情報アーキテクチャは、情報を「どこに置くか」だけでなく、利用者が必要な情報へたどり着き、正しい版を見つけ、更新後も迷わず使える状態を設計する考え方です。
生成AIは、この設計を自動で完成させる道具ではありません。一方で、既存情報の棚卸し、分類候補の整理、ラベルの揺れの発見、メタデータ候補の提案、重複情報の洗い出し、探索テスト用の質問づくりなどには使えます。
重要なのは、AIが出した分類や正本候補をそのまま採用しないことです。正式な分類軸、どれを正本とするか、誰が更新責任を持つか、どの情報を廃止するか、誰に閲覧・編集権限を与えるかは、実際の業務と運用責任を知る人が決める必要があります。
この記事では、生成AIを情報アーキテクチャ設計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。
基本概念から確認したい場合は、情報アーキテクチャとは?を参照してください。人だけで進める基本手順は、情報アーキテクチャのやり方で確認できます。
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。
- 既存ファイル・ページの棚卸し項目を整理する
- 利用者の目的から分類候補を出す
- 同義語やラベル揺れを見つける
- 階層を浅くする再編案を出す
- タグやメタデータ候補を整理する
- 重複ページや正本候補を洗い出す
- 更新責任や確認頻度の抜けを見つける
- 探索テスト用の利用シナリオを作る
- 旧版・不要情報の候補を抽出する
一方で、次の判断はAIだけに任せない方が安全です。
- 正式な分類軸
- 正式なページ名・ラベル
- どの情報を正本とするか
- どの情報を廃止・統合するか
- 閲覧・編集権限
- 更新責任者
- 保持期間
- 法務・監査上の保存要件
- 最終的な公開構造
AIは「候補を広げる」「抜けを探す」「比較しやすくする」役に置き、最終判断は人が行います。
1. 既存情報の棚卸し項目を作る
プロンプト例
営業部門のナレッジベースを整理します。既存の約180件のファイル・ページを棚卸しするため、記録すべき項目を提案してください。
条件:
- 情報の種類
- 想定利用者
- 利用目的
- 更新日
- 更新責任者
- 重複有無
- 正本候補
- 機密区分
- 廃止候補
を含める
- 存在しない値は推測しない
出力の使い方
AIは棚卸し項目の型を作れます。
たとえば、
- ページ名
- 情報タイプ
- 主利用者
- 利用シーン
- 最終更新日
- 所有部門
- 正本かどうか
- 類似情報
- 閲覧権限
- 廃止候補
などです。
人は実際のページやファイルを確認し、値を埋めます。AIに一覧だけ渡して「どれが正本か決めて」と頼むのは避けます。
2. 利用者目的から分類候補を出す
プロンプト例
営業部門のナレッジベースについて、利用者が情報を探す目的を基準に第一階層の分類候補を出してください。
主な利用シーン:
- 商談前に提案資料を探す
- 商品説明を確認する
- 顧客質問への回答を探す
- 契約・価格を確認する
- 成功事例を探す
- 引継ぎ情報を確認する
条件:
- 部署名だけを第一階層にしない
- 6〜8分類以内
- 各分類の対象情報を1行で説明する
出力の使い方
AIは、
- 商談を準備する
- 商品を説明する
- 顧客質問に答える
- 契約・価格を確認する
- 成功事例を探す
- 引継ぎを行う
といった利用目的別の分類候補を出せます。
人は、実際の営業担当がこの言葉で探せるか、新人にも通じるか、既存運用と衝突しないかを確認します。
3. ラベルの揺れを見つける
プロンプト例
以下のページ名から、同じ意味で使われている可能性があるラベルをまとめ、表示ラベルの統一候補を出してください。
- 成功事例
- 導入事例
- ケーススタディ
- 顧客事例
条件:
- 勝手に削除しない
- 統一候補と検索同義語候補を分ける
出力の使い方
AIは、表示ラベルを「成功事例」に統一しつつ、検索では「導入事例」「ケーススタディ」「顧客事例」を同義語として扱う案を出せます。
ただし、組織内で各語に明確な意味差があるなら統合してはいけません。人が定義を確認します。
4. メタデータ候補を整理する
プロンプト例
成功事例を探しやすくするためのメタデータ候補を5つ以内で提案してください。
利用者は、商品・業種・顧客規模・課題・導入目的から探すことが多いです。
条件:
- 入力負荷を増やしすぎない
