MENU

生成AIでDIKW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

生成AIは、DIKWモデルを自動で完成させるための道具ではありません。一方で、大量の記録から事実候補を抜き出す、情報を分類・集計する、再利用できる知識の形へ整理する、状況別の判断基準候補を出す、といった補助には使えます。

DIKWモデルでは、Data(データ)→Information(情報)→Knowledge(知識)→Wisdom(知恵)の順に意味づけを深めていきます。生成AIを使う場合も、この4段階を一気に飛び越えないことが重要です。AIが作った要約や判断基準をそのまま「Knowledge」「Wisdom」とみなすと、元データにない内容を補ったり、分類基準がぶれたり、誤った一般化をしたりする危険があります。

この記事では、生成AIをDIKWモデル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。

DIKWモデルの意味や基本構造から確認したい場合は、DIKWモデルとは?を参照してください。人だけで進める基本手順は、DIKWモデル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。

  • 問い合わせ記録や議事録から事実候補を抽出する
  • Dataに解釈や評価が混ざっていないか点検する
  • 複数のDataを分類・集計してInformation候補を作る
  • Informationから再利用可能な手順や確認順を整理する
  • 例外条件や分岐条件の候補を出す
  • Knowledgeを状況別の判断基準へ変える
  • 4段階のつながりに飛躍や矛盾がないかレビューする
  • 新しい事実を既存Knowledgeへどう戻すか整理する

一方で、次の判断はAIだけに任せない方が安全です。

  • 元データが事実として正しいか
  • どの分類軸を正式採用するか
  • どの手順を標準Knowledgeとするか
  • どの例外条件を正式ルールへ入れるか
  • どの状況で何を優先するかという最終判断
  • 顧客情報や社内機密を入力してよいか

AIは「候補を出す」「抜けを探す」「整理する」役に置き、正式な知識化・判断基準化は人が行います。

1. Data候補を事実ベースで抽出する

プロンプト例

以下の問い合わせログから、推測や評価を除き、事実として確認できる項目だけを抽出してください。

対象項目:

  • 発生日時
  • 顧客種別
  • 認証方式
  • エラー表示
  • 発生人数
  • 実施した操作
  • 原因
  • 最終対応
  • 解決時間

条件:

  • 元文にない内容は補わない
  • 「顧客ミス」「障害っぽい」などの評価語は別欄へ分ける
  • 不明な項目は「不明」とする

出力の使い方

AIは、複数の問い合わせ文から共通項目を抜き出す補助に使えます。

ただし、問い合わせ記録そのものが誤っている可能性はあります。AIの出力をDataとして採用する前に、元ログ・チケット・システム記録と照合します。

2. Dataに混ざった解釈を見つける

プロンプト例

以下の記録から、事実と解釈を分けてください。

  • 顧客の操作ミスでログインできなかった
  • 障害っぽい挙動だった
  • 同じ会社から3件問い合わせがあった
  • パスワード再設定で解決した

条件:

  • 確認可能な事実は「Data候補」
  • 原因推測・評価は「要確認」
  • 元記録にない原因を追加しない

出力の使い方

「同じ会社から3件」「パスワード再設定で解決」は事実候補ですが、「顧客の操作ミス」「障害っぽい」は解釈です。

DIKWモデルでは、Data段階に解釈を混ぜないことが重要です。

3. DataをInformationとして分類・集計する

プロンプト例

以下の40件のログイン不可問い合わせを、原因別に分類し、件数を集計してください。

分類候補:

  • パスワード忘れ
  • アカウントロック
  • 登録メール誤入力
  • システム障害
  • その他

条件:

  • 分類根拠を各件に付ける
  • 複数候補がある場合は「要確認」へ回す
  • 件数だけでなく、法人SSOか個人認証かも分ける

出力の使い方

たとえば、

  • パスワード忘れ:18件
  • アカウントロック:12件
  • 登録メール誤入力:6件
  • システム障害:4件

という集計ができたとしても、それだけではKnowledgeではありません。

「どの条件で、どの順に確認すれば再現性高く解決できるか」まで整理して初めて、次の段階へ進みます。

4. InformationからKnowledge候補を作る

プロンプト例

以下のInformationから、新任担当者でも再利用できる確認手順候補を作ってください。

Information:

  • パスワード忘れ18件
  • アカウントロック12件
  • 登録メール誤入力6件
  • システム障害4件
  • 法人SSO利用者では一部の確認順が異なる

条件:

  • 手順は確認順に並べる
  • 各ステップの「次へ進む条件」を書く
  • 法人SSOなどの例外条件を別に出す
  • 元情報にない業務ルールは推測しない

出力の使い方

AIは、

  1. 登録メールアドレスを確認
  2. 再設定メール受信可否を確認
  3. アカウントロック状態を確認
  4. 障害情報を確認
  5. 法人SSO利用者は認証方式を追加確認

