ベテラン社員の退職や異動でナレッジが失われ、新人教育や問い合わせ対応に工数を取られていませんか。生成AI×RAGで社内データを学習させれば、誰でも・いつでも・すぐにナレッジを引き出せる体制が作れます。

既存のConfluenceやNotionは投稿されず形骸化し、属人化のままだと業務継続性が脅かされます。一方、生成AI活用に成功した企業はカスタマーサポートで98%の正答率や年間44.8万時間の削減を実現しています。

本記事では、社内ナレッジ共有の課題、生成AIで変わる5つのメリット、RAGの仕組み、活用シーン、ツール3タイプ、導入事例7選、5ステップの導入手順、注意点まで体系的に解説します。

読み終えれば、自社のナレッジ共有を生成AIで再構築するロードマップを描き、推進担当として再現性のある成功パターンを語れる状態になります。

社内ナレッジ共有が抱える3つの課題

社内ナレッジ共有は「属人化・散在・形骸化」の3つの課題で進まなくなります。

• 属人化と暗黙知の継承困難
• 情報の散在と検索性の低下
• 既存ナレッジツールの形骸化

3つの課題は相互に絡み合っており、人手の運用と既存ツールでは解決が追いつきません。

属人化と暗黙知の継承困難

属人化はベテラン社員の暗黙知が個人にしか蓄積されず、退職や異動で業務が止まる状態です。

暗黙知は文章化が難しく、本人すら自覚せず使っているため、ドキュメント化のタイミングを逃します。営業の判断基準・トラブル対応の勘所・顧客対応の機微などが代表例です。

特定の人しか答えられない領域が増えると、業務継続性が一気に脆弱になります。退職や長期休暇のタイミングで業務がブラックボックス化し、復旧までに数週間以上かかる事態も珍しくありません。

仕組み化で言語化できれば、個人依存から組織知へと転換できます。

情報の散在と検索性の低下

情報の散在は必要な情報を見つけるのに毎回30分以上かかる状態を生みます。

原因は保管場所のルール統一がなく、社員が場当たり的に保存することにあります。規程はSharePoint、議事録はNotion、製品仕様はGitHub Wikiといった形で、情報が分散しがちです。

従来のキーワード検索では表記揺れに対応できず、「経費精算」と「立替金」が別物として扱われます。結果として「自分の頭で覚える」「先輩に聞く」が最速の解決策になり、属人化を加速させます。

横断検索が実現すれば、必要な情報に瞬時にアクセスできる環境になります。

既存ナレッジツールの形骸化

既存ナレッジツールは「投稿されない・更新されない・検索されない」の3重苦で形骸化します。

投稿の手間と評価の不在で運用が続かないことが原因です。投稿者には負担しか残らず、評価制度に紐づかないため、書く動機が生まれません。

マニュアルが2年以上更新されず古い情報のまま放置される事態は、多くの企業で発生しています。古い情報があると検索で混乱し、社員はツールを使わなくなる悪循環に陥ります。

生成AIを組み合わせれば、投稿・整理・更新の自動化で形骸化から脱却できます。

生成AIで社内ナレッジ共有が変わる5つのメリット

生成AIは社内ナレッジ共有に5つのメリットをもたらします。

• 自然言語検索で必要な情報に瞬時にアクセスできる
• 24時間365日対応で問い合わせ工数を削減できる
• 議事録・マニュアル・FAQの自動要約と分類ができる
• 暗黙知の言語化を支援できる
• 新人教育・人材育成を効率化できる

5つのメリットは属人化・散在・形骸化の3課題を同時に解決します。

自然言語検索で必要な情報に瞬時にアクセスできる

自然言語検索は意味を理解した検索で必要な情報に瞬時に到達できます。

従来のキーワード検索と異なり、文脈を踏まえて関連情報を引き出します。「先月の北海道案件で使った提案書テンプレ」と聞けば該当資料を提示してくれます。

表記揺れや言い換えにも強く、「経費精算」と聞いても「立替金処理規程」がヒットします。検索時間が30分から3分に短縮された事例も報告されています。

瞬時にアクセスできれば、探す時間が考える時間に置き換わり生産性が向上します。

24時間365日対応で問い合わせ工数を削減できる

チャットボット形式で社員がいつでも質問できる体制を構築できます。

熟練者への問い合わせを生成AIが代替することで、定型質問の8割を自動応答できます。人事制度・経費精算・IT問い合わせ・コンプライアンスなどが代表的な対象領域です。

