今日は少し、組織の「痛み」に触れる話をしようと思う。
長年の開発現場や経営の視点から見えてくる組織の課題の一つが、「ナレッジマネジメント」に対する姿勢だ。多くの企業で、高機能な社内Wikiやナレッジベースツールが導入されている。しかし、現場のマネージャーやHR担当者から聞こえてくるのは、こんな声だ。
「結局、書く人がいつも同じメンバーに固定化されてしまう」
「時間をかけてマニュアルを作っても、誰からも評価されず、モチベーションが続かない」
「情報が古くなっても誰も更新しないので、Wikiがゴミ捨て場のようになっている」
なぜ、こうした現象が起きるのか？
答えはシンプルだ。ナレッジ共有が「ボランティア」として扱われているからだ。
営業成績や開発コードのコミット数は評価されるのに、同僚を助けるためのドキュメント作成は「余力があればやるもの」と見なされる。これでは、忙しい社員ほど沈黙し、ナレッジはサイロ化していく一方だ。
AIエージェント開発や業務システム設計に携わる立場として、この問題を「精神論」や「文化醸成」だけで解決しようとするのは難しいと考える。必要なのは、貢献を公正に計測する「定規」だ。
それも、単なる投稿数という粗い定規ではない。「その情報が、どれだけ組織の課題を解決したか」を測る、AIによる精密な定規が必要だ。
今回は、検索ログとAI解析を組み合わせることで、見えにくい「ナレッジ貢献」を可視化し、組織の評価制度に組み込むためのアプローチについて話していこう。これは単なるツール論ではない。組織の行動変容を促すための、実践的かつアジャイルなエンジニアリングだ。
ナレッジ共有が「ボランティア」で終わる組織の共通点
まず、現状の評価指標がなぜ機能しないのか、そのメカニズムを解剖してみよう。多くの企業で採用されているKPIは、驚くほど単純だ。「記事の投稿数」や「ページビュー（PV）数」、あるいは「いいね（リアクション）数」。これらを追いかけることが、実はナレッジの質を低下させる原因になっていることに、気づいているだろうか？
投稿数・PV評価が招く「ノイズ情報の氾濫」
「今月はナレッジ強化月間です！ 投稿数上位者を表彰します！」
人事や広報がよく行うキャンペーンだが、これはAIモデルの特性から見ると「質の低いデータを量産させるためのインセンティブ設計」と言える。
投稿数を評価軸にすると、ユーザーはどう動くか。中身の薄い日報や、個人的なメモ書き、あるいはインターネット上の記事をコピペしただけの情報を大量に投稿し始める。これを「ナレッジ・スパム」と呼ぶこともできる。
結果として、社内検索の結果はノイズで溢れかえり、本当に必要な業務マニュアルやトラブルシューティング記事が埋もれてしまう。検索しても欲しい情報が見つからないとなれば、ユーザーはWikiを使わなくなる。負のループの完成だ。
「いいね」がつかない実用的なドキュメントの価値
次に「いいね」の罠だ。SNSの影響か、社内Wikiにも「いいね」機能がついていることが多い。
しかし、業務で本当に役立つドキュメントとはどういうものだろうか？
例えば、「経費精算システムの特定のエラーコード解除手順」や「VPN接続が切れた際の復旧マニュアル」。これらは、トラブルに直面して困っている社員を救う、極めて価値の高い情報だ。
だが、必死でトラブルを解決した直後の社員が、わざわざ記事に戻って「いいね」ボタンを押すだろうか？ 答えはNoだ。解決したらすぐに業務に戻るのが普通だ。
一方で、「新入社員の自己紹介」や「社内イベントの報告」といったフロー情報には、コミュニケーションの一環として多くの「いいね」が集まる。
つまり、「いいね」数による評価は、実用的なストック情報（業務マニュアル）を過小評価し、一過性のコミュニケーション情報を過大評価するバイアスがかかっていると言える。
検索ログこそが「需要」と「解決」の証拠である
では、何を見るべきか？
答えは「検索ログ」と「閲覧後の行動」にある。
ユーザーがわざわざ検索窓にキーワードを打ち込むという行為は、そこに明確な「業務上の課題（需要）」が存在する証拠だ。そして、ある記事を開き、それを読んだ後に検索行動を終了したなら、それは「課題が解決された」可能性が高い。
能動的な評価（いいね）ではなく、無意識の行動ログ（検索・滞在・離脱）の中にこそ、ナレッジの真の価値が隠されている。これを掘り起こすのが、AIとデータサイエンスの役割だ。
AIスコアリングの基本原則：検索体験の「解決」を定義する
