見出し画像

AIに「どう思う？」と聞くだけでは、判断は良くならない。問い・前提・代替案から考える意思決定の基本設計

南翔伍 / AIコンパニオンとSNSの間くらいの「Jams」開発中

新しい施策を考えたとき、AIへこう聞くことがあります。

「この案、どう思う？」
「やるべきでしょうか？」
「成功する可能性はありますか？」

AIはすぐに、もっともらしい長所やリスクを整理してくれます。別の案も出してくれるでしょう。

ところが、回答を読んでも決められない。別の会話で同じ質問をすると、今度は違う結論が返ってくる。反論を求めると大量の懸念が並び、むしろ迷いが増えてしまう。

これは、AIの推論能力が低いからとは限りません。

そもそも何を判断するのか、どの前提に立つのか、何を優先するのかが決まっていなければ、AIが深く考えても判断は安定しないからです。

AI活用成熟度のフェーズ4では、AIを文章作成者としてだけでなく、論点整理、仮説形成、代替案比較、反論、リスク検討などの思考・判断支援へ使います。

ただし、AIに結論を決めてもらう段階ではありません。

AIを思考・判断支援へ使う価値は、正解を代わりに決めてもらうことではありません。問い、前提、仮説、代替案、反証、リスクを可視化し、人間がより説明可能で検証可能な判断を行うことにあります。

