コラム 2026.08.03

「それ、AIに聞いてみたら？」の前に｜生成AIに思考まで任せない人と組織をつくる「自ら考える力」と「答えを導く力」

人材育成・組織開発業務改善・効率化次世代リーダー育成

誰でも生成AIを使える時代に、人と組織の成長を止めない「業務読解力」と「問い力」

最近、私の周囲の職場で、若手同士がこんな会話をしているのを耳にしました。
「そういえば、あのスペックって仕様書通りだっけ？」
「ああ、それなら仕様書と顧客要求書を生成AIに照合させてみたら？」

別の日には、こんな会話もありました。
「ヤバかった。配送ミスしちゃって、いま電話で謝って、すぐに再送したよ」
「AIに、なぜ配送ミスをするのか聞いてみたら？」

生成AIが、仕事の会話の中へごく自然に入り込んでいます。
私は、このこと自体を悪いとは思っていません。
仕様書と顧客要求書の差異を抽出する、大量の文書を分類する、ミスの原因候補を洗い出す、報告書のたたき台を作る。
これまで人が時間をかけていた仕事を、生成AIが短時間で支援してくれるようになりました。

若い世代が生成AIを特別な技術として構えず、日常の道具として軽やかに使っている姿には、大きな可能性を感じます。
ところが、こうした会話を聞いていると、私はときどき、何とも言えない違和感を覚えるのです。

毎週月曜日に「改善ファシリテーション」をテーマとしたコラムを更新、
火曜日にメールマガジンを配信しております。是非ご登録ください。(ご登録は無料です)

会話が軽い。理解が浅い。そして、何か起きると、すぐにAIへ聞こうとする。

もちろん、仕事は速く進むでしょう。
しかし、AIに聞く前に本来必要だったはずの思考まで、一緒に飛ばしてはいないでしょうか。その場では問題が解決したように見えても、本人の中には何が残るのでしょう。次に同じような状況が起きたとき、自分で考え、判断できるのでしょうか。

私は、そこに引っかかっているのです。

その仕事、本当に「理解した」と言えるでしょうか。
少し、ご自身の生成AIの使い方を振り返ってみてください。

生成AIに文書を要約してもらった後、その内容を自分の言葉で説明できるでしょうか。AIに原因を挙げてもらった後、なぜその原因が今回の事実と結びつくのか、根拠を示せるでしょうか。AIに企画書を作ってもらった後、その提案が顧客にとってなぜ必要なのか、資料を見ずに話せるでしょうか。

もう一つ、少し意地の悪い問いをしてみます。
AIが出した回答の中に、一つだけ、もっともらしい誤りが混ざっていたとしたら、あなたはそれに気づけるでしょうか。

生成AIの文章は、実によく整っています。
言葉遣いも自然で、理由も説明され、自分ではうまく言えなかったことまで、きれいにまとめてくれます。
だからこそ、私たちは「読みやすい文章」と「正しい内容」を混同しやすくなります。そして、読んで納得したことを、自分が理解したことだと思い込んでしまうことがあります。

しかし、仕事が完成したことと、人が成長したことは同じではありません。

この違いを見誤ると、生成AIによって生産性は上がったはずなのに、数年後には、AIが出した答えを評価できる人が社内から減っていた、ということさえ起こり得ます。
目の前の業務効率は上がっている。
しかし、その組織に判断力や専門性が蓄積されているかどうかは、別の問題なのです。

私たちは、何をAIの外側へ移しているのか

認知心理学には、「認知的オフローディング」という考え方があります。
人は、記憶や計算などの認知的な負担を、メモ、手帳、スマートフォン、コンピューターなど、頭の外にある道具へ移すことがあります。
予定を手帳へ書く、複雑な計算に表計算ソフトを使う、チェックリストで確認漏れを防ぐといった行動も、その一例です。

