研修が終わった日の夜、机には手書きのメモが残っている。録音もある。参加者から出た質問も、担当者へ伝えたい気づきも覚えている。
けれど、翌日の準備や問い合わせ対応が始まると、報告書は後ろへ押されます。
ようやく書き始めても、「実施した内容を並べるだけでは価値が伝わらない」「参加者の変化を、どこまで成果と書いてよいのか」「次回への提案まで入れると、営業色が強く見えないか」と手が止まる。生成AIへ文字起こしを渡してみても、整った文章は出るものの、どの研修にも当てはまりそうな報告書になる。
速くしたい。でも、薄くしたくはない。
この板挟みは、文章力だけの問題ではありません。記録、事実の選別、評価、構成、文章化、確認が、一つの「執筆作業」に固まっていることが大きな原因です。
この記事では、企業や団体向けに複数の研修・講座を提供し、企画、登壇、受講者対応、報告資料の作成までを少人数で担っていた教育サービス事業者への実際の支援を扱います。研修ごとに内容と受講者の状況が異なるため、終了後の音声やメモから「何を成果として残すか」を整理する負担が大きく、生成AIで作成時間を短くしながら、依頼先が次の判断に使える報告書へ変えたいという相談でした。
個社が特定されないよう、事業者名、所在地、研修名、対象者の属性、実施時期、件数、使用したサービス名は公開していません。支援後の作成時間や継続受注の変化も確認できていないため、成果としては扱いません。
報告書が遅い原因は、文章を書く前にある
報告書作成が重くなると、最初に「文章を速く書く方法」を探しがちです。しかし、現場で時間がかかっているのは、文章入力だけではありません。
- 録音やメモのどこが重要か探す
- 実施した事実と、担当者の評価を分ける
- 参加者の発言を、個人が特定されない形へ直す
- 依頼先が知りたい順番へ並べる
- 次回の改善提案に根拠があるか確認する
- 誤字、数字、固有名詞、表現の強さを点検する
この判断を曖昧にしたまま生成AIへ「報告書を作って」と頼むと、AIは不足している前提を一般的な文章で埋めます。読みやすくはなっても、現場で何が起き、依頼先が次に何を判断すべきかは薄くなります。
したがって、速くする対象は「文章を書くこと」だけではありません。
記録から提出までの工程を分け、AIが助ける場所と、人が責任を持つ場所を決めることが先です。
実際の相談。報告書を速くしたいが、情報の羅列にはしたくない
相談者は、企業や団体から依頼を受けて、テーマの異なる研修や教育プログラムを提供していました。同じ形式の講座でも、参加者の経験、つまずく場面、質問、理解の進み方は毎回異なります。
報告書には、実施項目だけでなく、参加者がどこで反応し、何を理解し、依頼先が次に何を整えるべきかまで示す必要がありました。報告書は納品物であると同時に、支援品質を伝え、次の研修や改善判断につなげる接点でもあります。
一方、現場では登壇者自身が前後の連絡、資料準備、研修実施、終了後の対応まで担います。記憶が新しいうちに報告書へ着手したくても、次の業務が始まる。時間がたつほど、メモの意味や発言の背景を思い出す作業が増えます。
生成AIに期待していたのは、単なる自動作文ではありませんでした。
「作成時間は減らしたい。しかし、依頼先に提出する価値は下げたくない」
ここが相談の核心です。だから、特定のAIサービスの使い方を覚えるだけでは解決しません。ツールが変わっても使えるように、入力材料、指示、出力形式、確認基準を一つの業務として設計する必要がありました。
当時、実際に行った支援
支援記録から確認できるのは、次の内容です。
- 生成AIの基本的な仕組みと、報告書の構成案・要約・校正・書き換えに使う基本操作を説明した
- 目的、背景、条件、出力形式を分けて指示するプロンプトの基本構造を共有した
- 研修内容と提出先に合わせた報告書の雛形を、実際の材料から作る演習を行った
