「生成AIの有料プランを職場で契約した。それなのに、成果を出しているのは一部の社員だけ」
心当たりはないでしょうか。コーレ社が2026年1月に管理職1,008名を対象に実施した調査では、生成AIを導入している企業の約7割が「使いこなせない人によって業務に支障が出ている」と回答しています。
多くの企業はこの差を「プロンプト力の差」と考え、研修を実施します。しかし、それでも格差は埋まりません。
AIの出力品質を決めているのは、プロンプトの書き方だけでなく、その人がAIに渡せる業務情報の量だからです。
本記事では、社内のAI格差が生まれる構造を分解し、組織全体でAIの成果を底上げする具体的な手順を解説します。
-
この記事でわかること
- 社内の生成AI格差が生まれる本当の要因は、AIに渡せる業務情報の量の差
- プロンプト研修で格差が埋まらない理由は、研修が伝えるのは「書き方」であり、「書く中身」は増えないから
- 格差を解消するための4つのステップは、①可視化 ②渡す文脈の特定 ③書き残す場所の一本化 ④プロンプトごとの共有
出典：コーレ株式会社「2026年最新・企業の生成AIの利用実態」（2026年1月調査／管理職1,008名）
目次
社内で起きている「生成AI格差」とは
同じツール・同じ料金なのに、成果は同じにならない
生成AIの法人契約は、多くの場合ユーザー単位の課金です。全社員に有料プランを配れば、全員が同じモデルに、同じ機能で、同じだけアクセスできます。ツールの性能差はゼロです。
それにもかかわらず、現場ではこうした声が上がります。
- 提案書の下書きをAIに作らせても、そのまま使える人と結局ゼロから書き直す人がいる
- 同じ議事録を要約させても出てくる粒度がまるで違う
- 「AIに聞いてみて」と伝えた新人が一般論しか持ってこない
投入されているツールは同一なのに、産出される成果だけが揃わない。これが多くの企業で起きている状態です。
そしてこの差は、時間が経てば縮まるものではありません。使いこなせる社員はAIによってさらに処理量を増やし、使いこなせない社員は「自分でやったほうが早い」と離脱していきます。放置すれば、差は開くばかりです。
データで見る、格差の実態
生成AIの利用に格差が生じることは、すでに研究でも指摘されています。千葉大学予防医学センターの研究チームが全国のインターネット利用者約13,000人を対象に実施した調査では、AI利用者は全体の約2割にとどまり、年齢・学歴・職種・デジタルリテラシーなどの要因によって明確な格差が存在することが示されました。研究チームはこれを「AI格差」と呼んでいます。
ただし、この調査が捉えているのは「使うか、使わないか」という段階の格差です。全社に有料プランを配った企業で起きているのは、その次の段階の問題でしょう。
コーレ株式会社が2026年1月に管理職1,008名を対象に実施した調査では、生成AIを導入している企業の約7割が「生成AIを使いこなせない人によって業務に支障が出ている」と回答しています。全員がアクセスでき、実際に使っている。それでも成果が揃わないという状態が、すでに多数派になっています。
出典：千葉大学「生成AIを使う人・使わない人の違いが明らかに」（Telematics and Informatics, 2025／DOI: 10.1016/j.tele.2025.102360）
出典：コーレ株式会社「2026年最新・企業の生成AIの利用実態」（2026年1月調査／管理職1,008名）
社内で起きている「AI文脈格差」とは
同じツールを使い、同じ料金を払っているのに、出てくる成果が違う。この現象には名前がついていません。本記事ではこれを「AI文脈格差」と呼びます。
AI文脈格差とは、生成AIに与えられる業務文脈 —— 顧客の背景、過去の判断理由、社内ルール —— の量の差によって、同じAIを使っても出力品質に差が生まれる現象のことです。
重要なのは、能力の格差ではないという点です。文脈は個人の才能ではなく、その人が組織の中でどれだけの情報にアクセスできてきたかで決まります。入社10年の課長と入社半年の社員では、後者が優秀であっても、手元にある情報量が違います。
