同僚に関する360度フィードバックの依頼が届いたり、上司から直属部下への具体的なフィードバックを書くよう頼まれたりします。全体としては良好だが、一つだけ繰り返し気になる点がある。そんな大まかな感触を、明確で具体的かつ役立つ文章にするのは、思った以上に難しいものです。AIは構成と言い回しを整えるうえで役立ちます。ただし、実際の内容を作る情報源ではありません。そこを取り違えると、この方法はうまくいきません。
これは人をAIで順位付けしないとは別の問題です。そちらは、モデルに人物のスコアや順位を求める危険を扱います。この記事では、スコアではなく、特定の行動について質的なフィードバックを書くことを前提とします。ここでのリスクは、AIが実際の観察を、自分が目撃し伝えようとした内容よりも曖昧、厳格、または一般的な表現へ変えてしまうことです。
正式な懲戒、内部通報、差別や合理的配慮に関する判断、児童・成人の保護、人員整理、解雇には使わないでください。これらは所定の手続きに従い、有資格者のレビューを受けてください。
ルール：例は自分のもの、構成はAIのもの
フィードバックに含める具体的な主張、たとえば「3月の報告書の期限を逃した」「計画会議で建設的に反論した」「スタンドアップで同僚の発言を繰り返し遮った」は、いずれも自分が実際に観察したことでなければなりません。できれば、おおよその日付や場面も添えます。AIは、実際に何が起きたかを独自に知ることができません。「コミュニケーションを改善すべき人へのフィードバックを書いて」と頼めば、具体的に聞こえても現実の出来事とは結び付かない、もっともらしい一般例を作るでしょう。それは具体性を装った捏造であり、受け手が不公平だと感じる原因そのものです。曖昧な例や捏造された例には、議論、訂正、理解の土台となる事実がありません。
実在の人についてのフィードバックで、AIに例、出来事、具体的行動を生成させないでください。ある点を支える具体的な場面を思い出せないなら、書く前に見つけるか、その点を落としてください——具体例のない一般的な印象は有用なフィードバックではなく、捏造された例は何もないより悪いです。
例を本物に保つワークフロー
ステップ1：先に自分の具体的な観察を列挙する
AIツールを開く前に、実際に覚えていることを書き出します。具体的な状況、その人がしたこと、効果。Center for Creative Leadershipが広く使うSituation-Behavior-Impactモデルは、AIが入る前から有用な形です——状況（いつ／どこで）、行動（何が具体的に起きたか、中立に記述）、影響（どんな効果があったか）（Center for Creative Leadership, “Use SBI (Situation-Behavior-Impact) to Inquire About Intent”）。
ステップ2：構成と言い回しにAIを使い、内容の生成には使わない
同僚へのフィードバックとして伝えたい具体的な観察は次のとおりです：
[paste your situation-behavior-impact notes]。同じ構造を使い、
明確でプロフェッショナルに言い回してください。上で私が
述べていない例・行動・影響を追加しないでください。トーンは
実際の意図に合わせてください——建設的な点を、私が述べたより
厳しく聞こえないようにし、本物の懸念を曖昧な称賛に和らげないでください。
二つ目の指示は、一つ目と同じくらい重要です。「角の立たない表現にして」と頼むと、モデルは本物の具体的な懸念を、受け手が何を変えればよいのか分からないほど曖昧な婉曲表現へ変えることがあります。
ステップ3：両方向で、実際の意図とトーンを照合する
下書きを読み返し、別々の二つの問いを立てます。実際に言おうとしたより厳しく聞こえるか、実際に言おうとしたより柔らかく・曖昧に聞こえるか。両方向が実害を生みます——過度に厳しい修正は軽い問題を深刻に誤って表し、過度に柔らかい修正は実行可能な本物の懸念を外交的な言葉に埋め、本人が変えるべきこととして認識しません。
ステップ4：送る前に、各例を自分の記憶と照合する
下書きの具体的な主張ごとに、それが指す場面を実際に思い出せるか確認します。文章は自然でも、対応する出来事を特定できないなら、下書きの過程で一般的な内容が紛れ込んだ合図です。削除するか、自分で責任を持てる内容へ置き換えてください。
フィードバックが給与、昇進、正式な人事評価プロセスの判断材料になるなら、非公式なAI下書きのメモではなく組織の正式なフィードバック様式やチャネルを使い、その文脈向けにHRが定めたプロセスに従ってください——うまく書かれた私的メッセージは、正式プロセスが求める記録の代わりになりません。
ここでのAIの向き／不向き
| タスク | 安全 | リスク |
|---|---|---|
| 自分の観察を明確な構造に整理する | はい | - |
| 実質を変えずにプロフェッショナルな言い回しにする | はい | 曖昧な表現へ弱まっていないか確認 |
| 複数の点にわたるトーンの一貫性を確認する | はい | - |
| 自分が供給していない例や出来事を生成する | いいえ | これは捏造 |
| フィードバックが「どれだけ厳しく／柔らかくあるべきか」を決める | いいえ | その判断は実際の行動と影響に基づき、あなたのもの |
| 具体的行動ではなく人の特性を記述する | いいえ | 観察した業務上の行動に焦点を当てる。診断、障害、動機、性格、保護される属性を推測しない。米国EEOCのAIとADAに関する資料は、非公式な下書きではなく雇用判断に使う自動化ツールを扱う米国の出発点であり、ここでの法的基準ではない |
人事評価やランキングと違う理由
この記事が扱うことと扱わないことを区別しておく価値があります。三つの作業は混同しやすいからです。人事評価の準備では、自分の仕事の根拠を整理します。人をAIで順位付けしないでは、モデルにスコア、等級、「どちらが上か」という判断を出させません。この記事はその中間にあり、他人の具体的な行動について、本人のためになる、根拠に基づく質的な観察をまとめます。数字でも自分自身の記録でもありません。三つに共通する説明責任の原則は、実名のある人が内容に責任を持つことです。ただし、材料と目的は大きく異なるため、同じワークフローとして扱うと、それぞれで誤りが生じます。
磨きは公平さではない
AIで表現を整えたフィードバックは、自動的に公平になると思いがちです。苛立ちながら急いで書いた初稿より、落ち着いて構造化された文章に見えるからです。しかし、文章の洗練と公平さは別のものです。フィードバックが公平なのは、具体的で、根拠に基づき、実際に起きたことと一致するときです。単にプロフェッショナルに聞こえるだけでは足りません。曖昧な例や捏造された例を穏やかな言葉で包んでも、事実に基づく粗削りな文章より良くなるわけではありません。同じ問題を見栄えよくしただけです。
管轄ごとの公式な出発点には、欧州委員会の雇用における平等の概要、エストニアの労働監督局と平等担当委員、米国のEEOC従業員向けポータルがあります。NIST AIリスクマネジメントフレームワークはガバナンスの指針であり、雇用法上の助言ではありません。
次のフィードバックを下書きする
次の360度レビューやフィードバックの面談前に、職場フィードバック下書きチェックリストで実際の観察を先に書き留め、構成とトーンを整えるためだけにAIを使ってください。1:1の準備の一部なら、1:1のアジェンダ準備でも、実際にどう伝えるかについて同じ「自分の言葉」の原則を扱っています。
