AI時代、なぜ「なぜ」が出てこないのか：980社・33.8万人の分析と企業研修の実践観察から、「原因を確かめる前に施策へ進む仕事」の構造を公開

データと生成AIが増えても、原因探索の問いは自動では生まれない。比較・仮説・反証・検証を仕事に組み込む10ページの実務資料

組織行動科学®︎

2026年8月25日 08時11分

組織行動科学®を提供するリクエスト株式会社（本社：東京都新宿区、代表取締役：甲畑智康）は、分析対象980社・33.8万人の業務経験データ、企業内リーダー研修における探索的な実践観察、組織の注意配分・問題形成・生成AI活用に関する既存研究をもとに、実務資料「AI時代、なぜ『なぜ』が出てこないのか」を公開しました。

本資料は、データを見て「差」に気づいた後、原因を確かめる問いが十分に表出しないまま、既知の施策へ進んでしまう仕事の構造を整理したものです。

生成AIは、与えられた問題設定に沿って、施策案を短時間で生成できます。

一方で、最初の問題設定や原因仮説が適切でなければ、原因を確かめないまま、もっともらしい対応だけが速く進む可能性があります。

本資料では、生成AIを単なる「答えを出す道具」ではなく、

観測された事実と解釈を分ける
複数の原因仮説をつくる
反証する事実を探す
不足しているデータを明らかにする
最小限の検証方法を考える

ための補助者として活用する方法も提示しています。

本リリース内で、全10ページをご覧いただけます。

本資料を公開する背景

分析対象企業の82％で、仕事の中の判断経験が減少

リクエスト株式会社は、2022年から2025年までの定点観測として、顧客接点業務・現場業務を持つ980社・33.8万人の業務経験データを分析しました。

公表済みの分析では、分析対象企業のうち、

82％で、仕事の中の判断経験が減少
58％で、上司への確認頻度が増加
64％で、前例への依存度が上昇

という傾向が確認されています。

これらは、分析対象となった980社の中で確認された記述的な傾向です。日本企業全体の母集団推計や、各項目間の因果関係を示すものではありません。

本資料では、「判断経験」を、最後に何かを決める経験だけではなく、

事実を確認する
→ 対象範囲を確認する
→ 比較して差を捉える
→ 複数の原因仮説をつくる
→ 仮説を確かめる
→ 施策を選び、結果を振り返る

という一連の経験として捉えています。

この6段階は、本資料における実務上の整理です。公表済みの業務経験データ分析が、各段階を個別に測定したことを意味するものではありません。

企業研修で見えた、「差への気づき」と「問いの止まり」

2026年8月に10社で実施した企業内リーダー研修で、ある市場の2023年、2024年、2025年の広域集計と、複数地域の比較データを提示しました。

参加者は、それまで、自分が日常的に関わる取引先や担当範囲の状況から、「この市場は伸びていない」と捉えていました。

しかし、提示した広域集計では、2023年から2025年にかけて対象件数が増加していました。

複数の研修において、参加者から「自分が見ていた範囲とは異なり、広い範囲では伸びている」という気づきが表出しました。

一方、当日の発言と対話の範囲では、

なぜ、広い範囲では伸びているのに、自分の担当範囲では伸びていないのか？
伸びている地域と伸びていない地域では、何が異なるのか？
何を確認すれば、原因仮説を確かめられるのか？

という背景への問いは、ほとんど表出しませんでした。

この研修事例は、当日の発言と対話をもとにした探索的な実践観察です。

発言として確認されなかったことを、参加者が内面でも考えていなかったことと同一視するものではありません。また、参加者個人や研修実施企業の能力を評価するものでもありません。

全10ページを公開

1ページ目では、本資料全体の問題意識と流れを示しています。

データを集めることや、差を可視化することは、原因探索の出発点です。しかし、差が見えただけでは、「何が、その差を生んでいるのか」という問いまでは自動的に生まれません。

