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。