夜間や休日でも回答が得られるため、グローバル拠点を持つ企業や時差勤務がある現場でも活用しやすくなります。問い合わせ受付の窓口業務がほぼ不要になる効果も期待できます。

工数が削減されれば、熟練者は本来業務である高度判断に集中できます。

議事録・マニュアル・FAQの自動要約と分類ができる

生成AIは膨大なドキュメントの要約・分類・タグ付けを自動化できます。

長文の要点抽出と構造化が得意なため、人手では追いつかない投稿・整理作業を肩代わりします。30分の会議議事録を10行にまとめ、決定事項・宿題・参照資料を分けて整理することも可能です。

マニュアルやFAQも、過去対応ログから自動生成できます。投稿者の負担がほぼなくなるため、形骸化の最大要因が解消されます。

自動化が進めば、ナレッジが蓄積され続ける状態を維持できます。

暗黙知の言語化を支援できる

生成AIはベテランの判断基準を対話形式で引き出すことができます。

「過去の失敗事例を教えてください」「どんな兆候が出たら警戒しますか」とAIが質問することで、暗黙知が言語化されていきます。本人すら自覚していないノウハウが対話の中で表に出てきます。

言語化された内容はそのままナレッジベースに登録できるため、ヒアリングと文書化を一体で進められます。退職前のベテランへの集中インタビューにも有効です。

暗黙知を組織知に変換できれば、属人化が根本から解消します。

新人教育・人材育成を効率化できる

生成AIは新人がAIに質問しながら自走できる体制を作ります。

教育担当の手間を増やさず、新人のキャッチアップ速度を上げられます。オンボーディング期間中の質問の8割をAIで解決できる体制が現実的になります。

OJTで聞きにくい初歩的な質問も、AIなら何度でも気兼ねなく聞けます。質問のハードルが下がることで、新人の学習スピードが大きく上がります。

教育時間を半減できれば、育成投資の回収が早まり中途・新卒採用の戦略にも好影響を及ぼします。

生成AIで社内ナレッジを扱う仕組み「RAG」とは

社内ナレッジ活用のカギはRAG（検索拡張生成）にあります。

汎用LLM単体では社内固有情報を扱えませんが、RAGは社内データを検索して回答に反映できます。本章ではRAGの3ステップの仕組み・ベクトル検索・ハルシネーション抑制の理由を解説します。

仕組みを理解すれば、ツール選定や運用設計の判断軸が定まります。

RAG（検索拡張生成）の3ステップの仕組み

RAGはRetrieval（検索）→Augmented（補強）→Generation（生成）の3ステップで動作します。

質問に関連する社内データを先に検索し、その内容をプロンプトに追加してから生成AIが回答を作る流れです。LLMの推測に頼らず、実データを根拠にできることが最大の特徴になります。

具体的な動きは「ユーザー質問→社内ドキュメント検索→該当部分をプロンプトに追加→LLMが回答生成」です。検索対象には規程・マニュアル・FAQ・過去のチャットログなどを使います。

3ステップを設計できれば、社内固有情報を扱えるAIアシスタントが手に入ります。

ベクトル検索で意味の近い情報を引き出す

RAGはベクトル検索で意味の近い情報を引き出します。

文章を数値ベクトルに変換し、類似度で検索する仕組みのため、単語一致ではなく意味の近さで判断できます。「経費精算ルール」と聞いても「立替金処理規程」がヒットします。

