リサーチレポートの書き方｜AI時代に効く7つの失敗逆マニュアル

• リサーチレポートが読まれない原因は「良い書き方」を知らないことではなく、「悪いパターン」を診断できていないことです。SCQAやピラミッド原則の教材は世に溢れているのに、社内会議のスライドは相変わらず読まれない。この矛盾を突く逆マニュアル型で7つのアンチパターンを潰していきます
• 米陸軍が1988年制定のArmy Regulation 25-50でBLUF（結論を最初に置く）を全通信文の標準にしたのは、規範よりも禁則の方が組織を動かした典型例です。ビジネスレポートも「良い型を教える」より「悪い型を潰す」方が効きます
• 7つのアンチパターンは、入り口の3つ（目的曖昧・出典抽象・数字の桁バラバラ）、構造の2つ（見出しが質問・Excel転記の表）、出口の2つ（「今後の課題」で締める・冒頭に結論がない）で構成されます。各パターンで実例と修正案を対比するので、下書きを片手にチェックできます
• AI時代の新しい落とし穴が3つ加わります。生成AIの参照文献の25〜40%が完全にでっち上げ、Workslop（見た目キレイ・中身スカスカのAI生成成果物）は1件対処に平均1時間56分かかり1万人組織で年間900万USドルの生産性ロスを生む、RAGは監査可能性が二の次に設計されている、の3つです
• Snorbeの完全記憶型ナレッジグラフを使うと、逆マニュアル型のチェックが1回きりの作業から組織の反復ループへ育ちます。JPO・EPO・Google Patents・arXiv・PubMedを横断調査し、過去の調査を全て記憶に保存する運用が可能です。実践手順は本文で紹介します

「良い書き方」より「悪い書き方」を潰す方が組織を動かす — 逆マニュアル型の効用

リサーチレポートの書き方を教える本は、書店の棚がまるまる一段埋まるほどたくさんあります。バーバラ・ミント『考える技術・書く技術』は1973年に初版が出て以来、半世紀ずっと版を重ねてきましたし[1]、安宅和人さんの『イシューからはじめよ』は日本のビジネス書ランキングの常連です[10]。マッキンゼー流のピラミッド原則、SCQA、BLUFといった横文字のフレームワークは、大手コンサルの新人研修で必ず教わる標準教材になっています[9]。

それなのに、社内会議で共有されるスライドは相変わらず読まれず、経営会議に提出された分厚いレポートは最初の3ページで力尽きる。この矛盾はどこから来るのでしょうか。

良いパターンを覚えても、書くときは悪いパターンに引きずられる

仮説はシンプルです。良いパターンを覚えても、実際にレポートを書くときは無意識に「悪いパターン」の側に引きずられるからです。バーバラ・ミント自身、ピラミッド原則の3つのルール（すべての親アイデアは下位アイデアの要約になっていること、同じグループのアイデアは論理的に同じ型であること、順序があること）は口で言うのは簡単だが、ほとんど守られないと指摘しています[11]。

私自身、初めてリサーチレポートを書いたとき、SCQAは頭に入っていました。それでも冒頭に「近年、生成AI市場は急速に拡大しており……」と書いてしまったのを覚えています。理由は単純で、「良い型」は抽象的な原則としてしか教わっていなかったからです。目の前の下書きを「ここがダメ」と診断する道具になっていなかった。

Workslopが示す「見た目キレイ・中身スカスカ」の経済損失

2025年9月、ハーバードビジネスレビューがBetterUpとスタンフォード大学の共同調査「Workslop」レポートを掲載しました[3]。Workslopとは「AIで生成された、表面上ポリッシュだけかかった中身の薄い成果物」を指す造語です。

この調査が明らかにした数字は、けっこう衝撃的です。

• 労働者の40%が同僚から「AIが生成した中身の薄い成果物」を受け取ったことがある
• 1件のWorkslopに対処する平均時間は1時間56分
• 1万人規模の組織における年間損失は約900万USドル

書き手は「AIで15分で下書きができた、生産性が上がった」と喜んでいます。ところが受け手側では2時間かけて「これ、何が言いたいの？」を解読しています。書き手のコスト削減が、受け手のコスト増を上回ってしまう。組織全体としては、むしろ生産性が下がる。

このデータの含意は、書き手が「良いパターン」を頭で知っているかどうかではなく、送る前に「悪いパターンになっていないか」を診断できるかどうかが分かれ目だ、ということです。

米陸軍BLUFに学ぶ「規範より禁則」の効き目

もう1つ、逆マニュアル型が効く理由を裏付ける歴史的な事例があります。米陸軍が1988年に制定したArmy Regulation 25-50は、部隊で書かれる全通信文の標準としてBLUF（Bottom Line Up Front、結論を最初に置く）を定めました[4]。

この規則を作った動機は「効果的でない文書の最大の弱点は、焦点の合ったメッセージを素早く伝達できないこと」という診断でした。当時の部隊内文書は慢性的に「結論が最後にある」病を患っていた。良い書き方を教える研修ではなく、「結論を最初に置いていない文書はダメ」という禁則を課したことで、組織全体の文書が動きました。2017年にはジェームズ・マティス国防長官（当時）がさらに厳格化し、全ブリーフィングを推奨で始め、支援スライドは付録に限定するルールを敷いています[4]。

規範よりも禁則の方が組織を動かす、というのはこのケースだけではないのですが、リサーチレポートの世界でも同じことが言えます。「良い書き方」の一覧より、「これはやってはいけない」の一覧の方が、目の前の下書きを直す助けになりやすい。

逆マニュアル型の3つの効き目

そこで本記事では、「良いレポートを書く7原則」ではなく「読まれないレポートの7つのアンチパターン」で組み立てます。逆マニュアル型の効き目は、大きく3つあります。

1. 目の前の下書きを「これはやってはいけないパターンAだ」と診断的にチェックできる
2. そもそも良い型を知らない読者でも、悪い実例を見ることで自分のレポートを客観視できる
3. 悪い例を修正案とセットで示すことで、抽象的な原則が具体的なテンプレに落ちる

