イシューツリーは、考えるべき問いを上位のイシューから下位の論点へ分解し、何から優先して調べるべきかを整理する方法です。生成AIを使うと、切り口候補の発散、MECEチェック、サブイシュー化、仮説候補の作成、必要情報の洗い出しを効率化できます。
ただし、AIに「イシューツリーを作って」とだけ依頼すると、粒度の違う枝が混ざったり、名詞だけの論点が並んだり、もっともらしい仮説を事実のように扱ったりすることがあります。
そのため、生成AIはイシューツリーの「発散・整理・比較」を補助する役として使い、トップイシューの設定、実データ確認、仮説採否、優先順位、最終判断は人が担う必要があります。
この記事では、生成AIでイシューツリーを使う具体的な手順を、プロンプト例、出力の使い方、人が確認すべきポイント、ありがちな誤りまで含めて解説します。基本構造から確認したい場合は、イシューツリーとは?意味・使い方・具体例を参照してください。
生成AIに任せやすいこと・人が判断すべきこと
生成AIに任せやすいのは、論点の候補を広げたり、構造を整えたりする作業です。
たとえば、次の作業はAIに補助させやすい領域です。
- トップイシューから第1階層の切り口候補を複数出す
- 各枝の粒度のずれを指摘する
- 同じ意味の枝をまとめる
- 抜けている可能性がある観点を挙げる
- 名詞だけの枝を確認可能な問いへ変える
- サブイシュー候補を作る
- 各サブイシューの仮説候補を出す
- 必要情報や確認方法を洗い出す
- 優先順位付けの評価軸を提案する
一方で、人が判断すべきことは次です。
- そもそも何を答えるためのツリーか
- どの切り口が自社の問題に適しているか
- AIが挙げた仮説が実際に成立するか
- どのデータを信頼するか
- どの枝を優先するか
- どこまで深掘りするか
- 原因分析型と打ち手検討型のどちらで進めるか
- 検証結果を踏まえてどのようにツリーを更新するか
AIは「考える候補」を増やすのは得意ですが、「何が重要か」を自社の事情まで含めて確定できるわけではありません。
生成AIでイシューツリーを使う基本手順
1. トップイシューは人が定義する
最初に、何を明らかにしたいのかを一つの問いにします。
悪い入力例:
「売上について考えたい」
良い入力例:
「法人向け研修サービスの月次売上が、直近3か月で計画比20%未達なのはなぜか」
AIに渡す前に、対象、期間、基準、分析目的をできるだけ明確にします。
イシューツリーで問題を整理したいです。
トップイシュー:
法人向け研修サービスの月次売上が、直近3か月で計画比20%未達なのはなぜか
対象:
法人向け研修サービス
対象期間:
直近3か月
確認済みの事実:
- 売上は計画比80%
- 平均単価は計画比102%
未確認の仮説:
- 商談数不足の可能性
- 成約率低下の可能性
この時点では、AIに原因を決めさせません。
2. 第1階層の切り口を複数パターン出させる
最初から1つのツリーを完成させるのではなく、切り口の違う案を複数出させます。
上記のトップイシューを第1階層へ分解する案を3パターン出してください。
条件:
- 1案につき3〜5個程度
- 同じ階層の粒度をそろえる
- 上位概念と具体施策を混ぜない
- 各案の特徴と向いている場面を説明する
- 入力にない事実を追加しない
たとえば、売上の構成要素から、
- 商談数
- 成約率
- 平均単価
- 継続率
と分ける案が出るかもしれません。
人は、今回の問題を最も説明しやすい切り口かどうかを確認して採用します。
3. MECEチェックをAIに補助させる
採用した第1階層について、重複や粒度のずれを確認させます。
以下の第1階層について、
- 意味が重複している枝
- 粒度が違う枝
- 上位概念と下位施策が混ざっている箇所
- 抜けている可能性がある重要観点
を指摘してください。
完全なMECEを断定せず、修正候補として示してください。
AIの出力はチェック材料です。
完全なMECEを作ることを目的にせず、重要な抜けと重複を減らせたら次へ進みます。
4. 名詞だけの枝をサブイシューへ変える
AIが「営業」「顧客」「価格」など名詞だけを出した場合は、そのまま使いません。
以下の論点を、実際に確認できるサブイシューへ変換してください。
論点:営業
条件:
- Yes / Noまたは数値で確認できる問いにする
- 調査に使える粒度にする
- 5案出す
たとえば、
- リードから商談への転換率は低下しているか
