MENU

生成AIで7Sを使う方法|プロンプト例と人が確認すべきポイント

生成AIは、7Sを自動で「正しく分析する」ための道具ではありません。一方で、Strategy・Structure・Systems・Shared Values・Style・Staff・Skillsの7要素について、情報を整理する、抜けを探す、要素間のズレ候補を出す、施策案を広げる、といった補助には使えます。

重要なのは、AIが出した分析をそのまま組織診断として採用しないことです。実際の組織構造、評価制度、意思決定の癖、暗黙の価値観、人材配置、強みとなるスキルは、社内事情を知る人が一次情報で確認する必要があります。

この記事では、生成AIを7S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。

7Sの意味や基本構造から確認したい場合は、7Sとは?を参照してください。人だけで進める基本手順は、7S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。

  • 7要素ごとの情報を分類する
  • 現状情報から不足質問を作る
  • StrategyとStructureのズレ候補を出す
  • StrategyとSystemsの不整合候補を探す
  • Shared Valuesと実際の行動の差を整理する
  • Styleと意思決定プロセスの関係を言語化する
  • StaffとSkillsの不足候補を整理する
  • 要素間の因果仮説を複数出す
  • 優先課題候補を比較する
  • 90日・180日の施策案を広げる

一方で、次の判断はAIだけに任せない方が安全です。

  • どの情報が事実として正しいか
  • 暗黙の価値観や社風の実態
  • 誰が意思決定権を持つか
  • 評価制度や人事制度の正式ルール
  • 人材配置の変更可否
  • 優先課題の最終決定
  • 実施する施策と順番

1. 7Sの情報を分類する

プロンプト例

以下の組織情報を、7Sの7要素へ分類してください。

  • 製造・物流業界を重点市場にする方針
  • 営業組織は地域別
  • 営業評価は既存売上の達成率を重視
  • 顧客第一を掲げている
  • 案件判断は部長承認が多い
  • 製造・物流業界の経験者が少ない
  • 業種別提案や効果定量化のスキルが不足

条件:

  • Strategy、Structure、Systems、Shared Values、Style、Staff、Skillsに分類する
  • 複数要素に関係する場合は重複候補として示す
  • 不明点は推測せず「要確認」とする

出力の使い方

AIは、情報を7要素へ整理する下書きを作れます。

ただし、「顧客第一」はShared Valuesの表明かもしれませんが、実際の行動として本当に共有されているかは別問題です。人は制度・会議・現場行動を見て確認します。

2. 足りない情報を質問にする

プロンプト例

以下の7S分析メモをレビューし、各要素で不足している情報を質問にしてください。

Strategy:製造・物流業界を重点化 Structure:地域別営業組織 Systems:既存売上中心の評価制度 Shared Values:顧客第一 Style:部長承認が多い Staff:重点業界経験者が少ない Skills:業種別提案、効果定量化が弱い

条件:

  • 事実確認に使える質問にする
  • 一般論ではなく、現状把握に必要な問いを優先する

出力の使い方

AIは、

  • 製造・物流業界の売上比率は現在どの程度か
  • 地域別組織のまま業界別責任を誰が持つのか
  • 新規案件は評価指標へどう反映されるか
  • 顧客第一が会議や評価でどう表れるか

といった質問候補を出せます。

7Sは、空欄を埋めることより、実態を確認する問いを作ることが重要です。

3. StrategyとStructureのズレ候補を探す

プロンプト例

StrategyとStructureの整合性をレビューしてください。

Strategy:製造・物流業界へ重点化し、標準ソリューションで新規開拓を伸ばす Structure:営業組織は地域別。業界別責任者はいない

条件:

  • ズレ候補を3つまで出す
  • なぜ実行上の問題になるか説明する
  • 組織変更を勝手に決めず、確認質問も出す

出力の使い方

AIは、

  • 業界別の責任主体が曖昧
  • ノウハウ蓄積が地域ごとに分散
  • 標準ソリューションの改善責任が不明

といった仮説を出せます。

人は、実際に業界別リーダー機能が別の形で存在していないか確認します。

4. StrategyとSystemsのズレ候補を探す

プロンプト例

次の2要素に不整合がないかレビューしてください。

Strategy:新規開拓を伸ばす Systems:営業評価は既存売上の達成率を重視

条件:

  • 制度が現場行動へ与える影響を整理する
  • 断定ではなく仮説として出す
  • 追加確認すべきKPIを提案する

出力の使い方

AIは、「新規開拓を増やしたいのに、評価制度が既存顧客維持を優先する行動を強める可能性がある」と整理できます。

人は、実際の評価配点、賞与連動、目標設定ルールを確認します。

5. Shared Valuesと実際の行動の差を見る

プロンプト例

以下の情報から、Shared Valuesの表明と実際の行動に差がないか確認する質問を作ってください。

表明:顧客第一 実態候補:既存大口顧客への対応が優先され、新規市場向け提案の準備時間が取りにくい

条件:

