# パターン4: 台本そのものをソースに + 装飾制限なし テーマ: AI自動化はどこまで任せるべきか？〜適性スペクトラムの考え方〜 範囲: 全22スライドを前半・後半の2パートに分割して生成 ## 方針 - ソースは全22スライド分のスライドマーカー付き自然文台本1つのみ（前半・後半共通） - カスタムプロンプトを2つに分け、それぞれでスライドを生成 - 前半のプロンプトには「続きがある」旨を明記し、最後のスライドが結論調にならないよう制御 - スライド構成用の別ソースは渡さない - 装飾制限・ビジュアル比率なし（レイアウト種別の指定もしない。NotebookLM に任せる） ## 分割 - 前半パート: スライド1〜14（14枚） - 後半パート: スライド15〜22（8枚） --- # ソースドキュメント（前半パート・後半パート 共通） > 以下の内容をテキストファイル（.txt、UTF-8）として保存し、「解説台本」としてNotebookLMのソースにアップロードしてください。前半パート・後半パートの両方で同じソースを使用します。 ## スライド1: タイトル AI自動化はどこまで任せるべきか？ — 適性スペクトラムの考え方 ## スライド2: 核心メッセージ AIにどこまで任せていいのか。これは好みの問題ではなく、設計の問題だと考えています。 さまざまな研究や事例を調べてみて、一つの結論にたどり着きました。「AIを使うか使わないか」という二択ではなく、タスクの性質に応じて最適な自動化レベルを選ぶことが大切ではないか、ということです。この枠組みを「適性スペクトラム」と呼んでみたいと思います。 ## スライド3: 適性スペクトラムの5段階 調べた結果、AI自動化の適性は5段階に分かれるようです。 レベル1は、完全自動化が最適な領域です。請求書処理やスパムフィルタリングなど、大量の反復作業がここに入ります。ルールが明確で、量が多く、間違いがあっても比較的すぐに修正できるタスクです。 レベル2は、高度に自動化しつつ人間が監視する形。カスタマーサポートの一次対応や品質検査などですね。大部分はAIが処理しますが、異常があれば人間にエスカレーションされます。 レベル3は、AIが支援しつつ人間が判断を保持する形です。Human-in-the-Loop、つまり人間がプロセスの中に入って最終判断を行う仕組みですね。医療画像診断が分かりやすい例です。 レベル4は、人間が主体でAIは情報提供に限定される領域。経営戦略や危機管理がここに入ります。 そしてレベル5。司法判断のように、AI自動化が本質的に不適切な領域です。社会が特定の判断を人間に留保することを選択する、という側面もあります。 ## スライド4: 自動化向きと人間中心の対比 レベル1-2の自動化が最適な領域は、構造化度が高く、エラー許容度が高く、フィードバックが速いという特徴を持ちます。請求書処理やスパムフィルタがその例です。 一方、レベル4-5の人間が主体となる領域は、暗黙知への依存が高く、責任帰属が重大で、倫理的判断を含みます。司法判断や経営戦略がその例です。 レベル3がHITL（Human-in-the-Loop）の最適ゾーンで、AIが所見をハイライトして最終判断は人間が行うような形です。 ## スライド5: なぜこう考えたか — 根拠となる発見 ここからは、この5段階の根拠となる発見を順に見ていきます。 ## スライド6: 地味な反復処理のROIが高い理由 AI自動化で最も高い投資対効果を示しているのは、注目を集める生成AIやコード生成ではありません。請求書処理やデータ入力のような、地味な反復処理の領域です。 理由は構造にあります。これらのタスクはルールが明確で、大量に反復され、間違いがあっても修正しやすい。さらに、処理が正しいかどうかの検証も自動化できます。つまり、自動化に適した条件が全て揃っている。 請求書処理では1件あたりのコストが15ドルから25ドルだったものが、2ドルから5ドルに下がったという報告もあります。 ## スライド7: AI生産性効果の実態 ある独立した実験で、経験豊富な開発者がAIツールを使って実際のタスクに取り組んだところ、むしろ19パーセント遅くなったという結果が出ました。さらに驚くのは、遅くなった本人たちが「20パーセント速くなった」と信じていたことです。知覚と現実に約40ポイントの乖離があります。 一方、ベンダーがスポンサーした調査では「55パーセント速くなった」と報告されています。表面的な成功報告と、独立調査が示す実態には大きなギャップがあります。 別の大規模調査でも、個人レベルでは21パーセント多くのタスクを完了できた一方、組織全体のデリバリー安定性は7.2パーセント低下したと報告されています。生成AIパイロットの95パーセントが損益計算書に対して測定可能な効果を示せていないという調査もあります。 ## スライド8: 認知バイアスの構造 なぜ効果を過大に感じるのか。3つの認知バイアスが関わっています。 自動化バイアス: 自動化された結果に過度に頼ってしまう傾向です。カーナビが遠回りのルートを案内しても従ってしまうのと同じです。 認知的オフローディング: 作業の一部をAIに肩代わりしてもらうと、負担が減った感覚がある。実際にはそれほど速くなっていなくても、「楽になった＝速くなった」と感じてしまいます。 