AIの回答が一般論に見える理由｜アイデアの組み合わせを広げる方法

専門家が生成AI（入力した文章に応じて文章や案を作るAI）へ事業案を尋ねたとき、返答が既知の一般論に見えることがあります。AIの回答が間違っているとは限りません。専門家が普段使っている評価軸（候補を比べる観点）や、現場だけが知る制約が、質問文に入っていない可能性があります。

「もっと意外な案を1つ」と頼んでも、奇抜さだけでは納得感は増えません。新奇さと、顧客の課題への適合性、実行できる条件は分けて評価します。

使い方を変えるなら、専門家が先に変数（候補を作る要素）と制約を決め、AIには選択肢の組み合わせを広く列挙させます。私が、候補を広げてから採否を人間に戻す切り替えで大事だと思うのは、証拠と経験を判断に残すことです。

AIの回答が浅く見えるのは、答えが悪いからだけではありません

専門家がAIの回答を浅いと感じるとき、AIが何も知らないとは限りません。問題に固有の評価軸が質問文に入っていないため、AIが広い問いに対する無難な候補を返している可能性があります。

生成AIは、入力された条件から文章や案を組み立てます。専門家が頭の中で当然だと思っている条件は、入力しなければAIには見えません。たとえば新規事業担当者が「自社の強みを使った新しい事業案を出してください」と頼んだ場合、AIは顧客、課題、販売経路、収益の形を自分で仮定します。返ってきた案が整っていても、専門家が重視する条件とずれていれば、既視感だけが残ります。

AIが問題固有の評価軸を持たないまま候補を組み立てるという説明は、公開研究から直接証明された因果関係ではありません。生成AIが既知のパターンを組み替えて候補を作り、意味の幅を広げる一方で、候補の集合全体が多様になるとは限らないという論考から、実務上の仮説として導ける範囲です。生成AIによる発想支援を論じた研究も、AIの効果をタスクや入力から切り離して説明していません。

人間が追加するのは、「もっと賢く答えてください」という注文ではありません。専門家が顧客にとって外せない条件、すでに持っている資産、許容できないリスクを言葉にすることです。私には、評価軸を先に言語化すると、AIの回答を読む姿勢も変わるように見えます。「正しいか間違いか」だけでなく、「どの条件を組み合わせ、何をまだ試していないか」と読めるからです。

「意外な案を1つ」では、納得できる理由まで増えません

AIの回答が一般論に見えると、次は「もっと意外な案を出してください」と頼みたくなります。ただ、新奇さを上げる指示は、顧客の課題に合う理由や、実行に必要な条件まで自動で補ってくれるわけではありません。

創造的な案は、新しいだけでは足りません。公開研究では、新奇さと有用性・適合性を分けて評価します。新しいけれど目的に合わない案と、使えそうだけれど既知の案は、別の理由で候補から外れます。生成AIの発想研究が示す新奇さと有用性・適合性の二軸は、事業案を読むときにもそのまま使えます。

たとえば企画担当者が、法人向けの新サービスを考えているとします。AIが「異分野の技術を組み合わせた新しい基盤」を提案しても、顧客が誰か、今の営業経路で届けられるか、社内に運用できる人がいるかが不明なら、意外なだけで止まります。企画担当者が見るべきなのは、珍しさではなく、珍しさを生む組み合わせと成立条件です。

候補の集合にも注意が要ります。ある物語生成実験では、個々の案の新奇さや有用性が高く評価された一方、AIを使った案同士の類似性も高まりました。研究結果の報告は、個別候補の評価と、候補群の広がりを別々に見る必要を示しています。事業案でも、最初の一案を磨く前に、顧客・課題・提供価値の組み合わせを変えた候補が残っていないかを確認するほうが安全です。

面白いのは、AIへの依頼を「最も意外な案を1つ」から変えられることです。「顧客課題、提供価値、販売経路の候補を組み合わせ、各案の適合条件と反証すべき前提を示してください」と頼みます。AIに幅を出させ、専門家が理由を確かめる順番なら、奇抜さを競うだけの発想から抜けられます。

専門家が変数を決めると、AIは組み合わせ探索に変わります

AIに自由に発想させると、何を試したのか、何が未検討なのかを比べにくくなります。どうやら、専門家が先に変数を決め、各変数の選択肢を示すだけで、AIの役割は自由作文から決められた範囲の組み合わせを列挙する仕事へ変わります。

変数と選択肢を組み合わせる考え方は、設計方法論の形態学的分析（問題を構成する要素と選択肢を表にして、組み合わせを調べる方法）と接続します。設計空間を定義し、意味のない組み合わせを早めに落とし、残った候補を詳しく調べる方法です。設計学会の方法論資料は、組み合わせを増やすこと自体ではなく、探索する空間を管理することを重視しています。

