正しい生成AIの使い方は、伝説の女性コンサルが約50年前にもう書いていた｜シリーズ【今読み返したい名著】『考える技術・書く技術』

どこまでをAIに任せて、どこからを自分がやるべき？

生成AIを語る上で「自動化」は、切っても切れないキーワードです。生成AIを活用している人ほど、自分のスキルをエージェントに移植し、従来の仕事の一部（もしくは全部）を自動化することで、より速く、より多くのアウトプットを実現しています。

落合陽一氏レベルになると、毎日50体のAIエージェントを同時に走らせ、1,000万円かかっていたシステム構築を約3万円で開発してしまう、まさに「魔法使い」と呼ぶべき活用ぶり。いわく「AIを使うことによって、僕の生産性は150倍くらいになった」とのこと（エンジニアtypeインタビュー）。

「自分もキャッチアップしなきゃ！」と焦りを感じる人も多いかもしれませんが、こうした流れについていくことができなくても当たり前。実際、日本人のうち、業務で生成AIを「週4日以上」使っている人は約11.7%しかおらず、「使いこなしている」と言える人はまだまだごく一部のようです（パーソル総合研究所（2026）「生成ＡＩとはたらき方に関する実態調査」）。

とはいえ、ぼんやりしているわけにもいかないのは事実。ではまず何から理解するべきなのでしょうか。その答えの一つが「どこまでをAIに任せて、どこからを自分がやるべきか」です。生成AI登場以降、幾度となく議論が繰り返されてきたテーマですが、本稿ではその答えをマッキンゼー初の女性MBAコンサルタントであるバーバラ・ミント氏が、同社在籍中の1970年代前半までに原型をまとめた一冊の本に求めたいと思います。

タイトルは『考える技術・書く技術』。今ではロジカルシンキングの古典として不動の地位を築いている名著です（シリーズ前回は、山岸俊男『信頼の構造』を取り上げました）。

なぜ「“なんだかいい感じ”に見える文章」が生まれるのか？

特に何か工夫をしなくても、生成AIが数秒から数分で書き上げてしまう「“なんだかいい感じ”に見える文章」。しかしこれを第三者に見せて「結局何が言いたいかわからない」「上手だけれど、内容が頭に入ってこない」と言われたことのある人も多いのではないでしょうか。

その原因は、現場で今、何が起きていて、本来どうあってほしいのか、そのために何が必要なのか、という文章のコアが抜け落ちているからです。これがバーバラ・ミントが示した、現場の客観的な「現状（R1）」と「理想（R2）」、そしてそのギャップから導かれる「問い（Q）」で構成される「問題の定義」です。

以下では『考える技術・書く技術』の内容について概観したうえで、生成AIを正しく使うこととロジカルな文章を書く技術がなぜ繋がってくるのかを見ていきましょう。

『考える技術・書く技術』とは？

本書はもともと、マッキンゼーの経営コンサルタント向けに、「どうすればわかりやすい報告書が書けるか」の解説資料として書かれ、1985年に書籍として刊行されました。その中心的な概念となるのが「ピラミッド・プリンシプル」です。

これは「文書を作成する際に自分の考えを構成する」ためのツールであると同時に、「問題を明確に認識し、分析するためのプロセスにまでさかのぼり、いかにして考えるべきかという全体のプロセス管理にまで利用できるもの」です（『新版 考える技術・書く技術』ダイヤモンド社、山﨑康司訳）。

さて、ここで本稿のテーマに話を戻しましょう。なぜ1970年代に生まれたピラミッド・プリンシプルというツールのうち「問題の定義」という概念が、2020年代後半のAI時代に重要性を持つのでしょうか。次の3つの切り口から見ていきましょう。

理由①｜生成AIの「推察力」はそこまで高くない

確かに、生成AIのモデルはすさまじいスピードで進化しています。しかしそれでも、生成AIの「推察力」はそこまで高くありません。

この分野の重要な国際会議「ACL 2026」の公式論文集に掲載された論文では、プロンプトの「記述不足」が体系的に分析されています。それによれば、ChatGPTのような大規模言語モデルがはっきりと言語化されていない要件を自力で推測できたのは41.1%でした。

しかも、その推測は脆く、言葉足らずのプロンプトは、モデルの更新や表現の変更によって出力の質が落ちる確率が2倍で、精度の低下が20%を超える場合もありました。「書かなくても、なんとなく通じている」という状態は、たまたま成立しているだけなのです。※