このシリーズでは、AI活用が単発利用から業務・組織の再設計へ進む過程を、12のフェーズに分けて解説します。


フェーズ4では、AIへ答えを求めるのではなく、判断の構造を作る

フェーズ3では、複雑な仕事を目的、背景、材料、制約、工程、出力、完了条件へ分解しました。

AIが仕事を進めるための設計図を作ったわけです。

フェーズ4では、その一段手前へ戻ります。

  • そもそも、この仕事を行うべきなのか

  • 今の問題設定は正しいのか

  • 他に選べる方法はないのか

  • 何を基準に案を選ぶのか

  • 何が分かれば決められるのか

  • どの結果なら進み、どの結果なら止めるのか

を検討します。

フェーズ3が「仕事の進め方の設計」なら、フェーズ4は判断の設計です。

現在の主要AIには、難しい課題へ多くの推論計算を使う機能があります。

OpenAIのGPT-5.6 Solでは、複雑な専門業務向けに複数段階のreasoning effortを設定できます。

Anthropicの現行モデルでは、adaptive thinkingとeffortにより、課題の複雑さに応じて思考量を調整します。

Gemini 3系もdynamic thinkingを既定とし、thinking levelによって内部推論へ使う計算量を調整できます。

しかし、推論量が多いことと、意思決定が妥当であることは同じではありません。

モデルは、与えられた問い、前提、材料、評価基準をもとに考えます。

質問の枠組み自体が間違っていれば、深く考えるほど、精巧に間違った問題を解く可能性もあります。

そこで、フェーズ4では意思決定を次の8段階へ整理します。

  1. 問いを疑う

  2. 事実と解釈を分ける

  3. 前提を洗い出す

  4. 仮説と代替案を作る

  5. 判断基準を決める

  6. 反証・リスク・機会費用を確認する

  7. 最小実験を設計する

  8. 判断・停止条件・理由を記録する

この8段階は、AIに長い思考過程を出力させるための手順ではありません。

人間が、

  • 何を根拠にしたか

  • どの前提に立ったか

  • 何を比較したか

  • 何を重く見たか

  • なぜその案を選んだか

を、後から確認できるようにするための枠組みです。

AIは論点を広げられるが、価値判断までは代行できない

AIは、見落としていた選択肢や反論を挙げることができます。

大量の情報を整理し、比較表を作り、リスク候補を洗い出すことも得意です。

しかし、次の判断には価値観や責任が含まれます。

  • 売上と顧客負担のどちらを重く見るか

  • 短期利益と長期投資のどちらを優先するか

  • どの程度の失敗を許容するか

  • 誰への影響を最優先するか

  • 何を公平と考えるか

  • どの不確実性を受け入れるか

これらは、データだけから自動的に一つの正解が出る問題ではありません。

AIに判断基準の候補を出させることはできます。

ただし、どの基準を採用し、どの重みを与えるかは、人間が決める必要があります。

AIの自信や流暢さを、判断品質と混同しない

AIの文章は、論理的で自信があるように見えることがあります。

しかし、断定の強さは、根拠の強さと一致するとは限りません。

詳しい説明があることも、前提が正しいことを保証しません。

判断に使う際は、

  • これは確認済みの事実か

  • AIによる推論か

  • 未検証の仮説か

  • 価値判断を含む意見か

  • 行動を促す推奨か

を分ける必要があります。

最終結論より、前提と判断理由を取り出す

「結局、どれがおすすめですか？」とだけ聞くと、AIは一つの案を選ぼうとします。

しかし、意思決定で価値があるのは、結論だけではありません。

  • 推奨が成立する前提

  • 比較した代替案

  • 採用した判断基準

  • 結論を変える条件

  • 残っている不確実性

を取り出す方が、判断の質を確認できます。

最初の質問が間違っていると、精巧に間違った答えが返る

たとえば、新規事業を検討しているとします。

AIへ次のように聞くことがあります。

この新規事業案は成功しますか？

この問いには、複数の曖昧さがあります。

  • 成功とは売上、利益、利用者数、社会的影響のどれか

  • どの期間で成功を判断するのか

  • 誰にとって成功なのか

  • 既存事業との相乗効果を含むのか

  • 実行能力や予算を考慮するのか

  • 成功確率を何と比較するのか

