導入：2026年後半、AI活用は「ツール導入」から「社内データ整備」の競争へ
2026年8月現在、生成AIの活用フェーズは「部分的なツールの試用」を超え、完全に「全社統合・業務プロセスへの組み込み（Phase 4）」へとシフトしています。しかし、どれほど優秀なAIエージェントや推論モデルを導入しても、社内の共有フォルダにあるマニュアル、議事録、顧客対応メモが散らかっていれば、AIは正確な回答を出せません。今や、企業の競争力の源泉は、AIが即座に処理できる「AI-Readyなデータ」がいかに整備されているかにかかっています。
そこで真価を発揮するのが、Googleが発表したGemini 3.5です。従来の生成AIが苦手としていた「複数工程にまたがる長期タスク（マルチステップ処理）」への追従性能が飛躍的に向上しています。本記事では、Gemini 3.5の長期タスク実行能力を活用し、社内の散らかったドキュメントを自律的に分類・パース・クレンジングした上で、RAG（検索拡張生成）などのAIシステムが即座に活用できる「AI-Readyな構造化データ（Markdown & メタデータ）」を自動生成するPythonパイプラインの構築手順を徹底解説します。
Gemini 3.5がもたらす「長期タスク（マルチステップ）」実行の衝撃
これまでの生成AIは、1回のプロンプトに対して1つの回答を出力する「単発の指示」は得意でしたが、複数の工程が必要なタスク（ファイルを巡回し、整合性を確認し、形式を統一する等）を与えると、途中で文脈がブレたり指示を忘れたりする課題がありました。
Gemini 3.5では、この長期コンテキストの処理能力と論理破綻のないタスク追従性が大幅に強化されています。これにより、「未整理の生の社内文書を読み込み、専門用語や表記揺れを補正し、見出し構造を最適化し、検索用のメタデータを付与してMarkdownで出力する」という一連のクレンジングフローを、AIが最初から最後まで単独で、高い精度でやり遂げることが可能になりました。
「AI-Ready」なデータ構造化パイプラインの全体設計
構築するパイプラインは、以下のステップを自律的に実行します。
- ステップ1（インプット）：口語表現や不正確な記述が含まれる未整理のテキストファイルを読み込みます。
- ステップ2（クレンジングと補正）：Gemini 3.5が文脈を解釈し、不足している背景情報の補足、表記揺れ（例：『サーバー』と『サーバ』など）の自動統一を行います。
- ステップ3（構造化とメタデータ抽出）：将来的にRAGなどで分割（チャンキング）しやすいよう、美しいMarkdown（#や##）に成形し、同時にカテゴリ分類、重要タグ、要約データをJSONフォーマットで自律生成します。
- ステップ4（アウトプット）：システムで即座にデータベース化、あるいは検索インデックス化できる形式で保存します。
実践！Gemini 3.5によるデータ構造化パイプラインの実装手順
1. 開発環境の準備
まずは、構造化データを安全にハンドリングするために必要なライブラリをインストールします。ここでは、最新のAPIに対応するSDKと、データのスキーマ（検証定義）を厳密に定義するためのpydantic、環境変数管理のためのpython-dotenvを導入します。
pip install google-generativeai pydantic python-dotenvインストールが完了したら、プロジェクトのルートディレクトリに.envファイルを作成し、GeminiのAPIキーを設定してください。
GEMINI_API_KEY="あなたのGemini_APIキー"2. パイプライン実装コード（Python）
以下は、Gemini 3.5の機能を最大限に引き出し、口語調の雑多な社内メモを完全に構造化された「AI-Ready」なドキュメントへと昇華させるPythonスクリプトです。Pydanticによる「Structured Outputs（構造化出力）」を適用し、AIの出力をプログラムで確実に扱える形式に固定します。
import os
import json
from dotenv import load_dotenv
import google.generativeai as genai
from pydantic import BaseModel, Field
# 環境変数の読み込みとAPI設定
load_dotenv()
api_key = os.getenv("GEMINI_API_KEY")
if not api_key:
raise ValueError("GEMINI_API_KEYが環境変数に設定されていません。")
genai.configure(api_key=api_key)
# AIに強制する出力構造のスキーマを定義
class StructuredDoc(BaseModel):
title: str = Field(description="ドキュメントの内容から自動抽出した適切なタイトル")
category: str = Field(description="ドキュメントのカテゴリ（例: 開発ガイドライン、営業ノウハウ、社内規則など）")
tags: list[str] = Field(description="RAG（検索システム）で検索キーワードとなるメタデータタグ（3〜5個）")
summary: str = Field(description="ドキュメントのポイントを解説する150文字前後の要約")
structured_markdown: str = Field(description="表記揺れを正し、適切な見出し構造（#、##など）に整理したMarkdown形式の本文")
