MENU

生成AIでAARを使う方法|プロンプト例と人が確認すべきポイント

AAR(After Action Review)は、仕事やプロジェクトの実施後に「何を期待していたか」「実際に何が起きたか」「なぜ差が生まれたか」「次にどうするか」を振り返り、次回の行動へつなげる方法です。

生成AIを組み合わせると、会議メモやチャットログをAARの4つの問いへ整理したり、事実と解釈を分ける候補を出したり、抽象的な学びを具体的な行動へ言い換えたりする作業を効率化できます。

ただし、AIは入力された記録以上の事実を確認できません。会議メモにない理由を補ったり、誰かの発言を強く要約しすぎたり、相関だけで原因を断定したりすることがあります。そのため、生成AIはAARの「整理・問い直し・文章化」を補助する役として使い、事実の確定、要因仮説の採否、改善の優先順位、最終アクションは人が判断する必要があります。

この記事では、生成AIでAARを使う具体的な手順を、プロンプト例、出力の使い方、人が確認すべきポイント、ありがちな誤りまで含めて解説します。AARの基本的な意味から確認したい場合は、AARとは?意味・使い方・具体例を参照してください。

目次

生成AIに任せやすいこと・人が判断すべきこと

生成AIに任せやすいのは、情報の整理と候補出しです。

AIに任せやすいこと:

  • 発言メモを「期待・実際・差分・次回行動」へ分類する
  • 事実と解釈を分ける候補を出す
  • 差分から要因仮説を整理する
  • 成功要因と改善要因を分ける
  • 抽象的な学びを具体的な行動へ言い換える
  • 改善案を担当・期限・確認指標の形へ整える
  • 複数回のAARから共通パターン候補を抽出する

人が判断すべきこと:

  • 元記録が正しいか
  • 何が事実として確認済みか
  • AIが追加した前提がないか
  • どの要因仮説を採用するか
  • どの改善を優先するか
  • 誰がいつまでに実行するか
  • 業務資産へ何を反映するか

生成AIでAARを使う基本手順

1. 対象・期待・元記録を人が準備する

最初に、AIへ渡す材料をそろえます。

必要なのは、

  • 振り返る対象
  • 事前に置いていた期待や目標
  • 実績値
  • 会議メモや出来事の記録
  • まだ確認できていない点

です。

たとえば、新入社員向けオンライン研修なら次のように入力します。

AARの整理を補助してください。

対象:6月実施の新入社員向けオンライン研修

事前の期待:
- 参加率90%以上
- 満足度4.2以上
- 定刻開始
- 大きな運営トラブル0件

確認済みの実績:
- 申込者80名
- 参加者68名
- 参加率85%
- 満足度4.4
- 開始7分遅延
- 音声トラブル2件

会議メモ:
- 演習時間を前回より15分増やした
- 各章後に質疑応答を入れた
- 講師1名が開始3分前に接続した
- 日程変更後、欠席者12名のうち7名が再案内を見落としたと回答

条件:
入力にない事実は補わないでください。

AARの具体的な進め方は、AARのやり方で確認できます。

2. 4つの問いへ分類させる

AARの基本となる4つの問いへ整理させます。

上記の内容を次の4項目へ分類してください。

1. 何を期待していたか
2. 実際に何が起きたか
3. なぜ差が生まれたと考えられるか
4. 次にどうするか

3と4は、確認済み事実と仮説を分けてください。

AIが整理した結果は、そのまま確定しません。元記録との対応を人が確認します。

3. 事実と解釈を分けさせる

生成AIを使うメリットの1つは、曖昧な発言を整理できることです。

以下のメモを、
- 確認済み事実
- 解釈・評価
- 要因仮説
に分けてください。

メモ:
- 講師の準備不足で開始が遅れた
- 講師1名が開始3分前に接続した
- 接続締切は開始5分前だった

望ましい整理は、

確認済み事実:

  • 講師1名が開始3分前に接続した
  • 接続締切は開始5分前だった

解釈・要因仮説:

