仮説思考は、すべての情報を集めてから考えるのではなく、現時点で最もありそうな答えを仮置きし、必要な情報で確かめながら更新していく考え方です。生成AIを使うと、初期仮説の候補出し、代替仮説の発散、検証に必要なデータ候補、反証条件、次に確認する仮説の整理を効率化できます。
ただし、生成AIが出した仮説は事実ではありません。もっともらしい説明を大量に生成できる一方で、入力にない前提を補ったり、都合のよい因果関係を作ったり、検証できない抽象的な仮説を混ぜたりすることがあります。
そのため、生成AIは仮説思考の「発散・整理・問い直し」を補助する役として使い、事実確認、仮説の優先順位、必要データの採否、仮説の採用・棄却、最終的な意思決定は人が行う必要があります。
この記事では、生成AIで仮説思考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。基本的な意味から確認したい場合は、仮説思考とは?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、考える候補を広げたり、検証観点を整理したりする作業です。
AIに任せやすいこと:
- 初期仮説候補を複数出す
- 代替仮説を増やす
- 仮説を検証可能な表現に言い換える
- 仮説ごとに必要データ候補を出す
- 仮説を支持する条件と反証条件を出す
- 優先順位を考える観点を整理する
- 検証結果から次の仮説候補を出す
- 打ち手候補と確認指標を整理する
人が判断すべきこと:
- 答えるべき問い
- 入力した事実が正しいか
- AIが追加した前提がないか
- どの仮説を優先するか
- どのデータが実際に取得できるか
- 仮説を採用・棄却・更新するか
- どの打ち手を実行するか
生成AIで仮説思考を使う基本手順
1. 問いと確認済み事実を人が定義する
最初に、AIへ「何について答えたいか」と「何が事実として分かっているか」を渡します。
悪い入力例:
「売上が悪い原因を考えて」
良い入力例:
法人向け研修サービスの月次売上が、直近3か月で計画比20%未達です。
確認済みの事実:
- 売上は計画比80%
- 対象期間は直近3か月
- まだ商談数、成約率、平均単価、継続率の比較はしていない
答えたい問い:
売上未達の主因は何か。
まず、初期仮説と主要な代替仮説を出してください。
入力にない事実は補わないでください。
この段階では、AIに結論を決めさせません。
2. 初期仮説と代替仮説を出させる
AIには、1つだけでなく複数の仮説を出させます。
上記の問いについて、
- 初期仮説候補を3つ
- 主要な代替仮説を3つ
- それぞれが正しい場合に観測されそうな事実
を整理してください。
仮説と事実を明確に分けてください。
たとえば、
- 商談数が減っている
- 成約率が下がっている
- 平均単価が下がっている
- 継続率が下がっている
などが候補になります。
人は、今回の問いに対して同じ粒度になっているかを確認します。
3. 仮説を検証可能な形に直させる
AIが「営業力が弱い」「顧客ニーズが落ちている」など曖昧な表現を出すことがあります。
その場合は、次のように言い換えさせます。
以下の仮説を、データで検証できる表現に言い換えてください。
仮説:営業力が弱い
条件:
- 観測できる指標を使う
- 正しい場合に何が見えるか示す
- 反証条件も示す
たとえば、
「初回提案後の成約率が過去6か月平均より有意に低下しているのではないか」
のような形に変えられます。
4. 必要データ候補を出させる
次に、仮説ごとに「何を見れば判定できるか」を整理させます。
次の仮説ごとに、判定に必要な最小限のデータ候補を出してください。
- 商談数が減っている
- 成約率が下がっている
- 平均単価が下がっている
- 継続率が下がっている
各データについて、
- 何を確認するためのデータか
- 取得できなければ代替できる指標
も示してください。
AIには候補を出させますが、「取れるから見る」のではなく、「この仮説を判定できるか」で人が採否を決めます。
