Microsoft 365 Copilotのライセンスは配られた。操作研修も終わった。
メールの下書きは速くなった。Teams会議の要約も便利になった。長い資料を読ませれば、要点もすぐ出てくる。
月曜日の朝、先週の会議をCopilotにまとめてもらい、そのまま週次ミーティングの準備をする。午後には、部下から上がってきた企画書をCopilotに読ませて、「課題を整理して」と頼む。
夕方、部長への報告メールを整えてもらう。
確かに、仕事は速くなった。効率化されたと実感する瞬間です。
では、ここで一つだけ考えてみてください。そのCopilotの使い方は、あなたの部下と何が違うでしょうか。
少し引っかかるものがあるとすれば、この記事はその違和感について書いています。
みなさん、こんにちは。《聴くチカラ研究所》の4DL Technologies株式会社CCO荒巻順です。ブログへのご訪問、ありがとうございます。
最近、Copilotをご利用されている大手企業様から、弊社ANTシリーズの中でもお問い合わせが増えている 《ANT-B0マネージャー編》 に関連した記事になります。
この記事は、「Copilotは使っている。便利なのも分かった。でも、マネージャーとしてこれでいいのか？」と、どこかで感じているチームマネージャー、主に課長層の方に向けて書いています。
Copilotの操作方法の話ではありません。
Copilotを通して、自分の判断のどこまでを自分の手元に置いているのか。
そして、部下とは異なる「マネージャーとしての視座」を、AIとの対話にどう持ち込むかという話です。
Copilotに部下と同じ作業をさせているだけでは、マネージャーとして積み上げてきた経験や判断力は、AIのアウトプットにはほとんど乗りません。
それは、Copilotの使い方が下手だからではありません。
もっと手前にある、
「自分は何を見て、何を基準に判断しているのか」をAIとの対話に入れていないからです。
例えば、週次会議。
Copilotがまとめた議事録を見ると、実によくできています。
決定事項。未決事項。担当者。次のアクション。
発言も整理されていて、以前のように会議後30分かけてメモを清書する必要もありません。
ところが、その会議に参加していたあなたは、議事録には書かれていないものも見ていたはずです。
新しい施策の話になった瞬間、いつも発言するベテランが黙った。
営業部門の課長が「分かりました」と答えたものの、どうも納得していないように見えた。
誰も反対しなかったが、来月の人員配置を考えれば、本当に実行できるのか少し怪しい。
そして何より、
「この案件、本当に今やるべきなのか？」
という感覚が、自分の中に残っている。
こうしたものは、議事録にはきれいに残りません。
もちろんMicrosoft 365 Copilotは、会議やメール、文書など組織内に存在する情報を非常に上手に扱えます。
しかし、その情報をどう読むか。
何を疑うか。
何を優先するか。
何を“まだ決めてはいけない”と感じるか。
そこには、マネージャーの経験と判断が入ります。
そこで、一つ確かめてほしい。
現実には部下の画面を覗き込むわけにはいきませんが、想像してみてください。
部下もCopilotを使っています。
「このメールを分かりやすくして」
「会議を要約して」
「この資料を整理して」
「この企画書の問題点を挙げて」
「競合を調べて」
では、あなたはどうでしょう。
並べてみると、使い方という意味では、実はかなり似ていないでしょうか。
もちろん、それ自体が悪いわけではありません。
問題は、
役割が違うのに、AIにさせている仕事が同じになっていることです。
誤解のないように言えば、Copilotによる効率化には大きな価値があります。
メールを書く時間が10分から3分になる。
1時間の会議を最初から聞き直さなくても済む。
数十ページの資料から論点を拾える。
調査の初速も上がる。
道具として大いに活用すべきでしょう。
ただし、ここで一度立ち止まって考えてみてください。
これらの業務処理の効率化は、基本的には現場スタッフにも共通するAI活用です。
では、マネージャーの仕事までそこで終わるでしょうか。
例えば、部下からこんな相談が来たとします。
「案件が増えてきたので、来期は2名増員したいです」
Copilotに、
「増員要求の妥当性を検討してください」
と聞けば、かなり立派な回答が返ってきます。
業務量。
残業時間。
売上見込み。
採用コスト。
生産性。
外注可能性。
どれも間違ってはいない。
おそらく、とてももっともらしい。
でも、課長であるあなたが本当に考えなければならないのは、それだけでしょうか。
そもそも来期の部門方針は何か。
会社全体では、どこに人を重点配分しようとしているのか。
この業務は、本当に2名増やして維持すべきものなのか。
半年後にAIや業務改革で半分にできる仕事ではないのか。
部長は、この要求をどの視点から見るのか。
ここから先は、
「増員が必要か」という問題を解くことではなく、問題そのものを一段高い場所から見直す仕事
になります。
これは、マネージャーの仕事でしょう。
そして生成AIは、こちらが与えた問いに対して、非常にもっともらしい答えを返してくれます。
ここが少し厄介です。
AIの回答は文章として完成度が高い。
論点も揃っている。
概ね正しい。
反論もしにくい。
だから、人間側に
「まあ、こんなものだろう」
という納得感が生まれやすい。
生成AIが返す答えの多くは、膨大な学習情報や与えられた業務データから導かれる、もっとも起こりやすい「典型解」です。
