生成AIがあれば専門家はいらなくなるのか？ロジックツリー生成に使ってみると...
マーケティングの勉強をするときに基礎として習うのが「ロジカル・シンキング」の手法です。ロジカル・シンキングは言うまでもなく、事象を論理的に捉え、問題解決能力の向上、意思決定の質の向上、議論の質を高めて説得力を向上させることなどに役立ちます。そして生活に浸透しつつある生成AIもロジカル・シンキングを行う際のツールとして活用することができます。この記事では、ロジカル・シンキングを使ったプロセスに生成AIがどの程度使えるのかを実際の例を見ながら見てみたいと思います。
事業計画の作成時に役立つロジカル・シンキング
4月から新しい会計年度が始まる企業・団体では、今はちょうど新しい会計年度の事業計画、セールスプラン、マーケティングプラン等を作成・最終化しているタイミングでしょう。
これらの計画を作成する際は、前年度の活動の振り返りや各種データ等を元に「たたき台」を作ったうえで、社内外の様々な利害関係者と議論を重ねながら意見調整を行って仕上げていく必要があります。計画の作成者が計画を無事完成させてレビューを通過し実行に移すには、事象を論理的に観察し、可能性を検討したうえで、論理的に利害関係者を説得していく必要があります。
そのため、最初の出発点となる「たたき台」の作成は重要です。新たなアイディアを求められたり、あらゆる可能性を考慮するといったところで思い悩む担当者も多いことでしょう。典型的な手法としては、ロジカル・シンキングの手法を用いて、事象をロジックツリー (Whyツリー、Whatツリー、Howツリー)で整理し、計画の目的、対象、手法についていくつかの典型的な可能性を探ります。
ロジックツリーの生成に使える対話型生成AI
この2年の間、ChatGPTをはじめとする対話型生成AIが登場してから、たたき台の作成プロセスが大きく変わりました。対話型生成AIはそのままの状態でインターネット上をはじめとして世の中で広く出回っている情報をベースに壁打ち・ブレストを行ってくれます。自分の企業・団体以外のいろいろな情報をもとにアイディアを出してくれるので、視野が狭くなりがちになるアイディア出しの視点を広げるのにも役立つでしょう。
実際に以下の課題で試してみましょう。
課題:
トラック運輸業界の若手の定着率はなぜ低いのか？
ひとまず対話してみる
まずは対話型生成AIに質問を投げてみましょう。ここではChatGPT-3.5-turboを使うことにします。
👤トラック運輸業界の若手の定着率はなぜ低いのか？
🤖トラック運輸業界の若手の定着率が低い理由はいくつか考えられます。まず、トラック運輸業界は過酷な労働環境や長時間労働が求められることがあります。これにより、若手労働者が仕事の負担やストレスに耐えられず、他の業界に転職するケースが多いです。
また、トラック運輸業界は給与水準が低いことも若手の定着率が低い要因です。若手労働者は経済的な安定を求める傾向があり、給与が低いと他の業界に魅力を感じて転職することがあります。
さらに、トラック運輸業界は労働条件や待遇面での改善が進んでいないことも若手の定着率が低い理由です。若手労働者は働きやすい環境や福利厚生を求める傾向があり、これらが不十分な場合には他の業界に転職することがあります。
以上のような要因が重なり、トラック運輸業界の若手の定着率が低いと言われています。この問題を解決するためには、労働環境や給与水準、待遇面の改善が必要とされています。また、若手労働者の意識や価値観に合わせた働き方の提案やキャリアパスの整備なども重要な要素となります。
文章として回答が返ってきました。これを「ロジックツリー」を使って整理してもらいます。
👤主な原因を5つロジックツリーで出力して
🤖以下に、トラック運輸業界の若手の定着率が低い原因をロジックツリーで出力します。
1.労働環境の過酷さ
●長時間労働
●仕事の負担やストレス
●体力的な負担
2. 給与水準の低さ
●経済的な安定を求める傾向
●他の業界と比較して低い給与
3. 労働条件や待遇面の改善の不足
●働きやすい環境の欠如
●福利厚生の不十分さ
4. キャリアパスの不明確さ
●昇進や昇給の見込みの不透明さ
●スキルや経験の活かし方が限定的
5. 仕事の単調さ
●ルーティンワークの多さ
●刺激ややりがいの欠如
回答内容はなんとなくそれっぽい内容ですが、階層が浅く、かつトラック運輸業界に限らない一般的な内容も含まれています。
プロンプトを工夫する
生成AIはプロンプト (AIに命令する内容)で出力が大きく異なってくることが知られているので、良いプロンプトを試行錯誤をして入力します。
👤#条件:
ステップバイステップで考えてください。
結果は体言止めでなく文章で出力してください。
依頼者の条件: ロジックツリーを作成し、問題を網羅的に把握し、整理したい企業
制作者の条件: {課題}に深い知識と見識を持ち、問題を明確化できる能力を有する、ロジックツリー作成に精通したマーケティングコンサルタント。
目的と目標: 問題を明確化し、網羅的に整理して、効果的なロジックツリーを生成する
評価基準: 生成されたロジックツリーが論理的かつMECE、目標を達成するための効果的な手段を提供しているかどうか
最初の階層では、{課題}の原因を、MECEになるように3つの具体的な内容に分けてください。さらに次の階層では、MECEになるように、これらをさらに2つのより具体的な要素に分解してください。