表記揺れや言い換えに強い検索が実現するため、ユーザーは厳密な用語を覚えなくても情報に到達できます。社内用語と一般用語の橋渡しもRAGが担います。

ベクトル検索を活用すれば、キーワードを知らない新人でもナレッジに到達できます。

RAGがハルシネーションを抑える理由

RAGは社内データを根拠に回答するためハルシネーションを抑えられます。

LLMの推測ではなく実データを参照する仕組みのため、根拠のない生成を最小化できます。出力には参照元のURLや該当ページを併記でき、根拠の確認も容易です。

ただしRAGでも完全にハルシネーションを防げるわけではありません。データに含まれない領域や曖昧な質問では推測が混じるため、人間レビューの仕組みは別途必要です。

根拠付きの回答が得られれば、誤情報による経営判断ミスを防げます。

生成AIによる社内ナレッジ共有の主な活用シーン

社内ナレッジ共有の生成AI活用は4つのシーンに集約されます。

• 社内チャットボットによる問い合わせ対応
• マニュアル・規程の自動作成と更新
• 議事録の要約とナレッジ抽出
• 過去事例・提案書の検索と再利用

4シーンはいずれも時間削減効果が大きく、PoCの題材としても適しています。

社内チャットボットによる問い合わせ対応

社内チャットボットは定型質問の8割を自動応答できる活用シーンです。

人事・経費・IT・コンプライアンスは質問パターンが定型化しているため、RAGとの相性が良い領域です。「育休はいつから取れますか」「経費精算の締切は」などの質問が代表例になります。

管理部門の問い合わせ工数を半減できる効果が期待できます。社員側も待ち時間ゼロで回答が得られるため、双方の生産性が同時に向上します。

定型対応をAIに任せれば、管理部門は制度設計など本来業務に注力できます。

マニュアル・規程の自動作成と更新

生成AIはマニュアル・規程の初稿作成と更新を支援します。

構造化文書の作成が得意なため、章立て・要点整理・目次生成を自動化できます。操作マニュアルや業務手順書の初稿は数分で生成可能です。

運用変更時の更新もRAGと組み合わせることで効率化できます。改訂前後の差分を提示し、影響範囲を自動抽出する使い方も実用化されています。

更新の手間が下がれば、マニュアルが古いまま放置される問題を解消できます。

議事録の要約とナレッジ抽出

議事録は自動要約と決定事項・タスク抽出で価値が大きく上がります。

1時間の会議録音をテキスト化し、要点10行＋決定事項＋宿題リストとしてSlackに自動投稿する運用が広がっています。みずほFGでは議事録作成の効率化が7割以上に達しています。

議事録は会議の量に比例して蓄積するため、ナレッジの源泉として無視できません。要約と分類が自動化されれば、検索でも組織知としても活用できます。

議事録作成工数を9割削減できれば、会議参加者は議論そのものに集中できます。

過去事例・提案書の検索と再利用

過去事例の文脈検索と再利用は提案・営業領域で大きな効果を生みます。

「製造業向けDXの提案書」と検索すれば、過去5年分から関連する10件を即座に提示できます。類似案件の構成・価格・リスクをそのまま参考にできるため、提案書作成時間が短縮されます。

営業以外でも、過去のトラブル対応・契約交渉・組織変更などの記録を再利用できます。組織知の活用範囲が広がります。

再利用が進めば、過去の知見がそのまま競争力に変換されます。

生成AI×社内ナレッジ共有のおすすめツール3タイプ

生成AI×ナレッジ共有のツールは3タイプから選ぶのが定石です。

• 汎用LLM＋RAG構築型（ChatGPT Enterprise・Azure OpenAI Service）
• 統合SaaS型（Microsoft 365 Copilot・Google Workspace Gemini）
• 専用ナレッジプラットフォーム型（Qast・ナレカン・Kibela）

自社の規模・既存環境・カスタマイズ要件に応じて最適タイプが変わります。

汎用LLM＋RAG構築型（ChatGPT Enterprise・Azure OpenAI Service）

汎用LLM＋RAG構築型は大手向けの高カスタマイズタイプです。

自社データで独自RAGを構築するため、業務固有要件への適合度が高くなります。日清食品ホールディングスはAzure OpenAI Serviceで「NISSIN AI-chat」を構築し、3週間で全社展開を実現しました。

セキュリティ要件が厳しい大企業や規制業種に向いています。導入工数は他タイプより大きいものの、長期運用での投資対効果が高いタイプといえます。

独自構築すれば、自社固有要件に最適化されたナレッジ基盤になります。

統合SaaS型（Microsoft 365 Copilot・Google Workspace Gemini）

統合SaaS型は既存オフィススイートに統合された手軽な導入タイプです。

Outlookメール・Teams会議・SharePointなどのデータが自動的に参照対象になります。Microsoft 365 Copilotは横断検索と要約・作成支援を1つのインターフェースで提供します。

導入のハードルが低く、ライセンス追加だけで始められる点が大きな利点です。すでにMicrosoft 365やGoogle Workspaceを使っている企業に向いています。

