2025.11.27

AIの回答精度は「ラベリング」で上がる！LLM×Excelでデータを磨く実践テクニック

こんにちは！SBC&S株式会社 AI推進室の津川です。
「AIを導入してみたものの、期待した結果が出ない...」
AI活用を推進する中で、私たちは社内外でこうした声を非常に多く耳にします。

実は、AIがその能力を十分に発揮できない原因の多くは、AIそのものではなく「読み込ませるデータ」にあります。
特に社内データを活用するRAG（Retrieval-Augmented Generation）などの仕組みでは、AIが参照するデータが整理されていないと、AIは情報の迷子になってしまいます。

今回は、「データ講義シリーズ第3回」より、AIの精度を劇的に高めるための「ラベリング（アノテーション）」の手法と、使い慣れたExcelとLLMを組み合わせた超効率的な実践テクニックをご紹介します。

AIが迷わないための道標、「ラベリング」とは？

AIの回答精度を高めるために、なぜ「ラベリング」が必要なのでしょうか？

例えば、大量のアンケートデータやお問い合わせ履歴をそのままAIに渡しても、AIはどれが重要な情報で、どれがノイズなのか判断に迷ってしまいがちです。
そこで、データに「これは何についての情報か」「どんな感情が含まれているか」という意味（ラベル）を付与してあげるのです。

LLM は長いテキストでも読めますが、入力が複雑なほど推論負荷が増え、揺れ（ランダム性）が大きくなります。

事前に：

ネガポジ判定
トピック分類
キーワード抽出
感情スコア化（-1〜1）
カテゴリクラスタリング

などを行うことで、
LLM が最終タスク（要約・傾向分析など）に集中でき、出力が安定します。

そこで、動画では実務でよくある2つのラベリング例を紹介しています。

感情ラベリング（アンケート分析など）
- 「ポジティブ」「ネガティブ」「ニュートラル」といった感情タグを付けることで、AIは「ユーザーの不満点（ネガティブ）だけを抽出して」といった指示に的確に答えられるようになります。
カテゴリラベリング（お問い合わせ対応など）
- 「商品仕様」「配送」「アカウント」「クレーム」などの分類タグを付けることで、特定のトピックに関する回答精度が向上します。

現場で使える！「LLM×Excel」ラベリング実践 2ステップ

「数千件もあるデータに1つずつラベルを付けるなんて、日が暮れてしまう...」そう思った方もご安心ください。
動画内でお伝えしているのは、AI（LLM）とExcelの得意分野を組み合わせた「楽をするためのテクニック」です。

【STEP 1】分類はAIにお任せ：LLMで自動ラベリング

まずは、手作業でやると大変な「分類作業」をChatGPTなどのLLMを使って1次処理させます。

やり方：

Excelにあるテキストデータ（アンケートの回答など）をコピーします。
ChatGPTに貼り付け、以下のようなプロンプト（指示）を投げます。

プロンプト例： 「以下のアンケート結果をポジティブ、ネガティブ、ニュートラルに分類して、表形式で出力してください」
（※お問い合わせデータの場合は、「商品」「配送」「アカウント」など予めこちらで用意したカテゴリに分類するよう指示）

これだけで、AIが文脈を読み取り、高速でラベル付けを行ってくれます。出力された結果は、Excelに貼り付けて元のデータと結合させましょう。(Xlookup関数などを使うとスムーズです。)

【STEP 2】チェックはExcelの出番：「フィルター機能」で高速検品

AIは非常に優秀ですが、100%完璧ではありません。時には間違ったラベルを付けることもあります。そこで役立つのが、Excelの基本機能であるフィルター機能です。

やり方：

Excelのヘッダー行で「フィルター」をオンにします。
特定のカテゴリ（例：「アカウント・ログイン」）だけで絞り込みます。
表示されたデータを順に確認しましょう。

ここがポイント！ 同じカテゴリの文章が縦に並んでいると、異質なデータ（ノイズ）が混ざっていた時に一瞬で違和感に気づけます。
例えば、「ログインできない」という問い合わせの中に、「商品が届かない」という文章が混ざっていたら、一目で「これは違う！」と分かりますよね。
これを1件ずつ精読してチェックするのは大変ですが、フィルター機能を使えば、スクロールするだけで効率的に品質チェックが可能になります。