専門家一覧
Teamsのチャット履歴からAIを使って重要な決定事項をピンポイントで検索する方法

Teamsチャットの「あの件」を特定する：Graph API×LLMによる決定事項抽出の実装

この記事は急速に進化する技術について解説しています。最新情報は公式ドキュメントをご確認ください。

約13分で読めます
文字サイズ:
Teamsチャットの「あの件」を特定する：Graph API×LLMによる決定事項抽出の実装
目次

この記事の要点

  • Teamsチャットの決定事項検索の課題を解決
  • AI（LLM）による文脈理解と意味検索
  • Microsoft Graph APIとAzure OpenAIの連携

「あの件、どうなったっけ？」をゼロにする技術

「先週のチャットで決まった仕様変更、どこだっけ？」

膨大なTeamsのログから、たった1つの決定事項を探し出すためにスクロールし続ける時間は、エンジニアにとって苦痛以外の何物でもありません。Teams標準の検索バーにキーワードを打ち込んでも、ヒットするのは無関係な挨拶や雑談ばかり。肝心の「結論」は、前後の文脈の中に埋もれています。

私たちは今、単なる文字列マッチング（キーワード検索）の限界に直面しています。人間は「意味」で記憶しますが、従来の検索エンジンは「文字」しか見ないからです。

本記事では、このギャップを埋めるためのエンジニアリングアプローチを紹介します。Microsoft Graph APIを使って生データを取得し、LLM（大規模言語モデル）の推論能力を使って「決定事項」という構造化データを抽出する。これをPythonで実装し、チームの生産性を劇的に向上させるためのブループリントを描きます。

これは単なる検索ツールの自作ではありません。非構造化データ（チャット）からビジネス価値（合意）を精製する、AIパイプライン構築の実践ガイドです。まずは動くプロトタイプを作り、技術の本質を検証していきましょう。

なぜ「キーワード検索」では決定事項が見つからないのか

技術的な観点から見ると、従来の検索システムが失敗する理由は明白です。それは「決定」という行為が、単一のメッセージではなく、一連のやり取り（シーケンス）の結果として発生する状態変化だからです。

キーワードマッチの限界とセマンティック検索

例えば、「サーバーのスペックを増強する」という決定がなされた会話を想像してください。

Aさん: 「メモリ不足のエラー頻発してるね」
Bさん: 「倍に増やそうか？」
Aさん: 「了解。それでいこう」

この会話ログの中に「決定」や「合意」という単語は存在しません。「サーバー」という単語すら省略されることもあります。キーワード検索で「サーバー 決定」と打っても、この重要なやり取りはヒットしません。これが文脈（Context）の喪失です。文脈を的確に捉え、その背後にある意味を汲み取るためには、単なる文字列の一致ではなく、セマンティックなアプローチが不可欠となります。

「決定事項」の構造定義

LLMに抽出させるためには、まず「決定事項とは何か」をシステム的に定義する必要があります。実務において精度の高い抽出を行うためには、一般的に以下の3要素が揃ったものを「決定事項（Decision Item）」と定義することが推奨されます。

  1. Trigger (起因): 議論のきっかけとなった課題
  2. Proposal (提案): 提示された解決策
  3. Agreement (合意): 提案に対する承認（「いいね」「了解」「採用」など）

この3つが時系列で並んだブロックを検出することが、今回のミッションです。非構造化データであるチャットログからこの論理構造を見つけ出すことで、初めて意味のあるデータとして活用可能になります。

本記事で構築するシステムの全体像

今回構築するパイプラインはシンプルかつ強力です。特に解析エンジンには、文脈理解と論理推論に優れた最新のモデルを採用します。2026年2月時点の最新情報に基づき、システムに組み込むべき推奨アーキテクチャは以下の通りです。

  1. Collector: PythonスクリプトがGraph API経由でTeamsチャネルのメッセージを取得。
  2. Processor: テキストクリーニングと匿名化処理。
  3. Analyzer: OpenAIのGPT-5.2モデルが会話履歴を解析し、決定事項をJSON形式で抽出。
  4. Presenter: 結果をCSVやMarkdownレポートとして出力。

ここで極めて重要になるのが、解析を担うAIモデルの選定です。OpenAIの公式情報によると、2026年2月13日をもってGPT-4oなどのレガシーモデルは廃止されました。そのため、新たにシステムを構築する場合は、100万トークン級のコンテキストウィンドウと高度な推論能力を備えたGPT-5.2を標準モデルとして採用する必要があります。既存の抽出システムでGPT-4o等を使用している環境においては、プロンプトをGPT-5.2で再テストし、速やかに移行作業を行うことが求められます。