※ではたくさん書き込めばいいのかというわけでもない。同じ論文の中で、大規模言語モデルの指示を理解する能力には限界があり、要件同士が競合することもあるため、かえって性能が落ちるということも明らかになっている。

ではどうすれば生成AIの出力の質を確保できるのでしょうか。その答えの一つが、「現状（R1）」「理想（R2）」、そしてそこから導かれる「問い（Q）」です。例えば、新卒のオンボーディング施策を考えてみましょう。

現状（R1：マネージャーの工数がすでに逼迫している）と、望ましい状態（R2：工数を増やさずに新卒育成を支援したい）のギャップを捉え、「現場の負荷を月数時間以内に抑えつつ、新卒の孤立感を防ぐには？」という解くべき問い（Q）を人間が明示して初めて、AIは実務で機能する具体的なアイデアを出し始めるのです。

理由②｜「現状」を知っているのは、あなただけ

では、「現状（R1）の整理からAIに任せればいいのではないか」と思うかもしれません。しかし、それも不可能です。組織における真の現状を知っているのは、その現場に身を置く生身の人間だけだからです。

組織が抱える本当のボトルネックは、業務日報やアンケートの集計結果、業績データといった目に見える情報には現れません。

オフィスに漂う重苦しい空気、特定の部署間に生じている微妙な感情の摩擦、経営方針に対するメンバーの冷めた視線。そうしたテキスト化されていない「暗黙知」の中にこそ、解決すべき課題の芽が潜んでいます。

入力されたデータにしかアクセスできないAIには、現場のざわめきや生々しい空気を直接感じることはできません。日々の業務のなかで細かな変化を察知し、「いま、何が起きているのか（R1）」を肌で捉えられるのは、その場に立っているあなただけです。

理由③｜生成AIの出力に「責任」を取るために必要なもの

生成AIが出したもっともらしい提案をそのまま採用した結果、プロジェクトが暗礁に乗り上げたとしましょう。さてこの責任は誰が取るのでしょうか。もちろんChatGPTやClaudeなどに責任を追及しても意味がありませんし、「“なんだかいい感じ”に見える」提案を鵜呑みにしただけのマネージャーには、何が問題だったのかを説明することすらできないでしょう。

生成AIの出力の良し悪しを見極め、判断し、その結果から生まれる責任を取るためには、何が必要か。これこそが一連の「問題の定義」です。

「スピードを優先して一時的な品質低下を許容するのか」「現場の負担を抑えるために事業の拡大ペースを緩めるのか」。どのような問いを立てるかという選択の裏には、必ず誰かが引き受けなければならないリスクが張り付いています。

AIは無傷のまま「バランスの取れた折衷案」をきれいに並べることはできても、トレードオフによる反発や損失の責任を背負うことは決してありません。

どの痛みを背負うかを人間が腹をくくり、意志を持って「Q」を選びとるプロセスを自分の頭でこなすからこそ、私たちは「自分が何を真の課題と捉えているか」を知ることができ、AIの出力を自分の言葉として引き受けることができるのです。

まとめ：「直感」を磨くために読む『考える技術・書く技術』

『考える技術・書く技術』はながらくロジカルな文章を書くための教科書として読まれてきました。しかしその原型が生まれてから約50年を経て、本書は正しく生成AIを使うための指南書として、さらにはAI時代を生き抜く「武器」を磨くマニュアル本としても読むことができます。

冒頭で紹介したインタビューの中で、落合陽一氏は現時点で最も大事なスキルを「ロジカルシンキングでも、未来を見通す力でも」ないとしたうえで、「根拠が不確かな『直感』と、それに基づく『行動』」であるとしています。

ただし直感とは、「霊感」や「天啓」のような超自然的なものではありません。積み上げられた膨大な経験と知識の中から無意識に引き出される論理のショートカット、それが直感です。

AIにロジックの構造化を任せる時代だからこそ、人間は現場で感じる「直感（違和感や暗黙知）」を起点に据える必要があります。そしてその研ぎ澄まされた直感を使って、「現状（R1）」を感じとり、「理想（R2）」を描き、「解くべき問い（Q）」へと翻訳する技術こそが、ミント氏の言う問題定義のロジックなのです。

今の世の中のスピードにめまいを感じている人は、まずはいったん深呼吸をして、バーバラ・ミント氏の『考える技術・書く技術』から始めてみてはどうでしょうか。