちをやめて「構造化」して渡す
人間はダラダラとした文章でもなんとなく文脈を読み取れますが、AIに正確な処理をさせたい場合、データの構造は明確であるほうが好ましいです。
例えば、議事録の要約を頼むとき、テキストをそのまま貼り付けるのではなく、Markdown記法やCSV形式などを意識して「構造化」してみましょう。
× 悪い例（ベタ打ち）：
Aさんがプロジェクトの進捗が遅れていると言っていて、Bさんはリソースが足りないと言いました。Cさんは来週までにスケジュールを見直すそうです。これをまとめて。
〇 良い例（構造化）：
以下の会議発言録を元に、課題とネクストアクションを表形式でまとめてください。
発言録
- Aさん: プロジェクト進捗の遅れを報告
- Bさん: 原因としてリソース不足を指摘
- Cさん: 対策として来週までのスケジュール見直しを提案
このように、見出しや箇条書きを使って情報の「親子関係」や「区切り」を明確にするだけで、AIの解釈ミスは激減します。
2. 「参照ドキュメント」として情報を与える
「〇〇社の新サービスのターゲット層を考えて」と聞く前に、そのサービスの仕様書や、過去の企画書のテキストデータを「参照情報（Context）」としてプロンプトに含めましょう。
AIに「ゼロから考えさせる」のではなく、「この資料（データ）を読み込ませた上で、ここから考えさせる」というアプローチに変えるのです。
プロンプト例： あなたはプロのマーケターです。以下の【製品仕様書】を読み込み、この製品が解決する顧客の課題を3つ挙げてください。
【製品仕様書】
（ここにテキストデータを貼り付け）
これを行うだけで、一般論ではない、その製品ならではの具体的な回答が得られます。
3. 具体的な「正解サンプル（Few-Shot）」を見せる
AIに対して「いい感じに書いて」は禁句です。あなたが求める「いい感じ」がどんなものか、実例（データ）を見せてあげましょう。これを専門用語で「Few-Shot プロンプティング」と呼びます。
例えば、日報を書かせたいなら、過去の自分が書いた「完璧な日報」を1〜2件、サンプルとして貼り付けます。
プロンプト例： 以下の【ルール】と【サンプル】を参考に、今日の活動内容から日報を作成してください。
【サンプル】 * 業務内容: API仕様書の作成 * 所感: フロントエンドチームとの認識合わせにより、パラメータの不足が判明したため修正を行った。早めの連携が重要だと再認識した。
【今日の活動内容】 （ここに今日のメモを入れる）
サンプルという「データ」を与えることで、AIは文体、長さ、情報の粒度を模倣し、あなたの期待通りの出力を生成してくれるようになります。
一歩進んだ活用術──社内データとAIを安全につなぐ
ここまではチャット画面に直接テキストを貼り付ける方法をお伝えしましたが、IT企業で働く皆さんには、もう少し発展的な「RAG」という概念も知っておいていただきたいと思います。
RAG（検索拡張生成）とは？
RAG（Retrieval-Augmented Generation）は、簡単に言うと「AIにカンニングペーパーを持たせる技術」です。
AIが学習していない社内のWiki、Slackのログ、PDFのマニュアルなどのデータをデータベース化しておき、質問が来たときに、関連する情報をそこから検索（Retrieve）して、AIに「この情報を参考にして答えて」と渡す仕組みです。
これにより、AIは「社内のこと」や「最新のプロジェクト状況」について、嘘をつかずに正確に答えられるようになります。もし社内でAI活用のプロジェクトが立ち上がったら、「RAGの導入は検討していますか？」と聞いてみると、「お、分かってるね！」と思われること間違いなしです。
【重要】セキュリティとデータのマスキング
ただし、データを扱う上で絶対に忘れてはならないのがセキュリティです。
ChatGPTなどのパブリックなAIサービスに、以下のようなデータをそのまま入力してはいけません。
無料版のサービスなどでは、入力したデータがAIの学習に使われてしまう設定になっていることがあります（オプトアウト設定をしていない場合）。
業務データを扱う際は、「個人名は『A氏』に置換する」「具体的な企業名は伏せる」といったデータの加工（マスキング）を行うか、会社が契約している「学習データとして利用されない安全な環境（Enterprise版など）」を利用するようにしましょう。ここを守れるかどうかが、プロとしての分かれ目です。
まとめ：今日から始める「データファースト」なAI活用
AIに振り回されず、AIを活かすためのポイントをまとめます。
- AIは魔法ではない: 入力されたデータに基づいて計算する処理エンジンであると理解する。
- 食材（データ）にこだわる: 「Garbage In, Garbage Out」。質の悪いデータからは質の悪い回答しか生まれない。
- 渡し方を改善する: 構造化（Markdown）、参照資料の提示、サンプル（Few-Shot）の提示を行う。
- 守りを固める: 機密情報は入力しない、または適切にマスキングする。
まずは次の業務でAIを使うとき、いきなり質問を投げかけるのをグッとこらえてみてください。 そして、「AIに渡すこのデータ、もっと分かりやすく整理できないかな？」と一呼吸置いてみましょう。
そのひと手間（データの改善）を加えるだけで、AIはあなたの最高のパートナーに生まれ変わるはずです。さあ、まずは手元のメモ帳をMarkdownで整理することから始めてみませんか？