AIは一般的な可能性やリスクを挙げるでしょう。

しかし、意思決定に必要な問いは、次のようなものかもしれません。

この事業案が解決する顧客課題は何か。

顧客が現在使っている代替手段は何か。

成功を左右する最重要仮説は何か。

どの情報があれば、追加投資の判断を前へ進められるか。

Yes／Noで答えさせる前に、何を判断する問いかを確認する

「やるべきか」「良い案か」「成功するか」という問いは、答えやすい一方で、多くの条件を隠します。

まずは、何を判断したいのかを分けます。

たとえば、「AI研修を実施すべきか」という問いには、次が混在している可能性があります。

  • 社員のAI利用を増やしたい

  • 情報漏えいを防ぎたい

  • 業務時間を短縮したい

  • 管理職に活用方法を理解させたい

  • AI導入施策を実施した実績が欲しい

目的が違えば、必要な施策も変わります。

問題と解決策を分けると、最初から選択肢を狭めずに済む

「AI研修を実施すべきか」という問いは、すでに解決策を研修へ限定しています。

本来の問題は、

社員がAIを業務で安全に活用できていない

ことかもしれません。

原因によっては、研修以外の方が適切です。

  • 利用できるAI環境がない

  • 社内ルールが不明

  • 対象業務が定まっていない

  • 上司が利用を評価しない

  • 良い活用例が共有されていない

  • 現場データへアクセスできない

問題と解決策を分けないと、最初から選択肢を狭めてしまいます。

「できるか」と「今やるべきか」を分ける

AIを使えば短期間で資料やシステムを作れることがあります。

しかし、作れることと、今やるべきことは別です。

「この機能を開発できますか？」だけでなく、次も確認します。

  • 顧客課題は確認できているか

  • 他に優先度の高い課題はないか

  • 作った後に運用できるか

  • 既存ツールで代替できないか

  • 作らなかった場合の損失は何か

質問に埋め込まれた前提を抽出する

「AI研修を実施すれば、生産性は上がりますか？」という問いには、

研修を受ければ、利用行動が変わる

という前提があります。

さらに、

AIの利用量が増えれば、生産性も上がる

という前提も含まれています。

どちらも自動的には成立しません。

AIへ直接答えさせる前に、より妥当な問いへ再構成させる

次の質問へ直接答える前に、質問の枠組みを検査してください。

確認すること：
・この質問で解決したい問題
・暗黙の前提
・曖昧な言葉
・見落としている代替案
・不足している判断基準
・この問いでは扱えない論点

最後に、より妥当な質問を1つ提案してください。

問いの再構成だけで結論を出す必要はありません。

まず、何を判断するのかを正確にします。

事実・推論・仮説・意見・推奨を分ける

AIへ案件を相談すると、事実と解釈が混ざった回答が返る場合があります。

たとえば、次の説明を考えます。

既存顧客の多くが手作業で対応しているため、有料の自動化サービスには大きな需要がある。まず開発へ投資すべきだ。

この文章には、異なる種類の主張が含まれています。

事実

既存顧客20社中12社が、対象作業を手作業で行っている。

外部または社内資料で確認できます。

推論

この作業には、効率化需要がある可能性が高い。

事実から導いた解釈です。

仮説

月額3万円なら、有料サービスとして導入される。

まだ検証されていません。

意見

この市場は、当社にとって魅力的だ。

評価者の価値判断を含みます。

推奨

まず開発へ投資すべきである。

具体的な行動提案です。

事実は外部確認できる情報である

事実は、確認方法を持つ情報です。

  • 契約件数

  • 売上

  • 顧客の発言記録

  • 法令の条文

  • 調査結果

  • 作業時間

  • システムの仕様

ただし、数字が書かれているだけで事実になるわけではありません。

出典、期間、母数、定義の確認が必要です。これを詳しく扱うのがフェーズ5です。

推論は、事実から導いた解釈である

同じ事実から、異なる推論が生まれる場合があります。

「12社が手作業で行っている」という事実についても、

  • 自動化需要がある

  • 件数が少なく、ツール導入に見合わない

  • 現在の作業に柔軟性があり、あえて手作業を選んでいる

  • 既存ツールを知らないだけ

という複数の解釈が可能です。

推論を事実のように扱わないことが重要です。

仮説は、まだ検証されていない説明である

