システム思考は、目の前の出来事だけでなく、複数の要素がどう影響し合い、時間とともにどんなパターンを生んでいるかを見るための考え方です。
生成AIを補助的に使うと、出来事の整理、構成要素の洗い出し、因果関係の仮説づくり、フィードバックループ候補の発見、時間差の確認、介入案の比較といった作業を効率化できます。
一方で、AIは現場の事実や業務ルールを自動的に知っているわけではありません。もっともらしい因果関係や存在しない前提を作ることもあります。そのため、生成AIは「答えを出す役」ではなく、「仮説を広げ、抜けを探し、検証質問を作る役」として使うのが実務的です。
この記事では、生成AIをシステム思考へ組み込む具体的な方法を、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。
システム思考の意味や基本構造から確認したい場合は、システム思考とは?を参照してください。人だけで進める基本手順は、システム思考のやり方で確認できます。
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。
- 起きている出来事を時系列で整理する
- 繰り返しパターンの候補を探す
- 関係しそうな構成要素を洗い出す
- 因果関係の仮説を複数出す
- 強化ループ・抑制ループの候補を探す
- 時間差がありそうな関係を確認する
- 介入点候補を比較する
- 小さな検証実験を設計する
- 検証結果を見てモデル修正の質問を作る
一方で、次はAIだけに任せない方が安全です。
- 実際に何が起きたか
- 数値や件数の正確性
- 因果関係が本当に成立するか
- 組織内の責任や権限
- 介入策の実行可否
- 顧客・法務・安全への影響
- 最終的にどのモデルを採用するか
1. 出来事と繰り返しパターンを分ける
システム思考では、単発の出来事だけでなく、繰り返し現れるパターンを見ることが重要です。
プロンプト例
以下の業務メモを、
- 単発の出来事
- 繰り返しパターンの候補
- 追加確認が必要な点
に分けてください。
業務メモ:
- 今月、開発案件が3件遅れた
- 月末に遅延が増えることが多い
- 緊急案件の翌週は通常案件が遅れやすい
- 顧客から催促が入ると優先順位が変わる
- 並行案件が4件を超えると進捗が落ちる印象がある
条件:
- 書かれていない事実を補わない
- 「印象」と「確認済み事実」を分ける
- パターン候補には確認すべきデータも添える
出力の使い方
AIは「今月3件遅れた」を出来事、「月末」「緊急案件の翌週」「並行案件4件超」をパターン候補として整理できます。
人は実績データを確認し、本当に繰り返しているかを確定します。
2. 構成要素の候補を洗い出す
次に、問題へ影響していそうな要素を広げます。
プロンプト例
営業から開発へ渡る案件の納期遅延について、システム思考で確認すべき構成要素候補を出してください。
観点:
- 案件数
- 優先順位
- 仕様変更
- 担当者の切り替え
- レビュー待ち
- 顧客催促
- 残業
- 手戻り
条件:
- 人の意識だけを原因にしない
- 制度、ルール、情報、負荷、時間差も含める
- 最大12項目まで
出力の使い方
AIは、並行案件数、緊急案件比率、優先順位変更回数、仕様変更頻度、レビュー待ち時間、タスク切り替え時間、残業時間、ミス・手戻り件数などを候補化できます。
人は、実際に観測可能か、現場に存在する要素かを確認します。
3. 因果関係を「仮説」としてつなぐ
AIに因果関係を作らせるときは、確定事実ではなく仮説として扱います。
プロンプト例
以下の要素間で考えられる因果関係を、仮説として整理してください。
要素:
- 納期遅延
- 顧客催促
- 優先順位変更
- 割り込み
- 並行案件数
- タスク切り替え時間
- 実作業時間
条件:
- 各関係を「Aが増えるとBが増える/減る」の形で書く
- 確証がない関係には「要検証」と付ける
- 因果と単なる相関を混同しない
出力の使い方
AIは、
- 納期遅延が増える → 顧客催促が増える
- 顧客催促が増える → 優先順位変更が増える
- 優先順位変更が増える → 割り込みが増える
- 割り込みが増える → タスク切り替え時間が増える
- タスク切り替え時間が増える → 実作業時間が減る
- 実作業時間が減る → 納期遅延が増える
という仮説を作れます。
この時点では「正しいループ」ではありません。人がログ、ヒアリング、実績データで確認します。
4. フィードバックループ候補を探す
プロンプト例
以下の因果仮説から、強化ループまたは抑制ループの候補を探してください。