ここからは技術的なアプローチに入ろう。ログデータから「ナレッジ貢献度」を算出するために、AI（特に自然言語処理とログ解析モデル）をどう設計すべきか。
推奨する基本原則は、「Search Success（検索成功）」の定義とスコア化だ。まずはプロトタイプとして、この指標を動かしてみることが重要になる。
検索成功（Search Success）と検索離脱の判別
単に「記事がクリックされた」だけでは、解決したとは限らない。タイトル詐欺のような記事を開いてしまい、すぐに閉じて別の記事を探し回った経験は誰にでもあるだろう。
AIで判定すべき「解決」のシグナルは以下の複合条件で定義できる。
- Dwell Time（滞在時間）: 記事の文字数に対して、妥当な時間をかけて読まれているか。
- No Re-search（再検索なし）: その記事を読んだ後、類似のキーワードで再検索を行っていないか。
- Action（アクション）: 記事内のリンククリックや、コードブロックのコピーなどの具体的行動があったか。
これらを時系列データとして解析し、「このユーザーは検索クエリ『A』に対して記事『B』で課題を解決した」と判定する。この判定精度を高めるのが、最初のステップだ。
セッション終了ログから読み解く「解決貢献度」
実務の現場で有効なアプローチとして、検索セッションが終了した（ユーザーがブラウザを閉じた、またはWikiから離脱した）直前の記事に対して、高い「解決スコア」を付与するアルゴリズムを採用するケースがある。
これを「ラスト・クリック・アトリビューション」の応用と捉えてほしい。マーケティングの世界ではコンバージョンに貢献した最後の接点を評価するが、ナレッジマネジメントにおいては「業務に戻れたこと」がコンバージョンだ。
この解決スコアを、記事の作成者に「貢献ポイント」としてバックさせる。これがAIスコアリングの根幹になる。
AIによる文脈解析：クエリとコンテンツの適合度判定
さらに精度を高めるために、LLM（大規模言語モデル）やEmbedding（埋め込み表現）技術を活用する。
検索されたキーワードと、記事の内容が「意味的にどれくらいマッチしているか」をベクトル類似度で計算する。
例えば、「プリンター 動かない」という検索に対して、「プリンターの再起動手順」の記事と、「プリンター新機種の発売ニュース」の記事があったとする。どちらもキーワードは含んでいるが、文脈的な適合度は前者が圧倒的に高い。
AIは、単なるキーワード一致だけでなく、「検索意図（インテント）」と「記事の解決能力」のマッチング度をスコアに加味する。これにより、タイトルだけSEO対策したような中身のない記事を評価から除外できる。
ベストプラクティス①：「再利用性」の高いストック情報を高く評価する
ここからは、具体的なアルゴリズムの重み付け（Weighting）に関するベストプラクティスを紹介しよう。
組織にとって資産となるのは、一度書けば何度も使われる「ストック情報」だ。これをどう評価するか。
一過性のフロー情報と資産となるストック情報の重み付け
多くの社内Wikiでは、日報や議事録といった「フロー情報」が大量に生成される。これらは作成直後にはアクセスがあるが、1週間もすれば誰も見なくなる。
一方で、業務マニュアルや技術仕様書といった「ストック情報」は、爆発的なアクセスはないものの、長期間にわたってコンスタントに検索される。
AIスコアリングでは、「情報の半減期（Half-life）」を計算に入れるべきだ。投稿から3ヶ月、6ヶ月、1年が経過してもなお検索され、解決に寄与している記事には、通常のPV評価とは異なる「資産係数」を掛けてスコアを増幅させる。
ロングテールで検索され続ける「地味なマニュアル」への加点
検索ボリュームが少ないキーワード（ロングテール）であっても、その解決率が100%に近い記事は極めて価値が高い。
例えば、「社内基幹システム エラーコード 503」という検索は、月に数回しかないかもしれない。しかし、その検索をする人は確実に困っており、業務が止まっている状態だ。その記事が解決策を提示し、業務を再開させたなら、そのビジネスインパクトは計り知れない。
AIは、検索頻度の多寡ではなく、「解決の質」と「ビジネスインパクト」（業務停止時間の削減など）を推論して評価する。これにより、地味だが不可欠なマニュアルを書く人に光を当てることができる。
減衰係数の導入：情報の鮮度と普遍性のバランス