  • 準備不足だった
  • 接続締切が遅延に影響した可能性

のような形です。

AIの役割は「分ける候補」を出すことです。最終的な事実認定は人が行います。

4. 成功要因と改善要因を両方出させる

AARは失敗だけを見る方法ではありません。

期待との差分を、
- 期待を上回った点
- 期待を下回った点
に分けてください。

そのうえで、
- 成功要因候補
- 改善要因候補
を整理してください。

入力にない原因を断定しないでください。

オンライン研修なら、満足度4.4について、演習時間増加、事前アンケート、章ごとの質疑応答が成功要因候補になります。

一方、開始遅延については、講師直前接続、接続締切、未接続時の連絡ルール、代替講師未指定などを改善要因候補として整理できます。

5. 要因仮説ごとに確認が必要な事実を出させる

AIに原因を決めさせるのではなく、仮説を確かめるために何を確認すべきか出させます。

要因仮説:
接続締切が開始5分前だったことが、開始遅延に影響した可能性がある。

この仮説について、
- 支持する事実
- 反証する事実
- 追加で確認すべき記録
を整理してください。

これにより、「それっぽい原因」をそのまま学びとして残すのを避けやすくなります。

6. 抽象的な学びを具体的な行動へ変えさせる

AARでは「事前準備が重要」「連携を強化する」といった抽象的な学びで終わらないことが重要です。

次の学びを、第三者がそのまま実行できる行動へ言い換えてください。

学び:
事前準備を早める。

条件:
- 誰が
- 何を
- いつまでに
- どの状態にするか
が分かる表現にしてください。

たとえば、

「講師は開始15分前までに接続を完了し、10分前時点で未接続なら事務局が連絡する」

のように具体化できます。

7. 改善案を優先順位付けする材料を出させる

改善案が多い場合は、AIに比較材料を整理させます。

次の改善案を、
- 次回への影響度
- 実行容易性
- 再発防止への効果
- 他施策の前提になるか
の観点で比較してください。

最終順位は付けず、人が判断する材料を示してください。

AIに順位を決めさせるのではなく、優先順位の判断材料を出させるのがポイントです。

8. 担当・期限・反映先まで整形させる

AAR結果を、実行計画へ変えます。

以下の改善案を、
- アクション
- 担当者
- 期限
- 反映先
- 次回確認指標
の形式に整えてください。

改善案:
- 接続締切を15分前へ変更
- 未接続時の連絡ルールを決める
- 日程変更時にカレンダー招待を再送する

担当者や期限が入力にない場合は、AIに勝手に決めさせず「未設定」と出させます。

9. 業務資産への反映候補を出させる

AAR議事録を保存するだけでは、次回担当者が読まない可能性があります。

今回の学びを、実際に使う業務資産へ反映するとしたら、どこに反映すべきか候補を出してください。

対象:オンライン研修運営

例:
- 運営手順書
- 開催チェックリスト
- 案内テンプレート
- 講師向けチェックリスト

人は、実際に運用されている資産へ反映します。

10. 次回確認用の観点を作らせる

最後に、次回も同じ観点で確認できるようにします。

今回の改善が有効だったか次回確認するために、
- 確認指標
- 確認タイミング
- 改善したと判断する状態
を整理してください。

たとえば、定刻開始、音声トラブル件数、参加率、満足度などを確認します。

そのまま使えるAAR用プロンプト

あなたはAARの整理補助役です。
最終判断を代替せず、記録の分類、事実と解釈の分離、要因仮説、次回行動の具体化を支援してください。

【AARの対象】

【事前に期待していた結果】

【確認済みの実績】

【会議メモ・出来事の記録】

【未確認の点】

【依頼】
1. 期待・実際・差分・次回行動へ分類する
2. 事実・解釈・要因仮説を分ける
3. 期待を上回った点と下回った点を整理する
4. 成功要因候補と改善要因候補を出す
5. 各要因仮説の支持事実・反証事実・追加確認項目を示す
6. 抽象的な学びを具体的な行動へ言い換える
7. 改善案の比較材料を出す
8. アクション・担当・期限・反映先・確認指標の形へ整える
9. 業務資産への反映候補を出す
10. 次回確認項目を整理する

【条件】
- 入力にない事実を追加しない
- 事実と解釈を分ける
- 原因を断定しない
- 成功と失敗の両方を扱う
- 個人責任だけに寄せない
- 最終的な採否・優先順位・担当・期限は人が決める

記入用の型が必要な場合は、AARテンプレートも併用できます。

通し例|オンライン研修のAARを生成AIと一緒に整理する

人が元記録を準備する

期待:

  • 参加率90%以上
  • 満足度4.2以上
  • 定刻開始
  • 運営トラブル0件

実績:

  • 参加率85%
  • 満足度4.4
  • 開始7分遅延
  • 音声トラブル2件

記録:

  • 演習時間を15分増やした
  • 事前アンケートを実施した
  • 各章後に質疑応答を入れた
  • 講師1名が開始3分前に接続した
  • 欠席者12名のうち7名が日程変更後の再案内を見落としたと回答

AIに差分を整理させる

期待を上回った点:

  • 満足度4.4

期待を下回った点:

  • 参加率85%
  • 開始7分遅延
  • 音声トラブル2件

と整理させます。

AIに成功・改善要因候補を出させる

成功要因候補:

  • 演習時間増加
  • 事前アンケート
  • 各章後の質疑応答

改善要因候補:

