文書の分類が崩れる原因とM-Filesの対策|AIに付けさせる範囲

文書の分類が崩れる原因とM-Filesの対策|AIに付けさせる範囲

「社内の生成AIに資料を読ませたいのに、どの版が正しいのか、どれが顧客向けなのかが文書の側で分からない」「保存するときに分類を付けるルールはあるが、忙しい部署ほど空欄のまま」——文書を扱う部署と情報システム部門の間で、2026年に入って一段と増えた声です。調査会社 Gartner は2026年4月の報告で、自社のコンテンツがAIに使える状態だと強く確信している組織は14%にとどまるとしています。足りないのはAIの性能ではなく、文書に付いているべき属性(種類・顧客・案件・機密度)のほうです。この記事では、メタデータ型の文書管理を手がける M-Files が2026年6月に打ち出したエージェント機能を例に、分類が崩れる原因と、AIに属性付けや振り分けを任せるときにどこまで自動にし、どこで人が確かめるかを整理します。画面の操作や料金プランの一覧は扱いません。


カメ先生カメ先生

文書の分類は、AIに読ませれば勝手に整うと思われがちなんだ。でも本当は、何を基準に分けるかを人が決めていない会社ほど、AIの付けた分類もばらばらになるんだよ。


カメ子カメ子

AIが付けるのは値だけで、どんな項目に分けるかの物差しは人が用意する、ということですか。


カメ先生カメ先生

そう。それに、属性は検索のためだけじゃない。誰に見せるか、どの承認に回すかも属性で決まるから、間違いは見える範囲の間違いにつながる。だから、AIに提案させる項目と、人が確かめる項目を先に分けておくんだ。


カメ子カメ子

分類の誤りが、そのまま情報の出しすぎになることもあるんですね。


この記事のポイント
  • M-Files は2026年6月、ワークフローに自然文の指示を入れて文書の検証・振り分けを自動化するカスタムエージェントをベータとして発表し、設定した値には根拠と出典を記録するとしている
  • 分類が崩れる原因は、属性付けが保存する人の手間に頼っていること、分類の基準が文書になっていないこと、振り分けが人の記憶で回っていることの三つに整理できる
  • AIには文書の種類や顧客名などの提案を任せ、機密度と権限、承認ルートの例外は人が持つ。ベータ機能は本番の承認に直結させず、過去の文書で試してから広げる

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

目次

M-Filesとは:フォルダの場所ではなく「属性」で文書を管理する仕組み

M-Files は、フィンランドで生まれた文書管理の製品です。最大の特徴は、文書を「どのフォルダに置いたか」ではなく、文書の種類、顧客、案件、担当者、有効期限といった属性(メタデータ)で管理する点にあります。同じ契約書を、顧客の画面からも、案件の画面からも、更新期限の一覧からも呼び出せるのは、置き場所ではなく属性で引いているからです。

同社は利用企業が100か国以上で6,000社を超えると公表しています。マイクロソフトの業務製品との連携を前面に出しており、Teams や SharePoint、Microsoft 365 の Copilot とつなぐ機能を用意しています。2024年には投資会社の Haveli とブレガル・マイルストーンが同社を取得したと報じられ、今回の確認(2026年11月)では、その後に同社が売却されたという報道は見当たりませんでした。また、調査会社 Gartner の文書管理の評価(2026年版)でリーダーの一社に選ばれたとされています。

国内では、文書管理の製品として名前を聞く機会はまだ多くなく、日本語の解説資料も限られます。導入を検討するときは、国内の販売代理店と日本語のサポート窓口、日本語の文書でのAIの精度を、最初の問い合わせで確かめる必要があります。公式資料からは、日本語での属性提案の精度までは読み取れませんでした。

