アフィニティダイアグラムは、ばらばらな発言・観察・メモを意味の近さでまとめ、グループ間の関係や上位概念を見つけるための方法です。
生成AIは、この整理を自動で完成させるための道具ではありません。一方で、長い発言を1カード1内容へ分ける、意味の近いカード候補を出す、グループ見出し案を考える、上位概念や関係仮説を整理する、といった補助には使えます。
重要なのは、AIに分類を丸投げしないことです。AIは元データの背景を完全には理解できず、少数意見を落としたり、似ていないカードをまとめたり、単なる共起を因果関係のように説明したりすることがあります。
この記事では、生成AIをアフィニティダイアグラムの補助に使う方法を、具体的なプロンプト例、出力の使い方、人が確認すべきポイント、誤り・限界まで含めて解説します。
アフィニティダイアグラムの意味や基本構造から確認したい場合は、アフィニティダイアグラムとは?を参照してください。人だけで進める基本手順は、アフィニティダイアグラムのやり方で確認できます。
生成AIを使うと効果が出やすい場面
生成AIは、次のような作業で補助役として使いやすくなります。
- 長いインタビュー発言を1カード1内容へ分ける
- 同じ意味を含む重複表現を見つける
- 意味の近いカード候補を複数案で出す
- グループ見出し案を具体化する
- 上位概念候補を出す
- グループ同士の関係仮説を整理する
- 企画上の問いへ変換する
- 少数意見や未分類カードを再確認する
- 人がレビューするための質問を作る
一方で、次の判断はAIだけに任せない方が安全です。
- 元発言の意味が正しく保持されているか
- どのカードを同じグループにするかの最終判断
- 少数意見を残すかどうか
- 上位概念の妥当性
- 因果関係を断定してよいか
- 企画として何を優先するか
- 次に何を検証するか
AIは「候補を広げる」「比較案を出す」「抜けを探す」役に置き、最終判断は人が行います。
1. 長い発言を1カード1内容へ分ける
アフィニティダイアグラムでは、1枚のカードに複数の論点が混ざっていると分類しにくくなります。
たとえば、営業担当者の発言が次のように長いとします。
顧客情報がメールやExcelに分かれていて、引継ぎのときに過去のやり取りが分からないし、CRMへ入力するのも面倒なので、結局自分のメモに残してしまいます。
プロンプト例
以下の発言を、1カード1内容になるように分解してください。
条件:
- 元の意味を変えない
- 1カードに1つの観察・困りごとだけを残す
- 推測や解決策を追加しない
- 元発言にない因果関係を作らない
出力候補
AIは、
- 顧客情報がメールやExcelへ分散している
- 引継ぎ時に過去のやり取りを追いにくい
- CRM入力を面倒に感じる
- 自分のメモへ情報を残している
のように分解できます。
人が確認するポイント
分解によって意味が変わっていないかを元発言と照合します。
2. 重複・言い換え候補を見つける
インタビューが多いと、似た内容が違う言葉で繰り返されます。
プロンプト例
以下のカード一覧から、意味が近い候補を抽出してください。
条件:
- 同義候補を示すだけで、自動統合しない
- 微妙に意味が違うものは「類似だが別」と記載する
- 頻度が低いカードを削除しない
出力の使い方
AIが、
- 「顧客履歴がメールに散らばる」
- 「過去対応が複数ファイルに分かれる」
を近い候補として出したら、人が実際に同じ論点か確認します。
「似ているから同じ」と即断しないことが重要です。
3. 意味の近いグループ候補を複数案で出す
AIに1つの正解分類を求めるより、複数案を出させた方が使いやすくなります。
プロンプト例
以下のカードを、意味の近さでグループ化する候補を3案出してください。
条件:
- 既存の部門名やカテゴリ名へ無理に当てはめない
- カードの意味からグループを作る
- 各案で、なぜ同じグループと考えたかを1行で説明する
- 未分類カードを無理に入れない
出力の使い方
AIが、
- 顧客履歴が分散する
- 引継ぎ時に文脈が抜ける
- 管理者が過去経緯を追いにくい
を「顧客履歴が組織で共有されていない」という候補へまとめた場合、人がカード同士の意味の近さを確認します。
4. グループ見出しを具体化する
「顧客管理」「営業」「運用」のような見出しは抽象的すぎて、何が問題か分かりません。
プロンプト例
以下のカード群に対して、内容を要約した具体的なグループ見出しを5案出してください。
条件:
- 単なる名詞カテゴリにしない
- 何が起きているか分かる文にする
- 解決策を含めない
出力候補
- 顧客履歴が個人に閉じ、組織で引き継げない
