LESSON 30分

ストーリー

田
田中VPoE
CoEが動き始めると、多くの知見が蓄積される。プロンプトの工夫、モデルの選び方、PoC の成功・失敗パターン。だがこれらが個人の頭の中やSlackに埋もれてしまっては意味がない
あなた
ナレッジを組織的に管理して、再利用可能にする必要がありますね
あ
田
田中VPoE
そうだ。AI活用の知見は「暗黙知」になりやすい。「このプロンプトだとうまくいく」「このデータにはこの前処理が必要」— こうした暗黙知を形式知に変換し、組織の資産にする仕組みを作ろう

AIナレッジの分類

ナレッジの種類

カテゴリ具体例蓄積の難易度
プロンプトライブラリ業務別のプロンプトテンプレート集低
ユースケースカタログAI活用事例と成果のデータベース低
技術パターン集RAG設計パターン、モデル選定基準中
失敗事例集PoC失敗の原因分析と教訓中
データ品質ノウハウデータ前処理のベストプラクティス中
運用ナレッジモニタリング設定、トラブルシューティング高
暗黙知経験に基づく判断、勘所高

SECIモデルの適用

プロセス説明AI文脈での適用
共同化（暗黙知→暗黙知）経験の共有ペアプロンプティング、メンタリング
表出化（暗黙知→形式知）言語化・文書化プロンプトのドキュメント化、事例レポート
連結化（形式知→形式知）知識の体系化ナレッジベースの構築、パターン集の作成
内面化（形式知→暗黙知）実践による習得ハンズオン研修、OJT

ナレッジ管理システムの設計

プロンプトライブラリ

# プロンプトライブラリのエントリ例
prompt_entry:
  id: "PROMPT-MFG-001"
  title: "製品不良の根本原因分析"
  category: "製造・品質管理"
  author: "品質管理部 佐藤"
  version: "2.1"
  last_updated: "2026-02-15"

  description: |
    品質検査で検出された不良品の根本原因を分析するプロンプト。
    検査データと製造条件から推定される原因を優先度順に列挙する。

  prompt_template: |
    以下の品質検査データと製造条件をもとに、
    製品不良の根本原因を分析してください。

    【検査データ】
    {{inspection_data}}

    【製造条件】
    {{manufacturing_conditions}}

    以下の形式で回答してください：
    1. 推定原因（確信度順に最大5つ）
    2. 各原因の根拠
    3. 推奨される追加調査項目

  performance:
    accuracy: "検証済み精度: 78%（100件のサンプルで評価）"
    model: "GPT-4o"
    avg_tokens: 1500

  usage_notes:
    - "検査データは直近24時間以内のものを使用"
    - "製造条件の欠損が多い場合は精度が低下する"
    - "最終判断は品質管理エンジニアが行うこと"

ユースケースカタログ

項目内容
ユースケース名名称と概要
事業部門どの部門が活用しているか
課題どんな課題を解決したか
ソリューションAI技術と構成の概要
成果定量的な成果指標
教訓成功要因と注意点
技術スタック使用したモデル、ツール、インフラ
担当者問い合わせ先

ナレッジ共有の仕組み

共有チャネルの設計

チャネル対象頻度内容
AIナレッジポータル全社員常時プロンプトライブラリ、事例集、FAQ
AI Weekly全社員週次新しい事例、Tips、ニュース
AI TechTalk技術者月次技術的な深掘り、失敗事例共有
AI CoE Office Hours全社員週次質問・相談の場（オープン）
チャンピオン会議AI推進者月次部門間の知見交換

失敗事例からの学習

フレームワーク内容
何が起きたか事実の記述（感情を排除）
何を期待していたか当初の想定・仮説
なぜ期待通りにならなかったか根本原因の分析
何を学んだか次に活かせる教訓
どう共有するかナレッジベースへの登録

「失敗から学べる組織こそが、AI活用で勝つ。失敗を隠す文化では、同じ失敗が繰り返される」 — 田中VPoE

まとめ

ポイント内容
ナレッジ分類プロンプト、ユースケース、技術パターン、失敗事例等の7種類
SECIモデル暗黙知を形式知に変換し、組織的に活用するサイクル
プロンプトライブラリバージョン管理、性能指標、利用注意を含む体系的な管理
共有チャネルポータル、Weekly、TechTalk、Office Hours等の多層的な設計
失敗からの学習失敗事例を資産として蓄積し、組織の学習を加速

チェックリスト

  • AIナレッジの分類を理解した
  • SECIモデルのAI活用への適用を理解した
  • プロンプトライブラリの設計方法を理解した
  • ナレッジ共有の仕組みを理解した
  • 失敗事例からの学習フレームワークを理解した

次のステップへ

次は「AIイノベーションラボ」を学びます。新しいAI技術の探索と実験を組織的に行うための仕組みを設計しましょう。

推定読了時間: 30分