Kepner-Tregoe法は、複雑な問題を一気に解こうとせず、状況整理、問題分析、意思決定、潜在的問題分析を分けて進める方法です。
生成AIは、この4つの分析を自動で正解へ導く道具ではありません。一方で、論点を分解する、IS / IS NOTを整理する、原因候補を広げる、Must / Wantの比較材料を整える、実行前のリスク候補を洗い出す、といった補助には使えます。
重要なのは、AIに事実や判断を任せないことです。現場で何が起きているか、どの原因が本当に事実を説明するか、どの条件がMustか、どの案を採用するかは、人が確認・判断する必要があります。
この記事では、生成AIをKepner-Tregoe法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。
Kepner-Tregoe法の基本構造から確認したい場合は、Kepner-Tregoe法とは?を参照してください。人だけで進める基本手順は、Kepner-Tregoe法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。
- 複数の問題を整理して論点を分ける
- 優先順位付けの観点を洗い出す
- 問題文を具体化する
- What / Where / When / ExtentのIS / IS NOTを整理する
- 違い・変化から原因候補を広げる
- 原因候補が事実を説明できるか確認質問を作る
- Must / Wantの候補を整理する
- 対策案の比較観点をそろえる
- 潜在的な問題、兆候、予防策候補を洗い出す
一方で、次の判断はAIだけに任せない方が安全です。
- 現場で起きている事実
- 測定値や不良率
- 本当の原因
- Must条件の正式決定
- Wantの重み付け
- 対策案の最終採否
- 実行リスクの優先順位
- 予防策・発生時対応の正式決定
AIは「候補を広げる」「抜けを探す」役に置き、最終判断は人が行います。
1. 状況分析で論点を分解する
プロンプト例
以下の状況を、Kepner-Tregoe法の状況分析として整理してください。
状況:
- 製品Aの外観キズ不良が増えている
- 出荷遅れも発生している
- 新人作業者が増えた
- 第2組立ラインで設備変更があった
条件:
- 問題を1つにまとめず、別論点として分ける
- 各論点について緊急度・影響度・拡大傾向を確認する質問を作る
- 不明な数値は推測しない
出力の使い方
AIは、
- 外観キズ不良
- 出荷遅れ
- 新人教育
- 設備変更影響
のように論点を分けられます。
人は、どの論点を先に扱うかを、実際の品質影響・顧客影響・納期影響で決めます。
2. 問題文を具体化する
プロンプト例
以下の問題文を、Kepner-Tregoe法の問題分析で使えるよう具体化してください。
元の表現: 「最近、製品Aのキズが増えている」
条件:
- What / Where / When / Extentが確認できる質問を作る
- 数値や場所を勝手に補わない
- 問題文は事実確認後に人が確定する前提にする
出力の使い方
AIは、
- どの製品か
- どのラインか
- いつからか
- 不良率はどの程度か
- どのキズ種類か
といった質問を出せます。
人が事実を確認し、たとえば、
製品Aの第2組立ラインで、第2週以降、外観キズ不良率が0.8%前後から3.2%へ上昇している
と問題文を確定します。
3. IS / IS NOTを整理する
プロンプト例
次の事実を、What / Where / When / ExtentのIS / IS NOTで整理してください。
事実:
- 製品Aで不良が増えている
- 製品Bでは増えていない
- 第2組立ラインで増えている
- 第1組立ラインでは増えていない
- 第2週から増えた
- 他の不良種類は増えていない
条件:
- 入力にない事実は追加しない
- ISとIS NOTの差から、確認すべき「違い」を質問化する
出力の使い方
AIは、
- What:製品AはIS、製品BはIS NOT
- Where:第2ラインはIS、第1ラインはIS NOT
- When:第2週以降はIS、第1週以前はIS NOT
- Extent:外観キズは増加、他不良は増加なし
のように整理できます。
この整理自体は事実の再配置です。AIに原因を決めさせず、差を生んだ変化点を次に確認します。
4. 違いと変化から原因候補を広げる
プロンプト例
以下のIS / IS NOTの違いと変化から、原因候補を複数出してください。
事実:
- 第2ラインだけ不良増加
- 第2週から増加
- 第2ラインのみ第2週から新トレーへ切替
- 製品Bでは増えていない
条件:
- 原因を断定しない
- 各候補が、どの事実を説明できるかを書く
