イシューツリーの作り方｜AIで広げて人で絞る3テンプレ

※本記事はイシューツリーを「実装テンプレ」で学びたい方向けです。「イシューツリーとは何か」の基礎概念や作り方の5ステップから丁寧に知りたい方は、先にイシューツリーとは？AI調査で論点を分解する5つのコツをお読みください。

この記事の要点（結論から）

• イシューツリーは「疑問形で書く × MECEで分ける」の2点さえ守れば、誰でも今日から描けます
• この記事では「新規事業テーマ探索」「顧客課題深掘り」「意思決定」の3ユースケース別に、実物テンプレ + そのまま使えるAIプロンプトを用意しました
• AI活用のコツは「AIで広げ、人間で絞る」の作法と、別セッションでMECEクロスチェックさせる二段構え
• テンプレの末端ノード（調べるべきデータ）を AIリサーチエージェントで継続更新する反復ループが、これからのイシューツリーの新しい姿です

イシューツリーとは？ まずは30秒でおさらい

イシューツリーとは、解きたい問題を「疑問」の形で頂点に置き、それを枝分かれさせて階層で整理する図のことです。もともとはマッキンゼーなど戦略コンサルの現場で長く使われてきた道具で、日本語では「論点ツリー」とも呼ばれます。[8]

たとえば「なぜ売上が落ちているのか？」を頂点に置いたとします。その下に「客数が減っているのか？」「客単価が下がっているのか？」の2つを置くと、それだけでもう最初の分岐ができます。この作業をあと2〜3層ぶん繰り返すと、問題の全体像が1枚の図に収まります。

似た言葉に「ロジックツリー」があります。ロジックツリーはもっと広い概念で、What（何が問題か）／Why（なぜ起きるか）／How（どう解くか）を分解する図の総称です。イシューツリーはその中でも「Why」と「What」に絞って、疑問を階層化するタイプだと思ってください。[4]

なぜ「疑問形」で書くのか

ここが最初のつまずきどころです。多くの人は最初、「売上減少」「顧客離れ」といった名詞で書いてしまいます。ですが、それだと「解くべき課題」ではなく、ただの「現象の羅列」になってしまうんですね。

疑問形で書くと「答えを出すべき問い」が明確になります。頂点の問いに答えられたら、そのプロジェクトは終わり、というくらいのつもりで問いを立てるのがコツです。マッキンゼー出身者の実務者ノートでも、この点は徹底されている論点でした。[20]

MECE で分ける5つのパターン

イシューツリーで一番大事な作法が MECE（ミーシー）です。Mutually Exclusive（お互いに重ならず）、Collectively Exhaustive（全部を網羅する）の頭文字で、日本語では「モレなくダブりなく」と訳されます。[7]

MECE に分ける方法は大きく5つあります。[9]

1. 数式で分解する（例: 売上 = 客数 × 客単価）
2. プロセスで分解する（例: 認知 → 検討 → 購入 → 継続）
3. 構造で分解する（例: 内部 vs 外部、既存 vs 新規）
4. 2軸マトリクスで分解する（例: 顧客 × 商品）
5. 想定シナリオを網羅する（ケース法）

「どのパターンで分けるべきか」に迷ったら、まず数式かプロセスから試します。この2つが一番外しにくいです。

さて、ここまでが基礎の30秒サマリーでした。ここからは、実務で本当によく使う3つのテンプレを、実物とAIプロンプトつきで紹介していきます。「テンプレA. 新規事業テーマ探索用」「テンプレB. 顧客課題深掘り用」「テンプレC. 意思決定用」の3本立てです。あなたの今の仕事に近いものから読んでみてください。

テンプレA. 新規事業テーマ探索用イシューツリー（AIプロンプト付き）

新規事業のテーマを探すときに使うテンプレです。「どの領域に投資するか？」という会話が経営会議で始まると、たいていの場合、話は空中戦になります。ここで1枚のイシューツリーを持っていくと、議論が一気に地に足のついたものになります。

テンプレAの骨格

Q0（頂点）: 「私たちはどの新規事業に投資すべきか？」

Q1レイヤ（3分岐）:

• Q1-1「私たちが強みを持てる領域はどこか？」 …… コア・コンピタンス起点
• Q1-2「これから伸びる市場はどこか？」 …… 市場成長性起点
• Q1-3「既存事業とのシナジー最大化はどこか？」 …… アンゾフの成長マトリクス起点