上記内容を参考にロジックツリーを作成してください。
#課題:
トラック運輸業界の若手の定着率はなぜ低いのか？
「ステップバイステップで考える」「MECE」という単語や、最初の階層、次の階層で幾つに分けるか、といったあたりが重要な要素です。このプロンプトにより次のような結果が得られます。
🤖ロジックツリーを作成するために、まずは課題を明確化し、MECEになるように3つの具体的な内容に分けましょう。
課題: トラック運輸業界の若手の定着率が低い理由
■労働条件の問題
● 長時間労働や過酷な労働環境
● 給与水準の低さ
● 休暇や休日の制約
■就業環境の問題
● 運転中のストレスや危険性
● 長期間の出張や遠距離の運転
● 仕事とプライベートのバランスの難しさ
■キャリアの見通しの問題
● 昇進やキャリアアップの機会の限定性
● 専門的なスキルや知識の不足
● 他の業界への転職の魅力
次に、これらの要素をさらに2つのより具体的な要素に分解していきましょう。
1.労働条件の問題
1.1 長時間労働や過酷な労働環境
● 運転時間の制約や過重労働
● 運転中のストレスや危険性
1.2 給与水準の低さ
● 基本給の低さ
● 労働時間に対する報酬の不足
1.3 休暇や休日の制約
● 休暇の取得が難しい
● 休日出勤やシフト制の影響
2.就業環境の問題
2.1 運転中のストレスや危険性
● 交通事故のリスク
● 長時間の運転による身体的・精神的負担
2.2 長期間の出張や遠距離の運転
● 家族との離れ離れ
● 長期間の運転による疲労やストレス
2.3 仕事とプライベートのバランスの難しさ
● 不規則な勤務時間や休日出勤
● 仕事と家庭生活の両立の難しさ
3. キャリアの見通しの問題
3.1 昇進やキャリアアップの機会の限定性
● 上司や管理職のポジションの少なさ
● 昇進の基準や評価制度の不透明さ
3.2 専門的なスキルや知識の不足
● トラック運転に関する専門的な教育や研修の不足
● 技術や業界の変化に対応できるスキルの不足
3.3 他の業界への転職の魅力
● 給与や労働条件の改善が見込める他の業界への誘引
● 専門的なスキルや知識を活かせる他の業界の需要
以上が、トラック運輸業界の若手の定着率が低い理由に関するロジックツリーです。このツリーは論理的かつMECEになっており、問題を明確化し、網羅的に整理することができました。
よりそれっぽくなってきましたね。
回答内容を検証してみると…
それでは、回答内容を細かく見て評価していきましょう。
トップの階層の要素「労働条件の問題」「就業環境の問題」「キャリアの見通しの問題」について見てみます。AIは「まずは課題を明確化し、MECEになるように3つの具体的な内容に分けましょう。」と言っていますが、この3つは本当に果たしてMECEでしょうか？同じプロンプトでChatGPT-4に聞くと「労働環境」「報酬」「キャリアパス」の3つが、PaLM2に聞くと「労働環境が悪い」「賃金が低い」「キャリアパスが不明確」が返ってきます。
ChatGPT-4とPaLM2はほぼ同じ回答で、ChatGPT-3.5-turboとも、最初の2つの項目の切り方を多少変えれば同じになるかな？とも思うのですが、厳密に考えると「労働条件」「報酬」「賃金」はどれも言葉がカバーする範囲は異なっているため、主な課題の大部分はカバーする可能性があるものの、3つの言葉でカバーする領域も違えば、当然MECEにもなりません。
厳密にMECEであるものに分解する場合、「(プラスとマイナス、質と量、内と外のような)対概念」「(足し算、掛け算、引き算のような)因数分解」「(短中長期、年齢・年次、PDCA、フェーズのような)時系列」「(3C・4P・PESTのような)既存フレームワーク」のような決まった手法に従う必要があります。対話型生成AIは、単語間の統計的なつながり情報を元に項目を挙げるため、決まった手法に従ったMECEな要素への分解は厳しそうです。
また、トラック運輸業界の一般的な離職率でなく「若手」に絞っているため、分解手法として「就職前」「就職1年目」「就職2年目以降」のような時系列でまず分解するような "センス" も求められるのですが、この辺も難しそうです。
また、同じ階層で出て来る項目の優先度が、実際のケースと比べて洗練されていないものが多い印象です。特に、若手だからこそ当てはまるものが優先されていません。
結論: 網羅性について確認する手段として有効だが専門性はまだ低い
このように、出力された回答を見ると、プロのコンサルタントが作成するロジックツリーと比べると、品質にいくつかの観点でまだ大きな欠陥があるように思います。プロンプトを工夫することで改善されるところがあるかもしれませんが、より洗練された回答をだし、かつ汎用性を持たせるプロンプトを開発するのもなかなか骨が折れそうです。
いまのところは、専門性を持った人間が壁打ちツールとして活用し、自分の思考が狭まっていないかを確認する為に使うのに有効ですが、得られた回答をそのままクライアントに提出できるほどの品質にはまだ遠いようです。
LLMの世代が上がることで、そのうち何らかのブレークスルーがあることに期待したいところです。いまのところは期待しながら、専門家の補助ツールとして活用する方針を取るのが妥当そうですね。
最後までお読みいただきありがとうございました。では、また！
参考記事: