Meaning Audit
意味の監査は、
その意味がどこから来たのかを
追います。
文章が正しいか間違っているかだけを見るものではありません。どこまでが元の情報で、どこから解釈・推論・提案が加わったのか。事実から結論までの間で何が足されたのかを見ます。
AIに資料をまとめさせると、読みやすい文章が返ってきます。ばらばらの事実に順序がつき、足りない文脈が補われ、話の筋が通る。便利であることは間違いなく、当社も日常的に使っています。
ただ、その「筋を通す」働きは、もとの情報に無かったものを足すことでもあります。足されたものは事実と同じ文体で書かれるので、読んでいるときに境目が分かりません。
どこまでが、もともとあった情報なのか。
どこからが、後から補われた意味なのか。
Example
3つの事実が、報告書になるまで。
説明のために作った例です。特定の案件の記録ではありません。
渡した事実
- 5月に、問い合わせフォームの入力項目を8つから5つに減らした。
- 問い合わせは4月が312件、5月が287件だった。
- 5月の対応完了までの平均時間は、4月より1.2時間短かった。
指示この3つを、読みやすい報告書にまとめてください。
返ってきた報告書
フォームの項目を削減した結果（因果が足された箇所）、問い合わせ件数が減少し、対応時間も短縮されました。入力負担の軽減が利用者の満足度向上につながった（解釈が足された箇所）と考えられ、他の窓口でも（一般化が足された箇所）同様の見直しを進めるべきです（提案が足された箇所）。
- 因果
- 解釈
- 一般化
- 提案
色のついた箇所は当社が付けた注釈です。もとの報告書には書かれていません。
- 削減した「結果」、件数が減少し因果
- どちらも事実です。ただ、片方がもう片方の原因だとは書かれていません。同じ月に起きた、というだけです。
- 利用者の満足度向上につながった解釈
- 満足度は測っていません。3つの事実のどこにも出てこない言葉です。
3つの事実は、どれも正しいままです。数字の取り違えも、無い出典の引用もありません。それでも読み終えた人の頭には、最初の3つには無かったものが残ります。「フォームを直せば満足度が上がる」「他の窓口でもやるべきだ」。
What
意味の監査とは
意味の監査（Meaning Audit）とは、文章や資料について、書かれている事実が正しいかではなく、その事実からどの推論を経て解釈・提案・判断にたどり着いたかを見えるようにする取り組みです。
ファクトチェック
その情報は正しいか。
数字、固有名詞、日付、出典。文章の中の「点」を見る。
意味の監査
その情報から、なぜその結論へ進んだのか。
もとの情報にはなかった意味が、どこで加わったのかを見る。
意味の流れ（説明用の見取り図）
- Evidence事実もとになった情報。データ、発言、資料。
- Interpretation解釈それを読み、選び、まとめる。
- Inference推論解釈から主張へ進む。因果や一般化が足される場所。
- Message伝わる意味見出し、順序、語彙によって読み手に届くもの。
- Decision判断その意味をもとに、誰かが何かを決める。
この図は説明のための見取り図で、意味の監査の正式な手順ではありません。書籍では「事実 → 解釈 → 仮説 → 提案 → 判断」、公開しているMeaning Audit Workflow では Evidence → Interpretation → Inference / Warrant → Context / Pragmatics → Commitment と表しています。方法論そのものを知りたい方は Workflow をご覧ください。
How
何を見るのか
どこまでが、元の情報か
文書の中のどの記述が、渡された資料やデータで裏づけられるか。
どこから、解釈や推論が加わったか
事実から離れた地点を、文書の中で指し示します。「結果」「そのため」のような接続が、根拠なく因果を作っていないか。
読み手が、何を前提として受け取るか
書かれていないのに伝わってしまう含意。見出しや順序が、本文以上の意味を運んでいないか。
その意味から、どんな判断が生まれるか
この文書を承認すると、実際には何を前提として受け入れることになるのか。
人が確認した方がよい箇所はどこか
すべてを確認するのは現実的ではないので、判断や約束に効く場所に優先順位をつけます。