Q2レイヤ（Q1-2「これから伸びる市場」を分解した例）:

• Q2-1「PEST の4象限（政治・経済・社会・技術）で見て伸びる領域は？」
• Q2-2「TAM/SAM/SOM の規模で見て狙える領域は？」
• Q2-3「顧客のジョブ（片づけたい仕事）で未充足の領域は？」

この3層をまず埋めることで、経営会議に持っていける最低ラインの粒度になります。ここで大事なのが、末端ノード（Q2の下）ごとに「何を調べたら答えが出るのか？」を1行で書いておくこと。ここが抜けると、ツリーは描いた瞬間から死んでしまいます。

なぜこの3分岐なのか

Q1レイヤの3分岐は、新規事業論でよく言われる「自社の強み × 市場性 × シナジー」の三点セットに対応しています。アンゾフの成長マトリクスは、既存製品／新製品 × 既存市場／新市場 の4象限で成長戦略を整理する古典的なフレームです。[11]

Q1-2の下にある「TAM/SAM/SOM」は、市場規模を三段階で見積もる考え方で、TAM が理論上の最大市場、SAM が現実的に取り得る市場、SOM が短期に取り得るシェアを指します。この段階を意識しないと、「市場は大きいが自社では取れない領域」に突っ込むリスクが上がります。

Q2-3の「ジョブ（Jobs To Be Done）」は、ハーバード・ビジネス・スクールの故クレイトン・クリステンセン教授が提唱した理論です。顧客は商品を買っているのではなく、「特定の状況で成し遂げたい進歩」を実現するために商品を雇用（hire）していると考える枠組みで、新規事業のテーマ探索とは相性がとても良いです。[12]

そのまま使えるAIプロンプト

以下をコピペして ChatGPT / Claude / Gemini に投げてください。［］の中身だけ書き換えれば動きます。

あなたは新規事業開発のコンサルタントです。
下記の会社について、新規事業テーマ探索用のイシューツリーを
3層で作ってください。

会社: [業界・売上規模・強み]
制約1: 3年以内に初年度売上10億円到達を狙う
制約2: 既存事業との人材・技術シナジーがある領域を優先

出力形式:
- Q0(頂点の問い): 疑問形で1文
- Q1レイヤ(3分岐): それぞれ疑問形。MECEになっているか自己チェックしてください
- Q2レイヤ(各Q1につき2〜3分岐): 疑問形。同上
- 各末端ノードの下に「調べるべきデータ」を1行で

最後に、MECEチェックの結果として「分岐に重複や漏れがあるとしたらどこか」を200字以内で自己批評してください。

「自己批評させる」の部分がポイントです。AIは何も言わないとMECE違反のツリーを平気で吐きますが、自己批評を最後に付けさせると精度が体感で2〜3割上がります。私も何度も試して、この一手間の効果を感じています。

なお、コロンビア大学 SIPA の実務レポートでは、PE（プライベート・エクイティ）のテーマ探索で「全支配 / 部分支配 / 支配なし」の3分岐でイシューツリーを組んだ事例が紹介されています。業界別に大きな支配権の取り方から入るのも、Q1レイヤの候補として面白い切り口です。[10]

テンプレB. 顧客課題深掘り用イシューツリー（AIプロンプト付き）

顧客課題を深掘りするときのテンプレです。プロダクトマネージャー、UXリサーチャー、マーケター、営業戦略の担当者が「顧客の本当のニーズが見えない」と感じたときに、まず1枚描いてみるものだと思ってください。

テンプレBの骨格

Q0（頂点）: 「顧客はなぜこの商品を選ばないのか？（あるいは離脱するのか？）」

Q1レイヤ（購買ファネル4分岐）:

• Q1-1「そもそも認知されていないのか？」
• Q1-2「認知されているが検討候補に入っていないのか？」
• Q1-3「検討はされるが購入に至らないのか？」
• Q1-4「購入するが継続しないのか？」

Q2レイヤ（各Q1につき、「なぜそうなるのか？」で分解した例）:

• Q2-1「顧客のジョブ（片づけたい仕事）に届いていないから？」
• Q2-2「競合の代替解決策の方が『速い / 安い / 簡単』だから？」
• Q2-3「そもそも想定顧客像とジョブが実態とズレているから？」

