MENU

生成AIでSECIモデルを使う方法|プロンプト例と人が確認すべきポイント

SECIモデルは、個人の経験や勘のような暗黙知と、文章・図・手順書などの形式知を行き来させながら、組織の知識を生み出し、広げ、定着させる考え方です。

生成AIを組み合わせると、観察メモから判断ポイント候補を抽出したり、経験談を手順・判断基準へ整理したり、複数資料の重複をまとめたり、実践結果から更新候補を整理したりする作業を効率化できます。

ただし、生成AIは現場の暗黙知を直接観察できません。入力にない判断理由を補ったり、ベテランの説明を一般化しすぎたり、例外条件を落としたりする可能性があります。そのため、AIはSECIモデルの「整理・言語化・比較・更新候補づくり」を補助する役として使い、事実確認、暗黙知の意味づけ、適用条件・例外条件、最終的な知識化内容は人が判断する必要があります。

この記事では、生成AIでSECIモデル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。基本的な意味から確認したい場合は、SECIモデルとは?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

AIに任せやすいこと:

  • 観察メモやインタビュー記録から判断ポイント候補を抽出する
  • 暗黙知候補を手順・判断基準・良い例・悪い例へ整理する
  • 複数の手順書やFAQの重複・矛盾候補を洗い出す
  • 形式知をチェックリストやテンプレートのたたき台へ変える
  • 実践記録から、継続・修正・削除候補を整理する
  • 新しい経験と既存知識の差分を整理する

人が判断すべきこと:

  • 観察記録や発言が事実として正しいか
  • その判断が本当に成果へ寄与しているか
  • ベテラン個人の癖か、再利用可能な知識か
  • どの業務・顧客・条件へ適用できるか
  • どんな例外があるか
  • 既存の業務資産へ何を反映するか
  • 最終版として誰に使わせるか

生成AIでSECIモデルを使う基本手順

1. 対象知識と利用場面を人が定義する

最初からAIへ「ベテランの暗黙知を整理して」と依頼すると、範囲が広すぎます。

悪い入力例:

ベテラン営業のノウハウをSECIモデルで整理してください。

良い入力例:

SECIモデルで知識継承を整理します。

対象知識:
初回商談前に、公開情報と過去案件から顧客課題の仮説を作る方法

知識保有者:
法人営業チームのベテラン営業

利用者:
若手営業3名

利用場面:
初回商談準備

目指す状態:
若手が商談前に仮説と確認質問を準備できる

これから観察メモを渡すので、入力にない判断理由を補わずに整理してください。

対象知識を具体化すると、AIの整理も実務に合わせやすくなります。

2. 共同化の観察メモをAIへ整理させる

共同化では、実際の仕事を見たり、一緒に行ったりして、暗黙知へ触れます。

たとえば、ベテラン営業の商談準備を観察し、次のメモを取ったとします。

観察メモ:
- 会社概要より先に中期経営計画を開いた
- 重点投資テーマをメモした
- 直近6か月の投資・組織変更ニュースを確認した
- 過去の類似顧客の失注理由を見た
- 仮説候補を6個出した後、3個に絞った
- 各仮説に商談で確認する質問を1つ付けた
- 既存顧客案件ではCRMの過去商談履歴を先に見ていた

発言メモ:
『仮説が多いと確認が浅くなる』
『既存顧客は外部情報より社内履歴が早い』

AIへの依頼例:

上記を、
- 観察できた事実
- 本人が説明した判断理由
- まだ仮説にすぎない解釈
に分けてください。
入力にない理由は追加しないでください。

AIには「整理」を任せ、人は元メモとの対応を確認します。

3. 表出化のたたき台を作らせる

次に、観察した行動や判断理由を、第三者が使える形へ変えます。

確認済みの観察事実と本人の説明だけを使って、
- 手順
- 判断基準
- 良い例
- 悪い例
- 例外条件候補
のたたき台を作ってください。

断定できない内容は『要確認』としてください。

たとえば、

  • 中期経営計画の重点テーマを確認する
  • 直近6か月の投資・組織変更情報を確認する
  • 類似案件の失注理由を確認する
  • 仮説を3つ以内に絞る
  • 各仮説に確認質問を1つ付ける

