2025年、Microsoft Researchは6,000人の知識労働者を対象に、生成AIが働き方へ与える影響を6カ月間調べた。参加者の半数には、メールや文書作成、会議で使える生成AIツールへのアクセスが与えられた。
実際にツールを使った人は、週のメール作業が約3時間減り、文書もやや速く完成させた。一方、会議に費やす時間には有意な変化がなかった。
この差は示唆的である。AIは、一人で完結できる作業を速くする。だが、誰に何を伝えるのか、どの意見を採るのか、過去の判断とどうつなぐのかといった調整までは、自動で消してくれない。
むしろ生成が速くなるほど、仕事の重心は文章や画像を「つくる」ことから、それらを「何のために使うか」を決めることへ移る。そのとき不足するのが文脈である。
本稿では文脈を、目的、前提、出典、責任をつなぎ、情報を判断材料へ変える設計として捉えたい。
AIが減らしたのは作業時間であり、判断の前提ではない
「新製品の告知文を300字で書いて」と頼めば、AIは数秒で整った文章を返す。しかし、その製品を初めて知る顧客と、既存ユーザーでは必要な説明が違う。
価格変更を伝えるなら適用日が要る。過去に不具合があったなら、改善内容へ触れない文章は不信を招くかもしれない。
AIに渡すべき文脈とは、関連資料の束ではない。今回の発信で読者にどんな判断をしてほしいか。変えてはいけない事実は何か。過去の説明と矛盾していないか。公開を承認し、更新に責任を持つのは誰か。これらの関係がわかる状態を指す。
これは人間同士の仕事でも同じである。優秀な書き手に「いい感じにまとめて」と依頼しても、背景が共有されていなければ、文章として正しくても目的には合わない。
AIによって初めて生まれた問題ではない。これまで会議や経験のなかに埋め込まれていた暗黙の前提が、AIへ依頼する過程で露出したのである。
文脈は、説明を長くすることではない。何を足すか以上に、何を落としてはいけないかを選ぶ編集である。
情報を増やしても、文脈は自動では生まれない
AIの世界では、一度に処理できる情報量を「コンテキストウィンドウ」と呼ぶ。扱える量が増えれば、議事録も社内資料もまとめて渡せる。そこから「すべて読ませれば、文脈も伝わる」という期待が生まれやすい。
しかし、入力できることと、適切に使えることは同じではない。
2025年のEMNLPで発表された研究は、5つのオープン／クローズドモデルを数学、質問応答、コーディングの課題で検証した。関連情報を正しく検索できていても、入力が長くなるにつれて性能が13.9％から85％低下したという。
これは限定された実験条件での結果であり、あらゆるモデルや仕事へそのまま一般化はできない。それでも、資料を大量に入れるだけでは解決しないという警告にはなる。
組織がAIへ渡す文脈は、少なくとも四つの層に分けられる。
- 目的：この出力を使って、誰が何を判断するのか
- 制約：法務、ブランド、予算、期限など、越えてはいけない境界は何か
- 根拠：どの一次情報に基づき、いつまで有効なのか
- 責任：誰が確認し、公開後の訂正や更新を担うのか
たとえば会議の文字起こしをすべて渡すより、決定、保留、却下した案と理由、次の責任者を分けた方が、次の仕事には使いやすい。長い資料を捨てる必要はない。証拠として保存しつつ、判断に必要な前提を短いブリーフへ編集する。
資料の来歴も区別したい。確定した事実、担当者の仮説、AIが出した提案が同じ場所へ無造作に蓄積されると、次に読む人やAIは、それらを同じ重さで扱いかねない。
「誰が、いつ、何を根拠に書いたか」を残すことは、情報管理の細かな作法ではない。誤った前提が再利用されるのを防ぐ、文脈の一部である。
ただし、文脈を豊かにすることは、社内情報を無制限にAIへ渡すことではない。個人情報、顧客情報、未公開の計画は、利用する環境と権限を確認する必要がある。何を見せないかという境界もまた、文脈として設計しなければならない。
必要なのは、情報の量ではなく関係の解像度である。
AIの流暢さは、失われた前提を見えにくくする
文脈の欠落が厄介なのは、出力が不自然になるとは限らないからだ。
価格は正しくても適用日がない。取材相手の発言は正確でも、「自社の場合に限る」という前置きがない。導入事例の成果は事実でも、対象期間や母数が示されていない。
個々の文は間違っていなくても、読者の判断を誤らせる文章はできてしまう。
米国立標準技術研究所（NIST）は、生成AIが誤った内容を確信ありげに示す現象を「confabulation」と整理する。同時に、利用目的、想定利用者、前提、限界、運用環境を文書化し、出力の出典や引用を継続的に確認することを推奨している。
つまり、正確さはモデル単体の性能ではなく、使われる状況と確認工程を含む仕組みとして管理すべきだということだ。
人間の側にも落とし穴がある。Microsoft Researchは2025年、319人の知識労働者から936件のAI利用例を集めた。調査では、AIへの信頼が高い人ほど、批判的思考を働かせる傾向が低かった。一方、自分の専門性への自信が高い人ほど、その傾向は高かった。
これは自己申告に基づく関連であり、因果関係を証明する研究ではない。ただし同研究は、AI利用時の批判的思考が、情報の検証、回答の統合、仕事全体の監督へ移ると指摘している。
ここで人が担うのは、AIより上手な文章を書く競争ではない。AIの答えが、どの前提なら使えるのかを見定める仕事である。
文脈を個人の記憶から、組織の共有資産へ変える
文脈の重要性を「プロンプトを詳しく書こう」という個人技だけで終わらせると、同じ説明を毎回つくり直すことになる。
担当者が異動すれば、AIだけでなく新しい同僚にも背景が伝わらない。必要なのは、文脈を再利用できる組織資産として残すことだ。
最初に整えたいのは、仕事を始める前の短いブリーフである。目的、主な読者、参照すべき一次資料、禁止事項、承認者を一枚にまとめる。AIへの指示文は、そのブリーフから都度つくればよい。プロンプトそのものより、判断の土台を共有物にする。
次に、議事録を発言の記録だけで終わらせない。何を決め、何を見送り、どの事実によって判断が変わったかを残す。
完成した記事や提案書には、参照した資料の版と日付を結びつける。あとで条件が変わったとき、どこを更新すべきか追えるからだ。
文脈には時間がある。半年前には正しかった価格や方針が、現在も有効とは限らない。最新版だけを上書きすると、変更の理由が消える。
現行の決定と過去の決定を分け、更新日と変更理由を残せば、AIの回答が古い前提へ戻ったときにも気づきやすい。
確認の強さは、用途によって変える。社内のアイデア出しと、顧客へ示す価格、医療や法務に関わる説明を同じフローで扱う必要はない。
影響が大きい仕事ほど、専門家の確認、出典照合、承認、訂正手順を厚くする。文脈には、何を知っているかだけでなく、どこから先を自動化しないかという境界も含まれる。
AIは、文脈を不要にする技術ではない。組織が文脈を持っているつもりで、実は特定の人の記憶や会議の空気に頼っていたことを映し出す技術である。
生成物の平均点が上がるほど、差が出るのは滑らかさの外側だ。なぜつくるのか。誰に届けばよいのか。何に基づくのか。誰が責任を持つのか。
その四つをつなげられる組織は、AIの速度を判断の速度へ変えられる。この設計を担う編集機能については、AI企業と編集者を扱った別稿で詳しく論じた。
文脈は、出力に添える補足ではない。AIと人間が同じ仕事をするための、最初の設計図である。