  • 講師直前接続
  • 接続締切が開始5分前
  • 未接続時ルールなし
  • 日程変更案内の見落とし

と整理させます。

人が事実を確認する

AIが出した要因候補を、元記録と担当者確認で確かめます。

ここで、「演習時間増加が満足度向上の原因」と断定しないことが重要です。あくまで再現候補として扱います。

AIに具体的な行動へ変換させる

  • 講師接続締切を開始15分前へ変更
  • 10分前時点で未接続なら事務局が連絡
  • 日程変更時はメールとカレンダー招待を再送
  • 代替講師を事前指定

という形に具体化させます。

人が担当・期限を決める

  • 運営手順書更新:事務局、1週間以内
  • 案内テンプレート更新:企画担当、次回募集前
  • 代替講師欄追加:研修責任者、次回開催前

など、実際の担当と期限は人が決めます。

業務資産へ反映する

AAR議事録だけでなく、

  • 運営手順書
  • 開催チェックリスト
  • 案内テンプレート

へ改善を反映します。

次回に確認する

  • 定刻開始できたか
  • 音声トラブルが減ったか
  • 参加率90%以上か
  • 満足度4.2以上を維持できたか

を確認します。

この流れなら、生成AIは整理を速めますが、事実確認と判断は人が担ったままです。

より多くのケースは、AARの具体例で確認できます。AARで起きやすい失敗は、AARで失敗しやすいポイントでも解説しています。

人が必ず確認したい6つのポイント

1. AIが入力にない事実を追加していないか

生成AIは、文脈からもっともらしい理由を補うことがあります。元記録にない内容は仮説として扱います。

2. 事実と解釈が混ざっていないか

「開始7分遅延」は事実、「準備不足だった」は解釈です。

3. 成功要因を原因確定していないか

満足度が高かったからといって、演習時間増加だけが原因とは限りません。

4. 個人責任に寄せていないか

人の行動だけでなく、役割、手順、情報、期限、ツールの条件も確認します。

5. 改善案が多すぎないか

AIは多数の案を出せます。次回への影響と実行可能性で絞ります。

6. AAR議事録で終わっていないか

手順書、チェックリスト、テンプレートなど、実際の業務資産へ反映します。

悪い使い方と改善例

悪い例1:「このAARの原因を決めて」と依頼する

AIが入力不足を補って原因を断定する可能性があります。

改善

原因ではなく「要因仮説」と「支持・反証の確認項目」を出させます。

悪い例2:会議メモだけ渡し、期待値を渡さない

何との差を振り返るのか曖昧になります。

改善

事前の目標や成功条件を必ず入力します。

悪い例3:AIの要約をそのまま議事録にする

重要な条件や例外が落ちる可能性があります。

改善

元記録と照合し、数字・固有条件・担当者の意図を確認します。

悪い例4:AIに担当者と期限まで勝手に決めさせる

実務上の権限や負荷を反映できません。

改善

AIには形式を整えさせ、担当・期限の確定は人が行います。

他のナレッジ管理手法と使い分ける場合

AARは、実施後の経験を短いサイクルで振り返り、次回の行動へ反映するのに向いています。

役割の違いを整理したい場合は、SECIモデルとAARの違い、AARとDIKWモデルの違い、AARとKCSの違い、AARとナレッジマップの違い、AARとLessons Learnedの違いを参考にしてください。

複数手法から選ぶ場合は、SECIモデル・AAR・DIKWモデルの使い分け、SECIモデル・AAR・KCSの使い分け、SECIモデル・AAR・ナレッジマップの使い分け、SECIモデル・AAR・Lessons Learnedの使い分けも確認できます。

情報管理にも注意する

生成AIへAAR記録を入力する場合、顧客情報、障害内容、営業案件、個人評価、未公開施策などが含まれることがあります。

利用前に、所属組織の生成AI利用ルールを確認してください。

特に、

  • 顧客名・個人名
  • 未公開の売上・失注情報
  • 障害の技術詳細
  • 人事評価
  • 契約条件
  • 未公開の事業計画

などは、そのまま入力してよいか慎重に判断します。

必要に応じて匿名化し、AAR整理に必要な最小限の情報だけを渡します。

まとめ|AIには整理と問い直しを任せ、事実確認と最終判断は人が担う

生成AIを使うと、AARの発言メモを4つの問いへ分類し、事実と解釈を分け、成功・改善要因候補を整理し、抽象的な学びを具体的な行動へ変える作業を効率化できます。

一方で、AIは現場の事実を直接確認できません。元記録にない理由を補う、原因を断定する、重要な条件を要約で落とす、といった誤りが起こりえます。

実務では、「AIにAARを完成させてもらう」のではなく、「AIで記録整理と問い直しを速め、人が事実を確認し、要因仮説を選び、次回の行動と業務資産への反映を決める」という使い方が適しています。

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!
目次