【Ai x 入力設計 17】田中君　第3部　人間が判断を取り戻す

👥 登場人物紹介

👨‍💻 田中君

製造現場で約10年働く、この物語の主人公。
真面目で責任感がありますが、抜けを恐れて情報を集めすぎる傾向があります。
市場調査報告書を作る中で、AIに答えを求める使い方から、AIを使って自分で判断する方法を学んでいきます。

👨‍🔧 林さん

田中君と同じ現場で働く先輩。
難しい話を身近なたとえに置き換えながら、現場で本当に実行できるのかを確認します。
田中君が自分より先にChatGPTへ相談したことを、少しだけ気にしています。

👨‍🏫 佐藤さん

情報整理と改善に詳しい相談役。
報告書の目的、情報の優先順位、根拠と結論のつながりを確認します。
過去に六十ページの報告書を作り、上司から三ページ目で読むのを止められた経験があります。

👩‍💼 まゆみさん

林さんの恋人で、顧客や読み手の立場から意見を出します。
商品の強みが顧客の価値として伝わるか、情報が多すぎないかを鋭く指摘します。
言い方が少し直接的で、林さんから注意されることもあります。

👔 黒田営業部長

田中君へ市場調査報告書の作成を依頼した営業部長。
細かな説明よりも、まず結論と次に取るべき行動を求めます。
仕事を任せるときの決まり文句は、

です。

🧩 第11章　AIの文章を切り貼りせず、人間が一つの報告書へ組み直す

✍️ 良い文章を集めるのではなく、確認した事実と判断の流れを設計する

📚 材料はそろった。しかし、完成原稿はまだない

3つのAIによる草案の比較。

共通部分の抽出。

Grokによる根拠資料の確認。

Claudeによる資料の信憑性評価。

ChatGPTによる論理の点検。

ここまでの作業によって、田中君たちは、市場調査報告書に使える情報をかなり整理できました。

机の上には、次の資料が並んでいます。

• 自社商品の試作記録

• 製造条件の変更履歴

• 軽量化と耐久性の試験結果

• 市場規模に関する公的資料

• 競合商品の価格と公式仕様

• 顧客レビューから抽出した不満

• 調査資料の信頼性評価

• 3つのAIが作った草案

• 共通仮説の検証結果

• 追加確認が必要な項目

• 報告書の章立て

田中君は、それらを順番に見ました。

「かなり材料がそろいましたね」

林さんも、机の上を見回します。

「最初より、ずいぶん増えたな」

「不要な情報は減らしたはずなんですが」

「資料の数は増えてるぞ」

「確認した結果が増えたんです」

「また全部入れるつもりじゃないだろうな」

田中君は、少しだけ目をそらしました。

実は、3つのAIが作った草案から、良いと思った文章を別の文書へコピーしていました。

Grokの草案からは、市場と競合について詳しく書かれた部分。

Claudeの草案からは、事実と仮説を整理した部分。

ChatGPTの草案からは、商品の強みと顧客価値をつないだ部分。

さらに、裏取りによって修正した慎重な表現も追加しています。

一つひとつを見ると、どれも使えそうな文章です。

しかし、それらを一つの文書へ並べた結果、報告書は再び長くなり始めていました。

林さんは、その文書を見ました。

「田中君」

「はい」

「また弁当箱に全部入れてないか？」

「今回はラーメンを入れていません」

「そういう話じゃない」

✂️ 良い文章の寄せ集めは、良い報告書ではない

田中君が作った仮原稿には、内容の重複がいくつもありました。

軽量性の説明。

耐久性の改善。

顧客が感じる疲労。

競合商品の重さへの不満。

追加検証の必要性。

それぞれが、少しずつ違う言葉で何度も登場します。

文章単体では読みやすくても、一つの報告書として読むと、同じ話を繰り返しているように見えます。

さらに、章によって文体も異なっていました。

市場分析の部分

• 数字が多い

• 説明が細かい

• 外部環境を広く扱っている

• 堅い文章が多い

信頼性評価の部分

• 条件や注意書きが多い

• 慎重な表現が続く

• 一文が長い

• 結論が後ろにある

顧客価値の部分

• 読みやすい

• 商品の魅力が伝わる

• 話の流れが自然

• 一部の表現が強い

3つのAIの文章をそのままつないだため、報告書の中で書き手が何度も入れ替わっているように見えます。

まゆみさんが、仮原稿を読んで言いました。

「文章がばらばら」

田中君は、少し身構えました。

まゆみさんは前回の反省を思い出したのか、少し間を置いて続けます。

「一つひとつは読める。でも、全体として何を一番伝えたいのか分かりにくい」

「表現を統一すればよいでしょうか」

「表現だけの問題じゃないと思う」

まゆみさんは、同じ内容が書かれた部分へ印を付けました。

「それぞれのAIが、同じことを別の角度から書いてる。それを全部残してるから、結局また情報が多くなってる」

田中君は、印の付いた箇所を見ました。

良い文章を選んだつもりでした。

しかし実際には、良い文章を捨てられず、すべて集めていたのです。

🧱 文章ではなく、主張と根拠に分解する

佐藤さんは、3つのAIが作った文章を、そのまま使わない方法を提案しました。

「一度、文章を壊してみよう」

「壊すんですか？」

「文章として読むのではなく、何を主張し、何を根拠にしているかへ分けるんだ」

たとえば、ChatGPTの草案には、次のような文章がありました。

この文章を、次のように分解します。

主張

• 自社商品は、特定の顧客へ価値を提供できる可能性がある

商品側の根拠

• 従来試作品より軽量化している

• 摩耗試験の結果が改善している

顧客側の根拠

• 重さや疲労に不満を持つ利用者がいる

• 耐久性を重視する利用者がいる

未確認の条件

• 顧客が実際に違いを感じるか

• 追加価格を受け入れるか

• 量産時にも性能を維持できるか

• 買い替え回数が本当に減るか

こうして分解すると、文章の読みやすさに惑わされず、何が確認済みで、何がまだ仮説なのかが見えます。

次に、Grokの草案にあった文章を分解しました。

主張

• 市場では軽量性への関心が高まっている可能性がある

根拠

• 軽量性を訴求する競合商品が複数存在する

• 商品説明で使いやすさが強調されている

注意点

• 商品が増えたことと、需要が増えたことは同じではない

• 企業が宣伝しているだけの可能性がある

• 実際の販売数は未確認

• 顧客が軽量性を最優先しているとは限らない

文章としては説得力があっても、分解すると慎重に扱うべき点が分かります。

田中君は言いました。

「文章をそのまま採用するのではなく、使える中身だけ取り出すんですね」

「そう。文章はAIに作り直してもらえる。でも、主張と根拠の関係は人間が決めなければならない」

🧭 報告書の中心となる一本の流れを決める

田中君たちは、報告書全体を貫く流れをもう一度確認しました。

市場情報。

顧客の不満。

商品の特徴。

競合比較。

価格。

リスク。

これらを、それぞれ独立した情報として並べるのではありません。

一つの判断へ向かう順番にします。

報告書の中心となる流れ

1. 今回、何を判断するのか

2. どの顧客が、何に困っているのか

3. 現在は、どのような商品や方法で対応しているのか

4. 既存商品では、何が十分に解決されていないのか

5. 自社商品は、その問題へどのような価値を提供できるのか

6. その価値を示す根拠は何か

7. 競合との差が、購入理由になる可能性はあるか

8. 現時点で確認できていない条件は何か

9. 次に何を検証すべきか

10. 担当者として、どの行動案を提案するのか

佐藤さんは説明しました。

「報告書の各章は、この流れを前へ進めるためにある」

「市場規模は、どこへ入るんでしょうか」

田中君が尋ねます。

「顧客層が事業として成り立つ可能性を補強するところだね」

「競合商品の価格は？」

「顧客が現在選んでいる商品と、自社商品の価格を考える材料になる」

「原材料価格は？」

「自社商品の価格と利益が成立するかを支える情報だ」

つまり、情報を章へ入れる基準は、

です。

関係があるだけでは足りません。

調べたから入れるのでもありません。

文章が上手だから使うのでもありません。

🚦 一つの章で、一つの問いへ答える

田中君たちは、各章が何の問いに答えるのかを決めました。

• 調査目的

  • 読み手が知りたいこと：この報告書で何を判断するのか

• 開発背景

  • 読み手が知りたいこと：なぜこの商品を作ったのか

• 商品の特徴

  • 読み手が知りたいこと：何を改善し、どの根拠があるのか

• 顧客の問題

  • 読み手が知りたいこと：誰が、何に困っているのか

• 競合と代替手段

  • 読み手が知りたいこと：顧客は現在どう対応しているのか

• 自社商品の価値

  • 読み手が知りたいこと：既存の問題をどう改善できるのか

• 価格と事業性

  • 読み手が知りたいこと：顧客と自社の両方に成立するか

• リスク

  • 読み手が知りたいこと：市販を止める可能性がある問題は何か

• 事実と仮説

  • 読み手が知りたいこと：何が分かり、何が未確認なのか

• 追加検証

  • 読み手が知りたいこと：次に何を確かめるのか

• 判断案

  • 読み手が知りたいこと：現時点で何を提案するのか

「一つの章に、何でも入れないんですね」

田中君が言うと、佐藤さんはうなずきました。

「一つの章で、読み手の一つの疑問へ答える」

「では、同じ情報が複数の章に関係する場合は？」

「必要なら触れていい。ただし、同じ説明を繰り返さない」

たとえば、軽量性は複数の章に関係します。

しかし、それぞれの章で役割を変えます。

商品の特徴

顧客の問題

自社商品の価値

競合比較

追加検証

同じ特徴を繰り返すのではなく、事実から価値、比較、検証へ段階的に進めます。

🧹 使わない文章を決める

田中君にとって、最も難しい作業が始まりました。

3つのAIが書いた文章の中から、使わないものを決める作業です。

せっかく作られた文章です。

分かりやすく書かれています。

表現も整っています。

削除するのは、もったいなく感じます。

「これも、補足資料に残しておきませんか？」

田中君が言うたびに、林さんが尋ねました。

「黒田部長が読む必要はあるのか？」

「将来的には役立つかもしれません」

「今回の判断に使うのか？」

「直接は使いません」

「じゃあ外す」

「判断が早すぎませんか？」

「田中君が残す理由を探しすぎなんだ」

削除候補には、次のようなものがありました。

• 国内市販と関係の薄い海外市場の説明

• 関連業界全体の長期的な将来予測

• 自社商品へ直接関係しない技術動向

• 競合企業の長い沿革

• 一般的なマーケティング理論

• 根拠が弱い顧客像

• 似た内容を言い換えただけの説明

• 強すぎる将来予測

• 商品の宣伝に見える表現

田中君は、文章を削除しながら何度もため息をつきました。

「これだけ消すと、調べた時間が無駄になった気がします」

佐藤さんは答えました。

「調べたからこそ、使わないと判断できたんだよ」

「書かない情報にも意味がある？」

「ある。確認したうえで外した情報と、最初から見落としていた情報は違うからね」

報告書へ入らなかった情報も、完全に無駄ではありません。

判断の範囲を確認するために使われています。

ただし、検討したすべてを本文へ載せる必要はありません。

🗃️ 本文、補足、作業記録を分ける

削除への抵抗を減らすため、佐藤さんは情報の置き場所を三つに分けました。

