MENU

生成AI・AI活用に使えるフレームワーク5選|CO-STAR・RISEN・ReAct・RAG・Human-in-the-Loopを解説

生成AIを仕事で活用するときは、「良いプロンプトを書く」だけでは十分ではありません。指示をどう構造化するか、必要な情報をどう参照するか、AIにどこまで行動させるか、どこで人が確認するかまで設計する必要があります。

この記事では、生成AI・AI活用で代表的な5つの考え方として、CO-STAR、RISEN、ReAct、RAG、Human-in-the-Loopを比較します。5つは競合する手法ではなく、指示・行動・情報・人の判断という異なる層を扱います。

目次

生成AI活用では「質問」より「仕事の設計」を考える

生成AIの回答が安定しないと、「もっと良いプロンプトを書こう」と考えがちです。しかし、原因が情報不足や業務設計にある場合、プロンプトだけでは解決できません。

仕事全体を次のように分けて考えると整理しやすくなります。

  • 指示を整理する:CO-STAR、RISEN
  • 状況に応じて行動させる:ReAct
  • 必要な根拠を参照させる:RAG
  • 最終判断を人に残す:Human-in-the-Loop

1. CO-STAR|出力条件まで含めて指示を整理する

CO-STARは、Context、Objective、Style、Tone、Audience、Responseの観点から指示を組み立てる方法です。

  • Context:背景・状況
  • Objective:目的
  • Style:文体・形式
  • Tone:文章の雰囲気
  • Audience:対象読者
  • Response:出力形式・長さ・項目

「AIについて説明して」ではなく、「製造業の社内研修で、生成AI未経験者向けに、300文字程度、やさしく簡潔に、箇条書きを含めて説明する」と整理すると、回答の方向性をそろえやすくなります。

向いている場面:文章作成、資料作成、メール、要約、説明文、アイデア出し。

注意点:指示を細かくしても事実の正しさは保証されません。重要な数値・固有名詞・条件は元情報と照合します。

2. RISEN|役割・指示・手順・目的・制約を整理する

RISENは、複数工程を含む依頼を構造化する方法です。

  • Role:どの立場・専門性で考えるか
  • Instructions:何をするか
  • Steps:どの順番で進めるか
  • End Goal:最終的に何を達成するか
  • Narrowing:制約、禁止事項、対象範囲

たとえば顧客ヒアリング分析なら、「事業企画アナリストとして、発言を事実として要約し、共通課題を分類し、頻度を数え、仮説を3件提示する。添付資料にない内容は推測しない」といった形で工程を明確にします。

CO-STARとの違い:読者・文体・出力形式を整えたいならCO-STAR、作業手順や役割を明確にして複雑な仕事を進めたいならRISENが使いやすいでしょう。

3. ReAct|状況を見ながら次の行動を選ぶ

ReActはReasoningとActingを組み合わせ、AIが状況に応じて検索、計算、データ取得などの行動を選ぶ考え方です。特にツールを使うAIエージェントで重要になります。

たとえば「最新の月次売上を取得し、前月比を計算し、10%以上減少した製品だけ地域別データを追加取得して要因候補を整理する」といった仕事では、途中結果によって次の行動が変わります。

重要なのは、もっともらしい説明ではなく、実際に取得したデータ、使用した期間、計算式、ツール実行結果を確認可能にすることです。

向いている場面:検索・計算・システム操作など、途中結果に応じて次の処理を変える必要がある仕事。

4. RAG|外部情報を検索して回答の根拠にする

RAG(Retrieval-Augmented Generation)は、回答前に外部情報源から関連情報を取得し、その内容を文脈としてAIに与える仕組みです。

社内規程、最新の商品仕様、マニュアル、FAQ、専門資料など、一般知識だけでは答えにくい用途に向いています。

たとえば「国内出張の宿泊費上限はいくらか」という質問なら、「社内出張規程の最新版だけを根拠にし、金額・適用条件・参照箇所を示す。根拠を取得できなければ推測しない」と設計します。

注意点:RAGを使えば誤回答が自動的になくなるわけではありません。検索対象が古い、重複している、アクセス権が不適切、検索精度が低い場合は回答品質も下がります。

5. Human-in-the-Loop|重要な判断に人を組み込む

Human-in-the-Loopは、AIだけで処理を完結させず、必要な場面で人が確認・修正・承認・判断する設計です。

たとえば問い合わせ対応なら、AIが回答案を作成し、「契約変更」「返金」「個人情報」「確信度が低い回答」など一定条件に該当した場合は自動送信せず、人へ引き継ぎます。

すべてを人が確認すると効率化効果が薄れるため、どの条件なら自動処理し、どの条件なら人へ渡すかを具体化することが重要です。

向いている場面:契約、採用、評価、与信、対外発信、顧客対応など、誤りの影響が大きい業務。

5つの違いを整理

手法 主に扱うもの 代表的な課題
CO-STAR 指示・表現条件 回答の方向や文体がぶれる
RISEN 役割・工程・制約 複雑な依頼を順序立てたい
ReAct 行動・ツール利用 途中結果に応じて次の処理を変えたい
RAG 参照情報・根拠 社内資料や最新情報を使わせたい
Human-in-the-Loop 人の判断・承認 重要判断をAIだけに任せられない

組み合わせる通し例|社内問い合わせAI

社内問い合わせAIなら、まずCO-STARやRISENで役割、回答条件、禁止事項を定義します。RAGで社内規程やFAQから根拠を取得し、複数検索や計算が必要な問い合わせではReAct型の処理で次の行動を選びます。例外条件や高リスクな内容はHuman-in-the-Loopで担当者へ引き継ぎます。

この流れを簡潔にすると、指示する → 行動する → 根拠を取得する → 回答する → 人が確認するです。

生成AI活用でよくある失敗

プロンプトだけを工夫し続ける

回答が悪い原因が情報不足なら、プロンプトを長くしても解決しません。必要な資料を参照させるRAGなどを検討します。

AIの回答をそのまま使う

文章が自然であることと、内容が正しいことは同じではありません。重要な内容は元情報を確認します。

機密情報を安易に入力する

個人情報、顧客情報、未公開技術、契約情報、営業秘密などは、利用するAI環境と組織ルールを確認した上で取り扱います。

AIに全部任せようとする

下書き、分類、要約、情報整理などはAIが得意でも、最終判断、責任、倫理、組織事情、人間関係などは人が担う必要があります。

出力だけを評価する

「良い文章ができた」だけでなく、作業時間、修正率、ミス、再利用性、引き継ぎ率など業務成果まで確認します。

まとめ

  • 指示を整理するならCO-STAR
  • 工程や制約まで整理するならRISEN
  • 途中判断しながら行動させるならReAct
  • 必要な根拠を参照させるならRAG
  • 重要な判断を人に残すならHuman-in-the-Loop

生成AI活用で重要なのは「魔法のプロンプト」を探すことではありません。何をさせるか、何を教えるか、どのように進めるか、何を根拠にするか、どこで人が確認するかを業務全体として設計することです。

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