認知的オフローディングそのものは、決して悪いものではありません。
私たちは道具に仕事の一部を任せることで、限られた注意や記憶を、より重要な判断へ使えるようにしてきました。生成AIの利用も、この枠組みで捉えることができます。

問題は、外へ出すことではありません。
何を外へ出し、何を人間の側に残すのかです。

仕様書から該当箇所を探し、顧客要求書との差異を一覧にする作業は、AIに支援させればよいでしょう。
しかし、その要求が顧客にとってどのような意味を持つのか、変更した場合に品質や安全へどのような影響が生じるのかを考えることまで、AIへ渡してよいのでしょうか。

配送ミスの原因候補を広く出すことも、AIに手伝ってもらえます。
しかし、自分が何を見て、どう判断し、どこで違和感を見落としたのかを振り返ることまで、AIに代わってもらってよいのでしょうか。

人が担うべき観察、意味づけ、仮説形成、判断まで外へ出してしまえば、目の前の作業は速く終わっても、人の中に経験が蓄積されにくくなります。
これは生成AIの問題ではありません。私たちが、AIに何を任せようとしているかの問題なのです。

「AIがそう言っている」が、新しい思考停止になる

人間と自動化システムの関係については、生成AIが登場する以前から研究されてきました。自動化に関する研究では、システムを過度に信頼することで、必要な監視や確認が弱まり、異常を見落としたり、誤った提案を採用したりする可能性が指摘されています。こうした自動化への過信は、初心者だけに起こるものではなく、経験者にも起こり得ます。

従来の自動化システムに関する研究を、そのまま生成AIへ当てはめることはできません。それでも、似た問題が起きる可能性は考えておく必要があります。

生成AIは、単に「該当なし」「異常あり」と表示するだけではありません。
理由を添え、自然な文章で、まるでこちらの状況をよく理解しているかのように答えます。そのため、忙しいとき、専門知識が十分でないとき、早く結論を出したいときほど、私たちはAIの回答を検証せずに受け入れたくなります。

「AIがそう言っているので、この原因だと思います」
「AIで照合したので、問題ありません」
「AIに聞いたら、この方法がよいそうです」

こうした言葉が職場で増えてきたとしたら、少し立ち止まったほうがよいかもしれません。AIの回答を採用した本人が、その内容を本当に評価できているとは限らないからです。

さらに、本人が評価できないものを、上司も「AIなら大丈夫だろう」と通してしまえば、組織全体で誰も深く確かめていない答えが、正解として流通し始めます。便利さは、ときに確認を省略する理由になります。
速さは、ときに理解の浅さを隠すのです。

AIへの信頼と、批判的思考の関係

2025年に発表された研究では、319人の知識労働者から、仕事で生成AIを利用した936件の事例を集め、生成AI利用時の批判的思考について調査しています。その結果、生成AIに対する信頼が高いほど、批判的思考を働かせたという自己報告が少なくなる傾向が見られました。

一方で、自分自身がその業務を遂行できるという自信が高い人ほど、AIの情報を検証し、仕事へ統合しようとする傾向が報告されています。

ただし、この研究は参加者の自己報告をもとにした調査であり、「AIを信頼したことによって批判的思考が低下した」という因果関係まで証明したものではありません。ここは慎重に受け止める必要があります。

それでも私は、この結果に重要な示唆を感じます。
自分の仕事をよく理解している人は、AIの回答に対して、「この条件が抜けている」「現場では、そんな単純ではない」「その数字の前提は何だろう」「顧客が求めていることとは少し違う」と違和感を持つことができます。

ところが、仕事の背景や原理原則を十分に理解していなければ、AIの回答を評価する基準そのものがありません。
基準がなければ、整った文章を受け入れるしかなくなります。

だから私は、AIの使い方を教える前に、仕事そのものを読み取る力を育てる必要があると思うのです。

問いが浅いのではない。「問いの前」が抜けている

配送ミスが起きたとします。そこでAIに「なぜ配送ミスは起きるのですか」と聞けば、確認不足、伝達ミス、教育不足、作業手順の不備、システム上の問題といった、もっともらしい原因を挙げてくれるでしょう。