そして情報量の差は、研修では埋まりません。研修で伝えられるのは「書き方」であり、「書く内容」ではないからです。
「プロンプト力の差」という通説は、なぜ間違いなのか
プロンプト研修を実施しても、格差が埋まらない
AI格差に気づいた企業が最初に打つ手は、ほぼ例外なくプロンプト研修です。
書き方には型がある。役割を与え、条件を明示し、出力形式を指定する。こうした技術を教えれば、全員が同じように使えるようになるはずだ —— という発想です。実際、生成AIの解説記事の多くは「差を分けるのはプロンプト力である」と結論づけています。
研修自体は無駄ではありません。まったく触っていない社員に入口を作る効果は確実にあります。
問題は、その後です。研修を実施した企業から繰り返し聞かれるのが、「利用率は上がったが、成果の差は変わらなかった」という声です。受講直後は全員がフォーマット通りのプロンプトを書きます。しかし数週間後、出てくるアウトプットの質は元の分布に戻っています。
型を教えたのに差が残る。ここに、通説の限界が現れています。
操作スキルが高い＝成果が出る、ではない
コーレ株式会社の調査結果では、使いこなせない層として最も多く挙げられたのは、課長・リーダー職でした。
この層は、業務知識では社内で最も厚い部類に入ります。顧客の経緯も、過去の失敗も、決裁の勘所も知っています。それでも、社内では「使いこなせない」と評価されてしまっているのです。
一方、ツール操作に抵抗のない若手が、すらすらとプロンプトを書きながら、当たり障りのない一般論しか引き出せないという光景も、同じ職場で起きています。
両者を並べると、操作スキルと成果は、そのまま比例しないことが見えてくるのではないでしょうか。
- 知識はあるが、AIに渡す形にできていない層 → 成果が出ない
- 操作はできるが、渡す知識を持っていない層 → 成果が出ない
症状は同じ「使いこなせない」ですが、原因は正反対です。研修という単一の処方箋が効かないのは、そもそも別の病気を同じ薬で治そうとしているからです。
AIの出力品質を決める式
ここまでの話を、ひとつの式で整理します。
AIの出力品質 ＝ 生成AIモデルの性能 × 入力される業務知識量
全社に同じ有料プランを配ったのなら、左側の「AIモデル性能」は全員同じです。出力品質の差を生んでいるのは、右側の項しかありません。
プロンプト技術は、この式のどこに位置するのか。技術は、持っている知識を漏れなく入力に変換するための効率係数です。手元に知識が10あれば、技術によって8伝わるか、5しか伝わらないかが変わります。しかし、手元が0であれば、技術をいくら磨いても出力は0のままです。
これが、プロンプト研修だけでは格差が埋まらない理由です。研修は係数を改善しますが、変数そのものを増やす施策ではありません。
では、その「入力される業務知識量」とは、具体的に何を指すのでしょうか。
新人とベテランで、なぜ出力結果が変わるのか
同じ依頼、違う結果
具体例で見ていきます。「取引先A社への値上げ交渉メールの下書きをAIに作らせる」という、どの会社でも起こりうる場面です。
入社半年の社員が書いたプロンプト
取引先に値上げをお願いするメールを作ってください。丁寧な文面でお願いします。
条件も出力形式も指定されており、プロンプトとしての形は整っています。研修で教わった通りです。
返ってくるのは、原材料費の高騰に言及し、日頃の感謝を述べ、何卒ご理解をお願いする —— という、検索すれば出てくるテンプレートです。悪くはありませんが、そのまま送れるものではありません。
同じ依頼を、担当10年の課長が入力した場合
取引先A社への値上げ交渉メールの下書きを作成してください。
・A社とは8年の取引。窓口は購買部のB課長で、稟議を通すために社内向けの根拠資料を必要とするタイプ
・前回2年前の値上げ時は、3%の要請に対し交渉の末2%で着地
・今回は原材料費が前年比12%上昇しており、5%を要請したいが、初回提示は7%としたい
・A社は年度末の3月に予算が固まるため、それ以前に打診する必要がある
・過去、他社が一方的な通知形式で送って関係が悪化した経緯があるため、相談ベースの文面にすること
