🐈
AIを日常業務に根づかせるために—QA視点で考える「業務データ品質」と組織プロセス
要旨
AI の働きは、モデルの良し悪し以上に入力されるデータの質に大きく依存する。
日々の業務の一部を AI に移譲するためには、業務の中で生まれるデータ（チケット／設計書／議事録／決定履歴／FAQ 等）が高品質であることに越したことはない。
本稿は、QA 視点でのデータ品質の観点と、組織としてそれを保つための仕組みを整理する。
なぜいま「業務データ品質」なのか
1. AI は“書かれた前提”にだけ忠実
断片的な仕様、欠けた決定理由、揺れる用語は、そのまま曖昧な提案を生む。
目的／前提／決定と理由／用語の統一が揃うほど、AI の外しは減る。
2. 速い合意は「同じ前提」から
要約・照合・叩き台の多くを AI が担うほど、議論は早く、同じ土台で進む。
条件は、検索でき、一貫し、辿れる情報であること。
3. 期待できる変化
- AI への委譲拡大：要約／差分抽出／事例照合／叩き台作成など
- 意思決定の速度向上：再解釈の往復が減る
- 再利用性の向上：過去の決定と理由を引用できる
- 人が担保すべき観点への集中：UX の納得感、合意形成、倫理判断へ
業務データ品質のコア
- 目的の明確性：冒頭一行で「何のための文書／チケットか」が分かる
- 前提の完全性：対象／対象外／制約／既知事項をセットで記す
- 一貫性（語彙・構造）：用語統一、章立ての共通化
- 正確性（事実と解釈の分離）：事実／仮説／判断を区別
- 追跡可能性：変更の履歴、決定と理由を相互参照できる
- 再現可能性：同じ結論・手順に到達できる手掛かりがある
- 検索可能性：タイトル／要約／タグ／関連リンクで後から見つかる
- 鮮度の明示：現行／ドラフト、最終更新日、適用範囲が分かる
QA は「合否の判定者」から、意味の品質の設計者／監査者へ役割を広げる。
組織プロセス：全体で保ち続ける仕組み
1. 責務分担（RACI の考え方）
- 基準設計（テンプレ／用語集／決定ログの型）：QA=Responsible、EM/PM=Approve
- 日々の記述（チケット／設計／議事録）：各チーム=Responsible、QA=Consult
- 運用監査（四半期の健全性チェック）：QA=Responsible、各チーム=Remediate、EM=Approve
- 教育・定着：QA がガイド／ハンズオンを提供
2. 品質を保つための「仕組み」
-
共通テンプレート
すべての文書・チケットに「目的／前提／決定／理由／影響／次アクション」の固定セクションを設ける。 -
用語の単一参照源
用語集を一箇所で管理し、本文から参照リンクを張る。別名や略称は統制する。 -
決定ログの独立管理
何を／なぜ決めたかを文書から分離しても保持し、相互リンクで往復できるようにする。 -
相互リンクの原則
チケット ↔ 設計 ↔ 決定ログ ↔ FAQ を双方向に結び、孤立した情報を作らない。 -
変更管理
文書先頭に現行／ドラフト、最終更新日・更新者、適用範囲（バージョンや期間）を明示。 -
曖昧表現の抑制規約
「適宜／なるべく／ちゃんと」等の曖昧語を避け、条件や基準で表現する。 -
終期（アーカイブ）運用
期限切れ情報はアーカイブ表示＋検索抑制。誤適用を防ぐ。 -
軽いガバナンス指標
目的欄の充足率／前提セット充足率／相互リンク率／ステール率（“現行”表示なのに更新が古い）。
数値は厳密でなくてよい。偏りの把握と対話の材料にする。
まとめ
AI を日常業務に根づかせる鍵は、派手な仕組みより情報の整え方が重要です。
QA が意味の品質を設計・監査し、組織全体で回るプロセスを敷くことで、AI に任せられる領域は広がり、私たちは人にしかできない仕事へ集中できるだろう。
Discussion