第一印象効果: 最初の成功体験が過剰な信頼を固定化します。 これらが重なって、知覚と現実に約40ポイントの乖離が生じます。 ## スライド9: ハルシネーションの原理的限界 複数の研究チームが異なるアプローチから「ハルシネーションの完全排除は原理的に不可能」と証明しています。真実性、情報の保存、関連知識の開示、最適性。この4つを同時に満たすことが数学的にできないのです。 2026年現在でも最良モデルのエラー率は6.2パーセント。推論を強化したモデルでは逆に40パーセントから58パーセントに悪化するケースもあります。 ## スライド10: 完全自動化からハイブリッド回帰 一度は完全自動化に踏み切ったのに、結局人間との協業に戻す、というパターンがさまざまな現場で起きています。 あるフィンテック企業はカスタマーサポートの75パーセントをAIで自動化しましたが、顧客満足度が22パーセント低下し、ハイブリッドモデルに回帰しました。大手ファストフードチェーンでもAIドライブスルー注文の精度問題で100以上の店舗からシステムを撤去しています。 AI導入で人員削減した企業のうち、55パーセントが後悔を報告。再雇用コストが節約額を上回ったケース31パーセント、相殺42パーセント。合わせて73パーセントが実質的コスト節約に失敗しています。 ## スライド11: 精度比較（病理診断） 病理診断の分野で、AIと人間を組み合わせたシステムが99.5パーセントの精度を達成しました。AI単独は92パーセント、人間単独は96パーセント。組み合わせが両方を上回っています。 ## スライド12: 5変数モデル タスクの自動化レベルを決める5つの変数があります。 1つ目がタスクの構造化度。明確なルールで記述できるかどうかです。 2つ目がエラーの許容度。間違いが起きたときの深刻さです。 3つ目がフィードバックの速度。誤りをどれだけ早く検知して修正できるかです。 4つ目が暗黙知への依存度。言語化しにくい経験的な知識がどれだけ必要かです。ある研究では、質の高い成果の70パーセントが設計変数では説明できないと報告されています。 5つ目が責任帰属の重大性。AIは法的主体ではないので、責任を負えません。 ## スライド13: 構造化度×エラー許容度 構造化度とエラー許容度の2つだけでもかなり見えてきます。 構造化度が高くてエラーが許容できるタスク（請求書処理など）は完全自動化向き。構造化度が低くてもエラー許容度が高いタスク（マーケティングコンテンツ）はAI支援が有効。構造化度が高くてもエラー許容度が低いタスク（信用審査、採用）は人間の関与が必要。両方低いタスク（司法判断）は人間中心が最適です。 ## スライド14: 5変数がレベルを決定する仕組み この5つの変数の組み合わせが、5段階のレベルを決定します。全てが自動化に適した方向ならレベル1。全てが逆ならレベル5。中間の組み合わせがレベル2から4を形成します。自分のタスクがどのレベルに該当するか、この5変数で判断できるのではないかと考えています。 ## スライド15: 3つの本質的原則 次に、5変数モデルと並んで重要な3つの原則について考えてみたいと思います。 ## スライド16: 増幅器仮説 1つ目は「増幅器仮説」です。AIは万能の生産性ブースターではなく、既存の能力を増幅する装置だという考え方です。 もともとパフォーマンスが高い人はAIで10パーセントから15パーセントさらに向上します。しかし低パフォーマーはむしろ8パーセント業績が下がるという報告があります。コードの品質についても、複製が1.48倍に増えてリファクタリングが減少した。つまりAIが「安易な生成」を増幅してしまった結果です。 ここから導かれるのは、「まず修正し、次に自動化」という順序の大切さです。壊れたプロセスにAIを適用すると、問題が増幅されるだけかもしれません。 ## スライド17: 検証のボトルネック 2つ目は「検証のボトルネック」です。AIの出力速度は飛躍的に向上しましたが、その正確性を確認するコストは下がっていません。 ある調査では、AI出力の検証に従業員1人あたり週4.3時間が費やされていると報告されています。時間節約の37パーセントがAI出力のやり直しに消えている。 AI自動化の投資対効果は「生成コストの削減」ではなく「検証コストをいかに抑えるか」で決まるのではないかと考えられます。検証を自動化できるタスクほど恩恵が大きい。 ## スライド18: 理想的な実装でも残る限界 セキュリティが万全で最適な設計がなされたとしても、なお残る限界があります。それは3つの層に分かれます。 第1層は数学的・原理的な限界です。ハルシネーションの完全排除が不可能なこと。AIが自分の出力を完全に検証できないこと。Goodhartの法則で代理指標を最適化すると真の目的から逸脱すること。 第2層は人間側の制約です。認知バイアスやスキル喪失の問題があります。AIを4ヶ月使ったグループの83パーセントが要点を想起できなくなり、使用をやめた後も脳活動の低下が続いたという報告があります。 第3層は制度的・法的な制約です。EUでは高リスクAIに人間による実効的な監督が義務付けられ、違反の罰金は全世界年間売上の最大7パーセントです。 この3層は相互に独立しており、1つ解決しても他は残ります。 ## スライド19: 技術進歩で改善可能 vs 不可能 技術の進歩で改善可能なものは、精度の向上、処理速度の改善、コストの低下です。 一方、技術進歩では解消不可能なものがあります。ハルシネーション（数学的限界）、認知バイアス（人間側の問題）、法的責任の帰属（制度の問題）、スキル喪失のリスクです。 限界を前提にした設計が必要です。 ## スライド20: 実践的な3つの指針 ここまでの内容を3つの指針にまとめます。 第一に、地味な反復処理から始めること。構造化された大量反復タスクが最も高い効果を示しています。導入前に、まず対象のプロセス自体を整理すること。 第二に、Centaur型協業をデフォルトにすること。人間が判断を保持し、AIには特定のサブタスクを任せる。 第三に、限界を前提にフォールバックを組み込むこと。AIが失敗したときの代替手段を最初から設計に含める。 ## スライド21: Centaur型協業 Centaur型とは、人間とAIの間に明確な分業を維持するスタイルです。ある研究では、200名以上のコンサルタントの中で、このスタイルを取った14パーセントが最も正確性が高かったと報告されています。 一方、AIに丸投げするSelf-Automator型は、スキルもエンゲージメントも低下していた。人間が判断を保持し、AIには特定のサブタスクを任せる。丸投げではなく分業がポイントです。 ## スライド22: まとめ 覚えておいていただきたいメッセージは一つです。AI自動化を考えるとき、「どこまで自動化するか」ではなく、「どこで人間の関与を維持するか」を起点にする。 1. 「地味な反復処理」から始める 2. 「Centaur型協業」をデフォルトに 3. 限界を前提にフォールバックを組み込む --- # カスタムプロンプト 前半パート（スライド1〜14） > NotebookLMの Studio パネル → スライド資料 → 鉛筆アイコン → カスタムプロンプト欄に以下を貼り付けてください。 Generate EXACTLY 14 slides. Do NOT merge or split any slides. Do NOT add or remove any slides. ソース「解説台本」の「スライド1」〜「スライド14」の各セクションに対応するスライドを1枚ずつ作成してください。「スライド15」以降の内容はこのデッキには含めないでください。 対象: テーマに関心のある一般視聴者 トーン: Professional, calm, data-driven, accessible Presenter Slides形式 各スライドは1つの明確なメッセージに集中 # カスタムプロンプト 後半パート（スライド15〜22） > 新しいノートブックを作成し、同じソースをアップロードしてから、以下をカスタムプロンプト欄に貼り付けてください。 Generate EXACTLY 8 slides. Do NOT merge or split any slides. Do NOT add or remove any slides. ソース「解説台本」の「スライド15」〜「スライド22」の各セクションに対応するスライドを1枚ずつ作成してください。「スライド1」〜「スライド14」の内容はこのデッキには含めないでください。 このデッキは全22枚中の後半（スライド15〜22）です。前半（スライド1〜14）は別途作成済みです。デザインスタイルは前半と統一してください。 対象: テーマに関心のある一般視聴者 トーン: Professional, calm, data-driven, accessible Presenter Slides形式 各スライドは1つの明確なメッセージに集中 --- # 操作手順 ## 前半パート の生成（スライド1〜14） 1. NotebookLM (notebooklm.google.com) を開く 2. 新しいノートブックを作成 3. 上記ソースドキュメントの内容をテキストファイル（.txt、UTF-8）として保存し、「解説台本」としてソースにアップロード 4. Studio パネルで「スライド資料」を選択 5. 鉛筆アイコンをクリックしてカスタマイズ画面を開く 6. 「カスタムプロンプト 前半パート」の内容を貼り付け 7. フォーマット: 「Presenter Slides」を選択 8. 長さ: 「Default」を選択 9. 生成ボタンをクリック（3〜5分で完了） 10. プレビューで各スライドを確認（14枚になっているか、スライド14が結論調になっていないか） 11. 満足したらPPTXでエクスポート ## 後半パート の生成（スライド15〜22） 1. 新しいノートブックを作成（※前半パートとは別のノートブック） 2. 同じソースドキュメントを「解説台本」としてアップロード 3. Studio → スライド資料 → カスタマイズ 4. 「カスタムプロンプト 後半パート」の内容を貼り付け 5. 「Presenter Slides」「Default」で生成 6. 8枚になっているか確認 7. PPTXでエクスポート ## 結合手順 全パートのPPTXをPowerPoint/Google Slidesで開き、1つのファイルに統合する。 スライド順序: 前半パート → 後半パート