| name | executive-summary |
| description | 技術説明を経営層・政策立案者向けの投資判断資料に変換する。ROI / ビジネスインパクト表現、 技術用語→ビジネス価値への翻訳、Abstraction Ladder による聴衆レベル別の表現最適化を実行し、 executive-summary.md を出力する。 Use when 「経営層向けに変換して」「Executive Summaryを作って」「投資判断向けに」 「役員向けに」「政策立案者向けに」「ビジネス価値に翻訳して」「抽象度を上げて」。
|
Executive Summary Generator — Phase 2: 経営層向け変換
概要
技術的な説明・データ・アーキテクチャ情報を、経営層・政策立案者が
投資判断・意思決定に使える形式に変換する。
「何ができるか」（技術）を「何が変わるか」（ビジネス / 社会インパクト）に翻訳する。
Abstraction Ladder（抽象化レベル）
入力の技術情報を、ターゲット聴衆に応じて適切なレベルに変換する:
| レベル | 対象者 | 表現の焦点 | 例 |
|---|
| Level 1 | 技術者 | 実装詳細、API、アーキテクチャ | 「Kubernetes 上で GPU クラスタを構築し vLLM で推論サーバーを運用」 |
| Level 2 | マネージャー | 機能、メリット、タイムライン | 「AI モデルの運用基盤を整備し、研究者が即座に利用可能に」 |
| Level 3 | 経営層（CxO） | ビジネスインパクト、ROI、競争優位性 | 「研究計算基盤のスケーラビリティと運用コスト最適化を実現」 |
| Level 4 | 政策立案者 | 国家戦略的意義、社会的インパクト | 「国際競争力のある研究インフラ基盤の構築」 |
変換パターン集
AI for Science 領域
| 技術表現（Level 1） | 経営層/政策向け表現（Level 3-4） |
|---|
| ARIM データを RAG 化 | 日本の研究データ資産を AI 活用可能な国家レベル知識基盤へ転換 |
| ML モデルの精度が 92% | 従来手法比で材料探索コスト 40% 削減を実現 |
| Kubernetes 上で GPU クラスタ構築 | 研究計算基盤のスケーラビリティと運用コスト最適化 |
| Graph Neural Network で分子特性予測 | 新素材発見サイクルを数年→数週間に短縮 |
| MCP+A2A プロトコル実装 | 異種 AI 間の安全な連携基盤で研究生産性を飛躍的向上 |
Microsoft 技術領域
| 技術表現（Level 1） | 経営層向け表現（Level 3） |
|---|
| Azure OpenAI Service の Fine-tuning | 自社データで最適化された AI が業務効率を 30% 向上 |
| GitHub Copilot のコード補完 | 開発者生産性の 40% 向上（GitHub 調査データ） |
| Microsoft Fabric でデータ統合 | サイロ化されたデータの一元管理で意思決定速度を加速 |
実行手順
Step 1: 入力分析
- 入力資料（技術文書・research-notes.md・storyline.md）を読み込む
- 各情報の現在の Abstraction Level を判定する
- ターゲット聴衆の Level を
requirements.md から特定する
- 変換が必要な箇所をリストアップする
Step 2: 聴衆レベル判定
ターゲット聴衆に応じて変換パターンを選択する:
| 聴衆タイプ | 変換先 Level | 重視する要素 |
|---|
| CTO / 技術役員 | Level 2-3 | 技術的正確性 + ビジネスメリット |
| CFO / 財務役員 | Level 3 | ROI、コスト削減、投資回収期間 |
| CEO / 社長 | Level 3 | 競争優位性、市場ポジション |
| MEXT / 政策担当 | Level 4 | 国家戦略整合性、社会的インパクト |
| 取締役会 | Level 3-4 | リスクとリターンのバランス |
Step 3: 変換実行
各技術情報について以下の変換プロセスを適用する:
1. 技術要素の特定: 「何の技術か」
2. 価値の抽出: 「その技術で何が改善されるか」
3. 定量化: 「どれだけ改善されるか」（可能な場合）
4. ビジネス言語化: 「経営指標でどう表現するか」
5. 文脈付与: 「なぜ今重要か」
Step 4: Executive Summary 生成
出力テンプレート: executive-summary.md
# Executive Summary: {タイトル}
## 提言の要旨
{3行以内で「何を」「なぜ」「どうするか」を記述}
## ビジネスインパクト
| 指標 | 現状 | 提案後 | 改善幅 |
|------|------|--------|--------|
| {KPI名} | {現在値} | {期待値} | {改善率} |
## 投資概要
| 項目 | 内容 |
|------|------|
| 初期投資 | {金額 or 規模感} |
| 運用コスト | {月額/年額} |
| 投資回収期間 | {N ヶ月/年} |
| 期待 ROI | {N% or 定性表現} |
## 競争環境
{競合との比較 — 自社/提案のポジショニング}
## リスクと対策
| リスク | 影響度 | 対策 |
|--------|--------|------|
| {risk} | 高/中/低 | {mitigation} |