1．報告書本文

黒田営業部長や関係部署が、市販判断を行うために必要な情報。

• 調査目的

• 顧客の問題

• 商品の価値

• 競合との差

• 価格

• リスク

• 不足情報

• 判断案

2．補足資料

本文の主張を詳しく確認したい人のための情報。

• 詳細な競合比較表

• 調査資料の概要

• 市場規模の計算方法

• レビュー分類結果

• 試験データ

• 出典一覧

3．作業記録

調査を行った担当者が、後から経緯を確認するための情報。

• 採用しなかった資料

• AIごとの草案

• プロンプト

• 出力比較表

• 不採用理由

• 追加調査候補

• 修正履歴

「全部を捨てるわけではないんですね」

田中君は安心しました。

「本文から外すことと、記録から消すことは違うよ」

佐藤さんは答えました。

本文の役割

補足資料の役割

作業記録の役割

この三つを分けることで、本文を短くしながら、必要な情報を失わずに済みます。

🤖 AIの文章を残すのではなく、人間の判断を残す

田中君は、作業記録へ3つのAIの草案を保存しました。

さらに、各草案について、次の内容を記録します。

• どの部分を採用したか

• どの部分を修正したか

• どの部分を使わなかったか

• 不採用にした理由

• 追加した現場情報

• 裏取りした資料

• 最終的に人間がどう判断したか

林さんが、その記録を見て言いました。

「AIが何を書いたかより、田中君たちがどう扱ったかを残すんだな」

「はい」

「何で？」

「あとから、なぜこの結論になったのか説明できるようにするためです」

AIが作った文章だけを保存しても、最終報告書との違いは分かりません。

どの情報を信用し、どの表現を弱め、何を削除したのか。

その人間側の判断が残っていなければ、作成過程を説明できません。

特に、市販後に問題が起きた場合、

• どの資料を根拠にしたのか

• どの時点で何が分かっていたのか

• どのリスクを認識していたのか

• なぜ試験販売を選んだのか

• 誰が最終判断を行ったのか

を確認する必要があります。

これも、AIを業務で使ううえで重要な作業です。

🧑‍💼 誰の言葉として提出するのか

田中君は、報告書本文の一部を読み上げました。

佐藤さんは尋ねました。

「誰が判断したのかな？」

「誰が、ですか？」

「Grok？」

「違います」

「Claude？」

「違います」

「ChatGPT？」

「違います」

「では、誰？」

田中君は少し考えました。

「僕たちです」

「そうだね。なら、その判断に責任を持てる文章へ直そう」

田中君は、文章を修正しました。

修正後は、誰が判断したのかが分かります。

さらに、

• 何を確認したのか

• どの範囲で判断したのか

• 全市場ではなく、特定顧客層を対象としていること

も明確になりました。

報告書へ書かれた結論は、AIの言葉ではありません。

AIを使って材料を集め、比較し、確認したうえで、担当者が出した判断です。

✍️ 文章の主語を曖昧にしない

AIが作る報告書には、次のような表現が多く使われます。

• 〜と考えられる

• 〜と判断される

• 〜が期待される

• 〜が示唆される

• 〜の可能性が高い

これらは便利な表現です。

しかし、誰が考え、何を根拠に判断したのかが曖昧になりやすい問題があります。

たとえば、

と書いた場合、誰が期待しているのか分かりません。

調査会社なのか。

顧客なのか。

AIなのか。

担当者なのか。

そこで田中君たちは、できるだけ主語と根拠を明確にしました。

修正前

修正後

修正前

修正後

修正前

修正後

文章は少し長くなります。

しかし、

• 何が事実なのか

• 何が推測なのか

• 誰が提案しているのか

• なぜその提案になるのか

が分かりやすくなります。

🏷️ 「AIによる仮説」と「担当者の判断」を分ける

佐藤さんは、報告書の最後に二つの欄を作ることを提案しました。

AIによる主な仮説案

• 軽量性と耐久性を求める顧客層が存在する可能性がある

• 競合商品の不満へ対応できる可能性がある

• 特定顧客向けの商品として差別化できる可能性がある

• 小規模な試験販売によって不足情報を確認できる

担当者による最終判断

• 公開資料だけでは、全面販売を決定できるほどの需要は確認できていない

• 自社試作品には、顧客の不満へ対応できる性能上の可能性がある

• 価格への反応、実使用時の体感、量産品質は未確認である

• 現時点では、対象顧客を限定した使用評価と試験販売を先行する

• 検証結果を確認した後に、量産と本格販売を再判断する

田中君は、二つの欄を見比べました。

「AIの仮説と、僕たちの判断を分けるんですね」

「そう」

佐藤さんは答えました。

「AIがどのような可能性を示したかは記録する。でも、報告書として提出する結論は、人間が確認した範囲で決める」

これによって、

という構造を防げます。

AIの仮説は、検討材料です。

担当者の判断は、確認した事実、現場の事情、会社の条件を踏まえた提案です。

🏭 現場の一次情報を、最後に戻す

報告書の再設計が進む中で、田中君は、AIの草案には十分に反映されていなかった情報を追加しました。

それは、試作現場で実際に起きていたことです。

• 軽量化の条件を変えると、強度が不安定になったこと

• 耐久性を高めると、製造時間が長くなったこと

• 材料ロットによって、仕上がりに差が出たこと

• 熟練者が調整すると安定するが、標準作業では再現性に不安があること

• 現在の設備能力では、大量生産に限界があること

• 検査工程を短縮すると、不良流出の可能性が高まること

市場情報だけを見れば、商品には販売の可能性があります。

しかし、現場では、量産に向けた問題が残っています。

林さんが言いました。

「市場で売れそうでも、作れなかったら意味がないからな」

「はい」

「AIは、この設備の癖までは知らない」

「僕たちが入れなければ、報告書には出てきません」

自社の一次情報は、インターネット検索では見つかりません。

AIが一般論として推測することはできても、実際の設備条件や作業者の経験までは知りません。

だからこそ、最後に人間が、

• 現場の事実

• 社内の制約

• 実際の品質

• 人員や設備の状況

• 過去に起きた問題

を報告書へ戻す必要があります。

外部の市場情報と、内部の現場情報がそろって初めて、現実的な判断ができます。

🔄 コンテキストを更新して、ChatGPTに草案を書かせる

報告書の主張。

根拠。

章ごとの役割。

採用する情報。

使用しない情報。

不足している条件。

担当者の判断案。

それらが決まったところで、田中君は初めてChatGPTへ最終草案の作成を依頼しました。

ただし、最初に入力しようとした、

という一文だけではありません。

これまで人間が整理した内容を、すべて必要な範囲で渡します。

林さんが入力文を見ました。

「今度は、ChatGPTに考えさせるというより、決めた内容を書かせるんだな」

「はい」

「前とは逆だ」

「前は、何も決めずにAIから答えをもらおうとしていました」

「今は？」

「AIから出た視点を使って人間が決め、その内容を文章にしてもらいます」

林さんはうなずきました。

「それなら、田中君がAIを使ってるように見える」

🤖 ChatGPTが作った草案を、人間がもう一度読む

ChatGPTから、最終構成に沿った草案が返ってきました。

文章は統一されています。

市場情報と商品の説明も、一つの流れへ整理されています。

事実と仮説も分かれています。

不足情報も明記されています。

しかし、田中君たちは、それで完成とはしませんでした。

もう一度、最初から読み直します。

確認すること

• 自社の現場データが正しく反映されているか

• 数字を書き間違えていないか

• 出典と主張が一致しているか

• 仮説を事実として書いていないか

• 文章が強くなりすぎていないか

• 読み手が何を判断すべきか分かるか

• 追加検証の内容が具体的か

• 担当者の判断として責任を持てるか

田中君は、AIが作った文章を一文ずつ確認しました。

文章の流れが良くても、事実と違えば修正します。

読みやすくても、根拠が弱ければ表現を変えます。

現場の感覚と違えば、一次情報を追加します。

まゆみさんも、顧客の価値が見えるかを確認しました。

林さんは、現場の問題が抜けていないかを見ます。

佐藤さんは、根拠と結論の間に飛躍がないかを確認します。

AIが作った草案へ、人間の視点を重ねます。

👥 一つの文章へ、複数の人間の役割を入れる

最終確認では、それぞれが違う役割を持っていました。

田中君

• 報告書全体の目的

• 自社商品の試作情報

• 調査内容

• 最終的な文章の整合性

林さん

• 製造現場の実態

• 量産時の問題

• 作業者の視点

• 現場で実現できるか

まゆみさん

• 顧客にとっての価値

• 重要な情報が埋もれていないか

• 読み手が迷わないか

• 表現が回りくどくないか

佐藤さん

• 情報の優先順位

• 根拠の信頼性

• 論理の流れ

• 事実、仮説、判断の区別

AIモデルを複数使っただけではありません。

人間側も、それぞれ異なる視点で報告書を確認しています。

それによって、一つのAI、一人の担当者だけでは気づきにくい問題を減らします。

💬 まゆみさんが最後に確認したこと

まゆみさんは、完成に近づいた草案を最初から読みました。

以前のように、すぐ指摘することはしません。

最後まで読んでから言いました。

「今度は、この商品が誰のためのものか分かる」

田中君は安心しました。

「情報量はどうでしょうか」

「必要なものは多いけど、何が中心かは分かる」

「商品の良いところは？」

「見える。でも、良いところだけを押してない」

「それでいいんでしょうか」

「その方が信用できると思う」

商品の強み。

顧客の不満。

競合との差。

不足している情報。

量産上の問題。

それらが同じ報告書に書かれています。

商品の魅力だけを並べた宣伝資料ではありません。

売れない可能性だけを並べた否定的な資料でもありません。

になっていました。

林さんが、まゆみさんへ尋ねます。

「今日は反省するところは？」

「ない」

「本当に？」

「林さん」

「はい」

「黙って」

「はい」

🧑‍🍳 料理長は、最後に味を決める

林さんは、完成に近づいた報告書を見ながら言いました。

「結局、Grokが材料を集めた」

「はい」

「Claudeが、材料を分けて献立を考えた」

「はい」

「ChatGPTが、文章として料理した」

「そんな感じです」

「でも、最後に何を出すか決めたのは田中たちだ」

佐藤さんが笑いました。

「料理長の仕事ができたね」

田中君は、最初に林さんから言われた言葉を思い出しました。

あの頃の田中君は、AIが提示した項目をすべて調べようとしていました。

AIが作った仕事を、人間が一生懸命完成させようとしていたのです。

しかし、今は違います。

• 何を調べるかを人間が決める

• AIへ役割を割り当てる

• 出力を比較する

• 根拠を確認する

• 不要な情報を外す

• 現場の一次情報を加える

• 最終判断を人間が行う

• その判断をAIに文章化させる

仕事の主導権が、人間へ戻っています。

📌 第11章で田中君が学んだこと

複数AIの出力と裏取り結果を一つの報告書へまとめる中で、田中君は次のことを理解しました。

