MENU

生成AIでKepner-Tregoe法を使う方法|プロンプト例と人が確認すべきポイント

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。

目次

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。

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!
目次