データフライホイールとは

問い合わせ対応を AI で効率化したい。調べていて「データフライホイール」という言葉に出会った。この記事は、そういう人に向けて書いています。

先に結論を書きます。データフライホイールは、回すほど良くなる前に、回すほど悪いデータもたまります。最初に設計するのは、輪の速さではなく、何を入れて何を入れないかの「入口の門」です。

この記事の前半は、公式の資料を読んだだけの内容（言葉の意味）です。後半は、このサイトの実例を実際に回して起きたことです。

データフライホイールとは

ここは、公式の資料を読んだだけの内容です。

NVIDIA の用語解説は、データフライホイールを「AI とのやりとりや処理から集めたデータを使って、AI モデルを磨き続ける、自分で良くなっていく輪」と説明しています（What is a Data Flywheel?、2026年10月17日に読みました）。

同じページは、輪を6つの段階で説明しています。

1. データを取り出し、きれいにする（雑音や有害な内容を除く）
2. 業務の知識を、モデルに覚えさせる（追加の学習）
3. 出力を確かめる（1〜3を、質が足りるまで繰り返す）
4. 守りを入れる（個人情報、安全）
5. 使う（そのときの最新の情報を、検索して渡す）
6. 使った記録と、人や AI からの評価を集めて、1に戻す

注意点として、個人情報を取り除くことと、人の確認は役に立つが、手間と時間がかかることが書かれています。

2つの育て方：モデルを育てるか、知識を育てるか

NVIDIA の6段階には、2つの育て方が入っています。段階2の「モデルに覚えさせる」と、段階5の「使うときに、検索して渡す」です。

育て方	輪で増えるもの	間違いに気づいたとき
モデルを育てる	モデルの中身（追加の学習）	どのデータが効いたかを、人が見て取り除くのは難しい。学習し直しになる
知識を育てる	検索するための Q&A や文書	間違った行を、人が見て消せる。次の検索から効く

このサイトの実例は、知識を育てるほうです。モデルの追加の学習はしていません。小さなチームや一つのお店が始めるなら、私は知識を育てる形から始めます。理由は、上の表の右の列です。間違えて覚えたものを、人が見つけて消せることが、輪を回すうえで一番の守りになるからです。モデルを育てる形は、このサイトでは試していません。

実例：担当者の返信を覚える、問い合わせの窓口

ここからは、実際に動かした内容です。

LINE×Slack 学習する窓口は、次の輪で回ります。

1. お客様が LINE で質問する
2. 覚えている Q&A から、似たものを探す（似ている度合いを0〜1で測り、0.75 以上なら使う。1に近いほど似ている）
3. AI（Claude Haiku 4.5）が返信案を書き、Slack に出す
4. 担当者が Slack で返信すると、お客様の LINE に届く
5. 担当者が返信に #learn（覚えてよい、という印）を付けたときだけ、個人情報を伏せて、その質問と答えを覚える
6. 次の似た質問で、2 に使われる

実機で回すと、輪はこう動きました（2026年10月10日、LINE から約6通、Slack から3回）。

• 「履いていない靴は返品できますか？」は、覚えていた返品の Q&A に、似ている度合い 0.80 で当たり、返信案が出た。言い換えた「未使用の靴を送り返したいです」も 0.83
• 「誕生日用のギフトカードはありますか？」は 0.51 で届かず、担当者に回った
• 担当者の返信を #learn で覚えたあと、「営業時間は何時までですか？」は 0.85 で当たった

回すと、悪いデータもたまる：実際に起きた4つの失敗

1. 別の質問と、結び付けて覚えた（いちばん危ない）

お客様が「履いていない靴は返品できますか？」「誕生日用のギフトカードはありますか？」と続けて送り、担当者が返品の質問に答えて #learn を付けました。覚えたものは、質問＝ギフトカード、答え＝返品の案内でした。

最初の作りは、担当者の返信を「最後に届いた質問」への答えだと決めつけていました。このまま回すと、ギフトカードを聞かれるたびに返品の案内が出ます。自動で返信する設定なら、お客様に届いていました。1通ずつ流す試験では出ず、実機で2通続けて送って初めて分かりました。