という手順候補を作れます。

ただし、「仮説は必ず3つが最適」とまでは言えません。後で若手が使い、適用条件を確認します。

4. 抽象語を具体的な行動へ変えさせる

経験談には、「顧客目線」「違和感を見る」「先を読む」など、抽象的な表現が混ざりやすくなります。

次の表現を、観察・確認できる行動へ言い換える候補を出してください。

- 顧客目線で考える
- 情報を深く見る
- 仮説の質を上げる

条件:
- 何を見るか
- 何と比較するか
- どう判断するか
が分かる形にする
- 元記録にない事実は追加しない

AIは具体化候補を出せますが、それが本当にベテランの判断を表しているかは本人へ確認します。

5. 連結化で既存資料との重複・矛盾を整理させる

表出化した知識は、既存の手順書、テンプレート、CRM、FAQなどと組み合わせます。

新しい顧客仮説チェックリストと、既存の商談準備テンプレートの内容を比較してください。

出力:
- 重複している項目
- 矛盾している可能性がある項目
- 統合候補
- 別資料のまま残すべき候補

勝手に削除・統合せず、判断材料だけを出してください。

人は、実際の業務導線を見て、どこへ組み込むか決めます。

6. 内面化の実践計画を作らせる

形式知を作っただけではSECIモデルは回りません。別の人が実案件で使う必要があります。

若手営業3名が次の初回商談で新しいチェックリストを試すための実践記録項目を作ってください。

確認したいこと:
- 使った案件
- 準備時間
- 作った仮説数
- 商談で確認できた仮説
- 使いにくかった項目
- 例外条件
- 次回変えたい点

AIには記録フォーマットのたたき台を作らせます。

7. 実践結果をAIへ戻し、更新候補を出させる

若手3名が使った結果、

  • 新規顧客では外部情報から仮説を作りやすかった
  • 既存顧客ではCRMの過去商談履歴を先に見たほうが早かった
  • 既存顧客で仮説3つを作ると準備時間が長くなった

と分かったとします。

以下は実践結果です。

- 新規顧客では外部情報から仮説を作りやすい
- 既存顧客ではCRMの過去商談履歴を先に見たほうが早い
- 既存顧客で仮説3つを作ると準備時間が長い

現在の手順と比較し、
- 継続候補
- 修正候補
- 追加する例外条件候補
- 追加検証が必要な点
を整理してください。

AIは、たとえば「新規顧客は仮説3つ」「既存顧客は履歴優先で仮説2つ」という更新候補を出せます。

ただし、3件だけの実践で恒久ルールにするかは人が判断します。

8. 更新した知識を再共有する

更新内容は、既存の業務資産へ反映します。

今回の更新内容を、
- 商談準備テンプレート
- CRM案件ページ
- 営業ナレッジページ
- 新人教育資料
のどこへ反映するのが自然か、候補と理由を出してください。

人は、実際に利用されている導線を確認して反映先を決めます。

9. 次の共同化へ戻す観点を作る

SECIモデルは1周で終わりではありません。

今回の実践結果から、次回の共同化で観察・対話したい問いを5つ出してください。

条件:
- 新しい経験を深掘りする
- 適用条件と例外条件を確認する
- 個人の感想ではなく行動・判断を確認する

これにより、新しい経験を再び共同化・表出化へ戻しやすくなります。

そのまま使えるSECIモデル用プロンプト

あなたはSECIモデルの整理補助役です。
現場の暗黙知を勝手に補完せず、記録の整理、言語化候補、既存知識との比較、実践結果からの更新候補を支援してください。

【対象知識】

【知識保有者】

【利用者】

【利用場面】

【共同化で得た観察メモ】

【本人が説明した判断理由】

【既存の手順書・テンプレート】

【実践結果】

【依頼】
1. 観察事実・本人説明・未確認の解釈を分ける
2. 表出化する手順・判断基準・良悪例の候補を出す
3. 抽象語を観測可能な行動へ具体化する
4. 既存形式知との重複・矛盾・統合候補を整理する
5. 内面化のための実践記録項目を作る
6. 実践結果から継続・修正・削除・例外条件候補を出す
7. 業務資産への反映候補を出す
8. 次の共同化で確認する問いを出す

【条件】
- 入力にない事実を追加しない
- 判断理由を推測で埋めない
- ベテランの方法を唯一の正解としない
- 適用条件と例外条件を分ける
- 最終的な知識化・採否・更新は人が決める

記録用の型が必要な場合は、SECIモデルテンプレートも併用できます。

通し例|ベテラン営業の顧客仮説づくりを生成AIと一緒に知識化する

人が対象と観察方法を決める

対象知識は「初回商談前の顧客課題仮説づくり」とします。

若手3名がベテランの商談準備へ同席し、最初に見る資料、判断の順番、仮説を減らす基準、確認質問の作り方を記録します。

AIに観察メモを整理させる

AIへ観察メモを渡し、事実と本人説明、未確認解釈へ分けます。

たとえば、

  • 中期経営計画を先に見た:観察事実
  • 仮説が多いと確認が浅くなる:本人説明
  • ベテランは常に中期計画を最重要視する:未確認解釈

のように整理します。

AIに表出化のたたき台を作らせる

  • 中期経営計画の重点テーマを確認
  • 直近6か月の投資・組織変更を確認
  • 類似案件の過去失注理由を確認
  • 仮説を3つ以内に絞る
  • 各仮説に確認質問を付ける