この記事で扱う7つのアンチパターンは、次のとおりです。

• パターン1: 目的が曖昧なイントロ（SCQAが崩れる）
• パターン2: 出典が抽象的（「複数調査によれば」病）
• パターン3: 数字の桁が揃わない
• パターン4: 見出しが結論ではなく質問
• パターン5: Excel転記のような表
• パターン6: 「今後の課題」で締める
• パターン7: 冒頭に「結論」がない

7つは相互排他ではなく、実務では複数が同時に起きているケースがほとんどです。読者のみなさんは、自分の直近レポートを片手に、該当する項目にチェックを入れながら読み進めてもらえるとちょうどいいと思います。

次のセクションでは、まず読者が「レポートの入り口」で離脱してしまう3つのパターン、つまり目的が曖昧、出典が抽象的、数字の桁が揃わない、を実例と修正案で見ていきます。

入り口で読まれなくなる3パターン — 目的曖昧・出典抽象・数字の桁バラバラ

読者はレポートを最初から順に読みません。まず冒頭を眺めて「これは自分に必要か」を判断し、必要そうなら数字と出典をスキャンして信頼度を測ります。この入り口で3つのアンチパターンに引っかかると、読者はページを閉じます。

パターン1: 目的が曖昧なイントロ（SCQAが崩れる）

なぜ起きるのか

リサーチャーは調査対象への理解が深まるほど、「まず背景を丁寧に説明したい」誘惑に負けます。冒頭を「近年、生成AI市場は急速に拡大しており……」で始めるパターンですね。書き手は誠実に文脈を積み上げているつもりでも、読み手にとっては「このレポートで自分は何を判断すべきなのか」が最後まで見えない。

バーバラ・ミントが1960年代にマッキンゼーで開発したSCQA（Situation-Complication-Question-Answer）は、この誘惑への処方箋です[9]。

• Situation（状況）は、読者がすでに同意している安定した文脈を指します
• Complication（複雑化）は、その文脈で何かが変わった、あるいはうまくいっていないという事実です
• Question（問い）は、Complicationが暗黙に投げかける問いです
• Answer（答え）は、その問いへのあなたの回答で、ピラミッドの頂点にあたります

SCQAが崩れるレポートは、SituationとComplicationが混ざる、あるいはQuestionが明示されないままAnswerに飛ぶ、といった構造欠陥を起こします。

実例

ダメな例:

近年、生成AI市場は急速に拡大しており、多くの企業が導入を検討している。本レポートでは、生成AIの活用状況と課題について調査した結果を報告する。

Situationだけで終わっていて、「なぜ今このレポートを読むべきか」（Complication）が欠落しています。読者はスクロールして結論を探すか、そのままタブを閉じます。

修正案:

生成AI導入企業の72%が「PoC止まり」で本番運用に至っていない（Situation）。多くの企業がツール選定に注力する一方、業務プロセスの再設計を怠っているためだ（Complication）。ではどうすれば本番運用の壁を越えられるのか（Question）。本レポートは、成功企業に共通する3段階の移行モデルを提案する（Answer）。

Situation・Complication・Question・Answerの4要素が明示的に並んで、読者は冒頭の4文だけでレポートの目的を掴めます。

修正の型

• SituationとComplicationを1文ずつに切り分けて書き出してみる
• Questionは明示的に疑問文で書く（「では、何をすべきか」）
• Answerは名詞句ではなく「主語＋動詞」の完成した文で書く

マッキンゼーの内部標準では、エグゼクティブサマリーのうち解決策（Resolution）が全体の60〜70%を占めるべきとされ、Situation要素は10〜20%に抑えられます[2]。日本語で書く場合も、冒頭数行のうち半分以上を「答え」の側に割く感覚が近いでしょう。

パターン2: 出典が抽象的（「複数調査によれば」病）

なぜ起きるのか

時間がなくて一次ソースまで遡らなかった、あるいは記憶で書いた数字を後付けで正当化しようとする。この2つの動機が典型的です。近年はここに「AIに調べさせた要約をそのまま貼った」という第3の動機が加わりました。

ジャーナリズムの世界では以前から「a source close to〜（〜に近い筋によれば）」「according to officials（当局によれば）」といったぼかし表現は信頼性を損なうとされ、Yellowbrickなどのメディアリテラシー解説はvague attribution（曖昧な帰属）を「読み手が検証できない情報」と位置付けています[15]。

問題は倫理的な話にとどまりません。AI生成レポートに絞ると、Enagoの2026年のレビュー論文が引用したデータでは、生成AIが出す参照文献の25〜40%が完全にでっち上げで、実在するように見える引用のうち43%は書誌情報にエラーがあると報告されています[6]。GPTZeroが2025年12月にNeurIPS 2025採択論文4,841本をスキャンした結果、50本以上に確認済みのハルシネーション引用が100件以上見つかっています[6]。

AIが書いた出典っぽい何かを検証せずコピペした瞬間、レポートの寿命は読み手が最初の1件を検索した時点で終わります。

実例

ダメな例:

業界筋によれば、生成AIの導入率は前年比で大幅に増加しているという。複数の調査でも同様の傾向が報告されている。

「業界筋」「複数の調査」が誰・どれを指すのか一切分かりません。読者は数字を検証できず、書き手が数字の責任を放棄しています。

修正案:

ガートナーが2025年9月に公表した企業CIO調査（n=1,447）では、生成AI本番運用比率は前年の18%から34%へ89%増加した[出典URL, 2025年9月]。IDCの同時期の調査（n=800）でも「Production Deployment」比率が31%と近い水準を示している[出典URL, 2025年11月]。

