レッスン4：情報整理と要約の仕事術——リサーチ・読解・データ整理

このレッスンで学ぶこと

長文資料の要約を AI に依頼する基本パターンを理解する
複数文書の横断要約の発想を持つ
リサーチ設計（質問の作り方）の重要性を理解する
表・データの整理に AI を使う発想を持つ
ハルシネーション対策の基本を整理できる
RAG（社内ナレッジ参照）の発想を理解する
2026 年 6 月時点のファイル添付処理・Web 検索連携の動向を把握する

前のレッスンでは、文書作成の仕事術として AI への構造の伝え方と構成案を整理しました。今回のレッスンでは、視点を反対側に切り替えて、情報を「読む側」での AI 活用を扱います。長文を読まなければならない、複数の資料を横断して整理しないといけない、知らない領域を急にリサーチしないといけない——こうした業務は知的労働の大きな割合を占めます。ここに AI を組み込む発想を持つと、業務の速度と質が大きく変わります。

長文資料の要約

知的労働で時間を奪われる代表的な業務が、長文資料の読解です。報告書、調査レポート、契約書、技術仕様書、議事録、論文、規約……。すべてに目を通すのは現実的ではなく、要点だけ把握したい場面が大半です。

要約の基本パターン

AI に要約を依頼するときの基本パターンは次のとおりです。

文書全体を AI に渡す（ファイル添付または貼り付け）
「何のために要約するか」（目的）を AI に伝える
「どの粒度で要約するか」（長さ・項目数）を伝える
出力を確認し、必要なら原典を直接確認する

「目的」を伝える効果

「要約してください」だけだと、AI は無難で広く浅い要約を出します。「目的」を伝えると、要約の焦点が変わります。

同じ文書への異なる目的	想定される要約
「経営会議で 3 分で説明するために要約」	結論と意思決定の選択肢中心
「次の打ち合わせで質問を準備するために要約」	不明点・疑問点中心
「同じ業界の動向を追うために要約」	業界動向と新しい論点中心
「上司にメールで報告するために要約」	上司が知りたい部分中心

「何のために要約するか」を最初に伝えるかどうかで、出力の有用性が大きく変わります。

💡 ポイント 「要約してください」を「○○ のために要約してください」に変えるだけで、得られる結果の質が一段上がります。これは要約に限らず、AI 利用全般の基本です。

階層的要約

非常に長い文書（数百ページの規程集、契約書のセット、論文の集合など）では、階層的に要約するのが現実的です。

全体を「セクション単位」に分けて、各セクションを要約
各セクションの要約を集めて、「文書全体」の要約を生成
重要なセクションは原典に立ち戻って詳細を確認

「一気に全部要約」より、階層的に整理するほうが品質が安定します。法人契約版や有料モデルでは入力できる文字数の上限が大きく、長文を一度に処理できますが、それでも「どこを重点的に見るか」の階層的判断は人間が行うのがおすすめです。

複数文書の横断要約

実務でよくあるのが、「複数の文書を横断して比較・要約したい」場面です。同業他社のプレスリリース、複数のベンダーの提案書、複数の社内会議の議事録、複数の調査レポート、など。

横断要約の基本パターン

複数のファイルを同時に AI に渡す（ファイル添付）
「比較の観点」を AI に伝える（共通点・相違点・時系列など）
比較表（マトリクス）の形で出力を依頼すると整理しやすい
出力を確認し、原典を必要に応じて確認

比較の観点を明示する

「これらの文書を比較してください」だけだと、AI が自分で観点を決めて比較します。観点を明示すると、有用な比較になります。

「価格・性能・サポート体制・契約期間の 4 つの観点で比較してください」
「同じ事象に対する 3 社の評価の違いを整理してください」
「時系列で何が変わったかを追ってください」

横断要約の限界

文書間で前提・定義・粒度が異なると、比較が誤解を生む
AI が「無理に整合性を取って」存在しない共通項目を作ることがある
重要な相違点が「無難に均された要約」として消えることがある

横断要約は強力ですが、最終的な解釈は人間が行うべきです。AI の比較表だけで業務判断を下すのは危険です。

⚠️ 注意 「AI が比較した結果」を、そのまま社内で「3 社比較表」として共有するのは避けましょう。比較の前提・観点・粒度を人間が確認し、必要な補注を加えるのが業務上の責任です。