- 初回対応までの時間は長くなっているか
- 商談数は計画を下回っているか
- 決裁者同席率は低下しているか
- 失注理由に特定傾向があるか
のように変えられます。
5. 各サブイシューの仮説を複数出させる
イシューツリーでは、枝を作るだけでなく、何を確認するかを明確にします。
サブイシュー:
リードから商談への転換率は低下しているか
このサブイシューについて、検証可能な仮説を4つ出してください。
条件:
- 入力にない事実は仮説として書く
- 人の能力だけに寄せない
- 手順、時間、チャネル、対象顧客、情報品質など複数観点を含める
たとえば、
- 初回対応が遅くなっている
- 対象外リードが増えている
- 問い合わせ振り分けが適切でない
- 初回連絡内容が顧客課題に合っていない
などが候補になります。
6. 必要情報と確認方法をAIに洗い出させる
仮説ごとに、何を見れば判断できるかを出させます。
仮説:
初回対応の遅れが商談化率低下に影響している
この仮説を確認するために必要な情報を整理してください。
出力項目:
- 必要データ
- 確認方法
- 比較軸
- 判断に使える指標
出力例:
- 問い合わせ受信時刻
- 初回対応時刻
- 商談化有無
- 担当者割り当て時刻
- 24時間以内 / 24〜48時間 / 48時間超で商談化率を比較
となります。
人は、実際に取得できるデータか、データ品質に問題がないかを確認します。
7. 優先順位の評価軸をAIに作らせる
AIに「最優先の枝を決めて」と依頼するより、優先順位付けの評価軸を作らせるほうが安全です。
以下のサブイシューに優先順位を付けたいです。
優先順位の評価軸を5つ提案し、
- なぜその軸を見るのか
- 評価に必要な情報
を示してください。
点数は勝手に付けないでください。
実務では、
- 問題への影響
- 不確実性
- 確認容易性
- 他の判断への波及
- 改善可能性
などが候補になります。
最終順位は人が決めます。
8. 検証結果に応じてツリー更新案を出させる
最初に作ったツリーを固定しないことも重要です。
仮説:
Web問い合わせが減っている
確認結果:
問い合わせ数は前年並み
一方で、商談化率は32%から19%へ低下していた
この結果を踏まえ、
- 優先度を下げる枝
- 次に深掘りする枝
- 追加すべきサブイシュー
を提案してください。
AIを使うと、検証結果を反映したツリー修正案を素早く出せます。
ただし、実際にどの枝を残すかは人が決めます。
そのまま使えるイシューツリー用プロンプト
次のプロンプトは、テーマを入れ替えて使えます。
あなたはイシューツリーの整理補助役です。
最終判断を代替せず、切り口候補、論点整理、仮説、必要情報の整理を支援してください。
【トップイシュー】
【対象】
【期間】
【基準・目標】
【確認済みの事実】
【未確認の仮説】
【依頼】
1. 第1階層の切り口を3パターン出す
2. 各案の特徴と向いている場面を説明する
3. 重複、粒度のずれ、抜けの可能性をチェックする
4. 名詞だけの枝を確認可能なサブイシューへ変える
5. 各サブイシューの仮説候補を複数出す
6. 仮説ごとの必要情報と確認方法を整理する
7. 優先順位付けの評価軸を提案する
8. 検証結果に応じたツリー更新案を出す
【条件】
- 入力にない事実を追加しない
- 仮説は仮説と明記する
- 同じ階層の粒度をそろえる
- 原因分析と打ち手検討を混ぜない
- 完全なMECEを断定しない
- 全枝を同じ深さまで掘る前提にしない
- 最終判断は人が行う前提で整理する
記入用の型が必要な場合は、イシューツリーテンプレートも併用できます。
通し例|売上未達を生成AIと一緒に整理する
トップイシューは人が設定する
「法人向け研修サービスの月次売上が、直近3か月で計画比20%未達なのはなぜか」
とします。
AIに第1階層案を出させる
複数案を比較し、人が、
- 商談数
- 成約率
- 平均単価
- 継続率
を採用します。
人が上位データを確認する
実績は、
- 商談数:計画比60%
- 成約率:計画比95%
- 平均単価:計画比102%
- 継続率:計画比98%
でした。
この時点で、商談数を優先して掘ると判断できます。
AIに商談数のサブイシューを出させる
- 新規リード数は足りているか
- リードから商談への転換率は低下しているか
- 紹介経由の商談は減っているか
- 失注顧客への再アプローチは機能しているか
などが候補になります。
