モーフォロジカル分析は、複雑な課題をいくつかの要素へ分け、各要素の選択肢を組み合わせて新しい案や解決策を探す方法です。生成AIを使うと、パラメータ候補の発散、選択肢候補の追加、意外な組み合わせの生成、制約確認項目の洗い出し、評価軸候補の整理を効率化できます。
ただし、AIに「モーフォロジカル分析して」とだけ依頼すると、抽象的なパラメータを作ったり、選択肢の粒度がばらついたり、現実には成立しない組み合わせをもっともらしく提案したりすることがあります。
そのため、生成AIはモーフォロジカル分析の「発散・整理・候補出し」を補助する役として使い、課題設定、パラメータの採否、実際の制約、評価軸、有望案の選択、検証結果の判断は人が担う必要があります。
この記事では、生成AIでモーフォロジカル分析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。基本的な意味や考え方から確認したい場合は、モーフォロジカル分析とは?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、候補を広げたり、比較材料を整えたりする作業です。
たとえば、次の作業はAIに補助させやすい領域です。
- 課題を構成するパラメータ候補を複数出す
- 各パラメータの選択肢を増やす
- 選択肢の粒度のずれを指摘する
- 普段なら考えない組み合わせを作る
- 制約確認項目を列挙する
- 評価軸候補を出す
- 有望案の比較観点を整理する
- 検証結果を踏まえた差し替え候補を出す
一方で、人が判断すべきことは次です。
- 何の案を増やしたいのか
- どのパラメータを採用するか
- 選択肢が業務実態に合っているか
- 法令・安全・予算・人員など本当の制約は何か
- 評価軸の意味と優先度
- どの案を試すか
- 検証結果をどう解釈するか
AIは候補を増やすのは得意ですが、自社の制約や顧客ニーズを完全には把握できません。
生成AIでモーフォロジカル分析を使う基本手順
1. 課題と期待する出力は人が定義する
最初に、「何の案を増やしたいのか」を明確にします。
悪い入力例:
「新しいサービスを考えて」
良い入力例:
「法人向け研修サービスについて、地方拠点の受講者でも参加しやすい新しい提供モデル案を10案以上出し、実行可能性の高い3案まで絞りたい」
AIに渡すときは、対象、課題、現在の前提、期待する出力を明記します。
モーフォロジカル分析で新しいサービス案を整理したいです。
対象:
法人向け研修サービス
課題:
地方拠点の受講者が集合研修へ参加しにくい
期待する出力:
新しい提供モデル案を10案以上出し、比較できる状態にする
確認済みの前提:
- 現在は対面の集合研修が中心
- 講師人数には上限がある
未確認の仮説:
- 録画やオンラインを組み合わせる余地がある
2. パラメータ候補を複数出させる
AIには、最初から1つに決めさせず、複数の分解案を出させます。
上記の課題について、モーフォロジカル分析で使えるパラメータ候補を3パターン出してください。
条件:
- 1案につき4〜7個程度
- 各項目から1つずつ選べば1つの案になるようにする
- 部署名や抽象語ではなく、案を構成する設計要素にする
- 各案の特徴も説明する
候補として、
- 提供形式
- 学習時間
- 講師関与
- フォロー方法
- 料金方式
などが出るかもしれません。
人は、今回の課題に合うかを確認して採用します。
3. 選択肢候補をAIに広げさせる
採用したパラメータごとに、選択肢を複数出させます。
パラメータ:提供形式
このパラメータの選択肢候補を6個出してください。
条件:
- 同じ粒度でそろえる
- 現状案だけに偏らない
- 既存の方式と逆方向の案も含める
- 具体ツール名ではなく方式レベルで出す
たとえば、
- 対面
- ライブオンライン
- 録画
- ハイブリッド
- オンデマンド+ライブ
- 拠点ごとのサテライト方式
などが候補になります。
4. 粒度のずれをチェックさせる
選択肢を広げた後で、粒度がそろっているかAIに確認させます。
以下の選択肢について、粒度がそろっているか確認してください。
対面 / オンライン / Zoom / 録画教材 / ハイブリッド
粒度が違うものがあれば、理由と修正案を出してください。
AIが「Zoomは具体ツールで、他は方式」と指摘しても、最終修正は人が行います。
5. 意外な組み合わせを作らせる
生成AIの強みは、普段なら選ばない組み合わせを大量に出せることです。
