ChatGPTなどの生成AIで社内教材をつくる際、一番の落とし穴は『プロンプトの工夫』に躍起になること。現場で本当に必要なのは、参照する原本の管理、誰がどこまで承認するかという人間主体のルール設計です。
「マニュアルのPDFをAIに読み込ませたら、3秒で理解度チェックテストができた！」——最初は誰もがそのスピードに感動します。営業資料の要約やケーススタディの下書きも、AIを使えばあっという間。となると、つい『どんなプロンプト（指示文）を書けば、もっと完成度が高まるか？』というテクニックに目が向きがちです。
ですが、ちょっと立ち止まってみてください。企業教育で本当に恐ろしいのは、AIが作った『文章としてはめちゃくちゃ自然だけど、微妙に古い規程が混ざっているテスト』や『対象外の例外条件がスッポリ抜けた解説』が、そのまま社員に配られてしまうことです。
教材は、現場の社員が実際の顧客対応や業務判断で頼りにする『行動の基準』です。ここに誤情報が紛れ込むと、現場では一発で事故やトラブルに直結します。AI導入の効果を『教材作成時間が〇〇分減った』という作業スピードだけで測ってしまうと、結局『AIが速攻で作った怪しい文章を、人間が目を皿にして間違い探しする』という本末転倒な運用に陥ってしまうのです。
UNESCOの生成AIガイドラインでも人間中心のアプローチと検証プロセスが強く提唱されていますし、欧州のEU AI Act（第4条）でも組織におけるAIリテラシーと運用責任が求められています。世界的な潮流を見ても、『AIに何をさせるか』以上に『人間がどう責任とガバナンスを持つか』が問われているのは明らかです。
AI教材のトラブルは、「ハルシネーション（誤回答）」だけじゃない
「AIが嘘をついた（ハルシネーション）」という話は分かりやすいリスクです。しかし、実務で本当にタチが悪いのは『文章としては100%正しいけれど、自社の今の運用には合っていない』というケースです。
例えば、過去の企画書（正式文書ではない）を根拠にしてしまったり、昨年の旧版マニュアルと最新版が混ざっていたり、一部の特約店向けルールを全社共通ルールとしてまとめ直してしまったり……。AIは文脈の自然さを作るプロですが、それが『自社の最新の公式ルールか』までは判断できません。
だからこそ、AI教材の品質は次の4つの視点でチェックする必要があります。
- 事実性（Fact）：原本と一致しているか？ 存在しない勝手な補足を足していないか？
- 適用性（Scope）：対象の部署・地域・商品・現在のバージョンにぴったり合っているか？
- 教育性（Pedagogy）：ただの要約ではなく、現場で『どう行動すべきか』が身につく構成か？
- 運用性（Traceability）：誰が承認し、いつ公開され、元のマニュアルが変わった時に追跡できるか？
AIが作ってきた文章そのものを一文ずつ校正するのではなく、『原本の抽出から承認・公開に至るまでのプロセス』が透明で追跡可能になっているか。こここそがガバナンスの要です。
ステップ1：まず「AIに参照させていい知識（原本）」を限定する
「社内共有ドライブのファイルを全部AIに読み込ませれば便利じゃん！」と思いがちですが、これは一番危険なパターンです。古い提案書や誰かのメモまでAIが参照し始めると、正誤の境界線が完全に崩壊します。
まずは『この教材を作るために参照してよい公式原本（ソース）』を明確に定義しましょう。正式な社内規程、最新版の業務マニュアル、商品責任者がチェック済みの仕様書など、所有者とバージョンがはっきりしているファイルだけを指定します。
また、AIが生成した下書きには、必ず『この記事のこの記述は、原本の〇〇ページの〇行目を参照』というソース表示（出典付け）を残す仕組みにします。人がレビューする際、「この記述の根拠はどこ？」と探す手間が激減しますし、根拠が怪しい記述はAIに勝手に補完させず「要確認」として赤字で止める運用が安全です。
原本の管理台帳に入れておくべき4項目
| 項目 | 現場で確認すること |
|---|---|
| 公式原本名 | 正式な文書名、リビジョン番号（版）、最終更新日 |
| 知識の所有者 | 「この内容が正しいか」を最終判断できる部署・責任者名 |
| 適用範囲 | どの職種・どの拠点・どの商品に適用されるか |
| トリガー条件 | 原本のどこが変わったら、教材を再点検・再承認するか |
ステップ2：レビューの重さを「リスク別」に分ける