• AIが書いた良い文章を集めても、良い報告書になるとは限らない

• 複数の文章を切り貼りすると、重複や文体の不統一が起きる

• AIの文章は、主張、根拠、未確認条件へ分解する

• 報告書全体を貫く、一つの判断の流れを人間が決める

• 一つの章で、一つの問いへ答える

• 同じ特徴は、事実、価値、比較、検証へ段階的に深める

• 調べた情報をすべて本文へ入れる必要はない

• 本文、補足資料、作業記録を分ける

• AIの出力だけでなく、人間の採用、不採用の判断履歴を残す

• 誰の判断なのか、文章の主語を明確にする

• AIによる仮説と、担当者による最終判断を分ける

• 外部の市場情報だけでなく、自社の現場情報を戻す

• 人間が結論を決めた後に、AIへ文章化を任せる

• AIが作った最終草案も、人間が一文ずつ確認する

🧑‍⚖️ 第12章　AIは判断材料を作り、人間が判断を下す

🤖 AIの提案を、そのまま会社の決定に変えてはいけない

📄 報告書は、ほぼ完成していた

田中君たちが作ってきた市場調査報告書は、ようやく完成に近づいていました。

最初の頃のように、市場に関係しそうな情報をすべて詰め込んだものではありません。

今回の市販判断に必要な情報を選び、優先順位を付けています。

報告書には、次の内容が整理されていました。

• 今回の市場調査の目的

• 新製品を開発した背景

• 製造上の改善内容

• 顧客が得られる可能性のある価値

• 想定顧客が抱える問題

• 競合商品と代替手段

• 自社商品との違い

• 市場規模と販売方法

• 価格に関する課題

• 量産時に考えられるリスク

• 確認できた事実

• 現時点では確認できていないこと

• 次に行うべき追加検証

Grokが集めた市場情報を、そのまま並べたわけではありません。

Claudeが作った骨組みを、そのまま採用したわけでもありません。

ChatGPTが書いた文章を、そのまま提出するわけでもありません。

複数のAIから得た視点を比較し、根拠を確認し、現場の一次情報を加え、人間が一つの報告書へ組み直しています。

それでも、田中君には最後に一つ、大きな迷いが残っていました。

報告書の結論を、どこまで強く書くべきか。

⚖️ 市販できる可能性はある。しかし、確定ではない

田中君は、報告書の最後に書かれた結論案を読みました。

田中君は、何度も読み返しました。

商品には可能性があります。

顧客の不満も確認できています。

自社の試作品には、性能改善の結果があります。

しかし、

• 本当に十分な人数が購入するのか

• 価格差を受け入れてもらえるのか

• 顧客が性能差を体感できるのか

• 量産しても品質を維持できるのか

までは、確認できていません。

「これで、結論として弱くないでしょうか」

田中君が尋ねると、佐藤さんは報告書を読みました。

「どうして弱いと思うの？」

「市販するべきとも、市販しないべきとも、はっきり書いていません」

「今の情報で、どちらかへ断定できる？」

田中君は答えられませんでした。

佐藤さんは続けます。

「結論を強く書くことと、判断を明確にすることは違うよ」

🚦 「進める」と「全面販売する」は同じではない

市場調査報告書の結論は、必ずしも、

• 市販する

• 市販しない

の二択である必要はありません。

情報が不足している段階では、次の行動を決めることも立派な判断です。

考えられる判断

• 全面販売へ進む

• 一部地域で試験販売する

• 特定顧客へ試用品を提供する

• 価格調査を行う

• 追加の耐久試験を行う

• 量産条件を再検証する

• 商品仕様を見直す

• 現時点では販売を見送る

今回、田中君たちが提案しているのは、

ではありません。

同時に、

でもありません。

不足している情報を確認するため、次の段階へ進むという判断です。

全面販売

• 投資が大きい

• 生産数が増える

• 品質問題が広範囲へ影響する

• 売れなかった場合の損失が大きい

• 顧客対応や在庫も必要になる

限定的な試験販売

• 対象顧客を絞れる

• 実際の購入反応を確認できる

• 価格への反応を見られる

• 使用時の評価を集められる

• 問題が起きた際の影響を限定できる

田中君は言いました。

「全面販売を決めないことは、判断を先延ばしにすることだと思っていました」

佐藤さんは首を横に振ります。

「何も決めずに放置すれば先延ばしだ。
でも、何を確認するために、どの範囲で進めるかを決めるなら、
それは段階的な判断だよ」

🤖 AIが出した結論は、あくまで提案だった

3つのAIが作った草案には、少しずつ異なる結論が書かれていました。

ある草案では、

と書かれていました。

別の草案では、

と書かれていました。

さらに別の草案では、

と提案されていました。

林さんが、3つの結論を見ながら言いました。

「同じ資料を渡したのに、結論が違うんだな」

「はい」

「どれが正しいんだ？」

田中君は少し考え、答えました。

「どれも判断案です」

「正解じゃないのか？」

「AIは、渡された情報から考えられる選択肢を出しています。でも、会社がどこまでリスクを取れるかまでは分かりません」

佐藤さんがうなずきました。

AIは、入力された情報をもとに、論理的に見える判断案を作れます。

しかし、AIには分からないことがあります。

• 会社が使える予算

• 営業部の販売能力

• 製造部の実際の負荷

• 現場作業者の熟練度

• 設備の不安定な癖

• 過去の類似商品の失敗

• 経営側が許容できるリスク

• 他案件との優先順位

• 社内の責任分担

それらを知らないまま出された結論は、あくまで仮説や提案です。

👤 AIには、結果を引き受けることができない

佐藤さんは、田中君へ尋ねました。

「もし、この商品を全面販売して、想定より売れなかったら、誰が対応する？」

「営業部や企画部、製造部だと思います」

「大量の在庫が残ったら？」

「会社が損失を負います」

「量産時に品質不良が出たら？」

「製造部や品質保証部が対応します」

「顧客から苦情が来たら？」

「営業やお客様対応の担当者です」

「AIは何をする？」

田中君は黙りました。

GrokもClaudeもChatGPTも、市販後の損失を負いません。

顧客へ謝罪しません。

不良品を回収しません。

製造ラインを止めて原因を探しません。

売れ残った在庫の処分も行いません。

AIは、判断材料を作ることはできます。

しかし、判断の結果に責任を負うことはできません。

林さんが言いました。

「AIが売れると言ったから作りました、では済まないということだな」

「はい」

田中君は答えました。

「報告するのも、決めるのも、結果を引き受けるのも人間です」

🧑‍💼 「AIが言った」は、説明にはならない

田中君は、黒田営業部長へ報告する場面を想像しました。

もし黒田営業部長から、

と聞かれたとき、

と答えるわけにはいきません。

という説明も不十分です。

必要なのは、人間が自分の言葉で説明することです。

• どの顧客に不満があるのか

• その不満を示す根拠は何か

• 自社商品がどこを改善できるのか

• 何がまだ確認できていないのか

• なぜ全面販売では危険なのか

• 試験販売によって何を確認できるのか

• どの条件を満たせば次へ進めるのか

田中君は、結論部分を見ながら言いました。

「AIに作ってもらった文章を読めるだけでは、駄目なんですね」

「そうだね」

佐藤さんは答えます。

「自分で説明できない結論に、責任は持てない」

📑 「AIによる仮説案」と「担当者による最終判断」

田中君たちは、報告書の最後を二つに分けました。

🤖 AIによる仮説案

• 軽量性と耐久性に価値を感じる顧客層が存在する可能性がある

• 競合商品の不満に対し、自社商品が改善策となる可能性がある

• 特定顧客層へ対象を絞ることで、差別化できる可能性がある

• 小規模な試験販売によって、市場性を確認できる可能性がある

• 顧客評価が良好であれば、本格販売へ進める可能性がある

👤 担当者による最終判断

• 既存商品の重さや耐久性へ不満を持つ顧客が存在することは確認できた

• 自社試作品には、その不満へ対応できる性能上の可能性がある

• ただし、顧客が感じる性能差、価格への受容性、量産時の品質安定性は未確認である

• 現段階で全面販売を決定するには、根拠が不足している

• 対象顧客を限定した使用評価と小規模な試験販売を実施する

• 試験結果を確認した後に、量産規模と本格販売の可否を再判断する

二つを分けることで、AIの役割と人間の役割が見えます。

AIの役割

人間の役割

田中君は、二つの欄を見比べました。

AIの仮説は、広い可能性を示しています。

担当者の判断は、その中から現実に実行できる範囲を選んでいます。

🔍 AIの仮説を、人間が都合よく使わない

佐藤さんは、もう一つ注意しました。

「AIの仮説と人間の判断を分ければ、それで安全になるわけではないよ」

「まだ何かあるんですか？」

「人間が、自分の都合に合うAIの意見だけを選ぶこともある」

田中君は、3つのAIが作った草案を思い出しました。

一つは、商品化を前向きに進める案。

一つは、判断を保留する案。

一つは、試験販売を行う案です。

経営側が早く発売したいと思っていれば、

というAIの出力だけを採用するかもしれません。

反対に、責任を取りたくない担当者であれば、

という出力を選ぶ可能性があります。

AIを複数使っても、人間が都合のよい答えだけを選べば、判断は偏ります。

危険な使い方

• 自分の結論に合うAI出力だけ採用する

• 反対意見を生成したAIを無視する

• 都合のよい資料だけ裏取りする

• 不利な現場情報を報告書から外す

• AIの文章を根拠として扱う

• 「AIも同じ意見だった」と責任を薄める

必要な使い方

• 自分の考えに反する出力も確認する

• 採用しなかった理由を記録する

• 反証となる情報も探す

• 現場の不都合な事実も残す

• 最終判断の理由を人間が説明する

🪞 「AIの判断」ではなく「人間がAIを使って出した判断」

田中君は、報告書の作成者欄を見ました。

そこには、試作チームの担当者として田中君の名前が入ります。

Grokの名前ではありません。

Claudeでもありません。

ChatGPTでもありません。

報告書を作る過程では、複数のAIを使いました。

しかし、提出される報告書は、

ではありません。

より正確には、

です。

AIを使った事実を隠す必要はありません。

ただし、AIが作ったから正しいという説明にもなりません。

重要なのは、

• どの工程でAIを使ったのか

• どの出力を確認したのか

• 何を人間が修正したのか

• 何を採用しなかったのか

• 最終判断を誰が行ったのか

を説明できることです。

🤖 AIを使っているつもりが、AIに使われる人間になる

まゆみさんは、報告書の最後にある二つの欄を見ながら言いました。

「最初の田中君は、AIが出した項目を全部調べようとしてたわよね」

「はい」

「AIが必要だと言ったから、海外市場も人口動態も調べようとしてた」

「そうでした」

「それって、田中君がAIを使ってるというより、AIが作った仕事を田中君が処理してたんじゃない？」

林さんがうなずきました。

「俺も同じことを言ったな」

「珍しく、まともなことを言ってた」

「珍しくは余計だ」

まゆみさんは続けました。