仮説には、間違っている可能性があります。

良い仮説は、反証できます。

たとえば、

月額3万円なら導入される

という仮説なら、顧客への価格提示や有料実証で確認できます。

反対に、

何となく需要がありそう

では、何をもって正しいとするかが分かりません。

意見と推奨には、人間の価値判断が入る

どの市場を魅力的と見るか、どの案を選ぶかは、事実だけで自動的に決まりません。

  • どの程度の利益を求めるか

  • 何か月で回収するか

  • どのリスクを受け入れるか

  • 他の投資機会と比べてどうか

という基準が必要です。

AIに分類させる場合は、次のように依頼します。

以下の内容を、FACT・INFERENCE・HYPOTHESIS・OPINION・RECOMMENDATIONへ分類してください。

各項目について、
・分類理由
・根拠
・不足情報
・確認方法
を示してください。

分類が曖昧な項目は、無理に一つへ確定しないでください。

前提を一つ変えると結論が変わるなら、その前提が重要仮説である

AIの推奨は、複数の前提の上に成り立っています。

たとえば、新しいサービスの開発を推奨する回答には、次の前提が含まれるかもしれません。

  • 顧客は価格より作業時間の削減を重視する

  • 営業担当者が新しい運用を継続できる

  • 必要なデータを取得できる

  • 開発後の保守を行える

  • 競合が同様の機能を低価格で提供しない

  • 法務・セキュリティ上の問題がない

すべての前提を同じように調べる必要はありません。

重要なのは、結論を大きく変える前提です。

AIの回答に含まれる明示・暗黙の前提を列挙する

この推奨案が成立するための前提を列挙してください。

明示された前提だけでなく、暗黙の前提も含めてください。

前提の確度と結論への影響度を分ける

前提には、確度が高いものと低いものがあります。

同時に、結論への影響が大きいものと小さいものがあります。

優先して確認すべきなのは、確度が低く、結論への影響が大きい前提です。

前提が逆だった場合に、推奨がどう変わるか確認する

各前提が逆だった場合、推奨案と結論がどう変わるか示してください。

たとえば、「顧客は月額3万円を支払う」という前提が崩れれば、

  • 価格を下げる

  • 対象顧客を変える

  • 初期費用型にする

  • 開発しない

といった結論変更が必要です。

結論を変える前提を優先して検証する

この推奨案が成立するための前提を列挙してください。

各前提について、
・確度
・結論への影響度
・逆だった場合の結論
・確認方法
を示してください。

最優先で検証すべき前提を1つ選んでください。

代替案は、賛成案と反対案の二択ではなく、現実的な選択肢で作る

意思決定では、「やる」「やらない」の二択になりがちです。

たとえば、AI研修について、

  • 全社員へ実施する

  • 実施しない

だけを比較すると、現実的な選択肢を見落とします。

他にも次の案があります。

  • 一部職種だけで実施する

  • 少人数で実証してから広げる

  • 動画教材と相談会を組み合わせる

  • 研修ではなく業務テンプレートを配布する

  • 管理職だけ先に研修する

  • 外部研修を利用する

  • 3か月延期して利用環境を先に整える

現状維持も一つの案として含める

新しい施策の検討では、実行案だけが注目されます。

しかし、何もしない場合にも結果があります。

  • 現在の問題が継続する

  • コストを使わずに済む

  • 他の施策へ資源を回せる

  • 市場や技術の変化を待てる

  • 競合へ遅れる可能性がある

現状維持を比較対象へ入れることで、実行案の価値を正しく見られます。

実行時期や範囲を変えると、可逆性の高い案を作れる

実行するかどうかだけでなく、

  • いつ始めるか

  • どこから始めるか

  • どの規模で試すか

を変えると、選択肢が広がります。

内製・外注・購入など、目的を達成する別手段も比較する

同じ目的でも、実現方法は複数あります。

  • 自社で作る

  • 外部へ委託する

  • 既存製品を買う

  • 手作業を改善する

  • 他社と共同で行う

AIへ最初に提示した方法だけを評価させず、目的を達成できる別手段を探します。

【画像挿入位置｜05_記事内画像_意思決定の代替案比較.png】
配置目的：現状維持・小規模実証・本格実行・別手段を、必要資源・効果・リスク・可逆性から比較する
画像挿入後、この2行を削除

