AIは仮説思考のすべてのステップを速くしてくれます。ただし、使い方を間違えると、AIの迎合がバイアスを増幅させる。加速装置にするか、落とし穴にするかは、指示の出し方次第です。
この記事でわかること
- AIが仮説思考のどのステップを加速するか
- AIの迎合傾向を打ち消す指示の出し方
- AIに任せていい仕事と、人間がやるべき仕事の線引き
ここまで5回にわたって、仮説思考の基礎を整理してきました。仮説とは何か、なぜ仮説が先か、どう立てるか、どう検証するか、外れたらどうするか。
最終回では、この仮説思考のサイクルにAIをどう組み込むかを整理します。Vol.1で「AI時代だからこそ仮説思考が必要」と言いました。その具体的な使い方がこの回のテーマです。
AIが加速する3つのステップ
仮説思考のサイクルは「問い→仮説→検証→次の問い」でした。このうち、AIが特に力を発揮するのは3つの場面です。
① 仮説を立てる場面——切り口の幅出し
Vol.3で「事実を3つ並べてパターンを見つける」と整理しました。でも、自分だけで考えると、どうしても視野が偏ります。営業の人は営業の視点で仮説を立てる。プロダクトの人はプロダクトの視点で仮説を立てる。
ここでAIに事実を渡して「この事実群から考えられる仮説を5つ、できるだけ異なる角度で出して」と頼む。自分では思いつかなかった切り口が出てくることがあります。
ポイントは「異なる角度で」と明示すること。「考えられる仮説を出して」だけだと、AIは似たような仮説を並べがちです。「営業面、プロダクト面、市場面、オペレーション面など、異なる視点で出して」と指定すると、幅が出ます。
AIが出した仮説候補はあくまで出発点です。自分の現場感覚と照らし合わせて「これはあり得る」「これは違う」と選別する。選別は人間の仕事です。
② 検証する場面——データ分析の実行
Vol.4で「仮説が正しいなら、こういうデータが出るはず」を設計すると整理しました。「はず」が決まったら、実際のデータ分析はAIに任せられます。
「UI変更が解約の引き金ではないかという仮説がある。正しければ、UI変更後の解約率は変更前より高いはず。さらに、変更された機能のヘビーユーザーに偏りがあるはず。このデータを分析して、この2つの『はず』が成り立つか検証して」。
仮説・「はず」・データの3点をセットで渡すと、AIの分析が的確になります。人間がExcelやSQLで数時間かけてやる作業が、数分で終わる。
③ 次の仮説を立てる場面——外れた後の切り替え
Vol.5で「外れた仮説から次の仮説を作る」と整理しました。外れた仮説の情報と、手元の事実データをまとめてAIに渡す。「UI変更は原因ではなかった。手元にあるデータはこれ。別の角度で考えられる仮説を出して」。
自分ではもう切り口が思いつかないとき、AIが別の視点を持ってきてくれることがあります。
AIの迎合が検証を壊す
ここまで読むと「AIは便利だ」で終わりそうですが、検証の場面で大きな落とし穴があります。
AIには「聞かれたことに対して肯定的に答えようとする傾向」があります。これは迎合、あるいはsycophancyと呼ばれる性質です。
「この仮説は正しいと思いますか？」と聞くと、AIは根拠が弱くても「その可能性は高いですね」と返しがちです。「このデータを見ると、仮説を支持していますか？」と聞けば、「はい、支持する傾向が見られます」と返ってくる。
これでは検証になりません。 Vol.1で整理した確証バイアスを、AIが増幅させてしまう。人間の「そうであってほしい」にAIが「そうですね」と応じる。最悪の組み合わせです。
バイアスを消す指示の出し方
AIの迎合を打ち消すには、指示の段階で明示的にバイアスを消す言葉を入れる必要があります。
悪い聞き方：