- 研修中の音声やヒアリング内容を文字にし、構成案、要約、編集へ進める一連の流れを組み立てた
- 報告書だけでなく、案内文やメールにも応用できる汎用的な指示の作り方を練習した
この支援によって、報告書作成を一枚の白紙から始めず、音声やメモを材料として段階的に処理する考え方は整理されました。
ただし、実際の作成時間が何時間減ったか、報告書の差し戻しが減ったか、継続依頼や売上につながったかは記録から確認できません。ここで言えるのは、業務フローと基本操作を学んだことまでです。「生成AIで生産性が大幅に向上した」とは断定しません。
今なら、最初に「事実の箱」を作る
当時の支援に今の知見を加えるなら、文章を生成する前に、材料を四つの箱へ分けます。
| 箱 | 入れる内容 | 注意点 |
|---|---|---|
| 実施した事実 | 日程、テーマ、実施項目、配布物 | 元資料と一致するか確認する |
| 観察した反応 | 質問、つまずき、理解が進んだ場面 | 個人が特定される表現を外す |
| 評価・解釈 | なぜ反応が起きたか、課題は何か | 事実と混ぜず、評価だと分かるようにする |
| 次の提案 | 次回の内容、追加支援、運用改善 | 根拠と優先順位を添える |
この箱を先に作れば、生成AIが流暢な表現で事実を補ってしまう危険を減らせます。
特に大切なのは、「参加者が理解した」「行動が変わった」と書く条件です。研修中のうなずきや好意的な感想だけで、理解や定着まで確認できたとは言えません。
- その場で質問に答えられた：研修中の反応
- 演習を正しく完了できた：その場の到達
- 後日、業務で実践した：行動変化
- 組織の成果が変わった：事業・組織成果
この四つは別の事実です。因果を飛ばさず、確認できた段階まで書くことで、報告書の信頼性を守れます。
AIに任せる工程と、人が決める工程を分ける
生成AIは、文字起こしの整理、見出し案の比較、重複表現の整理、指定形式への書き換えに向いています。
一方、何を成果と呼ぶか、発言を引用してよいか、依頼先へ提出してよいかは、人が決める必要があります。
AIに任せやすい工程
- 長い文字起こしから、指定した観点に該当する箇所を抜き出す
- 同じ事実を複数の構成案で並べ替える
- 一文を短くし、重複を減らす
- 箇条書き、表、指定された章立てへ整える
- 誤字や表記揺れの候補を挙げる
人が決める工程
- 抜き出された発言が、文脈と一致しているか確認する
- 事実、観察、評価、提案を分ける
- 参加者や担当者を特定できる情報を除く
- 実施していない内容や未確認の成果が混ざっていないか確認する
- 提案の優先順位と、次に話し合うべきことを決める
AIの出力をそのまま提出しないのは、慎重すぎるからではありません。報告書は、依頼先が人材育成や次の発注を判断する材料です。誤りが一つあるだけで、研修そのものの信頼まで損なう可能性があります。
経済産業省の「AI事業者ガイドライン（第1.2版）」は、AI利用者を含む関係者に対して、人間中心、安全性、プライバシー保護、透明性、アカウンタビリティなどの観点を示しています。小規模事業者でも、用途とリスクに応じて確認手順を決めることが重要です。
生成AIへ入力する前に、個人情報を外す
研修の音声やヒアリングには、氏名、勤務先、役職、評価、悩み、経歴などが含まれることがあります。文字起こしをそのまま外部の生成AIサービスへ入力する前に、取り扱いを確認しなければなりません。
最低限、次の順で判断します。
- その情報をAIへ入れる必要が本当にあるか
- 氏名や固有情報を、役割や一般表現へ置き換えられないか
- 利用するサービスが入力内容をどのように扱うか
- 組織や依頼先のルールに反していないか
- 提出前に、引用と個人情報を誰が確認するか
個人情報保護委員会は、事業者が生成AIへ個人情報を入力する場合、利用目的の範囲内であるかを確認することや、サービス提供者が入力した個人データを機械学習に利用するかなどを十分に確認するよう注意喚起しています。
