MoSCoWは、複数の要件や施策をMust have、Should have、Could have、Won’t haveの4分類に分け、優先順位を明確にする方法です。
生成AIを組み合わせると、候補の粒度をそろえたり、分類理由のたたき台を作ったり、「そのMustは本当に外せないのか」と根拠不足を指摘させたりする作業を効率化できます。
ただし、AIは法令・契約上の必須条件、実際の開発工数、社内の承認条件、顧客影響を自動で確定できません。もっともらしい理由でMustを増やしたり、実在しない依存関係を補ったりする可能性もあります。
そのため、生成AIはMoSCoWの「候補整理・問い直し・比較・文書化」を補助する役として使い、最終分類、工数確認、法務・契約条件、見直し判断は人が行う必要があります。
この記事では、生成AIでMoSCoW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。MoSCoWの基本から確認したい場合は、MoSCoW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
AIに任せやすいこと:
- 候補の粒度をそろえる
- 重複候補をまとめる
- Must・Should・Could・Won’tの仮分類を作る
- 分類理由のたたき台を作る
- Must判定の根拠不足を指摘する
- 工数・予算・時間の合計を整理する
- 依存関係の確認質問を出す
- 見直し条件の候補を出す
- 分類結果を会議用の説明文へ整える
人が判断すべきこと:
- 法令・契約上の必須条件
- 実際の工数・予算
- 顧客や利用者への影響
- 社内の権限・承認条件
- 依存関係の実在性
- Mustにする最終根拠
- 今回のWon’tに含めるもの
- 最終分類と見直し判断
生成AIでMoSCoWを使う基本手順
1. 目的・制約・候補を人が準備する
AIへいきなり「優先順位を付けて」と依頼する前に、今回の意思決定の前提を渡します。
悪い入力例:
この施策をMoSCoWで分類してください。
良い入力例:
今四半期のWeb改善施策をMoSCoWで整理します。
目的:
問い合わせ完了率を改善する
制約:
- 開発枠30人日
- 今四半期中に完了
候補:
- スマートフォンのフォーム崩れ修正:6人日
- フォーム入力項目削減:5人日
- 導入事例ページ追加:8人日
- チャット機能追加:12人日
- 多言語対応:15人日
- 検索機能追加:7人日
- 個人情報同意文言改定:2人日
確認済み条件:
- 個人情報同意文言改定は法務から今四半期中の対応が必要と確認済み
- フォーム崩れにより一部スマートフォン利用者が送信完了できない
入力にない法務条件・契約条件・工数を補わないでください。
目的と制約を先に渡すことで、AIが「重要そうだからMust」と安易に分類するのを減らせます。
2. 候補の粒度をそろえさせる
候補に「サイト改善」と「入力項目削減」が混在していると比較しにくくなります。
候補一覧を確認し、粒度がそろっていない項目を指摘してください。
条件:
- 1項目1意思決定になるようにする
- 大きすぎる項目は分解候補を出す
- 重複候補は統合候補を出す
- 勝手に削除しない
AIは候補整理の補助に向いていますが、実際のスコープを分割するかは人が決めます。
3. 分類条件を先に作らせる
候補を見ながら分類基準を後付けすると、声の大きい人の要望がMustへ上がりやすくなります。
今回の目的と制約に合わせて、
Must / Should / Could / Won’t の判断条件案を作ってください。
条件:
- Mustは『外すと最低目的が成立しない』『法令・契約上必須』など厳しい条件にする
- Shouldは重要だが延期可能
- Couldは余力があれば実施
- Won’tは今回は対象外
- 候補個別の分類はまだしない
AIに先に条件案を出させ、人が会議前に確認します。
4. 仮分類を作らせる
判断条件を確定したら、AIに仮分類を作らせます。
確定した分類条件に従って、各候補を仮分類してください。
出力:
- 候補名
- 仮分類
- 分類理由
- 根拠として使った入力情報
- 追加確認が必要な点
入力にない事実は使わないでください。
ポイントは「根拠として使った入力情報」を出させることです。
これにより、AIが勝手に前提を追加していないか確認できます。
5. Mustだけを再点検させる
MoSCoWで最も起きやすい失敗は、ほぼ全部がMustになることです。
そこで、仮分類後にMustだけを再点検します。