このQ1の「認知 → 検討 → 購入 → 継続」の4分岐は、購買ファネルをそのまま論点にした型です。プロセスで分けているのでMECEになりやすく、しかも実務者にとって議論しやすい単位になっています。

ジョブ理論と組み合わせる理由

Q2レイヤで登場する「ジョブ」は、先ほども触れたクリステンセン教授のジョブ理論（Jobs To Be Done）の概念です。

顧客はドリルを買っているのではなく「壁に穴を開ける」という仕事を片づけるためにドリルを雇用している、というやつですね。もっと言えば「壁に穴を開けて棚をつけて、家族に喜ばれたい」というのが本当のジョブかもしれません。[12]

顧客課題を深掘りするときに「なぜ買わないのか？」と単純に問うだけだと、答えは「値段が高いから」で終わってしまいがちです。ですがジョブ理論のレンズを通すと、「そもそも競合のドリルのほうが穴を開けるジョブを速く片づけられるから」「棚をつけるジョブなら、そもそも壁掛けフックというもっと簡単な代替解決策があるから」といった別次元の答えが見えてきます。

そのまま使えるAIプロンプト

顧客インタビューのログや、Amazon / 楽天のレビュー、Twitter / X の投稿などを入れて動かせます。

あなたはUXリサーチャーです。
下記の顧客インタビューログ（または顧客の声）を読み、
「顧客課題深掘り用イシューツリー」を組んでください。

顧客の声: [ここに転記]
対象商品/サービス: [名前と一言説明]

出力形式:
- Q0(頂点の問い): 顧客が抱える最上位の問題を疑問形で1文
- Q1レイヤ: 購買ファネル4分岐(認知 / 検討 / 購入 / 継続)、それぞれ疑問形
- Q2レイヤ: 各Q1に対して「なぜそうなるのか?」をジョブ理論の観点で2〜3分岐
- 各末端ノードの下に「次に検証すべき仮説」を1行で

最後に、この顧客の声の中で「解像度がまだ低い部分」を200字以内で指摘してください。

このプロンプトで得られるツリーは、そのままユーザー調査の設計図になります。末端の「検証すべき仮説」がインタビュー質問や、行動ログの計測項目にそのまま落とせるからです。

私が最初にこの型でツリーを作ったとき、思わずうなったのは「認知はされているが検討にすら入っていない」という発見でした。それまでは購入率のカイゼンばかり考えていたのですが、そもそも土俵に上がっていなかったんですね。イシューツリーが1枚あるだけで、こういう「思い込みのズレ」が可視化されます。

やってはいけないこと

顧客課題深掘り用のテンプレで陥りやすいのが、Q1の分岐を「機能・価格・使いやすさ」の3つで切ってしまうパターンです。これだと、供給者目線になってしまい、顧客のジョブが見えません。必ずファネル（購買プロセス）か、ジョブ（成し遂げたい進歩）で切るようにしてください。

テンプレC. 意思決定用イシューツリー（AIプロンプト付き）

「A案とB案、どちらでいくべきか？」を決めるときに使うテンプレです。厳密にはデシジョンツリー（決定木）とイシューツリーの混成型なのですが、実務では境目が曖昧なまま一緒に使うことが多いので、ここではまとめて扱います。

テンプレCの骨格

Q0（頂点）: 「A案とB案（と、場合により C案）、私たちはどれを選ぶべきか？」

Q1レイヤ（判断軸3分岐）:

• Q1-1「期待リターンはいくらか？」 …… 金額 × 確率で期待値を出す
• Q1-2「取れるリスクはいくらまでか？」 …… 最悪ケースの下振れ
• Q1-3「戦略的整合はあるか？」 …… ミッションや中計との一致度

Q2レイヤ（各Q1について案別に展開）:

• Q2-1「A案の期待リターン / B案の期待リターン」
• Q2-2「A案の最悪ケース / B案の最悪ケース」
• Q2-3「A案の戦略整合 / B案の戦略整合」

デシジョンツリー本来の使い方では、期待値（EMV: Expected Monetary Value）を計算します。EMV = 各結果の確率 × その結果のリターン、を全部足したもの、ですね。[13]

具体的な計算例をひとつ挙げます。ある投資機会について、成功確率が60%で成功時のリターンが1000万円、失敗確率が40%で失敗時の損失が300万円だったとします。EMV = 0.6 × 1000 + 0.4 × (-300) = 480万円。この480万円を、別の投資機会のEMVと比較して意思決定に使う、という考え方です。