どれも間違いとは限りません。
しかし、それが今回の原因だという証拠もありません。

本来、最初に確認しなければならないのは、もっと具体的な事実です。
何を間違えたのか。
商品なのか、数量なのか、送り先なのか。
注文情報は正しかったのか。
ピッキング時点ではどうだったのか。
梱包後の照合は行われたのか。
普段と違う条件はなかったのか。
本人は途中で何か引っかからなかったのか。

こうした事実を読み解いていくことで、初めて意味のある問いが生まれます。

「受注情報は正しかったのに、なぜピッキング段階で別の商品を選んだのか」
「品番が似ていたことに加えて、なぜ照合工程で止められなかったのか」
「作業者個人への注意喚起ではなく、仕組みとして何を変えるべきか」

良い問いは、突然、頭の中へ降りてくるものではありません。
観察する、比較する、違いに気づく、事実と推測を分ける、背景を読む、自分なりの仮説を持つ。
その先に、問いがあります。

したがって、私が気になっているのは、単に「若手の問いが浅い」ということではありません。
問いが生まれる前の読解工程が、省略されているのではないか。
ここなのです。

私が「業務読解力」と呼びたいもの

読解力というと、文章や本を読み、その内容を理解する力を思い浮かべるかもしれません。しかし、仕事で求められる読解力は、もっと広いものです。

顧客の言葉の背景を読む。現場で起きている事実を読む。数値やデータの変化を読む。仕様書と顧客要求書の関係を読む。人の表情や沈黙を読む。失敗が起きる前後の流れを読む。自社の強みを読む。社会や技術の変化を機会として読む。

私は、こうした力を「業務読解力」と呼んでもよいのではないかと考えています。

これは、現時点で確立された学術用語として使っているわけではありません。私自身が、製造現場、品質、安全、改善、人財育成に関わる中で感じてきたことを、一つの言葉にしたものです。

業務読解力とは、文章を正しく読むだけではありません。
目の前に現れている事実から、まだ言葉になっていない意味や課題を読み取る力です。

生成AIに与えられるのは、基本的に、人が言語化した情報です。人が現場を浅くしか見ていなければ、AIへ渡される情報も浅くなります。人が問題を大きな言葉でしか捉えていなければ、AIへ投げる問いも大きく曖昧になります。

つまり、プロンプトの書き方をいくら工夫しても、その手前にある業務読解力が弱ければ、得られる答えは一般論から抜け出しにくいのです。

仕事が終わることと、学習が起きることは違う

人は、正解を聞いただけでは十分に成長しません。自分なりに考える。うまくいかない。矛盾に気づく。別の方法を試す。そこへ適切な説明や助言が加わる。この過程を通じて、自分の理解の限界や、考え方の癖に気づきます。

学習科学では、学習者が最初から解き方を教わるのではなく、まず難しい問題へ取り組み、その後で指導を受ける学習設計が研究されています。問題解決を先に行い、その後に指導を受ける方法についての研究では、条件が適切に設計されている場合、概念理解や応用に効果を持つことが示されています。

ただし、単に失敗させればよいわけではありません。
その後に説明、比較、振り返り、知識の統合といった支援が必要です。

この考え方を生成AIの利用に重ねると、見えてくることがあります。
何か分からないことがあったとき、自分で事実を集め、少し考え、仮説を立てる。その後でAIに別の視点や不足情報を出してもらう。この使い方であれば、生成AIは学習を支援します。

ところが、問題を見た瞬間にAIへ答えを求め、返ってきた文章を採用するだけでは、自分で考え、間違いに気づき、理解を組み替える機会が減ってしまいます。

仕事は早く終わるかもしれません。
しかし、その仕事を通じて、本人は何を学んだのでしょうか。

これは若手だけの問題ではありません。管理職にも、経営者にも起こり得ます。時間がないからAIにまとめさせる。専門外だからAIの説明を信じる。会議資料を急いでいるから、そのまま貼り付ける。