既存資産を活かせるため、初期投資を抑えて短期間で成果を出せます。

専用ナレッジプラットフォーム型（Qast・ナレカン・Kibela）

専用ナレッジプラットフォーム型はナレッジ共有特化のSaaSにAI機能が組み込まれたタイプです。

QastはQ&A型のナレッジ蓄積に強く、ナレカンは生成AI連携で検索精度を高めています。Kibelaは日報共有とAI要約の組み合わせが特徴です。

投稿・検索・タグ付けが統合されているため、運用設計が短期間で完結します。中堅企業や情シスのリソースが限定的な企業に向いています。

導入が早ければ、PoCから本番化までを最短ルートで進められます。

生成AIによる社内ナレッジ共有の導入事例7選

先行企業は生成AI×ナレッジ共有で具体的な成果を出しています。

業種・規模を問わず、検索・対応・要約の効率化が再現性高く実証されています。本章ではSeekAI・アサヒビール・楽天証券・三井住友海上・パナソニックコネクト・燈・みずほFGの7社を取り上げます。

業種別の参考事例として、自社のロードマップ設計に活かせます。

SeekAI：カスタマーサポートで98%の正答率を実現

SeekAIはRAG技術で社内データから最適回答を生成する独自開発AIです。

カスタマーサポート業務に最適化したRAG設計により、約98%の正答率を記録しました。全社展開で年間70〜80万時間の削減効果を見込んでいると報告されています。

定型質問が多いCS領域は、生成AI活用のロールモデル領域として注目されています。社内ナレッジを構造化したうえで、業務特化のチューニングを行うことが成功要因です。

業務特化のRAG設計により、正答率と業務効率を同時に最大化できます。

アサヒビール：全社員の業務効率向上に向けた検索システム

アサヒビールはナレッジベースに生成AIを組み込んだ検索システムを構築しています。

形式の異なる資料データを複合的に抽出する検索システムを実現し、商品開発の強化と業務効率化を同時に進めています。マーケ・研究開発・営業のドキュメントを横断検索できる設計です。

製造業の中でも、消費財メーカーは商品企画と現場ナレッジの距離が近いため効果が出やすい業種です。部門横断の活用が進めば、商品開発スピードに直結します。

横断活用が実現すれば、商品開発と業務効率の両輪を強化できます。

楽天証券：顧客対応ナレッジの統合検索

楽天証券は顧客対応ナレッジの統合検索を生成AIで実現しています。

規程・FAQ・過去対応ログを横断し、最適な回答を提示する仕組みです。問い合わせ対応の品質と速度を両立する目的で設計されています。

金融商品の説明はミスが許されないため、根拠付きの回答が出せるRAGとの親和性が高い領域です。オペレーターの応対品質を均質化する効果が期待できます。

応対品質が均質化すれば、顧客満足度とオペレーター育成の両立が実現します。

三井住友海上火災保険：保険業務のナレッジ活用

三井住友海上火災保険は保険商品・約款・規程の膨大なナレッジを生成AIで活用しています。

保険業界は商品が多岐にわたり、規制や約款の正確な参照が要求されます。商品設計・販売・査定業務での文書検索を生成AIで支援する取り組みが進んでいます。

規制業種で生成AIを活用するには、根拠付きの回答が必須です。RAGと運用ルールの組み合わせがカギになります。

規制対応とスピードを両立できれば、保険業務の生産性が大きく向上します。

パナソニックコネクト：ConnectAIで年間44.8万時間削減

パナソニックコネクトはConnectAIで年間44.8万時間の業務削減を達成しました。

2023年6月に自社カスタマイズしたAIアシスタント「ConnectAI」を全社員向けに導入。1年目で18.6万時間、2年目で44.8万時間の削減を実現しています。

