MENU

生成AIでLessons Learnedを使う方法|プロンプト例と人が確認すべきポイント

Lessons Learnedは、過去の経験を単なる感想で終わらせず、次の案件で再利用できる判断基準や行動へ変換するための仕組みです。

生成AIは、この整理を効率化する補助として使えます。たとえば、会議メモや振り返り記録から事実を抜き出す、成功と問題を分ける、原因仮説を整理する、次回行動の候補を出す、既存のLessons Learnedと似た内容を探す、といった作業です。

一方で、AIは実際の現場を見ていません。事実と推測の区別、因果関係の確定、正式な責任者や期限、どの案件へ適用すべきか、機密情報をどこまで入力してよいかは、人が判断する必要があります。

この記事では、生成AIをLessons Learnedの補助に使う方法を、具体的なプロンプト例、出力の使い方、人が確認すべきポイント、誤り・限界まで含めて解説します。

Lessons Learnedの意味や基本構造から確認したい場合は、Lessons Learnedとは?を参照してください。基本の進め方は、Lessons Learnedのやり方で確認できます。

目次

生成AIを使うと効果が出やすい場面

生成AIは、次のような作業で補助役として使いやすくなります。

  • 会議メモや報告から事実候補を抽出する
  • 成功したことと問題を分ける
  • 感想表現を観測可能な事実へ言い換える
  • 原因仮説を複数出す
  • 次回行動の候補を具体化する
  • 適用条件を整理する
  • 既存Lessons Learnedとの重複や類似点を確認する
  • 記録を短く再利用しやすい文章へ整える
  • 次案件で使う前に確認質問を作る

一方で、次の判断はAIだけに任せない方が安全です。

  • 実際に起きた事実の確定
  • どの原因が本当に影響したか
  • 誰が責任を持つか
  • どの期限で次回行動を実施するか
  • どの条件なら再利用してよいか
  • 社外秘・個人情報・顧客情報を入力してよいか
  • 最終的に組織知として登録する内容

AIは「候補を出す」「抜けを探す」「言語化する」役に置き、最終判断は人が行います。

1. 会議メモから事実候補を抽出する

振り返りメモには、事実と感想が混ざりがちです。

たとえば、

ユーザー教育が大変だった。説明会の参加率も低く、問い合わせが多かった。

という記録だけでは、次の案件で再利用しにくい状態です。

プロンプト例

以下の振り返りメモから、観測可能な事実候補と、感想・解釈を分けてください。

メモ: 「ユーザー教育が大変だった。説明会の参加率も低く、問い合わせが多かった。」

条件:

  • 数値、件数、実施有無、日時など確認可能な情報を事実候補とする
  • 元の文にない数値は推測しない
  • 不足している情報は質問として出す

出力の使い方

AIは、

  • 説明会参加率は何%だったか
  • 説明会は何回開催したか
  • 録画教材はあったか
  • 問い合わせ件数は何件だったか
  • 問い合わせ内容の上位は何だったか

といった確認項目を出せます。

人が実績を確認し、たとえば、

  • 対象120人
  • 説明会参加54人、参加率45%
  • 説明会は1回
  • 録画教材なし
  • 本番初週の問い合わせ37件
  • うち22件がログイン、パスワード再設定、取消手順

と事実を確定します。

2. 成功したことと問題を分ける

Lessons Learnedは、失敗だけを集めるものではありません。

うまくいったことも、次回再利用できるように残します。

プロンプト例

以下の事実を、

  1. 継続したい成功要因
  2. 改善したい問題
  3. 追加確認が必要な点

に分けてください。

条件:

  • 事実から直接判断できない場合は「要確認」とする
  • 人や部署の責任追及をしない

出力の使い方

たとえば、

  • 問い合わせ対応用チャットが機能した
  • 説明会参加率45%は低い可能性がある
  • FAQの更新頻度は要確認

と整理できます。

人は、成功と問題の基準を実際の目標と照合します。

3. 原因仮説を複数出す

AIは、問題から原因仮説を広げる作業に向いています。

プロンプト例

次の事実について、原因仮説を5個以内で整理してください。

事実:

  • 対象120人
  • 説明会参加54人、45%
  • 説明会は1回
  • 録画教材なし
  • 本番初週問い合わせ37件
  • うち22件がログイン、パスワード再設定、取消手順
  • 問い合わせ窓口は3か所

条件:

  • 原因を断定しない
  • 確認すべき追加データも示す

出力の使い方

AIは、

  • 業務繁忙期と説明会日程が重なった可能性
  • 説明会が1回で代替手段がなかった可能性
  • 未受講者管理がなかった可能性
  • 録画教材がなく自己解決できなかった可能性
  • 問い合わせ窓口が分散し、FAQ集約が遅れた可能性

などを候補化できます。

人は、カレンダー、出席記録、サポートログ、運用記録を確認し、本当に影響した原因だけを残します。

4. 次回行動を具体化する

「次回は早めに準備する」では、Lessons Learnedとして弱い状態です。

AIを使って、行動を具体化できます。

プロンプト例

以下の原因仮説を、次案件で実行できる具体的な行動候補へ変えてください。

原因候補:

  • 繁忙期と教育日程が重なった
  • 説明会が1回だけだった
  • 録画教材がなかった
  • 未受講者を追跡していなかった
  • 問い合わせ窓口が3か所に分散していた

条件:

  • 誰が何をいつまでに行うかを決めるための候補にする
  • 正式な担当者名は推測しない
  • 測定可能な完了条件を含める

出力の使い方

AIは、

  • 本番3週間前までに教育計画を確定する
  • 説明会を複数回開催する
  • 録画教材を用意する
  • 本番1週間前に未受講者一覧を作る
  • 問い合わせ窓口を一本化する
  • 頻出FAQを日次で更新する

といった候補を出せます。

人は、実際のプロジェクト体制に合わせて正式な担当と期限を決めます。

5. 適用条件を整理する

Lessons Learnedは、すべての案件へ無条件で適用すると逆に使いにくくなります。

プロンプト例

以下のLessons Learnedについて、適用条件の候補を整理してください。

学び: 「本番前のユーザー教育では、複数回説明会、録画教材、未受講者管理、問い合わせ窓口一本化を行う」

条件:

  • 案件規模
  • 業務変更の大きさ
  • 問い合わせ増加リスク
  • 対象部門数

の観点から候補を出す

  • 数値は与えた情報の範囲だけ使う

出力の使い方

人が過去案件を見ながら、

  • 対象50人以上
  • 業務手順変更あり
  • 本番初期に問い合わせ増が見込まれる
  • 複数部門をサポートする

といった適用条件を設定できます。

AIは条件の観点を出す役、正式な閾値を決めるのは人です。

6. 既存Lessons Learnedとの重複を確認する

記録を増やし続けると、似たLessons Learnedが多数でき、探しにくくなります。

プロンプト例

以下の新しいLessons Learnedと、既存項目の重複・差分を整理してください。

新規候補: 「本番前教育では、複数回説明会、録画教材、未受講者管理、窓口一本化を行う」

既存候補: 「大規模な業務変更では、本番前に教育計画を作成し、問い合わせ対応体制を準備する」

条件:

  • 同じ意味なら統合候補を出す
  • 条件が違う場合は差分を示す
  • 勝手に削除しない

出力の使い方

AIは「教育計画」「問い合わせ体制」は共通し、新規候補には「複数回説明会」「録画教材」「未受講者管理」という具体化がある、と整理できます。

人は、既存項目へ追記するか、新規項目として分けるか判断します。

7. 記録を再利用しやすい形に短くする

Lessons Learnedは長すぎても読まれません。

プロンプト例

以下の振り返り内容を、次案件で検索・再利用しやすい形に要約してください。

構成:

  • 事実
  • 学び
  • 次回行動
  • 適用条件
  • 確認方法

条件:

  • 責任追及表現を避ける
  • 案件固有の固有名詞は必要最小限にする
  • 数値事実は残す

出力の使い方

AIに要約させた後、人が「削りすぎて判断条件が消えていないか」を確認します。

8. 次案件で使う前に確認質問を作る

Lessons Learnedは保存して終わりではありません。

次の案件で使う前に、本当に適用すべきか確認します。

プロンプト例

以下のLessons Learnedを新しい案件へ適用する前に、確認すべき質問を5つ出してください。

Lessons Learned: 「対象50人以上で業務手順変更があり、問い合わせ増が見込まれる場合は、複数回説明会、録画教材、未受講者管理、問い合わせ窓口一本化を行う」

出力の使い方

AIは、

  • 対象人数は何人か
  • 業務手順はどの程度変わるか
  • 問い合わせ増加は見込まれるか
  • 説明会へ参加しにくい勤務形態があるか
  • 窓口一本化が可能か

といった質問を出せます。

人は、案件固有の制約を確認し、必要な部分だけ適用します。

通し例|生成AIを使って振り返りをLessons Learnedへ変える

受注システム導入後、ユーザー教育と本番初週サポートについて振り返りました。

最初の記録は、

教育準備が大変だった。説明会参加が少なく、問い合わせも多かった。次回は早めに準備する。

という感想中心の内容でした。

まずAIへ「事実と感想を分ける」プロンプトを入れました。

AIは、参加率、説明会回数、録画教材、問い合わせ件数、問い合わせ上位内容、窓口数を確認すべきと指摘しました。

人が実績を確認し、

  • 対象120人
  • 説明会参加54人、45%
  • 説明会1回
  • 録画教材なし
  • 本番初週問い合わせ37件
  • うち22件がログイン、パスワード再設定、取消手順
  • 問い合わせ窓口3か所

と事実を確定しました。

次にAIへ原因仮説を出させました。

AIは、繁忙期との重複、説明会1回、未受講者管理なし、録画教材なし、窓口分散、FAQ反映遅れなどを候補化しました。

人が記録を確認し、実際に影響したものを残しました。

その後、AIへ次回行動候補を作らせ、

  • 本番3週間前までに教育計画を確定
  • 説明会を複数回開催
  • 録画教材を用意
  • 本番1週間前に未受講者一覧を作成
  • 問い合わせ窓口を一本化
  • 頻出FAQを日次更新