「AIはサポート要員でしょ」

「はい」

「人間が目的を決めて、何をしてほしいか指示する」

「はい」

「出てきた案を、人間が確認する」

「そうですね」

「それなのに、AIが出したものを完成させることが人間の仕事になったら、立場が逆じゃない」

田中君は、最初に作った大量の調査項目を思い出しました。

AIが出した項目を全部調べる。

AIが作った構成を全部使う。

AIが書いた文章を全部残す。

それでは、人間がAIの補助作業員になっています。

🧭 人間が主役であるための五つの役割

佐藤さんは、ここまでの作業を振り返り、人間側が持つべき役割を五つにまとめました。

1．目的を決める

• 何のために調査するのか

• 誰が何を判断するのか

• どこまで調べるのか

2．情報を選ぶ

• 今回必要な情報は何か

• 何を補足へ回すか

• 何を使わないか

3．事実を確認する

• 出典はあるか

• 調査条件は適切か

• 自社の現場情報と矛盾しないか

4．判断する

• どの仮説を採用するか

• どのリスクを受け入れるか

• 次に何を実行するか

5．責任を持つ

• 判断理由を説明する

• 結果を検証する

• 問題が起きたら修正する

• 次の判断へつなげる

AIは、それぞれの役割を支援できます。

しかし、最終的な所有者にはなれません。

⚙️ 決定権を持つことは、AIを信用しないことではない

田中君は尋ねました。

「人間が最後に全部決めるなら、AIをあまり信用していないようにも見えませんか？」

佐藤さんは首を横に振りました。

「信用することと、任せきることは違うよ」

設備の自動制御でも、すべてを疑って手作業へ戻すわけではありません。

安定している部分は、自動化へ任せます。

ただし、

• 異常時に停止できる

• 数値を確認できる

• 設定を変更できる

• 最終的に人間が介入できる

仕組みを残します。

AIも同じです。

AIへ任せやすい仕事

• 情報候補を集める

• 複数案を出す

• 文章を整理する

• 重複を探す

• 論点を比較する

• 不足情報を示す

• 草案を作る

人間が手放してはいけない仕事

• 目的設定

• 優先順位

• 事実確認

• リスク判断

• 採用判断

• 最終承認

• 結果への責任

AIを適切に信用するからこそ、任せる範囲を明確にする必要があります。

🏭 現場を知らないAIに、現場の決定権は渡せない

林さんは、報告書に書かれた量産リスクを指しました。

「AIは、市場で売れそうかどうかは考えられるかもしれない」

「はい」

「でも、今の設備で千個作ったら、どこで詰まるかは分からない」

田中君もうなずきました。

現在の試作品は、熟練者が細かく設備を調整して作っています。

少量生産だからこそ、品質を維持できています。

量産すると、

• 材料ロットの差

• 設備温度の変動

• 作業者ごとの違い

• 検査時間の短縮

• 生産速度の上昇

• 設備の連続稼働

によって、品質が変わる可能性があります。

これらは、インターネット上の情報からは分かりません。

会社内部の現場情報です。

「市場データが良くても、現場で作れなければ販売できない」

林さんは言いました。

「逆に、現場で良いものを作れても、買う人がいなければ商売にはならない」

佐藤さんが続けます。

「だから市場情報と現場情報の両方を、人間が一つの判断へまとめる必要がある」

AIは、それぞれの情報を整理できます。

しかし、現場の事情と会社の判断を結びつけるのは人間です。

📌 田中君が自分の言葉で結論を書く

田中君は、報告書の最後に、自分たちの判断を書きました。

田中君は、その文章をゆっくり読みました。

ChatGPTが作った文章を、ただ貼り付けたものではありません。

Grokの調査結果。

Claudeの構成案。

3つのAIの比較。

裏取りした資料。

現場の試験結果。

林さんの指摘。

まゆみさんの顧客視点。

佐藤さんの論理整理。

それらを確認したうえで、自分たちが出した結論です。

「これなら、自分で説明できます」

田中君が言うと、佐藤さんはうなずきました。

「それが大事だよ」

🗣️ 報告書を閉じても、説明できるか

佐藤さんは、報告書を閉じました。

「では、田中君」

「はい」

「この商品は売れそう？」

突然聞かれ、田中君は少し驚きました。

しかし、今度はパソコン画面を見ませんでした。

「特定の顧客層には、需要がある可能性があります」

「根拠は？」

「既存商品の重さや耐久性へ不満を持つ利用者が確認されていることと、自社試作品で軽量化と耐久性の改善結果が出ていることです」

「では、すぐ全面販売する？」

「しません」

「なぜ？」

「価格への反応、顧客が性能差を感じるか、量産時に品質を維持できるかが未確認だからです」

「次に何をする？」

「対象顧客を限定した使用評価と小規模な試験販売を行います」

「何を見れば、本格販売へ進める？」

「購入率、価格への反応、使用後の評価、競合との差の認識、量産品質です」

佐藤さんは満足そうにうなずきました。

「もうAIの文章を読まなくても説明できるね」

田中君も、少しだけ自信を持ってうなずきました。

😂 林さん、主導権を最終確認する

林さんは、完成した報告書を手に取りました。

「じゃあ、確認するぞ」

「何をですか？」

「Grokは何をした？」

「外部情報と根拠資料を集めました」

「Claudeは？」

「資料を整理し、構成案と信頼性評価を出しました」

「ChatGPTは？」

「考え方の説明、論理の点検、文章の草案作成をしました」

「最後に決めたのは？」

「僕たちです」

「責任を持つのは？」

「僕たちと会社です」

「よし」

林さんは、報告書を田中君へ返しました。

「今度は、AIの仕事を手伝ってるんじゃないな」

「やっと認めてもらえましたか」

「ああ」

林さんは少し考え、付け加えました。

「でも、最初に俺へ相談しなかったことは忘れてない」

「まだですか？」

「少しだけだ」

まゆみさんがあきれたように言いました。

「林さんの方が、よほど引きずってるじゃない」

「人間には感情があるからな」

「AIとの違いを、そこで出さなくていいのよ」

📌 第12章で田中君が学んだこと

市場調査報告書の最終判断を整理する中で、田中君は次のことを理解しました。

• AIの結論は、最終決定ではなく仮説や提案である

• AIは、会社の予算、現場事情、責任範囲を完全には把握できない

• AIは、判断結果による損失や問題へ責任を負えない

• 「AIが言ったから」は、判断理由にならない

• 市販するか、しないかの二択だけが判断ではない

• 小規模な試験販売も、明確な目的を持った判断である

• AIによる仮説と、担当者による最終判断を分ける

• 人間は、自分に都合のよいAI出力だけを選んではいけない

• AIを使った工程と、人間が判断した工程を区別する

• AIを信用することと、最終判断を任せることは別である

• AIは情報や選択肢を作り、人間はリスクを引き受けて決める

• 自分の言葉で説明できない結論には、責任を持てない

• 報告書を閉じても説明できる状態になって、初めて自分の判断になる

🏁 最終章　田中君、自分の言葉で報告する

📣 AIの結論を伝えるのではなく、人間の判断として提出する

📄 市場調査報告書、完成

市場調査報告書の最終確認が終わりました。

田中君は、完成した報告書を最初からもう一度読み返します。

最初にChatGPTへ質問した頃と比べると、内容は大きく変わっていました。

当初の田中君は、市場調査に関係しそうな情報を、できるだけ多く集めようとしていました。

• 市場規模

• 海外市場

• 人口動態

• 為替変動

• 関連特許

• 競合企業の経営状況

• 将来の法改正

• 十年後の市場予測

抜けがなければ、良い報告書になると思っていたのです。

しかし、完成した報告書には、今回の判断に必要な情報が中心に置かれています。

• この商品を必要とする可能性がある顧客

• 顧客が現在感じている不満

• 自社商品の強み

• その強みを示す現場データ

• 競合商品との違い

• 顧客が価値を感じる可能性

• 現時点で不足している情報

• 量産時に考えられる問題

• 次に行うべき検証

• 試作チームとしての判断

詳しい競合比較や出典一覧は、補足資料へ移しました。

AIごとの草案や、不採用にした情報は、作業記録として保存しています。

本文だけを読めば、黒田営業部長が何を判断すればよいか分かる構成です。

田中君は、報告書の最後にある結論を確認しました。

田中君は、静かに報告書を閉じました。

「よし」

小さく声に出します。

すると、隣にいた林さんが言いました。

「本当に大丈夫か？」

「何がですか？」

「黒田部長に説明できるのか？」

「第12章で、佐藤さんに確認してもらいました」

「第12章？」

「いえ、何でもありません」

田中君は、報告書を持って立ち上がりました。

🚪 黒田営業部長のもとへ

黒田営業部長は、営業部の打ち合わせスペースにいました。

机の上には、複数の商品資料と営業予定表が広げられています。

田中君が近づくと、黒田営業部長は顔を上げました。

「おお、田中」

「お疲れさまです」

「市場調査、できたか？」

「はい。報告書をまとめました」

田中君は、報告書を差し出しました。

黒田営業部長は表紙を見て、少し驚いたように眉を上げます。

「ずいぶん本格的だな」

「試作チームで、市場情報と現場情報を整理しました」

「そうか」

黒田営業部長は、最初のページを開きました。

そのまま読み始めるかと思いましたが、すぐに報告書を閉じます。

そして田中君を見ました。

「先に結論を聞こう」

田中君は、少しだけ緊張しました。

報告書には、必要な情報が書かれています。

しかし今は、報告書を読み上げる場面ではありません。

自分の言葉で説明する必要があります。

🎯 「売れます」とは言わなかった

黒田営業部長は尋ねました。

「この商品、売れそうか？」

田中君は答えました。

「特定の顧客層には、需要がある可能性があります」

黒田営業部長は、少し目を細めました。

「可能性か」

「はい」

「売れるとは言い切れないのか？」

「現時点では言い切れません」

田中君は、報告書を開かずに続けました。

「既存商品の重さや、長時間使用時の疲労、耐久性に不満を持つ利用者がいることは確認できました」

「うん」

「自社の試作品では、軽量化と摩耗耐久性の改善結果が出ています。そのため、一部の顧客が抱える問題へ対応できる可能性があります」

「なら、出してみればいいんじゃないか？」

黒田営業部長らしい、早い判断でした。

田中君は、少し間を置いて答えます。

「ただし、まだ三つ確認できていません」

「三つ？」

「顧客が実際に性能差を感じるか」

「うん」

「想定している価格を受け入れてもらえるか」

「うん」

「量産時にも、試作品と同じ品質を維持できるかです」

黒田営業部長は腕を組みました。

田中君は続けます。

「そのため、最初から全面販売へ進むのではなく、対象顧客を限定した使用評価と小規模な試験販売を提案します」

🤖 黒田営業部長の一言

黒田営業部長は、報告書をもう一度開きました。

数ページめくったあと、何気ない様子で尋ねます。

「それで、AIは何と言ってる？」

田中君は、一瞬だけ止まりました。

この報告書を作る過程では、複数のAIを使いました。

Grokは、市場情報と根拠資料を探しました。