数字と一緒に、調査主体、調査時点、サンプルサイズ、URLを添える。ジャーナリズム教育の伝統では、この4点セットが「取材源の透明性」の最低基準とされています[15]。APAスタイルは著者名と発行年を本文中に埋め込む形式を採り[8]、シカゴスタイルは脚注に完全な書誌情報を置く形式を採ります[16]。どちらの流儀でも「読者が原典に辿れる」ことが根本要件です。

修正の型

• 数字が入る文の直後に「（誰が／いつ／どこで／どうやって）」の4W1Hを最低3つ書く
• URLは「クリックして原典に着地できる」形にする（短縮URLは避ける）
• 二次ソース（メディア記事）を引くときは、その先の一次ソース（政府統計、企業IR、原著論文）へのリンクを併記する
• AIに要約を書かせた場合は、URLを1件ずつブラウザで開いて実在を確認する

パターン3: 数字の桁が揃わない（「億／兆／百万」の三つ巴）

なぜ起きるのか

日本語のビジネス文書は「億」「兆」「千万」「百万円」「M」「B」の混在に極端に弱いです。日本語の数詞は10,000（万）を基本単位にするのに対し、英語圏は1,000（thousand）を基本単位にします[13]。海外レポートを翻訳して日本語レポートに埋め込むと、無意識に「$1.2 billion」を「12億ドル」と書き、次の段落で「日本市場は500億円規模」と書き、さらに次の表で「グローバル市場は1,200百万ドル」と書く、といった三つ巴が発生します。読者は電卓を叩き直しながら読むことになり、そこで集中力は切れます。

さらに厄介なのは、桁区切りコンマの位置です。日本の一部の教科書では10,000ではなく1,0000（4桁ごと）で区切る運動もありますが[13]、ビジネス文書の慣行では3桁ごとのコンマが標準です。ここに全角と半角の混在（「1,000万円」と「１，０００万円」）が加わると、Wordの表記ゆれチェックでも拾い切れないケースが出てきます[14]。

Edward Tufteが1983年『The Visual Display of Quantitative Information』で提示したData-Ink Ratio（データ-インク比率）は、「1マイナス、情報を失わずに消去できる部分の割合」と定義されました[5]。数字表記のブレは、そのまま「読者が情報を取り出すためのオーバーヘッド」＝non-data-inkの増加を意味します。

実例

ダメな例（同一レポート内での混在）:

2025年の世界生成AI市場は約1,050億ドル。日本市場は5,500億円規模で、成長率は前年比+42%（グローバルは+58%）だった。うちEnterprise向けは12億ドル、SMB向けは4.5B USD、政府調達は1200百万ドル。

同一レポートで「億ドル／千億円／億ドル／B USD／百万ドル」が並びます。読者は暗算で単位を統一しながら読まねばなりません。

修正案:

2025年の世界生成AI市場は1,050億USD（約15.5兆円、1USD=148円換算）。日本市場は同55億USD（5,500億円）で、シェアは5.2%。成長率は前年比、日本+42%、グローバル+58%[出典1]。セグメント別内訳は下表を参照[出典2]。

セグメント	2025年（億USD）	前年比
Enterprise	12	+65%
SMB	45	+72%
政府調達	12	+38%

同じ単位（億USD）に統一し、為替換算の前提を1箇所で明記します。

修正の型

• レポート冒頭に「数字表記ルール」を1文で明記（例: 金額は原則USD建て、億USD単位、1億USD=100M USD）
• 通貨換算する場合は換算レートと基準日を明記
• 「千万」を極力使わず、億か万で統一（億に届かない場合は万単位で桁区切り）
• 表とグラフでは単位を軸ラベルに明示。本文と表で単位が違うのは論外
• Data-Ink Ratioの発想で、意味のない小数点や桁を削る（例: 「1,048億3,725万ドル」ではなく「1,050億ドル」）[5]

---

ここまでの3パターンは、レポートの入り口で読者を離脱させます。目的が曖昧、出典が抽象的、数字がバラバラ。この3つは同時に起きやすく、書き手が「早く書き終えたい」と焦ったときに揃ってしまいがちです。

次のセクションでは、読者が本文をスクロールで飛ばすときに起こる2つのパターン、つまり「見出しが結論ではなく質問」と「Excel転記のような表」を見ていきます。

構造が読者に伝わらない2パターン — 疑問形の見出しとExcel転記の表

冒頭を読んだ読者は、次に目次と見出しをスキャンしてストーリーラインを掴もうとします。ここで見出しが「〜とは？」ばかりだったり、本文中の表が20列並んでいたりすると、読者は「全部読まないと分からない」と判断してタブを閉じます。ここで起きる2つのアンチパターンを見ていきます。

パターン4: 見出しが結論ではなく質問（「〜とは？」で終わる）

なぜ起きるのか

学校教育とSEO記事の慣習で、日本人は「見出しは短い名詞句か疑問形」と刷り込まれています。「生成AIの市場動向」「日本のDX推進はどう進むか？」といった見出しは、続きを読ませるフックとしては機能しますが、読者が全体をスキャンして構造を掴む助けにはなりません。

対して、コンサルティングファームが用いる「アクションタイトル」は「1文で書かれ、それだけ読めば主張が伝わる完全な文」と定義されます。フラグメント（〜の分析、〜について）や、コロンで導かれる名詞句（「Key Findings:」）は原則使いません[17][7]。

英語の例で言うと、「Historical development in Revenue and Costs（売上とコストの歴史的推移）」のような受動的タイトルではなく、「Over the last 5 years, costs have grown 10% per year, which is double revenue growth（過去5年、コストは年10%成長し、売上成長の2倍）」と書きます[7]。動詞が主語を持ち、数字が入り、示唆が明示される。この違いは大きい。