生成AIも、与えられた問題設定に沿って答えを生成します。したがって重要なのは、AIを導入することだけではなく、AIを仕事のどの段階で使うかを設計することです。

上段の82％・58％・64％は、公表済みの業務経験データ分析で、分析対象企業の中に確認された傾向です。

下段の6段階は、その分析結果をそのまま分解したものではなく、本資料が「判断経験」を実務上どのように捉えるかを示したものです。

仕事の中で残す必要があるのは、決定権だけではありません。「何を事実として扱うか、何と比較するか、どの原因仮説を確かめるか」を考える経験も、判断経験の一部です。

このページで示しているのは、10社の企業内リーダー研修における認識の変化です。

担当範囲で見えていた状態と、広域データで見えた状態を比較することで、参加者は、担当範囲の観測をそのまま市場全体へ一般化できないことに気づきました。

ただし、本観察だけから、

なぜ問いが表出しなかったのか
参加者が内面で何を考えていたのか
個人の能力、時間、研修設計、組織制度のどれが影響したのか

を特定することはできません。

ここで問うべきなのは、個人の能力ではなく、問いが表出しやすい仕事と対話が設計されていたかという点です。

担当範囲では成果が伸びていない一方、広い集計範囲では対象件数が増えている。

この二つは、必ずしも矛盾しません。

地域、顧客、商品、販売経路、期間、母数など、観測範囲が異なれば、異なる結果は同時に成立します。

比較によって確認できるのは、主として「差があること」です。

「この原因によって差が生じた」という説明は、さらに確認と検証を必要とする原因仮説です。

そのため、施策を検討する前に、対象範囲、分母、期間、定義、データの出所、集計から外れているものを確認する必要があります。

この4条件は、今回の研修観察と既存研究を照合して整理した、実務上の解釈です。企業規模別の発生率や、各条件の因果効果を示すものではありません。

組織の注意ベース理論では、企業の行動は、意思決定者個人の能力だけでなく、組織が注意をどこへ向け、どの情報を配分するかによって形成されると考えられています。

また、問題解決では、問題の捉え直しに注意を向ける場合と、解決策の実装に注意を向ける場合とで、異なる方略が生まれることが観察研究と実験研究から示されています。

戦略的な問題を形成する際、管理者が関連する原因を見落とし、その結果、施策や戦略の有効性が損なわれる可能性も指摘されています。

つまり、「問いが出ない」状態を、本人の意欲や思考力だけに帰属させるのではなく、

何を見る仕事になっているか
何と比較する仕事になっているか
どの順番で対応を求めているか

を確認する必要があります。

組織で問題が見つかると、原因探索より先に、

誰が対応するか
何を実施するか
いつまでに行うか

が求められることがあります。

ここで最初に思いついた説明が、そのまま施策と結びつくと、複数の原因仮説を比較する過程が省略されます。

たとえば、「成果が伸びていない」
→「認知度が低いのではないか」
→「広告や販売経路を増やす」

と進む場合、「認知度が低い」は観測された事実ではなく、複数あり得る原因仮説の一つです。

問題は、施策が出てこないことではありません。

原因仮説を比較し、確かめる前に施策が決まることです。

生成AIに、「成果が伸びていない。認知度が低いことが原因だと思う。施策を10案出してほしい」と入力すれば、AIは、その問題設定を前提として、もっともらしい施策を短時間で生成できます。

しかし、この時点では、

本当に成果が伸びていないのか
どの対象、期間、分母で伸びていないのか
認知度が低いという根拠は何か
別の原因仮説はないか
提案された施策が、実際の原因に作用するのか

は確認されていません。

NISTは、生成AIに関するリスクとして、もっともらしいが誤った内容や論理を生成する「confabulation」と、利用者がAIの出力を過度に信頼する自動化バイアスを挙げています。自動化バイアスは、誤情報や回答の均質化など、他のリスクを強める可能性があります。

また、知識労働者319人から936件の生成AI利用事例を収集した2025年の調査では、その課題をAIが適切に遂行できるという確信が高い場面ほど、自己申告された批判的思考の実行が少ないという関連が報告されました。ただし、これは自己申告による相関研究であり、AI利用が批判的思考を低下させたという因果関係を証明したものではありません。

AIへの依頼を「施策の生成」から「問いの構造化」へ変えると、同じAIを原因探索の補助に使えます。

AIには、

事実、解釈、原因仮説を分ける
代替仮説を挙げる
見落としている前提を指摘する
支持材料と反証材料を整理する
不足している情報を明らかにする
小規模な検証方法を提示する

役割を持たせます。

一方、人は、データの定義・品質・分母の確認、一次情報の収集、仮説の評価、リスクと価値の判断、最終判断と説明責任を担います。

知識労働者758人を対象とした事前登録実験では、AIの能力範囲内に設定された18の知識課題で、AI利用者は非利用者より多くの課題を、より短時間で、高い品質で完了しました。一方、能力範囲外に設定された複雑な経営課題では、AI利用者が正答に到達する可能性が19ポイント低かったと報告されています。

また、P&Gの専門職791人を対象とした事前登録フィールド実験では、生成AIが成果を高め、研究開発職と商業職の専門領域を越えた、より均衡した案の形成を支援しました。一方、生成された案を評価し、選択する段階では、人間の判断に引き続き価値があることも示されています。