3つの判断軸に分ける理由

期待値だけで意思決定するのは危険です。理由は2つあります。

ひとつ目は、期待値が高くても「最悪ケースで会社が倒れる」ような案は選べないから。カジノで期待値が正でも、一発で破産するギャンブルには手を出さないのと同じです。

ふたつ目は、そもそも「なぜ我々がこの意思決定をするのか？」という戦略的な文脈があるから。中計に「モビリティに全ベット」と書いてあるのに、期待値が高いからと言ってヘルスケアに投資したら、組織はガタつきます。

だからこのテンプレでは「期待リターン × リスク下限 × 戦略整合」の3軸で見るようにしています。日経ビジネスもイシューツリーを意思決定支援の道具として紹介しています。[6]

そのまま使えるAIプロンプト

あなたは経営企画の意思決定支援役です。
下記の選択肢について、意思決定用イシューツリーを組み、
最終的にどれを推奨するか、確率とリターンの期待値を交えて答えてください。

選択肢A: [概要 / 想定投資額 / 想定リターンと成功確率]
選択肢B: [概要 / 想定投資額 / 想定リターンと成功確率]
選択肢C: [同上、あれば]

会社の中計: [1〜2行で]
リスク許容度: [下振れいくらまで許せるか]

判断軸:
- Q1-1 期待リターン(EMV = 確率 × リターン)
- Q1-2 最悪ケースの下振れ
- Q1-3 中計との戦略整合

出力形式:
- 3層のイシューツリー
- 各末端ノードに定量値(数字)
- 推奨案とその理由(150字)
- 意思決定を再検討すべきトリガー条件を3つ

「意思決定を再検討すべきトリガー条件」を最後に書かせるのがポイントです。意思決定は一度したら終わりではありません。「もし〇〇が起きたら見直す」を先に決めておくと、あとから「あのとき決めたことだから」と思考停止するのを避けられます。

ツールで描くなら

Miro、Lucidchart、draw.io、Confluence の意思決定ツリーテンプレートあたりが定番です。[14] Excel でも十分描けますが、複数人で議論するときはオンライン共同編集ツールに軍配が上がります。

急いでいるなら、まず紙とペンで書いてみる、というのも本当におすすめです。手を動かすと分岐の粗さが自分でわかります。

AI時代の「育つイシューツリー」を Snorbe で回す

ここまで3つのテンプレを紹介してきましたが、実は共通する弱点があります。イシューツリーは描いた瞬間から古くなっていく、ということです。

3ヶ月前に「TAM は 500億円」と書いた末端ノードは、いまも 500億円のままでしょうか。競合の動き、規制の変化、新しい論文、特許出願の傾向 …… これらは日々更新されていきます。ですがツリーは静的な図なので、放っておくと単なる過去の意思決定の記録になってしまいます。

「AIで広げ、人間で絞る」の作法

イシューツリーとAIの相性を考えるとき、覚えておきたい考え方があります。それが「AIで広げ、人間で絞る」です。ConStep のコンサル論考でも整理されている作法で、AIは短時間で多数の分岐候補を出せるが、その中から意味のあるものを選ぶのは人間、というものです。[15]

実装パターンはシンプルです。

1. 1つ目のAIセッションで、テンプレA〜Cのプロンプトを使ってイシューツリーを生成させる
2. 別のAIセッション（あるいは同じセッションでも別プロンプト）で「上のツリーを、MECEの観点で漏れ・重複を指摘してください」とクロスチェックさせる
3. 人間が最終的に、どの分岐を採用しどれを棄却するか決める

この3ステップを踏むだけで、AIが吐くツリーの精度は体感で大きく上がります。マッキンゼー流の構造化プロンプトが Reddit で 100万インプレッションを超えたのも、この「AIに MECE を強制するテクニック」が求められていたからでしょう。[16]

末端ノードをナレッジグラフにつなぐ

「AIで広げ、人間で絞る」までは、多くの人が今日から始められます。ですが本当に強いのはその次です。イシューツリーの末端ノードを、AIリサーチエージェントに投げて情報を継続更新することです。

たとえばテンプレAの末端ノードに「TAM/SAM/SOM の規模で見て狙える領域は？」と書いたとします。この論点は、ふつうの検索エンジンだと解けません。市場調査レポート、業界統計、政府データ、企業IR、特許、論文などをまたいで調べる必要があります。