また、本システム自体を開発・実装するコーディングタスクにおいては、2026年2月に発表されたエージェント型コーディングモデルであるGPT-5.3-Codexを活用することで、開発効率を飛躍的に高めることが可能です。用途に応じた最適な最新モデルを選択することで、変化に強く精度の高い決定事項の抽出パイプラインを構築できます。

環境構築：Graph APIへのセキュアなアクセス権限設定

なぜ「キーワード検索」では決定事項が見つからないのか - Section Image

コードを書く前に、Azure側で「通行手形」を発行する必要があります。企業のセキュリティポリシーに関わる部分なので、慎重な設定が必要です。

Azure AD（Entra ID）でのアプリ登録手順

まず、Microsoft Entra ID（旧Azure AD）にアプリケーションを登録し、APIへのアクセス権を付与します。

  1. Azure Portalにログインし、「アプリの登録」へ移動。
  2. 「新規登録」をクリックし、適当な名前（例: Teams-Decision-Extractor）を入力。
  3. アカウントの種類は「この組織ディレクトリのみに含まれるアカウント」を選択。

必要最小限のGraph APIスコープ設定

ここが重要です。過剰な権限はセキュリティリスクになります。今回は特定のチャネルのメッセージを読むだけなので、以下の権限を設定します。

  • APIのアクセス許可: Microsoft Graph
  • 種類: アプリケーションの許可（Application Permissions） ※ユーザーのログインなしでバッチ処理するため
  • 権限名: ChannelMessage.Read.All

設定後、「管理者の同意を与えます」ボタンを必ずクリックしてください。これがないと、いくら正しいコードを書いても 403 Forbidden エラーになります。

Client Secretの管理と環境変数

「証明書とシークレット」から新しいクライアントシークレットを発行します。値が表示されるのはこの一度きりなので、すぐにメモして .env ファイルに保存しましょう。

# .env file
TENANT_ID=your_tenant_id
CLIENT_ID=your_client_id
CLIENT_SECRET=your_client_secret
TEAM_ID=target_team_id
CHANNEL_ID=target_channel_id

これで準備完了です。

実装Step 1：チャット履歴の取得とクリーニング

まずは生データの取得です。msal ライブラリでトークンを取得し、requests でAPIを叩きます。

PythonによるGraph API認証とトークン取得

import os
import requests
from msal import ConfidentialClientApplication
from dotenv import load_dotenv

load_dotenv()

def get_access_token():
    app = ConfidentialClientApplication(
        client_id=os.getenv("CLIENT_ID"),
        client_credential=os.getenv("CLIENT_SECRET"),
        authority=f"https://login.microsoftonline.com/{os.getenv('TENANT_ID')}"
    )
    result = app.acquire_token_for_client(scopes=["https://graph.microsoft.com/.default"])
    if "access_token" in result:
        return result["access_token"]
    else:
        raise Exception(f"Token acquisition failed: {result.get('error_description')}")

特定チャネルのメッセージをページネーションで全件取得する

Graph APIは一度に取得できるメッセージ数に制限があるため、@odata.nextLink を使ってページネーション処理（次ページの取得）をループさせる必要があります。

def fetch_messages(token, team_id, channel_id):
    headers = {"Authorization": f"Bearer {token}"}
    url = f"https://graph.microsoft.com/v1.0/teams/{team_id}/channels/{channel_id}/messages"
    
    all_messages = []
    while url:
        response = requests.get(url, headers=headers)
        if response.status_code != 200:
            print(f"Error: {response.status_code}, {response.text}")
            break
            
        data = response.json()
        messages = data.get("value", [])
        all_messages.extend(messages)
        
        # 次のページがあるか確認
        url = data.get("@odata.nextLink")
        
    return all_messages

HTMLタグ除去と会話スレッドの整形

Teamsのメッセージ本文はHTML形式（<div>こんにちは</div>など）で返ってきます。LLMに渡す前にこれをプレーンテキスト化し、トークン数を節約します。また、返信（Reply）構造をフラットな時系列テキストに整形します。

from bs4 import BeautifulSoup

def clean_html(html_content):
    if not html_content:
        return ""
    soup = BeautifulSoup(html_content, "html.parser")
    return soup.get_text(separator=" ").strip()

def format_for_llm(messages):
    formatted_text = ""
    # 新しい順で取得されるため、時系列順（古い順）に反転
    for msg in reversed(messages):
        user = msg.get("from", {}).get("user", {}).get("displayName", "Unknown")
        content = clean_html(msg.get("body", {}).get("content", ""))
        created_at = msg.get("createdDateTime")
        
        if content:
            formatted_text += f"[{created_at}] {user}: {content}\n"
            
    return formatted_text

実装Step 2：LLMによる「決定事項」判定プロンプト設計

実装Step 1：チャット履歴の取得とクリーニング - Section Image

ここがシステムの心臓部です。単に「要約して」と頼むと、LLMは決定していないことまで「〜について議論した」とまとめてしまいます。

「合意形成された事実のみ」を抽出するためのプロンプトを設計します。特に、長い文脈の理解やツール実行能力が向上した最新モデルを活用することで、抽出の精度は飛躍的に高まります。