出てくるのは、B課長が社内稟議に転用しやすい根拠の並べ方をした、相談形式の文面です。少し手を入れれば、送れる状態で返ってきます。
差はどこにあったか
2つのプロンプトを比べたとき、文章技術の差はほとんどありません。課長の入力は、丁寧語ですらない箇条書きです。
違うのは、書かれている情報の中身です。
| 課長が書いた情報 | 新人が持っていなかったもの |
| 窓口担当者の思考傾向 | 誰がどう判断するかの人物情報 |
| 前回交渉の着地点 | 過去の判断理由と結果 |
| 原価上昇率という具体数値 | 社内の一次データ |
| 交渉の初回提示と落とし所 | 自社の判断基準・相場感 |
| 他社の失敗事例 | 過去に起きたトラブルの記憶 |
これらは、プロンプトの書き方を学んでも手に入りません。10年かけて蓄積された、その組織固有の情報です。
新人のプロンプトが一般論を返したのは、書き方が下手だったからではなく、一般論しか入力されていなかったからです。AIは入力された範囲でしか答えられません。
プロンプト原資という考え方
プロンプト原資とは、人がAIに入力できる業務知識のストックのことです。
プロンプト力が「書く技術」であるのに対し、プロンプト原資は「書く中身の在庫」を指します。
この2つは、しばしば混同されます。ベテランのアウトプットを見た人は「あの人はAIの使い方がうまい」と評価します。しかし実際に起きているのは、在庫が潤沢な人が、その在庫を投入しているというだけのことです。
在庫がなければ、どれだけ丁寧に書いても中身は増えません。逆に、在庫さえあれば、箇条書きの雑な入力でも実用的な出力が返ってきます。先ほどの課長の例が、まさにそれです。
そして原資は、個人の努力で急には増えません。10年の経験は、10年かけないと手に入らない —— 組織の外から見れば、そう見えます。
しかし、この前提は本当に正しいのでしょうか。課長が持っていた5つの情報を、もう一度見てください。B課長の思考傾向も、前回の着地点も、他社の失敗事例も、本来は組織が経験したことです。課長個人が発明したものではありません。
格差の正体は、情報が個人に閉じていること
なぜ、課長だけが文脈を持っているのか
前章の値上げ交渉の例に戻ります。課長がプロンプトに書き込んだ情報を、あらためて見てください。
B課長が稟議のために根拠資料を求めるタイプであること。2年前の交渉が3%要請から2%で着地したこと。他社が通知形式で送って関係を悪化させたこと。
これらはすべて、会社として経験した出来事です。課長が個人的に発見した秘訣ではありません。取引はA社と自社の間で行われ、交渉には上長の承認があり、他社の失敗は業界内で共有された情報でした。
にもかかわらず、いま参照できるのは課長ひとりです。理由は単純で、どこにも書かれていないからです。2年前の交渉結果は、当時の担当者のメールと、記憶の中にあります。B課長の人物評は、商談後の雑談で共有されたきりです。他社の失敗事例は、どこかの会議で話題に出たまま流れました。
記録されなかった経験は、経験した本人の中にしか残りません。これが情報の属人化です。
チャット・メール・個人メモに散った情報は、AIに渡せない
多くの企業では、情報が「まったく存在しない」わけではありません。むしろ大量にあります。ただし、取り出せない場所にあります。
- 個人宛のメールボックス
- 1対1のチャットのやりとり
- 参加者しか見ていない会議のメモ
- 各自のローカルフォルダに置かれた資料
こうした場所にある情報は、本人以外がアクセスできません。検索することも、参照することもできません。存在しないのと、実務上は同じです。
ここに、生成AI時代特有の問題が加わります。
AIに何かを依頼するとき、人は自分が思い出せる情報しか入力できません。メールボックスを遡って探すという行為は、AIを使う数十秒のあいだには発生しないからです。
つまり、情報が散在している組織では、AIに渡せる情報＝その人が記憶している情報という等式が成り立ってしまいます。記憶量は経験年数に比例します。結果として、AIの出力品質が在籍年数に比例するという構造ができあがります。