2026年6月の発表:ワークフローに入るカスタムエージェント

2026年6月24日、M-Files はエージェント機能の拡張を発表しました。中心は、ベータとして出したカスタムエージェントです。発表文では、ワークフローにAIの指示を入れ、文書の検証、振り分け、内容にもとづく判断を自動にするものと説明されています。指示は一度、自然な文章で設定し、エージェントは文書と関連する業務の文脈を読んで、自分が変更を許された属性だけを更新し、作業を次の段階へ進めるとされています。

同じ発表では、ほかのエージェントも並べられています。文書を追加したときに分類・名前・タグ・説明を提案する Metadata Agent(管理者の設定なしで使え、属性の足りない既存の文書にも使えるとしています)、古い文書に一括で属性を付け、定期的に回せる大規模版、役割ごとに遅れや承認待ちを知らせる Insights Agent、会議の記録から作業を起こすエージェント、品質の記録や契約の確認を手伝うエージェント、そして文書の内容を答える対話型のアシスタント Aino です。さらに、MCP(AIと外部の道具をつなぐ共通の取り決め)への対応を開発中だとしています。

製品責任者のトニー・グラウト氏は、AIの補助から自律的に動く仕組みへ移るほど信頼が欠かせなくなる、という趣旨の発言をしています。発表文では統制や透明性が繰り返し強調される一方で、人がどの段階で確認し承認するかの具体的な設計は書かれていません。正式提供の時期も示されていないため、人の関与は使う側が設計する前提で読むのが妥当です。

課題:AIに渡す前の文書が「属性のない山」になっている

社内の生成AIに文書を読ませる取り組みが広がるほど、問題は答えの質よりも、根拠に使われた文書のほうに見えてきます。古い版の手順書が根拠になる、別の顧客向けの見積もりが混ざる、社外に出してはいけない検討資料が要約に入る。どれも、AIが文書の中身を読み違えたのではなく、文書が「いつの、誰向けの、どの程度の機密の」ものかを、文書の側が示していないことから起きています。

冒頭の14%という数字は、この状態を多くの組織が自覚していることを示しています。属性のない文書は、人が探すときには「なんとなくの記憶」で補えますが、AIは補えません。属性がないまま生成AIの検索や要約に載せると、見えてはいけない人に見え、使ってはいけない版が使われる危険が、文書の量に比例して増えます。

文書をどう探しやすくするかの一般論(命名・版・保存年限・廃棄)は別の記事で扱っているため、ここでは、文書管理の製品の中のAIエージェントに、属性付けと振り分けをどこまで任せるかに絞ります。次の三つの節で原因を、その後で対策を見ていきます。

原因1:属性を付ける作業が、保存する人の手間に頼っている

属性で管理する仕組みを入れても、属性を付けるのが人である限り、空欄と揺れは避けられません。保存のたびに文書の種類、顧客、案件、機密度を選ぶ作業は、一件なら数十秒でも、日々の業務では負担になります。忙しい部署ほど「その他」や既定値のまま保存され、後から直す人はいないというのが、多くの会社で起きていることです。

属性の値の揺れも問題です。同じ顧客が正式名、略称、旧社名で登録される。文書の種類で「提案書」と「企画書」が混ざる。こうした揺れは検索では見落としにつながり、承認の振り分けでは回付先の誤りにつながります。M-Files の Metadata Agent が、追加の時点で属性を提案し、利用者がワンクリックで受け入れる形をとっているのは、保存の瞬間の手間を減らすことが、空欄を減らす一番の近道だからです。

ただし、提案を受け入れるかどうかを判断するのも、保存する人です。提案をよく見ずに受け入れる習慣がつくと、空欄は減っても、誤った値が増えます。空欄が減ったことと、正しい値が増えたことは別に数える必要があり、これが後で見る試行の設計の要点になります。

原因2:分類の基準(種類・顧客・案件・機密度)が文書になっていない

二つ目の原因は、分類の物差しそのものが曖昧なことです。文書の種類は何通りあるのか、「顧客」はどの台帳の名前を正とするのか、案件はどの番号で識別するのか、機密度は何段階で、それぞれ誰に見せてよいのか。これらが部署ごとの暗黙の了解のままだと、人が付けてもAIが付けても、値は付いているのに、部署をまたぐと意味が通じない状態になります。