もちろん、古い情報がいつまでも検索上位に居座るのは問題だ。そこで「時間減衰（Time Decay）」の概念を取り入れる。
ただし、一律にスコアを下げるのではない。AIが記事の内容を解析し、「普遍的な原理原則（例：企業理念、基礎技術）」なのか、「陳腐化しやすい情報（例：ソフトウェアのバージョン依存の手順）」なのかを分類する。
陳腐化しやすい情報に関しては、定期的な更新がない限りスコアを急激に減衰させる。逆に、普遍的なナレッジは減衰を緩やかにする。この動的なパラメータ調整こそが、AI活用の醍醐味だ。
ベストプラクティス②：情報の「更新・メンテナンス」を新規作成と同等に扱う
最も強調したいのがこれだ。「新規作成（Create）」だけでなく「更新（Update）」を評価せよ。
新規作成偏重からの脱却：リライトや更新を正当に評価する仕組み
ソフトウェア開発の世界では、コードのリファクタリングやバグ修正は称賛されるべき行為だ。ドキュメントも同じであるはずだ。
しかし、既存のWikiの多くは、誰かが作った記事を編集しても、編集者の名前が履歴に小さく残るだけで、評価としての「カウント」はされないことが多い。これでは誰もメンテナンスをしたがらない。
AIスコアリングシステムでは、Gitのコミットログのように「差分（Diff）」を解析する。既存の記事に対して有益な追記や修正を行い、その結果として記事の「解決率」や「滞在時間」が向上した場合、その向上分を更新者の貢献としてスコア化する。
微修正でも検索ヒット率向上に寄与した場合のインセンティブ設計
例えば、ある記事のタイトルを「申請書の書き方」から「【2024年版】交通費申請書の書き方と提出先」に変更したとする。この変更によって検索ヒット率が上がり、ユーザーの到達率が改善したなら、そのインパクトは大きい。
AIは変更前後のパフォーマンスを比較（A/Bテスト的なアプローチ）し、改善幅に応じてポイントを付与する。たった数行の修正でも、それが組織全体の検索体験を改善したなら、新規記事1本分以上の価値があるかもしれない。
ナレッジの「ゴミ屋敷化」を防ぐためのメンテナンス評価の重要性
また、「削除」や「統合」も立派な貢献だ。重複した古い記事を見つけ、新しい記事にリダイレクトを設定したり、情報を統合して整理したりする行為。
これを「ナレッジ・ガーデニング（庭の手入れ）」と呼ぶこともできる。雑草を抜き、枝を剪定する作業だ。このガーデニング作業に対して高いスコアを設定することで、情報は常に整理され、検索しやすい状態が保たれる。
ベストプラクティス③：「隠れたスペシャリスト」の発掘と接続
ナレッジ貢献度スコアは、単なるボーナス査定のためだけの数字ではない。これは、組織内の「誰が何に詳しいか」を示すダイナミックなスキルマップそのものだ。最新のナレッジマネジメントツールとAIを組み合わせることで、これまで埋もれていた人材の価値を正確に可視化できる。
検索ログから特定領域の「第一人者」を特定する
「Python」というタグがついた記事をたくさん書いている人が、必ずしもPythonのスペシャリストとは限らない。初心者が学習メモを大量に投稿しているだけの可能性もあるからだ。ここで重要になるのが、「利用状況分析機能」と「検索ログ」のAI解析である。
NotePMやKibela、DocBaseといった最新のツールでは、誰の記事がどの程度閲覧され、検索されているかをダッシュボード化できる。さらにここにAIによる分析を加えることで、以下のような高度な特定が可能になる。
- クエリの難易度分析: 「Python」という単語だけでなく、「Python 非同期処理 デッドロック」のような高度な検索クエリで到達し、解決に至っている記事の著者を特定する。
- 解決貢献度の算出: 閲覧時間やその後の行動（検索終了など）から、記事が実際に課題を解決したかをAIが判定する。
これにより、「自称」ではない「実力」ベースの専門家をデータドリブンに発掘できる。
質問回答ログと記事参照のクロス分析
社内Q&AシステムやSlack、Teamsでの質問対応も、重要なナレッジ貢献の一部だ。とくにNotionやGuruのようなAI機能を搭載したツールは、ストック情報（Wiki）とフロー情報（チャット）の境界を曖昧にしつつある。
例えば最新のNotionでは、AIによる自律的なエージェント機能や外部ツール（Slack、Googleドライブなど）とのコネクタ連携が強化されている。これにより、複数のツールにまたがる議論や資料をAIが合成し、自動的にデータベースへ要約・集約するといった高度なナレッジ管理が実現している（※最新の連携機能や仕様については、公式ドキュメントで確認することをおすすめする）。