AIで作成時間が縮んだのに、確認作業で全員が何時間も拘束されていたら意味がありません。すべての教材を同じテンションでチェックするのではなく、ミスが起きたときの影響度でレビューのラインを分けましょう。
- 低リスク（簡易確認でOK）：社内用語の解説、単語の言い換え、既存文章のフォーマット整形など。作成担当者のチェックで即公開。
- 中リスク（現場リーダーが確認）：標準的な業務手順、新商品の基本概要など。現場の業務責任者が「根拠」と「練習ケース」を確認して承認。
- 高リスク（専門部署の承認が必須）：コンプライアンス、個人情報、安全管理、契約・金銭が絡む判断など。法務・リスク管理・法規担当などの事前承認をマストにする。
米国標準技術研究所のNIST AI Resource Centerが提唱するAIリスクマネジメントでも、リスクに応じた段階的なガバナンスが推奨されています。教育コンテンツも全く同じで、一律の過剰ガバナンスは運用を殺します。
「誰かが見ました」は承認じゃない。役割とログを残す
チャットツールで「これAIで作ったんで、手が空いたとき見ておいてくださーい」「はーい（スタンプ）」……これは承認ではありません。後からトラブルが起きたとき、「誰がどこまで確認したのか」が闇に包まれます。
承認者には、明確な『役割』を割り当てましょう。原本の所有者は「事実と適用範囲の正しさ」、教育担当者は「学習の流れと問いの適切さ」、現場リーダーは「現場で本当に実行できるか」を見ます。
そして、承認ログ（「誰が」「いつ」「どのバージョンの教材を」「どんな指摘をして承認したか」）をシステム上に自動で残すことが不可欠です。万が一、公開後に記述のミスが見つかった際も、即座に対象の受講者へ訂正通知を飛ばせる状態を作っておきます。
AI教材の生成から公開までの標準ワークフロー
- 目的の定義：「社員にどんな行動ができるようになってほしいか」を決める
- 原本の選定：承認済みの最新マニュアル・規程をセットする
- AIによる生成：要点・ケース・理解度テストの下書きを作り、必ず出典タグを付与する
- 自動フィルターチェック：出典漏れ、禁止表現、個人情報の混入がないかシステムで自動検知
- 人間によるリスク別レビュー：リスク区分に応じた責任者が内容をチェック＆承認
- 対象者への配信：承認されたバージョンだけを受講者へ配信する
- 現場からのフィードバック回収：誤答率の高い問題や現場からの質問を、次回改訂の改善候補にする
ここでAIの役目は「下書きづくり」「情報の整理」「形式チェックのサポート」です。「公開の最終判断」と「現場の実態に即した妥当性の判断」は、どこまでも人間が握り続けます。ASTRUMのナレッジでも示されている『AIに任せる範囲をプロンプトのテクニックではなくドキュメントと仕組みで管理する』という思想は、まさにこのプロセスそのものです。
マニュアル改定時に「関連教材」を自動で割り出せるか？
AIを使うと、教材をつくるハードルが下がるため、社内に似たような教材やテストがどんどん増えていきます。ここで問題になるのが『元マニュアルが改定された時』です。
マニュアルが1箇所改定された際、その影響を受ける教材、テスト問題、受講対象者がパッと割り出せないと、古いAI教材が野良化して現場に残り続けます。原本の変更と教材の紐付け（トレーサビリティ）ができていて初めて、安心してAI教育を回せるようになります。
私たちが開発するSTARTOUT Relayでも、企業の公式原本と教材の根拠を強力に紐付け、人によるレビュー・承認・配信・改訂を一元管理できる世界を目指しています。AIで速く作ること自体は、ただのスタート地点。本当に重要なのは『正しく最新の知識を、説明責任を果たせる形で現場に届け続けること』なのです。
スタート前に自問したい「7つのチェックリスト」
- 教材の根拠として使ってよい『公式原本』が明確になっているか？
- 原本の最新バージョンと適用範囲（対象部署や商品）を即座に識別できるか？
- AIが付け足した文章と、原本の事実を明確に区別できているか？
- 内容のリスク（低・中・高）に応じて、承認フローを変えているか？
- 公開した教材と「誰が承認したか」の履歴が残っているか？
- 間違いが見つかった際、影響を受けた受講者へ即座に修正を届けられるか？
- 現場の誤答データや質問を、次の教材改善に還元できているか？
この7つにイエスと答えられれば、あなたの組織のAI教材づくりは『単なる作業の高速化』から『信頼される教育インフラ』へと進化します。もしNOがあるなら、プロンプトをこねくり回す前に、まず知識と承認の流れを整えましょう！