前章で見たプロンプト原資の差とは、突き詰めればこれです。在庫がないのではなく、在庫が個人の頭の中にしか置かれていないのです。
属人化のリスクが「退職」から「日々の生産性」に変わった
属人化は、目新しい課題ではありません。長らく指摘され続けてきました。
ただし、これまで語られてきたリスクは、主に将来に発生するものでした。担当者が辞めたら業務が止まる。異動のたびに引き継ぎで消耗する。だから記録を残しましょう、と。
このロジックには、弱点がありました。リスクが発生するのが「いつか」であることです。退職も異動も、今日は起きません。今日は忙しい。だから記録は後回しになる。多くの企業でナレッジ共有の取り組みが形骸化してきたのは、この構造が原因です。
ただ生成AIの普及は、この前提を変えました。
情報が書き残されていないことによる損失が、退職時ではなく、今日この瞬間に発生するようになったからです。書かれていない情報はAIに渡せず、渡せなければ出力は一般論に留まり、その社員の生産性は上がりません。これが毎日、全社員分、積み重なります。
属人化はもはや、将来に備えるための課題ではありません。支払い済みのAIライセンスを機能させられるかどうかを、今日決めている要因です。
では、具体的に何をすればよいのでしょうか。
社内のAI格差を埋める4ステップ
これまで、AI文脈格差の原因は「情報が個人に閉じていること」にあると整理しました。ここからは、実際に何をすればよいかを4つのステップで解説します。
重要なのは、いきなり外部ツールを導入しないこと。順番を飛ばすと、運用されない記録の置き場が増えるだけになります。
STEP1｜格差を可視化する
最初にやるべきは施策の実行ではなく、現状の把握です。誰がどこで詰まっているかを知らないまま研修やツール導入に進むと、効果を測定できません。
やり方はシンプルで、成果が出ている社員と出ていない社員の、実際の入力内容を見比べます。プロンプトのスクリーンショットを数件ずつ提出してもらうだけで十分です。
以下の項目のうち、いくつ当てはまるか確認してください。
- AIの出力をそのまま使える社員と、毎回大幅に書き直す社員に分かれている
- 成果を出している社員は、在籍年数が長い傾向がある
- プロンプト研修を実施したが、成果の差は変わらなかった
- 「AIに聞いて」と指示した若手が、一般論を持ってくることがある
- 過去の類似案件の経緯は、担当者に聞かないと分からない
- 顧客ごとの注意点や判断基準が、文書化されていない
- 契約している有料プランのうち、実質的に使われていない席がある
3つ以上該当する場合、AI文脈格差が発生している可能性が高いと考えてください。特に5・6にチェックが付く場合、原因は個人のスキルではなく情報の置き場所にあります。
STEP2｜AIに渡すべき文脈を特定する
次に、何を書き残すかを決めます。ここで範囲を広げすぎると失敗します。
「社内のすべての知識を文書化する」という目標を立てた取り組みは、まず続きません。分量が膨大で、しかも書いた情報が使われる保証がないからです。
絞り込みの基準は、AIに入力したときに出力が変わる情報かどうかです。前章の値上げ交渉の例で言えば、以下の4種類が該当します。
| 種類 | 具体例 |
| 相手の情報 | 窓口担当者の役職・判断傾向・過去の反応 |
| 過去の判断 | 前回いくらで着地したか・なぜその条件にしたか |
| 自社の基準 | 値引きの上限・決済ライン・譲れない条件 |
| 失敗の記録 | 過去に関係が悪化した経緯・クレームの原因 |
逆に、マニュアル化された手順や、検索すれば出てくる一般知識は優先度が低いと考えて構いません。それらはAIがすでに知っています。組織固有で、かつ判断に影響する情報だけを対象にしてください。
まずは1チーム、1業務から始めることを推奨します。
STEP3｜書き残す場所を一本化する
情報を書く先が複数あると、それ自体が新しい分断を生みます。「あの件はどこに書いてあるか」を探す時間が発生した時点で、AIに渡すという目的は果たせません。
情報を残す場所を選ぶ要件は、次の3点です。
1. 書くハードルが低いこと