誰にでも起こり得るからこそ、組織として向き合う必要があるのです。

AIを使っている間はできた。しかし、AIがないとできない

生成AIと学習の関係を直接扱った研究にも、興味深い結果があります。
高校数学を対象とした無作為化実験では、一般的な対話型の生成AIを使える生徒は、AIを利用している練習中の成績が向上しました。
しかし、その後、AIを使わずに受けた試験では、AIを使わなかった生徒より成績が低くなる結果が示されました。

一方、答えを直接与えにくいように設計され、段階的なヒントによって学習を支えるAIでは、こうした悪影響が大きく抑えられました。

もちろん、これは高校数学の学習を対象とした研究です。
企業の仕事や若手社員の成長へ、そのまま当てはめることはできません。
それでも、「AIを使って成果が出たこと」と「本人がその能力を身につけたこと」は同じではない、という示唆は重要です。

AIと一緒なら報告書を作れる
AIと一緒なら原因分析ができる
Iと一緒なら企画を考えられる

では、AIが出した内容を評価できるでしょうか。
想定外の条件が加わったとき、自分で修正できるでしょうか。
顧客から「なぜ、そう考えたのですか」と聞かれたとき、自分の言葉で説明できるでしょうか。

生成AIを使った直後の成果だけを評価していると、この違いを見落とします。短期的な生産性だけを追いかけた結果、長期的な専門性が育たないとしたら、企業にとっては大きな問題です。

しかも、その問題はすぐには見えません。資料は完成する。仕事も回る。数字上の効率も上がる。だからこそ、気づいたときには、AIの答えを本当に評価できる人が少なくなっていた、ということが怖いのです。

成人発達理論から考える「判断の主体」

成人発達理論には、大人になった後も、人がものごとをどのように意味づけるかは変化し得る、という考え方があります。

構成主義的な成人発達理論では、外部の期待や既存の基準に強く依存した意味づけから、自分なりの価値基準を持ち、さらに自分の基準そのものも客観視しながら、複数の視点を扱う方向への発達が論じられています。

ただし、一度のAI利用を見ただけで、その人の発達段階を判定することはできません。また、発達段階が高ければ必ず優れたリーダーになる、というほど単純なものでもありません。成人発達理論は、人の優劣を決める物差しではなく、人がどのように意味をつくり、判断しているかを考えるための一つの視点です。

その前提に立って、生成AIとの関係を考えてみます。

「AIがこう言っているので、その通りにします」という姿勢と、「AIはこう答えた。しかし、今回の現場条件では、この部分をそのまま採用できない。別の可能性も検討したい」という姿勢には違いがあります。

後者では、AIを一つの情報源として扱いながら、自分なりの判断基準を働かせています。

生成AI時代に必要なのは、AIより多くの情報を覚えることではありません。
情報量では、人はAIにかないません。
必要なのは、AIの答えも、自分の考えも、組織の常識も少し離れて眺め、「本当にそうだろうか」「別の見方はないだろうか」「この状況では何を大切にすべきだろうか」と意味をつくり直す力です。

生成AI時代の成長とは、答えを多く持つことではなく、答えを選び、疑い、組み替えられる主体になることなのだと思います。

リーダーは、部下の学習課題までAIに肩代わりさせてはいけない

リーダーシップ論には、既存の知識や技術で解決しやすい「技術的な問題」と、当事者が新しい能力を身につけたり、習慣、価値観、役割、関係性を変えたりしなければ前へ進まない「適応課題」を区別する考え方があります。

仕様書同士の差異を抽出する仕事は、比較的、技術的な問題としてAIに支援させやすいでしょう。しかし、なぜ顧客要求が途中で失われたのか、なぜ確認手順が形だけになったのか、なぜ違和感を持っても声を上げられなかったのか、なぜ同じようなミスが繰り返されるのか。こうした問題は、AIが原因候補を出しただけでは解決しません。