各案の優劣ではなく、どの条件なら適合するかを見る

すべての状況で最良の案はありません。

各案について、

  • どの条件なら向くか

  • どの条件なら向かないか

  • 何が分かれば選べるか

を確認します。

この意思決定について、現実的に選択可能な代替案を4案作ってください。

必ず含めるもの：
・現状維持
・小規模実証
・本格実行
・別手段による解決

各案について、
・必要資源
・期待効果
・主なリスク
・向く条件
・向かない条件
・可逆性
を比較してください。

判断基準を決める前に案を比較すると、都合のよい結論を選びやすい

代替案を複数作っても、比較基準がなければ決められません。

ある案は安いが、効果が小さい。別の案は効果が期待できるが、リスクと負担が大きい。

何を重視するかによって、推奨案は変わります。

意思決定の目的から評価軸を作る

AI研修を検討するなら、次の評価軸が考えられます。

  • 実務への適合

  • 利用定着の可能性

  • 情報管理リスク

  • 受講者の負担

  • 実施費用

  • 運営負荷

  • 展開速度

  • 効果測定のしやすさ

目的が「安全に利用できる状態を作る」なら、安全性の重みが高くなります。

目的が「短期間で利用例を作る」なら、実施速度や対象業務の明確さを重く見るかもしれません。

必須条件と加点条件を分ける

必須条件の例：

  • 機密情報を扱わない

  • 予算内である

  • 法令・社内規程に反しない

加点条件の例：

  • 準備工数が少ない

  • 多くの部署へ転用できる

  • 受講者満足度が高い

必須条件を満たさない案は、総合点が高くても採用できません。

案を見る前に、判断基準と重みを仮決定する

案を見た後に重みを決めると、気に入った案が勝つように基準を変える可能性があります。

まず、判断基準と優先順位を仮決定し、その後に案を比較します。

ただし、比較途中で重要な評価軸の欠落が判明した場合は、基準を修正して構いません。その場合は、変更理由を記録します。

AIに重みまで勝手に決めさせない

AIへ重みの候補を出させることはできます。

ただし、最終的な重みは人間が決めます。

案を採点する前に、判断基準を設計してください。

1. この意思決定の目的
2. 必須条件
3. 比較軸
4. 各軸の意味
5. 軸同士の重複
6. 重み付けの選択肢

重みを勝手に確定せず、人間が選べる形で提示してください。

反論は数ではなく、結論を変える力で選ぶ

AIへ「反論も考えて」と頼むと、多数の懸念が並ぶことがあります。

しかし、すべての反論が同じ重要度ではありません。

  • 表現の好み

  • 低確率の例外

  • 現実には起きにくい懸念

  • 結論を変える重大な反証

を同列に扱うと、判断できなくなります。

結論を変えない軽微な異論は、実施後の調整項目へ分ける

たとえば、研修時間を90分にするか100分にするかは、重要な調整かもしれません。

しかし、研修自体を実施すべきかという結論を変えるとは限りません。

主要な反論と、実施後に調整できる論点を分けます。

最も強い反論を一つ検討する

この案が間違っているとしたら、最も強い理由は何ですか。

一番強い反論を検討しても推奨が変わらないなら、判断の信頼度が上がります。

現在の推奨を撤回すべき条件を決める

どのような事実が確認された場合、現在の推奨を撤回すべきですか。

この問いによって、結論を変える反証条件を明確にできます。

AIが作った反論も、未検証の仮説として扱う

AIが「従業員の抵抗が起きる可能性がある」と述べても、実際の組織で抵抗があるとは限りません。

反論も仮説です。

必要に応じて、ヒアリング、アンケート、実証などで確認します。

この案に対する反論を数多く出すのではなく、
結論を変える可能性が高い反論を最大3件に絞ってください。

各反論について、
・成立条件
・必要な証拠
・現在分かっていること
・結論への影響
を示してください。

リスクは「起こりやすさ」と「起きたときの損失」を分けて考える

AIへリスクを聞くと、多数の項目が出てきます。

しかし、リスクの数だけでは優先順位を決められません。

少なくとも、次の4軸で見ます。

発生可能性と影響度を分ける

発生確率が低くても、損失が極めて大きいリスクは重要です。

反対に、頻繁に起きても簡単に直せる問題なら、許容できる場合があります。

検知可能性を確認する

誤りが起きても、すぐに見つけられるなら対応できます。

気づかないまま顧客や社外へ影響するリスクは、統制を厚くする必要があります。

回復可能性を確認する

可逆な判断なら、小さく試しやすくなります。

  • 社内の試験運用

  • 少人数の研修

  • 下書き作成

  • 限定公開

は比較的戻しやすい判断です。

一方、

  • 大規模な投資

  • 顧客への正式発表

  • 人事評価

  • 契約

  • 個人情報の外部共有

  • データ削除

は、元に戻せない、または回復コストが大きい場合があります。

実行しない場合の機会損失も扱う

実行しないことにもリスクがあります。

  • 学習機会を失う

  • 競合に遅れる

