
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。

「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。

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。

「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。

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。

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】