メインコンテンツへスキップ
見出し画像

提案書レビューをAIに任せる前に|「レビューして」だけでは足りなかった判断の分解

    AIに提案書のレビューを任せたくなった

    私は仕事で、提案書やディスカッションペーパーを作ることがあります。

    生成AIを使うようになってから、資料作成の工程にはかなりAIを取り入れるようになりました。

    • 顧客について調べる

    • 打ち合わせ内容を整理する

    • 提案の方向性を考える

    • 資料のたたき台を作る

    この流れが便利になってくると、次に任せたくなるのが完成した資料のレビューです。

    最初に思いつくのはシンプルで、

    「この提案書をレビューしてください」

    とAIに頼むこと。

    でも、ここで少し引っかかりました。

    そもそも“レビューする”って、具体的に何をする仕事なんだろう?
    この記事は、その「レビューする」を分解して、Claudeの専用Agentに渡すまでの設計記録です。

    画像
    AIにそのままレビューを頼む」と「判断工程を分解して渡す」の違い

    「レビュー」は1つの作業ではなかった

    自分が提案書を見るときを振り返ると、単純に文章を読んでいるわけではありませんでした。

    たとえば、こんなことを同時に見ています。

    • この資料の目的は何か

    • 顧客の課題と提案内容がつながっているか

    • 話の順番に無理がないか

    • 根拠が弱いところはどこか

    • 顧客から質問されそうな箇所はどこか

    • その問題は、どれくらい重要か

    最後には、

    「この状態で商談に持っていって大丈夫か?」

    まで考えています。

    つまり、提案書レビューは1つの作業ではなく、複数の判断の集合でした。

    ここで方向性が決まりました。

    プロンプトを長くする前に、人間がやっている判断工程を分解してみよう。


    いきなり「改善して」と言わせないことにした

    最初に決めたのは、かなり地味なルールです。

    それは、

    資料を受け取った直後に、改善案や文章修正に入らないこと。

    まずは資料を理解する。

    そのあとで、何が問題なのかを見ていく。

    レビューの流れをかなり簡単にすると、こんな感じです。

    画像
    提案書レビューの判断工程フロー

    この図を作ってみて、改めて思いました。

    AIにいきなり

    「もっと良くしてください」

    と頼むと、どうしても文章の修正や一般的な改善案に寄りやすい。

    でも実務で先に知りたいのは、

    「そもそも何が問題なのか」
    「その問題は本当に重要なのか」

    なんですよね。

    ここを飛ばさないようにしたのが、今回の設計です。


    事実と推測を混ぜないようにした

    提案資料は、資料に書いてある情報だけで全てを判断できるとは限りません。

    実際の商談では、

    • 今回の商談目的

    • 顧客が何を判断したいのか

    • 前回の打ち合わせで出た論点

    • 顧客が重視していること

    など、資料外の背景情報があります。

    ただ、ここをAIが勝手に想像するとかなり危ない。

    そこで、情報を次のように分けることにしました。

    • FACT(資料)

    • FACT(商談情報)

