# 1. 重要な課題を定義する ### **取り組むべき「本質的な問題」を明確にする** AIに質問する前に、「何を実現したいのか」「なぜそれが重要か」を整理する。曖昧な課題設定のままでは、どれだけAIを使っても十分な成果を得られない。 ### **AI活用の目的を絞り込む** たとえば、製品開発の新アイデア探索やマーケティング施策の検討など、目標が明確であればあるほどAIからの回答を有効に活かしやすくなる。 # 2. 仮説ドリブン ### **課題を分解し、仮説を立てる** 課題を小さなトピックや要素に分解し、どう検証するかを考えることが大事。AIを使うことで得られるデータや洞察を事前にイメージすると、より具体的な仮説を組み立てやすくなる。 ### **プロンプト（質問）を工夫する** 「どの要素を比較したいのか」「何がわかれば解決につながるのか」を明確にして、AIに入力するプロンプトを設計することがポイント。焦点がはっきりしているほど、AIの回答も精度が高まる。 # 3. アウトプットドリブン ### **具体的な成果物を見据えて分析を進める** 分析の型としての「比較」「構造」「変化」を活用する。AIの提案や情報をもとに、実際の資料やレポートに落とし込みながら検証を繰り返すことで、効果的なアウトプットを得られる。 ### **AIの回答をそのまま受け取らずに評価する** 得られた情報が本当に使えるかを吟味し、不足があれば追加で質問を行う。複数の視点やソースから検証しておくと、判断の精度が高まる。 # 4. メッセージドリブン ### **最終的に伝えたい内容を整理する** 問題や仮説、AIの分析結果などをまとめ、「要するに何が言いたいのか」を明確にする。文量で勝負しない。シンプルな文章にして、メッセージをきちんと伝える。 ### **情報共有の設計** チームや上司への報告を想定し、どんな形式がわかりやすいかを考える。AIから得たデータやヒントを整理し、再現性や追跡がしやすいように記録しておく。 # 5. 生産性を高めるための注意点 ### **本質的な課題に集中する** 重要度の低い問題に時間を費やしても生産性は上がりにくいので、まずは大事な部分を見極める。 ### **AIの限界やリスクを理解する** AIは最新の情報を必ずしも反映していない場合があり、またバイアスのある回答をすることもある。成果物は常に人間がチェックする。 ### **仮説の検証を繰り返す** 1回のやりとりですべてが解決することは稀。必要に応じてプロンプトを修正し、都度結果を見直すプロセスが重要。 ### **作業量に頼らない** 「大量の分析をやればいい」という発想を捨て、課題の優先順位や本当に必要な検証を行うことで、時間とエネルギーを有効に使う。