マッキンゼーの内部標準では、エグゼクティブサマリーの最初の3スライドで戦略提言のすべてが把握できる状態が求められます。「CEOが5分で退出しても、何をすべきかは明確」であることが目標です[7]。アクションタイトルは、その5分間で読み取られる主要チャネルというわけです。

もう1つの理由として、ミント自身がピラミッド原則で指摘したのは、「見出しは下位の内容の要約でなければならない」というルールです[11]。「〜とは？」で終わる見出しは、下位に置かれた内容の要約ではなく、内容そのものへの質問です。要約になっていない見出しはピラミッド構造を破壊し、読者は「見出しだけ読んで大意を掴む」ことができなくなります。

実例

ダメな例（章見出しが質問ばかり）:

第1章 生成AI市場とは？

第2章 なぜ日本企業は導入で苦戦しているのか？

第3章 今後の課題

読者は3つの章タイトルを見ても、レポートの結論を推測できません。目次だけを見た読み手は、本文を開いて全部読まないと何も分からない状態に置かれます。

修正案（アクションタイトル化）:

第1章 生成AI市場は2027年に3,200億USDへ拡大、エンタープライズ向けが牽引する

第2章 日本企業の本番運用率が18%に留まる主因は、ツール選定ではなく業務プロセス再設計の欠如にある

第3章 移行成功企業は「経営コミット」「業務プロセス改革」「継続学習体制」の3層を同時に整備している

目次を眺めるだけでレポートの結論が把握できます。時間のない読者は本文を読まずに意思決定できる。

修正の型

• 見出しの動詞化: 「〜の現状」→「〜は○○の状況にある」
• 疑問形の禁止: 「〜とは？」を使いたくなったら、そこに書きたかった答えを見出しにする
• 数字の埋め込み: 見出しに具体的な数字が入ると、それだけで信頼度が上がる
• 15字〜40字を目安に。長すぎるとスライド1行に収まらず、短すぎると示唆が消える[17]
• 「明らかに真」な見出しを避ける（例: 「顧客獲得には強い製品提案が必要」）[7]

山口周さんの『外資系コンサルのスライド作成術』も、「1スライド1メッセージ」と「明快な主張」を繰り返し説いています[18]。日本語のスライド文化にも、アクションタイトルの発想はすでに輸入されているわけです。

パターン5: Excel転記のような表（列が多すぎ、So What不在）

なぜ起きるのか

リサーチ担当者は、集めたデータをそのまま貼り付けたくなります。「削るとせっかく集めた情報が失われる」という損失回避バイアスが働き、20列×30行のExcelがそのままレポートに転記されます。読者はどこを見ればいいか分からず、結局スクロールで飛ばします。

問題は2層あります。1つはTufteが指摘したchartjunk（チャートジャンク）、つまり「情報を伝えない視覚要素」の氾濫です[5]。もう1つはSo What不在の問題で、コンサルティングファームでは「スライド上の任意の要素を指して『So What?』と問うテスト」を通らない要素は削除するのが標準ルールになっています[19]。

表においても同じで、「この列は何を伝えたいのか」「この行はどの示唆に紐づくのか」が説明できないなら、その列や行は削るか、脚注に落とす。この判断が難しいなら、そもそも「この表で読者に何を分からせたいか」を1文で書いてから作り始めるといいです。

実例

ダメな例:

20社の企業について、社名、設立年、本社所在地、業種大分類、業種中分類、業種小分類、資本金、従業員数、売上高、営業利益、営業利益率、経常利益、当期純利益、ROE、ROIC、時価総額、PER、PBR、配当利回り、EPSを全部並べた表。

読者は「so what」を推測できません。20列のうちどれが結論に効くのか、書き手も自信を持って言えない。

修正案:

順位	企業名	業種	生成AI売上（億USD）	前年比	So What
1	Microsoft	Cloud	240	+85%	Azure OpenAI経由の企業導入が牽引
2	Nvidia	Semi	195	+142%	推論向けGPU出荷が急拡大
3	Google	Search/Cloud	155	+68%	検索AI Overviewsの広告収益化開始

「So What」列を明示的に置き、行ごとに1つのインサイトを書き切ります。20列を削って5列に絞り、代わりに「なぜ」を書く。並び順もアルファベット順ではなく「順位」＝結論に効く軸に統一します[20]。

修正の型

• 表を作る前に「この表で読者に何を分からせたいか」を1文で書く。書けなければ表を作らない
• 列数は7以内を目標（人間のワーキングメモリの上限）
• 大きな値を左、小さな値を右に配置（比較しやすい）[20]
• 各行の右端に「So What」列を設ける（あるいは表下に脚注で示唆を書く）
• ソート順は「重要度順」または「時系列」または「金額大→小」など、意味のある軸に統一
• 出典は表下に「Source: ○○, ○○年」と明記[20]

表を作る前の3秒テスト

私が実務で使っている簡易テストがあります。表を作り始める前に、次の3つの質問に3秒以内で答えられるか自問します。

1. この表で読者に「何を分からせたい」のか（1文で言える？）
2. 一番大事な列はどれか（1つに絞れる？）
3. 表を1行だけに削るとしたら、どの行を残すか（残せる？）

3つとも答えられないなら、その表はまだ「何を伝えたいか」が決まっていません。作り込む前に整理する方が結果的に早い。

---

ここまでの2パターンは、レポートの「本体」を読者がスキャンで理解できなくします。見出しが質問ばかりだと目次で結論を掴めず、表が20列並ぶと「so what」が消える。書き手が集めたデータの量に酔ってしまうと、読み手側の認知負荷が跳ね上がる。

次のセクションでは、読者が意思決定の場でレポートを使おうとしたときに引っかかる2パターン、つまり「今後の課題」で締めるのと、冒頭に結論がないことを見ていきます。この2つは、レポートの入り口と出口の両方に効くので、直すと効果が大きいです。