- 顧客対応の文脈が複数ツールに分散している
- 過去経緯を探すのに時間がかかる
人が確認するポイント
グループに含まれる全カードを過不足なく表しているか確認します。
5. 上位概念候補を出す
複数グループが見えたら、さらに上位の意味を整理します。
プロンプト例
以下のグループ見出しから、共通する上位概念候補を3案出してください。
- 顧客履歴が個人に閉じ、組織で引き継げない
- 管理者が要確認案件を早く把握できない
- 次に誰へ何をするかが担当者の記憶に依存する
条件:
- 抽象化しすぎない
- 元グループとの対応関係を説明する
- 解決策名にしない
出力の使い方
AIが、
- 営業情報が組織知になっていない
- 営業行動管理が個人依存している
といった候補を出したら、人がどの上位概念が実態に合うか確認します。
6. グループ間の関係仮説を出す
アフィニティダイアグラムでは、グループ同士の関係が見えると企画の問いへつなげやすくなります。
プロンプト例
以下のグループ間に考えられる関係仮説を出してください。
- CRM入力負荷が高い
- 顧客履歴が蓄積されない
- 引継ぎ時に情報が欠ける
- 管理者が案件状況を把握しにくい
条件:
- 因果関係を断定しない
- 「〜の可能性がある」という仮説として書く
- 反証に必要な情報も示す
出力候補
入力負荷が高いことで記録が減り、その結果として顧客履歴が個人に閉じ、引継ぎや管理者把握が難しくなっている可能性がある。
人が確認するポイント
これはあくまで仮説です。実際にそうかは、ログや追加インタビューで確認します。
7. 企画上の問いへ変換する
構造化しただけで終わると、企画にはつながりません。
プロンプト例
以下の構造から、解決策を決め打ちしない企画上の問いを5案出してください。
上位概念:営業情報が組織知になっていない
背景仮説:入力負荷が高いことで記録が残らず、情報が個人に閉じている可能性がある
条件:
- 「どうすれば〜できるか」の問いにする
- 特定ツール導入を前提にしない
- 次の検証につながる問いにする
出力候補
- 営業担当が入力作業を増やさずに顧客履歴を組織で共有できないか
- 次アクションを担当者の記憶に依存せず管理できないか
- 管理者が要確認案件を早く把握できないか
8. 少数意見を再確認する
生成AIは、頻度の高いパターンへ寄りやすい傾向があります。
プロンプト例
未分類カードと少数意見を一覧化し、それぞれについて確認すべき質問を作ってください。
条件:
- 頻度が低いことを理由に削除しない
- 既存グループへ無理に入れない
- 重大リスクや新しいニーズの可能性を確認する
出力の使い方
たとえば「顧客が電話記録を残したくない」という1件だけの意見があった場合、件数が少なくても、法務・プライバシー上の重要論点かもしれません。
9. 人のレビュー用チェックリストを作る
プロンプト例
このアフィニティダイアグラムを人がレビューするためのチェックリストを作ってください。
条件:
- 元データとの対応
- 1カード1内容
- グループ内の意味の近さ
- 見出しの具体性
- 少数意見
- 因果断定の有無
- 企画上の問いへの接続
を含める
出力の使い方
AIの整理結果をそのまま採用せず、レビュー観点を揃えるために使います。
通し例|営業支援サービス企画で生成AIを使う
ここでは、中小企業向け営業支援サービスの企画を例にします。
営業担当10名へのインタビューから、約60件の発言・観察メモが集まりました。
1. AIで1カード1内容へ分解
長い発言を、
- 顧客履歴がメール・Excel・個人メモへ分散
- 引継ぎ時に商談文脈が抜ける
- CRM入力が負担
- 移動中は入力しにくい
- 次アクションが担当者の記憶に依存
- 管理者が要確認案件を把握しにくい
などへ分解しました。
人は元発言と照合し、意味が変わっていないか確認しました。
2. AIでグループ候補を3案作成
AIは複数案を出しましたが、1案では「顧客管理」「営業管理」「CRM」という既存カテゴリ寄りの分類になっていました。
人はこの案を採用せず、意味の近さを優先しました。
最終的には、
- 顧客履歴が個人に閉じ、組織で引き継げない
- 次に誰へ何をするかが人の記憶に依存する
- 記録作業が重いと情報そのものが蓄積されない
- 管理者が要確認案件を早く把握できない
というグループへ整理しました。
3. 上位概念候補をAIで比較
AIから、
- 営業情報が組織知になっていない
- 営業行動管理が個人依存している
- 記録負荷が情報共有を阻害している
という候補が出ました。
人は、どれか1つに統合せず、2つの上位概念と1つの関係仮説として整理しました。