- 納期遅延↑ → 顧客催促↑
- 顧客催促↑ → 優先順位変更↑
- 優先順位変更↑ → 割り込み↑
- 割り込み↑ → タスク切り替え時間↑
- タスク切り替え時間↑ → 実作業時間↓
- 実作業時間↓ → 納期遅延↑
条件:
- ループの向きを説明する
- 人が確認すべき関係を列挙する
- 「ループがある」と断定しない
出力の使い方
AIは、「納期遅延が催促と割り込みを増やし、その結果さらに遅延を増やす強化ループ候補」と整理できます。
人は、優先順位変更が本当に割り込み増加へつながっているか、切り替え時間がどの程度発生しているかを確認します。
5. 時間差を見つける
システム思考では、施策の効果や副作用が遅れて現れることがあります。
プロンプト例
以下の施策・結果の間に、時間差がありそうな関係を整理してください。
状況:
- 遅延が増える
- 残業で処理量を増やす
- 数週間後に疲労が増える
- ミス・手戻りが増える
- 処理量が下がる
条件:
- 短期効果と中期副作用を分ける
- 期間は推測しすぎず「要確認」とする
出力の使い方
AIは、残業によって短期的には処理量が上がる一方、数週間後に疲労やミスが増え、再び処理量を下げる可能性を整理できます。
人は、残業時間と手戻り件数の時系列などを確認します。
6. 介入点候補を出す
AIは、目立つ症状ではなく構造へ介入する候補を広げる用途に使えます。
プロンプト例
以下の強化ループ候補に対して、症状対策と構造対策を分けて介入案を出してください。
ループ候補: 納期遅延 → 顧客催促 → 優先順位変更 → 割り込み増 → 切り替え時間増 → 実作業時間減 → 納期遅延
条件:
- 症状を一時的に抑える案
- ループそのものを弱める案
を分ける
- 実行コストと副作用の確認質問も出す
出力の使い方
AIは、
症状対策:
- 残業
- 一時的な応援要員
構造対策:
- 並行案件数に上限を設ける
- 緊急案件の受付条件を定義する
- 仕様変更時に納期再確認を行う
- 依頼時の必須情報を標準化する
などを候補化できます。
人は、実行可能性、権限、顧客影響を確認して絞ります。
7. 小さな検証実験を設計する
プロンプト例
以下の介入案を、1チーム・4週間で小さく検証する計画にしてください。
介入案:
- 並行案件は最大3件
- 緊急案件は管理者承認
- 仕様変更時は納期を再確認
- 依頼時の必須情報を標準化
確認したい指標:
- 優先順位変更回数
- タスク切り替え回数
- 平均リードタイム
- 納期遅延件数
- レビュー待ち時間
条件:
- 介入前後を比較できるようにする
- 一度に評価できない要因を明記する
- 成功条件を断定せず、判断基準案として出す
出力の使い方
AIは、測定タイミング、比較項目、週次確認項目を整理できます。
人は、現場負荷やデータ取得可能性を見て調整します。
8. 検証結果からモデル更新の質問を作る
システム思考は、一度図を書いて終わるものではありません。
プロンプト例
4週間の検証結果は次のとおりです。
- 優先順位変更:減少
- タスク切り替え:減少
- 納期遅延:減少
- レビュー待ち時間:ほぼ変化なし
現在のモデルに対して、追加で確認すべき仮説と質問を作ってください。
条件:
- 「施策が成功した」で終わらない
- 残った制約を探す
- 新しい構成要素候補も出す
出力の使い方
AIは、レビュー担当者の負荷、レビュー依頼の集中、レビュー開始条件、承認権限などを追加確認候補として出せます。
人は現場確認を行い、「レビュー待ち」を新たな構成要素としてモデルへ追加するか判断します。
通し例|営業→開発案件の納期遅延をAIと整理する
あるチームでは、営業から開発へ渡る案件の納期遅延が繰り返していました。
最初の説明は、
開発が遅い
営業の依頼が曖昧
という責任論に寄っていました。
そこで、まず過去3か月の会議メモ、案件件数、遅延件数、優先順位変更履歴を人が確認した上で、AIへ出来事とパターンの整理を依頼しました。
AIは、
- 月末に遅延が増える
- 緊急案件の翌週に通常案件が遅れる
- 並行案件が4件を超えた週に遅延が増える
- 顧客催促後に優先順位変更が増える
という候補を整理しました。
次に構成要素候補を出させ、
- 並行案件数
- 緊急案件数
- 優先順位変更回数
- タスク切り替え時間
- 実作業時間
- 残業時間
- 手戻り件数
- レビュー待ち時間
を確認対象にしました。
その後、AIで因果仮説を作り、人が実績とヒアリングで検証しました。
中心となった仮説は、
納期遅延 → 顧客催促 → 優先順位変更 → 割り込み・並行案件増 → 切り替え時間増 → 実作業時間減 → 納期遅延