5. 反証条件も出させる
仮説思考では、仮説を支持する証拠だけを見ると危険です。
仮説:初回対応遅延が商談化率低下の主因ではないか
この仮説について、
- 支持するデータ
- 反証するデータ
- 条件付きでしか成立しない場合の確認項目
を整理してください。
たとえば、24時間以内、24〜48時間、48時間超で商談化率を比較し、チャネルや案件規模でも関係が続くか確認する、といった観点が出せます。
6. 検証する順番を整理させる
AIにすべての仮説を同時に調べさせるのではなく、優先順位の材料を整理させます。
以下の仮説を、
- 問題への影響度
- 確認容易性
- 外れた場合に次へ進みやすいか
の3観点で比較してください。
最終順位は決めず、人が判断するための材料を示してください。
人は、短時間で大きな枝を切れる仮説から検証します。
7. 検証結果をAIへ戻し、次の仮説候補を出させる
たとえば、実際に確認した結果が、
- 商談数:計画比60%
- 成約率:計画比95%
- 平均単価:計画比102%
- 継続率:計画比98%
だったとします。
以下は確認済みの実績です。
- 商談数:計画比60%
- 成約率:計画比95%
- 平均単価:計画比102%
- 継続率:計画比98%
この結果から、
- 弱まった仮説
- 強まった仮説
- 次に確認すべき下位仮説候補
を整理してください。
新しい事実を補わないでください。
AIは、商談数の深掘り候補として、新規リード数、商談化率、紹介、再アプローチなどを出せます。
8. 仮説更新を記録させる
AIには、更新前と更新後を分けて整理させます。
検証結果:
- 問い合わせ数は前年並み
- 商談化率は32%から19%へ低下
- 24時間以内の初回対応案件は商談化率30%
- 48時間超は12%
この結果をもとに、
- 棄却する仮説
- 条件付きで残す仮説
- 更新後の仮説候補
- 次に確認すべきデータ
を整理してください。
人は、たとえば「リード不足」を棄却し、「初回対応遅延が商談化率低下に影響しているのではないか」へ更新するか判断します。
9. 打ち手候補と確認指標を出させる
仮説が十分に絞れたら、AIに打ち手候補を出させます。
仮説:問い合わせ後の初回対応遅延が商談化率低下に影響している
確認済みの事実:
- 一部案件が担当未設定のまま残っていた
- 48時間超の案件で商談化率が低い
この仮説に対応する打ち手候補と、各打ち手の効果確認指標を整理してください。
候補として、担当自動割り当て、未割り当て通知、24時間以内連絡率、商談化率のモニタリングなどが出せます。
そのまま使える仮説思考用プロンプト
あなたは仮説思考の整理補助役です。
最終結論を代替せず、仮説候補・検証方法・反証条件・次の確認項目の整理を支援してください。
【答えるべき問い】
【確認済みの事実】
【未確認の情報】
【判断期限】
【依頼】
1. 初期仮説候補を3つ出す
2. 主要な代替仮説を3つ出す
3. 各仮説が正しい場合に観測されることを示す
4. 各仮説を検証可能な形にする
5. 必要データ候補を最小限で示す
6. 支持条件と反証条件を示す
7. 影響度・確認容易性・次への進みやすさで比較材料を出す
8. 検証結果を受けた仮説更新候補を出す
9. 仮説が絞れた後の打ち手候補と確認指標を出す
【条件】
- 入力にない事実を追加しない
- 事実と仮説を分ける
- 断定せず仮説として表現する
- 抽象語だけの仮説を避ける
- 反証可能な形にする
- 最終的な採用・棄却・優先順位は人が決める
記録用の型が必要な場合は、仮説思考テンプレートも併用できます。
通し例|売上未達を生成AIと一緒に整理する
人が問いと事実を設定する
「法人向け研修サービスの月次売上が直近3か月で計画比20%未達なのはなぜか」
確認済み事実は「売上は計画比80%」だけとします。
AIに主要仮説を出させる
AIから、商談数、成約率、平均単価、継続率などの仮説候補を出させます。
人が最初の確認項目を決める
売上構成要素として短時間で比較できるため、
- 商談数
- 成約率
- 平均単価
- 継続率
