第11章 ケースC：曖昧な実務要望が外部確認に耐える作業へ変わる
生成AIとの対話における状態変化とその一回性・不可逆性について
0. この章の位置づけ
前章では、ケースBとして、生成AI理解から自己理解へ反転した対話を扱った。そこでは、生成AIの仕組みを理解しようとする問いが、AIを使う自分自身への問い、すなわち「AIは世界への橋なのか、それとも世界の代替なのか」という評価軸へ反転していく過程を見た。
本章では、ケースC 「曖昧な実務要望が外部確認に耐える作業へ変わる」 事例を扱う。このケースの入口は、複雑な実務資料を整理したいという要望だった。しかし、対話が進むにつれて、その要望は単なる資料整理ではなく、数千行規模の帳簿について、一行ごとに意味・分類・根拠を確認し、外部の専門家が確認・判断できる資料へ整える作業として立ち上がった。
このケースは、生成AIの価値を「最初から正しいプロンプトを書くこと」に置く理解への批判として重要である。ここでは、ユーザー自身も最初から何をどう依頼すべきかを正確には分かっていなかった。必要な作業は、対話の中で明確になっていった。したがって、このケースで起きた状態変化は、自己理解や生活運用の変化とは少し異なる。ここでの状態変化は、曖昧な実務要望が、現実に処理可能で、外部確認に耐える作業へ変換される過程として現れる。
なお、本章では、具体的な会社名、取引名、金額、資料名、時期、専門家名などは扱わない。分析対象は、具体的な実務内容ではなく、生成AIとの対話がどのように曖昧な実務要望を作業として明確化していったかという構造である。
1. 入口：何をすべきかが明確でない実務要望
このケースの入口は、複雑な実務資料を整理したいという要望だった。表がある。取引履歴がある。分類が必要である。外部の専門家に見てもらう必要がある。過去の記憶や資料と照合しなければならない。欠けている情報もある。どこまで整えればよいのかも明確ではない。
最初の問いは、比較的単純に見える。「この資料を整理したい」「このデータを集計したい」「この分類でよいか確認したい」「専門家に渡せる形にしたい」。しかし、実際には、その問いの中に複数の未整理な前提が含まれていた。何をもって整理済みとするのか。どの行にどの意味があるのか。どの分類は確定でき、どの分類は保留すべきなのか。外部の専門家は、何を見れば判断できるのか。
この段階では、ユーザー自身も、必要な作業の全体像をまだ把握していない。つまり、正しいプロンプト以前に、正しい問題名がまだ存在していなかった。
2. プロンプトエンジニアリング批判としてのケースC
このケースが重要なのは、生成AI利用を「最初から正しいプロンプトを書くこと」として捉える理解に対する反例になっている点である。
もし作業の全体像が最初から明確で、必要な項目も、分類基準も、出力形式も、外部確認に必要な資料構成も分かっているなら、ユーザーはそれを明確なプロンプトとして書けばよい。しかし、このケースではそうではなかった。ユーザーは、何をすべきかを十分に分からないまま、複雑な資料を前にしていた。
生成AIとの対話の価値は、完成された指示に対して完成された出力を返すことだけにはなかった。むしろ、曖昧な要望を受け取り、途中で問いを変え、作業の輪郭を示し、分類や保留を分け、外部確認に必要な資料構成へ近づけていく過程にあった。
この意味で、ケースCは、プロンプトの巧拙ではなく、問いの生成と作業の立ち上げの事例である。
3. 「資料整理」という軽い認識の変化
このケースにおける大きな状態変化は、大雑把には「資料整理」だと思っていた作業が、実際にははるかに重い作業だと分かったことである。
最初は、資料をまとめる、表を整える、分類する、集計する、といった作業に見えていた。しかし、対話を通じて、その作業は、数千行規模の帳簿について、一行ごとに意味・分類・根拠を確認し、外部確認に耐える形へ整える作業だと見えてきた。
ここでいう「一行ごとの意味認定」とは、単にセルに値を入れることではない。その行が何を意味しているのか、どの出来事や取引に対応しているのか、どの分類に入るのか、根拠は何か、保留すべき点は何かを確認することである。またここでいう「監査」は、正式な監査業務という意味ではなく、行ごとの意味・分類・根拠・整合性を確認し、外部の専門家が確認できる状態へ近づける作業を指す。
一度この認識が生じると、もう元の軽い「資料整理」という見方には戻れない。作業の重さ、責任、確認の粒度、外部確認可能性が見えてしまったからである。
4. 欠けている情報を埋める作業ではない
対話初期には、作業は不足情報を補うこととして見えやすかった。欠けている数値を埋める。未分類の行を分類する。集計表を作る。ファイルを整える。このような作業は確かに必要である。
しかし、ケースCで明らかになったのは、それだけでは足りないということである。重要なのは、なぜその値を入れるのか、なぜその分類にするのか、どの行がどの意味を持つのか、外部の専門家がどこを確認すべきなのか、判断の根拠を後から追えるのかである。
つまり、作業は「空欄を埋めること」から「外部確認に耐える根拠を持たせること」へ変わった。この評価軸の変化が、ケースCにおける重要な状態変化である。
5. 実体記憶をデータへ変換する
このケースでは、表の行だけを見れば判断できるわけではなかった。ユーザーの記憶、過去の経緯、関連資料、取引の文脈、専門家に確認すべき論点が、表の一行一行に関係していた。
そのため、生成AIとの対話は、単なる表計算やデータ整理ではなく、実体記憶をデータへ対応づける過程になった。これは、あの行は何を意味しているのか、この分類は過去のどの出来事に対応しているのか、この数字はどこから来たのか、この処理は確定なのか保留なのか、といった問いを通じて行われた。