体裁を整える必要があるツールは、続きません。値上げ交渉の顛末を残すのに、様式に沿った報告書を書けと言われれば、誰も書かなくなります。チャットに投稿する程度の手間で残せることが最低条件です。
2. 誰でも同じように取り出せること
書いた本人しか場所を把握していない状態は、保存先が変わっただけで属人化と同じです。検索して見つかること、フォルダ構造が直感的であることが必要になります。
3. 情報が流れていかないこと
チャットツールは書くハードルこそ低いものの、投稿は時系列で流れます。3か月前のやりとりを探し出すのは現実的ではありません。蓄積されるストック型の置き場所が別途必要です。
STEP4｜成果が出たプロンプトごと共有し、資産にする
最後のステップは、AI活用そのものを記録対象に含めることです。
うまくいったプロンプトが個人のチャット履歴に残るだけでは、また同じ構造が繰り返されます。成果が出た入力内容を、結果とセットで共有してください。
このとき重要なのは、プロンプト単体ではなく、そこに書き込まれた前提情報ごと残すことです。前章で見た通り、成果を分けているのは書き方ではなく中身でした。テンプレート集を配布しても、埋める中身がなければ機能しません。
この運用が回り始めると、書く動機の構造が変わります。
これまで社内に情報を書き残す行為は、引き継ぎや退職への備えという、将来のためのものでした。手間の割に、書いた本人への見返りがありません。
一方、AI環境下では、書き残した情報がそのまま自分のAIへの入力材料になります。書いた本人が、その日のうちに出力品質の向上という恩恵を受けられます。この転換が、定着率を左右します。
次章では、この4ステップと、研修・プロンプト集・RAGといった他の打ち手との違いを整理します。
研修・プロンプト集・RAGとの違い
AI格差への対策は、この記事で挙げた方法だけではありません。すでに検討中、あるいは実施済みの施策もあるはずです。
ここでは主要な4つの打ち手について、それぞれ何に効き、何には効かないのかを整理します。結論から言えば、これらは競合する選択肢ではなく、効く層が違います。
4つの打ち手の効果と限界
| 打ち手 | 効果があること | 効果がないこと | 向いている状況 |
| プロンプト研修 | 未着手層の入り口を作る | 入力する中身を増やす | 導入直後。利用率そのものが低い段階 |
| プロンプト集の配布 | 定型業務の標準化 | 非定型判断を伴う業務への対応 | 文書作成など型が決まった業務中心の場合 |
| RAG・社内AI検索 | 検索工数の削減 | 参照先の文章そのものを生み出す | 蓄積済みの文書資産がすでにある場合 |
| 文脈の蓄積・共有 | 入力できる情報量そのものを増やす | 即効性が低く、蓄積に時間がかかる | 情報が個人のチャット・メールに散在している場合 |
研修とプロンプト集は「係数」に効く施策です。前章の式で言えば、持っている知識を漏れなく入力に変換する効率を上げます。すでに知識を持っている層には有効です。
一方、文脈の蓄積は「変数」に効きます。手元の在庫そのものを増やすため、新人や異動直後の社員に効果が出ます。
自社がどちらを必要としているかは、STEP1のチェックリストで判定できます。項目5・6（過去の経緯や判断基準が文書化されていない）に該当するなら、係数をいくら改善しても頭打ちになります。
RAGを検討する前に確認すべきこと
近年、AI格差の解決策としてRAG（検索拡張生成）の導入が語られる機会が増えました。社内文書をAIに参照させる仕組みで、実際に有効な技術です。
ただし、導入前に確認すべきことがあります。
RAGは、検索の精度を上げる仕組みであって、情報の蓄積を代行する仕組みではありません。
参照先に文書が存在していれば、AIはそれを読み込んで回答します。しかし、参照先に何もなければ、返ってくるのは一般論です。この点は、RAGを導入しても変わりません。
導入プロジェクトで実際に起きやすいのは、次のような状況です。
- 参照させる文書が数年前のもので、現状と合っていない
- そもそも文書化されておらず、個人のメールにしか経緯がない
- フォーマットがばらばらで、AIが文脈を読み取れない