ここで評価すべきは、単にチャットで回答することだけではない。「あの件どうなってる？」と聞かれた際に、適切なWikiのリンクを提示して即座に解決に導く行動や、AIの自動入力機能を駆使して散在する情報を構造化するスキルだ。これを「ナレッジ・ブローカー（知識の仲介者）」としての貢献と定義し、以下のプロセスで評価に組み込むアプローチが有効である。
- ログ収集: チャットツールやWikiの検索ログから、リンク共有や参照の頻度、外部ツールからの情報集約プロセスをトラッキングする。
- AIスコアリング: 「参照率 × 投稿数」や「回答による解決率」をAIが統合分析し、貢献スコアを算出する。
ドキュメントを作成する能力と、それを適切なタイミングで提示・統合する能力。この両輪が回っている人物こそ、組織のハブとなる人材だ。
スコア可視化によるモチベーション向上と権限委譲
算出されたスコアは、ブラックボックス化せずに透明性を持って共有すべきだ。単なるランキング表で終わらせるのではなく、「あなたは『クラウドセキュリティ』領域で社内トップクラスの貢献者です」といった形で、AIが自動的にタグ付けやバッジ付与を行う仕組みが効果的である。
これにより、従業員は自分の専門性が組織に認められているという自己効力感（Self-efficacy）を得られる。さらに、このデータを人事評価制度と接続し、特定領域に関する意思決定権限の委譲や、外部カンファレンスへの参加権付与といったキャリア支援につなげることで、ナレッジ共有の文化はより強固なものになるだろう。
導入と定着へのロードマップ：スコアハッキングを防ぐ運用設計
最後に、このシステムを導入する際のリスクと対策について話しておこう。どんなに優れた指標も、ひとたびターゲット（目標）になるとハックされるという「グッドハートの法則」がある。
フェーズ1：バックグラウンドでの計測と妥当性検証
いきなり「来月からAIスコアで評価します！」と発表してはいけない。まずは半年程度、バックグラウンドでログを収集し、スコアを算出してみる。
そして、そのスコアが高い人物が、実際の現場での評判（定性評価）と乖離していないかを確認する。もし、現場で信頼されているベテラン社員のスコアが低く、ノイズばかり投稿している新人のスコアが高いなら、アルゴリズムの調整が必要だ。
フェーズ2：フィードバックの開始と行動変容の観測
精度に自信が持てたら、まずは本人だけにスコアをフィードバックする。「あなたの記事は今月、これだけの人の役に立ちました」というレポートを送る。
人事評価にはまだ直結させない。まずは「見られている」「役に立っている」という実感を持たせ、自発的なナレッジ共有が増えるかを観測する。この段階で、ポジティブな行動変容が見られれば成功の兆しだ。
不正対策：自己検索や無意味な更新をAIで検知・除外する
評価に結びつくと分かれば、必ず「スコア稼ぎ」が現れる。自分の記事を何度も検索してクリックしたり、意味のない改行を加えて更新したりする行為だ。
これらはアノマリー検知（異常検知）AIで容易に排除できる。同一IP/ユーザーIDからの過剰なアクセスや、意味的な差分のない更新をフィルタリングするロジックを最初から組み込んでおくこと。
また、スコアの算出ロジックを完全にブラックボックスにするのではなく、「解決率」や「メンテナンス」を重視しているという「評価の哲学」をオープンにすることが、健全なハック（＝良い行動）を促す鍵となる。
まとめ：AIは「評価する」ためではなく「感謝する」ためにある
ここまで、技術的なスコアリングの手法を解説してきたが、忘れてはいけないことがある。
AIによるスコアリングの最終目的は、社員を格付けして切り捨てることではない。今まで見過ごされていた「組織への貢献」を拾い上げ、正当に感謝を伝えることだ。
「あなたの書いたマニュアルのおかげで、今月も同僚が残業せずに帰れました」
そう伝えられる組織であれば、ナレッジ共有は自然と文化として根付いていく。
もし、あなたが自社のナレッジマネジメントに限界を感じているなら、あるいは具体的なログ解析のロジックや導入事例についてもっと詳しく知りたいなら、専門的な情報源や事例を積極的に探求してみてほしい。
あなたの組織の「埋蔵金」を掘り起こすヒントが、必ず見つかるはずだ。
コメント