チャット特有のノイズを除去するシステムプロンプト

以下は、ノイズ除去に効果的なプロンプトの構成例です。LangChainやOpenAI SDKで汎用的に利用可能です。チームのコミュニケーションには特有のノイズが含まれるため、明確な抽出ルールを設けることが不可欠です。

SYSTEM_PROMPT = """
あなたは優秀なプロジェクトマネージャーのアシスタントです。
提供されたチャットログから、「明確に決定された事項」のみを抽出してください。

# 抽出ルール
1. 提案段階で終わっているもの、議論中のものは除外すること。
2. 「了解」「OK」「それで進めよう」などの合意シグナルがあるものだけを抽出対象とする。
3. 曖昧な場合は抽出しないこと。

# 出力フォーマット（JSON）
[
  {
    "date": "決定日時",
    "topic": "トピック",
    "decision": "決定内容の詳細",
    "stakeholders": ["提案者", "承認者"]
  }
]
"""

LangChainを用いた抽出チェーンの実装

OpenAIのFunction Calling（Tool Calling）機能を使うと、確実にJSON形式で受け取れるため、後続の処理が効率化されます。

なお、LangChainの最新動向として、パッケージ構成の変更（langchain-coreの分離）やPydantic V2への完全移行が進んでいます。古いpydantic_v1ネームスペースの使用は非推奨となりつつあるため、以下のコードでは最新の仕様に準拠した実装を紹介します。

さらに、使用するLLMのモデル選定には十分な注意が必要です。複数の公式情報によると、2026年2月13日をもってGPT-4oやGPT-4.1などの旧モデルが廃止されます。そのため、現在本番環境を構築する場合は、主力モデルであるGPT-5.2（InstantまたはThinking）への移行が必須です。GPT-5.2は長い文脈の理解力やツール実行の精度が大幅に向上しており、要約や文章作成時の構造化能力も改善されているため、今回のようなJSON形式での正確なデータ抽出タスクに非常に適しています。

from langchain_openai import AzureChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
# 最新版では標準のpydanticライブラリを直接使用
from pydantic import BaseModel, Field
from typing import List

# 構造定義
class DecisionItem(BaseModel):
    date: str = Field(description="決定された日時")
    topic: str = Field(description="議論のトピック")
    decision: str = Field(description="具体的な決定内容")
    stakeholders: List[str] = Field(description="関与したメンバー")

class DecisionList(BaseModel):
    items: List[DecisionItem]

# LLM初期化（Azure OpenAI）
# ※2026年2月13日に旧モデル(GPT-4o等)が廃止されるため、GPT-5.2(Instant等)のデプロイ名を指定してください
# APIバージョンは環境に合わせて最新のものを指定してください
llm = AzureChatOpenAI(
    azure_deployment="gpt-5.2-instant",  # GPT-5.2 Instantなどの最新モデルデプロイ名
    api_version="2024-05-01-preview",
    temperature=0
).with_structured_output(DecisionList)

# 実行関数
def extract_decisions(chat_log):
    prompt = ChatPromptTemplate.from_messages([
        ("system", SYSTEM_PROMPT),
        ("user", "{input}")
    ])
    chain = prompt | llm
    return chain.invoke({"input": chat_log})

セキュリティとバージョンに関する重要な補足:
LangChain等のライブラリでは、シリアライズ処理に関連する脆弱性（CVE-2025-68664等）が報告されることがあります。本番環境へ実装する際は、必ずlangchain-coreおよび関連パッケージを最新のセキュリティパッチ適用版（例: 1.2.5以上など）にアップデートして使用することを強く推奨します。また、旧モデルからGPT-5.2への移行にあたっては、プロンプトの応答特性が変化する可能性があるため、事前に十分な検証環境でのテストを実施してください。

実装Step 3：結果の構造化と出力

抽出したJSONデータは、そのままでは人間が見にくいものです。これをCSVに変換したり、元のメッセージへのリンクを生成したりして、実用性を高めます。

参照元リンク（ディープリンク）の生成

「本当にそう言った？」という確認作業のために、元のメッセージへ飛べるリンクは必須です。Teamsのメッセージリンクは以下の形式で生成できます。

https://teams.microsoft.com/l/message/{channel_id}/{message_id}

APIレスポンスに含まれる id （メッセージID）を使って、抽出結果にURLを付与すると、信頼性が格段に上がります。

バッチ処理としての運用設計

このスクリプトを毎日深夜に実行し、前日のチャットログから「昨日の決定事項まとめ」を自動生成して、朝一番にチームのチャネルに投稿するBotとして運用するのがおすすめです。これだけで、朝会の確認時間が半分以下になります。

