NTT Docomo, Inc.(以下简称「Docomo」)与国立大学法人奈良先端科学技术大学院大学(以下简称「NAIST」)共同开发了全球首创的技术(以下简称「本技术」),该技术能利用 AI 即时从 Slack 或 Microsoft Teams 等日常业务聊天消息中,推估对团队高效工作与业务成长至关重要的共享心智模型(Shared Mental Model,以下简称 SMM)。此外,关于本技术的研究开发论文,已获人机交互领域顶尖国际学会「ACM CHI conference on Human Factors in Computing Systems(以下简称「CHI 2026」)」所采纳。 在现今企业业务日益复杂精深的时代,为了让团队能有效发挥绩效,持续掌握并维持团队成员对于「工作进度」、「角色分工」、「彼此的优劣势」等事项的共同认知程度——即 SMM 分数,已变得至关重要。然而,目前掌握 SMM 分数的主要方法,如专家评估或问卷调查,在准备、运行及分析上都需要相当的时间与人力,且结果常有延迟,难以即时掌握团队状态的每日变化,这构成了现有的挑战。 此次由双方共同开发的本技术,采用 Docomo 自行研发的图神经网络(Graph Neural Network,以下简称「SMM 推估引擎」),通过分析团队日常使用的 Slack、Microsoft Teams 等聊天工具中的消息,即时推估团队的 SMM 分数,并将团队状态的变化可视化。此技术通过多个 AI(LLM)将聊天消息分类为「信息分享」、「提问」、「感谢」等 11 个类别,再由 SMM 推估引擎解析特定类别消息在团队内从何人发送至何人、以及传递的方向性,进而自动计算团队的 SMM 分数。本技术无需像传统方法那样进行问卷调查,能有效减轻企业成本及团队成员的时间与人力负担,实现即时持续的监控。同时,由于不涉及专家评估时人为介入,能分析团队成员发言内容,而无需他人个别审查或评价,故其高度机密性与隐私保护特点亦是一大特色。 通过运用本技术,团队经理或领导者能即时掌握团队 SMM 分数的下降情况,并适时采取沟通对策,例如分享必要知识或重新确认目标,以促进 SMM 分数的提升。此外,当新成员加入团队时,也能借此了解 SMM 分数是否随着时间呈现上升趋势,判断其 on-boarding(新人导入)过程是否顺利。 为验证本技术的开发与有效性,Docomo 在内部实际进行了使用业务聊天数据的实验。结果确认,通过结合分析消息内容、类别及方向性这三项信息,本技术能实现高精确度的 SMM 分数推估。未来,将通过 Docomo 以外的其他企业与组织的实证实验,进一步推广应用。