AIに属性を提案させる場合、この基準の曖昧さはそのまま提案の揺れになります。M-Files のカタログでは、提案させる属性を管理者が選び、各属性の説明を書いてAIの判断を導けると説明されています。この説明文こそが、分類の基準を文書にしたものです。「提案書:顧客に提出する前提で作った、価格を含む文書」のように、境目の例まで書いておくほど、提案は安定します。

顧客や案件のように、正しい値の一覧が別の台帳(CRMや基幹の仕組み)にある属性は、自由な文字ではなく、その一覧から選ばせる形にしておくべきです。AIが文書の中の社名を読み取っても、台帳の正式名と照らし合わせて初めて使える値になります。一覧に無い値をAIが新しく作れる設定は避けるのが安全です。

原因3:振り分けと承認回付が、人の記憶とメールで回っている

三つ目の原因は、文書が保存された後の流れです。請求書は経理へ、契約書は法務の確認へ、品質の記録は品質保証の承認へ。こうした振り分けが、担当者の記憶とメールの転送で回っていると、文書がどの段階にあり、誰の確認待ちなのかが、文書管理の仕組みの外にしか残らないことになります。

M-Files は、文書の状態(下書き・確認中・承認済みなど)と、その状態ごとの担当と権限を定義するワークフローの仕組みを、もともと持っています。カスタムエージェントは、このワークフローの一段にAIの指示を差し込むものです。公式の機能ページでは、届いた請求書を契約の条件と照らし合わせて承認へ回す、という例が挙げられています。

ここで注意したいのは、振り分けの誤りは、属性の誤りよりも気づきにくいことです。属性の誤りは画面を見れば分かりますが、承認ルートが一段飛ばされたことは、後から監査で記録をたどるまで誰も気づかないことがあります。振り分けをAIに任せる範囲は、属性の提案より慎重に決める必要があります。

対策の全体像:AIに任せる作業と、人が確かめる作業を分ける

三つの原因に対して、AIが効くのは主に一つ目(手間)と三つ目(振り分けの定型部分)です。二つ目の基準づくりは、人の仕事として残ります。全体を一つの表にすると、次のようになります。右の列にある判断は、AIの性能が上がっても人の側に残す前提で設計します。

作業AIに任せやすいこと人が持つべき判断
属性の提案文書の種類、顧客名、日付、有効期限の読み取り提案の受け入れ、台帳に無い値の扱い
既存文書の一括付与属性の足りない古い文書への提案抜き取りでの正誤確認、付与の取り消し
機密度候補の提示まで区分の決定と、見える範囲の変更
検証契約条件や必須項目との照合、食い違いの指摘指摘が問題かどうかの判断
振り分け定型の回付先への送付例外の扱い、承認そのもの

表の真ん中の列は、どれも「見つけて示す」「候補を出す」作業です。M-Files のカスタムエージェントは、設定した値を根拠と出典とともに記録すると説明しており、AIに根拠を書かせ、人が後から確かめられる形を製品の側でも想定していることが分かります。この記録を、人の確認の材料として実際に使う運用にできるかが、次の節からの論点です。

メタデータ付与をAIに任せる:効き目と、誤りが広がる経路

属性の提案をAIに任せる効き目は、空欄が減ることと、値の揺れが減ることです。とくに、文書の種類、取引先名、契約日、有効期限のように、文書の中に書かれている事実を読み取る属性は、AIに向いています。文書に書かれていることを読み取る属性と、文書の外の事情で決まる属性を分けると、任せる範囲が見えやすくなります。