という手順候補を作ります。

人が本人へ確認する

AIの出力をベテランへ見せ、

  • 判断理由は正しいか
  • 例外はあるか
  • どの案件には当てはまらないか

を確認します。

AIに既存資料との統合候補を出させる

商談準備テンプレート、CRM、過去失注理由一覧と比較し、重複・矛盾・統合候補を整理します。

人が最終的に、商談準備テンプレートとCRM案件ページへ組み込みます。

若手が実案件で使う

若手3名が実際の初回商談で利用します。

その結果、既存顧客ではCRM履歴を先に見るほうが効率的で、仮説を3つ作るより2つに絞るほうが準備しやすいケースがありました。

AIに更新候補を出させる

AIには、

  • 新規顧客:外部情報から仮説3つ
  • 既存顧客:過去商談履歴を優先し仮説2つ
  • 公開情報が少ない案件:仮説数より確認質問を優先

といった候補を整理させます。

人がルールを更新する

営業マネージャーと若手の実践記録を確認し、採用する条件を決めます。

再共有する

更新した手順をCRMと商談準備テンプレートへ反映し、営業会議で実践例を共有します。

この流れなら、AIは整理と文章化を速めますが、暗黙知の意味づけと適用条件の確定は人が担ったままです。

具体的な進め方は、SECIモデルのやり方で確認できます。別の適用例は、SECIモデルの具体例が参考になります。ありがちな失敗は、SECIモデルで失敗しやすいポイントで確認できます。

人が必ず確認したい6つのポイント

1. AIが判断理由を勝手に補っていないか

観察できた行動と、本人が説明した理由を分けます。

2. ベテランの方法を唯一解にしていないか

成果が高い人の方法でも、顧客、案件、経験値によって適用条件が変わります。

3. 抽象語が残っていないか

「センス」「顧客目線」「丁寧に」では再現できません。行動と判断基準へ変えます。

4. 例外条件を落としていないか

AIは共通パターンをきれいにまとめすぎることがあります。例外事例も残します。

5. 表出化だけで終わっていないか

手順書を作った後、別の人が実案件で使うところまで進めます。

6. 更新責任者が決まっているか

知識は古くなります。誰がどの契機で更新するかを決めます。

悪い使い方と改善例

悪い例1:「この人の暗黙知を全部抽出して」と依頼する

AIは入力された記録の範囲しか扱えません。

改善

対象業務を絞り、観察メモと本人説明を渡します。

悪い例2:AIが作った手順書を本人確認なしで公開する

判断理由や例外が誤って整理される可能性があります。

改善

本人と利用者の双方でレビューします。

悪い例3:AIが見つけた共通パターンを標準化する

少数事例の共通点が、本当に一般化できるとは限りません。

改善

実案件で試し、適用条件・反例・例外条件を確認します。

悪い例4:AIに資料を大量生成させる

連結化のつもりで新しいナレッジ資料が増えると、かえって探しにくくなります。

改善

既存のCRM、テンプレート、FAQ、手順書へ統合できるかを先に確認します。

他のナレッジ管理手法と組み合わせる場合

SECIモデルは、暗黙知と形式知を循環させる知識創造・継承に向いています。

実施後の振り返りとの違いは、SECIモデルとAARの違いで確認できます。情報の階層整理との違いは、SECIモデルとDIKWモデルの違いが参考になります。

問い合わせ対応の知識管理との違いは、SECIモデルとKCSの違い、知識の所在把握との違いは、SECIモデルとナレッジマップの違い、教訓管理との違いは、SECIモデルとLessons Learnedの違いで整理できます。

3つの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へ観察メモや業務資料を入力する場合、顧客情報、営業案件、製造条件、障害情報、個人評価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、必要に応じて匿名化します。

特に、

  • 顧客名・個人名
  • 未公開の営業・失注情報
  • 製造条件や設計情報
  • 障害の技術詳細
  • 人事評価
  • 契約条件

などは、入力可否を慎重に判断します。

まとめ|AIには整理と言語化を任せ、暗黙知の意味づけと採否は人が担う

生成AIを使うと、SECIモデルの共同化で得た観察メモを整理し、表出化の手順・判断基準を作り、既存形式知との統合候補を出し、内面化の実践結果から更新候補を整理する作業を効率化できます。

一方で、AIは現場の暗黙知を直接観察できません。入力にない判断理由を補ったり、例外条件を落としたり、少数事例を一般化したりする可能性があります。

実務では、「AIに暗黙知を抽出してもらう」のではなく、「人が現場を観察し、AIで記録整理と言語化を速め、人が本人確認と実践検証を行い、結果を知識へ戻す」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