新規事業の企画なら、専門家は次のような変数を自分の仕事に合わせて置きます。表の各行が候補を作る要素で、選択肢の組み合わせが一つの案になります。

顧客、課題、提供価値、接点、資産の表を作るのは専門家です。AIは表の行を勝手に増やすのではなく、専門家が指定した選択肢を横断して候補を出します。候補数が増えすぎたら、専門家が選択肢を減らすか、先に外せない条件を追加します。組み合わせの数を最大化しません。

依頼文も、単発のアイデア募集から候補の走査へ変えます。たとえば次のように書きます。

次の変数と選択肢だけを使い、組み合わせ候補を列挙してください。
各候補について、顧客にとっての価値、成立に必要な条件、既存資産との接続、反証すべき前提を分けて示してください。
法規制に触れる案、現時点で確認できない前提に依存する案、既存の営業経路では届けられない案には印を付けてください。
最も良い案を1つに決めず、組み合わせの違いが分かるように並べてください。

計算機創造性に関するプレプリント（査読前に公開された研究資料）は、異なる抽象度の概念を検索し、構成要素を再結合する枠組みを扱っています。研究の対象は科学的な研究アイデアであり、事業案へそのまま一般化はできません。それでも、何をどこから持ってきて、どの要素を組み合わせるのかを指定するという考え方は、自由作文より検討範囲を説明しやすくします。

企画・研究・営業では、探索する変数が変わります

組み合わせ探索は、すべての仕事で同じ表を使う方法ではありません。企画担当者、研究担当者、営業担当者がそれぞれの判断軸を変数にし、AIが候補を広げる範囲を決めます。三つの例は研究結果そのものではなく、公開研究の方法論を実務へ移すためのものです。

企画担当者は、顧客課題と自社資産を組み合わせる

企画担当者が最初に決めるのは、顧客、課題、提供価値、接点、自社資産です。AIには、同じ顧客に別の価値を届ける案、自社のデータを別の課題へ使う案、既存の営業経路を使う案を並べさせます。企画担当者は、候補ごとに顧客の困りごとが観察できるか、社内に提供責任を持てる人がいるかを確認します。

「新しい市場を探して」と頼むだけなら、AIが市場名や流行語を並べて終わることがあります。「顧客の困りごと」と「使える資産」を先に限定すると、企画担当者は、どの組み合わせをまだ試していないかを比較できます。

研究担当者は、問いと検証方法を組み合わせる

研究担当者がAIに任せるのは、研究の正しさを決めることではありません。研究対象、観察したい現象、使えるデータ、検証方法、応用先を変数にし、問いの組み合わせを列挙させます。研究担当者は、先行研究と矛盾しないか、必要なデータへアクセスできるか、検証結果を再現できるかを確かめます。

構造化された会話で設計機能を分解し、複数の案を比較する研究では、自由入力だけでなく、機能や下位機能を定める工程が置かれていました。構造化会話AIを使った発想支援の査読論文は、何を比較するかを先に定義する重要性を示す材料になります。

構造化会話AI研究の対象は設計課題です。研究担当者の判断を置き換える証拠ではないため、構造化の考え方だけを実務上の参考にします。

営業担当者は、顧客状況と証拠を組み合わせる

営業担当者が定義する変数は、顧客の状況、困っている業務、提案できる自社資産、提示できる証拠、接触経路です。AIには、同じ顧客状況に対して複数の提案の組み合わせを出させ、必要な確認事項も添えさせます。営業担当者は、顧客の発言や契約条件など、直接確認できる一次情報と候補を照合し、実際に約束できる提案だけを残します。

製品イノベーション課題を使ったワーキングペーパーは、AI利用者の提案が機能部門の境界を越える可能性を報告しています。製品開発におけるAI協働の研究資料は、明確な課題と評価環境がある場合の研究です。営業担当者が顧客情報を入れずに同じ結果を期待することはできません。

三つの例に共通するのは、AIが業務の目的を決めていないことです。専門家が先に「何を変数として数えるか」を決め、AIに候補の取りこぼしを減らす役割を持たせます。変数を増やすほど良いわけでもありません。専門家は、判断に使える範囲で始めます。

最後に人間が絞るための評価表を先に作ります

候補を広げたあとに人間が行うのは、AIへ「どれが正解ですか」と聞くことではありません。専門家が先に評価表を作り、AIの流暢な説明や意外さに左右されず、候補を同じ基準で比べます。

公開研究では、アイデアの流れを問題定義、候補生成、評価、実装候補の選択に分けて説明します。創造的な問題解決における人間とAIの比較を紹介する研究記事も、AIが候補を出したことと、候補を評価して選ぶことを別の段階として扱っています。候補生成と評価を別段階に置くと、AIの役割と人間の責任を分けられます。

