特性要因図は、問題や結果として現れている「特性」を右側に置き、その原因候補を大分類から枝分かれさせて整理する方法です。生成AIを使うと、大骨の分類候補、各分類の要因候補、抽象的な要因の具体化、抜けている観点、検証に必要なデータ候補を効率よく広げられます。
ただし、AIが出した要因は事実ではありません。もっともらしい原因候補でも、現場では成立しないことがあります。また、「注意不足」「教育不足」のような抽象語を大量に出したり、製造向けの4Mをどんな業務にも機械的に当てはめたりすることもあります。
そのため、生成AIは特性要因図の「発散・整理・具体化」を補助する役として使い、特性の定義、現場事実の確認、重要要因の優先順位、仮説の採用・棄却、最終的な対策は人が判断する必要があります。
この記事では、生成AIで特性要因図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。基本的な意味から確認したい場合は、特性要因図とは?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、原因候補を広げたり、分類や表現を整えたりする作業です。
AIに任せやすいこと:
- 大骨の分類候補を複数出す
- 大骨ごとの要因候補を広げる
- 抽象的な要因を観測可能な表現へ具体化する
- 中骨・小骨の深掘り候補を出す
- 抜けている観点を指摘する
- 要因仮説ごとの検証データ候補を出す
- 支持条件と反証条件を整理する
- 対策候補と再確認指標を整理する
人が判断すべきこと:
- 何を特性として分析するか
- 大骨の分類が業務に合っているか
- AIが出した要因が現場で起こりうるか
- どの要因を優先して検証するか
- 実データの正確性
- 要因仮説の採用・棄却
- 実施する対策
生成AIで特性要因図を使う基本手順
1. 特性を人が具体的に定義する
AIに最初から「原因を考えて」と依頼する前に、何の問題を分析するかを決めます。
悪い入力例:
「品質が悪い原因を考えて」
良い入力例:
特性要因図で原因候補を整理したいです。
特性:
直近1か月、製品Aの出荷前検査で外観キズ不良が1000個あたり12件発生し、目標5件以下を上回っている。
確認済みの事実:
- 新任者が3名増えた
- 一部の搬送箱で仕切り板が規定枚数未満
未確認の仮説:
- 新任者の経験不足が影響している
- 搬送時の製品同士の接触が影響している
まず、今回の問題に合う大骨の候補を3パターン出してください。
入力にない事実は追加しないでください。
AIには、事実と仮説を分けて渡します。
2. 大骨の候補を複数出させる
最初から4Mに固定せず、問題に合う分類案を複数出させます。
上記の特性について、特性要因図の大骨候補を3パターン出してください。
条件:
- 4〜6分類程度
- 製造向け4Mをそのまま使う案だけにしない
- 各分類で何を考えるか一言で説明する
- 重複が大きい分類は避ける
たとえば、
- 人
- 方法
- 設備
- 材料
- 環境
という案や、より工程寄りの別案が出るかもしれません。
人は、今回の問題で原因候補を出しやすい分類を選びます。
3. 大骨ごとの要因候補を広げさせる
採用した大骨ごとに、原因候補を複数出させます。
大骨:方法
この分類で考えられる要因候補を8個出してください。
条件:
- 特性との因果が想像できるもの
- 抽象語だけにしない
- 現場で確認可能な内容にする
- 入力にない事実を断定しない
候補として、
- 搬送時に製品同士が接触する
- 仮置き方法が不統一
- 箱詰め順序が一定でない
- 1箱あたり収納数が多い
などが出せます。
4. 抽象語を具体化させる
AIは「教育不足」「注意不足」「管理不足」などを出しがちです。
その場合は、検証可能な形へ言い換えさせます。
以下の要因候補を、現場で観測・検証できる表現に言い換えてください。
- 教育不足
- 注意不足
- 管理不足
条件:
- 何が起きている状態か具体化する
- 確認できるデータや観察項目も示す
たとえば、
「新任者向け実地訓練が1回のみで、合格基準を使った確認がない」
のように具体化できます。
5. 中骨・小骨の深掘り候補を出させる
要因候補をさらに深掘りします。
中骨:搬送時に製品同士が接触する
この要因を、さらに具体的な小骨候補へ分解してください。
条件:
- 4〜6個程度
- 現場で観察できる状態にする
- 人の注意だけに原因を寄せない
候補として、
- 1箱あたり収納数が多い
- 仕切り板が足りない
- 搬送距離が長い
- 急いで箱詰めする時間帯がある
などが出せます。
6. 抜けている観点をAIに確認させる
一度原因候補を出した後で、抜けている観点を確認させます。
現在の大骨と要因候補を確認し、抜けている観点を指摘してください。
ただし、
- 新しい事実は追加しない
- 既存分類との重複を避ける
- 追加すべき理由も説明する
この使い方は、原因候補が「人」へ偏ったときに特に有効です。
7. 検証データ候補を出させる
特性要因図に書いた内容は、まだ原因仮説です。AIには、仮説ごとに何を見ればよいか整理させます。
次の要因仮説について、検証に必要な最小限のデータを整理してください。
- 新任者の経験不足
- 仕切り板不足
- 作業台表面の傷み
各仮説について、
- 支持するデータ
- 反証するデータ
- 比較方法
を示してください。
たとえば、作業者別不良率、仕切り板規定枚数以上/未満の箱のキズ率、作業台の傷位置と製品キズ位置の照合などが候補になります。
8. 検証する順番の材料を整理させる
AIに最終順位を決めさせるのではなく、比較材料を整理させます。
次の要因候補を、
- 影響度
- 確認容易性
- 現場観察のしやすさ
- 改善可能性
の4観点で比較してください。
最終順位は付けず、人が判断する材料だけを示してください。
人は、短時間で確認でき、影響が大きそうな要因から検証します。
9. 実データをAIへ戻し、仮説更新候補を出させる
たとえば、外観キズ不良120件を確認し、
- 搬送箱内の接触痕:67件
- 作業台との接触痕:21件
- 保護フィルム剥がれ:14件
- 原因特定できず:18件
- 新任者と熟練者の不良率に大きな差なし
- 仕切り板が規定枚数未満の箱ではキズ率が高い
という結果が出たとします。
以下は確認済みの実データです。
- 搬送箱内の接触痕:67件
- 作業台との接触痕:21件
- 保護フィルム剥がれ:14件
- 原因特定できず:18件
- 新任者と熟練者の不良率に大きな差なし
- 仕切り板が規定枚数未満の箱ではキズ率が高い
この結果から、
- 優先度を下げる仮説
- 優先度を上げる仮説
- 次に確認すべきこと
を整理してください。
新しい事実は補わないでください。
AIは、「新任者の経験不足」を弱め、「仕切り板不足による製品同士の接触」を強める整理をできます。
10. 対策候補と再確認指標を出させる
重要要因が絞れたら、対策候補を整理させます。
重要要因候補:
仕切り板不足による製品同士の接触
確認済みの事実:
- 規定枚数未満の箱でキズ率が高い
- 搬送箱内の接触痕が多い
対策候補を5つ出し、それぞれについて、
- 実施内容
- 必要な変更
- 効果確認指標
を示してください。
候補として、仕切り板の必要枚数標準化、補充場所変更、使用前チェック、収納数上限設定などが出せます。
そのまま使える特性要因図用プロンプト
あなたは特性要因図の整理補助役です。
最終的な原因判定を代替せず、大骨、要因候補、深掘り、検証観点の整理を支援してください。
【特性】
【確認済みの事実】
【未確認の仮説】
【対象業務・工程】
【判断期限】
【依頼】
1. 問題に合う大骨候補を3パターン出す
2. 各大骨の要因候補を広げる
3. 抽象語を観測可能な表現へ具体化する
4. 重要そうな中骨を小骨へ深掘りする
5. 抜けている観点を指摘する
6. 各要因仮説の検証データ候補を出す
7. 支持条件と反証条件を示す
8. 影響度・確認容易性・改善可能性の比較材料を出す
9. 実データを受けて仮説更新候補を出す
10. 重要要因が絞れた後の対策候補と再確認指標を出す
【条件】
- 入力にない事実を追加しない
- 図に書いた要因を原因確定扱いしない
- 人だけに原因を寄せない
- 4M・5M・6Mを固定的に使わない
- 抽象語だけで終わらせない
- 最終的な優先順位・採否・対策は人が決める
記入用の型が必要な場合は、特性要因図テンプレートも併用できます。
通し例|外観キズ不良を生成AIと一緒に分析する
人が特性を決める
「直近1か月、製品Aの出荷前検査で外観キズ不良が1000個あたり12件発生し、目標5件以下を上回っている」
とします。
AIに大骨候補を出させる
複数案を比較し、人が、
- 人
- 方法
- 設備
- 材料
- 環境
を採用します。
AIに要因候補を広げさせる
人:持ち方、新任者経験、手袋交換
方法:搬送時接触、仮置き方法、箱詰め順序
設備:搬送治具、作業台、仕切り板
材料:保護フィルム、梱包材
環境:仮置き場所、繁忙時間帯の作業スペース
などを出させます。
AIに抽象語を具体化させる
「注意不足」という候補が出た場合は、
- 仮置き位置が明示されていない
- 使用前チェック項目がない
- 手順の確認箇所が多すぎる
など、観測可能な状態へ言い換えます。
人が優先候補を決める