意思決定を止める2パターン — 「今後の課題」で締めるのと結論を先に出さないこと

7つのアンチパターンのうち、意思決定者にとって最もフラストレーションが溜まるのが「読み終えたのに何をすればいいか分からない」タイプです。ここで扱う2つは、逆に言えばこの2つさえ直せば「レポートが会議で動く」度合いが跳ね上がります。

パターン6: 「今後の課題」で締める（宿題丸投げ）

なぜ起きるのか

アカデミアの論文は伝統的に「Future Work」で締める慣習があり、ビジネスレポートもそれに引きずられて「今後の課題」で締める癖がついています。しかしビジネス文脈では、「今後の課題」で終わるレポートは意思決定者から見て「宿題を丸投げされた」に等しい。次に何をすべきか、誰がやるか、いつまでにやるか、成功はどう測るかが不明のまま、「読み終わって何も動かない」状態が発生します。

Research Rabbitの論文執筆ガイドは、「弱い結論とは、序論をそのまま繰り返すか、新しい論点や引用に脱線するもの」と指摘しています[22]。強い結論は「(1)何を主張したか、(2)何を証拠として示したか、(3)何が貢献か、(4)次の1歩は何か」を、この順で、思ったより短い言葉で書き切る[22]。

日本のビジネス書でも同様の指摘は繰り返されています。大嶋祥誉さんの『マッキンゼー流入社1年目問題解決の教科書』はマッキンゼー流の問題解決を「イシュー・ドリブン→ロジックツリー→アクション」の一貫したフローで捉え、レポートの結末は必ず「アクション」に着地させると説きます[23]。安宅和人さんも『イシューからはじめよ』で、レポートの最後は「メッセージドリブン」＝相手に力強く伝わる形でまとめる三段ロケットの最終段と位置付けています[10]。

実例

ダメな例:

以上のように、生成AI導入には多くの課題がある。今後、業務プロセスの再設計や人材育成、経営層の関与など、さまざまな取り組みが求められる。引き続き調査と検討を進めていきたい。

具体性ゼロ。誰が何をいつまでにやるかが一切示されていません。読者は「なるほど、で？」と閉じます。

修正案:

Next Actions（30日以内）

1. 経営会議アジェンダ化: 8月15日の経営会議で「生成AI本番運用比率」をKPIとして提案する。担当: DX推進本部・田中。成功基準: 経営承認を得て12月末までにKPI設定。
2. PoC棚卸し: 現在稼働中の23件のPoCを「本番化可能」「業務再設計要」「中止」に3分類する。担当: 情報システム部・佐藤。期限: 7月末。
3. 社外事例調査: 業界横並びで本番運用に成功した10社のケーススタディを収集し、共通因子を抽出する。担当: 経営企画・鈴木。期限: 8月10日。

3項目それぞれに「誰」「いつまでに」「何を成功と定義するか」が入ります。読者はこの1ページを印刷して会議に持ち込むだけで話が進みます[24]。

修正の型

• 「今後の課題」というセクション名を禁じ、「Next Actions」「30日以内のアクション」「意思決定ポイント」等に置換する
• 各アクションはSMART（Specific / Measurable / Achievable / Relevant / Time-bound）で書く[24]
• 担当は個人名（役職名ではない）まで落とす
• 期限は日付で書く（「Q3中」「近日中」は避ける）
• 成功基準（KPI）を1文で添える
• 「継続して検討」「引き続き調査」といったフレーズを禁じる

パターン7: 冒頭に「結論」がない（BLUFなし、ピラミッド違反）

なぜ起きるのか

これは日本のビジネス文書に最も蔓延している病です。「起承転結」の学校教育、「結論は最後に置くのが丁寧」という文化的規範、あるいは単に「書き手が結論に自信がない」という3つが重なります。結果として、読み手は最初の10ページを読み終えても要旨を掴めず、意思決定に必要な時間の何倍もを消費します。

BLUF（Bottom Line Up Front、結論を最初に置く）は1988年制定の米陸軍規則Army Regulation 25-50で「全通信文の標準」と定められました[4]。「効果的でない文書の最大の弱点は、焦点の合ったメッセージを素早く伝達できないこと」という診断のもと、「最重要情報を最初の1文に置く」というルールが敷かれた。2017年にはジェームズ・マティス国防長官（当時）がさらに厳格化し、全ブリーフィングを推奨で始め、支援スライドは1つのバックアップ付録に限定しています[4]。

バーバラ・ミントのピラミッド原則も同じ結論に到達します。「主張は上から下へ書く。頂点にAnswerを置き、下位で根拠を積み上げる」[11]。マッキンゼー内部標準では、エグゼクティブサマリーの最初の3スライドで「CEOが5分で退室しても、次にとるべきアクションが分かる」状態を目指します[7]。日本でも吉澤準特さんら実務家が「ビジネス資料は結論ファーストの逆三角形構造」を繰り返し説き[25]、ダイヤモンドの記事は「プレゼン資料はまず結論からズバッと入る」と1行で総括しています[26]。

TL;DR（Too Long; Didn’t Read、長すぎて読まなかった）は元々2000年代初頭のインターネット掲示板で皮肉として登場しましたが、その後プロフェッショナルライターの標準ツールに転じ、記事の冒頭に読者への敬意として置かれるようになりました[27]。40〜50語以内、H1直下という配置が推奨されます[27]。1,000語を超える記事にTL;DRを付けると離脱率が下がり滞在時間が伸びるというデータもあります。

実例

ダメな例:

はじめに、本レポートの背景について説明する。近年、生成AIの普及に伴い、企業のDX戦略は転換期を迎えている。本レポートでは、まず市場動向を概観し、次に日本企業の課題を分析し、最後に提言を行う。第1章では……

「はじめに」「まず」「次に」で始まり、結論は10ページ後という構造。忙しい読者は冒頭で離脱します。

修正案:

Executive Summary

提言: 生成AI予算の40%を「業務プロセス再設計」に振り向ける。ツール選定に注力する現状の予算配分は本番運用率18%という結果を招いている。

根拠: 本番運用に成功した企業（n=42）と失敗企業（n=115）の比較分析で、成功企業の予算配分は「ツール30%／プロセス再設計40%／人材育成30%」の3等分に近い一方、失敗企業は「ツール72%／プロセス再設計8%／人材育成20%」だった。

リスクと限界: サンプル数が少なく、業種偏り（IT・製造中心）がある。金融・医療は追加調査を要する。

意思決定期限: 2026年8月末までに次期予算の配分方針を確定する必要がある。

冒頭のExecutive Summaryだけで、意思決定に必要な提言・根拠・限界・期限が揃います。詳細は後続ページで根拠を積み上げる形になります。

修正の型

• レポート冒頭に「Executive Summary」「TL;DR」「要旨」いずれかの箱を必ず置く
• 300字前後（ハーバードビジネスレビューのハウススタイル）[21]、5〜7行を目安に
• 4要素を必ず入れる: (1)提言／回答、(2)根拠となる数字1つ、(3)想定リスクや限界、(4)意思決定期限
• 「提言:」「根拠:」を明示すると、読者はさらに5秒で構造を掴める
• Abstract（学術）とExecutive Summary（ビジネス）は目的が違う。ビジネス文書ではExecutive Summaryを、非技術用語で、意思決定者向けに書く[28]
• Abstract=論文の内容を客観的に要約するのに対し、Executive Summary=推奨まで踏み込んで書く[28]

4つの型の使い分け早見表

7つのアンチパターンを裏返した「良い型」は複数あって、どれを使うかは目的次第です。代表的な4つのフレームワークを整理すると、こんな感じになります。

型	出自	適した場面	中心概念	「NGな終わり方」
SCQA	バーバラ・ミント / マッキンゼー（1960年代）[9]	経営会議への提案、コンサルの導入スライド	Situation→Complication→Question→Answerの4段	Answerが名詞句で終わる（動詞で書く）
Pyramid Principle	バーバラ・ミント（1973年）[11]	レポート全体の骨格、章立て	頂点にメインメッセージ、下位に根拠を積む	下位が上位を要約していない
IMRAD	20世紀半ばに生物医学で確立[29]	学術論文、実験報告	Introduction / Methods / Results / Discussion	ResultsとDiscussionが混ざる
BLUF	米陸軍 Army Regulation 25-50（1988年）[4]	短いメール、意思決定リクエスト、指揮命令	最重要情報を最初の1文に	背景の説明から始める

使い分けの補助線は、次のイメージで大丈夫です。

• 社内メール1通ならBLUF一択で、「結論、期限、必要な行動」の3点を1段落にまとめます
• 経営会議の10ページ提案なら、SCQAで冒頭を締めてから、以降ピラミッドで根拠を積み上げます
• 社外向けの調査レポートなら、Executive Summary（ピラミッド頂点）を最初に置き、章立てはIMRAD的な「背景→方法→事実→示唆」を柔らかく適用します
• 学会論文や研究報告書ならIMRAD厳守で、DiscussionでSo Whatを書き、Resultsに解釈を混ぜません[29]

MECE（Mutually Exclusive, Collectively Exhaustive、重複なく漏れなく）はどの型でも通底する下位ルールで、ピラミッドの各層で「重複なく漏れなく」分解できているかをチェックします[30]。これも同じくミントが体系化した概念です。

Ghost Deck（骨組みだけのスライド草稿）は、ピラミッド原則を実践する上での作業手順として重要です[31]。20%完成度で全スライドの見出し（アクションタイトル）だけを並べ、上司やクライアントとレビューしてから中身を作り込むことで、後工程の手戻りを減らせます。日本語では「シェルデッキ」「スケルトンデッキ」とも呼ばれます。

---

ここまでで7つのアンチパターン全てを見てきました。入り口の3つ、構造の2つ、出口の2つです。次のセクションでは、AI時代ならではの新しい落とし穴、つまりWorkslopとHallucinated Citationについてと、それを踏み越えるための反復ループ運用について書いていきます。ここで Snorbe のようなナレッジグラフ型のリサーチ環境を組み合わせると、逆マニュアル型のチェックが自分1人の作業から組織の運用に育っていきます。

AI時代の逆マニュアル運用 — Workslopとハルシネーションを踏み越える反復ループ

ここまで7つのアンチパターンを見てきましたが、AI時代にはさらに新しい落とし穴が3つ加わります。WorkslopとHallucinated Citation（架空の出典）、そしてRAGの監査性不足です。逆マニュアル型で自分の下書きを診断するとき、この3つを見逃すと、いくら型が整っていても中身がスカスカのレポートを送ってしまうことになります。

AI時代の3つの新しい落とし穴

落とし穴1: Workslopの生産性ロス

冒頭でも触れましたが、BetterUp × Stanford × HBRの2025年9月の共同調査によれば[3]、労働者の40%が同僚から「AIが生成した中身の薄い成果物」を受け取ったことがあり、1件のWorkslopに対処する平均時間は1時間56分、1万人規模の組織における年間損失は約900万USドルにのぼるとされます。書き手は15分でレポートを仕上げて満足しているのに、受け手側では2時間かけて「これ、何が言いたいの？」を解読している。書き手のコスト削減が、受け手のコスト増を上回ってしまう構造です。

Workslopの主な発生源は、AIツールに下書きを作らせて内容確認せず送付する行為だと調査は指摘しています。「AI生成の要約を素通しで送る」のが最大のアンチパターン、というわけです。