2. まとめて届いた2人分の質問が、1人目の記録に入った

LINE からは、複数の出来事が1回にまとめて届くことがあります。2人分の質問をまとめて流すと、2人目の質問が、1人目の記録を上書きしました。覚える前の段階で、データが混ざっていました。

3. 注文番号を伏せ損ねた

覚えるときは、個人情報を2段階（決まった形を探す正規表現と、Claude）で伏せています。それでも、「My order number is A12345」の A12345 が、伏せられずに保存されました。 正規表現は、「order number」のすぐ後ろに番号が続く形しか探していませんでした。Claude も、このときは取りこぼしました（理由は確かめていません）。

4. お店自身の電話番号まで伏せてしまった

逆の失敗もありました。担当者の返信にあったお店の電話番号まで、個人情報として伏せられました。伏せた答えから作る返信案は、「お電話でお問い合わせください」という、番号の無い、あいまいな文になりました。伏せすぎると、覚えた知識が使えなくなります。

入口に置いた門

4つの失敗を受けて、覚える入口に、次の門を置いています。

門	何を止めるか	対応する失敗
人が選ぶ：#learn を付けた返信だけ覚える	覚えるべきでない返信（例外の対応、その場かぎりの返事）が入るのを止める	すべて
組み合わせを確かめる：返信が「どの質問への答えか」を、AI に番号で選ばせる。はっきりしなければ覚えない	別の質問と結び付けるのを止める	1
1件ずつ扱う：まとめて届いた出来事を、お客様ごとに分けてから記録する	別のお客様のデータが混ざるのを止める	2
伏せる、ただし伏せすぎない：個人情報を2段階で伏せ、お店自身の連絡先は伏せない一覧に入れる	個人情報が残るのと、答えが使えなくなるのを止める	3、4
自動で送らない（初期設定）：返信案は、担当者が見てから送る	門をすり抜けた間違いが、お客様に届くのを止める	すべて

1つ目の門は、NVIDIA の資料が言う「人の確認は、手間と時間がかかる」そのものです。担当者が #learn を付ける手間がないと、輪は回りません。それでも、私はこの門を外しません。覚えたものは、次の返信案になって、何度も使われるからです。

輪を作る前に決める4つのこと

ここまでの実例から、私は次の4つを先に決めています。実測から導いた決まりではなく、私のやり方です。

1. 何を覚えるか。 「質問と、担当者の答えの組」のように、単位を決める。単位があいまいだと、別の質問と結び付く
2. 誰が「覚えてよい」と決めるか。 全部を自動で覚えると、例外の対応や、間違った返事も入る
3. 何を入れないか。 個人情報。ただし、お店自身の連絡先のように、伏せてはいけないものも一覧にする
4. 間違って覚えたものを、どう見つけて消すか。 保存先を、人が中身を1行ずつ見られる場所にしておく（この実例では、n8n の Data Table という表。失敗1も、保存された行を見て気づきました）

この4つが決まっていれば、輪は小さく始められます。 私なら、最初は「担当者が選んだ返信だけを覚えて、返信案は人が見てから送る」形にします。覚えた数が増えて、間違いの見つけ方が分かってから、任せる範囲を広げます。

確認していないこと

• 回すほど良くなるか。 返信案の質が、覚えた数に応じてどれだけ良くなるかは、測っていません。試したのは、数問を覚えさせて、似た質問で返信案が出るところまでです
• 数が増えたとき。 覚えた Q&A が数百件になったときの、探す精度は分かりません。しきい値 0.75 も、数問から決めた値です
• モデルを育てる形。 追加の学習は試していません
• 本物のお客様のデータ。 試したのは、自分のアカウントと、作った質問だけです

次に読む

• この輪の作り方と、5つの失敗の直し方は LINE×Slack 学習する窓口
• AI に送らせない理由は AI に「送る」を任せない設計
• 作り始める前に、AI に任せる範囲を決める方法は AI 導入は、手作業から始める