技術的な構築は完了しているのに、回答の質が上がらないというケースは珍しくありません。原因は仕組み側ではなく、参照先の中身にあります。
したがって、RAGの検討にあたっては、事前に以下を確認してください。
- AIに参照させたい情報が、実際にどこに、どの程度存在するか
- その情報は、最新の状態に保たれているか
- 更新され続ける運用になっているか
3つとも満たしているなら、RAGは有力な選択肢です。満たしていない場合、先に着手すべきはSTEP2〜3になります。順序を逆にすると、投資回収ができません。
次章では、AI格差を放置した場合に、どの程度のコストが発生しているのかを試算します。
AI格差を放置したときのコスト
ここまでは、AI格差が「なぜ起きるか」「どう解消するか」を見てきました。最後に、放置した場合に何が失われているのかを整理します。
社内で予算を確保する、あるいは経営層に説明する場面では、この章の内容が必要になります。
使われていないライセンス費用
生成AIの法人プランは、多くの場合ユーザー単位の課金です。全社員に配布した時点で、利用状況にかかわらず費用は発生し続けます。
仮に、以下の条件で試算してみます。
| 項目 | 前提 |
| 従業員数 | 100名 |
| 単価 | 1人あたり月額3,000円 |
| 年間総額 | 360万円 |
ここで問題になるのが、実際に成果を出している社員の割合です。
前章までで見た通り、導入企業の約7割が「使いこなせない人によって業務に支障が出ている」と回答しています。仮に成果を出せている社員が3割だとすると、360万円 × 70% = 年間252万円分が、成果に結びついていない計算になります。
この数字は、あくまで機械的な試算です。使っていない社員がゼロの成果というわけではありませんし、実態は企業ごとに異なります。重要なのは金額の精度ではなく、コストが「全員分」発生している一方、リターンが「一部の社員分」しか出ていないという構造です。
そしてこの構造は、契約を続ける限り毎年繰り返されます。
レビュー・手戻りという見えないコスト
より大きな損失は、実は請求書に現れない部分にあります。
AIの出力をそのまま使えない社員が作った資料は、誰かが確認し、修正します。その役割を担うのは、多くの場合、業務知識が豊富な上長です。
つまり、AI格差が存在する組織では、AIを最も使いこなせる層の時間が、レビューに消費されます。
- 新人がAIで作った提案書を、課長が全面的に書き直す
- 「AIで作りました」という前提があるぶん、確認の目が細かくなる
- 修正の理由を説明する時間が別途発生する
導入前と比べて、作成時間は短縮されました。しかし、レビュー時間が増えていれば、組織全体の総工数は減っていません。むしろ、判断能力の高い人材の時間を圧迫している場合すらあります。
「AIを導入したはずなのに、現場が楽になった実感がない」という声の背景には、この構造があります。生産性の指標を作成時間だけで測ると、この損失は可視化されません。
コストの発生源は、判断の遅れではなく情報の不在
この2つの損失に共通しているのは、原因がAIの性能でも、社員の能力でもないという点です。
必要な情報が個人の中にしか存在しないため、
- 持っていない社員は、AIから一般論しか引き出せない
- 持っている社員は、その尻拭いに時間を使う
という配分が固定されます。ライセンス費用は全員分、成果と負荷は偏在する。この状態が続く限り、追加のライセンス購入も、上位プランへの切り替えも、投資対効果は改善しません。
支払い済みのコストを機能させる条件は、モデルの性能ではなく、渡せる情報が組織に存在するかどうかです。
次章では、この条件を満たすための具体的な手段を紹介します。
情報共有ツール「Stock」で、文脈を組織の資産にする
「書き残すハードルの低さ」が要件になる理由
STEP3で挙げた3つの要件を、もう一度確認します。
- 書くハードルが低いこと
- 誰でも同じように取り出せること
- 情報が流れていかないこと
このうち、実際の運用で最も軽視され、かつ最も失敗の原因になるのが1つ目です。
高機能なナレッジ管理ツールを導入しながら定着しなかった、という経験を持つ企業は少なくありません。原因は機能不足ではなく、その逆であることが多いのです。