「UI変更が解約率上昇の原因だと思いますか？このデータを見てください」 → AIは「はい」と答える方向に引っ張られる。
良い聞き方：
「UI変更前後の解約率を比較して、以下の基準で判断してください。迎合することなく、データだけを冷静に見て評価すること。仮説を否定するデータがあれば、はっきり指摘すること。結論は『支持する』『否定する』『どちらとも言えない』の3択で、根拠とセットで回答すること」 → AIに「否定してもいい」と明示的に許可している。
この違いは大きい。具体的なコツをまとめます。
コツ①：「否定してもいい」と明示する。 「仮説を否定する材料があれば遠慮なく指摘してください」。AIに否定の許可を出す。これがないと、AIは肯定方向に寄る。
コツ②：結論の選択肢を先に渡す。 「支持する」「否定する」「どちらとも言えない」の3択を指定する。「どちらとも言えない」を選択肢に入れておくことで、AIが無理に白黒つけなくなる。
コツ③：根拠をセットで求める。 「結論だけでなく、なぜそう判断したかの根拠も示してください」。根拠を求めると、AIは「何となく支持する」とは言えなくなる。根拠を書こうとして、実は弱い根拠しかないことにAI自身が気づくこともある。
コツ④：反証を明示的に聞く。 「この仮説に対する反論や、見落としている可能性がある別の要因はありますか？」。検証結果を聞いたあとに、必ずこれを追加で聞く。
AIに任せていい仕事、人間がやるべき仕事
仮説思考のサイクル全体で、AIと人間の役割分担を整理します。
AIに任せていい仕事：
仮説の候補を幅広く出す（切り口の幅出し）。 データの集計・比較・パターン抽出（検証の実行）。 外れた仮説を踏まえた次の候補出し（再探索）。
人間がやるべき仕事：
どんな問いを立てるか決める。 AIが出した仮説候補から、自分の現場感覚で選ぶ。 検証の「はず」を設計する。 AIの検証結果が本当に正しいか、別の解釈はないか判断する。 最終的な結論を出し、打ち手を決める。
一言でまとめると、AIは「実行」を担い、人間は「設計」と「判断」を担う。何を調べるかを決めるのは人間、調べるのはAI、結果をどう解釈して何をするかを決めるのは人間。
問いの設計ができる人がAIを使うと速くなる
Vol.1で「仮説がないままAIを使っても判断にたどり着かない」と言いました。同じことが問いにも当てはまります。
問いが曖昧なままAIに丸投げすると、AIは当たり障りのない回答を返す。 「売上が下がっています。どうすればいいですか？」。AIは一般論しか言えない。
問いが具体的で、仮説を持ってAIに渡すと、AIは力を発揮する。 「新規商談数が3ヶ月連続で前年比30%減。リードの質が落ちたのではないかという仮説がある。リードソース別の商談化率を比較して、この仮説を冷静に検証して。否定する材料があればはっきり指摘して」。
問いの設計ができて、仮説を持てて、AIへの指示でバイアスを消せる人。この人がAIを使うと、仮説思考のサイクルが圧倒的に速く回ります。AIは加速装置であって、エンジンではない。エンジンは人間の「問い」と「仮説」です。
まとめ
この記事のポイントを3つにまとめます。
- AIは仮説思考の3つのステップを加速する。仮説の幅出し、検証のデータ分析、外れた後の再探索。ただし、AIに任せるのは「実行」であり、「設計」と「判断」は人間がやる
- 検証にAIを使うとき、迎合バイアスに注意。AIには「否定してもいい」と明示し、結論の選択肢を3択で渡し、根拠をセットで求め、反証を聞く。この指示がないと、AIが確証バイアスを増幅させる
- 問いの設計ができて仮説を持てる人がAIを使うと、サイクルが圧倒的に速く回る。AIは加速装置であって、エンジンではない。エンジンは人間の「問い」と「仮説」
ミニシリーズ「仮説思考の基礎」は今回で完結です。