先に外せない条件を確認する

専門家は、候補を点数化する前にハード制約（満たせなければ候補から外す条件）を確認します。法規制に触れる、必要なデータを取得できない、既存契約と衝突する、社内に提供責任を持つ部署がない、といった条件です。AIには条件に該当する候補を分類させても、事実の確認と最終判定は専門家が行います。

点数より、判断の理由を残す

ハード制約を通った候補は、次のような質問で比べます。

AIは各候補を顧客適合、実行可能性、証拠の強さ、差別化、探索上の価値という評価軸に沿って比較し、足りない情報や反対意見を出せます。評価点をつけてもらうことはできますが、点数の意味を決めるのは人間です。研究対象の異なる結果を一つの実務ルールへ変えるときは、対象と限界を確認します。

AIとの協働方法を比べたプレプリント（査読前に公開された研究資料）では、AIが人間の案を主導して書き換える場合と、人間に質問や提案を返して考えを進める場合で、品質だけでなく多様性や所有感（自分が考えたと感じる感覚）の組み合わせが異なりました。生成AIとの協働方法を比較した研究資料の対象と条件は事業企画と同じではないため、ここから言えるのは設計上の示唆までです。専門家が問いと評価基準を持つほど、AIの役割を候補の列挙と比較支援に限定しやすくなります。

最後に、残った候補を一つに決める前に、採用理由と不採用理由を人間の言葉で書きます。私なら、採用候補には最初に確かめる事実と小さく試す方法を付け、不採用候補にはどの制約に当たったのかを残します。AIに候補の幅を出させても、判断の責任は人間が持ちます。専門家がAIを使いこなす境目は、そこにあると思います。

よくある質問（FAQ）

Q1. 生成AIの回答が一般論に見えるのはなぜですか？

専門家が普段使っている評価軸や現場の制約が、質問文に入っていない可能性があります。AIが間違っていると決める前に、顧客、課題、資産、販売経路、許容できない条件を確認してください。

Q2. 「意外なアイデアを出して」と頼むだけでは不十分ですか？

新奇さは上がっても、顧客への適合性や実行条件が増えるとは限りません。候補と一緒に、成立条件、既存資産との接続、反証すべき前提を出させると比較しやすくなります。

Q3. 組み合わせ探索で最初に決める変数は何ですか？

企画なら顧客、課題、提供価値、接点、資産から始めます。研究なら問い、対象、データ、検証方法、応用先、営業なら顧客状況、業務課題、提案資産、証拠、接触経路を候補にできます。

Q4. 研究テーマの発想にも組み合わせ探索を使えますか？

使えますが、AIが研究の正しさを判定するわけではありません。研究担当者が先行研究、データへのアクセス、検証可能性を確認し、AIには問いと方法の組み合わせを列挙させます。

Q5. 営業企画では人間が何を判断しますか？

営業担当者は、顧客の実際の発言や契約条件と候補を照合し、約束できる提案だけを残します。AIには複数の提案候補と確認事項を出させますが、顧客に伝える内容と提案の責任は営業担当者が持ちます。

Q6. AIが出した候補を全部評価する必要がありますか？

すべての候補を評価しなくても構いません。専門家がハード制約と探索範囲を先に決め、明らかに条件外の候補を落としてから、残った候補をハード制約後の評価表で比べます。候補を増やしすぎると評価負荷が上がるため、打ち切り条件も人間が決めます。

調査手法について

こちらの記事はグラフAIリサーチプラットフォームのSnorbeを使って作られています。Snorbeは研究開発・新規事業向けの調査テーマに応じた幅広い項目のオートリサーチや、ナレッジグラフの構築、構造化レポートの生成ができるAIリサーチツールです。

Screenshot

調査したいテーマを入力するだけで、AIが深堀りすべき観点や広げるべき調査項目をレコメンドしながら、自動でリサーチを進めます。収集した情報はナレッジグラフとして蓄積され、未調査領域（ホワイトスペース）を可視化しながら調査の網羅性を高めていけます。

また、観点マトリクスを30秒・構造化レポートを10分で自動生成する機能があり、出典付きのレポートをMarkdown/PDF形式でエクスポートできます。調査の元データも保存されるため、ファクトチェックや社内共有も容易です。

ご利用をご希望の方は、こちらよりお申し込みください。

また、グラフAIを活用した社内ナレッジ管理や、研究開発・新規事業のリサーチ支援、セルフホスト導入のご相談も受け付けています。お困りの方はお気軽にご連絡ください。

冨田到

市場調査やデスクリサーチの生成AIエージェントを作っています 仲間探し中 / Founder of AI Desk Research Agent @deskrex , https://deskrex.ai

www.deskrex.ai/