一方で、誤りが広がる経路も押さえておく必要があります。属性はそれ自体が検索の入り口であり、権限やワークフローの条件にも使われます。顧客名を一つ間違えれば、その文書は別の顧客の画面に並び、その顧客の担当者に見える状態になることがあります。案件の番号を間違えれば、別の案件の承認に回ります。

大規模版のように、古い文書に一括で属性を付け、定期的に回す機能は、効き目も誤りも一度に大きくなります。数万件に一括で付けた後で誤りに気づくと、どの文書のどの値をAIが付けたのかを洗い出して戻す作業が必要になります。一括付与は、権限の条件に使っていない属性から始め、付与の前後の値を残しておくことが、戻せる設計の前提です。

  • 権限やワークフローの条件に使っている属性を、最初からAIの一括付与の対象にする
  • 提案の受け入れ率だけを見て、精度が高いと判断する
  • 台帳に無い顧客名や案件名を、AIが新しい値として登録できる設定にする
  • どの値をAIが付け、どの値を人が付けたかを区別せずに保存する

機密度と権限:AIに変えさせない線

文書管理で最も重い属性は、機密度と、それにひもづく閲覧の権限です。M-Files は、文書の状態や業務の文脈にもとづいて権限や保存の規則を動的に当てる仕組みを打ち出しており、属性しだいで見える人が変わる設計をとれます。これは便利な反面、AIが属性を変えることが、そのまま見える人を変えることになり得るという意味でもあります。

発表文では、カスタムエージェントは自分が変更を許された属性だけを更新するとされています。つまり、どの属性をエージェントに触らせるかは、設定する側が決められるということです。機密度と、権限の条件に使っている属性は、エージェントの変更対象から外すのが基本の線です。AIには「この文書は機密度を上げたほうがよい可能性がある」という候補を示させ、区分の決定は情報の管理者が行います。

線を引くときは、機密度を上げる方向と下げる方向を分けて考えると整理しやすくなります。上げる方向の誤りは、見えるべき人に見えなくなる不便で済みますが、下げる方向の誤りは情報の出しすぎになります。下げる方向の変更は、どんな場合も人の承認を通すと決めておけば、AIの誤りが漏えいに直結する経路をふさげます。

  • エージェントに変更を許す属性を一覧にし、機密度と権限の条件に使う属性を除外する
  • 機密度は候補の提示までとし、区分の決定者を部署ごとに決める
  • 機密度を下げる変更は、AIの提案でも人の承認を必須にする

カスタムエージェントで検証・振り分けを自動にするとき:ベータの注意

カスタムエージェントは、2026年6月の時点でベータとして出されています。ベータは、提供元が仕様や動きを変える可能性があり、品質の保証や問い合わせへの対応が正式版と異なることがある段階です。ベータの機能を、取り消しの効かない業務の流れに直結させないことが、最初の線になります。

具体的には、エージェントに任せるのを「検証して指摘する」「回付先の候補を示す」までにとどめ、承認の状態へ進める操作は人が行う形から始めます。請求書と契約条件の照合のような例でも、照合の結果を担当者に示し、承認の可否は担当者が決める形なら、エージェントの指示や動きが変わっても、業務への影響を担当者の段階で止められます。

自然な文章で指示を書けることは、裏を返せば、指示の書き方で動きが変わるということです。指示の文面は、誰が書き、誰が確認し、いつ変えたかを記録しておきます。指示の変更は、ワークフローの設定の変更と同じ手続きで扱うのが妥当です。担当者が気軽に文面を直せる状態では、振り分けの規則がいつの間にか変わることになります。