Claudeは、情報整理や構成、資料の信頼性評価を行いました。

ChatGPTは、考え方の説明、論理の点検、文章の作成を支援しました。

3つのAIが作った草案には、それぞれ異なる結論がありました。

商品化を前向きに進める案。

情報不足として判断を保留する案。

小規模な試験販売を提案する案。

田中君は、それをそのまま答えることはしませんでした。

「AIからは、商品化の可能性があるという仮説が出ています」

「仮説？」

「はい。ただし、それをそのまま採用したわけではありません」

田中君は、報告書の補足資料を開きます。

「市場データ、顧客の声、競合商品の情報、自社の試験結果を確認しました」

次に、量産リスクのページを示しました。

「さらに、現場で量産した場合の品質、設備条件、作業者による違いも加えています」

黒田営業部長は、黙って田中君の説明を聞いています。

「その結果、試作チームとしては、商品化の可能性はあるものの、全面販売を決める段階ではないと判断しました」

「AIがそう言ったんじゃないのか？」

「違います」

田中君は、はっきり答えました。

「AIは、判断材料と仮説を出しました」

そして、報告書の最後を指しました。

「最終的に試験販売を提案すると決めたのは、私たちです」

👤 田中君の言葉に変わった結論

黒田営業部長は、少しだけ口元を緩めました。

「なるほどな」

田中君は説明を続けます。

「AIの草案だけを見ると、市場性が高いと書かれているものもありました」

「じゃあ、それを使えば早かったんじゃないか？」

「文章としては早く完成します」

「だろ？」

「ただ、そのまま出すと、売れる根拠が足りません」

田中君は、自分でも驚くほど落ち着いて説明していました。

「重さに困っている人がいることと、その人が新商品を買うことは別です」

「うん」

「軽くて耐久性が高いことと、その価格を受け入れてもらえることも別です」

「そうだな」

「試作品で良い結果が出たことと、量産品でも同じ品質を維持できることも別です」

黒田営業部長は、ゆっくりとうなずきました。

「だから、先に小さく試すのか」

「はい」

「何を確認する？」

田中君は、すぐに答えました。

• 顧客が軽さの違いを体感できるか

• 耐久性を価値として評価するか

• 想定価格を受け入れるか

• 継続して使用したいと思うか

• 競合商品から切り替える理由になるか

• 量産条件でも品質を維持できるか

「それらが確認できたら？」

「本格販売へ進む判断材料がそろいます」

「結果が悪かったら？」

「顧客層、価格、商品の強み、製造条件のいずれかを見直します」

「中止もあるか？」

「あります」

田中君は、少し迷いましたが、正直に答えました。

「検証結果によっては、現時点での商品化を見送る判断も必要です」

🧪 試験販売は、逃げではない

黒田営業部長は、椅子へ深く座り直しました。

「試験販売というと、慎重すぎるようにも聞こえるな」

田中君は答えました。

「何となく少量だけ売るのであれば、先延ばしになると思います」

「今回は違うのか？」

「確認する項目と、次へ進む基準を決めます」

報告書には、試験販売で確認する項目が書かれていました。

顧客評価

• 軽量性の体感

• 長時間使用時の負担

• 持ちやすさ

• 耐久性への期待

• 継続使用の意思

価格評価

• 想定価格での購入意思

• 競合商品との差額への納得

• 長期使用を含めた費用評価

販売評価

• 問い合わせ数

• 購入率

• 購入を見送った理由

• 競合商品からの切り替え理由

製造評価

• 量産条件での品質ばらつき

• 不良発生率

• 製造時間

• 検査負荷

• 材料ロットによる差

「基準を満たせば、本格販売を検討します」

田中君は説明しました。

「満たさなければ、改善するか、販売を見送ります」

黒田営業部長は報告書を見ながら言いました。

「止まって考えるための試験じゃない」

「はい」

「次に進むか、やめるかを決めるための試験か」

「その通りです」

🏭 市場だけでは決められない

黒田営業部長は、量産リスクの欄を見ました。

「ここまで書く必要があるのか？」

そこには、市場調査報告書としては少し珍しい、製造現場の課題が書かれています。

• 試作時は熟練者による調整が必要

• 材料ロットによって仕上がりが変わる可能性

• 生産速度を上げると品質が不安定になる

• 検査工程を短縮すると不良流出の危険がある

• 現在の設備では大量生産能力に限界がある

田中君は答えました。

「必要だと判断しました」

「市場調査なのに？」

「市場で売れる可能性だけを調べても、実際に作れなければ販売できません」

「まあ、そうだな」

「市場から見た可能性と、現場から見た実現性の両方が必要です」

田中君は、試作品を作ってきた経験を思い出しました。

軽量化を進めると、強度が不安定になりました。

耐久性を高めると、製造時間が長くなりました。

生産性を上げようとすると、品質のばらつきが増えました。

市場では魅力的な商品に見えても、製造条件が安定しなければ、継続して販売できません。

「AIは、市場情報や一般的なリスクを整理できます」

田中君は言いました。

「ただし、今の設備がどの条件で不安定になるかまでは分かりません」

「それを知っているのは？」

「現場で作ってきた私たちです」

📊 数字の大きさではなく、判断への使い方

黒田営業部長は、市場規模のページを開きました。

「市場そのものは、悪くないんだな？」

「関連市場には、一定の規模があります」

「なら、参入する価値はあるだろう」

「可能性はあります。ただし、市場全体の数字を、そのまま自社の売上にはできません」

田中君は、以前なら大きな市場規模を示すことで、商品の可能性を強調していたかもしれません。

しかし今は、その数字の意味を理解しています。

市場全体が大きくても、自社商品を必要とする顧客層が小さければ、狙える市場は限られます。

商品に関心があっても、価格が合わなければ購入されません。

競合商品で十分だと考える顧客もいます。

「今回見るべきなのは、市場全体の大きさではありません」

田中君は説明しました。

「この商品の強みを必要としていて、価格を受け入れ、実際に購入する顧客がどの程度いるかです」

黒田営業部長は、少し感心した様子で田中君を見ました。

「ずいぶん市場調査に詳しくなったじゃないか」

「いえ。まだ、今回の報告書を作るために必要なことを学んだだけです」

「十分だろ」

😅 六十ページの報告書は、作らなかった

黒田営業部長は、報告書の厚さを確認しました。

「思ったより短いな」

田中君は、一瞬不安になりました。

「情報が不足していますか？」

「いや。もっと分厚いものを持ってくるかと思った」

後ろで見守っていた佐藤さんが、少し笑いました。

田中君も、佐藤さんの六十ページ報告書を思い出します。

「最初は、もっと長くなる予定でした」

「削ったのか？」

「今回の判断に直接使わない情報は、補足資料と作業記録へ分けました」

「何を削った？」

「海外市場、長期的な人口動態、為替変動、広い範囲の特許分析などです」

黒田営業部長は、少し驚きました。

「そこまで調べようとしてたのか？」

「はい」

「何のために？」

「抜けがあったら困ると思いまして」

林さんが、小さな声で言いました。

「AIが出した仕事を、全部手伝おうとしてたんですよ」

田中君は、後ろを振り返りました。

「林さん」

「事実だろ」

黒田営業部長は笑いました。

「まあ、全部調べようとする気持ちは分かる」

佐藤さんが言いました。

「私は昔、それで六十ページの報告書を作りました」

黒田営業部長は佐藤さんを見ました。

「全部読んでもらえたのか？」

林さんが、すぐに答えました。

「三ページ目です」

「林君。なぜ君が答えるんだい？」

「印象に残ってるので」

黒田営業部長は声を出して笑いました。

緊張していた田中君も、少し肩の力が抜けました。

🧑‍⚖️ 黒田営業部長が確認した最後の一点

笑いが落ち着いたあと、黒田営業部長は報告書の最後へ戻りました。

「田中」

「はい」

「この結論に、自信はあるか？」

田中君は、すぐには答えませんでした。

全面販売すべきだと言い切る自信はありません。

商品が確実に売れると言うこともできません。

しかし、何を確認すべきか。

なぜ試験販売が必要なのか。

現時点でどこまで進めるべきか。

それについては、自分の言葉で説明できます。

「商品が必ず売れるという自信はありません」

田中君は答えました。

「ずいぶん正直だな」

「ただし、現時点で全面販売を決めるべきではないことと、次に何を確認すべきかについては説明できます」

「それが、この結論か」

「はい」

「AIに書かせた結論じゃないんだな？」

「違います」

田中君は、はっきりと言いました。

黒田営業部長は、しばらく田中君を見ていました。

そして、報告書を閉じます。

「分かった」

✅ 黒田営業部長の判断

黒田営業部長は、報告書を机の上へ置きました。

「全面販売は、まだ進めない」

田中君はうなずきました。

「はい」

「まず、対象顧客を絞って使用評価を取る」

「はい」

「価格を変えた反応も見る」

「はい」

「製造側では、量産に近い条件で品質を確認する」

「はい」

「その結果を見て、販売規模を決める」

「その流れを提案しています」

黒田営業部長は、満足そうにうなずきました。

「よし。それで進めよう」

田中君は、少し息を吐きました。

商品化が決定したわけではありません。

しかし、次の段階へ進むことが決まりました。

それは、曖昧な期待による前進ではありません。

何を確認するかを決めたうえでの前進です。

💨 そして、黒田営業部長は次の仕事を持ってくる

田中君が報告書を片づけようとしたとき、黒田営業部長が言いました。

「田中」

「はい」

「次は、試験販売の実施計画を作ってくれ」

田中君の手が止まりました。

「実施計画ですか？」

「ああ」

「誰を対象にするか、どの価格で試すか、何個用意するか、何を評価するか。そのあたりをまとめてくれ」

「なるほど……」

「製造側の量産確認計画も必要だな」

「それもですか？」

「せっかく市場調査をしたんだ。次につなげないともったいないだろ」

話は正しい。

田中君にも分かります。

市場調査報告書は、提出して終わる書類ではありません。

次の行動を決めるための書類です。

そして、次の行動が決まった以上、新しい計画が必要になります。

黒田営業部長は、いつものように田中君の肩を軽くたたきました。

「じゃあ田中、次も頼むわ！」

そう言うと、次の打ち合わせへ向かって歩き始めました。

田中君は、その背中を見送りました。

「やっぱり、頼むわで済む仕事じゃないんだよな……」

林さんが横へ来ました。

「今度は、最初に俺へ相談するんだろうな」

「試験販売の経験はあるんですか？」

「ない」

「やっぱりないんですか」

「話ぐらいは聞けるだろ」

「分かりました。最初に相談します」

林さんは満足そうにうなずきました。

まゆみさんも、二人のところへ来ました。

「今度は、最初から情報を詰め込みすぎないようにね」

「気をつけます」

佐藤さんも、少し遅れて歩いてきました。

「試験販売なら、最初に何を判断するための計画かを決めるところからだね」

田中君は、三人の顔を見ました。

最初に市場調査報告書を任されたとき、田中君は一人でChatGPTを開きました。

しかし今は違います。

AIへ聞く前に、人間同士で目的を確認できます。