AIに仮説と必要情報を整理させる
仮説A:Web問い合わせが減っている
必要情報:月別・チャネル別問い合わせ数
仮説B:商談化率が下がっている
必要情報:問い合わせ件数、商談件数
仮説C:初回対応遅延が商談化率に影響している
必要情報:問い合わせ受信時刻、初回対応時刻、商談化有無
人が実データを確認する
確認すると、
- 問い合わせ数は前年並み
- 商談化率は32%から19%へ低下
- 24時間以内に初回対応した案件の商談化率は30%
- 48時間超では12%
でした。
さらに、新しい問い合わせ振り分けルール導入後、一部案件が担当未設定のまま残っていることもわかりました。
AIにツリー更新案を出させる
この結果を渡すと、AIは、
- 「Web問い合わせ減少」の優先度を下げる
- 「初回対応までの時間」を深掘りする
- 「担当未割り当て」を追加サブイシューにする
といった更新案を出せます。
人が優先枝を決める
人は、問題への影響と実データを見て、
「問い合わせ後の初回対応遅延」
を優先論点とします。
対策へつなげる
- 問い合わせ受信時に担当を自動割り当て
- 2時間以内に未割り当て案件を通知
- 営業日の24時間以内に初回連絡
- 週次で初回対応時間と商談化率を確認
まで決めます。
生成AIはツリー作成を速くできますが、どのデータが正しいか、どの枝が本当に重要か、どの対策を採るかは人が判断しています。
具体的な実務手順は、イシューツリーのやり方で確認できます。別の適用ケースを見たい場合は、イシューツリーの具体例も参考になります。
人が必ず確認したい6つのポイント
1. トップイシューが曖昧でないか
トップが「売上について考える」のように広いと、AIの枝も散らばります。対象、期間、基準、問いを明確にします。
2. 同じ階層の粒度がそろっているか
「営業」「広告」「商談数」「担当者Aの提案力」が同じ階層にあれば、構造が崩れています。
3. 仮説を事実扱いしていないか
AIが自然な文章で出した内容でも、確認前は仮説です。実データで確かめます。
4. MECEを目的にしていないか
AIは分類を増やせますが、完璧なMECEに時間を使いすぎると検証へ進めません。
5. 全枝を同じ深さまで掘っていないか
影響の小さい枝は止め、重要な枝へ分析時間を集中します。
6. AIの優先順位をそのまま採用していないか
AIは自社の戦略、現場制約、データ品質、意思決定期限を完全には把握できません。最終判断は人が行います。
悪い使い方と改善例
悪い例1:「イシューツリーを作って」とだけ依頼する
一般的な切り口が並ぶだけで、実際の問題に合わない可能性があります。
改善
トップイシュー、対象、期間、基準、確認済み事実、未確認仮説を渡します。
悪い例2:AIが出した第1階層をそのまま採用する
粒度や役割が混ざっていることがあります。
改善
3パターン出させ、特徴・重複・粒度を比較して人が選びます。
悪い例3:AIに「MECEになるまで増やして」と依頼する
枝が増え続け、検証が進まなくなります。
改善
重大な抜け・重複のチェックに使い、一定の状態でデータ確認へ進みます。
悪い例4:AIに最優先論点を決めさせる
実データや事業影響を十分に反映できない可能性があります。
改善
評価軸を出させ、実データを使って人が優先順位を決めます。
よくある失敗は、イシューツリーで失敗しやすいポイントでも詳しく解説しています。
情報管理にも注意する
生成AIへ入力する内容には、売上、顧客情報、案件情報、失注理由、社内KPI、未公開施策などが含まれる場合があります。
利用前に、所属組織の生成AI利用ルールを確認してください。
特に、
- 顧客名・個人名
- 未公開の売上・利益情報
- 契約条件
- 営業案件情報
- 社内人事情報
- 未公開の戦略・施策
などは、そのまま入力してよいか慎重に判断します。
必要に応じて匿名化し、論点整理に必要な最小限の情報だけを渡します。
まとめ|AIには発散と整理を任せ、優先順位と判断は人が担う
生成AIを使うと、イシューツリーの第1階層候補、MECEチェック、サブイシュー、仮説、必要情報、ツリー更新案を短時間で整理できます。
一方で、トップイシューの設定、事実確認、仮説採否、優先順位、最終判断は人が担う必要があります。
実務では、「AIに完成版のイシューツリーを作ってもらう」のではなく、「AIで切り口と仮説の幅を広げ、整理を速め、人が実データで優先枝を決めて更新する」という使い方が適しています。