といったKnowledge候補を整理できます。

人は、実際のサポート手順、権限、セキュリティポリシーと照合し、正式な手順として採用できるか確認します。

5. Knowledgeの例外条件を洗い出す

プロンプト例

以下の確認手順について、例外条件の候補を洗い出してください。

手順: 登録メール確認 → 再設定メール確認 → ロック状態確認 → 障害情報確認

条件:

  • 法人SSO
  • 複数ユーザー同時発生
  • 短時間に多数失敗
  • 本人確認が成立しない

の観点を含める

  • 例外時の最終判断は人が行う前提にする

出力の使い方

AIは、単独ユーザーの通常ケースでは見落としやすい例外を広げるのに向いています。

ただし、「複数ユーザー同時発生なら必ず障害」というような断定は危険です。あくまで「共通基盤や認証サービスの状態を優先確認する候補」として扱います。

6. KnowledgeをWisdomの判断基準へ変える

プロンプト例

以下のKnowledgeを、状況別の優先判断候補へ変えてください。

Knowledge:

  • 登録メール確認
  • 再設定メール確認
  • ロック状態確認
  • 障害情報確認
  • 法人SSOの場合は認証方式確認

状況:

  • 単独ユーザーで発生
  • 同一法人の複数ユーザーで同時発生
  • 複数企業で同時発生
  • 短時間に多数失敗
  • 本人確認が成立しない

条件:

  • 各状況で最初に確認すべきことを候補化する
  • セキュリティや本人確認を弱める提案はしない
  • 最終判断は人が行う前提にする

出力の使い方

AIは、

  • 単独発生 → アカウント固有要因を優先確認
  • 同一法人複数発生 → SSOや法人設定を優先確認
  • 複数企業同時発生 → 共通基盤・障害情報を優先確認
  • 短時間多数失敗 → セキュリティ・攻撃兆候も確認

といったWisdom候補を出せます。

ここで重要なのは、AIの提案を正式な判断基準にしないことです。運用責任者、セキュリティ担当、システム担当で妥当性を確認します。

7. Data→Information→Knowledge→Wisdomの飛躍をレビューする

プロンプト例

以下のDIKW整理について、論理の飛躍、根拠不足、分類の混同を指摘してください。

Data:同一法人からログイン不可が3件 Information:法人SSO障害の可能性が高い Knowledge:法人SSO利用者は障害窓口へ即時連絡 Wisdom:同一法人で2件以上なら必ず障害対応へ切り替える

条件:

  • 各段階の根拠不足を指摘
  • 修正案は「確認すべきこと」として出す
  • 元Dataだけで断定しない

出力の使い方

AIは、DataからInformationへの時点で「SSO障害」と推測が入っていること、Wisdomで件数閾値を勝手に固定していることを指摘できます。

このレビュー用途は、生成AIとDIKWモデルの相性がよい使い方の一つです。

8. Knowledgeの根拠を追える形にする

AIが手順を整理すると、元のDataやInformationとのつながりが見えにくくなることがあります。

プロンプト例

以下のKnowledge候補について、根拠となったData / Informationを対応付けてください。

条件:

  • 元ログID、件数、分類結果を残す
  • 根拠が弱い手順は「仮説」と明記する
  • 根拠がない内容を追加しない

出力の使い方

Knowledgeの各項目に「なぜこの手順なのか」が残るため、後でルールを見直しやすくなります。

そのまま使える記入型は、DIKWモデルテンプレートで整理できます。

9. 運用結果を新しいDataへ戻す

DIKWモデルは、一度作って終わりではありません。

プロンプト例

以下の運用結果を、新しいDataとして記録すべき項目へ分解してください。

運用結果:

  • 新任担当者が同一法人の複数ユーザー同時発生を見落とした
  • 法人SSO証明書更新日に問い合わせが集中した
  • 特定ブラウザだけ再設定画面が正常動作しなかった

条件:

  • 事実と解釈を分ける
  • 既存Knowledgeへ追加すべき確認項目候補を出す
  • Wisdom変更候補は別欄にする

出力の使い方

AIを使うと、運用結果から新しいData、Knowledge更新候補、Wisdom更新候補を分けやすくなります。

最終的な更新内容は、人が根拠を確認して決めます。

通し例|問い合わせ40件を生成AIでDIKW整理する

カスタマーサポートで、ログイン不可の問い合わせが40件蓄積していました。

担当者は、まずAIへ「事実だけ抽出する」プロンプトを使い、日時、顧客種別、認証方式、エラー表示、原因、対応、解決時間を整理しました。

次に、人が元ログを確認し、AIが補った表現や推測を削除しました。

その上でAIに分類させ、Informationとして、

  • パスワード忘れ18件
  • アカウントロック12件
  • 登録メール誤入力6件
  • 障害4件

へ整理しました。

さらに法人SSOかどうか、単独発生か複数発生かを文脈として追加しました。

次に、AIへ再利用可能な確認手順候補を作らせました。

候補は、

  1. 登録メールを確認
  2. 再設定メール受信を確認
  3. ロック状態を確認
  4. 障害情報を確認
  5. 法人SSOの場合は認証方式を確認

という順でした。

人が実際の運用ルールと照合し、本人確認を先に行う、法人SSOでは管理者連絡先を確認するなどの正式ルールを反映してKnowledgeを確定しました。

その後、新任担当者に過去ケースを使って手順を試してもらうと、「同一法人の複数ユーザーが同時に失敗しているケース」で個別アカウントの確認を続けてしまう見落としが見つかりました。