- 各項目の用途を1行で説明する
出力の使い方
AIは、
- 商品
- 業種
- 顧客規模
- 課題
- 導入目的
といった候補を整理できます。
人は、実際に検索・絞り込みに使うか、更新担当が維持できるかを確認します。
5. 重複情報と正本候補を洗い出す
プロンプト例
以下の情報一覧から、内容が重複している可能性がある組み合わせを抽出し、正本確認のための質問を作ってください。
条件:
- 正本をAIが決めない
- 更新日が新しいだけで正本と判断しない
- 所有部門、利用目的、参照元を確認する質問を出す
出力の使い方
AIは「価格表2025」「最新価格表」「営業用価格表」のような似たページを候補化し、
- 正式な価格決定元はどこか
- 顧客提示に使ってよいのはどれか
- 更新責任者は誰か
- 他ページは正本へのリンクに置き換えられるか
という確認質問を作れます。
人が正式な正本を確定します。
6. 階層を浅くする再編案を出す
プロンプト例
現在のナレッジベースでは、商品資料が「営業部 > 第1営業課 > 商品資料 > 現行版 > 商品A」のように深くなっています。
利用者が商品Aの資料へ少ない操作で到達できる再編案を3つ出してください。
条件:
- 部署構造に依存しすぎない
- 利用目的・商品・検索タグの組み合わせを検討する
- 各案の利点と欠点を示す
出力の使い方
AIは、利用目的を第一階層にし、商品を第二階層やタグにする案などを比較できます。
人は、利用者がどの軸で探すか、権限境界、運用コストを見て選びます。
7. 更新責任と確認頻度の抜けを探す
プロンプト例
以下の情報種別について、更新責任と確認頻度を決めるための質問を作ってください。
- 価格表
- FAQ
- 成功事例
- 商品説明
- 引継ぎガイド
条件:
- 具体的な担当者名や頻度を推測しない
- 変更トリガーと定期確認の両方を考える
出力の使い方
AIは、
- 価格改定時に誰が更新するか
- 四半期や半期で棚卸しが必要か
- FAQは問い合わせ傾向の変化で見直すか
といった質問を出せます。
人が正式な責任者と頻度を決めます。
8. 探索テストのシナリオを作る
プロンプト例
営業部門の新人がナレッジベースを使う探索テストのシナリオを5つ作ってください。
条件:
- 提案資料
- 最新価格
- 顧客質問への回答
- 成功事例
- 引継ぎ情報
を含める
- 「見つかったか」だけでなく、迷った場所・検索語・誤って開いたページも記録できるようにする
出力の使い方
AIは具体的な探索課題を作れます。
たとえば、
製造業の中堅顧客に商品Aを提案する。使えそうな成功事例を1件探してください。
という課題です。
人は、新人や実利用者に実際に操作してもらい、到達時間や迷いを確認します。
9. 旧版・不要情報の候補を抽出する
プロンプト例
以下の棚卸しデータから、削除・統合・アーカイブの確認候補を抽出してください。
条件:
- AIだけで削除判断しない
- 旧版でも監査・契約上必要な可能性を残す
- 各候補について確認すべき点を出す
出力の使い方
AIは、長期間更新されていない重複ページや、同じ正本への誘導に置き換えられそうなページを候補化できます。
人は保存義務、参照履歴、リンク元、法務要件を確認してから処理します。
通し例|営業ナレッジベース再設計で生成AIを使う
ある営業部門では、約180件のファイル・ページが蓄積し、次の問題がありました。
- 提案資料が複数フォルダに重複している
- 旧価格表が検索上位に出る
- FAQの正本が分からない
- 成功事例が個人フォルダに残る
- 「成功事例」「導入事例」「ケーススタディ」のラベルが混在する
担当者は、まずAIに棚卸し項目を作らせました。
AIは、情報種別、利用者、利用目的、最終更新日、所有部門、正本候補、類似情報、機密区分、廃止候補などを提案しました。
人が180件を実際に確認すると、提案資料の重複、旧価格表、FAQ正本不明、成功事例の個人保管が見つかりました。
次に、利用者の目的を入力して第一階層の候補をAIに出させました。
候補は、
- 商談を準備する
- 商品を説明する
- 顧客質問に答える
- 契約・価格を確認する
- 成功事例を探す
- 引継ぎを行う
でした。
人が営業担当へ確認し、この分類を第一階層として採用しました。商品は第二階層やタグで扱うことにしました。
ラベルについてAIへレビューを頼むと、「成功事例」「導入事例」「ケーススタディ」が同義候補として挙がりました。