役割分担、職場の習慣、心理的安全性、評価の仕組み、管理職の関わり方まで変えなければならない可能性があるからです。

ところが、部下が問題を抱えたとき、上司まで「それ、AIに聞いてみたら」と言うだけで終わってしまったらどうでしょう。
部下が本来向き合うべき思考や学習まで、AIへ肩代わりさせることになります。

生成AI時代のリーダーに必要なのは、AIを禁止することではありません。

「AIに聞く前に、君は何が起きたと見ている？」
「どこまでが事実で、どこからが推測だろう？」
「自分では何が原因だと考えている？」
「その答えを得て、何を判断したいの？」
「AIには、どんな見落としを確認してもらおうか？」

先に仕事を本人へ返し、そのうえでAIを使わせる。
これが、人を育てながら生成AIを活用するリーダーシップではないでしょうか。

誰でも使えるからこそ、「使える人」だけでは差がつかない

先日、私は「プロンプト以前」をテーマにしたセミナーを行いました。

プロンプトの型や便利な命令文を教える前に、何が起きているのか、自分は何を見たのか、何に違和感を持ったのか、何が分からないのか、何を判断したいのか、得られた答えを何に使うのか。そこから考えてもらうセミナーです。

ありがたいことに、大変好評でした。
おそらく受講者の皆さんは、生成AIの話を聞きに来たはずが、途中から、自分の仕事の見方や考え方そのものを振り返ることになったのだと思います。

誰でも生成AIを使えるようになる。
だからこそ、「生成AIを使えること」だけでは、やがて強みにならなくなります。同じAIを使い、同じようなプロンプトを入力すれば、似たような回答が出てくるからです。

差が生まれるのは、その前です。
何を見るか。何に気づくか。何を問いとして切り出すか。何と何を組み合わせるか。何のために使うか。
そこに、人と組織の違いが現れます。

生成AIという「機会」と、自社の「強み」をどう掛け合わせるか

SWOT分析でいえば、生成AIは、多くの組織に共通して訪れた「機会」と考えることができます。誰でも使える機会である以上、生成AIそのものを使うだけでは、差別化にはなりにくいでしょう。

大切なのは、その機会に、自社だけが持つ「強み」をどう掛け合わせるかです。

長年蓄積してきた製造技術、顧客との関係、現場でしか得られない情報、ベテランが持つ異常察知の感覚、過去の失敗から得た知恵、品質、安全、改善に関する専門性。こうした強みに生成AIを掛け合わせたとき、他社には簡単に真似できない商品、サービス、仕事の仕組みが生まれます。

ところが、自社の強みを読み取れていなければ、掛け合わせる材料がありません。顧客の変化を読めていなければ、どこに機会があるのかも分かりません。

そこで必要になるのが、業務読解力です。
そして、「この強みを別の顧客課題へ使えないだろうか」「ベテランの暗黙知を、AIと対話できる教材へ変えられないだろうか」「ミスが起きた後ではなく、起きる前の違和感を集められないだろうか」と、新しい可能性へ変えるのが問い力です。

誰も使っていないAIの機能を探すのではありません。
誰もまだ結びつけていない、自分たちの強みと機会を見つける。

これこそが、誰でも生成AIを使える時代に必要な発想だと思うのです。

生成AI時代の人財育成は「読む・問う・組み合わせる・試す」

私は、生成AI時代の人財育成を、「読む・問う・組み合わせる・試す」という流れで考えています。

まず、現場の事実、顧客の要求、データの変化、仕事の前後関係、自社の強み、社会の機会を読み取ります。次に、何が分からないのか、何を変えたいのか、何と何を結びつけられるのか、どのような価値を生み出したいのかを問いにします。