私たちが開発しているSnorbe は、こうした横断的なリサーチをナレッジグラフ型のAIリサーチエージェントが自動で回してくれる仕組みです。JPO（日本特許）、EPO（欧州特許）、Google Patents、arXiv、PubMed、Semantic Scholar、Statista、CB Insights、Tavily といった専門データベースを、クエリ構文を意識せず自然な日本語で投げられます。

しかも Snorbe は完全記憶型のナレッジグラフを持っていて、一度調べたことをすべて自分の記憶として蓄積していきます。今日「TAM は 500億円」と書いた末端ノードに、来週、新しい市場調査レポートが出たら、そのノードが自動で更新されるイメージです。

週次で回す反復ループの実装例

具体的にこんな流れで回せます。

• 月曜: 経営会議の前にテンプレAでイシューツリーを描く
• 火曜: 末端ノードごとに Snorbe に投げて、最新のデータを取得
• 水曜: 取得したデータをもとに、末端ノードの下の「調べるべきデータ」を「結論と根拠」に書き換える
• 木曜〜金曜: Q1レイヤに戻って、分岐を追加すべきか、棄却すべきかを再検討
• 翌月曜: 更新されたツリーを次の経営会議に持ち込む

この反復ループを4〜6週回すと、最初は空白だったツリーが「意思決定できる粒度」まで育ちます。しかも、判断の背景データがナレッジグラフに全部記録されているので、あとから「なぜあの判断をしたのか」を追いかけられます。

McKinsey が 2026年に出したレポート State of Organizations では、リーダーの 86% が「自組織はAI導入の準備ができていない」と回答した一方で、4人に1人は「AIエージェントは近い将来、自律的なチームメイトになる」と予測していました。[18] 論点整理のスキルは、この agentic shift のなかで「AIに何を任せるかを分解する能力」として再評価されているように感じます。

イシューツリーは、AIが強くなればなるほど価値が上がる道具です。ぜひ今日、まずは1枚描いてみてください。そして、末端ノードの更新を反復ループにしていく道具として、Snorbe を試してもらえたら嬉しいです。Snorbeを試してみる

よくある質問（FAQ）

Q1. イシューツリーとロジックツリーの違いは何ですか？

ロジックツリーは What / Why / How で問題を分解する図の総称です。イシューツリーはその中でも、頂点と分岐を「疑問形（論点）」で書くタイプを指します。日本語では「論点ツリー」とも呼ばれます。実務では厳密に区別せず使うことも多いですが、「疑問形で書く」を意識するだけで議論の質が上がります。

Q2. 何層まで分解すべきですか？

一般的には3〜4層が扱いやすいです。2層だと荒すぎて論点になりませんし、5層以上だと1枚に収まらず全体像が見えなくなります。まず3層で描いて、必要に応じて特定の枝だけ4層目に降りていくのがおすすめです。

Q3. AIに「イシューツリー作って」と投げても現象の羅列になってしまいます

これはよくある失敗です。3つの対処が効きます。ひとつ目は、Q1・Q2をすべて疑問形で出させるようプロンプトで明示すること。ふたつ目は、末端ノードに「調べるべきデータ」を1行で書かせること。みっつ目は、別セッションでMECEクロスチェックさせて、漏れや重複を指摘させることです。

Q4. MECEに分解できないときはどうすればいいですか？

まず数式分解（例: 売上 = 客数 × 客単価）とプロセス分解（例: 認知 → 検討 → 購入 → 継続）を試してください。この2つが最もMECEを維持しやすいパターンです。それでも難しいときは、無理にMECEにこだわらず「重要な論点を8割カバーできていればいい」と割り切ることも実務ではありえます。

Q5. 顧客インタビューログをそのままAIに投げていいですか？

個人情報を伏せてから投げてください。名前、企業名、電話番号、メールアドレスは伏字化するのが安全です。企業のAIポリシーで「入力データが学習に使われないか」を確認するのも大切です。ChatGPT の Team / Enterprise プランや、法人向けの Claude / Gemini なら学習には使われない設定にできます。

Q6. イシューツリーを描いたあと、何から手をつけたらいいですか？

末端ノードから優先度をつけて、上位3つに絞ってリサーチに入るのが定石です。全部を同時に調べようとすると必ず途中で止まります。「この3つが解ければ、頂点の問いにも答えが出る」というノードを人間の判断で選ぶ、これが「AIで広げ、人間で絞る」の実践です。