def clean_and_structure_document(raw_text: str) -> StructuredDoc:
"""
Gemini 3.5を活用し、未整理のドキュメントを自律的にパース・構造化する
"""
# Gemini 3.5の長期マルチステップ対応モデルを使用
model_name = "gemini-3.5-pro"
prompt = f"""
あなたは企業のナレッジベース構築を専門とする、超一流のデータ整備エージェントです。
提供された「未整理のドキュメント」を解析し、長期コンテキストと論理推論能力を駆使して、以下のマルチステップワークフローを自律的に完了してください。
【指示内容】
1. 文脈に登場する専門用語、インフラ名、システム名の表記揺れを検出し、一般的な業界標準用語に統一してください。
2. 文脈上欠落している背景や指示の意図を補足し、文章の論理的破綻を修正してください。
3. 将来的に検索システム（RAG）がセマンティック検索を行いやすいよう、内容を見出し構造（Markdown）で整理してください。
4. ドキュメントを管理・分類するための「タイトル」「カテゴリ」「タグ」「要約」を生成してください。
【未整理のドキュメント】
{raw_text}
"""
# 生成モデルの初期化と構造化出力の設定
model = genai.GenerativeModel(model_name=model_name)
response = model.generate_content(
prompt,
generation_config=genai.types.GenerationConfig(
response_mime_type="application/json",
response_schema=StructuredDoc,
temperature=0.1 # 構造化の精度を高めるため温度は低めに設定
)
)
# JSON文字列をPydanticオブジェクトにマッピング
parsed_data = json.loads(response.text)
return StructuredDoc(**parsed_data)
if __name__ == "__main__":
# テスト用の「散らかった社内のインフラ設定メモ」
dirty_memo = """
えーと、新規で開発鯖を建てる時の手順なんだけど、とりあえずAWSのEC2ね。
OSはUbuntuの22.04 LTSにして、インスタンスはt3.medium。あ、セキュリティのポートだけど、
SSH（22番）はうちの社内IP（192.168.1.1/32）からだけ通るように制限して、Web用に443は全部開けておいて。
あと、サーバー内にdockerを入れて、そこにnginxを走らせる。
あと、新人がいつも忘れるんだけど、ドメイン設定はRoute53でやっておくこと。
何かあったらSlackの #dev-infra チャンネルで佐藤に聞いて。
"""
print("--- ドキュメント構造化パイプライン起動 ---")
try:
output = clean_and_structure_document(dirty_memo)
print("\n[抽出メタデータ]")
print(f"タイトル: {output.title}")
print(f"カテゴリ: {output.category}")
print(f"タグ一覧: {', '.join(output.tags)}")
print(f"要約: {output.summary}")
print("\n[クレンジング済みMarkdown]")
print(output.structured_markdown)
except Exception as e:
print(f"エラーが発生しました: {e}")
このパイプラインを本番運用する上での3つのベストプラクティス
このパイプラインを組織のデータ基盤に組み込む際は、以下のポイントを意識することで効果を最大化できます。
- トリガー型自動クレンジング：Googleドライブ、Notion、あるいはSlackの特定のチャンネルにドキュメントやメモがアップロードされたタイミングで、上記のPythonスクリプトがWebフック等で自動起動するように設定します。これにより、現場のスタッフに「整理して書く」という負担を一切かけずに、自動でナレッジベースが蓄積されます。
- RAG（検索拡張生成）とのシームレスな統合：Gemini 3.5が生成したMarkdownは、適切な見出しタグ（#や##）で区切られているため、ベクター検索用のテキスト分割（チャンキング）処理において、コンテキスト（文脈）が破壊されずに極めて高い検索精度を実現できます。
- セキュリティと個人情報のマスキング：社内データには個人情報や顧客データが含まれる場合があります。プロンプトの中に「個人名や顧客の機密情報は、[個人名A]などのダミー表記に自律的に置換（匿名化）すること」という命令を追加することで、セキュアなデータクレンジングが可能です。
まとめ：AI導入競争から「データ整備競争」の勝者へ
2026年現在、AIを「ただ導入しただけの企業」と「AIが働きやすいようにデータを整備した企業」との間で、業務生産性の差が大きく開き始めています。どれほどAIモデルが進化しても、ゴミのようなデータ（Garbage in）からはゴミのような回答（Garbage out）しか生まれません。
今回ご紹介したGemini 3.5の長期タスク実行機能を用いたドキュメント構造化パイプラインは、眠っている社内ナレッジを「AIの燃料」へと転換する強力な基盤となります。是非、本スクリプトを社内のワークフローに組み込み、一歩進んだ次世代のAI活用基盤を構築してください。
関連サイト: https://www.aegis4.net/