そして、自分たちの経験や専門性と、生成AIの能力を組み合わせます。
最後に、小さく試し、AIの答えを現実の仕事で検証し、結果を振り返り、次の問いへつなげます。

生成AIは、このすべての段階で力を貸してくれます。
しかし、循環の主語は、あくまでも人間です。

AIに問いをつくってもらう前に、人が現実を読む。
AIに答えを出してもらった後に、人が検証する。
AIが案を出した後に、人が意味と責任を引き受ける。

ここを失ってはいけません。

あなたの会社は、何をもって「AIを使いこなしている」と判断していますか

ここまで読まれて、ご自身や職場のAI利用が少し気になり始めてはいないでしょうか。

社員が生成AIを使った回数や、作業時間が短くなったことだけを成果として見ていないでしょうか。
完成した資料の見栄えを見て、「AIを使いこなしている」と判断していないでしょうか。

その社員は、なぜその答えを選んだのか説明できるでしょうか。
AIの回答に誤りがあったとき、気づけるだけの専門性を持っているでしょうか。
AIが使えない状況でも、仕事の原理原則をもとに判断できるでしょうか。

そして、管理職は部下に問い返しているでしょうか。
それとも、「AIで調べておいて」の一言で、考える責任まで渡していないでしょうか。

少しでも「このままで大丈夫だろうか」と感じたとしたら、それは生成AIをやめるべきだという意味ではありません。むしろ逆です。生成AIを本当の意味で活用するために、使い方の教育を一段深くする時期に来ているのだと思います。

「それ、AIに聞いてみたら？」の前に置きたい問い

これからの職場では、「それ、AIに聞いてみたら？」という会話が、さらに増えていくでしょう。私は、それでよいと思っています。

ただし、その前に、もう一つの問いを置いてほしいのです。

「君は、それをどう読んだの？」

何が起きたと考えたのか。
どこに違和感を持ったのか。
どこまでが事実なのか。
自分では、どのような仮説を持っているのか。
AIに何を確かめてもらいたいのか。

この問いがあるだけで、生成AIは、思考を代行する道具から、思考を深める道具へ変わります。

誰でも使える生成AI。
だからこそ、単に使い方を教えるのではなく、誰もまだ考えていない使い方を考え続けられる人財を育てる必要があります。

その土台になるのは、派手なプロンプト技術ではありません。
現場と仕事を深く読む「業務読解力」と、読んだことを新しい可能性へ変える「問い力」です。

私の「プロンプト以前」のセミナーで扱いたいのは、まさにここです。
便利なプロンプトを持ち帰ってもらうだけではありません。
受講者自身が日頃のAIの使い方を振り返り、仕事の見方を変え、自分の中から問いを生み出せるようになることを目指しています。

AIに仕事を奪われないため、という話だけではありません。
AIに、自分で考える機会まで渡してしまわないためです。

生成AI時代の人財育成は、入力欄に何を書くかよりも、ずっと手前から始まっています。

次に生成AIを開くとき、一度だけ自分へ問いかけてみてください。

「私は、この仕事を本当に読めているだろうか」

その問いから、生成AIの使い方も、人の成長も、組織の未来も変わり始めるのではないでしょうか。

体験セミナーのお申し込みはこちらから

体験セミナー日程はこちら

お気軽にお問い合わせください

お問い合わせフォーム

マネジメントコンサルティング部部長

坂田和則

国内外において、企業内外教育、自己啓発、人材活性化、コストダウン改善のサポートを数多く手がける。「その気にさせるきっかけ」を研究しながら改善ファシリテーションの概念を構築し提唱している。特に課題解決に必要なコミュニケーション、モチベーション、プレゼンテーション、リーダーシップ、解決行動活性化支援に強く、働く人の喜びを組織の成果につなげるよう活動中。新5S思考術を用いたコンサルティングやセミナーを行い、企業支援数が190件以上及び年間延べ3,400人を越える人を対象に講演やセミナーの実績を誇る。