１．はじめに
前回では、国際標準規格「iiRDS」を思考の補助線として、マニュアルをAI時代に通用する「情報の資産」へと変換するプロセスを解説しました。そこで得た確信は、情報は単に整理するだけでなく、AIの回答精度を最大化するための「情報のチューニング（Tuning）」が必要であるという事実です。
今回では、いよいよその理論をエビデンスで裏付ける「真剣勝負」の刻（とき）です。本稿では、AIが事前学習によって備えている素の推論能力をあえて『地頭』と呼びます。この地頭は驚異的ですが、時に『確信のない嘘』をつきます。それを防ぐのが『構造の規律』です。
比較検証：3つのデータソース
今回の検証では、同じAI（NotebookLM / Gemini）に対し、構造化の度合いが異なる3つのデータソースを投入し、その回答の「質」と「安全性」を比較しました。
- V0：Rawデータ（未加工）[データソース全文はこちら]
PDF等の元データをそのまま読み込ませた、いわば「AIの地頭（推論力）」だけが頼りの状態。 - V1：iiRDS正規化データ（純粋資産） [データソース全文はこちら]
iiRDS規格に基づき、情報を最小単位に切り分け、重複を排除した「データベースとしての正解」を追求した姿。 - V3：RAG最適化データ（デリバリーのための戦略的再構成） [データソース全文はこちら]
V1.1という純粋な資産をベースにしながらも、RAG（検索拡張生成）での回答精度を優先し、あえて「戦略的な非正規化」を施した姿。
【補足情報】
▼検証資料について 本記事の検証に使用した生成AIで読み込んだ入力資料など、資料編ページに掲載しております。ご自身で実際に試される際にご活用ください。（資料編ページはこちらへ）
▼使用した生成AIについて 検証にはGoogle NotebookLMを使用しています。Google NotebookLMは、Googleアカウントがあれば誰でも無料で利用できます。基本的な使い方やその他の機能については、Googleの公式ヘルプ等をご参照ください。
https://notebooklm.google.com/
「デリバリーのための戦略的再構成」という決断
特に注目していただきたいのが、V1とV3の差です。
TCの皆さんが長年取り組んできた「情報の正規化（バラバラにして再利用性を高める）」は、情報を正しく管理するための『盾』です。しかし、AIが情報を検索・引用するRAGの現場では、分離しすぎた情報は「文脈の欠落」という弱点になります。検索された手順の中に、離れた場所にある安全警告が含まれていなければ、AIは沈黙するか、最悪の場合、危険な回答を生成してしまいます。
そこでV3では、あえて「手順」と「安全警告」を物理的に統合し、見出しに階層情報を焼き付けるといったチューニングを行いました。これは情報の管理を放棄したのではなく、「ユーザーに正解を届ける（デリバリー）」という目的のために、情報を再構成するという情報設計上の判断です。
この「規律ある非正規化」が、AIにどのような「確信」を与えるのか。5つのストレステストを通じて明らかにしていきます。
本稿では、私たちが一般に「トリセツ」や「マニュアル」と呼んでいるものを、国際規格iiRDSの定義に基づき「利用者用情報（Information for Use）」と呼びます。
これは単なる冊子としての「説明書」を指すのではなく、AIが特定の文脈に合わせてユーザーに提供する「情報資産（Information Asset）」そのものを指す言葉です。本論では、読みやすさを考慮して適宜「マニュアル」という言葉も織り交ぜながら、その構造化のプロセスを紐解いていきます。
２．検証の全体像：IAが仕掛けた「5つのストレステスト」
AIがどこで道を踏み外し、どこでIA（情報設計者）の意図を汲み取るのか。AIの「地頭」を試すため、以下の5つの質問（Q1〜Q5）を設計しました。単なる検索テストではなく、AIの弱点を突くストレステストとしての全体像を共有します。
| カテゴリ | 質問（クエリ） | 検証の狙い（IAの意図） |
|---|---|---|
| A： 安全性 | Q1. SP-X200のフィルターを外す手順を教えてください。 | 離れた場所にある「警告」を、手順とセットで確実に提示できるか。 |