を確認します。
実データをAIへ戻す
- 商談数:計画比60%
- 成約率:計画比95%
- 平均単価:計画比102%
- 継続率:計画比98%
と入力します。
AIには商談数を深掘りする下位仮説を出させます。
AIに下位仮説候補を出させる
- 新規リード数が減った
- 商談化率が下がった
- 紹介経由が減った
- 再アプローチが減った
などの候補が出ます。
人が必要データを確認する
実際に、問い合わせ数、商談化率、初回対応時間、担当割り当て時刻を確認します。
検証結果
- 問い合わせ数は前年並み
- 商談化率は32%から19%へ低下
- 24時間以内の初回対応案件は商談化率30%
- 48時間超は12%
- 一部案件が担当未設定のまま残っていた
ことが分かりました。
AIに更新候補を出させる
AIには、「リード不足は弱まる」「初回対応遅延仮説が強まる」と整理させます。
ただし、最終的に仮説を更新するのは人です。
人が打ち手を決める
- 問い合わせ受信時に担当を自動割り当て
- 2時間以内に未割り当て案件を通知
- 24時間以内の初回連絡率を追う
- 商談化率を週次確認
を実施します。
生成AIを使うことで、仮説候補や検証観点は早く広げられますが、事実の確認と仮説の採否は人が担っています。
具体的な手順は、仮説思考のやり方で確認できます。別の適用例を見たい場合は、仮説思考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. AIが入力にない事実を追加していないか
AIは文脈からもっともらしい前提を補うことがあります。事実欄は必ず元データと照合します。
2. 仮説と事実が混ざっていないか
「問い合わせが減っている」は、確認前なら仮説です。
3. 仮説が検証可能か
「営業が弱い」「顧客ニーズが低い」のような抽象語は、観測可能な指標へ変えます。
4. 反証条件を見ているか
仮説に都合のよいデータだけでなく、反例も確認します。
5. 仮説数が増えすぎていないか
AIは候補を大量に出せます。影響度と確認容易性で優先順位を付けます。
6. AIの結論をそのまま採用していないか
AIには比較材料を整理させ、採用・棄却・意思決定は人が行います。
悪い使い方と改善例
悪い例1:「原因を特定して」とだけ依頼する
AIは前提不足のまま、もっともらしい原因を作る可能性があります。
改善
問い、確認済み事実、未確認事項を明示します。
悪い例2:AIの最初の仮説をそのまま採用する
初期仮説は検証のスタート地点です。
改善
代替仮説と反証条件も出させます。
悪い例3:AIに必要データを全部挙げさせ、そのまま集める
情報収集過多になりやすくなります。
改善
「仮説を判定する最小限のデータ」に限定させます。
悪い例4:検証結果をAIへ渡し、最終判断まで任せる
業務上の重要度や現場制約はAIだけでは判断できません。
改善
AIには採用・棄却の材料を整理させ、人が決定します。
よくある失敗は、仮説思考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、売上、商談、解約、案件進捗、社内評価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
- 未公開の売上・利益情報
- 契約条件
- 失注理由
- 人事評価
- 未公開の事業計画
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には仮説の発散と問い直しを任せ、事実確認と判断は人が担う
生成AIを使うと、仮説思考の初期仮説、代替仮説、必要データ候補、反証条件、次の仮説候補、打ち手候補を短時間で整理できます。
一方で、AIが出した仮説は事実ではありません。入力にない前提が混ざっていないか確認し、実データで検証し、採用・棄却・更新を人が判断する必要があります。
実務では、「AIに原因を決めてもらう」のではなく、「AIで仮説の幅を広げ、検証観点を整理し、人が事実を確認しながら仮説を更新し、意思決定へつなげる」という使い方が適しています。