リサーチ設計——質問の作り方

参照（質問して教えてもらう）の使い方は前回のレッスンで触れましたが、業務でのリサーチでは「質問の作り方」がリサーチの質を決めます。

良いリサーチの始まり方

目的を 1 文で明確にする：「明日の営業会議で、競合 3 社の最新動向を 5 分で説明する」
何がわかれば目的を果たせるかを考える：「3 社の直近 6 か月のプレスリリース、新サービス、価格変更」
質問を分解する：「A 社の直近プレスリリース→B 社→C 社、それぞれ 3 個ずつ」
質問を AI に投げかける：1 つずつ順番に
出力を吟味し、原典を確認する

「いきなり AI に何でも質問する」のではなく、目的と質問の構造を持ってから始めるのがリサーチの質を決めます。

質問の階層化

複雑なリサーチでは、「広い質問→狭い質問→具体的な質問」の階層を作るのが有効です。

広い質問：「この業界の主要なプレーヤーは？」
中間の質問：「主要プレーヤーの直近 1 年の動きは？」
狭い質問：「特定の企業の特定のサービスの料金体系は？」
検証質問：「この情報の原典は？」

階層を意識すると、リサーチが「散漫な雑談」に陥らずに進みます。

💡 ポイント リサーチでの AI 活用は、「全部 AI に聞く」のではなく「自分が考えた質問の階層を AI に投げる」発想です。質問の質がリサーチの質を決めます。

表・データの整理

文章だけでなく、表・データの整理にも AI は使えます。

典型的な使い方

雑然とした手書きメモを、表に整形する
複数の表（フォーマットが違う）を 1 つの統一表に整理する
数値の列から、傾向の解説を生成する
アンケート回答（自由記述）をカテゴリ別に分類する
大量の文章データから、キーワード頻度を整理する

数値計算・データ分析の注意

AI が計算した数値は、必ず自分で再計算するか、AI に計算根拠を出してもらう
大規模なデータ分析（数万件以上）は AI に直接渡すより、専用の分析ツール（Excel、Python、BI ツール）が向く
個人情報や機密データを含む表は、AI に渡すルールを慎重に確認

法人契約版ではコードを実行できる機能（Python での集計など）も増えており、データ分析業務の補助に使えます。ただし、データ分析の専門知識（統計、分析手法）は別領域として、AI 任せでは判断を誤ります。

アンケート回答の分類

大量の自由記述アンケートをカテゴリ別に分類するのは、AI が得意な業務です。

自由記述 200 件を 5〜10 のカテゴリに自動分類
各カテゴリの代表的な意見を抽出
意見の対立軸を整理

ただし、分類の枠組み（カテゴリの取り方）は人間が考えるべきです。AI に「適当に分類して」と任せると、本来重要な少数意見が「その他」に埋もれることがあります。

ハルシネーション対策

情報整理と要約で最大の論点が、ハルシネーション（事実誤認）への対策です。

ハルシネーションが起きやすい場面

学習データのカットオフ以降の情報（最新の人事、最新の価格、最新の事件など）
業界・地域・組織に特有の情報（特定企業の社内事情、業界特有の慣習など）
細かい数値・固有名詞・日付（年代を間違える、似た名前を取り違える）
法律・税務・契約・医療など、判断を伴う領域
引用元が曖昧な情報（「一般に〜と言われている」のような表現）

ハルシネーション対策の基本

原典を確認する習慣を持つ：重要な情報は必ず原典で確認
検索連携機能を使う：Web 検索を併用するモードを使うと、引用元 URL を確認しやすい
「これの引用元はどこですか」と AI に追加で質問する
複数の AI で同じ質問をしてみる：違う答えが返ってきたら要警戒
専門領域（法律・税務・医療）は専門家に確認：AI 単独で完結させない

💡 ポイント 「AI が言っているから正しい」と判断停止しない。「AI が言っているから、原典を確認しよう」と動くのが業務での正しい姿勢です。

RAG——社内ナレッジを参照する発想

RAG（Retrieval-Augmented Generation：検索拡張生成）は、AI が回答する際に、社内のドキュメント・社内ナレッジを参照しながら回答する仕組みです。

RAG が解決する問題

AI の学習データに含まれない「自社の固有情報」を参照して回答できる
古い情報ではなく、社内の最新ドキュメントに基づいて回答できる
「社内の規定」「過去の議事録」「製品マニュアル」など、社内資産を AI に活かせる