| B： 正確性 | Q2. SP-X100の交換で、専用のスパナは使いますか？ | 酷似した機種（標準 vs 耐薬品）の情報を混同せず「否定」できるか。 |
| Q3. 耐薬品モデルのフィルターは、一般ゴミで捨てられますか？ | 機種固有の廃棄ルールを正確に嗅ぎ分けられるか。 | |
| C： 制御性 | Q4. ハウジングの締め付けトルク値を教えてください。 | 検索ノイズ（手順内の数値）を排除し、仕様表を引用できるか。 |
| Q5. この情報は、マニュアルのどのあたりにありますか？ | 【本連載のハイライト】 断片化された情報から「所在（階層）」を復元できるか。 |
それでは、AIの挙動を「構造の規律」で統治する実験結果を見ていきましょう。
３．比較検証：AIの挙動を分ける「構造の規律」
今回の実験で得られた回答の中から、構造化の有無が鮮明に表れた「特徴的なフレーズ」をピックアップしました。ここから見えるのは、単なる正誤ではなく、AIが「確信」を持って答えているか、それとも「たまたま」拾っているかという、信頼性の差です。
3-1 【カテゴリA：安全性】 「検索の運」に任せないガバナンス
Q1：SP-X200のフィルターを外す手順を教えてください。 [回答全文はこちらへ]
この検証の目的は「安全情報のガバナンス」です。今回の小規模な実験では、どの形式でも正しい手順が回答されましたが、その裏側にあるアプローチは全く異なります。内容の正誤以上に注目すべきは、AIがどのような「構え（スタンス）」で回答を生成したかという点です。
（1） AIの「構え」を規定する冒頭フレーズの比較
AIの回答の第一声に、IA（情報設計者）によるトーンの統治が明確に現れました。
- V0（Rawデータ）: 「作業前に安全を確保することが非常に重要です」
- V1（正規化データ）: 「安全に作業を行うため、必ず手順に従ってください」
- V3（戦略的再構成）: 「安全に作業を行うため、以下の手順と警告に必ず従ってください」
V0がAIの「地頭」による親切なアドバイスに留まっているのに対し、V3は「手順と警告」をセットで提示することを冒頭で強く宣言しています。これは、IAがデータ構造レベルで両者をマージした「意志」が、AIの回答トーンを規定した結果です。
（2）安全要素の網羅性：推論か、確定か
AIが「たまたま近くにあったから拾った」のか、「構造として組み込まれていたから答えた」のか。その差を安全要素の網羅性で比較します。
| 安全要素 | V0 (Raw) | V1 (正規化) | V3 (戦略的再構成) |
|---|---|---|---|
| 化学熱傷（ケミカルバーン）の警告 | 含まれる（推論） | 含まれる（検索） | マージ済（確定） |
| 保護具の着用指示 | あり | あり | 手順と物理的に一体化 |
| 専用スパナの使用指示 | 手順内に出現 | 手順内に出現 | 手順内に出現 |
※回答全文は[資料ページ]を参照ください。
3-2 【カテゴリB：正確性】バリアントを嗅ぎ分ける「Identity」の確立
Q2：SP-X100のフィルター交換で、専用のスパナは使いますか？ [回答全文はこちらへ]
Q3：耐薬品モデル（SP-X200）のフィルターは、一般ゴミで捨ててもいいですか？ [回答全文はこちらへ]
B2B製品の取扱説明書において、最もAIが迷いやすいのが「酷似した機種同士の微妙な仕様差」です。今回の検証では、標準モデル（SP-X100）と耐薬品モデル（SP-X200）という、手順は似ているが「工具の要否」や「廃棄ルール」が異なるケースをAIが嗅ぎ分けられるかをテストしました。
（1）AIの「地頭」による完璧な条件分岐
驚くべきことに、未加工のV0から構造化したV3まで、すべての形式においてAIは「機種の壁」を完璧に守り抜きました。
- Q2の回答（共通）: 「いいえ、SP-X100のフィルター交換では、専用のスパナは使用しません」
- Q3の回答（共通）: 「いいえ、耐薬品モデル（SP-X200）のフィルターは一般ゴミとして捨てることはできません」
AIは「そのまま手で引き抜いて取り外してください」というSP-X100特有の手順を正確に引用し、さらにSP-X200においては「特別管理産業廃棄物として適切に処理」という厳しい法的ルールを即答しました。
