なぜ顧客案件で磨いた知見が次のチームに届かないのか
コンサルティングや FDE のチームは、顧客案件のたびに価値ある専門知を磨いています。なぜ、その知見は1つの案件にとどまりがちなのか。会社全体で使える、より良い仕事の進め方に変えるには。
ある顧客の支援で、チームが良い方法を見つける。聞く順番を変えると、課題の本質が早く見える。提案前に確認する項目を増やすと、手戻りを防げる。AI の出力をレビューする際に、見るべき根拠が明確になる。
プロジェクトは順調に進み、顧客にも喜ばれる。
その一方で、同じ会社の別のチームが、似た課題に一から取り組んでいる。
誰も仕事に失敗していません。それでも、会社として生かせていないものがあります。最初のチームが時間をかけて磨いた、仕事の進め方と判断基準です。
担当者の経験は増えている。その経験を、会社の実力に変えられているだろうか。
これは、コンサルティングや FDE の会社が、優れた仕事を広げていくうえで向き合う課題です。そして、Epismo が取り組みたい問題です。
成功した案件でも学びは担当者の中にとどまりやすい
コンサルタントは、顧客の状況に合わせて方法を工夫します。顧客の現場で実装を担う FDE も、技術と業務の制約を解きほぐしながら、実際に使える仕組みを作ります。役割は異なりますが、どちらの現場でも、仕事を通じて専門知が磨かれています。
ただ、その知見は最終成果物だけでは伝わりません。
顧客に渡す提案書には結論が書かれていても、どの問いで問題を見つけたのか、どの選択肢をなぜ見送ったのか、どの根拠がそろうまで判断を待ったのかは、読み取れないことがあります。
別の担当者が同じ水準で仕事をするには、その背後の判断を知る必要があります。そのたびに経験者を呼んで説明してもらうなら、仕事の質は、その人が関われる範囲に左右され続けます。
OpenAI は FDE の目標として、顧客との仕事から学び、次の顧客により良い出発点を残すことを説明しています。製品機能への還元と、コンサルティングの方法論の改善は異なりますが、ある案件の経験を次の仕事に生かすという考え方は共通しています。
案件を完了することに加えて、その案件から何を会社に残すか。ここにも、専門サービスの成長の余地があります。
再利用したいのは結論に至るための判断基準
過去の資料、社内 Wiki、テンプレートは重要です。そこに、次の担当者が使える判断の軸まで含まれていると、実務での価値が変わります。
例えば「商談の採算を確認する」という指示を考えてみます。これだけでは、担当者によって確認する範囲が違うかもしれません。
開発費だけでなく、継続的なサポート負担も見積もったか。どの条件でその見積もりが変わるか。まだ分からない場合、何を調べれば判断できるか。
こうした問いを明確にすると、専門家が毎回その場で指摘しなくても、別の担当者が同じ観点で仕事を確認できます。AI エージェントにも、何を調べ、何を根拠として残すべきかを伝えられます。
知見が資産になったかを確かめる場面は、別の人が、その知見を使って仕事を判断するときです。
APQC も、学びの記録に加えて、検証し、行動に移せる形にし、次の判断や業務で使うことを重視しています。保存することと、使われることの間をつなぐ必要があります。
レビューの価値と知見の再利用を示す2つの実例
ある大企業との商談レビューで、Epismo は開発・サポートコストの評価漏れを指摘しました。担当チームは調査したうえで、それまでなら受け入れていたであろう依頼を断りました。
ここでの価値は、判断に欠けていた根拠に目を向けられたことです。レビューが調べるべき点を示し、チームが調査結果を使って判断しました。
それとは別に、あるコンサルティングパートナーは、改善した商談レビュー基準を複数の顧客案件で使っています。良い方法が、生まれた案件や担当者の範囲を越えて使われた例です。
前者は、レビューがより十分な情報に基づく判断を支えた例です。後者は、改善した基準が複数の顧客案件に届いた例です。
この2つは、会社として取り組む価値のある方向を示しています。役立つ基準を実際の仕事に適用し、そこから得た学びで、基準そのものも強くすることです。
Epismo は仕事と方法の改善をつなぐ
文書に書かれたプレイブックは、何を確認すべきかを伝えます。実際の仕事につなげると、その確認を裏づける根拠や、方法そのものに足りない問いまで、チームで確かめられるようになります。
**案件**には、目的、根拠、判断、結果、次のアクションを残します。人と AI が、同じ仕事を理解し、続けるための文脈です。
**プレイブック**は、会社の方法を再利用できる形にします。重要な問い、進め方、期待する成果物を、チームの仕事の指針として共有します。
**AI レビュー**は、記録された仕事を、その目的や紐づく方法に照らして確認します。根拠の不足、矛盾、調べるべき点を見つける手助けをします。チームは調査結果を記録し、仕事の進展に合わせて再評価できます。
レビューから得た気づきには、2つの行き先があります。今回の根拠が足りないなら、その案件で追加の確認をする。繰り返し起きる不足なら、共通の方法の見直しにつなげる。
既存の確認事項を見落としたのか。それとも、方法そのものに重要な問いが欠けていたのか。前者は今回の仕事を、後者は会社の仕事の進め方を改善する機会になります。
AI レビューは、改善の候補を示すことができます。どの学びをプレイブックの変更につなげるかは、チームが判断します。適用範囲を確かめ、改善した指針を同僚も使えるようにします。
仕事をレビューする。その結果から、仕事の進め方もレビューする。
基準を共有しながら顧客ごとの判断を磨く
顧客によって、必要な答えは異なります。基準を共有すると、問いを立て、根拠を確かめるための共通の軸を持ちながら、状況に応じて方法を調整できます。
専門家は、自分が直接担当する案件と、同僚が使う方法の両方を通じて貢献できます。同僚も、その方法を自分たちの経験から磨けます。顧客固有の情報は意図された共有範囲にとどめ、一般化できる学びは、共有が認められる範囲で別の仕事に生かします。
良い仕事ができるかどうかを、担当する専門家の力量だけに委ねるべきではありません。良い仕事を支える基準を、どのチームも使え、実際の判断に適用でき、経験を通じて改善できるようにする必要があります。
人と AI の仕事のための品質レイヤー
良い仕事の基準を共有し、実際の根拠に照らして使い、経験から不足が見つかれば基準も改善する。ここに、専門知の再利用と仕事の品質のつながりがあります。
Epismo は、その役割を担う場所を目指しています。
人と AI の仕事のための品質レイヤー。
人と AI が協働し、レビューし、仕事の進め方を改善する場所。
協働で、仕事の文脈を共有する。レビューで、方法を実際の判断に生かす。改善で、検証した学びを次の仕事に届ける。判断を行うのはチームであり、その判断の土台を強くしていきます。
優れた案件が生まれる会社から、案件を重ねるほど実力が育つ会社へ。
その循環を支える品質レイヤーを、私たちは作っています。