影響度と確認容易性から、
- 新任者の経験不足
- 仕切り板不足
- 作業台表面の傷み
を先に確認します。
実データを確認する
外観キズ不良120件について、
- 搬送箱内の接触痕:67件
- 作業台との接触痕:21件
- 保護フィルム剥がれ:14件
- 原因特定できず:18件
でした。
さらに、
- 新任者と熟練者の不良率に大きな差はない
- 仕切り板が規定枚数未満の箱ではキズ率が高い
ことを確認しました。
AIに仮説更新候補を出させる
AIには、
- 新任者経験不足の優先度を下げる
- 仕切り板不足による接触の優先度を上げる
- 仕切り枚数とキズ率の関係を追加確認する
などの整理をさせます。
最終的な判断は人が行います。
人が対策を決める
- 仕切り板の必要枚数を標準書へ明記
- 補充場所を作業エリア内へ変更
- 搬送箱の使用前チェックを追加
- 1箱あたり収納数の上限を設定
します。
同じ指標で再確認する
次の1か月、外観キズ不良が1000個あたり12件から6件へ低下したとします。
ここまで確認して初めて、対策が有効だった可能性が高いと判断できます。
生成AIを使うことで原因候補の発散は速くなりますが、現場データの確認、重要要因の採否、対策の実行判断は人が担っています。
具体的な手順は、特性要因図のやり方で確認できます。別の適用例を見たい場合は、特性要因図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. AIが入力にない事実を追加していないか
AIは、典型的な原因を事実のように補うことがあります。現場確認前は仮説として扱います。
2. 大骨が問題に合っているか
製造向け4Mを、サービス業やプロジェクトへそのまま当てはめないようにします。
3. 人に原因が偏っていないか
「注意不足」「経験不足」だけでなく、手順、設備、情報、環境、承認などの条件も確認します。
4. 抽象語で止まっていないか
「管理不足」「教育不足」は、観測可能な状態へ具体化します。
5. 図に書いた要因を原因確定扱いしていないか
特性要因図に書いた内容は、原則として検証前の要因仮説です。
6. 対策後に再確認しているか
同じ指標で対策前後を比較し、改善しなければ別の要因仮説へ戻ります。
悪い使い方と改善例
悪い例1:「この問題の原因を全部出して」とだけ依頼する
特性が曖昧なままだと、AIの出力も広がりすぎます。
改善
特性、対象、期間、指標、確認済み事実を渡します。
悪い例2:AIが出した4Mをそのまま使う
業務に合わない分類で重要観点が抜ける可能性があります。
改善
複数の大骨案を出させ、人が採用します。
悪い例3:AIが出した要因をそのまま原因扱いする
AIの候補は仮説です。
改善
各要因について支持条件、反証条件、必要データを出させます。
悪い例4:AIに重要要因と対策を決めさせる
現場制約や業務上の優先度はAIだけでは判断できません。
改善
AIには比較材料と対策候補を整理させ、人が最終判断します。
よくある失敗は、特性要因図で失敗しやすいポイントでも詳しく解説しています。
他のフレームワークと使い分ける場合
特性要因図は、1つの問題に対して原因候補を広く洗い出し、構造的に整理するのに向いています。
一方、MECEは論点の抜け・重複を減らす考え方、ロジックツリーは原因や打ち手を階層的に分解する方法です。
違いを整理したい場合は、MECEと特性要因図の違い、ロジックツリーと特性要因図の違い、MECE・ロジックツリー・特性要因図の使い分けを参考にしてください。
情報管理にも注意する
生成AIへ入力する内容には、品質不良、顧客クレーム、設備異常、担当者情報、原価、製造条件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
- 未公開の製造条件
- 品質不良の詳細
- 設備仕様
- 原価情報
- 社内評価情報
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、分析に必要な最小限の情報だけを渡します。
まとめ|AIには原因候補の発散と具体化を任せ、原因判定は人が担う
生成AIを使うと、特性要因図の大骨候補、要因候補、中骨・小骨の深掘り、抽象語の具体化、抜け観点、検証データ候補を短時間で整理できます。
一方で、AIが出した要因は事実ではありません。入力にない前提が混ざっていないか確認し、現場データで検証し、重要要因の採否と最終対策を人が判断する必要があります。
実務では、「AIに原因を決めてもらう」のではなく、「AIで原因候補を広げ、具体化し、人が現場事実で絞り込み、対策後に同じ指標で再確認する」という使い方が適しています。