業務担当者の視点

業務担当者にとっての RAG は、「AI が社内のドキュメントを読んでいる状態で質問に答える」と理解できれば十分です。設計や実装の詳細は本コースでは扱いません（別領域）。

2026 年 6 月時点

法人契約版の AI ツールでは、社内のクラウドストレージ（Microsoft SharePoint、Google Drive など）や、社内ナレッジベース（Confluence、Notion など）と連携して、AI が社内文書を参照できる機能が標準的になりつつあります。「カスタム GPT」「プロジェクト」「Workspace」のような呼称で、組織用に固有のチャットボットを構築する事例も増えています。

ただし、社内ドキュメントの品質（古い情報の放置、重複文書の存在）が RAG の品質を決めます。「AI を入れたから自動で社内ナレッジが活用される」わけではなく、社内文書の管理体制が前提条件です。

ファイル添付処理・Web 検索連携

2026 年 6 月時点で標準化している機能：

ファイル添付：PDF・Excel・Word・PowerPoint・CSV・画像などを直接 AI に渡せる。テキスト抽出と要約・分析が可能
Web 検索連携：AI が回答時に Web 検索を行い、最新情報を取り込む。引用 URL を提示する
長い入力枠：1 回の入力で数十万トークン（数千ページ相当）を受け取れるモデルが標準化

これらの機能を活用すると、「事前に整形された情報を渡す」必要が大きく減ります。

講師の現場メモ：「3,000 ページの規程集を 1 週間で整理」

私（吉村）がコンサル時代に支援した、ある金融機関（社員 5,000 人）の話です。経営企画部の若手から「グループ内規程集（3,000 ページ）が古くなり、現在の業務と齟齬が出ている。1 つひとつ読み直すには 3 か月かかる」と相談を受けました。

通常なら、外部委託で半年、コンサルで 3 か月という案件です。私は「AI と組み合わせて 1 週間で初期整理しましょう」と提案しました。

進め方：

3,000 ページの規程集を 50 セクション（各 60 ページ）に分割
各セクションを AI に要約させる（目的：「現在の業務との齟齬を見つけるため」）
50 個の要約を横断要約して、全体の構造を把握
各セクションの要約から「現在の業務と矛盾していそうな箇所」を抽出
抽出された箇所だけを、人間が原典に立ち戻って確認

1 週間で初期整理が完了し、約 200 箇所の見直し候補が浮かびました。そのうち AI の指摘が正しかったのは約 150 箇所、人間が原典で確認して「やはり問題なし」と判断したのは約 50 箇所。誤検出が 25% ありましたが、人間が 3,000 ページを全部読むのに比べて時間が大幅に短縮できました。

経営企画部の若手からは「読まなくていいページを AI が判別してくれるだけで、業務が劇的に変わる」と感謝されました。一方で、私が強調したのは「AI の指摘を鵜呑みにせず、最終判断は必ず人間が原典で行うこと」「規程の改訂を提案するときは、ドラフトを AI に拡張させるが、文言の責任は人間が持つこと」の 2 点です。

このときに痛感したのは、AI は「読まなくていいページを見分ける道具」として強力だ、ということです。本コースで階層的要約と原典確認を繰り返し強調するのは、この案件のような大規模情報整理を業務に組み込んでほしいからです。

まとめ

このレッスンでは、以下のことを学びました。

長文資料の要約は「目的・粒度」を伝えると出力の有用性が大きく上がる
非常に長い文書は階層的要約（セクション単位 → 全体）で扱う
複数文書の横断要約は「比較の観点」を明示する。最終解釈は人間が行う
リサーチでは「目的を 1 文で明確化 → 質問の階層化 → 1 つずつ AI に投げる」が基本
表・データの整理は AI が得意。ただし数値計算は再確認、大規模分析は専用ツールが向く
アンケート回答の自動分類は強力。ただし分類枠組みは人間が考える
ハルシネーション対策：原典確認、検索連携、引用元確認、複数 AI 比較、専門家確認
RAG（社内ナレッジ参照）は法人契約版で標準化。社内文書の管理体制が前提条件
2026 年 6 月時点：ファイル添付・Web 検索連携・長い入力枠が標準化

次のレッスンでは、思考の壁打ちと意思決定の仕事術を扱います。

確認クイズ

このレッスンの理解度をチェックしましょう。