Mustに分類した項目だけを再確認してください。
各項目について、
- 外すと最低目的が成立しないか
- 法令・契約上の必須条件か
- 他のMustを成立させる前提か
- 延期すると重大な問題が起きるか
を確認してください。
根拠不足なら『Must根拠不足』と明示してください。
AIは「Mustの理由が弱い項目」を見つける補助として有効です。
ただし、法令・契約条件の確認は人が行います。
6. 工数・容量を確認させる
MoSCoWは分類だけでなく、現実の制約に収まるか確認する必要があります。
各候補の工数から、
- Must合計
- Must + Should合計
- Must + Should + Could合計
を計算してください。
利用可能工数は30人日です。
容量超過があれば、分類を勝手に変えず、再確認が必要な項目を指摘してください。
人は、見積もりが最新か、工数が現実的かを確認します。
7. 依存関係の確認質問を出させる
AIは、依存関係そのものを確定するのではなく、「確認すべき問い」を出す役として使います。
各候補について、依存関係を確認する質問を作ってください。
例:
- 他のMustの前提になっていないか
- 別施策が完了しないと着手できないか
- 同時実施が必要か
- 代替手段はあるか
入力にない依存関係を断定しないでください。
実際の技術依存、組織依存、承認依存は担当者が確認します。
8. Won’tの説明を整えさせる
Won’tは「価値がない」ではありません。
AIには、関係者へ説明しやすい文章へ整形させます。
Won’tに分類した項目について、
『価値がないからやらない』ではなく、
- 今回の目的
- 制約
- 再評価条件
の3点を含む説明文を作ってください。
たとえば、
「多言語対応は将来的には重要だが、今回の問い合わせ完了率改善という目的との直接性が低く、15人日の工数も必要なため今四半期は対象外。次四半期の企画会議で再評価する」
といった説明にできます。
9. 見直し条件を作らせる
MoSCoWは一度分類して固定する方法ではありません。
分類を見直す条件候補を出してください。
例:
- 工数見積もりが大きく変わった
- 法務・契約条件が変わった
- 顧客影響が想定より大きかった
- 新しい依存関係が判明した
- Mustが予定より早く完了した
見直し条件を記録しておくと、後で再分類しやすくなります。
そのまま使えるMoSCoW用プロンプト
あなたはMoSCoWの優先順位付け補助役です。
最終判断を代替せず、候補整理、仮分類、根拠確認、容量確認、見直し条件の整理を支援してください。
【今回の目的】
【期間】
【利用可能工数・予算】
【候補一覧】
【確認済みの法令・契約条件】
【確認済みの顧客影響】
【確認済みの依存関係】
【分類条件】
Must:
Should:
Could:
Won’t:
【依頼】
1. 候補の粒度がそろっているか確認する
2. 重複候補を指摘する
3. 分類条件に従って仮分類する
4. 各分類の理由と入力根拠を示す
5. Mustの根拠不足を指摘する
6. Must / Must+Should / 全体の工数を計算する
7. 依存関係の確認質問を出す
8. Won’tの説明文を作る
9. 見直し条件候補を出す
【条件】
- 入力にない法務・契約条件を追加しない
- 工数を推測しない
- 顧客影響を推測しない
- 依存関係を断定しない
- 最終分類は人が決める
記録用の型が必要な場合は、MoSCoWテンプレートも併用できます。
通し例|Web改善施策を生成AIと一緒に分類する
人が前提を入力する
目的は問い合わせ完了率改善、開発枠は30人日です。
候補は、
- フォーム崩れ修正:6人日
- 入力項目削減:5人日
- 導入事例追加:8人日
- チャット追加:12人日
- 多言語対応:15人日
- 検索機能追加:7人日
- 個人情報同意文言改定:2人日
とします。
確認済み条件として、
- 個人情報同意文言改定は法務必須
- フォーム崩れで一部利用者が送信完了できない
ことを渡します。
AIに仮分類させる
AIは、
Must候補:
- フォーム崩れ修正
- 個人情報同意文言改定
Should候補:
- 入力項目削減
- 導入事例追加
Could候補:
- 検索機能追加
Won’t候補:
- チャット追加
- 多言語対応
という案を出せます。
AIにMustを問い直させる
Mustの2件について、入力根拠を確認します。
フォーム崩れ修正は「送信完了できない利用者がいる」という確認済み事実、同意文言改定は「法務必須」という確認済み条件があります。