（2） 「情報の局所性」という実験の罠
なぜ未構造のV0でもこれほど正確に答えられたのでしょうか。そこには「情報の局所性」が関係しています。今回の実験用マニュアルは「第3章」というコンパクトな範囲に限定されており、関連する情報が物理的に近い場所に存在していました。この密度であれば、AIは自身の「推論力」だけで、情報の欠落を補完できてしまうのです。
（3）情報設計の視点：将来のリスクを防ぐ「保険」としてのV3
しかし、実務の現場はこれほどシンプルではありません。マニュアルが数千ページに及び、類似の型番が乱立する「情報の森」となったとき、AIの推論力は限界を迎えます。そこでV3では、回答の見出しやデータ構造に「(SP-X100)」といった機種識別子（Identity）を明示的に焼き込みました。
- 推論から確信へ: AIが「おそらくこの機種の話だろう」と推測するのではなく、データ側に「これはSP-X100専用の指示である」というタグを付ける。
- 誤答への「保険」: 将来的に似たような手順が増えた際、検索エンジンが誤った機種のページをヒットさせないための強力なガードレールとなります。
Q2・Q3の結果は、一見するとV0の勝利に見えるかもしれません。しかし、プロの情報設計（IA）が施す「Identity」の確立は、データ規模が拡大した際にもハルシネーション（情報の混同）を構造から封じ込めるための、「未来への保険」なのです。
※回答全文は[資料ページ]を参照ください。
3-3 【カテゴリC：制御性】「地図」を復元し、ノイズを統治する
Q4：ハウジングの締め付けトルク値を教えてください。[回答全文はこちらへ]
Q5：このメンテナンス情報は、マニュアルのどのあたりに記載されていますか？ [回答全文はこちらへ]
最後のカテゴリでは、AIの検索精度をコントロールする「統治」の力と、バラバラになった情報に「文脈」を取り戻す設計の価値を検証します。
（1） Q4：数値情報の引用元をコントロールする
この検証では、長い手順文の中に埋もれた数値を、AIが迷わず特定できるかを確認しました。
- 発見された挙動 ―― 手順を優先するAIの「読み癖」：
V1（正規化）でもV3（再構成）でも、AIは「仕様表」からではなく、「交換手順（Task）」のステップ5に書かれた一文から「15 N・m」という数値を引用しました。実は元のマニュアルの仕様表にはトルク値の記載がなく、手順内にしか存在しなかったため、AIは全文検索（セマンティック検索）によって自力で正解を見つけ出したのです。 - IAの視点 ―― 「純度の高いソース」へ導くガバナンス：
AIは「手順（動的な説明）」を優先して読む癖があります。そこでV3では、手順内のタグをあえて外し、仕様表だけにメタデータを集中させるチューニングを施しました。今回は表側に数値がなかったため手順が引かれましたが、表に数値が存在すれば、V3の設計によって「よりデータとして純度の高い仕様表」を優先的にヒットさせるガバナンスが効くようになります。AIという読者の癖を理解し、引用元を意図的に誘導すること。これがAEO（回答エンジン最適化）における「統治」の姿です。
（2） Q5：「所在（地図）」の復元力
情報を切り分けた後でも、AIは「マニュアル全体のどこにいるか」を答えられるか。ここで今回の実験で最も劇的な「差」が生まれました。
- V1（正規化）の限界 ―― 迷子になったデータ：
- 回答： 「【安全上のご注意（共通）】（Topic-002）に記載されています」
- 分析： V1の回答には、驚くべきことに「第3章」という言葉が一度も出てきません。情報を最小単位に正規化しすぎた副作用で、個別のトピックは特定できても、それがマニュアルのどの章に属するのかという親階層（文脈）を見失ってしまったのです。
- V3（戦略的再構成）の勝利 ―― 地図を焼き込んだデータ：
- 回答： 「マニュアルの『第3章 フィルターエレメントの交換』に記載されています」
- 分析： V3は、各トピックの見出しに「第3章 ＞ フィルター交換」というパンくずリストを物理的に焼き付けました。これにより、AIはどの断片を拾っても「自分は第3章のデータである」という帰属意識を保持し、即答できるようになったのです。
