リクエスト株式会社は、980社・33.8万人の業務経験データ分析と企業研修における実践観察に基づき、実務資料「AI時代、なぜ『なぜ』が出てこないのか」を公開した。同資料は、データや生成AIが増加する中で、原因を確かめる前に既知の施策へ進んでしまう仕事の構造を整理し、AIを「問いの構造化」の補助者として活用する設計など、課題解決に向けた具体的な実務提案を行っている。

業務経験データの分析と判断経験の定義

リクエストは、2022年から2025年にかけて顧客接点や現場業務を持つ980社・33.8万人の業務経験データを分析した。同分析では、対象企業の82％で仕事の中の「判断経験」が減少し、58％で上司への確認頻度が増加、64％で前例への依存度が上昇したという記述的な傾向を確認した。

同資料では、判断経験を単なる最終決定ではなく、「事実の確認」「対象範囲の確認」「比較による差の把握」「原因仮説の構築」「仮説の検証」「施策の選択と振り返り」という一連のプロセスとして定義している。
2026年８月に実施した10社のリーダー研修における実践観察では、広域データによって「差」に気づくことはできても、その背景にある「なぜ」という問いが表出しにくい現状を明らかにした。

生成AIを問いの構造化の補助者として活用

同資料は、生成AIを単なる「答えを出す道具」としてではなく、原因探索を支援する補助者として活用する方法を提示している。生成AIに直接施策案を求めると、問題設定や原因仮説が不適切なまま、もっともらしい対応策だけが速く進むリスクがある。これに対し、事実と解釈の分離、代替仮説の提示、反証材料の整理、不足情報の特定といった「問いの構造化」をAIに担わせる役割分担を推奨している。

また、問いの表出を個人の意欲や能力に依存させるのではなく、組織の仕組みとして設計する必要性を説いている。会議の議題や報告書の書式、AIへの入力テンプレートなどに、事実確認や比較、原因仮説の検証プロセスを組み込むことで、組織的に問いが生まれ、判断理由が蓄積される仕事の構造を提案している。