探す→分析→比較→整理→構造化をつなぐAIリサーチワークフローの組み方

情報を探す、分析する、比較する、整理する、まとめる——これらを毎回別々のチャットで、その場しのぎのプロンプトで済ませていないでしょうか。1つのリサーチ課題に対して検索・分析・比較・整理・構造化を別々のセッションでこなすと、前の工程で確認した出典や判断の理由が引き継がれず、後工程で同じ確認をやり直す羽目になります。

本稿は、AIを使った情報検索から構造化された成果物づくりまでを、場当たり的なプロンプトの寄せ集めではなく、1つの流れとして組み立てる考え方を整理します。特定のツールの機能一覧ではなく、工程と工程の間で何を引き継ぐかに焦点を当てます。

なぜ工程を「つなぐ」必要があるのか

1つのチャットで検索した結果を、別のチャットに要約だけコピーして分析させると、最初の検索で見つけた出典URLや、AIがどういう前提でその情報源を選んだのかという文脈が失われます。結果として、後の工程で「この数字はどこから来たのか」を一からたどり直すことになり、検証の手間が二重にかかります。

工程を意識的につなぐというのは、必ずしも1つのツールや1つの長い会話で全部を済ませることではありません。各工程が何を受け取り、何を次に渡すのかを人が把握しておく、という意味です。これができていれば、検索はブラウジング機能のあるツールで、構造化は別のツールで、というように使い分けても情報が迷子になりません。

五つの工程を一つの流れにする

リサーチという作業は、実務では次の5つの工程に分解できます。それぞれの工程で「何を確定させてから次に渡すか」を明確にしておくと、後戻りが減ります。

検索 — 問いを立てて情報源の候補を集める

出発点は、探したい情報そのものではなく「何を知りたいのか」という問いの形にすることです。この工程の出力は、情報源の一覧と、それぞれ何が書かれていたかの一行要約であるべきで、本文の丸ごとコピーではありません。OpenAIのDeep Researchのように、問いを渡すと複数のWebページを横断的に調べて根拠付きの下書きを返すエージェント型の機能を備えたツールもあります（対応プランやモデルは変更される可能性があるため、利用時に公式情報を確認してください）※1。詳しい手順はAIを使って必要な情報を効率的に探す実践手順で扱っています。

分析 — 集めた情報の中身を読み解く

集めた情報源をただ並べるのではなく、それぞれが何を主張し、どんな根拠に基づいているかを読み解く工程です。この段階の出力は、情報源ごとの「主張」「根拠」「確からしさの見立て」を短くまとめたメモにします。この形にしておくと、次の比較工程で同じ軸で並べやすくなります。

比較 — 情報源同士の違いと一致点を洗い出す

分析メモがそろったところで、複数の情報源を横に並べ、一致している点・食い違っている点・片方にしか書かれていない点を洗い出します。この工程の出力は、比較表や箇条書きの形の「差分リスト」です。差分が見えないまま次の整理工程に進むと、矛盾した情報がそのまま資料に混入します。

整理 — 分類してあとで使えるメモにする

比較まで終えた情報を、テーマや章立ての単位で分類し、あとから検索・再利用できる形にします。Googleが提供するNotebookLMのように、アップロードした資料だけを情報源として回答を生成し、根拠となった箇所を示すツールは、この整理段階で「この情報源にはこう書かれている」を突き合わせる用途に向いています（機能範囲は変更される可能性があるため、利用時に公式情報を確認してください）※2。

構造化 — 成果物の型に落とし込む

整理されたメモを、読み手が使える資料の形に組み直す最終工程です。骨子を人が決め、AIに章ごとの文章化を任せる進め方についてはリサーチ結果を構造化された成果物にまとめる手順で詳しく扱っています。

工程のつなぎ目で情報が壊れやすい点

もっとも起きやすいのは、工程をまたぐコピー&ペーストの際に出典URLや取得日が抜け落ちることです。要約文だけをコピーして次のチャットに貼ると、後から「これはどこの情報だったか」を再検索する羽目になります。工程ごとに、要約と一緒に出典を必ずセットで持ち運ぶ運用にしておくと、この手戻りを避けられます。

もう一つの落とし穴は、検証済みの情報と未検証の情報が同じメモの中で見分けがつかなくなることです。分析や比較の段階で「まだ一次情報を確認していない」ことを明示しておかないと、構造化の工程でAIがすべてを同じ確からしさの文章として扱ってしまいます。

もっとも、すべての工程を1つのツール・1つの長い会話の中で完結させる必要はありません。会話が長くなるほどAIが古い前提を引きずったまま新しい質問に答えてしまうこともあり、工程の区切りごとに新しいセッションを始めて、必要な情報だけを明示的に渡し直すほうがかえって精度が安定する場合があります。Claudeの「Projects」のように、特定のリサーチ課題に関連する資料やチャット履歴をひとまとめにして管理できる機能を使えば、セッションを分けても文脈を保ちやすくなります※3。

実務での組み方 — 一つのリサーチ課題を通して見る

「競合3社の新機能を比較し、社内共有用の1枚資料にまとめる」という課題を例に、5工程のつながりを見てみます。検索工程では、各社の公式発表やプレスリリースを情報源として集め、一覧にします。分析工程では、それぞれの発表が「何を」「いつから」「誰向けに」提供するものかを読み解きます。

比較工程では、3社の発表を同じ項目（対象ユーザー・提供時期・料金への影響）で並べ、差分を洗い出します。整理工程では、この差分リストを「自社への影響が大きい順」に分類し直します。構造化工程では、この分類済みメモを骨子に落とし込み、1枚資料としての体裁に文章化します。5工程それぞれの出力が次の工程の入力になっていることが分かります。

次の一歩

ワークフローの起点である情報検索の設計はAIを使って必要な情報を効率的に探す実践手順、終点である成果物づくりはリサーチ結果を構造化された成果物にまとめる手順で、それぞれ手順を詳しく扱っています。まずは自分が普段やっているリサーチ作業を、この5工程のどこかに当てはめてみることから始められます。

参考文献

1. 1. OpenAI. "Introducing deep research." OpenAI, 2025. — 問いを渡すと複数のWeb情報源を横断調査し、根拠付きの下書きを生成するエージェント型リサーチ機能について。
2. 2. Google. "NotebookLM." Google, 2023. — アップロードした資料のみを情報源として、根拠箇所を示しながら回答するツールについて。
3. 3. Anthropic. "Claude's Projects." Anthropic Help Center, 2024. — 特定の課題に関連する資料とチャット履歴をまとめて管理する機能について。