この結果を新しいDataとして戻し、AIにWisdom候補を再整理させました。

  • 単独発生 → アカウント固有要因を優先
  • 同一法人複数発生 → 法人SSO・設定変更を優先確認
  • 複数企業同時発生 → 共通基盤・障害情報を優先確認
  • 短時間多数失敗 → セキュリティ観点も含めて確認

という候補が出ました。

人がセキュリティ・運用担当と確認し、正式な判断基準として採用する範囲を決めました。

この例でAIが担ったのは、事実候補の抽出、分類、手順候補、例外候補、判断基準候補、飛躍レビューです。

一方、人が担ったのは、元Dataの確認、分類軸の確定、正式Knowledgeの承認、Wisdomの最終判断、セキュリティ・本人確認ルールの確認です。

具体的な適用過程を追いたい場合は、DIKWモデルの具体例も参考になります。ありがちな失敗を先に避けたい場合は、DIKWモデルで失敗しやすいポイントも確認してください。

人が必ず確認すべきポイント

元Dataの事実性

AIは入力文を正しい前提で処理します。元ログや記録が誤っていれば、整理結果も誤ります。

分類軸

件数がきれいに分かれても、その分類が業務上有効とは限りません。目的に合う分類軸か確認します。

Knowledgeの再現性

説明文ではなく、新任担当者でも同じ順で確認できる手順・条件になっているかを見ます。

Wisdomの妥当性

AIはもっともらしい判断基準を作れますが、責任、リスク、セキュリティ、顧客影響を踏まえた最終判断はできません。

根拠の追跡性

KnowledgeやWisdomから元Dataへ戻れるようにします。根拠が失われると、更新や監査が難しくなります。

機密情報

顧客情報、問い合わせログ、障害情報、社内ルールを入力する場合は、自社の情報管理ルールに従います。

生成AIの誤りと限界

元Dataにない事実を補うことがある

曖昧な記録を自然な文章へ整える過程で、原因や日時を補うことがあります。

分類を一貫して行えないことがある

似たケースを別カテゴリへ入れたり、複数原因を一つへ決めつけたりすることがあります。

Knowledgeを一般論で埋めることがある

実際の社内手順ではない「よくある対応」を混ぜることがあります。

Wisdomを過剰に一般化することがある

少数の事例から「この場合は必ずこうする」と固定ルール化することがあります。

4段階を一気に飛ばすことがある

「ログから改善案を出して」と依頼すると、Data確認を飛ばして結論まで作ることがあります。

機密情報の入力リスクがある

ログや顧客情報をそのまま入力せず、利用環境と社内ルールを確認します。

他の知識管理フレームワークとの使い分け

DIKWモデルは、データを意味づけし、再利用可能な知識や判断基準へ変えるときに向いています。

暗黙知と形式知の循環に重点を置く場合は、SECIモデルとDIKWモデルの違いを確認すると選びやすくなります。

振り返り結果から改善知を作りたい場合は、AARとDIKWモデルの違いが参考になります。

問い合わせ対応など、知識を業務の中で継続的に作成・再利用する運用を重視する場合は、DIKWモデルとKCSの違いも確認できます。

複数の知識管理フレームワークから目的に合う方法を選びたい場合は、SECIモデル・AAR・DIKWモデルの使い分けも役立ちます。

生成AIに任せすぎないためのチェックリスト

  • 元Dataを人が確認したか
  • AIが補った事実をそのまま使っていないか
  • Dataと解釈を分けたか
  • 分類軸を人が決めたか
  • Informationを単なる集計で終わらせていないか
  • Knowledgeが再利用できる手順・条件になっているか
  • 例外条件を確認したか
  • Wisdomを少数事例から固定ルール化していないか
  • 4段階の根拠を追えるか
  • 運用結果を新しいDataへ戻しているか
  • セキュリティや本人確認をAIに緩めさせていないか
  • 機密情報を不用意に入力していないか

まとめ

生成AIは、DIKWモデルを効率よく実践するための補助役として使えます。

特に役立つのは、Data候補の抽出、解釈混入の点検、Informationの分類・集計、Knowledge候補の手順化、例外条件の洗い出し、Wisdom候補の整理、4段階の飛躍レビュー、運用結果の再入力です。

一方で、元Dataの事実性、分類軸、正式Knowledge、最終的なWisdom、セキュリティや機密情報の扱いは人が判断する必要があります。

生成AIにDIKWモデルを完成させてもらうのではなく、「候補を広げる」「分類する」「手順化する」「飛躍を見つける」「更新候補を作る」ために使うことで、情報共有・知識継承を効率化しながら、根拠のあるKnowledgeとWisdomへつなげやすくなります。

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