という強化ループです。
さらに、残業については、
残業増 → 短期処理量増 → 数週間後の疲労増 → ミス・手戻り増 → 処理量低下 → 納期遅延
という時間差のある循環候補も出ました。
このモデルを基に、AIへ介入案を出させました。
候補の中から人が選んだのは、
- 並行案件を最大3件にする
- 緊急案件は管理者承認制にする
- 仕様変更時に納期を再確認する
- 依頼時の必須情報を標準化する
という4つです。
1チームで4週間試したところ、優先順位変更とタスク切り替え、納期遅延は減りました。
一方、レビュー待ち時間はほとんど変わりませんでした。
そこでAIに「残った制約を探す質問」を出させ、人がレビュー工程を調べた結果、レビュー担当者への依頼集中が新たなボトルネックになっていることが分かりました。
最終的にモデルへ「レビュー待ち」「レビュー担当者負荷」を追加しました。
この例でAIが担ったのは、パターン候補、構成要素候補、因果仮説、ループ候補、時間差、介入案、検証質問の整理です。
人が担ったのは、事実確認、因果関係の妥当性確認、施策選択、実行判断、検証結果の解釈、最終モデル更新です。
そのまま使える記入形式が必要なら、システム思考テンプレートを使うと、AIの出力を出来事・パターン・構成要素・因果関係・ループ・時間差・介入・検証へ整理しやすくなります。
具体案件への適用イメージを見たい場合は、システム思考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、システム思考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
事実とデータ
AIは会議メモや入力文からもっともらしいパターンを作れますが、実際の件数や時系列は人が確認します。
因果関係
AIは相関を因果のように表現することがあります。因果方向は現場ヒアリング、ログ、実績データで検証します。
フィードバックループ
図として閉じていても、実際に各関係が成立しなければ意味がありません。矢印ごとに根拠を確認します。
時間差
「数週間後」「数か月後」といった期間は業務によって異なります。AIの推測値をそのまま採用しません。
介入策
人員配置、受付ルール、顧客対応、権限変更などは、実行責任・副作用・コストを確認します。
最終モデル
AIがきれいな因果図を作っても、現場の説明力がなければ採用しません。検証結果に応じて人が更新します。
生成AIの誤りと限界
存在しない因果関係を作ることがある
もっともらしいストーリーを作り、実際には確認できない関係をつなぐ場合があります。
ループを作ること自体が目的化しやすい
「システム思考らしい図」を求めると、必要以上に複雑なループを作ることがあります。
人の態度を原因に寄せることがある
「意識が低い」「連携不足」といった説明へ流れる場合があります。制度、負荷、ルール、情報、時間差も確認します。
数値や期間を補うことがある
データがないのに、一般的な数値をもっともらしく提示することがあります。
介入案を一度に増やしすぎることがある
多数の改善策を同時実施すると、何が効いたか分からなくなります。小さく検証します。
機密情報の扱いに注意する
顧客名、案件情報、人事情報、障害内容、内部ルール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の出力を事実と仮説に分けたか
- パターン候補を実績データで確認したか
- 構成要素が現場に実在するか確認したか
- 因果関係を矢印ごとに検証したか
- 相関を因果と決めつけていないか
- フィードバックループを作ること自体が目的になっていないか
- 時間差の期間を人が確認したか
- 人の意識だけを原因にしていないか
- 介入案の実行責任と副作用を確認したか
- 一度に施策を増やしすぎていないか
- 検証結果を見てモデルを更新したか
- 機密情報を不用意に入力していないか
まとめ
生成AIは、システム思考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、出来事とパターンの整理、構成要素候補の洗い出し、因果仮説、フィードバックループ候補、時間差、介入案、小さな検証計画、モデル更新の質問づくりです。
一方で、事実、因果の妥当性、時間差、介入の実行可否、最終モデルは人が確認する必要があります。
生成AIに「正しい因果図」を作ってもらうのではなく、「仮説を広げる」「抜けを探す」「検証質問を作る」ために使うことで、システム思考を現場の問題整理と改善へ落とし込みやすくなります。