AIに何を任せるのかも考えられます。

出てきた回答を、そのまま仕事にはしません。

「分かりました」

田中君は答えました。

「まず、何を判断するための試験販売なのかを整理します」

🔄 報告書を書いたことで、仕事の流れが変わった

田中君が学んだのは、市場調査報告書の書き方だけではありませんでした。

AIを仕事で使う際の、人間の立ち位置です。

最初の田中君は、AIへ答えを求めていました。

AIから多くの情報が返ってくると、それをすべて仕事として引き受けました。

しかし、作業を進める中で、役割が変わりました。

最初の田中君

• AIに目的まで考えてもらう

• AIが出した項目を全部調べる

• AIが作った構成を正解だと思う

• AIの文章を切り貼りする

• AIの結論を採用しようとする

最後の田中君

• 人間が目的を決める

• AIに任せる範囲を限定する

• 複数の出力を比較する

• 根拠と論理を確認する

• 不要な情報を外す

• 現場の一次情報を加える

• 人間が判断を作る

• AIに文章化を支援させる

• 自分の言葉で説明する

AIの性能が変わったわけではありません。

変わったのは、田中君の使い方です。

🤝 AIは、優秀なサポート要員

AIは、短時間で多くの情報を出せます。

人間が見落としていた視点も示します。

分からない言葉を説明します。

情報を分類します。

構成を作ります。

文章を整えます。

反対意見や不足条件も示せます。

非常に優秀なサポート要員です。

しかし、優秀だからといって、仕事の目的まで任せる必要はありません。

優秀だからといって、出力をすべて採用する必要もありません。

優秀だからといって、最終決定権を渡してよいわけでもありません。

AIが支援できること

• 情報収集

• 論点整理

• 比較

• 仮説作成

• 構成提案

• 文章作成

• 不足情報の発見

• 論理の点検

人間が担うこと

• 目的を決める

• 必要な情報を選ぶ

• 現場情報を加える

• 根拠を確認する

• 優先順位を決める

• リスクを引き受ける

• 最終判断を行う

• 結果に責任を持つ

両者の役割が分かれているからこそ、AIを安全に、そして有効に使えます。

🧭 人間が主役であるということ

人間が主役であるという言葉は、AIより人間の方が優れていると主張することではありません。

すべてを人間だけで行うことでもありません。

AIを信用しないことでもありません。

人間が主役であるとは、

• 何のために使うのかを決める

• AIへ役割を与える

• 出力を確認する

• 必要なら修正する

• 採用しない判断もする

• 結果を自分の言葉で説明する

• 実行後の結果を引き受ける

ということです。

AIに多くの作業を任せても、主導権を持つことはできます。

一方で、人間がすべての文章を自分で書いていても、AIが示した方向へ何も考えず従っているなら、主導権を失っている可能性があります。

それが、人間が主役であるかを決めます。

🌱 田中君が得た、本当の成果

今回、田中君たちが完成させたものは、市場調査報告書です。

しかし、最も大きな成果は報告書そのものではありません。

田中君が、

から、

へ変わったことです。

分からないことをAIへ聞く。

それ自体は間違いではありません。

しかし、返ってきた答えを仕事の完成形だと思わない。

複数の視点を集める。

事実を確認する。

現場の情報を加える。

自分たちが責任を持てる範囲で判断する。

そして、その判断を自分の言葉で説明する。

そこまで行って初めて、AIを使った仕事が、人間の仕事になります。

📌 最終章で田中君が確認したこと

• 報告書は、情報を提出するためではなく、次の判断を生み出すために作る

• AIが出した市場性の評価は、会社の最終判断ではない

• AIの仮説と、担当者の判断を分ける

• 市場に問題があることと、自社商品が売れることは同じではない

• 商品性能と、顧客が感じる価値も同じではない

• 試作品で成功することと、量産品で品質を維持することは別である

• 市場全体の大きさと、自社が実際に狙える市場は分けて考える

• 試験販売は、判断の先延ばしではなく、不足情報を確認するための段階的な意思決定である

• AIを使った結論でも、人間が自分の言葉で説明できなければならない

• 「AIが言ったから」は、判断理由にならない

• AIは結果に責任を負えないため、最終決定権は人間が持つ

• AIの出力を完成させることが、人間の仕事になってはいけない

• 人間が目的と判断を作り、AIがその仕事を支援する

• 良い報告書は、提出して終わるのではなく、次の行動へつながる

📎 実践付録　田中君の市場調査報告書づくりを仕事で再現する

🧭 AIへ丸投げせず、人間が主導権を持つための実践記録

📘 この付録の使い方

この付録は、田中君が市場調査報告書を作成した過程を、実際の仕事で再現するための確認資料です。

同じ質問をAIへ入力すれば、誰でも同じ報告書を作れるというものではありません。

商品が違えば、顧客も変わります。

会社が違えば、判断基準も変わります。

報告書の読み手が違えば、必要な情報も変わります。

そのため、この付録では、完成した文章や万能プロンプトを配布するのではなく、

• 何を最初に決めるのか

• どの段階でAIを使うのか

• AIの出力をどう確認するのか

• どこを人間が判断するのか

• どのような記録を残すのか

を整理します。

🗺️ 実践記録1　市場調査報告書を作る12段階の流れ

🔄 情報収集から最終判断までを、工程として分ける

1．報告書の目的を決める

最初に決めるのは、何を調べるかではありません。

この報告書を使って、何を判断するのかを決めます。

たとえば、新製品の市場調査報告書でも、目的によって必要な情報は変わります。

• 商品を市販する価値があるか

• どの顧客層を狙うか

• 販売価格をいくらにするか

• 競合との差別化が可能か

• 全面販売するか

• 試験販売から始めるか

• 市販前に何を追加検証するか

目的が曖昧なままAIへ調査を依頼すると、市場に関係しそうな情報が大量に返ってきます。

その結果、人間がAIの出した調査項目をすべて処理することになります。

最初に書く内容

2．読み手を決める

同じ情報でも、読む人によって必要な説明は変わります。

経営者が読む場合

• 投資額

• 収益性

• リスク

• 事業としての継続性

• 撤退条件

営業担当者が読む場合

• 想定顧客

• 顧客の悩み

• 競合との差

• 価格

• 販売方法

製造担当者が読む場合

• 量産可能性

• 品質の安定性

• 設備能力

• 原材料

• 検査負荷

商品企画担当者が読む場合

• 顧客価値

• 市場の空白

• 商品仕様

• 競合比較

• 改善すべき機能

誰にでも分かるようにすべてを書くと、情報過多になります。

今回の判断者が必要とする情報へ絞ることが重要です。

3．自社商品の一次情報を整理する

市場を調べる前に、自社商品について整理します。

AIは、市場の一般情報を探せます。

しかし、自社の試作現場で起きたことは、入力しなければ分かりません。

整理する一次情報

• なぜ商品を開発したのか

• どのような問題を解決したいのか

• どの部分を改善したのか

• どの数値が改善したのか

• どこに技術的な強みがあるのか

• どこに弱点が残っているのか

• 量産時に何が問題になりそうか

• 現場でしか分からない設備や作業上の制約

4．製造上の特徴を、顧客価値へ置き換える

商品の仕様や改善内容を、そのまま並べても、顧客への価値は伝わりません。

製造側の表現

• 重量を8％削減した

• 摩耗試験の結果を改善した

• 寸法ばらつきを抑えた

• 表面処理を変更した

顧客側の表現

• 長時間使用時の負担を減らせる

• 長く使用でき、交換回数を減らせる

• 商品ごとの品質差が少ない

• 傷みにくく、扱いやすい

ただし、顧客価値へ置き換えた時点では、まだ仮説です。

実際に顧客がその価値を感じるかは、市場調査によって確認します。

5．想定顧客を仮説として設定する

最初から正しい顧客像が分かっている必要はありません。

ただし、誰を調べるか決めなければ、調査範囲が広がり続けます。

想定顧客を考える視点

• 誰が商品を使うのか

• どのような場面で使うのか

• 使用頻度はどの程度か

• 現在何に困っているのか

• 購入時に何を重視するのか

• どの価格帯なら購入できるのか

• 個人か法人か

• 既存商品を何のために使っているのか

調査結果が想定と違えば、顧客像を修正します。

6．Grokなどの検索型AIで外部情報を集める

調査目的、商品価値、想定顧客を決めた後に、外部情報を集めます。

優先して調べる内容

• 想定顧客が抱える不満

• 競合商品

• 代替手段

• 競合商品の価格

• 競合商品の公式仕様

• 顧客が購入時に重視する要素

• 市場規模

• 主な販売方法

• 市販時のリスク

優先する情報源

• 官公庁

• 公的機関

• 業界団体

• 大学や研究機関

• 学術論文

• 企業の公式資料

• 上場企業の公開情報

• 調査条件が明記された市場調査

顧客の声を確認する情報源

• 商品レビュー

• 利用者アンケート

• 問い合わせ内容

• SNS上の具体的な使用体験

• 商品比較サイト

ただし、レビューやSNSの声は、市場全体を証明する数字ではありません。

顧客の不満や新しい仮説を見つける材料として使います。

7．集めた情報を分類する

検索型AIの回答は、完成した報告書ではありません。

異なる種類の情報が混ざった調査メモです。

分類する項目

1. 公式に確認できる事実

2. 調査結果

3. 顧客の具体的な声

4. 企業側の主張

5. AIによる推測や解釈

6. 出所が不明確な情報

さらに、今回の報告書での扱いを決めます。

• 本文へ使う

• 条件付きで使う

• 補足資料へ回す

• 仮説として残す

• 追加確認する

• 使用しない

8．Claudeなどで報告書の骨組みを作る

情報を文章にする前に、章立てを作ります。

この段階では、完成原稿を書かせません。

AIへ依頼する内容

• 調査目的に合う章立て

• 各章の役割

• 各章へ入れる情報

• その情報が使われる判断

• 重複している内容

• 不足している情報

• 補足資料へ回す内容

人間が確認すること

• 商品の強みが埋もれていないか

• 顧客の問題と商品価値がつながっているか

• 市場規模が主役になっていないか

• 不足情報が隠されていないか

• 読み手が次の行動を決められるか

AIが作った構成案は、正解ではありません。

人間が目的に合わせて修正する土台です。

9．同じ条件で複数のAIへ草案を作らせる

Grok、Claude、ChatGPTなど、複数のAIへ同じ資料と同じ指示を渡します。

条件をそろえるもの

• 報告書の目的

• 読み手

• 商品情報

• 市場情報

• 現場の一次情報

• 不足情報

• 章立て

• 使用してはいけない情報

• 断定してはいけない内容

複数モデルを使う目的は、一番優秀なAIを決めることではありません。

比較する内容

• 何を重視したか

• 何を省略したか

• どこまで断定したか

• 現場情報が反映されているか

• 顧客価値が見えるか

• 論理の飛躍がないか