4. 関係仮説を作る
AIには因果を断定させず、仮説として出させました。
入力負荷が高いことで記録が残らず、情報が個人に閉じ、その結果として引継ぎや管理者把握が難しくなっている可能性がある。
この仮説を人がレビューし、追加確認が必要と判断しました。
5. 企画上の問いへ変換
AIで問い候補を作り、人が次の3つへ絞りました。
- 営業担当が入力作業を増やさずに顧客履歴を組織で共有できないか
- 次アクションを担当者の記憶に依存せず管理できないか
- 管理者が要確認案件を早く把握できないか
6. 解決仮説を複数案にする
問いごとに、
- メール・カレンダー・音声メモからの半自動履歴化
- 数秒で次アクションを登録できる入力方式
- 管理者向けの要確認案件表示
などの解決仮説を作りました。
ここでもAIには優先順位を決めさせず、人が顧客価値・実現性・検証コストを見て比較しました。
7. 次の検証へつなぐ
最終的に、営業担当5名へプロトタイプを見せ、
- 入力時間が本当に減るか
- 履歴の自動取得に抵抗がないか
- 次アクション登録が継続できるか
- 管理者表示が意思決定に役立つか
を検証することにしました。
この例でAIが担ったのは、カード分解、類似候補、グループ案、見出し案、上位概念、関係仮説、企画上の問いの候補出しです。
人が担ったのは、元発言との照合、最終グルーピング、少数意見の扱い、因果の断定可否、企画上の優先順位、次の検証設計です。
そのまま使える型が必要なら、アフィニティダイアグラムテンプレートを使うと、AIの出力をカード、グループ、上位概念、関係仮説、企画上の問い、次アクションへ整理しやすくなります。
具体的な案件への適用イメージを見たい場合は、アフィニティダイアグラムの具体例が参考になります。よくある失敗を先に確認したい場合は、アフィニティダイアグラムで失敗しやすいポイントも参照してください。
人が必ず確認すべきポイント
元データとの対応
AIが分解・要約したカードが、元発言の意味を保っているか確認します。
分類の妥当性
AIは既存カテゴリや単語の似ているカードへ寄せることがあります。意味の近さを人が確認します。
少数意見
頻度が低くても、重大リスクや新しいニーズの可能性があります。
上位概念
抽象化しすぎると、企画で使えない一般論になります。
因果関係
AIがもっともらしい因果を作っても、事実とは限りません。因果は仮説として扱い、必要なら追加調査します。
企画判断
どの問いを優先し、何を検証するかは、事業戦略、顧客価値、実現性、コストを踏まえて人が決めます。
生成AIの誤りと限界
既存カテゴリへ寄せすぎることがある
「営業」「顧客」「CRM」のような分類箱へ機械的に振り分け、意味の近さを弱めることがあります。
少数意見をノイズ扱いすることがある
頻度が低いカードを重要でないとみなす場合があります。
元発言にない意味を補うことがある
要約時に、「つまり〜が原因」と推測してしまうことがあります。
グループを細かくしすぎることがある
1枚ずつ独立させ、構造が見えない場合があります。
逆に統合しすぎることがある
違う意味を「似ている」とまとめてしまうことがあります。
因果を断定することがある
共起しているだけの事象を「AがBを引き起こす」と説明することがあります。
機密情報の扱いに注意する
顧客名、個人名、未公開事業案、インタビュー内容などを入力する場合は、自社の情報管理ルールに従います。
生成AIに任せすぎないためのチェックリスト
- 元発言とAIカードを照合したか
- 1カード1内容になっているか
- 推測がカードへ混ざっていないか
- 既存カテゴリへ無理に分類していないか
- グループ内の意味が本当に近いか
- 見出しが具体的か
- 少数意見を残したか
- 上位概念が抽象的すぎないか
- 因果を仮説として扱っているか
- 企画上の問いへ変換したか
- 解決策を先に決め打ちしていないか
- 次の検証へつないだか
- 機密情報を不用意に入力していないか
まとめ
生成AIは、アフィニティダイアグラムを効率よく進めるための補助役として使えます。
特に役立つのは、長い発言のカード分解、類似候補の抽出、グループ案、見出し案、上位概念候補、関係仮説、企画上の問いの作成です。
一方で、元データの意味、最終グルーピング、少数意見の扱い、因果関係の妥当性、企画上の優先順位、次の検証は人が判断する必要があります。
生成AIに「正しい分類」を作ってもらうのではなく、「候補を広げる」「別案を出す」「抜けを探す」「レビュー質問を作る」ために使うことで、ばらばらな情報を企画上の問いと次の検証へつなげるアフィニティダイアグラムを効率よく実践しやすくなります。