  • 現場負担が継続する

  • 優秀な人材が離れる

  • 顧客ニーズを逃す

リスクだけを並べると、「何もしない」が常に安全に見えます。

この案を実行した場合のリスクと、
実行しなかった場合の機会損失を分けてください。

各項目について、
・発生可能性
・影響度
・検知方法
・回復方法
・事前に下げる方法
を整理してください。

不確実性が大きいなら、議論を続けるより小さく試す

判断に必要な情報がない場合、AIとの議論を長く続けても、不確実性は減りません。

たとえば、

全社員向けのAI研修を行えば、本当に業務利用が増えるのか

は、一般論だけでは分かりません。

会社の業務、社員、環境、評価制度によって結果が変わるからです。

この場合、未来を予測させるより、検証方法を作ります。

判断を最も左右する不確実な仮説を一つ選ぶ

研修施策なら、次の仮説があるかもしれません。

  • 受講者は研修後もAIを使う

  • 実務時間が短縮される

  • 品質が下がらない

  • 情報管理上の問題が起きない

  • 管理職が利用を支援する

一度にすべてを検証するのではなく、判断を最も左右する仮説を選びます。

本格実行より小さいコストで検証する

全社研修を実施する前に、

  • 営業部10名

  • 2週間

  • メール作成、要約、商談準備の3業務

  • 利用前後の作業時間

  • 修正量

  • 実務採用率

  • 安全面の問題

  • 継続意向

を確認できます。

実験開始前に、成功・失敗・中止の条件を決める

実証後に基準を作ると、都合よく結果を解釈できます。

実施前に、

  • 10名中7名以上が週2回以上利用

  • 対象業務の合計時間が平均20％以上減少

  • 重大な情報管理事故が0件

  • 成果物の再作成率が増加しない

などを仮置きします。

数値は案件に合わせて決めます。

また、次のような中止条件も決めます。

  • 重大な情報管理上の問題が発生した

  • 業務品質が許容範囲を超えて低下した

  • 確認工数が削減時間を継続的に上回った

期間と対象を限定し、失敗しても戻せる形にする

検証のための実証が、そのまま大規模プロジェクトにならないようにします。

小さく、短く、戻せる範囲へ限定します。

事前予測と実績を比較し、次の判断へつなげる

AIと人間が事前に予測を残し、結果と比較します。

これによって、

  • どの仮説が間違っていたか

  • 何を過大評価したか

  • 何を見落としたか

を学習できます。

この意思決定で最も重要かつ不確実な仮説を1つ選んでください。

その仮説を検証する最小実験を設計してください。

・対象
・期間
・必要資源
・観測する指標
・成功条件
・失敗条件
・中止条件
・実験後の次の判断

全社員向けAI研修を、弱い相談から意思決定へ変えてみる

ここまでの考え方を、一つの案件へ当てはめます。

検討するのは、

全社員向けAI研修を今すぐ実施するべきか

という意思決定です。

弱い相談では、一般的な賛否しか得られない

全社員向けにAI研修を実施しようと思います。
良い案でしょうか？

AIからは、次のような回答が返るでしょう。

  • 生産性向上が期待できる

  • AIリテラシー向上につながる

  • 情報漏えいに注意が必要

  • 実践的な演習を入れるべき

  • 職種別に内容を分けるとよい

間違いではありません。

しかし、今回の会社が何を選ぶべきかは決まりません。

問いを「目的に対して最優先の施策か」へ変える

社員のAI業務活用を増やすために、
全社員一律研修は現時点で最優先の施策か。

「研修が良いか」から、「目的に対して最優先か」へ問いを変えました。

確認済み事実と未確認事項を分ける

確認済み事実：

  • 一部社員はChatGPTを利用している

  • 社内ガイドラインは配布済み

  • 部署によって利用頻度に差がある

未確認事項：

  • どの業務で時間がかかっているか

  • 利用しない主な理由

  • 管理職が利用を支援しているか

  • 研修で利用行動が変わるか

結論を支えている暗黙の前提を洗い出す

  • 全社員へ同じ内容が必要

  • 研修を受ければ利用量が増える

  • 利用量が増えれば成果も上がる

  • AIを使わない理由は知識不足

  • 全社一斉に実施する方が効率的

どれも、検証が必要な仮説です。

現状維持を含む現実的な代替案を作る

  1. 全社員一律の研修を行う

  2. 職種別に研修を行う

  3. 営業部で小規模実証する

  4. 研修をせず、業務テンプレートと相談会を提供する

  5. 管理職研修を先に行う

  6. 現状維持し、利用環境の整備を優先する

案を見る前に判断基準を決める

  • 実務への適合

  • 利用定着

  • 安全性

  • 必要費用

  • 運営負荷

  • 展開速度

  • 効果測定のしやすさ

  • 他部署への転用可能性

現在の結論を変える最も強い反論を確認する

最も強い反論は、

AIを使わない主因が知識不足ではなく、対象業務や利用環境の不足なら、研修をしても定着しない

というものかもしれません。