  • 理念そのものを否定しない
  • 会議、評価、資源配分、日々の判断で確認できる質問にする

出力の使い方

AIは、

  • 新規顧客と既存顧客の優先順位はどう決まるか
  • 重点市場向け提案時間を確保する制度があるか
  • 「顧客第一」が既存顧客優先と同義になっていないか

といった問いを出せます。

6. Styleを「社風」だけで終わらせない

プロンプト例

Styleについて、抽象語ではなく意思決定行動として整理してください。

現状メモ:慎重な社風、部長の承認が多い

条件:

  • 会議、承認、権限委譲、失敗への反応、現場判断の観点で具体化する

出力の使い方

AIは、

  • 価格例外の承認段階
  • 提案変更を現場で決められる範囲
  • 新規施策の承認に必要な会議数
  • 失敗案件レビューの進め方

など、行動として確認できる観点へ変換できます。

7. StaffとSkillsの不足候補を整理する

プロンプト例

次のStrategyに対して、StaffとSkillsの観点で不足候補を整理してください。

Strategy:製造・物流業界へ重点化し、標準ソリューションで新規開拓を伸ばす

現状:重点業界経験者が少ない。業種別提案と効果定量化が弱い。

条件:

  • StaffとSkillsを混同しない
  • 採用、配置、育成、標準化の選択肢を分ける
  • 最終施策は決めず候補だけ出す

出力の使い方

AIは、Staffでは「重点業界経験者の配置・採用」、Skillsでは「業種別提案、ROI試算、標準ソリューション適用判断」のように分けて整理できます。

人は、採用余力、既存人材の配置転換、育成期間を確認します。

8. 7要素のズレをまとめる

プロンプト例

以下の7S現状から、要素間の主要なズレを5件以内で整理してください。

Strategy:製造・物流重点、新規開拓拡大 Structure:地域別営業 Systems:既存売上中心の評価 Shared Values:顧客第一 Style:部長承認が多い Staff:重点業界経験者が少ない Skills:業種別提案、効果定量化が弱い

条件:

  • 1要素だけの問題ではなく、2要素以上の関係として書く
  • 事実と仮説を分ける
  • 追加確認事項も出す

出力の使い方

AIは、

  • Strategy × Structure:重点業界の責任主体が不明
  • Strategy × Systems:新規開拓戦略と評価制度が不整合
  • Strategy × Staff/Skills:重点市場を攻める人材・能力が不足
  • Shared Values × Systems:顧客第一が既存顧客偏重として実装されている可能性
  • Style × Strategy:承認の細かさが新規提案速度を落とす可能性

などを候補化できます。

9. 優先課題候補を比較する

プロンプト例

以下のズレ候補を、

  • 戦略実行への影響
  • 緊急性
  • 変更難易度
  • 他要素への波及

の4観点で比較してください。

候補:

  1. 業界別責任が不明
  2. 新規開拓と評価制度が不整合
  3. 業種別提案スキル不足
  4. 承認が細かく意思決定が遅い

条件:

  • 点数は仮置きと明記する
  • 最終順位は人が決める前提にする

出力の使い方

AIは比較表のたたき台を作れます。

ただし、経営上の重要度や政治的実行可能性は、AIでは判断しきれません。最終順位は経営・事業責任者が決めます。

10. 90日・180日の施策候補を出す

プロンプト例

優先課題について、90日以内にできる施策候補と、180日程度で制度化する施策候補を分けてください。

優先課題:

  • 業界別責任が不明
  • 新規開拓と評価制度が不整合
  • 業種別提案スキル不足

条件:

  • 90日は小さく始められる施策
  • 180日は制度・人材配置・育成への反映
  • 各施策に観測可能な成果指標候補を付ける

出力の使い方

AIは90日施策として、

  • 業界リーダー任命
  • 新規案件KPIの追加
  • 業界別提案テンプレート作成
  • 効果試算シートの導入
  • 月2回の案件レビュー

などを候補にできます。

180日施策として、

  • 評価制度の見直し
  • 重点業界への人材配置
  • 業界別提案研修
  • 管理職レビュー方法の変更

などを出せます。

人は、制度変更の権限や時期、労務・人事上の制約を確認します。

通し例|生成AIを使って7S分析を補助する

あるBtoBサービス事業では、売上成長が鈍化していました。

経営側は、

製造・物流業界へ重点化し、標準ソリューションで新規開拓を伸ばす

という戦略を掲げました。

しかし、半年たっても新規案件が思うように増えませんでした。

担当者は、7Sで現状を整理し、AIを補助に使いました。

1. まず事実を入力

  • Strategy:製造・物流重点、新規開拓拡大
  • Structure:地域別営業組織
  • Systems:既存売上中心の評価制度
  • Shared Values:顧客第一
  • Style:部長承認が多い
  • Staff:重点業界経験者が少ない
  • Skills:業種別提案、効果定量化が弱い