運用と最適化：コストと精度のバランス

最後に、この抽出システムを継続的に運用し、ビジネス価値を生み出し続けるための実践的な視点を整理します。経営者視点とエンジニア視点の両面から、費用対効果を最大化するアプローチを考えましょう。

Azure OpenAIのトークンコスト試算

組織のチャットログは、日々驚異的なスピードで膨張します。2026年2月時点でOpenAIの最新標準モデルであるGPT-5.2は、100万トークン級の巨大なコンテキストウィンドウと高度な推論能力（Thinking機能）を備えており、長文の安定処理に非常に優れています。かつて主流だったGPT-4oなどのレガシーモデルは既に廃止され、現在はGPT-5.2への移行が進んでいますが、すべての生ログをそのまま高性能モデルに投入するとAPIコストが跳ね上がり、処理のレイテンシ（遅延）も悪化します。

この課題を解決するためには、以下のようなアーキテクチャの工夫が求められます。

  • 期間フィルター: 直近24時間分や未読スレッドのみに処理対象を厳密に絞り込む。
  • 階層的アプローチ（スレッド要約）: 長すぎるスレッドは、まずコスト効率の良い軽量モデルで全体を要約し、その要約結果をGPT-5.2のような高性能モデルに渡して、複雑な合意形成のニュアンスや決定事項を抽出する。

単純なタスクには軽量モデルを、高度な論理的推論が必要なタスクにはGPT-5.2を割り当てる「モデルの使い分け（ルーティング）」の設計が、システム全体の費用対効果を最大化する鍵となります。

プライバシーとデータ保持ポリシーへの対応

エンタープライズ環境では、データガバナンスが最優先事項です。社内の機密情報やチャットログを外部のAPI（Azure環境であっても）へ送信することに懸念がある場合、送信前の段階でPII（個人識別情報）や機密プロジェクト名をマスキングする前処理パイプラインを必ず組み込む必要があります。

また、Graph APIで取得したデータは一時的にメモリ上で処理し、物理ディスクには保存せずに破棄するアーキテクチャを採用することで、情報漏洩のリスクを最小限に抑え、厳格なコンプライアンス要件を満たす設計が可能になります。

次のステップ：RAG（検索拡張生成）への発展

今回構築したパイプラインは、チャットという非構造化データから「決定事項」という価値ある情報を「抽出」するプロセスです。次のステップとして、抽出した構造化データと元のコンテキストをベクトルデータベースに格納することで、社内専用の高度な検索システム（RAG：検索拡張生成）へと発展させます。

例えば「先月の新製品ローンチに関する予算決定の経緯を教えて」と自然言語で問いかけるだけで、AIが過去のチャットログを根拠として正確に回答を生成する仕組みが実現します。単なるログの抽出から、組織の意思決定を支援する自律的なナレッジベースへの進化は、システム思考の観点からも非常に論理的な発展形です。

まとめ

構造定義 - Section Image 3

Teamsのチャットログは、決して単なるテキストの墓場ではありません。そこには、チームが日々行っている意思決定のプロセスと歴史が鮮明に記録されています。今回解説したGraph APIとGPT-5.2をはじめとする最新LLMの組み合わせは、その膨大なデータの鉱脈から「決定事項」という純度の高い情報資源を採掘するための強力なツールとなります。

  1. Graph API を活用し、スレッドのコンテキストを維持したまま生データを取得する。
  2. LLM（GPT-5.2等） の高度な推論能力で「合意」の構造を解析し、正確に抽出する。
  3. Python スクリプトで一連のプロセスを自動化し、日々の業務ワークフローにシームレスに統合する。

この3ステップを実装することで、チームは過去の決定を「探す時間」から解放され、新たな価値を「創る時間」を取り戻すことが期待できます。

もちろん、セキュリティ要件のクリアやインフラ構築の手間を省き、より迅速にこの環境を手に入れたい場合は、エンタープライズ向けの完成されたプラットフォームを活用するのも極めて合理的な選択です。KnowledgeFlowのようなソリューションは、こうした高度な抽出・検索機能を標準で備えており、導入直後から組織の暗黙知を可視化します。

まずは、手元のPython環境で直近のチャットログを解析し、最新AIモデルによる抽出の精度を実際に検証してみることをお勧めします。仮説を即座に形にして検証するプロトタイプ思考こそが、ビジネスへの最短距離を描く鍵となるでしょう。

Teamsチャットの「あの件」を特定する：Graph API×LLMによる決定事項抽出の実装 - Conclusion Image

コメント

コメントは1週間で消えます
0 / 150
コメントを読み込み中...