個人情報保護委員会：生成AIサービスの利用に関する注意喚起等
したがって、「録音したから全部入れる」ではなく、必要な事実だけを残し、個人を識別する情報を入力前に外すことを基本にします。
60分でつくる、最初の報告書テンプレート
新しいツールを探し続ける前に、普段使っている報告書を一つ選び、次の項目を決めます。
1. この報告書を読む人と、次にしてほしい判断
例：研修担当者が内容と反応を把握し、次回のテーマや社内フォローを決められる状態にする。
2. 必ず確認する事実
- 実施内容
- 参加状況
- 出た質問
- 演習で確認できたこと
- 未確認のこと
- 次に検証すること
3. 固定する章立て
- 実施概要
- 実施内容
- 確認できた反応・到達
- 残った課題
- 次回への提案
4. 生成AIへの指示
次のように、役割よりも目的と制約を具体的にします。
この材料から、研修担当者が次の対応を判断できる報告書の構成案を作成してください。実施した事実、観察した反応、担当者の評価、次の提案を混ぜないでください。材料にない成果は補わず、不明な点は「確認が必要」と表示してください。個人名や固有情報は出さず、各章で根拠となる材料を示してください。
5. 人が確認する項目
- 数字、日付、固有名詞は元資料と一致しているか
- 発言の意味を変えていないか
- 未確認の成果を断定していないか
- 個人を特定できる情報が残っていないか
- 依頼先が次に決めることが明確か
テンプレートは、文章を固定するためではありません。毎回変わる内容の中で、確認を抜かさないための型です。
KGI・KPIは、報告書の完成から顧客の判断までつなげる
生成AIの導入成果を「報告書を作れた」で終わらせると、業務改善と事業成果の関係が分かりません。
- 事業KGI：研修事業の粗利、継続契約、追加依頼、紹介
- マーケティングKGI：既存顧客からの次回相談、再提案の承認、別部署への紹介
- 顧客行動KPI：報告書の社内共有、振り返り面談、次回テーマの相談、追加質問
- 品質KPI：事実誤認、差し戻し、修正回数、未確認成果の混入
- 業務KPI：記録から初稿までの時間、提出までの時間、確認者の作業時間
- リスク指標：個人情報の誤入力、引用ミス、提出先の誤り
作成時間が短くなっても、差し戻しが増えれば効率化とは言えません。報告書が読みやすくなっても、次の判断に使われたかを確認しなければ、継続受注への貢献は分かりません。
業務効率、品質、顧客行動、事業成果を分けて測ることで、生成AI導入と成果の因果を検証できます。
生成AIで報告書を作る前の確認リスト
- 報告書を読む人と、読後にしてほしい判断を決めた
- 音声、メモ、配布資料のどれを正本とするか決めた
- 実施事実、観察、評価、提案を分けた
- 個人情報や固有情報を入力前に外した
- 利用サービスのデータ取り扱いを確認した
- 材料にない成果を補わないよう指示した
- 数字、発言、固有名詞を人が照合する
- 作成時間だけでなく、差し戻しと顧客行動も測る
三つ以上迷う項目があるなら、プロンプトを増やす前に、報告書の目的と確認工程を整える余地があります。
AIツールを増やす前に、仕事の流れを整えます
生成AIは、報告書の下ごしらえを速くできます。しかし、研修の価値を見極め、依頼先に何を伝え、次に何を決めてもらうかは、事業者の専門性そのものです。
MKでは、いきなりツールを導入するのではなく、事業目標、顧客へ届ける価値、現在の作業、入力情報、確認責任、KGI・KPIを整理します。そのうえで、生成AIに任せる工程と人が残す判断を分け、現場で続けられる業務フローへ落とし込みます。
報告書、提案書、メール、コンテンツ制作など、どこからAI活用を始めるべきか分からない場合も、現在の仕事を見ながら優先順位を一緒に整理します。
