“人間関係の悩み”にも

解決策を示せるChatGPT

「神プロンプト」ベスト1

いま、ビジネスパーソンの間で

「AI」が急速に浸透している。

一部ではAIと対話して仕事を進めることが、

すでに当たり前になっている。

しかし一方で、

「AIなんて仕事の役には立たない」

「使ってみたけど、

期待外れだった」という声も聞こえる。

「それは使い方の問題。

AIの力を引き出すには適切な“聞き方”が必要です」。

そう語るのは、グーグル、マイクロソフト、

NTTドコモ、富士通、KDDIなどを含む

600社以上、

のべ2万人以上に発想や思考の

研修をしてきた石井力重氏だ。

「資料やメールを作成させるだけではもったいない。

AIは適切に使えば、

思考や発想といった仕事の負担も

減らしてくれます」と言う。

 

 

 

 

悩みの「深掘り」は

王道のアプローチ

　抽象的な「悩み」を、

考えやすい「お題」に変える

アプローチが3つあります。

そのうちの1つが「深掘り」です。

悩みを掘り下げて、

その本質を追求します。

ビジネスにも、プライベートな生活の中にも、

難問は存在します。解決が難しいのは、

表層的な部分しか見えておらず、

解決の糸口となる「要因」が見えないから。

問題解決を妨げている本質的な

要因を探る必要があります。

その問題の

「根っこ」を見つける

鉛筆を例にしてみましょう。

「鉛筆の芯がすぐに折れる」

という悩みがあったとします。

そのままでは解決の糸口がつかめませんが、

「それはなぜなのか？」と深掘りしてみると

「鉛筆の芯が薄くて脆い」

「鉛筆の削り方が不適切」

「書くときに鉛筆を寝かせすぎている」など、

問題の核心に近づいていきます。

そこからさらに「鉛筆の芯が品質不良」

「鉛筆の芯が偏って削られている」

「鉛筆が落下したり衝撃を受けたり

しやすい環境にある」

「鉛筆の表面が滑りやすいから、

不適切な持ち方になる」……など、

可能性のある要因を言語化していく、

つまり根っこを深掘りしていきます。

このプロセスは、

よく「なぜなぜ分析」とも呼ばれます。

最終的に「手動の鉛筆削りを使って

均等に芯を削るには？」

「適切な持ち方をサポートするには？」など、

アイデアを考えやすい「お題」に変換していきます。

これが悩みを「深掘り」して

課題に変えるアプローチです。

この要因発見のプロセスを、

私は「根っこを見る」と称しています。

AIの力で悩みの要因を

見つける技法

「悩みの根っこ」

「悩み」を深く掘り下げ、

要因を探っていくことは

パッとできることでもありません。

それなりのトレーニングが

必要だと言われてきました。

忙しい私たちはAIの力を借りてしまいましょう。

　それが、

技法その45「悩みの根っこ」です。

当初の「悩み」が持つ根本的な要因を列挙してもらい、

「お題」化するところまでをいったんAIに任せます。

こちらが、そのプロンプトです。

プロンプトには「問題の根底」「根底要因を7つ」と、

本質に向かって悩みを

掘り下げるような指示を明示しています。

「悩み」の要因は1つだけでなく、

複数あることもよくあります。

課題化の道筋も1つではない、

ということですね。

また「回答が長くなった場合も

省略せずに書き出してください」

という一文を明記しています。

内容を豊かに保ちつつ回答を完全に

提供してもらうためのテクニックです。

なお、ChatGPT以外の対話型AIでも

十分に効果を発揮するプロンプトです。

「抽象度の高い悩み」

に最適な技法

アイデアの方向性がつかめないようなら、

目の前にあるそのお題は、

まだ悩みの段階なのかもしれません。

技法「悩みの根っこ」の使いどころでしょう。

解決を半ば諦めてしまっているような

「長期間の悩み」に使ってみてもよいと思います。

悩みの要因を深掘りして、

複数にわたって列挙するのはAIの

得意とするところ。

使わない手はありません。

なぜなら私たちが自由に使えるAIは、

すでに膨大なデータを学習しています。

あなたの悩みが世界初登場でないかぎり、

AIは過去データを活用して興味深い

洞察を提供してくれます。

もちろん完璧とは言いませんが、

時間も節約できて、

糸口を得るという意味ではかなり役立ちます。

私が研究、

実践してきたかぎりでは、

とくに人間関係や社会生活に関する悩みに

技法「悩みの根っこ」を使った際は、

多くの場合で高レベルな回答を出してくれました。

　一方、

技術的な悩みの場合は、

回答の品質がまちまち。

技術的な悩みには固有の複雑さがあるため、

類似のデータを異なる領域の悩みに

当てはめるのが難しいからなのかもしれません。