STEP1
任せる段階を一つ選ぶ

ワークフローの中で、定型で、誤っても戻せる段階を一つだけ選ぶ。承認そのものは選ばない。

STEP2
指示文と対象の属性を文書にする

自然文の指示、更新を許す属性、触らせない属性を書き出し、情報システムと業務の責任者が確認する。

STEP3
指摘までで止めて並行運用する

エージェントの結果を人の判断と並べて記録し、食い違いの件数と中身を見る。

STEP4
記録された根拠を抜き取りで読む

値に添えられた根拠と出典が、実際の文書の記載と合っているかを確かめる。

STEP5
正式提供後に、自動で進める範囲を決め直す

ベータが外れた時点の条件と、並行運用の結果を見て、次の段階に進めるかを判断する。

既存のファイルサーバー・SharePointとの関係:移さずに属性を足す

文書管理の製品を入れるとき、多くの会社がためらうのは、既存のファイルサーバーや SharePoint からの移行の手間です。M-Files は、ネットワークフォルダや SharePoint にある文書を、元の場所に置いたまま M-Files の画面から扱い、属性を足すことで管理の対象に加えられる接続機能を用意しています。接続機能は別のライセンスが必要とされています。

この形は、移行せずに始められる利点がある一方で、文書の権限が二か所で決まることになります。元の場所の権限と、M-Files の側の属性にもとづく権限が食い違えば、片方では見えないはずの文書が、もう片方から見えることが起こり得ます。どちらの権限を正とするか、元の場所での直接の編集を続けさせるかを、接続する前に決めておく必要があります。

また、カタログでは SharePoint のオンプレミス版の接続機能が対応する版に限りがあることや、クラウド版の接続で認証の方式が変わったことが示されています。自社の SharePoint やファイルサーバーの版と認証の方式が、接続機能の条件に合っているかは、試行の前に提供元か販売代理店に確かめます。

Copilotなど社内の生成AIに渡す前の判断

M-Files は、自社を Microsoft 365 の Copilot の精度と信頼性を高める「統制された知識の土台」と位置づけています。社内の生成AIに直接ファイルサーバーを読ませるのではなく、属性と権限の整った文書管理を間に置く、という考え方です。Copilot に読ませる範囲を SharePoint の側で絞る話は別の記事で扱っているため、ここでは文書管理の側をどこまで整えてから生成AIにつなぐかに絞ります。

判断の目安は、生成AIに読ませたい文書の範囲で、機密度と顧客の属性がどれだけ埋まり、正しいかです。属性のAI提案を使って空欄を埋め、抜き取りで正しさを確かめ、機密度の付いていない文書は生成AIの対象に入れないという線を引けば、整った範囲から順につなげられます。全社の文書が整うのを待つ必要はありません。

反対に、属性が整わないまま生成AIにつなぐと、AIの答えの誤りを、文書の側の問題として切り分けられなくなります。答えが間違ったときに、AIが読み違えたのか、根拠の文書が古かったのか、見えてはいけない文書が混ざったのかを確かめるには、根拠に使われた文書の属性と版をたどれることが必要です。文書管理を間に置く意味は、ここにあります。

データの行き先:どこで処理され、何が学習に使われるか

AIの機能を使うと、文書の中身が提供元の処理の仕組みに送られます。M-Files のクラウドはマイクロソフトの Azure 上で動いており、単一の企業専用の環境を別料金で用意しているとしています。2024年に販売代理店のコニカミノルタの欧州法人が出した Aino の案内では、Aino は M-Files のクラウドで動き、オンプレミスの保管庫で使う場合もクラウドへの接続が必要で、利用者は処理の地域を選べると説明されています。

同じ案内では、処理のために送られたデータは処理の完了後に削除され、顧客のデータが他の顧客のためのAIの学習に使われることはないとしています。一方で、その顧客の保管庫の内容とやり取りを、その顧客向けに Aino の性能を高める目的で使うことがあるとも書かれています。自社のためであっても、内容が改善に使われることを許すかどうかは、法務と情報管理の担当で判断が要る点です。

この案内は2024年のもので、2026年のエージェント機能について同じ条件が当てはまるか、どのAIモデルを使っているかは、今回確認した公開資料からは読み取れませんでした。契約の前に、処理の地域、AIの処理の委託先、学習や改善への利用の有無と止め方、削除の手順を、最新の契約書と提供元の情報公開の資料で確かめる必要があります。顧客から預かった文書を扱う場合は、顧客との契約で第三者への処理の委託が認められているかも確かめます。