    • INFERENCE

    • RECOMMENDATION

    • TO CONFIRM

    この分け方を入れると、

    「資料に書いてあること」と
    「AIが推測したこと」が
    混ざりにくくなります。

    画像
    ACT / INFERENCE / RECOMMENDATION の整理図

    「顧客目線」も事実にはしない

    提案書レビューでは、顧客側の立場で考えることも大事です。

    たとえば、

    • このページを見たら何を聞きたくなるか

    • どこで話が止まりそうか

    • 何が判断材料として足りないか

    といったことです。

    ただし、ここにも注意点があります。

    AIが想像した顧客心理は、顧客の事実ではない。

    なのでAgentでは、

    「顧客はこう思う」
    ではなく、

    「想定される顧客反応」

    として扱うようにしました。

    これも小さな違いに見えて、実務ではかなり大事です。


    問題を全部「重要」にしない

    レビューをしていると、問題はいくらでも出てきます。

    でも、その全部が同じ重要度だったら、結局何から直せばいいのか分からなくなります。

    そこで問題を、

    • Critical

    • Major

    • Minor

    に分けるようにしました。

    ざっくり言うと、

    • Critical:商談前に放置したくない問題

    • Major:商談はできるが、説得力や意思決定を弱める問題

    • Minor:直接の影響は比較的小さい問題

    というイメージです。

    レビューの目的は、指摘をたくさん出すことではありません。

    次に人間が何を直すべきか分かること。

    ここはかなり意識しました。

    画像
    Critical / Major / Minor の違い

    ルールを1つの巨大プロンプトにはしなかった

    最終的に、Claude Projectへ入れる情報は大きく2つに分けました。

    1つは手順。
    もう1つは判断基準です。

    手順には、

    • どの順番でレビューするか

    • 各段階で何を見るか

    • どのタイミングで出力するか

    を書きます。

    判断基準には、

    • Review Rubric

    • 案件コンテキスト

    • Grounding Rules

    • Severity / Evidence Rules

    • Validation Rules

    を持たせます。

    つまり、こんな役割分担です。

    画像
    Claude Projectでの構成イメージ

    この構成にしておくと、

    「これは手順なのか」
    「これは判断基準なのか」

    が分かりやすくなります。

    今のところ、かなり扱いやすくなった感覚があります。


    作ってみて、一番大きかった気づき

    今回Agentを作っていて、一番面白かったのは、プロンプトの書き方ではありませんでした。

    むしろ大きかったのは、

    自分が普段どうやって仕事を判断しているのかを言葉にする作業

    でした。

    人間は仕事に慣れてくると、

    • なんとなく違和感がある

    • ここは通りにくそう

    • 先に確認した方がよさそう

    と自然に判断します。

    でもAIには、その「なんとなく」は伝わりません。

    だからAIに仕事を任せようとすると、

    自分が無意識にやっている判断を、一度分解する必要がある。

    今回の提案書レビューAgentを作って、一番強く感じたのはそこでした。


    まだ「正解」かどうかは分からない

    ここまで細かくルールを作りました。

    ただ、当然ながら

    ルールが多い = 品質が高い

    とは限りません。

    Agent化したことで逆に細かくなりすぎる可能性もあります。

    普通にClaudeへ頼んだ方が良い指摘が出るかもしれない。

    GPTやGeminiの方が、別の角度から良いレビューをするかもしれない。

    つまり、今の段階ではまだ

    「レビューAgentを作った」
    までです。

    「本当にレビューが良くなったか」は未検証。

    ここは次に実際に比較してみます。


    次回は、4つの方法で同じ提案書をレビューさせる

    次回は、同じ提案書を使って比較します。

    できるだけ条件を揃えたうえで、

    • Claude

    • GPT

    • Gemini

    • 今回作った専用Agent

    にレビューしてもらいます。

    見たいのは、

    どのAIが一番すごいか

    だけではありません。

    • モデルを変えるとレビューはどう変わるのか

    • 判断工程を組み込んだAgentにすると何が変わるのか

    この2つを分けて見ていきたいと思っています。

    結果がAgentに有利になるとは限りません。

    でも、だからこそ試す価値があると思っています。


    5. まとめ

    今回やったのは、AIに提案書レビューを任せる前に、自分がレビュー時に何を判断しているのかを分解することでした。

    作ってみて感じたのは、

    AIに仕事を任せるには、まず人間の仕事を説明できる状態にする必要がある

    ということです。

    今回はまだAgentを作った段階です。

    本当にレビューの質が変わるのかは、次回から実際に検証します。


    6. シリーズ説明

    このnoteでは、**「AI副業で月1万円」**を目標に、実際に試したことを記録しています。

    最近はその延長で、AIを仕事にどう使うかも実験しています。

    今回の「商談資料レビューAgent」シリーズでは、

    • AIにレビューをどう任せるか

    • 人間の判断をどう分解するか

    • 実際に比較すると何が起きるか

    を、実践ベースで記録していきます。


    追記:実際に4つの方法でレビューを比較しました

    この記事で作った「提案書レビューAgent」が、本当に普通のAIレビューと違うのかを確かめるため、続編を書きました。

    同じ提案書を使って、

    ChatGPT / Claude / Gemini / 専用Agent

    の4つでレビュー結果を比較しています。

    試してみると、普通のAIもかなり優秀でした。

    そのうえで専用Agentには、
    「何を事実として扱うか」「どの問題を優先するか」「何を直せば商談で使えるか」
    という判断の仕方に違いが出ました。

    続きはこちら

    このAgentを実際の提案書で試してみました。

    ChatGPT・Claude・Gemini・専用Agentに同じ提案書をレビューさせて、違いを比較しています。

    ▶ ChatGPT・Claude・Geminiに同じ提案書をレビューさせた。専用Agentを作る意味はあった?【レビュー結果公開】

     
     
    生成AIの実践検証ラボ、Kira AI Lab。ChatGPT/Claude/Gemini/Museの新機能を実際に試し、結果と数字をそのまま発信。note運用の分析や、自作AIスキルの配布もしています。PR・レビュー受付中。

    あなたへのおすすめ