• 不足情報を隠していないか

10．共通点と相違点を仮説へ変える

複数AIの出力を、文章の上手さで比べません。

主張や視点へ分解します。

3モデルすべてに共通する内容

• 中核候補として残す

• 優先して裏取りする

• 事実としてはまだ採用しない

2モデルに共通する内容

• 有力な論点として残す

• 今回の目的との関係を確認する

1モデルだけが指摘した内容

• 重要な見落としか確認する

• 調査から外れた脱線か確認する

モデル同士で矛盾した内容

• 前提条件を確認する

• 対象や期間の違いを確認する

• 元の資料へ戻る

• 判断できなければ保留する

11．事実・信頼性・論理の3方向から裏取りする

AIの仮説を、3段階で確認します。

第1段階　事実は存在するか

• 根拠となる元資料があるか

• 数字や調査結果が本当に書かれているか

• AIの要約と元資料が一致しているか

第2段階　資料は信用できるか

• 調査対象は誰か

• 調査人数は何人か

• 調査方法は何か

• 公開時期はいつか

• 今回の顧客と条件が一致しているか

• 調査実施者に利害関係がないか

• 質問方法に偏りがないか

第3段階　根拠から結論までつながるか

たとえば、

という事実から、

とは言えません。

不足している条件には、次のようなものがあります。

• 顧客が買い替える意思

• 価格への受容性

• 競合との差の体感

• 商品の認知

• 販売経路

• 量産品質

• 使用頻度

• ほかの購入基準

12．人間が最終判断を作り、AIに文章化させる

裏取り後に、情報を分類します。

• 採用

• 条件付きで採用

• 参考情報

• 仮説として残す

• 根拠不足

• 不採用

そのうえで、人間が報告書の結論を決めます。

人間が決める内容

• 現時点で何が言えるか

• 何がまだ分からないか

• どのリスクを許容するか

• どの段階まで進めるか

• 次に何を検証するか

• どの条件を満たせば次へ進むか

• 誰が最終承認するか

結論が決まった後に、AIへ文章化を依頼します。

🤝 実践記録2　AIと人間の役割分担

⚖️ AIへ任せる仕事と、人間が手放してはいけない仕事

🤖 AIへ任せやすい仕事

• 市場情報の候補を集める

• 競合候補を探す

• 顧客の不満を整理する

• 調査項目を洗い出す

• 複数の構成案を作る

• 情報の重複を探す

• 不足している視点を指摘する

• 複数案を比較する

• 反対意見を作る

• 論理の飛躍を指摘する

• 文章の草案を作る

• 文体や表現を統一する

• 長文を要約する

• チェックリストを作る

👤 人間が担当する仕事

• 調査の目的を決める

• 読み手を決める

• 判断事項を決める

• 調査範囲を決める

• 優先順位を付ける

• 自社の一次情報を入力する

• 情報源を確認する

• AIの誤読や推測を修正する

• 採用・不採用を決める

• 現場で実行できるか確認する

• 会社が取れるリスクを判断する

• 最終的な提案を決める

• 決定理由を説明する

• 実行後の結果に責任を持つ

🚫 AIへ渡してはいけない最終権限

• 市販するかどうかの最終決定

• 投資額の最終決定

• 品質保証の承認

• 根拠未確認情報の採用

• リスクの許容判断

• 顧客への正式な約束

• 会社名義での最終提出

• 問題発生時の責任判断

🧾 実践記録3　残しておくべき作業記録

🗃️ AIの出力だけでなく、人間の判断履歴を残す

記録1　調査目的

• 誰から依頼されたか

• 何を判断する報告書か

• 読み手は誰か

• 提出期限

• 対象市場

• 対象顧客

• 調査対象外とした範囲

記録2　AIへの入力内容

• 使用したAI

• AIへ与えた役割

• 入力した商品情報

• 入力した現場情報

• 使用したプロンプト

• 回答日時

• 出力条件

記録3　AIから得た情報

• 市場データ

• 競合情報

• 顧客の声

• 構成案

• 仮説

• 論理上の指摘

• 追加調査案

記録4　人間による確認

• 元資料を確認したか

• 公開日

• 調査対象

• 調査人数

• 調査方法

• AIの要約と元資料の違い

• 自社の状況へ適用できるか

• 反対情報の有無

記録5　採用判断

• 採用した情報

• 条件付きで採用した情報

• 補足へ回した情報

• 仮説として残した情報

• 不採用にした情報

• 不採用理由

記録6　最終判断

• 現時点で確認できた事実

• 未確認の条件

• 提案する行動

• 提案理由

• 次の検証項目

• 次へ進む基準

• 最終判断者

AIの回答だけを保存しても、最終報告書がどのように作られたかは分かりません。

重要なのは、

ではなく、

を残すことです。

✅ 実践記録4　報告書提出前チェックリスト

🔍 報告書を閉じても、自分の言葉で説明できるか

🎯 目的の確認

• 報告書の目的を一文で説明できる

• 誰が読むのか明確になっている

• 読み手が何を判断するのか書かれている

• 調査対象と対象外が決まっている

• 今回の結論が、依頼内容へ答えている

🏭 自社商品の確認

• 商品を開発した理由が書かれている

• 製造上の改善内容が書かれている

• 改善結果を示す数字が確認されている

• 商品の弱点や量産リスクも書かれている

• 現場の一次情報が反映されている

👥 顧客価値の確認

• 想定顧客が明確になっている

• 顧客が抱える問題が書かれている

• 商品の特徴が顧客価値へ置き換えられている

• 作り手の自慢だけになっていない

• 顧客が本当に価値を感じるか検証項目がある

🥊 競合比較の確認

• 形が似た商品だけでなく代替手段も確認した

• 競合商品の価格を確認した

• 競合商品の公式仕様を確認した

• 企業の宣伝文句を事実として扱っていない

• 自社商品との違いを同じ条件で比較している

📚 情報源の確認

• 元資料まで確認した

• 発行元を確認した

• 公開日を確認した

• 調査時期を確認した

• 調査対象を確認した

• 調査人数を確認した

• 調査方法を確認した

• 調査実施者の利害関係を確認した

• AIが追加した数字や事実が混じっていない

🧠 論理の確認

• 不満があることを、購入すると言い換えていない

• 商品性能が高いことを、売れると断定していない

• 市場規模が大きいことを、自社の売上と混同していない

• 顧客の好意的な回答を、実際の購入行動と混同していない

• 一部のレビューを市場全体の意見として扱っていない

• 根拠から結論までに飛躍がない

• 仮説に反する情報も確認した

🤖 AI出力の確認

• 複数AIの共通点を、そのまま事実として採用していない

• AI同士の多数決で結論を決めていない

• 1モデルだけの指摘を、見落としか脱線か確認した

• モデル間の矛盾について前提を確認した

• AIが作った文章を切り貼りしただけになっていない

• AIの仮説と人間の判断を分けている

⚠️ 不足情報とリスクの確認

• 分からないことが明記されている

• 不足情報を一般論で埋めていない

• 量産時のリスクが書かれている

• 価格への受容性を確認している

• 顧客が違いを体感できるか確認項目がある

• 市販後の対応も検討している

• 問題が起きた場合の停止・見直し条件がある

🚦 最終判断の確認

• 現時点で言える範囲が明確

• 全面販売、試験販売、追加調査、見送りの選択肢を検討した

• 次に行うことが具体的

• 次の検証で何を見るのか決まっている

• 次へ進む基準が決まっている

• 誰が最終判断したのか明確

• 結論に人間が責任を持てる

🗣️ 説明の確認

• 報告書を閉じても結論を説明できる

• なぜその結論になったか説明できる

• 何が未確認か説明できる

• なぜ次の検証が必要か説明できる

• 「AIが言ったから」を理由にしていない

• 自分たちの言葉で提案できる

🧭 実践記録5　AIへ渡すコンテキスト設計項目

📝 万能プロンプトではなく、今回の仕事に必要な条件を組み立てる

AIへ依頼する前に、次の項目を整理します。

1．背景

• どのような仕事か

• なぜ報告書が必要になったか

• 商品はどの段階にあるか

• これまで何を行ったか

2．目的

• 報告書で何を判断するのか

• 調査によって何を明らかにしたいか

• 今回決めないことは何か

3．読み手

• 誰が読むのか

• どの程度の専門知識があるか

• 読んだ後に何を決めるのか

4．自社商品の一次情報

• 商品概要

• 開発理由

• 強み

• 弱み

• 改善内容

• 試験結果

• 量産上の課題

• 現場の制約

5．想定顧客

• 誰が使うのか

• 使用場面

• 使用頻度

• 現在の不満

• 購入基準

• 価格帯

6．調べる内容

• 顧客の不満

• 競合

• 代替手段

• 価格

• 市場規模

• 販売経路

• 規制

• リスク

7．除外する内容

• 今回対象外の地域

• 対象外の顧客

• 必要のない長期予測

• 今回判断に使わない情報

• 古い情報

• 出所不明情報

8．優先する情報源

• 官公庁

• 業界団体

• 学術資料

• 企業公式資料

• 第三者調査

• 顧客レビュー

9．出力条件

• 章立てのみ

• 箇条書き

• 比較形式

• 出典付き

• 事実と仮説を分ける

• 不足情報を示す

• 断定を避ける

• 追加検証を示す

10．AIに決めさせないこと

• 最終的な市販判断

• 採用する情報

• 許容するリスク

• 最終価格

• 品質保証

• 会社としての正式な結論

📊 実践記録6　AI出力比較シート

🔍 文章の上手さではなく、視点と危険箇所を比較する

• 調査目的へ答えているか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 想定顧客が明確か

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 顧客の問題が見えるか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 商品の強みが埋もれていないか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 競合との差が示されているか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 現場情報が反映されているか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 事実と仮説が分かれているか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 与えていない数字がないか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 表現が強すぎないか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 不足情報が明記されているか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 論理の飛躍がないか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