人が用語定義を確認し、表示ラベルは「成功事例」に統一し、検索では他の語も同義語としてヒットするようにしました。
成功事例のメタデータ候補として、AIは商品、業種、顧客規模、課題、導入目的を提案しました。
人が入力負荷を確認し、この5項目を採用しました。
価格表とFAQについては、AIに重複候補と確認質問を作らせました。正式な正本は人が所有部門と更新責任者へ確認し、それぞれ1本へ集約しました。
最後に、AIで新人向け探索テストのシナリオを作成しました。
新人3名に、
- 商品Aの最新価格を探す
- 製造業向け成功事例を探す
- 顧客からよく出る質問への回答を探す
などを実施してもらいました。
その結果、表示ラベルを統一した後でも、「価格表から値引きルールへの導線が弱い」という問題が見つかりました。
そこで、価格表ページから値引きルールへ直接リンクを追加しました。
さらに、更新責任と確認頻度を人が決め、価格・FAQは変更時に即時更新、全体構造は半期ごとに棚卸しする運用へしました。
この例でAIが担ったのは、棚卸し項目、分類候補、ラベル統一候補、メタデータ候補、重複確認質問、探索シナリオの作成です。
一方、人が担ったのは、正式分類の採否、正本の確定、更新責任、削除判断、権限、最終構造、探索テスト結果に基づく改善です。
そのまま使える型が必要なら、情報アーキテクチャテンプレートを使うと、AIの出力を利用者・タスク・分類・導線・検索・正本・更新責任へ整理しやすくなります。
具体案件での適用イメージを見たい場合は、情報アーキテクチャ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、情報アーキテクチャで失敗しやすいポイントも参照してください。
人が必ず確認すべきポイント
正式な分類軸
AIは利用シーンから候補を出せますが、組織の用語、権限、運用責任までは判断できません。
正本
更新日が新しい、名前に「最新版」と書いてある、といった理由だけで正本にしてはいけません。所有部門と更新責任を確認します。
権限
誰が閲覧・編集できるかは、機密区分や職務に基づいて人が決めます。
更新責任
ページを作った人ではなく、情報の所有責任を持つ部門・役割を明確にします。
削除・統合
旧版や重複情報にも、監査・契約・履歴上の保存理由がある場合があります。
利用者テスト
AIが「分かりやすい構造」と評価しても、実利用者が迷わないとは限りません。実際に探してもらいます。
生成AIの誤りと限界
もっともらしい分類を作るが、実利用者に合わないことがある
一般的な業務分類へ寄り、現場の探し方とずれる場合があります。
正本を誤って推測することがある
ファイル名、更新日、保存場所だけで「これが最新版」と判断することがあります。
メタデータを増やしすぎることがある
分類を精緻にしすぎると、入力・維持負荷が上がります。
同義語と意味差を混同することがある
似た言葉を統合しても、組織内では別概念の場合があります。
削除候補を出しすぎることがある
古い情報でも、法務・監査・契約上保持が必要な場合があります。
機密情報の扱いに注意する
顧客情報、価格、契約条件、社内権限、障害・監査情報を入力する場合は、自社の情報管理ルールに従います。
生成AIに任せすぎないためのチェックリスト
- AIが作った分類候補を実利用者へ確認したか
- 部署構造だけで分類していないか
- ラベル統一前に意味差を確認したか
- メタデータを増やしすぎていないか
- 正本を更新日だけで決めていないか
- 正式な更新責任者を決めたか
- 権限設定を人が確認したか
- 削除・統合前に保存義務を確認したか
- 探索テストを実利用者で行ったか
- 検索語と導線の両方を確認したか
- AIが存在しない情報を補っていないか
- 機密情報を不用意に入力していないか
まとめ
生成AIは、情報アーキテクチャを効率よく設計するための補助役として使えます。
特に役立つのは、既存情報の棚卸し、利用目的からの分類候補、ラベル揺れの発見、メタデータ候補、重複・正本確認の質問、更新責任の抜け確認、探索テスト用シナリオ、旧版候補の抽出です。
一方で、正式な分類、正本、権限、更新責任、削除・統合、最終構造は人が判断する必要があります。
生成AIに情報構造を決めてもらうのではなく、「候補を広げる」「重複や揺れを見つける」「確認質問を作る」「利用者テストを準備する」ために使うことで、情報共有・知識継承の設計を効率化しやすくなります。