AI導入の成否を分ける「問いの設計」、現場を活かす組織づくり

「これ、何に使えばいいんですか」——現場の素直な声が教えてくれること

ある日の朝礼後、製造業を営む中小企業の管理部門のマネージャーがぽつりと漏らしました。「社長にChatGPTを使えと言われて3ヶ月。正直、何を聞けばいいのかわからない。試しに『来月の売上を上げる方法を教えて』って打ち込んだら、教科書みたいな回答が返ってきた。現場では全然使えなかった」——。

このエピソードは、特別なケースではありません。実際、Pertama Partnersが2026年にまとめたレポートによると、AIプロジェクトの80%以上が失敗し、生成AI（テキスト・画像・音声などを自動で生み出すAI）のパイロット導入のうち95%は損益（損失と利益のバランス）への改善効果がゼロだったと報告されています。

興味深いのは、この失敗が「技術力の不足」や「予算の不足」ではないという点です。IntuitionLabsの企業向けAI導入失敗事例の分析は、失敗の主な原因として「目的があいまいなまま高知名度のユースケース（活用事例）を先に選んだこと」「活動の数を測るだけで、価値を測ることをしなかったこと」を挙げています。要するに、「AIに何を聞くか」を決めないまま、ツールだけを渡された現場が宙ぶらりんになっているのです。

冒頭のマネージャーの「来月の売上を上げる方法を教えて」という問いは、本人が悪いのではありません。「どういう問いを立てれば使えるか」を教えずにツールだけ渡した、組織の設計ミスなのです。

※「問いの立て方」とは、AIに入力する指示文（プロンプト）の設計のことです。具体性・前提条件・出力形式の3要素が揃うと、AIの回答品質が大きく改善します。

世界が繰り返す「同じ失敗」——問いを間違えると何が起きるか

問いを間違えたときのリスクは、使えない回答が返ってくる程度の話ではありません。大企業でも、問い方と目的設定の甘さが数億円規模の損失につながった事例があります。

たとえば、世界最大のファストフードチェーンであるマクドナルドは、IBMと共同でAI音声注文システムを試験導入しました。このシステムは「お客さんの声を聞き取って注文を受け付ける」という明快なタスクを与えられたように見えましたが、問いの設計が甘かった。「どんなアクセントや言い回し、リピート発話にも対応できる品質で動作するか」という前提確認なしに展開したため、バターとケチャップを大量注文するなどの誤認識が続出し、システムは停止に追い込まれました。また、オーストラリアのコモンウェルス銀行はAIチャットボット導入後、顧客対応の品質が落ちたことで45名のカスタマーサービス担当者を呼び戻す事態になっています。

大企業でこの状況です。中小企業では、特定の人しかAIを使えない「属人化」、試験導入が終わっても本格活用に踏み出せない「試用止まり」、そして「AIを使った」という行動の数だけが増えて、業務への効果がゼロという三重苦に陥るケースが目立ちます。

McKinseyの2025年調査では、世界の経営幹部の92%が「今後3年でAI投資を増やす」と回答しています。投資意欲は高まり続けているのに、成果を出せている組織は20%以下。この矛盾の背景にあるのは、Menlo Venturesが指摘した「ガバナンス（運営管理の仕組み）の成熟度」の差です。成功した導入と失敗した導入を分けるのは、ほぼ常に「どういう問いを、誰が、どのように管理するか」の設計力だったのです。

※上記の数値は複数の調査・レポートを統合した参考値です。御社の業種・規模・活用領域によって効果は異なります。自社の課題に照らして活用ください。

なぜ「問い方」が失敗を生むのか——失敗の構造を分解する

「使えない」と感じるAIの回答は、たいてい次の3つの問いミスから生まれています。このパターンを理解するだけで、現場での失敗の7割は防げます。

問いミス①：「広すぎる問い」——答えが汎用すぎて使えない

「売上を上げる方法を教えて」「離職を減らすにはどうすればいい」という問いは、AIにとって「どんな業種か」「規模は」「今どんな状況か」が何もわからない。結果として、どこにでも当てはまるが、どこにも刺さらない「一般論」が返ってきます。これが、「教科書みたいな回答」の正体です。

問いミス②：「成果物の形が決まっていない問い」——使い道がないものが返ってくる

「新人研修のアイデアを出して」と聞くと、AIは概念的なリスト形式で返すことが多い。しかし現場が本当に欲しいのは「来週月曜日の9時から3時間、工場の新入社員8名向けの研修プログラム（時間割・担当者名・使用資料名入り）」かもしれません。成果物の形（フォーマット・長さ・使用シーン）を指定しないと、使えない形式で返ってきます。

問いミス③：「判断者が誰かを伝えない問い」——温度感が合わない回答が返ってくる

「このクレーム対応メールを作って」と入力するだけでは、AIは「誰が読むか」「どの程度の権限者が判断するか」を知りません。現場担当者向けの砕けた文章と、取引先の役員への謝罪文では、求められる言葉が根本的に違います。「読み手の属性・関係性・判断権限」を問いに盛り込まないと、温度感のズレた文章が返ってきます。

加えて、The Case HQ Onlineの失敗プロジェクト分析が指摘する構造的な問題もあります。多くの組織が「誰がAIの出力に責任を持つか」を決めないまま活用を始めており、問いの品質管理が属人化（特定の人だけが対応できる状態）しているのです。AIの問いを「誰でも一定品質で立てられる仕組み」として整備している組織はほんの一部です。

※問いの品質管理は「プロンプト管理」とも呼ばれます。社内で使う問いのひな型（テンプレート）を整備することが第一歩です。

「問いの設計」4ステップ——中小企業でも今週から動ける手順

「問いを正しく立てる」と言うと難しく聞こえますが、実務で使えるレベルの問いの設計は4つのステップで整理できます。難解な技術知識は不要です。現場のリーダーがやること・決めることを順に確認するだけです。

この4ステップを「問いのひな型」としてドキュメント化しておくと、特定の人しかAIをうまく使えない属人化を防ぐことができます。具体的には、よく使うシーン（提案書の初稿・社内通知文・議事録まとめ・クレーム返信など）ごとにひな型を1枚ずつ用意するだけで十分です。初期の作成工数は、2〜3人が2時間集まれば5〜7シーン分のひな型が作れます。

※「問いのひな型」はExcelやGoogleドキュメントで十分です。高価な専用ツールを購入する前に、まずこのステップで成果が出るかを確認することをおすすめします。

「問いのひな型」の実例——Before / Afterで確認する

抽象的な説明だけでは腑に落ちないと思いますので、実際の「問い」の改善前後を比較してみます。ここでは、製造業・従業員25名の会社が営業提案書の初稿作成にAIを使うケースを想定しています。

この「改善後の問い」を社内で共有フォルダに置いておくだけで、AIを初めて使う担当者でも同じ品質の初稿が作れるようになります。重要なのは、この仕組み自体を作ることにAIを使う必要はない、という点です。Excelで十分ですし、最初の1枚を作る作業は人間がやるべき「設計」の仕事です。

また、Gallupの調査が示すように、AIの活用効果は「ツールを渡された人数」よりも「使い方の品質管理ができているか」に強く依存しています。1