へ具体化しました。

さらに、適用条件を人が、

  • 対象50人以上
  • 業務手順変更あり
  • 問い合わせ増加が見込まれる
  • 複数部門をサポートする

と設定しました。

次の案件でこのLessons Learnedを使った結果、説明会参加率は82%まで改善し、ログインや取消手順など同種問い合わせも減りました。

ここで終わらず、「複数回説明会と録画教材だけでなく、未受講者一覧の運用が有効だった」という結果を既存Lessons Learnedへ追記しました。

この例でAIが担ったのは、確認項目、原因仮説、次回行動候補、適用条件の観点、要約、重複確認です。

人が担ったのは、事実確定、原因判断、正式な行動、適用条件の閾値、次案件への適用、効果確認、最終的な知識更新です。

そのまま使える記入形式が必要なら、Lessons Learnedテンプレートを使うと、事実、成功、問題、次回行動、適用条件、保管、次案件への反映まで整理しやすくなります。

具体的な適用イメージを追いたい場合は、Lessons Learnedの具体例が参考になります。よくある失敗を先に確認したい場合は、Lessons Learnedで失敗しやすいポイントも参照してください。

AARやSECIモデルとの使い分けも確認する

生成AIを使う前に、「そもそもLessons Learnedを使う場面か」を確認することも重要です。

短い振り返りをその場で行い、次の行動をすぐ変えたい場合はAARの方が向くことがあります。AARとLessons Learnedの違いを確認すると、振り返りと知識蓄積の役割差を整理できます。

個人やチームの暗黙知を組織全体で循環させることが目的なら、SECIモデルの方が適する場合があります。SECIモデルとLessons Learnedの違いでは、知識創造と経験知の再利用の違いを比較できます。

3つの使い分けをまとめて確認したい場合は、SECIモデル・AAR・Lessons Learnedの使い分けも参考になります。

人が必ず確認すべきポイント

事実

AIは元データにない数字や出来事を補うことがあります。参加率、件数、期限、実施有無は人が確認します。

因果関係

「参加率が低かったから問い合わせが増えた」と見えても、他の原因があるかもしれません。AIの原因候補をそのまま確定しません。

正式な行動

AIが出した次回行動は候補です。担当者、期限、予算、実施可否はプロジェクト側で決めます。

適用条件

過去案件と新案件の規模、業務変更、対象者、サポート体制が違う場合、そのまま適用しません。

機密性

顧客名、障害情報、個人の評価、契約条件などをAIへ入力する場合は、自社の情報管理ルールに従います。

最終的な知識登録

AIが作った文章ではなく、人がレビューし、次案件で再利用できると判断した内容だけを正式なLessons Learnedとして登録します。

生成AIの誤りと限界

存在しない事実を補うことがある

「具体化して」と頼むと、参加率や件数を勝手に作ることがあります。

原因をもっともらしく断定することがある

一般論から「教育不足が原因」と出しても、本当にそうとは限りません。

対策を一般論へ寄せることがある

「コミュニケーションを強化する」「早めに準備する」のような抽象策になる場合があります。

適用条件を広げすぎることがある

1つの案件で有効だった学びを、全案件へ適用するよう提案することがあります。

記録を要約しすぎることがある

短くする過程で、数値、判断理由、適用条件が落ちる場合があります。

機密情報の扱いに注意する

Lessons Learnedには失敗情報、顧客情報、内部判断が含まれることがあります。入力前に情報区分を確認します。

生成AIに任せすぎないためのチェックリスト

  • AIが追加した事実をそのまま使っていないか
  • 数値や件数を一次情報で確認したか
  • 成功と問題の両方を見ているか
  • 原因仮説を複数検討したか
  • 因果関係を人が確認したか
  • 次回行動が具体的か
  • 正式な担当者と期限を人が決めたか
  • 適用条件を明記したか
  • 既存Lessons Learnedと重複確認したか
  • 次案件で実際に使ったか
  • 使用結果でLessons Learned自体を更新したか
  • 機密情報を不用意に入力していないか
  • AIの要約で重要な判断条件が落ちていないか

まとめ

生成AIは、Lessons Learnedを効率よく作るための補助役として使えます。

特に役立つのは、振り返りメモからの事実候補抽出、成功と問題の分離、原因仮説、次回行動候補、適用条件の整理、既存項目との重複確認、再利用しやすい要約、次案件での確認質問づくりです。

一方で、実際の事実、因果関係、正式な担当・期限、適用条件、機密性、最終的な知識登録は人が判断する必要があります。

生成AIにLessons Learnedを完成させてもらうのではなく、「候補を広げる」「抜けを探す」「感想を事実と行動へ変える」「既存知識との重複を確認する」ために使うことで、過去経験を次の案件で再利用できる形へ効率よく変換しやすくなります。

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