費用の増え方と、止め方・やめ方

公式の料金ページでは、プランは二つに分かれています。下位のプランは1席あたり月65ユーロ(年額での請求が一般的)、上位のプランは規模や統制、AIの利用量に応じた個別見積もりです。Aino はどちらにも含まれ、上位のプランは処理量の上限が高く、高度なAIの機能が加わると説明されています。エージェントの機能がどちらのプランで、どの量まで使えるかは、料金表の書き方だけでは判断しにくいため、見積もりの段階で確かめます。

費用が増える経路は、利用者の席数、上位プランへの切り替え、AIの処理量、接続機能のライセンス、専用環境の追加料金の五つです。特に、古い文書への一括付与を定期的に回すと、処理量の上限に早く届く可能性があります。2024年の案内では、Aino に利用者ごとの1日あたりの処理量の目安が示されていました。一括付与を回す前に、処理量の上限と、超えたときの扱いを確かめることが、費用の見通しを立てる前提です。

止め方は二段に分けて決めておきます。一つは、AIの機能だけを止めて人の属性付けと振り分けに戻す方法です。エージェントをワークフローから外したときに、確認待ちの文書がどの状態に残るかを、試行の段階で確かめておきます。もう一つは、製品そのものをやめるときに、文書と属性と変更の記録を自社で読める形で取り出せるかです。属性で管理する仕組みほど、やめるときに属性ごと取り出せないと、整えた分類が失われる点に注意が必要です。

導入前の確認リスト

ここまでの内容を、試行を始める前に確かめておく項目としてまとめます。すべてを最初から満たす必要はありませんが、空欄のまま試行を始めた項目は、試行の後に必ず戻って埋める前提にしておきます。

  • 文書の種類・顧客・案件・機密度の基準と、境目の例を文書にしたか
  • 顧客と案件の属性を、台帳の一覧から選ばせる設定にしたか
  • AIが付けた値と人が付けた値を区別して記録できるか
  • 機密度と権限の条件に使う属性を、エージェントの変更対象から外したか
  • カスタムエージェントの指示文の変更を、設定変更と同じ手続きで扱うか
  • ファイルサーバーや SharePoint と M-Files の、どちらの権限を正とするか決めたか
  • 処理の地域、委託先、学習・改善への利用、削除の手順を契約書で確かめたか
  • 処理量の上限と、一括付与を回したときの費用の増え方を見積もりで確かめたか
  • AIだけを止める方法と、文書と属性を取り出す方法を確かめたか

試行の評価は、空欄の減少、提案の受け入れ率、抜き取りで確かめた正しさ、振り分けの食い違いの四つで見ます。受け入れ率が高くても、抜き取りで誤りが多ければ、受け入れる側の確認が形だけになっている可能性があります。数字が良く見えるときほど、抜き取りの中身を読むことが、AIに判断を預けすぎないための歯止めになります。

まとめ

文書の分類が崩れるのは、属性付けが保存する人の手間に頼り、分類の基準が文書になっておらず、振り分けが人の記憶で回っているからです。M-Files が2026年6月に出したエージェント機能は、属性の提案、古い文書への一括付与、ワークフローの中での検証と振り分けをAIに担わせ、設定した値に根拠と出典を残すとしています。効き目を出すには、分類の基準を人が文書にし、AIには文書に書かれた事実の読み取りと候補の提示を任せ、機密度と権限、承認と例外は人が持つ線を先に引くことです。カスタムエージェントはベータのため、指摘までで止めた並行運用から始め、データの行き先と処理量、止め方を契約前に確かめてください。整った範囲から順に社内の生成AIにつなげば、答えの誤りを文書の側で切り分けられる状態を保ったまま、AIの活用を広げられます。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

運営会社:株式会社デボノ

目次