- 説明できない事実も示す
- 検証方法を候補化する
出力の使い方
AIは、
- 新トレーのガイド接触
- 作業者の押し込み方
- 搬送設備の振動
- 特定ロットの表面強度
などを候補にできます。
人は、候補ごとに「製品Bでは増えていない」「第1ラインでは増えていない」という事実まで説明できるかを確認します。
5. 原因候補の検証方法を作る
プロンプト例
原因候補「新トレーのガイド接触」を検証する方法を考えてください。
条件:
- 安全で実施可能な方法を複数出す
- 何が起きれば仮説支持、何が起きれば否定寄りかを書く
- 現場条件は推測しない
出力の使い方
AIは、
- 旧トレーへ一時的に戻して不良率を比較
- 新旧トレーで接触痕を比較
- ガイド寸法を測定
といった候補を出せます。
実際の現場では、旧トレーで100台流し、不良率が通常水準へ戻るかを確認する、という検証が考えられます。
ここで重要なのは、AIが「原因は新トレー」と言っても、それだけでは採用しないことです。
6. 対策案をMust / Wantで整理する
プロンプト例
以下の対策案を、Kepner-Tregoe法の意思決定分析で比較するため、MustとWantの候補を整理してください。
対策案:
- 旧トレーへ戻す
- 新トレーを改修する
- 保護シートを追加する
- 搬送姿勢を変更する
条件:
- MustとWantを混同しない
- Mustは満たさない案を除外する条件として候補化
- Wantは比較評価の観点として候補化
- 正式な基準や重みは人が決める前提にする
出力の使い方
AIは、Must候補として、
- 品質基準を満たす
- 安全基準を満たす
- 既存設備で実行可能
Want候補として、
- 導入速度
- コスト
- 再発防止効果
- 作業負荷
などを出せます。
人は、どれが正式なMustか、Wantの重みをどうするかを決めます。
7. Wantの重み付けをレビューする
プロンプト例
以下のWant評価案をレビューし、重み付けに偏りがないか確認する質問を作ってください。
- 導入速度:5
- コスト:3
- 再発防止効果:5
- 作業負荷:2
条件:
- 正解の重みを決めない
- 「なぜその重みか」を確認する質問を出す
- 後付け評価になっていないかを見る
出力の使い方
AIは、
- 導入速度と再発防止効果を同じ5にした根拠は何か
- コスト3は予算制約と整合しているか
- 採用したい案に有利な重みへ後から変えていないか
といった質問を出せます。
8. 潜在的な問題を洗い出す
プロンプト例
新トレー改修を実行する前に、Kepner-Tregoe法の潜在的問題分析として、起こり得る問題候補を出してください。
条件:
- 原因
- 発生可能性
- 影響
- 予防策候補
- 兆候候補
- 発生時対応候補
を整理する
- 発生可能性や影響度を勝手に数値化しない
出力の使い方
AIは、
- ガイドを削りすぎて保持性が落ちる
- 製品Bで干渉が起きる
- 改修済み・未改修トレーが混在する
- 受入時の寸法確認が漏れる
などを候補化できます。
人は、現場経験や設備条件を踏まえて、どれを重要リスクとして扱うか決めます。
9. 予防策と発生時対応を分ける
プロンプト例
以下の潜在的問題について、「発生前に行う予防策」と「発生した場合の対応」を分けて整理してください。
潜在的問題:改修済みトレーと未改修トレーが混在する
条件:
- 予防策と事後対応を混同しない
- 誰が実施するかは推測しない
出力の使い方
AIは、
予防策候補:
- 改修済みトレーへ識別ラベルを貼る
- 保管場所を分ける
発生時対応候補:
- 混在が見つかったら対象ロットを切り分ける
- 使用履歴を確認する
といった整理ができます。
通し例|生成AIをKepner-Tregoe法の補助に使う
製品Aの第2組立ラインで、外観キズ不良率が0.8%前後から3.2%へ上昇したケースを考えます。
1. 状況分析
担当者は、AIへ複数の現象を入力し、
- 外観キズ不良
- 出荷遅れ
- 新人教育
- 設備変更
へ論点を分けさせました。
人が品質・顧客影響を確認し、最優先で外観キズ不良を扱うと決めました。
2. 問題分析
AIへWhat / Where / When / Extentの質問を作らせ、人が事実を確認しました。
結果は、
- What:製品Aで増加、製品Bでは増加なし
- Where:第2ラインで増加、第1ラインでは増加なし
- When:第2週から増加
- Extent:外観キズ不良率が0.8%前後から3.2%へ上昇、他不良は大きな変化なし
でした。
AIへ差と変化を整理させると、「第2ラインのみ第2週から新トレーへ切替」という変化が目立ちました。
3. 原因候補の発散
AIは、
- 新トレーのガイド接触
- 作業者の押し込み
