解決と進化のループ

知識を、業務の変化に合わせて維持する

AIやナレッジベースを導入すると、最初は整備された文書をもとに動き始めます。しかし業務は変わり続けます。新しい製品、規程の改定、想定していなかった問い合わせ。現場の担当者は、そのたびに工夫して対応しますが、その工夫がナレッジに戻らなければ、AIは同じ場面で同じ失敗を繰り返します。

よくある失敗は、次の2つです。

• 作って終わりのナレッジベース：導入時に大量の文書を整備しても、更新の仕組みがなく、次第に現場の実態から離れていく
• 現場の知見が個人に残る：例外対応や判断の理由が、担当者の頭の中やチャットのやり取りに埋もれ、組織の知識にならない

改善にはモデルの調整だけでなく、参照する知識の更新も有効です。どの情報を変え、業務にどう影響したかを確認できる仕組みが必要です。

仕組み

この考え方は、サポート業界で広く使われている知識管理の方法論KCS（Knowledge-Centered Service）の「ダブルループ」に通じています。KCSでは、個々の問題を解決する中で知識を記録・再利用・改善する「Solve Loop」と、その知識全体の健全性や業務への組み込みを継続的に見直す「Evolve Loop」を組み合わせます（Consortium for Service Innovation）。

Technica AIは、この2つのループをAIの運用に組み込みます。

解決のループ（Solve）

1. 使う：AIが既存の知識を使って、問いに答え、業務を進めます。
2. 記録する：解決までの過程、人による修正、例外への対応、判断の理由を記録します。
3. 改善候補にする：既存の知識にない頻出パターンや、修正の多い回答を、改善候補として抽出します。

進化のループ（Evolve）

1. 確認して反映する：更新方法は用途に応じて設計します。Answerではレビューとテストを経て反映し、Projectでは基本的に自動で取り込み、利用します。
2. 健全性を見直す：使われていない知識、矛盾する知識、古くなった知識を定期的に洗い出します。
3. 効果を測る：解決率、修正率、引き継ぎ率などの指標で、ループが機能しているかを確認します。

研究の分野でも、AIエージェントが結果の振り返りを言葉として記録し、次の試行に活かすことで、モデルの重みを変えずに性能を高められることが示されています（Shinn et al., 2023）。再利用できる手順を「スキル」として蓄積し、組み合わせて能力を広げる手法もあります（Wang et al., 2023）。解決と進化のループは、こうした考え方を、人の確認を経た組織の知識として実装するものです。

導入効果

• 対応範囲の改善につなげる

  運用の中で得た知見が取り込まれるため、検証結果を踏まえて、AIが対応できる範囲を見直せます。

• 改善が速く、説明できる

  参照する知識の更新内容を記録し、回答や業務への影響を評価できます。

• 現場の工夫が組織の知識になる

  個人の判断や例外対応が、次の担当者とAIが使える知識として残ります。

• 古い知識を見直せる

  健全性の見直しによって、使われない知識や古い知識を放置しません。

適用にあたって

• 自動更新とレビューが必要な更新を、用途と影響度に応じて定めます。重要な判断では、元の記録とAIの推定を区別して確認できる設計が必要です。
• 効果を測るには、導入時点の指標（解決率、処理時間など）を記録しておくことが重要です。

関連する製品

• AIKNOW Answer

  通話ログから、SOPにない頻出パターン、脱線、例外、判断を抽出し、改善候補として蓄積します。

• AIKNOW Matching

  マッチング結果とプロジェクトでの評価を蓄積し、次の探索と評価に活かします。

• AISECI

  知識が生まれ、使われ、再び知識へ戻る循環をつくります。

参考文献

• Consortium for Service Innovation. KCS v6 Practices Guide: The Double Loop Process. https://library.serviceinnovation.org/KCS/KCS_v6/KCS_v6_Practices_Guide/030/025 （2026年10月1日参照）
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. NeurIPS 2023. arXiv:2303.11366. https://arxiv.org/abs/2303.11366
• Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv:2305.16291. https://arxiv.org/abs/2305.16291