AIへ7S分類と不足質問を出させました。

2. 要素間のズレを候補化

AIは、

  • Strategy × Structure:業界別責任が不明
  • Strategy × Systems:新規開拓と既存売上中心評価が不整合
  • Strategy × Staff/Skills:重点市場を攻める人材・能力不足
  • Style × Strategy:承認の細かさが提案速度を下げる可能性

といった仮説を出しました。

3. 人が一次情報で確認

営業評価制度を確認すると、新規案件の比重は低く、既存売上の達成が大きく評価されていました。

組織図を見ると、地域責任者はいましたが、重点業界の責任者はいませんでした。

案件レビューを確認すると、価格や提案内容の細かな変更にも部長承認が多く、現場判断の範囲が狭い状態でした。

ここで初めて、AIの仮説のうち何が事実に近いかを確定しました。

4. 優先課題を人が絞った

最終的に、最初に扱う課題を次の3つへ絞りました。

  • 業界別責任が不明
  • 新規開拓と評価制度が不整合
  • 業種別提案の型とスキルが不足

承認プロセスの見直しも重要でしたが、最初の90日では上記3点を優先しました。

5. AIで施策候補を広げた

AIへ90日施策候補を出させ、

  • 業界リーダーの任命
  • 新規案件数、業界別提案件数、標準提案利用率のKPI化
  • 業界別提案テンプレート
  • 効果試算シート
  • 月2回の案件レビュー

などを候補化しました。

人が実行可能性を確認し、採用する施策を決めました。

6. 180日施策へつなげた

短期施策の結果を見た上で、

  • 評価制度の見直し
  • 重点業界への人材配置
  • 業界別提案研修
  • 管理職レビュー方法の変更

へ広げる計画を作りました。

この例でAIが担ったのは、情報整理、不足質問、ズレ候補、比較軸、施策候補の生成です。

人が担ったのは、事実確認、暗黙の組織ルールの把握、優先順位、制度変更可否、施策の最終決定です。

そのまま使える型が必要なら、7Sテンプレートを使うと、AIの出力を7要素、要素間のズレ、優先課題、90日・180日施策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、7S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、7S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

事実関係

AIは社内の一次情報を知りません。制度、組織図、KPI、会議運用、人員配置は人が確認します。

Shared Valuesの実態

掲げている理念と、現場で実際に優先される価値観は違うことがあります。AIはこの差を自動では判断できません。

Styleの実態

「トップダウン」「現場重視」といった抽象語ではなく、誰が何を決めるか、どこで承認が必要かを人が確認します。

StaffとSkills

人数不足なのか、配置の問題なのか、能力不足なのかで施策は変わります。

優先順位

AIは比較材料を出せますが、経営上どこから変えるかは人が決めます。

制度変更の実行可能性

評価制度、人事配置、権限変更は、組織ルールや時期の制約があります。

生成AIの誤りと限界

7Sの分類を一意に決めすぎることがある

1つの事象が複数要素にまたがることがあります。無理に1分類へ固定しない方がよい場合があります。

もっともらしい組織課題を補うことがある

一般的な企業像から、存在しない承認問題や人材不足を作ることがあります。

Shared Valuesを理念文だけで評価しがち

実際の意思決定や資源配分を見ないと、共有価値観は判断できません。

StaffとSkillsを混同することがある

人数を増やすべきか、育成すべきか、配置を変えるべきかは別の問題です。

施策を増やしすぎることがある

AIは多数の改善案を出せますが、全要素を同時に変えると実行負荷が高くなります。

組織政治や変更抵抗を正確に読めない

制度や権限の変更には、合理性以外の制約もあります。

機密情報の扱いに注意する

評価制度、人員配置、個人名、組織課題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

  • 7Sの各要素に事実と仮説を分けて記録したか
  • AIが補った事実をそのまま使っていないか
  • 1つの事象を無理に1要素へ固定していないか
  • Strategyと他6要素の整合性を確認したか
  • Shared Valuesを理念文だけで判断していないか
  • Styleを抽象語だけで済ませていないか
  • StaffとSkillsを分けたか
  • 優先課題を人が最終決定したか
  • 全要素を同時に変えようとしていないか
  • 90日施策と180日施策を分けたか
  • 制度変更の実行可能性を確認したか
  • 機密情報を不用意に入力していないか

まとめ

生成AIは、7S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、7要素への情報分類、不足質問の作成、要素間のズレ候補、比較軸、優先課題候補、90日・180日の施策案の整理です。

一方で、事実確認、暗黙の価値観、意思決定スタイル、人材の実態、優先順位、制度変更の可否は人が判断する必要があります。

生成AIに7S分析を完成させてもらうのではなく、「問いを広げる」「ズレ候補を出す」「比較材料を作る」「施策候補を広げる」ために使うことで、7Sを戦略実行の診断と改善へ効率よくつなげやすくなります。

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