落とし穴2: Hallucinated Citation（架空の出典）

Enagoの2026年のレビュー論文が引用したデータでは、生成AIが出す参照文献の25〜40%が完全にでっち上げで、実在するように見える引用のうち43%は書誌情報にエラーがあると報告されています[6]。GPTZeroが2025年12月にNeurIPS 2025採択論文4,841本をスキャンした結果、50本以上に確認済みのハルシネーション引用が100件以上見つかっている[6]。

さらに深刻なのは、Retrieval-Augmented Generation（RAG）を組み込んだツールでも同じ問題が起きることです。Perplexity Deep Researchのような検索連携型ツールでも、独立分析ではPerplexityの回答が引用元があるにも関わらず37%の割合で誤答すると2025年の調査が報告し、スタンフォード大学の研究では26%の割合で参照が捏造されているとされます[33]。「引用元があるからと言って正しく引けているとは限らない」という構造的限界がある。

対策の型はこうなります。

• AI生成の要約と一次ソースは必ず突合する
• URLは1件ずつブラウザで開く
• 数字が生成された箇所は、Google検索で数字の元をSanity check
• 生成AIに「そのURLを再度確認して」と指示しても、AIはブラウザを持たないのでハルシネーションを繰り返す。使うのはブラウザを持つツール（Deep Research系、Snorbe、Feloなど）に限る

落とし穴3: RAGの監査性不足

RAG（検索拡張生成）は生成モデルの出力を外部の検索結果に紐づけることでハルシネーションを減らす手法として広まりましたが、2026年時点のサーベイ論文が指摘する通り、標準的なRAGパイプラインは「回答の関連性と流暢さ」を最適化するように設計されており、監査可能性（auditability）は二の次です[34]。検索されたパッセージはsoft context（柔らかい文脈情報）として扱われ、生成された答えがどのソースのどの主張に基づいているかは、明示的には示されない。

高負荷ドメイン（医療、法務、金融）ではCitation-Enforced RAG（引用強制RAG）と呼ばれる派生系が提案されており、「回答内の各主張ごとに、根拠となるソースを構造化された形で埋め込む」ことを強制します[34]。ビジネスレポートの世界でも、AI活用が本格化するにつれて「引用強制」の作法がライティングの前提になっていくでしょう。

AIっぽい文体の典型シグナル

Pangram Labsやハーバードのライティングセンター系リソースが指摘するAI生成テキストの典型シグナルはこんな感じです[32]。

英語:

• 「本レポートでは〜について網羅的に解説する」といった宣言型の書き出し
• “delve into”（掘り下げる）、“underscore”（強調する）、“pivotal”（決定的な）、“in the realm of”（〜の領域で）、“embark on a journey”（旅路に出る）などの語彙偏重
• 「journey」「realm」「rich tapestry」等の比喩偏重
• 各段落が同じ長さで揃い、リズムが平坦
• リスト形式で3項目ずつ・4項目ずつが繰り返される

日本語:

• 「〜については、以下の3つのポイントが挙げられます」
• 「重要な点として、〜が挙げられます」
• 「まとめると、〜と言えるでしょう」
• 章末に「まとめ」があり、そこで本文と同じ内容を繰り返す
• 太字と絵文字とコロンの機械的な組み合わせ

これらのシグナルが自分の下書きに大量に混ざっていたら、逆マニュアル的には「送る前に手で書き直す」ステップが必要です。Grammarlyのブログも同様のAI語彙リストを公開しています[38]。

Snorbeで反復ループを組み立てる

ここからが実務の話です。7つのアンチパターン＋3つのAI時代の落とし穴を、毎回レポート作成のたびに手動でチェックしていると、いずれ疲れます。そこで「ナレッジグラフ型のリサーチ環境」を1本足に据えて、反復ループとして運用する形をおすすめします。

私たちが開発しているSnorbeは、完全記憶型のナレッジグラフを核にした調査エージェントです。特徴を3つに絞ると次のようになります。

1. 過去の調査を全てグラフに保存: Perplexity、Felo、ChatGPTはセッション単位で調査が完結してしまい、次回同じテーマを調べても記憶がゼロから始まります。Snorbeは過去の調査を全てナレッジグラフに保存し、次の調査で自動的に引き当てます。四半期ごとにレポートを更新する運用に強い
2. 専門DB群への一発接続: JPO・EPO・Google Patents・arXiv・PubMed・Semantic Scholar・e-Stat・SerpApi・Tavilyを横断して調べられます。「出典が抽象的」アンチパターンの根本治療になります
3. 自然な日本語でクエリを投げられる: Boolean検索式や検索演算子を覚える必要はありません。「生成AI本番運用率をガートナーと総務省と経産省の一次ソースを引いて調べて」と日本語で書けばOK

逆マニュアル型の反復ループ運用

Snorbeを使った具体的な反復ループはこんな流れになります。「今すぐ」「翌日」「その次」「仕上げ」の4ステップです。

• 今すぐ: 直近のダメレポートを「7つのアンチパターン」で自己診断。どのパターンに何個引っかかっているかをカウントする
• 翌日: Snorbeで「〇〇市場の生成AI本番運用率」を自然言語で調べる。ガートナー・IDC・経産省・PR TIMESの一次ソースを一発で引ける
• その次: SCQAで冒頭を書き直し、アクションタイトルで見出しを付け直す。数字表記のルールを冒頭に1文で明記する
• 仕上げ: Next Actions（担当・期限・KPI）で締める。Executive Summaryをレポート冒頭に配置する
• 継続: Snorbeのナレッジグラフに次回用の骨格を保存する。次のレポートは、前回の骨格を引き当てるところからスタートできる

反復ループにするいちばんの効き目は、「毎回ゼロから調べ直さなくて済む」ことです。組織全体でSnorbeを使うと、「同じ調査を二度やらない」体制になっていきます。書き手のコスト削減が、受け手のコスト増を招かない状態になる。Workslopの逆をいける、というわけです。