本格展開前の最小実験を設計する

  • 営業担当10名

  • 2週間

  • 3つの対象業務

  • 職種別の90分研修

  • 利用前後の作業時間と採用率を比較

  • 重大な安全問題があれば中止

判断を仮置きし、見直し条件も残す

全社一律研修はまだ実施せず、営業部で職種別の小規模実証を行う。利用定着と業務成果が確認できた場合に、他部署へ展開する。

この結論は、AIが決めたものではありません。

AIが整理した問い、前提、選択肢、反論、実験案をもとに、人間が選んだ判断です。

意思決定メモを残すと、AIの回答ではなく人間の判断を資産にできる

判断結果だけを残すと、後から次が分からなくなります。

  • 当時、どの情報を持っていたか

  • 何を前提にしていたか

  • なぜ別案を選ばなかったか

  • 何が起きたら判断を変える予定だったか

意思決定メモには、次を残します。

判断すること：
判断期限：
責任者：

目的：
現状：
確認済み事実：
未確認事項：

主要な前提：
重要仮説：
代替案：

判断基準：
比較結果：
主要な反論：
リスク：
機会費用：
可逆性：

今回の判断：
判断理由：
採用しなかった案と理由：

検証方法：
成功条件：
失敗条件：
停止・撤退条件：
見直し日：

結論だけでなく、判断時点の前提を残す

判断が後から間違って見えても、当時の情報では合理的だった場合があります。

反対に、結果が良くても、判断方法が危険だった可能性もあります。

前提を残すことで、結果と判断品質を分けて振り返れます。

採用しなかった案の理由も残す

不採用案が後から必要になる場合があります。

なぜ選ばなかったのかを残しておけば、条件が変わったときに再検討できます。

予測と結果を後日比較する

実施前の予測と、実際の結果を比べます。

  • 想定した効果

  • 想定したリスク

  • 実際に起きたこと

  • 見落とした要因

  • 次回変える判断基準

これが個人や組織の学習になります。

AIとの会話履歴ではなく、人間の判断理由を残す

会話履歴には、途中案、誤り、廃止した前提も含まれます。

重要なのは、最終的に人間が、

  • 何を選んだか

  • なぜ選んだか

  • 何が起きたら見直すか

です。

日常の判断では、8段階をすべて使わなくてよい

小さな可逆判断に、毎回長い意思決定メモを作る必要はありません。

たとえば、社内文章の見出しを選ぶだけなら、

  • 目的

  • 選択肢

  • 採用理由

で十分です。

一方、次の判断では確認を厚くします。

  • 大きな投資

  • 採用・評価

  • 契約

  • 顧客へ重大な影響を与える変更

  • 個人情報の利用

  • 公開発表

  • 元に戻せないシステム変更

判断の重要度に応じて、使う項目を変えます。

短縮版は次のとおりです。

判断すること：
目的：
確認済み事実：
重要な前提：
選択肢：
判断基準：
最大のリスク：
今回の判断：
判断理由：
見直す条件：

フェーズ4へ到達したかを確認する

次の状態なら、フェーズ4の主要能力を実務で使えています。

  • 元の質問自体を再構成できる

  • 事実・推論・仮説・意見・推奨を分けられる

  • 主要な前提を説明できる

  • 現状維持を含む代替案を比較できる

  • 判断基準を案の評価前に決められる

  • 結論を変える反証を扱える

  • リスクと機会費用を比較できる

  • 可逆性に応じて判断速度を変えられる

  • 不確実性を減らす最小実験を設計できる

  • 採用・不採用理由を説明できる

  • 停止・撤退条件を残せる

  • AIの推奨に反対できる

フェーズ4の目的は、AIの判断に従うことではありません。

AIを使うことで、自分の判断の前提、弱点、代替案を見えるようにすることです。

フェーズ5へ進む目安は、判断に使う事実を根拠付きで確認できること

フェーズ4では、問い、前提、仮説、代替案、判断基準を設計しました。

ただし、判断材料として使う事実が正しいとは限りません。

  • 市場規模

  • 法令

  • 料金

  • 製品仕様

  • 調査結果

  • 顧客の発言

  • 統計

  • 競合情報

を根拠付きで確認する必要があります。

次のフェーズ5では、Web、資料、データ、一次情報を使い、主張、数値、出典、適用範囲、不確実性を管理します。

関連記事

AIで作れるものが増えるほど、目的、優先課題、停止条件を保持する重要性を考察しています。

AIが調査や資料作成を担うほど、リーダーに残る問い、判断、責任について整理しています。

AIへ任せる範囲と、人間が保持すべき採否、停止、回復、責任の境界を詳しく考察しています。

AI活用成熟度12フェーズ

出典・参考資料


いいなと思ったら応援しよう！

南翔伍 / AIコンパニオンとSNSの間くらいの「Jams」開発中 社会問題×マーケティングが好き / ㍿小さな一歩（前澤ファンド出資先）で養育費の未払い問題にビジネスでトライ→㍿SHIRO創業。社会問題の発見→要因分析→ビジネス考案→実行に必要な資本整備→実行・改善のサイクルが最短で回り社会問題が解決されつづけるインフラを創る。