Column

社員の「作業ログ」を意味ある業務フローに変換できるか？

ブラウザ操作履歴・学習プラットフォームのクリックログ・AIツール利用記録という3種類の低レベルデータを、LLMが高レベルの「ワークフロー」として解釈するフレームワークWorkflowViewを紹介。HR・DX・オペレーション部門がこれをどう試せるか、具体的なユースケースとともに考える。

2026 / 06 / 16 5 分で読める English version →

ブラウザログ・学習データ・AIツール利用履歴という異なる行動ログがLLMによって高レベルのワークフローとして抽象化されていく様子を表現した抽象的なイラスト

こんにちは。Affectosphere Group の井下です。

「社員がどんな業務をしているかを把握したい」——これは多くのマネージャーが抱える悩みです。

でも実際には、把握できているのはシステム上の操作ログや申請書のデータだけで、「誰がどんな目的で、どんな手順を踏んでいるか」まではなかなか見えない。

ブラウザの閲覧履歴、学習ツールのクリックデータ、社内AIの利用ログ——こういったデータはすでに溜まっているはずです。ただ、これらは「低レベルの行動ログ」であって、意味のある業務単位には対応していない。

2026年6月にarXivで公開された研究（Gaurav Verma, Scott Counts, arXiv:2606.14654）は、このギャップをLLMで埋めるフレームワーク「WorkflowView」を提案しています。

今日の3点

異なる3種類の低レベル行動ログを、LLMが意味ある高レベルワークフローとして抽象化する汎用フレームワークWorkflowViewが提案された。
タスク説明の意味的類似度0.91、学習者の中退予測でweighted F1=0.90という結果が得られた。
業務プロセス分析・社内AI可視化・ナレッジマネジメントへの応用可能性が高い。

① WorkflowView は何をしているのか

WorkflowView の核心はシンプルです。

人間が何かをするとき、必ず「目的のある一連の行動」を取っています。でも、システムが記録するのはあくまで低レベルのアクション——URLのクリック、ボタンの押下、テキスト入力——です。

この低レベルな連続アクションを「意味のある活動のかたまり」として抽象化するのが、WorkflowView の役割です。

研究では3つの異なるドメインでこの抽象化を検証しています。

まず、ブラウザ操作ログです。どのURLにいつアクセスしたか、という行動ログから、「この人はいまどんなタスクをしているか」という説明文を再構築する試みです。

次に、教育プラットフォームのインタラクションログです。学習者がどんな操作をしたか、という行動履歴から、その学習者が中退するリスクが高いかを少数の事例で予測します。

3つ目は、Microsoft Word上でのAI利用履歴です。AI機能をどこで・どのように使ったかという記録から、文書の構造と編集プロセスをプライバシーに配慮した形で可視化します。

② 数値で見る精度

arXivで公開された研究で報告された数値は、かなり印象的です。

ブラウザログからタスク説明を再構築する設定では、意味的類似度（セマンティック・シミラリティ）が0.91に達しました。「ほぼ同じ内容として再現できた」と言えるレベルです。

教育プラットフォームの行動ログから学習者の中退予測をする設定では、weighted F1スコアが0.90でした。しかも少数例の設定でこの数値が得られている点が注目です。大量のラベル付きデータがなくても機能するという含意があります。

Word上のAI利用可視化については定量指標での直接比較が難しい設定ですが、プライバシーに配慮しながら文書構造の変化を追えることを実証しています。

論文著者は「LLMベースの抽象化は、低レベル行動データを高レベルで解釈可能なインサイトに変換する堅牢かつ効率的な手段」と結論づけています。3ドメイン横断でそれが示された点に意義があります。

③ 現場での応用：何から試せるか

ビジネス実装の観点で最も試しやすいのは、社内AIツールの利用ログ可視化だと思います。

多くの企業では、ChatGPTやCopilotなどの社内AIツールが導入されています。でも「誰がどう使っているか」「どんな業務に活用されているか」は、ログを見てもなかなか分からない。

WorkflowView的なアプローチを使えば、AIツールの操作ログから「この社員はドキュメント作成のたたき台生成に使っている」「この社員は会議メモの要約が主目的」といった活動レベルの解釈が可能になります。

想定されるユースケースの例を一つ示します。

DX推進部門が社内AI活用ダッシュボードを構築するシナリオです。Copilot for Microsoft 365のAPIログを定期的に取得し、WorkflowView的な抽象化をかけて「業務用途カテゴリ」に分類します。KPIとして「AI活用率」「活用業務種別の分布」「活用浸透率の部署間比較」あたりを設計すると、単なる「ログイン率」より意味のある活用実態が見えてきます。

HR部門への応用も考えられます。入社後の学習プラットフォーム利用ログから、研修への関与度・定着リスクを少数事例で予測するというシナリオです。研究が示したweighted F1=0.90の数値はこの設定に直接対応しています。

業務標準化の文脈でも使えそうです。ブラウザログや社内ツール操作ログから、優秀な社員がどんな手順で業務を進めているかを「暗黙の業務フロー」として抽出し、標準化・文書化に活用できます。

④ 取り組む前に考えておきたいこと

実装を検討する際には、いくつか注意点があります。

まず、プライバシーの問題です。行動ログの収集・分析は、社員のプライバシーや労働法との兼ね合いが重要です。研究のWord利用可視化が「プライバシーに配慮した形で」と明記しているように、設計段階での慎重な検討が必要です。

次に、抽象化の精度の限界です。LLMによる抽象化は強力ですが、ドメインや業務の種類によっては精度が落ちる可能性があります。まず小さなパイロットで精度を確認してから本格展開する方が現実的でしょう。

また、単なる監視ツールにならないように注意が必要です。行動ログの分析が「監視」ではなく「支援」につながる設計——社員自身が自分のワークフローを振り返り、改善に使える形——にすることが、継続的な活用につながります。

「ログが積み上がっている」から「意味が読める」へ

多くの組織では、行動データはすでに溜まっています。問題は、それを意味のある単位に変換する仕組みがないことです。

WorkflowView が示したのは、LLMを使えば異なるドメインの低レベル行動ログを、人間が解釈できる高レベルのワークフローとして再構成できるという可能性です。

特定のドメインや業務に特化した実装から試してみることが、最も現実的なアプローチだと思います。まずは「社内AIツールの利用ログをワークフロー単位で可視化する」という小さなPoC——このくらいのスコープから始めると、精度確認と現場への説明もしやすいはずです。

では！

参考論文

Gaurav Verma, Scott Counts (2026). Abstracting Cross-Domain Action Sequences into Interpretable Workflows. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。