AIが数十から数十万まで整理するとき

OpenKnock Culture Ladder の診断は、数十名の小さな会社でも、 数十万名の大企業でも、同じ水準で落ちなければなりません。けれど 数十万名の答えを一人で一つひとつ読むことはできません。その回答を 人が再び読める形にまとめる場所に AI が入っていて、その AI が自分の 領域から一歩でも外れれば、まとめ上げたすべての意味が壊れます。

AI が回答を会社の正確な場所に結びつけるか、それともどこにでも置ける 一般論に散らしてしまうか。答えは一つの場所で分かれます。AI が 安全文化測定 という自分の領域の中で話すか、その外で話すか。 私たちはこの AI が留まるべき領域を ドメイン と呼びます。

ドメインの中で話せば、回答の一行が会社のどの Theme・どの段に 落ちるかが正確に捉えられます。一歩外に出れば、同じ一行が 構成員間のコミュニケーションが不足しています、ワークショップが 必要です のような、どの会社にでも貼り付けられる一般論に 散らばります。安全文化診断における AI のすべての価値は、一つの約束 から生まれます。AI の口がドメインの中でだけ開くという約束。

AI は読む人を代替しません。読めなかった量を読めるようにしてくれる だけです。

プログラムの基盤は人の手から生まれました。 OpenKnock を共に建てる専門の安全コンサルタントたちが、 測定の設計アルゴリズムから五段階の基準値データまで手づくりした 結果の上に、プログラムが立っています。AI が測定の基準を決めもせず、 測定の意味を解釈もしません。その場所は人の場所です。

ではAIはどこに刻まれているのか。 数十万名が参加する一度のアンケート調査が生み出す数千億の 応答データ。 以前なら分析が不可能だったか、莫大な人件費をかけてようやく手に できた量。その量を人が本当に読める形にまとめる場所で、私たちが 作った AIエージェントの集合、ワークフロー が仕事を始めます。 このプログラムの特異点が、ちょうどこの場所です。

この一行をプログラムの立場から読み直せば、AI の仕事は 解釈 ではなく 縮約 であり、人の仕事はその縮約を 受けてもう一度判断する場所です。会社が50人でも50,000人でも、 回答がそれだけ増えても、結局人が読める一桁の主題にまとめられ なければなりません。その10前後をどう判断するかは、依然として 人の役目です。

OpenKnock Culture Ladder の分析は一つの場所で終わりません。一度の アンケート調査が、複数の 基準 と複数の 角度 が交差する 多くの場所で同時に分析されます。

まず三つの 基準 に分かれます。最も大きなカテゴリである Theme (「情報の流れ」、「学習」、「リーダーシップ」)、 その中の細部領域である SubTheme (「情報の流れ」の下の 「リスク報告」)、そして測定可能な最も小さな行動の一行である Behavior (「危険を発見したら上長に報告する」)。同じ回答が 三つの基準の場所ごとに、別々に一度ずつ分析されます。

そしてまた三つの 角度 に分かれます。事業所 別に (どの工場・どの部署の風景か)、回答対象者 別に (誰が 答えたか、役員が、リーダーが、作業者が)、分析対象者 別に (誰についての評価か、経営陣、リーダー、同僚、自分自身)。同じ 基準の場所も、誰がどこで誰を評価したかによって風景が違うからです。

三つの基準 × 三つの角度が交差すると、一度の診断が結果画面では 数百の場所の分析として広がります。「A 工場 × 作業者が回答 × 経営陣を 評価」の場所で見える風景と、「B 工場 × 役員が回答 × 自分自身を 評価」の場所で見える風景は、同じ一行の回答から出発しても違う絵に なります。

これらすべての場所を、数百に及ぶこともある場所たちを、 OpenKnock の sLLM が一つの場所ずつ受け取って、同じ分析を 回します。まずその場所の段の点数が捉えられ、会社が決めておいた 目標の段に届いたかを 達成 / 未達 で判定します。その上に 場所を一段落にまとめた総評と強み・弱みが続き、最後に未達の場所 にはどこから手をつけるかの改善点が、達成の場所には次の段へどう 飛ぶかの飛躍ガイドが、代わりに付きます。

一度の診断を数百の場所で同時に見る。それが OpenKnock Culture Ladder の分析が持つ深さです。

数十万名の回答を AI が整理するという約束が重みを持つためには、AI が 自分のドメインの外へ一歩も出ないという約束が一緒に刻まれていなければ なりません。モデル一つにすべてを任せる方式では、その約束を守る ことはできませんでした。

だから私たちは二つのモデルを 一つのワークフローの中で結合 しました。安全・組織文化ドメインの 語彙と結を受ける場所には 私たちが直接トレーニングしたドメイン特化モデル (sLLM) を置き、 その上の一般的な言語の解釈、回答者が意図したニュアンス、文章間の 関係、韓国語 / 英語 / 日本語のような多言語処理は検証された 汎用 LLM API に任せました。二つの結を一つの流れの中で 組み合わせて、モデルの口がドメインの中でだけ開くように最適化して おいたわけです。

例えば回答者が「コミュニケーションがうまくいかない」と書いたとき、 汎用 API だけを使えば「コミュニケーション不在」のような一般的な キーワードに散らばってしまいます。同じ一行が私たちの sLLM を一度 通れば、それが「情報の流れ / リスク報告」の SubTheme に正確に マッピングされます。回答が会社のどの場所に落ちるかは、この二つの モデルがどう結合されているかによって完全に分かれます。

AI が数十万名の回答を整理できるようになる場所は、AI がそのすべてを 平坦にならして隠してしまえるようになる場所でもあります。

次の編はシリーズの最後。AI が広げておいた弱点と改善点が PDF フォルダで消えずに、Action モジュールへ渡って次のアンケート調査の 再測定へとつながる場所、測定から変化への閉じた輪です。