## 推奨アクション
{意思決定者に求める具体的なアクション — 動詞で記述}
## タイムライン
{主要マイルストーン — 3〜5 項目}
## 参考資料
{詳細資料への参照リンク}
変換時の数値処理ルール
数値を残すべき場合
- 定量データが存在する: 「精度 92%」→「従来比 40% コスト削減」（数値変換）
- 公式統計がある: 「GitHub 調査で 40% 生産性向上」（出典付き引用）
- ROI 計算可能: 具体的な投資対効果の数値
数値を概算で表現する場合
- 正確な数値が不明: 「大幅な改善」ではなく「推定 20-30% の改善」（範囲で表現）
- 異なる指標への変換: 元の数値と変換ロジックを注記する
数値を使わない場合
- 比較不能: 全く新しい価値の場合は定性表現
- 機密データ: 具体的な金額が開示不可の場合は「XX億円規模」のように表現
Validation Loop（検証ループ）
変換品質チェック
1. executive-summary.md の各セクションを検証:
a. 提言の要旨が 3 行以内か
b. ビジネスインパクト表に定量指標があるか
c. 推奨アクションが動詞で記述されているか
2. 技術的正確性の検証:
a. 変換後の表現が技術的に不正確でないか
b. 元の技術情報と変換後のビジネス表現が矛盾しないか
c. 数値の変換ロジックが妥当か
3. 聴衆適合性の検証:
a. Abstraction Level がターゲットに適合しているか
b. 専門用語が聴衆の知識レベルに合っているか
c. CTO 向けと CFO 向けで適切に使い分けているか
4. 全チェック通過 → ⏸️ ユーザー承認 → Phase 3 へ引き渡し
Failure Recovery（失敗時リカバリ）
| 失敗パターン | 原因 | リカバリ手順 |
|---|
| 過度な抽象化 | Level を上げすぎた | 具体的な数値・事例を 1 つ以上追加 |
| 技術的不正確 | 変換時に意味が変化 | 元の技術表現と並記し、技術者にレビュー依頼 |
| ROI 算出不能 | データ不足 | 「定量化には追加データが必要」と明記し、定性表現で代替 |
| 聴衆レベル誤判定 | requirements.md の聴衆情報不足 | Level 2-3 の中間で作成し、ユーザーに確認 |
| 数値の根拠不明 | 出典なしの数値 | 数値を削除し、定性表現に変更。出典調査を提案 |
Quality Gates（品質ゲート）
Gotchas（落とし穴）
1. 過度な抽象化 — 具体性の喪失
Abstraction Level を上げすぎると「ふわっとした」資料になり、
意思決定に使えなくなる。変換後も必ず 1 つ以上の具体的な数値を残すこと。
「大幅な改善」ではなく「推定 30% のコスト削減」のように定量表現を維持する。
抽象化しても「検証可能性」を失わないことが鍵。
2. 技術嘘 — 変換時の意味変容
「ML モデルの精度 92%」を「100% 正確な予測」に変換するのは技術嘘。
変換後の表現が元の技術的事実と矛盾しないことを必ず検証する。
特に AI 関連では「精度」「性能」の表現に注意。誇張は信頼性を破壊する。
3. 聴衆レベルの誤判定 — CTO と CFO の違い
CTO 向けには Level 2-3（技術的正確性を保ちつつビジネスメリット）、
CFO 向けには Level 3（ROI と財務指標に集中）が適切。
同じ「経営層」でも役職により最適な変換パターンが異なる。
requirements.md の聴衆分析を必ず参照する。
4. 「投資しない場合のコスト」の省略
ROI だけでなく「現状維持のリスク/コスト」を併記すると説得力が大幅に増す。
経営層は「やる理由」より「やらないリスク」に反応しやすい。
特に競争環境が厳しい領域では必須。
5. 政策立案者向けの独特な要件
MEXT / 内閣府向けでは、国家戦略文書（科学技術・イノベーション基本計画等）
との整合性を明示する必要がある。一般的なビジネス ROI では響かない。
「国際競争力」「研究力強化」「人材育成」のキーワードを意識する。
Memory Persistence（記憶の永続化）
過去の変換で学んだパターン:
- MEXT 向け成功パターン: 技術を「研究力強化」「国際競争力」の文脈で語る。
予算要求なら「投資しない場合の国際的地位低下リスク」を提示すると効果的
- Microsoft HQ 向け: 最初に「Market Opportunity Size」を提示。
TAM/SAM/SOM のフレームワークが好まれる
- CFO 向け: 3年間の TCO（Total Cost of Ownership）比較が最も説得力がある。
ROI だけでなく「Break-even point」も提示する
- CTO 向け: 技術的正確性を犠牲にしない。Level 2 で十分。
アーキテクチャ図は残し、実装詳細のみ省略する
- 変換の失敗例: 「Transformer アーキテクチャ」を「革新的 AI」に変換したら
技術者から信頼を失った。技術名は残しつつ価値を付加する
禁止事項
- 技術嘘禁止 — 変換後の表現が元の技術的事実と矛盾してはならない
- 根拠なし数値禁止 — 出典・変換ロジックのない数値を記載しない
- 過度な抽象化禁止 — 変換後も 1 つ以上の具体的数値を維持する
- 聴衆レベル無視禁止 — requirements.md の聴衆分析を参照せず変換しない
- 機密情報の無断記載禁止 — 社内財務データ・未発表計画は公開許可を確認
- 競合の誹謗禁止 — 競争環境の記述で競合他社を不当に貶めない
- 出典の捏造禁止 — 存在しないレポート・統計を引用しない