1回の利用あたり28分の削減、画像利用時は36分に達します。「聞く」から「頼む」への利用シフトが進み、プロンプトが長文化・高度化したことで効果が拡大しました。

大規模組織での成功事例として、全社展開のロールモデルになります。

燈株式会社：建設業向けナレッジ共有AI

燈株式会社は建設業の専門ナレッジを扱う生成AIサービスを提供しています。

建設業は規格・施工要領・安全基準など専門知識が多岐にわたります。図面・仕様書・施工事例を横断検索しナレッジ化できる業界特化のサービス設計が特徴です。

業界特化型は、汎用ツールでは対応しきれない専門ナレッジの活用に向いています。建設・医療・法務など、業界知識の深さがある領域で成果が出やすい傾向があります。

業界特化のAIなら、専門ナレッジを高精度に活用できます。

みずほFG：議事録AIで7割効率化

みずほFGは議事録AIで7割以上の効率化を達成しています。

2023年6月に社内向けテキスト生成AI「Wiz Chat」を導入し、社内SNSで活用方法を共有する仕組みを整えました。アイデアソンには社員から2,000件超のアイデアが集まっています。

金融という規制業種でも全社員向けの生成AI展開が可能であることを示した好例です。ガバナンスと活用を両立する設計が成功要因になります。

規制業種でも展開できることが示されたため、業界横断で生成AI活用が標準化されつつあります。

社内ナレッジ共有に生成AIを導入する5ステップ

生成AI×ナレッジ共有の導入は5ステップで設計します。

• ステップ1：対象ナレッジの棚卸しと優先順位付け
• ステップ2：ツール選定とRAG構成の決定
• ステップ3：データ整備とメタデータ設計
• ステップ4：PoCとKPI設計
• ステップ5：全社展開と運用ルール整備

順番を守ることで、PoC止まりで終わる典型パターンを回避できます。

ステップ1：対象ナレッジの棚卸しと優先順位付け

ステップ1は対象ナレッジを棚卸しし、優先順位を付けることです。

すべての領域を対象にすると整備が永遠に終わりません。問い合わせ頻度・更新頻度・業務影響度の3軸で評価し、効果の出やすい領域から始めます。

人事制度・FAQ・操作マニュアルは定型化されており効果が出やすい領域です。逆に、機微情報を含む人事評価ナレッジや経営判断ログは慎重に扱います。

優先順位を付ければ、投資対効果の高い領域に集中できます。

ステップ2：ツール選定とRAG構成の決定

ステップ2は3タイプから自社最適を選ぶことです。

誤った選定は運用フェーズで負債化します。大手は汎用LLM＋RAG構築型、中堅は専用プラットフォーム型、既存Microsoft環境は統合SaaS型が定石です。

RAG構成は社内データの保管場所・量・更新頻度で設計します。閉域構成にするか、SaaS連携にするかは情シスとセキュリティの要件で決まります。

選定軸が定まれば、選定の手戻りを最小化できます。

ステップ3：データ整備とメタデータ設計

ステップ3はデータ整備とメタデータ設計です。

RAGの精度は元データの質と構造化度に依存します。タグ・カテゴリ・更新日・所属部門・公開範囲などのメタデータを整えます。

古い情報や重複情報の削除も同時に行います。データ整備にはステップ1で特定した優先領域から着手し、段階的に範囲を広げる進め方が現実的です。

メタデータが整えば、検索精度が大きく向上します。

ステップ4：PoCとKPI設計

ステップ4は限定部門でPoCを実施しKPIを測定することです。

1部門3ヶ月で正答率80%以上・利用率50%以上を達成基準にするのが一般的な目安です。KPIは利用率・業務適用率・成果（時間削減・品質向上）の3階層で設計します。