以下のパラメータと選択肢から、組み合わせ案を12個作ってください。
条件:
- 既存案に近いものだけでなく、普段なら選ばない組み合わせを4案以上含める
- 各案について、どこが新しいかを一言で説明する
- この段階では実現性で削りすぎない
AIには発散を任せます。
6. 制約候補をAIに洗い出させる
次に、案を絞るための制約候補を出させます。
上記の組み合わせ案を確認する際に、実務上チェックすべき制約条件を整理してください。
分類:
- 法令
- 安全
- コスト
- 人員
- 設備
- 顧客環境
- 品質
- 運用
なお、「前例がない」だけでは制約とみなさないでください。
人は、自社に本当に当てはまる制約だけを採用します。
7. 評価軸候補をAIに出させる
AIに「最良案を決めて」と依頼するより、比較のための評価軸を出させます。
有望案を比較する評価軸を6個提案してください。
各軸について、
- 何を見る軸か
- 高評価とはどんな状態か
- 評価に必要な情報
を示してください。
候補として、
- 顧客価値
- 実行可能性
- 導入コスト
- 運用負荷
- 差別化
- 収益性
などがあります。
評価軸の意味と重みは人が決めます。
8. 比較材料を整理させる
評価軸が決まったら、AIに各案の比較材料を整理させます。
以下の3案について、指定した評価軸ごとに確認すべき事実と不足情報を整理してください。
案A:ライブオンライン × 60分×4回 × 常時講師 × チャット × 人数課金
案B:録画 × 30分×8回 × 講師なし × 月1回グループ相談 × 月額
案C:ハイブリッド × 半日 × 冒頭・まとめのみ講師 × 1on1 × 拠点課金
最終順位は付けず、人が判断できる材料だけを整理してください。
9. 検証結果を踏まえた差し替え案を出させる
有望案を試した後は、検証結果をAIに渡して修正候補を出させます。
検証案:
録画 × 30分×8回 × 講師なし × 月1回グループ相談 × 月額
検証結果:
- 動画完了率は高い
- 満足度も高い
- グループ相談参加率は低い
- 運営工数は許容範囲
この結果を踏まえ、
- 維持する要素
- 差し替え候補
- 次に試す組み合わせ案
を提案してください。
AIは、フォロー方法だけを「チャット+隔月相談」へ変える案などを出せます。
そのまま使えるモーフォロジカル分析用プロンプト
次のプロンプトは、テーマを入れ替えて使えます。
あなたはモーフォロジカル分析の整理補助役です。
最終判断を代替せず、パラメータ、選択肢、組み合わせ、制約、評価軸の候補出しを支援してください。
【分析テーマ】
【対象】
【解決したい課題】
【確認済みの事実】
【未確認の仮説】
【期待する出力】
【依頼】
1. パラメータ候補を3パターン出す
2. 各パラメータの選択肢候補を広げる
3. 粒度のずれ・重複を指摘する
4. 普段選ばない組み合わせを含めて複数案を作る
5. 制約確認項目を列挙する
6. 評価軸候補を出す
7. 各案の比較材料と不足情報を整理する
8. 検証結果に応じた差し替え候補を出す
【条件】
- 入力にない事実を追加しない
- 抽象語だけのパラメータにしない
- 選択肢の粒度をそろえる
- 発散段階で実現性を理由に削りすぎない
- 「前例がない」だけを制約とみなさない
- 最終的な評価軸・制約・有望案は人が決める
記入用の型が必要な場合は、モーフォロジカル分析テンプレートも併用できます。
通し例|法人向け研修サービスを生成AIと一緒に設計する
人が課題を定義する
「地方拠点の受講者でも参加しやすい法人向け研修サービスの新しい提供モデルを考える」
とします。
AIにパラメータ候補を出させる
複数案を比較し、人が、
- 提供形式
- 学習時間
- 講師関与
- フォロー方法
- 料金方式
を採用します。
AIに選択肢を広げさせる
たとえば、
提供形式:対面 / ライブオンライン / 録画 / ハイブリッド
学習時間:半日 / 1日 / 60分×4回 / 30分×8回
講師関与:常時 / 冒頭・まとめ / 質疑のみ / なし
フォロー:なし / メール / チャット / 1on1 / グループ相談
料金:一括 / 月額 / 人数課金 / 拠点課金
まで広げます。
AIに組み合わせ案を作らせる
案A:
ライブオンライン × 60分×4回 × 常時講師 × チャット × 人数課金
案B:
録画 × 30分×8回 × 講師なし × 月1回グループ相談 × 月額
案C:
ハイブリッド × 半日 × 冒頭・まとめのみ講師 × 1on1 × 拠点課金
人が本当の制約を確認する
案Cは、全受講者へ1on1を付けると講師工数が大きく、現行人員では運用できないことが分かりました。
そこで、「1on1」から「希望者向けグループ相談」へ差し替えます。
ここで重要なのは、「今までやっていない」ではなく、実際の工数を制約として確認したことです。
AIに評価材料を整理させる
顧客価値、実行可能性、運用負荷、差別化、収益性で、各案について必要情報を整理させます。
人が検証候補を決める
案Bは、地方拠点でも受講しやすく、講師稼働を抑えやすく、月額モデルとも相性がよいと判断し、最初の検証候補にします。
小さく試す
既存顧客3社を対象に、2か月間、
- 30分動画×8本
- 月1回グループ相談
を提供します。
確認指標は、動画完了率、相談会参加率、満足度、継続意向、運営工数です。
AIに修正候補を出させる
検証結果が、
- 動画完了率:高い
- 満足度:高い
- 相談会参加率:低い
- 運営工数:許容範囲
だったとします。
AIに結果を渡し、差し替え候補を出させます。
人は、その中からフォロー方法だけを、
「月1回グループ相談」から「チャット+隔月相談」
へ差し替えて再検証すると決めます。
生成AIを使うことで、候補を広げる作業は速くなりますが、どの要素を採用し、何を本当の制約とし、どの案を試すかは人が判断しています。
具体的な実務手順は、モーフォロジカル分析のやり方で確認できます。別の適用例を見たい場合は、モーフォロジカル分析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. 課題設定が具体的か
「新しい案を出す」だけでは、AIの出力が広がりすぎます。対象、課題、期待する出力を明確にします。
2. パラメータが案の構成要素になっているか
「顧客」「営業」「品質」だけでは、各項目から1つずつ選んで1案を作れません。
3. 選択肢の粒度がそろっているか
「オンライン」「Zoom」「対面研修」のように、概念と具体ツールが混ざっていないか確認します。
4. 制約と慣習を混同していないか
「前例がない」は、それだけでは制約ではありません。人員、予算、設備、法令、安全など具体的に確認します。
5. AIの評価をそのまま採用していないか
AIは顧客価値や収益性を推測できますが、実データがなければ仮説にすぎません。
6. 検証結果で要素を差し替えているか
最初の案を固定せず、検証結果に応じてパラメータ単位で修正します。
悪い使い方と改善例
悪い例1:「モーフォロジカル分析して」とだけ依頼する
抽象的なパラメータや一般論が出やすくなります。
改善
対象、課題、確認済み事実、期待する出力を渡します。
悪い例2:AIが出したパラメータをそのまま採用する
部署名や抽象語が混ざっている場合があります。
改善
複数案を出させ、各項目から1つずつ選べば1案になるか人が確認します。
悪い例3:AIが「実現性が低い」とした案をすぐ削除する
前例がないだけの案まで消える可能性があります。
改善
本当の制約と単なる慣習を分けて確認します。
悪い例4:AIに最良案を決めさせる
評価軸や前提が曖昧なまま、もっともらしい順位が付く可能性があります。
改善
AIには比較材料を整理させ、最終判断は人が行います。
よくある失敗は、モーフォロジカル分析で失敗しやすいポイントでも詳しく解説しています。
情報管理にも注意する
生成AIへ入力する内容には、顧客情報、価格、原価、社内人員、未公開企画、製品仕様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
- 未公開の価格や原価
- 契約条件
- 社内人員計画
- 未公開の商品・サービス企画
- 技術仕様や設計情報
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には発散と整理を任せ、制約・評価・検証は人が担う
生成AIを使うと、モーフォロジカル分析のパラメータ候補、選択肢候補、意外な組み合わせ、制約確認項目、評価軸候補を短時間で整理できます。
一方で、課題設定、パラメータの採否、実際の制約、評価軸、有望案の選択、検証結果の判断は人が担う必要があります。
実務では、「AIに完成案を決めてもらう」のではなく、「AIで候補の幅を広げ、構造化を速め、人が本当の制約と評価基準で絞り、小さく検証して要素を差し替える」という使い方が適しています。