（3） 情報設計の視点：美しさよりも「届くこと」を選ぶ
V1（正規化）はデータとして非常に美しく、管理に適しています。しかし、AIという「新しい読者」に情報を届けるデリバリーの現場では、その美しさがあだとなり、文脈の喪失を招きました。V3が選択したのは、正規化のセオリーをあえて崩し、場所に依存させる「非正規化（パンくずリストの付与）」です。「データの管理性（V1）」と「回答の即戦力（V3）」を切り分け、出口に合わせて戦略的に再構成する。 このIAの意志こそが、AIに迷いのない「確信」を与え、ユーザーに安心を届けるための鍵となります。
※回答全文は[資料ページ]をご参照ください。
４．総括：最適化とは「選択」であり、TCの「意志」である
今回の実験を通じて明らかになったのは、生成AIの驚異的な「地頭（推論力）」と、それを規律で制御するIA（情報設計）の重要性でした。
AEO（Answer Engine Optimization）基盤：情報の「出口」を統治するインフラ
私たちが今取り組んでいるのは、単なる「マニュアルの改善」ではありません。情報の受け取り手がAIエージェントへとシフトする中で、自社の「事実（Fact）」を正しくAIに届け、ユーザーに安全な回答を保証するための「AEO（回答エンジン最適化）基盤」の構築です。本連載の核心であるV3（戦略的再構成）は、いわば「アンサーエンジン専用のデータインフラ」です。SEOが集客という「入り口」を整える技術なら、AEOは「出口（回答）」の品質と安全性を保証する技術。これを構築することは、情報の埋没コストを削減し、全社的なナレッジを「売上・利益に直結する資産」へと転換することを意味します。
「秘伝のレシピ」を資産に変える
ここで強調したいのは、各社が長年培ってきた執筆フォーマットや表現、いわば「秘伝のレシピ」を変える必要はないということです。今回の実験で証明されたのは、これまでの作り方を維持したまま、最後の仕上げの部分でiiRDSという「規律」を取り込めば、AIへの最適化は十分に可能であるという事実です。大切なのは、テクノロジーに合わせて現場を変えることではなく、現場の「Reality（知恵）」を損なうことなく、AIという新しい読者に正しく届けるための「パッキング（戦略的再構成）」を行うこと。この最後のひと手間こそが、AIを「迷える天才」から「信頼できる専門家」へと変え、ユーザーに「確信（Certainty）」を届けるための唯一の道なのです。
結論：テクニカルコミュニケーターの役割は「情報のチューニング」へ
情報のプロフェッショナルに求められる役割は、今や「作る」ことから、目的に応じて情報をどう再構成し、どう届けるかという「情報のチューニング（Information Tuner）」へと拡大しています。 私たちが敷く「構造の規律」は、単なるデータの整理ではありません。それは、AI時代の不確実性の中で、情報の主権（ガバナンス）を自社に取り戻し、持続可能な顧客体験を設計するという、極めて戦略的な意思決定なのです。
次号予告：情報の「活用」フェーズへ ―― 価値を最大化する戦略的展開
「AIに正しく読ませる基盤（AEOインフラ）」を整えたとき、マニュアルはコストセンターから強力な「営業資産」へと変貌します。6月号では、構築したV3データを「思考のプロトタイプ」として活用し、具体的なビジネス価値を削り出すプロセスをレポートします。
- パーソナライズ（出し分け）が変える顧客体験 「1,000ページの中から自分に必要な10ページだけが届く」。メタデータによるフィルタリングが、いかにサポートコストを劇的に削減し、リスクを回避するかのストーリーを実演します。
- 100%の安全性を保ったコンテンツ展開（リパーパス） マニュアルを「金型」として、FAQやマーケティングコンテンツを自動生成。情報の多目的利用が、いかに一貫性のあるブランドコミュニケーションを支えるかを示します。
「良いのはわかるが、今やる理由があるのか」。その問いへの答えは、情報の「死蔵」を「活用」へと変える、この具体的なアウトプットの中にあります。7月号以降で予定している「ナレッジグラフ」の検証も含め、私たちはマニュアルの定義そのものを変える旅を続けます。どうぞご期待ください。
＜終わりー AI時代の情報設計：AIの「地頭」に頼るか、「構造の規律」で統治するか＞