今後のトレンド — 逆マニュアル型は組織の運用に育つ

AI時代のリサーチレポートの書き方は、今後2〜3年で3つの変化が起きると予想しています。

第一に、Citation-Enforced RAGが医療・法務・金融から広がって、ビジネスレポート全般で「主張ごとに構造化された引用が埋め込まれている」ことが標準になっていきます[34]。「複数の調査によれば」で済ませられない世界がすぐそこにある。

第二に、Workslopの問題が組織のKPIに乗るようになります。「AI利用で生産性が上がった」という指標だけでなく、「受け手側の対応時間はどうか」を組織で測定する動きが出ています[3]。逆マニュアル型のチェックが、書き手の善意に頼るのではなく、送信前の必須プロセスとして組み込まれていく。

第三に、リサーチのナレッジグラフ化が標準になります。1本のレポートを完成品として置いておくのではなく、常時更新される「観測装置」として運用する。四半期ごとに市場動向を追う、競合企業の動きを追う、規制動向を追う、といったタスクは、単発レポートではなくグラフ更新の反復ループで回す方が効率が良い。Snorbeが向かっているのはまさにこの方向です。

この記事の締めとして — Next Actions

パターン6で書いたとおり、レポートの締めは「今後の課題」ではなくNext Actionsで書きます。というわけで、この記事の Next Actions もSMARTで書いておきます。

1. 今すぐ: 直近1週間で書いたレポートを1本手元に用意し、7つのアンチパターンでセルフ診断する。該当した項目にチェックを入れる
2. 明日: SCQAで冒頭を書き直し、Executive Summaryを冒頭に配置する。1時間以内
3. 今週中: Snorbeで自分の担当テーマの一次ソースを引き直し、抽象的な出典を具体的なURLに置き換える。3時間目安
4. 継続: 7つのアンチパターンのチェックリストを、チーム内のレポートレビュー標準に組み込む。1ヶ月かけて習慣化する

「良い書き方」を教える研修より、「悪い書き方を潰す」チェックリストの方が、組織を動かす。米陸軍が1988年にBLUFで示した通りです[4]。あなたのチームでも、この記事を印刷して壁に貼るくらいの気軽さで、逆マニュアル型を回してもらえたらうれしいです。

さて、あなたの直近のレポートは、7つのアンチパターンのうちいくつに引っかかっていたでしょうか。

よくある質問

Q1. リサーチレポートの書き方で最初にやるべきことは何ですか？

冒頭に「Executive Summary」「TL;DR」「要旨」いずれかの箱を置き、300字前後で「提言／根拠数字／リスク／意思決定期限」の4要素を書くことです。米陸軍のBLUF（結論を最初に置く）と同じ原則で、忙しい読者は冒頭だけで意思決定に必要な情報を掴めます。バーバラ・ミントのピラミッド原則やマッキンゼー内部標準も同じ結論に到達しています。

Q2. BLUFとは何ですか？

BLUF（Bottom Line Up Front）は、米陸軍が1988年制定のArmy Regulation 25-50で全通信文の標準として定めたルールで、「最重要情報を最初の1文に置く」原則を指します。ビジネス文書に応用する場合、レポート冒頭に提言・根拠数字・想定リスク・意思決定期限を配置します。日本語では「結論ファースト」と呼ばれることも多いです。

Q3. SCQAとは何ですか？

SCQA（Situation-Complication-Question-Answer）は、バーバラ・ミントが1960年代にマッキンゼーで開発した文章構成のフレームワークです。読者が既に同意している安定した文脈（Situation）、その文脈で何かが変わったという事実（Complication）、その変化が投げかける問い（Question）、その問いへの回答（Answer）の4段で導入を書きます。SCQAが崩れると「目的が曖昧なイントロ」になります。

Q4. Pyramid PrincipleとSCQAは何が違うのですか？

ピラミッド原則もバーバラ・ミントが1973年に体系化したフレームワークで、「主張は上から下へ書く。頂点にAnswerを置き、下位で根拠を積む」構造でレポート全体の骨格を決めます。SCQAが「導入部の4段」に焦点を当てるのに対し、ピラミッド原則は「レポート全体の階層構造」に焦点を当てる、と整理するとわかりやすいです。MECEやGhost Deckといった派生概念もミントが体系化しています。

Q5. 「今後の課題」で締めるのはなぜダメなのですか？

「今後の課題」で終わるレポートは意思決定者から見て「宿題を丸投げされた」に等しく、次に何をすべきか、誰がやるか、いつまでにやるかが不明のまま読者を放り出すからです。代わりに「Next Actions（30日以内のアクション）」というセクション名を使い、各項目にSMART（Specific / Measurable / Achievable / Relevant / Time-bound）で担当・期限・KPIを書きます。

Q6. AIが書いた出典をそのまま使うのは危険ですか？

はい、非常に危険です。Enagoの2026年のレビュー論文によると、生成AIが出す参照文献の25〜40%が完全にでっち上げで、実在するように見える引用のうち43%は書誌情報にエラーがあります。Perplexity Deep Researchのような検索連携型ツールでも、独立分析では回答の37%が誤答、参照の26%が捏造されているというデータがあります。AI生成の要約と一次ソースは必ず突合し、URLは1件ずつブラウザで開いて実在を確認する必要があります。

Q7. Workslopとは何ですか？

Workslopとは「AIで生成された、表面上ポリッシュだけかかった中身の薄い成果物」を指す造語で、BetterUp × Stanford × HBRの2025年9月の共同調査で命名されました。労働者の40%が同僚から受け取ったことがあり、1件対処するのに平均1時間56分かかり、1万人規模の組織で年間約900万USドルの生産性ロスを生むと推定されています。書き手のコスト削減が受け手のコスト増を上回る構造で、送信前に「悪いパターン」を診断する習慣が対策になります。