PoC期間中はユーザーフィードバックを集め、データ整備や検索アルゴリズムの改善に反映します。経営層への中間報告も忘れずに行うと、本番化承認がスムーズになります。

PoCで効果を確認できれば、本番化のリスクを最小化できます。

ステップ5：全社展開と運用ルール整備

ステップ5は全社展開と運用ルール整備です。

投稿・更新・検証のルールが続かないとナレッジは陳腐化します。月次のデータ更新サイクル、誤情報の報告フロー、AIチャンピオン制度などを整備します。

全社展開時には階層別研修も並行して進めます。経営層・管理職・一般社員でそれぞれ求められる使い方が異なるためです。

運用ルールが整備されれば、継続的な進化が組織に根付きます。

生成AI×社内ナレッジ共有の注意点と対策

生成AI×ナレッジ共有の運用には3つの注意点があります。

• ハルシネーション対策
• 機密情報の取り扱いとアクセス制御
• ナレッジ更新ルールの維持

技術導入だけで成功は担保されないため、運用設計まで踏み込んで対応します。

ハルシネーション対策

ハルシネーションは「起きる前提」で運用設計することが対策の出発点です。

RAGを使っても完全には防げません。出典URLの併記、人間レビューの必須化、業務影響度別のチェックリストなどを組み合わせて運用します。

誤情報の発見と修正フローも整備します。社員が「これ違うかも」と感じた瞬間に報告できる仕組みがあると、誤情報の拡散が最小化されます。

チェックと修正の仕組みがあれば、誤情報による経営判断ミスを防げます。

機密情報の取り扱いとアクセス制御

機密情報はデータ分類別のアクセス制御が必須です。

全社員が全情報にアクセスできる設計はセキュリティ事故の元になります。人事情報・財務情報・営業秘密は閲覧権限を限定し、Azure OpenAI Service等の閉域構成を選定するのが定石です。

利用契約上の学習除外設定（オプトアウト）も必ず確認します。社内データが外部のLLM学習に使われない構成かどうかは、契約段階の重要チェック項目です。

アクセス制御が整えば、情報漏洩リスクを最小化しつつ活用できます。

ナレッジ更新ルールの維持

ナレッジは更新サイクルを定めないと陳腐化します。

データが古いとAIの回答も古くなります。四半期ごとの責任部門レビュー、誤情報報告フロー、月次の利用ログ分析を組み合わせて鮮度を維持します。

更新の責任者を明確にすることが要点です。誰の所管でもないナレッジは確実に放置されるため、各文書に責任部門と次回見直し日を記載します。

更新ルールが維持されれば、常に最新の状態でAIが回答できます。

生成AI×社内ナレッジ共有に関するよくある質問

生成AI×社内ナレッジ共有に関する質問は以下の3つです。

• 中小企業でも導入できますか
• 既存のConfluence・Notion等とどう連携しますか
• 自社構築と既製ツールはどちらがおすすめですか

質問に対する回答を確認して、自社のナレッジ共有設計の参考にしてみてください。

中小企業でも導入できますか

中小企業こそ生成AI×ナレッジ共有のROIが高い傾向があります。

少人数組織は属人化の影響が大きいため、解消効果が顕著に表れます。従業員50名規模で専用プラットフォーム型を月額数万円で導入し、3ヶ月で効果を実感した事例も存在します。

低コストで始められる専用プラットフォーム型から始めるのがおすすめです。経営者の本気度が最大のレバレッジになります。

低コストで導入すれば、大手との差を一気に縮められます。

既存のConfluence・Notion等とどう連携しますか

既存ツールはRAGの参照データソースとして連携できます。

APIやコネクタで生成AIから検索可能になります。ConfluenceのページをRAGに取り込み、ChatGPT EnterpriseやMicrosoft 365 Copilotから自然言語で検索する構成が一般的です。

既存資産を捨てる必要はなく、むしろRAG導入で再活性化させる発想が望ましいでしょう。これまで形骸化していた投稿が、検索される資産に変わります。

既存資産を活かせれば、移行コストを最小化しつつ効果を最大化できます。

自社構築と既製ツールはどちらがおすすめですか

自社構築と既製ツールは規模・要件・スピードで使い分けます。

自社構築は柔軟性、既製ツールは導入スピードに優れます。大手で独自要件が多い場合は自社RAG構築、中堅で標準機能で十分なら既製ツールを選ぶのが一般的です。

判断軸は「自社固有の業務プロセス」「セキュリティ要件」「情シスのリソース」「予算規模」の4点になります。1年運用後の成長余地も考慮すると失敗が減ります。

適切に使い分ければ、投資判断を最適化できます。

生成AIと仕組み設計で社内ナレッジを資産化する

生成AI×RAGで社内ナレッジ共有を仕組み化すれば、属人化を解消し誰でも・いつでも・すぐに引き出せる体制を作れます。

3タイプのツールから自社最適を選び、5ステップで導入することで、PoC止まりの典型的な失敗パターンを回避できます。先行7社の事例は、業種・規模を問わず生成AI×ナレッジ共有の効果が実証されていることを示しています。

ただし、技術導入だけでは続きません。ハルシネーション対策・アクセス制御・更新ルールの3点を運用設計まで踏み込んで整備することが、ナレッジ資産化の前提条件です。

最新の事例や成功パターンを継続的に学び、自社のナレッジ共有を進化させていきましょう。