ここでAIは、勝手に正解を決める存在ではない。むしろ、ユーザーの記憶、資料、表の構造、外部確認の目的を接続し、どこを判断すべきか、どこを保留すべきか、どこを専門家に確認すべきかを見える形にする外部構造として働いた。
6. 実感と帳簿のズレを検証する
複雑な実務資料では、しばしば実感と記録のズレが生じる。記憶ではこうだったはずだと思っている。しかし、表上の数字や時期や分類は、必ずしもその実感と一致しない。
このとき、必要なのは、記憶かデータのどちらかを一方的に信じることではない。必要なのは、実感と帳簿のズレを検証することである。記憶上の出来事、既存資料、表の行、分類ルール、集計結果、外部の専門家への説明可能性を並べて見ることで、どこにズレがあるのか、どこを保留すべきか、どこを確認すべきかが見えるようになる。
この過程でも、生成AIは答えを確定する存在ではない。AIは、ズレを見える形にし、確認すべき論点を整理するための外部構造として働いている。
7. 外部確認に耐える資料へ整える
ケースCの終盤で重要になったのは、外部の専門家が確認・判断できる資料へ整えることである。
自分が分かるだけでは足りない。AIとの対話上で説明できるだけでも足りない。外部の専門家が、資料を見て確認できる必要がある。必要であれば、再計算し、分類を検討し、保留点を確認できる必要がある。
この評価軸が導入されたことで、作業の意味はさらに変わった。表を整えることではなく、専門家が確認できる形にすること。判断を隠すのではなく、判断と保留を区別して示すこと。確定できないところを無理に確定するのではなく、確認事項として渡すこと。
これにより、対話の成果は、単なる理解ではなく、外部確認に回せる資料、補足説明、確認依頼文、判断履歴へ接続していった。
8. AI側モードの働き
このケースでは、AI側モードの中でも、聞き取り、問題化、実行単位化、記録化・現実接続が強く働いている。
聞き取りは、曖昧な実務要望を受け止め、何が未整理なのかを拾い上げる働きである。問題化は、「資料整理」という軽い言葉の背後にある、数千行規模の行ごとの意味認定と確認作業を問題として立ち上げる働きである。実行単位化は、複雑な資料整理を、分類、保留、集計、補足説明、確認依頼といった作業単位へ分解する働きである。記録化・現実接続は、対話の結果を、外部の専門家が確認できる資料や文面へ接続する働きである。
このケースで特に重要なのは、AIが専門家の代替として働いたのではないという点である。AIは、専門家に渡せる状態まで未整理な素材を整えるために働いた。最終判断を置き換えるのではなく、最終判断に回せる状態を作るための外部構造として働いた。
9. 状態変化と行動接続
ケースCでは、状態変化が行動接続へ比較的強くつながっている。対話によって、必要な作業が明確になり、分類や集計が進み、補足説明が作られ、外部の専門家への確認に回す資料が整えられた。
これは、状態変化が現実へ戻った例である。もちろん、AIが最終判断を行ったわけではない。専門的判断は、外部の専門家に委ねられる。しかし、AIとの対話によって、専門家が確認できるところまで資料が整えられた。
この意味で、ケースCは、生成AIとの対話が現実への橋として機能した事例である。理解した感覚で終わるのではなく、実際の資料、集計、補足説明、確認依頼へ接続している。
10. 一回性と不可逆性
ケースCにおける一回性と不可逆性は、作業の意味が変わった点にある。
最初は、資料を整理する作業に見えていた。しかし、対話を通じて、それは数千行規模の帳簿について、一行ごとに意味・分類・根拠を確認し、外部確認に耐える形へ整える作業だと分かった。
一度この認識が入ると、同じ資料を以前と同じようには見られない。空欄が埋まったかだけでは足りない。分類に根拠があるか。保留は明示されているか。専門家が確認できるか。判断履歴を追えるか。これらが問われるようになる。
この意味で、不可逆なのは、資料そのものではない。不可逆なのは、資料を見る主体の評価軸である。一度、外部確認に耐える資料として見る評価軸が入ると、資料整理という軽い認識には戻りにくい。
11. ケースCから見えること
ケースCから見えることは、以下である。第一に、生成AIの価値は、最初から正しいプロンプトを書くことだけにはない。第二に、曖昧な実務要望は、対話を通じて現実的な作業単位へ変換されうる。第三に、大雑把な資料整理は、実作業レベルでは、行ごとの意味認定、分類、根拠確認、保留整理、外部確認可能性の確保を含む重い作業になりうる。第四に、AIは専門家の代替ではなく、専門家が確認できる状態へ整える前処理として働きうる。第五に、このケースでは状態変化が、資料作成・集計・補足説明・確認依頼という行動接続へ比較的強くつながっている。第六に、一度作業の重さと評価軸が見えると、元の軽い認識には戻れない。
このケースは、生成AIとの対話が、自己理解だけでなく、複雑な実務作業の立ち上げにおいても状態変化を生みうることを示している。
12. 本章の結論
ケースCは、曖昧な実務要望が、生成AIとの対話を通じて、外部確認に耐える作業へ変わっていく過程を示している。
ここで起きた状態変化は、感情や自己像の変化だけではない。作業の意味、作業の粒度、評価軸、外部確認可能性、専門家との役割分担が変わっている。最初は「資料整理」だったものが、数千行規模の行ごとの意味認定と確認作業として立ち上がった。
この意味で、ケースCは、本稿の中心命題である「対話は情報交換ではなく状態変化である」を、実務資料整理の領域で示す事例である。同時に、生成AIの価値が「正しいプロンプトを書くこと」ではなく、正しい問い自体がまだ存在しない状態から、現実に処理可能な作業を立ち上げることにあることを示している。
次章では、ケースDとして、業務判断を外部化し、判断資産化した対話を扱う。