- 搬送設備振動
- 特定ロットの表面強度
を候補として出しました。
人は、それぞれがIS / IS NOTの事実をどこまで説明できるか比較しました。
新トレーのガイド接触は、第2ラインのみ、第2週以降という事実を広く説明できました。
4. 原因検証
AIに検証方法候補を出させ、人が安全性と現場条件を確認した上で、旧トレーへ一時的に戻して100台流す検証を選びました。
結果、不良率は通常水準へ戻り、新トレーではガイド接触痕も確認されました。
ここで初めて、新トレーのガイド接触を主原因と判断しました。
5. 意思決定分析
対策案は、
- 旧トレーへ戻す
- 新トレーを改修
- 保護シート追加
- 搬送姿勢変更
です。
AIにMust / Want候補を出させ、人が正式条件を決定しました。
短期では旧トレー復帰、恒久対応では新トレー改修を採用しました。
6. 潜在的問題分析
AIに新トレー改修のリスク候補を出させると、
- 削りすぎ
- 製品B干渉
- 改修品混在
- 寸法確認漏れ
が挙がりました。
人が重要度を確認し、
- 寸法標準化
- 製品A / B両方での検証
- 改修済み識別ラベル
- 受入時の寸法確認
を予防策として設定しました。
この例でAIが担ったのは、論点分解、質問作成、IS / IS NOT整理、原因候補の発散、Must / Want候補、潜在リスク候補の洗い出しです。
一方、人が担ったのは、事実確認、優先順位、原因検証、主原因判断、正式な評価基準、採用案、予防策の確定です。
そのまま使える型が必要なら、Kepner-Tregoe法テンプレートを使うと、AIの出力を状況分析、問題分析、意思決定分析、潜在的問題分析へ整理しやすくなります。
具体案件での適用イメージを追いたい場合は、Kepner-Tregoe法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、Kepner-Tregoe法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
事実
AIは現場を見ていません。製品、ライン、開始時期、不良率、設備変更などは人が確認します。
原因
AIはもっともらしい原因候補を出せますが、仮説にすぎません。IS / IS NOTの事実と検証結果で確認します。
Must / Want
AIが出した評価項目は候補です。正式なMust条件とWantの重みは、業務制約と意思決定者が決めます。
採用案
点数が高いから自動採用ではありません。Mustを満たすか、実行可能か、重大リスクがないかを人が確認します。
潜在リスク
AIは一般的なリスクを出しがちです。現場固有の設備、品質、安全、契約、法務リスクを人が追加します。
生成AIの誤りと限界
存在しない事実を補うことがある
不足情報をもっともらしい数値や条件で埋めることがあります。
最初の原因候補を断定することがある
変化点が目立つと、それを原因と決めつける場合があります。
一般的な対策へ寄ることがある
「教育を強化する」「チェックを増やす」のような抽象策へ流れることがあります。
MustとWantを混同することがある
「できれば満たしたい条件」をMustへ入れたり、逆に必須制約をWantへ入れたりします。
点数計算を正しさと誤解させることがある
評価表が整っていても、基準や重みが不適切なら結論も不適切です。
機密情報の扱いに注意する
品質不良、顧客情報、設備条件、契約条件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
- AIが補った事実をそのまま使っていないか
- 問題文を人が事実で確定したか
- IS / IS NOTへ存在しない情報を追加していないか
- 原因候補を複数比較したか
- 原因を検証してから対策へ進んだか
- Must条件を人が正式に決めたか
- Wantの重み付けに根拠があるか
- 点数だけで採用案を決めていないか
- 潜在的問題を実行前に確認したか
- 予防策と発生時対応を分けたか
- 現場固有のリスクを追加したか
- 機密情報を不用意に入力していないか
まとめ
生成AIは、Kepner-Tregoe法を効率よく実践するための補助役として使えます。
特に役立つのは、状況分析での論点分解、問題分析でのIS / IS NOT整理、原因候補の発散、意思決定分析でのMust / Want候補、潜在的問題分析でのリスク・予防策候補の洗い出しです。
一方で、事実確認、原因確定、評価基準、採用判断、実行リスクの優先順位は人が担う必要があります。
生成AIにKepner-Tregoe法の結論を出してもらうのではなく、「候補を広げる」「抜けを探す」「検証質問を作る」ために使うことで、4つの分析を効率よく進めやすくなります。