これは、AIが作り出した問題ではありません。
前提を省く。解釈を事実の顔で書く。原因と結果をつなぐ。人が書く文書でも、ずっと起きてきたことです。AIによって変わったのは、生成される量と速さ、そして文章の自然さです。だからこそ、確認する必要性のほうが高まりました。減らせば解決する話ではなく、見えるようにする方法が要る、という話です。
Where
どんな文書が対象か
読んだ人が何かを決める文書であれば、どれも対象になります。作ったのがAIでも人でも変わりません。
Symptoms
こんな感じ方をしたことはありませんか。
- 間違ってはいない。でも、何か言いすぎている気がする。
- AIがきれいにまとめた。でも、誰が判断した内容なのか分からない。
- この企画を承認すると、実際には何を前提として受け入れることになるのか確認したい。
どれも、どこが問題なのかを指しにくい状態です。意味の監査は、この「うまく言えない違和感」を、文章のどの地点で何が起きたかという形に置き換えるところから始めます。
Service
お渡しいただくものと、お返しするもの
お渡しいただくもの
- 企画書、提案書、議事録、AIが生成した文章、Webページなど、実際にお使いの文書
- 元になった資料・データ・議事メモがあれば、それも一緒に
完成版でなくて構いません。作成途中のもの、社内で止まっているものでも見られます。
お返しするもの
- どこまでが、元の情報にあるか
- 文書のどの記述が、渡された資料やデータで裏づけられるか。
- どこから、解釈や推論が加わったか
- 事実から離れた地点を、文書の中で指し示します。
- 読み手が、何を前提として受け取りそうか
- 書かれていないのに伝わってしまう含意を挙げます。
- 人が判断・確認した方がよい箇所
- すべてを確認するのは現実的でないので、優先順位をつけます。
ご希望があれば、事実と解釈を書き分けた修正案までお出しします。問題がWebなら Web を、営業ならメッセージを、業務ならプロセスを直すところまで続けられます。
いまの進め方
意味の監査は、実践と検証を重ねながら方法を整備している途中です。当社ではこれまで、自社のWebページ、サービスの説明文、AIが生成した記事、社内の報告資料などを対象に確認を重ねてきました。社外の文書については、まず個別のご相談から始めています。文書の種類と分量を伺ったうえで、どこまで見られるか、どういう形でお返しできるかを最初にご相談します。
Resources
書籍・ワークフロー・研究ノート
Meaning Audit Workflow
文書・AIの生成物・提案などを監査するための手順とプロンプトを GitHub で公開しています。Claude Code のスキルとしても使えます。AIは意味が加わったところを追跡して示すだけで、受け入れるか、直すか、保留するかは人が決める前提です。
現在は v1.0（初期構築中） の公開です。
FAQ
よくある質問
- 意味の監査（Meaning Audit）とは何ですか？
- 文章や資料について、書かれている事実が正しいかではなく、その事実からどの推論を経て解釈・提案・判断にたどり着いたかを見えるようにする取り組みです。どこまでが元の情報で、どこから解釈が加わったかを指し示します。
- AIを使うのをやめたほうがいい、という話ですか？
- いいえ。AIが文脈を補い、読みやすい文章に整えることは便利な能力で、当社も日常的に使っています。問題はAIが意味を補うことそのものではなく、どこまでが元の情報で、どこからが補われた意味なのかの境界が見えなくなることです。
- どんな文書を見てもらえますか？
- 企画書、提案書、議事録、AIが生成した文章、Webページなど、読んだ人が何かを決める文書であれば対象になります。元になった資料やデータがあれば、それも一緒にご用意いただくと、どこまでが元の情報かをより正確に見られます。完成版でなくても構いません。
- どのように進みますか？
- まず個別のご相談から始めています。文書の種類と分量を伺ったうえで、どこまで見られるか、どういう形でお返しできるかを最初にご相談します。意味の監査は実践と検証を重ねながら方法を整備している途中なので、進め方も案件ごとに決めています。
Contact
その資料、どこまでが事実でしょう。
いま手元にある文書を1つ、一度見てみませんか。整理がついていない段階で構いません。