- 項目が多く、入力に時間がかかる
- テンプレートに沿って書く必要がある
- 公開範囲や権限の設定を毎回考える必要がある
こうした要素がひとつ増えるごとに、「後で書こう」という判断が発生します。そして後で書かれることは、ほとんどありません。
前章までで見た通り、AIに渡すべき情報は、日々の業務の中で発生する断片です。商談後に気づいた相手の判断傾向、交渉の着地点、うまくいかなかった対応の理由。これらは報告書にまとめるほどの分量ではなく、しかし記録されなければ失われます。
求められるのは、思い出した瞬間に、数十秒で残せる仕組みです。
Stockの特徴と、AI格差解消における位置づけ
Stockは、チームの情報を「ノート」という単位で蓄積・共有する情報共有ツールです。
書くハードルの低さ
ノートにテキストを入力し、必要ならファイルを添付するだけで記録が完了します。ITツールに不慣れなメンバーでも扱えるシンプルさを重視した設計になっており、新人を含む全員が書き手になれることが、AI格差の解消では特に重要になります。
流れず、探せる
チャットツールと異なり、投稿は時系列で流れていきません。フォルダで整理され、検索によって後から取り出せます。3か月前の交渉経緯を、担当者に聞かずに参照できる状態を作れます。
案件単位で文脈がまとまる
ノートにはメッセージ機能が紐づいており、その情報に関するやりとりを同じ場所に残せます。結論だけでなく、なぜその判断に至ったかという経緯ごと蓄積される点が、AIに渡す文脈としては大きな価値を持ちます。
前章の値上げ交渉の例で言えば、A社との過去の交渉記録がノートとして残っていれば、担当が代わっても、入社半年の社員でも、同じ前提情報をAIに入力できます。プロンプト原資が、個人ではなく組織に属する状態です。
導入イメージ
全社一斉に始める必要はありません。STEP2で述べた通り、まずは1チーム、1業務から始めるのが現実的です。
| 対象 | 記録する内容 |
| 営業 | 顧客ごとの担当者情報、商談経緯、過去の提案と結果 |
| カスタマーサポート | 問い合わせ対応履歴、判断に迷ったケースと結論 |
| 管理部門 | 社内規程の運用実態、過去の申請の可否判断とその理由 |
いずれも、AIに入力すれば出力が変わる情報です。逆に言えば、これらが書かれていない限り、どのAIツールを使っても出力は一般論に留まります。
Stockは、契約前に無料で試用できます。まずは1チームで運用し、STEP1のチェックリストの状態が変化するかを確認してみてください。
よくある質問
Q1. プロンプト研修をすれば、社内のAI格差は埋まりますか？
部分的にしか埋まりません。研修で改善できるのは指示の出し方であり、指示に盛り込む業務知識そのものは増えないためです。
AI文脈格差とは、生成AIに与えられる業務文脈 —— 顧客の背景、過去の判断理由、社内ルール —— の量の差によって、同じAIを使っても出力品質に差が生まれる現象のことです。この定義の通り、格差の原因は書き方ではなく持っている情報の量にあります。
研修を実施した企業から「一時的に利用率は上がったが、成果の差は変わらなかった」という声が出るのは、このためです。研修は入口として有効ですが、それだけでは不十分だと考えてください。
Q2. AI格差は、新人や若手だけの問題ですか？
いいえ、管理職でも起こります。コーレ株式会社が2026年1月に管理職1,008名を対象に実施した調査では、生成AIを使いこなせない層として最も多く挙げられたのは課長・リーダー職でした。
業務知識が豊富であっても、それがAIに渡されなければ出力には反映されません。逆に言えば、知識を持っていることと、AIに入力できる形になっていることは別です。ベテランほど暗黙のうちに判断しているため、かえって言語化されにくいという側面もあります。
出典：コーレ株式会社「2026年最新・企業の生成AIの利用実態」（2026年1月調査／管理職1,008名）
Q3. RAGや社内AI検索を導入すれば解決しますか？