AIの効果は、課題、利用方法、モデル、人間との役割分担によって変わります。

AIは原因を確定する主体ではなく、原因仮説、反証条件、追加確認を整理する補助者として使う。

これが本資料の提案です。

このページの8項目は、当社の業務経験データ分析、企業研修の実践観察、既存研究を踏まえて整理した実務提案です。

その効果を比較実験によって検証した結果として提示するものではありません。

重要なのは、原因探索を一部の思考力が高い人だけに任せないことです。

会議の議題
報告書の書式
上司への相談
稟議・承認
施策提案
実施後の振り返り
AIへの入力テンプレート

に、事実確認、比較、原因仮説、反証、検証を組み込みます。

問いを出せる人を待つのではなく、「問いが生まれ、確かめられ、判断理由として残る仕事」を設計します。

最終ページでは、本資料で用いた証拠と解釈を、次の四つに分けています。

当社による業務経験データの分析
企業研修における探索的な実践観察
既存研究を踏まえた解釈
本資料による実務上の提案

この四つを混同しないことが、外部公開資料として重要です。

データは差を見せますが、差の原因を自動的に示すものではありません。

生成AIは、問いを省略して施策生成を速めることも、問いを構造化して原因探索を支援することもできます。

違いを生むのは、AIの有無だけではありません。

AIを仕事のどの段階に置くか
AIに何を問い、人が何を確かめるか
原因を理解する前に施策へ進まない構造を持っているか

という仕事の設計です。

本資料から持ち帰っていただきたい3つのこと

1．差は、原因ではない

データによって差を確認できても、何がその差を生んだかを理解するには、対象範囲、比較条件、複数の原因仮説、反証、追加確認が必要です。

2．生成AIは、問いの省略にも、問いの構造化にも使われる

問題設定を確かめずに施策を求めれば、原因探索を省略した対応が速くなります。

一方、事実・解釈・仮説の分離、代替仮説、反証条件、不足情報の整理を依頼すれば、原因探索を支援できます。

3．問いを個人任せにしない

問いが自然に出てくることを期待するのではなく、会議、報告、承認、施策提案、振り返り、AI利用の手順に、原因探索を組み込みます。

想定する活用場面

本資料は、次のような場面で活用できます。

経営会議・事業会議における問題設定の確認
地域別・事業別・商品別データの読み解き
生成AI導入時の利用ルールづくり
管理職・リーダーの問題解決研修
人材育成・人的資本施策の再設計
営業・マーケティング施策の事前検証
施策実施後の振り返り
AIへの入力テンプレートの設計

全10ページは以下よりダウンロードできます。

d68315-220-aca59e566874e05ce456e4fcf49fb465.pdf

本資料の調査・証拠上の位置づけ

当社による業務経験データの分析

分析対象980社・33.8万人の業務経験データで確認された記述的な傾向です。

日本企業全体への母集団推計や、各項目間の因果効果としては扱っていません。

企業研修における実践観察

2026年8月に実施した10社の企業内リーダー研修における発言と対話をもとにした、探索的な実践観察です。発言として表出しなかったことを、参加者が内面でも考えていなかったことと同一視していません。

既存研究を踏まえた解釈

組織の注意配分、問題形成、問題解決、生成AI利用に関する既存研究を用いて、今回の観察と整合し得る条件を整理しています。

既存研究が、当該研修場面の因果関係を直接証明したものではありません。

本資料による実務上の提案

原因探索の手順、会議の進め方、AIへの入力例は、当社分析、実践観察、既存研究をもとに構成した実務提案です。

それ自体の効果を、比較実験によって検証した結果として提示するものではありません。

主要参考文献

リクエスト株式会社（2026）「企業の82％で、AI時代に必須の『判断経験』が減少。33.8万人・980社の分析から」
Ocasio, W.（1997）“Towards an Attention-Based View of the Firm.”Strategic Management Journal.
Laureiro-Martinez, D., Arrieta, J. P., & Brusoni, S.（2023）“Microfoundations of Problem Solving: Attentional Engagement Predicts Problem-Solving Strategies.”
Organization Science.
Park, C. H., & Baer, M.（2022）“Getting to the Root of Things: The Role of Epistemic Motivation and Construal Levels in Strategic Problem Formulation.”Strategy Science.
National Institute of Standards and Technology（2024）Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.NIST AI 600-1.
Lee, H.-P. H. et al.（2025）“The Impact of Generative AI on Critical Thinking.”Proceedings of CHI 2025.
Dell’Acqua, F. et al.（2026）“Navigating the Jagged Technological Frontier.”Organization Science.
Dell’Acqua, F. et al.（2026）“The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork.”Organization Science.