一方、もしAIが「導入事例追加も売上に重要だからMust」と出したなら、入力に最低目的不成立の根拠がないため、人はMustから外す判断を検討できます。
AIに容量を計算させる
- Must:8人日
- Must + Should:21人日
- Must + Should + Could:28人日
と整理できます。
30人日の枠には収まります。
人が分類を確定する
Web担当、開発、営業、法務で確認し、最終分類を決めます。
ここでAIの仮分類をそのまま採用するのではなく、最新見積もりと現場条件を確認します。
前提が変わったら再分類する
開発開始後、導入事例追加が8人日ではなく14人日必要と分かったとします。
AIへ、
導入事例追加の見積もりが8人日から14人日に変わりました。
現在の分類と30人日制約を再計算し、再確認が必要な項目を指摘してください。
分類は勝手に変更しないでください。
と依頼します。
AIは容量超過や余力減少を示せます。
最終的に、導入事例追加を次四半期へ送るかどうかは人が判断します。
具体的な実務手順は、MoSCoWのやり方で確認できます。別のケースは、MoSCoWの具体例が参考になります。ありがちな失敗は、MoSCoWで失敗しやすいポイントで確認できます。
人が必ず確認したい6つのポイント
1. AIが法令・契約条件を作っていないか
AIは一般論から「これは法務必須かもしれない」と補うことがあります。法務・契約条件は実資料で確認します。
2. 工数が最新か
AIが正しく足し算しても、元の見積もりが古ければ判断を誤ります。
3. Mustが増えすぎていないか
「重要」と「今回外せない」は別です。最低目的が成立するかで再確認します。
4. Won’tを価値否定にしていないか
Won’tは今回のスコープ外です。必要なら再評価時期や条件を残します。
5. 依存関係をAIが断定していないか
技術・承認・組織上の依存は担当者へ確認します。
6. 分類理由と見直し条件が残っているか
後から前提が変わったとき、ラベルだけでは再判断できません。
悪い使い方と改善例
悪い例1:「全部分類して最終決定して」と依頼する
AIは法務、契約、顧客影響、社内制約を完全には把握できません。
改善
AIには仮分類と根拠確認を任せ、最終決定は人が行います。
悪い例2:候補一覧だけ渡し、目的と制約を渡さない
同じ候補でも、目的と制約が違えば分類は変わります。
改善
期間、予算、工数、今回の最低目的を先に渡します。
悪い例3:AIが出したMustをそのまま採用する
もっともらしい理由でMustが増えることがあります。
改善
Mustだけ再点検し、入力根拠と最低目的への影響を確認します。
悪い例4:AIにWon’tを作らせない
関係者への配慮でWon’tを避けると、スコープが膨らみます。
改善
「今回はやらない理由」と「再評価条件」をセットで作らせます。
他の優先順位付け手法と使い分ける場合
MoSCoWは、今回のスコープを4段階で切り分けるのに向いています。
複数の評価軸で案を比較したい場合は、意思決定マトリクスとMoSCoWの違いを参考にしてください。
効果と工数の2軸で素早く整理したい場合は、Impact-Effort MatrixとMoSCoWの違いが役立ちます。
条件分岐を追いながら選択したい場合は、デシジョンツリーとMoSCoWの違いを確認できます。
3つの方法から選びたい場合は、意思決定マトリクス・Impact-Effort Matrix・MoSCoWの使い分けも参考になります。
情報管理にも注意する
生成AIへ優先順位付けの候補を入力する場合、顧客名、未公開機能、契約条件、開発工数、予算、障害情報などが含まれることがあります。
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
- 未公開の商品・機能
- 契約条件
- 開発見積もり
- 予算
- セキュリティ要件
などは、入力可否を慎重に判断します。
まとめ|AIには仮分類と問い直しを任せ、Mustの確定と最終判断は人が担う
生成AIを使うと、MoSCoWの候補整理、仮分類、分類理由の文章化、Must根拠不足の指摘、容量計算、見直し条件の整理を効率化できます。
一方で、AIは法令・契約条件、実工数、顧客影響、社内事情を自動で確定できません。
実務では、「AIに優先順位を決めてもらう」のではなく、「人が目的と制約を定義し、AIで仮分類と問い直しを速め、人がMustの根拠、工数、依存関係を確認して最終分類を決める」という使い方が適しています。