渡せるデータが社内に存在していれば、有効です。RAGは社内文書をAIに参照させる仕組みであり、参照先そのものを作り出す機能はありません。
多くの企業がRAG導入後に直面するのは、「参照させる文書が古い」「そもそも書かれていない」「個人のチャット履歴やメールにしかない」という問題です。RAGは検索の精度を上げる仕組みであって、情報の蓄積を代行する仕組みではない、と理解してください。
導入を検討する前に、参照させたい情報が実際にどこに、どの程度存在するかを確認することをおすすめします。
Q4. まず何から着手すべきですか？
格差の可視化からです。誰がどの業務でAIを使えていて、どこで詰まっているかを把握しないまま施策を打つと、効果を測定できません。
本記事のSTEP1で挙げたチェックリストを使い、成果が出ている社員と出ていない社員の入力内容を比較してください。多くの場合、差はプロンプトの長さや技術ではなく、前提情報が書かれているかどうかに現れます。
Q5. ツールを導入しても、結局誰も書いてくれないのでは？
書く動機が変わっている点が、従来との違いです。これまで社内に情報を書き残す動機は「引き継ぎのため」「退職リスクへの備え」といった、将来のための行為でした。手間の割に、書いた本人には見返りがありません。
一方、生成AI環境下では、書き残した情報がそのままAIへの入力材料になります。書いた本人が、その日のうちに出力品質の向上という形で恩恵を受けられます。動機の構造が変わったことが、定着率を左右します。
そのうえで、書くこと自体のハードルを下げるツール選定が必要になります。
まとめ
生成AIを全社導入したにもかかわらず成果が一部の社員に偏る現象は、能力やリテラシーの差では説明がつきません。実際、コーレ株式会社の調査では、使いこなせない層として最も多く挙げられたのは業務経験の厚い課長・リーダー職でした。
差を生んでいるのは、AIに渡せる業務情報の量です。
AI文脈格差とは、生成AIに与えられる業務文脈 —— 顧客の背景、過去の判断理由、社内ルール —— の量の差によって、同じAIを使っても出力品質に差が生まれる現象のことです。
同じ有料プランを配った時点で、モデルの性能は全員同じです。それでも出力が揃わないのは、入力される情報が揃っていないからです。プロンプト研修が期待した効果を生まないのは、研修が伝えられるのは「書き方」であって「書く内容」ではないためです。
そして、その情報は本来、組織が経験してきたものです。取引先の判断傾向も、過去の交渉の着地点も、失敗の経緯も、会社として通過した出来事でした。それが特定の個人にしか残っていないのは、記録されなかったからにすぎません。
この記事の要点
- AI格差の原因は、スキルではなく、その人がAIに渡せる情報量にある
- 情報が個人のメール・チャット・記憶にある限り、渡せるのは「思い出せる範囲」に限られる
- 結果として、AIの出力品質が在籍年数に比例する構造ができる
- 研修やプロンプト集は変換効率を上げるが、情報量そのものは増やさない
- RAGは検索精度を上げる仕組みであり、蓄積を代行する仕組みではない
- 損失はライセンス費用だけでなく、ベテランのレビュー工数として発生している
属人化という課題は、以前から指摘されてきました。ただし従来語られてきたリスクは、退職や異動といった「いつか起きること」でした。だからこそ後回しにされ、多くの取り組みが形骸化してきました。
生成AIの普及は、その前提を変えています。書き残されていない情報による損失が、今日この瞬間に、全社員分、発生するようになったためです。
裏を返せば、これは記録する動機が変わったということでもあります。これまで社内に情報を残す行為は、将来の誰かのためのものでした。いまは、書いた本人がその日のうちに出力品質の向上という形で恩恵を受けられます。
まずは1チーム、1業務から始めてください。AIに入力すれば出力が変わる情報は何かを特定し、それを誰もが取り出せる場所に残す。この積み重ねが、支払い済みのライセンスを機能させる条件になります。
情報共有ツール「Stock」は、日々発生する業務の断片を、手間をかけずに蓄積・共有するために設計されています。AI格差の解消に取り組む第一歩として、ぜひご検討ください。