• 次の行動が分かるか

  • AI1：

  • AI2：

  • AI3：

  • 人間の確認：

比較後の分類

3モデル共通

2モデル共通

1モデルのみ

結論が矛盾

📑 実践記録7　仮説検証シート

🧪 AIが出した可能性を、事実へ近づける

AIが出した仮説支持する情報反対する情報根拠の強さ未確認条件最終分類

最終分類

• 採用
  信頼できる根拠があり、今回の報告書へ直接使用できる。

• 条件付きで採用
  対象や条件を限定すれば使用できる。

• 参考情報
  主張の補助としては使えるが、主要根拠にはしない。

• 仮説として残す
  可能性はあるが、追加検証が必要。

• 根拠不足
  現時点では報告書の主張へ使えない。

• 不採用
  出所、信頼性、適合性、論理に問題がある。

📂 実践記録8　本文・補足資料・作業記録の分け方

🧹 情報を削除するのではなく、置き場所を変える

報告書本文

読み手が判断するために必要な情報を入れます。

• 調査目的

• 商品価値

• 想定顧客

• 顧客の問題

• 競合との差

• 価格

• 市場性

• リスク

• 不足情報

• 判断案

• 次の行動

補足資料

本文の根拠を詳しく確認する情報を入れます。

• 詳細な競合比較表

• 市場統計

• 調査概要

• 顧客レビュー分類

• 試験結果

• 原価情報

• 出典一覧

作業記録

報告書を作った過程を追跡する情報を入れます。

• 使用したプロンプト

• AIごとの出力

• 出力比較

• 採用・不採用理由

• 裏取り結果

• 修正履歴

• 人間の判断履歴

👤 実践記録9　AIによる仮説と担当者判断の記入例

🤖 AIの提案を、人間の決定として提出しない

AIによる仮説案

• 商品の軽量性を求める顧客層が存在する可能性がある

• 耐久性が競合との差別化要因になる可能性がある

• 特定顧客層へ限定すれば、市場性を検証できる可能性がある

• 小規模な試験販売が有効である可能性がある

担当者による確認結果

• 重さへ不満を持つ利用者がいることは確認できた

• 自社試作品に軽量化と耐久性改善の結果がある

• 不満を持つ顧客全体の規模は未確認

• 価格への受容性は未確認

• 競合との差を顧客が体感できるか未確認

• 量産時の品質安定性は未確認

担当者による最終判断

🌱 実践付録のまとめ

市場調査報告書をAIで作る際、最も重要なのは、どのAIを使うかではありません。

どのモデルが一番優秀かでもありません。

重要なのは、

• 人間が目的を決める

• 人間がAIへ役割を与える

• AIの出力を比較する

• 元の情報を確認する

• 現場の一次情報を加える

• 人間が採用と不採用を決める

• 人間が自分の言葉で判断を説明する

という流れです。

AIを使えば、調査や文章作成は速くなります。

しかし、AIが出した項目をすべて調べ、AIが作った文章をすべて残し、AIの結論を正しいものとして提出すれば、人間がAIの作業を支える側になります。

AIは、判断材料を作ります。

人間は、その材料を確認し、現場と結びつけ、リスクを引き受けて判断します。

田中君シリ－ズの記事です。

👥 登場人物紹介（設定）

🤖 AIと市場調査報告書づくりに挑む5人

この物語では、AIに詳しい一人の人物が、すべてを解決するわけではありません。

市場情報を調べる視点。

製造現場を知る視点。

顧客にとっての価値を考える視点。

情報を整理し、論理を確認する視点。

そして、集めた情報を基に決断する立場。

それぞれ異なる経験を持つ人物が意見を出し合いながら、田中君の市場調査報告書を完成へ導きます。

AIは多くの情報や文章を提示します。

しかし、何を調べ、何を信じ、何を報告し、どのような判断を下すのか。

その中心にいるのは、あくまで人間です。

👨‍💻 田中君

試作ラインで働く、今回の物語の主人公。

製造現場で約10年間働いてきた経験を持ち、工程報告書や改善記録の作成には慣れています。

一方で、市場調査報告書を書くのは今回が初めてです。

真面目で責任感が強く、仕事を任されると、できるだけ抜けのない資料を作ろうとします。

その長所が裏返り、AIから提示された調査項目をすべて必要だと思い込み、情報を集めすぎてしまうこともあります。

田中君の特徴

• 真面目で、頼まれた仕事を最後までやり切ろうとする

• 分からないことを放置せず、AIへ積極的に質問する

• 情報が不足することを恐れ、調査範囲を広げすぎやすい

• AIの整った回答を、最初は正解に近いものとして受け取りやすい

• 指摘を受けると、素直に考え直すことができる

• 製造現場の一次情報を持っている

• 学びながら、自分なりのAIの使い方を身につけていく

物語の序盤では、AIに何を調べればよいかを教えてもらい、その回答を一生懸命完成させようとします。

しかし、林さん、佐藤さん、まゆみさんとの対話を通して、

と気づいていきます。

最終的には、AIへ目的と役割を与え、複数の出力を比較し、根拠を確認し、自分の言葉で判断を説明できる担当者へ成長します。

それが、この物語における田中君の変化です。

👨‍🔧 林さん

田中君と同じ現場で働く、頼れる先輩。

製造現場の経験が長く、資料上の理屈だけではなく、

という視点から物事を考えます。

難しい専門用語や抽象的な説明を、料理や弁当、検査作業などの身近なたとえへ置き換えるのが得意です。

ただし、そのたとえが少しずれたり、まゆみさんから突っ込まれたりすることもあります。

林さんの特徴

• 現場感覚を重視する

• 難しい話を、身近なたとえで整理する

• 理屈だけで成立している報告書に疑問を持つ

• 田中君が一人でChatGPTへ相談したことを、少しだけ引きずっている

• 口調は軽いが、仕事の本質を突くことがある

• AIよりも、まず人間同士で話すことを大切にする

• 量産時の作業負荷や品質のばらつきに敏感

田中君がAIから出された大量の調査項目を処理しようとしていたとき、林さんはこう問いかけます。

この言葉は、物語全体を通じて重要な問いになります。

AIを使っているつもりでも、AIが作った課題や文章を完成させることが人間の仕事になれば、立場が逆転してしまいます。

林さんはAIの専門家ではありません。

しかし、現場で長く働いてきた経験から、

• 本当に必要な情報か

• 実際に作れるのか

• 作業者が再現できるのか

• 量産しても品質を保てるのか

を確認します。

それが林さんの役割です。

👨‍🏫 佐藤さん

情報整理と改善に詳しい、田中君たちの相談役。

落ち着いた口調で相手へ問いを投げかけ、自分で考えられるように導きます。

正解をすぐに教えるのではなく、

と問い返します。

一見すると隙のない人物ですが、過去には情報を詰め込みすぎた六十ページの報告書を作り、上司から三ページ目で、

と聞かれた失敗経験があります。

佐藤さんの特徴

• 情報の役割と優先順位を考える

• 事実、仮説、判断を明確に分ける

• AIの文章が整っているだけでは信用しない

• 相手が自分で気づけるように質問する

• 自分の失敗も隠さず、実例として伝える

• 報告書は「情報を見せるもの」ではなく「判断を支えるもの」だと考える

• AIを否定せず、任せる範囲を明確にする

佐藤さんは、集めた情報を次のように分類します。

1. 今回の判断に不可欠な情報

2. 結論を支える補助情報

3. 将来の検討に使える情報

さらに、AIが提示した内容について、

• 事実は存在するか

• 資料は信用できるか

• 根拠から結論まで論理的につながるか

を確認するよう田中君へ教えます。

佐藤さんが一貫して伝えるのは、

です。

それが佐藤さんです。

👩‍💼 まゆみさん

林さんの恋人であり、読み手と顧客の感覚を持つ鋭い助言者。

社内では林さんと交際していますが、仕事の内容については遠慮なく意見を伝えます。

専門用語や情報量に惑わされず、

と、読み手や顧客の立場から確認します。

指摘があまりに直接的なため、林さんから、

と言われることもあります。

まゆみさんの特徴

• 情報の中心が見えなくなると、すぐに気づく

• 作り手の都合と、顧客の価値を分けて考える

• 専門的に整った文章でも、分かりにくければはっきり指摘する

• 顧客の発言と、実際の購入行動の違いに敏感

• 短い言葉で、本質を突く

• 林さんとの掛け合いで、物語に軽さを加える

• 指摘が厳しすぎたときは、一応反省する

田中君が集めた大量の情報を見たまゆみさんは、二つの問題を指摘します。

一つは、情報が多すぎること。

もう一つは、商品の最も強い価値が埋もれていることです。

製造側では、

• 軽量化した

• 耐久性を改善した

• 品質ばらつきを減らした

という改善が重要です。

しかし顧客が知りたいのは、

• 長時間使っても疲れにくいか

• 長持ちするか

• 価格に見合うか

• 今の商品から買い替える理由があるか

です。

まゆみさんは、製造上の強みを顧客価値へ置き換える役割を担います。

それがまゆみさんです。

👔 黒田営業部長

新製品の市場調査を田中君へ依頼した営業部長。

決断が早く、仕事を前へ進める力があります。

一方で、細かな調査方法や作業工程まで長く説明するより、まず結論を知りたがります。

田中君へ市場調査報告書を依頼するときも、細かい仕様書を渡すのではなく、

と、大きな方向だけを示して仕事を任せます。

黒田営業部長の特徴

• 判断と行動が早い

• 細かな過程より、最初に結論を確認する

• 市場で売れる可能性を重視する

• 情報量より、次に何をするべきかを知りたがる

• AIの活用自体には抵抗がない

• ただし、最終的には担当者自身の説明を求める

• 一つの仕事が終わると、すぐに次の課題を持ってくる

完成した報告書を受け取った黒田営業部長は、最初にこう尋ねます。

さらに、

と確認します。

ここで田中君が、

と答えるだけでは、報告になりません。

AIの仮説をどう確認し、現場の条件をどう加え、担当者としてどのような判断を下したのか。

黒田営業部長へ説明できて、初めて報告書が仕事として完成します。

黒田営業部長は、田中君たちの調査結果を基に、

• 全面販売はまだ行わない

• 対象顧客を限定して試す

• 価格と使用評価を確認する

• 量産条件で品質を確かめる

• 結果を見て本格販売を再判断する

という次の行動を決めます。

そして最後には、いつもの調子で田中君へ告げます。

それが黒田営業部長です。

🔗 5人が持つ、それぞれの視点

登場人物主な視点物語での役割
田中君　担当者・学習者AIを使いながら、人間が主導する方法を身につける
林さん　製造現場理論や市場性が、現場で実現できるか確認する
佐藤さん　情報整理・論理目的、根拠、優先順位、判断の関係を整える
まゆみさん　顧客・読み手商品の価値が顧客へ伝わるか確認する
黒田営業部長　営業・意思決定報告書を基に、会社として次の行動を決める

一人だけでは、市場調査報告書を完成させることはできません。

田中君だけでは、情報を集めすぎます。

林さんだけでは、市場の需要を十分に確認できません。

佐藤さんだけでは、現場や顧客の具体的な感覚が不足します。

まゆみさんだけでは、会社としての事業判断まではできません。

黒田営業部長だけでは、判断に必要な根拠を集められません。

それぞれの視点を組み合わせることで、

• 市場で求められているか

• 顧客に価値が伝わるか

• 現場で作れるか

• 根拠は信頼できるか

• 会社として進めるべきか

を、一つの報告書の中で考えられるようになります。

この5人と3つのAIによる、市場調査報告書づくりが始まります。

　田中君シリーズを読んでいただき、ありがとうございます。

「続きも読みたい」「今回の記事が役に立った」と感じていただけましたら、スキ、コメント、チップで応援していただけるとうれしいです。

皆さまからの応援は、田中君のおやつ、林さんの胃薬、佐藤さんのコーヒーブレイクに使わせていただきます。

#AI , #人工知能 , #ChatGTP , #Qwen , #Gemini , #GoogleAIstudio , #IT , #Grok , #未来の働き方 , #AI入力設計
#AI入力設計 #コンテキストエンジニアリング #AIプロンプト #プロンプト失敗 #AIうまくいかない #AIイライラ #AI出力ズレる #ChatGPT活用 #生成AI #AI初心者 #AI失敗体験 #AI成功体験 #データボックス #AI管理人 #入力設計テンプレート #AI3ステップ #AI設計思考 #プロンプトエンジニアリング #AI再現性 #AIログ資産化 #note記事執筆 #AI収益化 #note有料記事 #AIビフォーアフター #AI一般論 #ハルシネーション対策 #AI一次情報 #AIカイゼン #AI思考整理 #AI2026
#生成AI初心者 #40代AI #50代AI #60代AI #中高年AI #シニアAI #うまくいかない , #AI一般論 #AIハルシネーション #AI再現性 #AI入力設計 #初心者 , #AI雑に話す #AI続けるだけ #AI設計思考 #プロンプト落とし穴 #AI一次情報 #AIカイゼン #AI思考整理 #AI失敗体験 #AI成功体験 #AIデータボックス #AI管理人 #AI業務活用 #AI中高年

#ArtificialIntelligence , #MarketResearch , #BusinessWriting , #ResearchReport , #AIWriting , #HumanCenteredAI , #DecisionMaking , #CriticalThinking , #FactChecking , #DataAnalysis , #PromptEngineering , #MultiModelAI , #CustomerValue , #ProductDevelopment , #BusinessStrategy