この典型解は、多くの場合よくできています。
だからこそ怖い。
マネージャーにとって怖いのは、AIが明らかに間違うことだけではありません。
むしろ、
AIがそれなりに正しいために、こちらが検証する理由を失ってしまうこと
の方が危ない。
約20年働いて身につけてきた経験。
何となく感じる違和感。
過去の失敗から学んだ勘所。
部長から任されている役割。
顧客との関係性。
チームメンバーそれぞれの力量。
そうしたものが一度もAIとの対話に登場しないまま、
「Copilot、便利だね」
で毎日が終わっているとしたら。
マネージャーとして積み上げてきた経験知が、AIと一度も接続されていないということになります。
では、マネージャーはCopilot、あるいは生成AIとどう向き合えばいいのでしょうか。
一つの出発点は、
AIに答えを求めるだけの使い方を、一度やめてみることです。
代わりに、
AIを使って、自分の中にある判断材料を引き出す。
例えば、部下から新しい企画が上がってきた。
何となく引っかかる。
でも、どこが悪いのかは、まだうまく言葉にできない。
そんなとき、すぐに、
「この企画の問題点を挙げて」
とAIに頼むのではなく、こう聞いてみる。
「私はこの企画に少し違和感があります。ただ、まだ理由をうまく説明できません。私がどこに引っかかっているのか整理したいので、一つずつ質問してください」
AIから聞かれる。
「この企画で、最も楽観的だと感じる前提はどこですか？」
考える。
「顧客がこのサービスを欲しがる、という前提かな」
さらにAIが聞く。
「そう感じる理由になる過去の経験はありますか？」
そこで思い出す。
3年前、似た企画を出したときもアンケートでは評判が良かった。
しかし、実際には購入まで進まなかった。
さらに聞かれる。
「今回と3年前では、何が違いますか？」
こうして対話していくと、
最初は単なる「何となく嫌な感じ」だったものが、
自分なりの判断基準
として言葉になってきます。
これは、AIが正解を教えているわけではありません。
むしろ逆です。
AIを鏡にして、自分の中にある暗黙知をこちら側から取り出している。
あなたの判断の勘所。
市場の見え方。
ライバルのこれまでの動き。
顧客がたまに見せる本音。
社内で実際に起きている力学。
上位方針との整合性。
これらは、一部が社内文書や会議記録として存在していたとしても、
「あなたがそれをどう解釈し、何を重要だと思っているか」
までは、自動的にAIへ入るわけではありません。
だからこそ、それをAIとの対話に持ち込む必要があります。
自部門にしかない固有解の材料は、AIの中だけにあるのではない。
あなたの中にもある。
AIに答えを求め続けるだけでは、それは出てきません。
AIから問い返させる。
問い返されることで、自分の中にある経験や判断基準が言葉になる。
ここから、マネージャーとしてのAI活用が少し変わり始めます。
ここで、《ANT-B0マネージャー編》で扱う4DL Technologies独自のAI活用設計思想、4DL-AASの考え方が関わってきます。
4DL-AASは、いわゆる
「良い回答を出すためのプロンプトテンプレート」
ではありません。
むしろ私たちは、
いきなりプロンプトを書き始めない
ことを大切にしています。
4DL-AASでは、AIとの対話を大きく三つの層で捉えます。
Protocol層
どういう順序でAIと考えるのか。
Alignment層
どの視点、どの判断軸から考えるのか。
Generat層。
それを具体的に、AIへどう伝えるのか。
一般的なプロンプト研修では、最後のGenerat層(一般的なPrompt)から始まることが多いでしょう。
「役割を設定しましょう」
「目的を書きましょう」
「条件を具体的にしましょう」
もちろん、それも必要です。
しかし、マネージャーの場合、その前にもっと難しい問いがあります。
そもそも、自分は何を基準に考えるのか。
例えば、部下の企画を前にしたとき。
同じ場面を三つの言葉で書き分けてみます。
「この企画は良いと思う。」
これは感想です。
AIへ渡しても、ほとんど意味を持ちません。
「当部門の承認基準を満たしている。」
これは組織の基準です。
AIに入れる価値はあります。
ただし、これはルールとして文書化できます。
では、
「私はまず、この企画が疑わずに置いている前提から見る。答えの良し悪しより、問いの立て方を見る。」
これはどうでしょう。
これは、単なる基準ではありません。
その人が、どこから考え始めるかという“思考の構え(あり方)”です。
これをAIに渡すと、返ってくるものが変わります。
例えば、
「私は企画の完成度よりも、本人が疑わずに置いている前提を最初に確認します。まず、この企画に含まれる暗黙の前提を列挙し、事業への影響が大きいものから私に問い返してください」
と書く。
AIからの返し方は、明らかに変わります。
プロンプトが長くなったからではありません。
あなたの“どう考えるか”がAIに渡ったからです。
4DL-AASが目指しているのは、AIに自由に考えさせることでも、人間が全部細かく指示することでもありません。
人間が持つ目的、判断基準、経験。
AIが持つ探索力、整理力、生成力。
それぞれの役割をどう設計し、どう組み合わせるか。
言い換えれば、
規律と創造を両立させながら、AIとの思考空間を設計すること。
これが4DL-AASの基本的な考え方です。
そして、これはマネージャーにとって非常に重要だと私たちは考えています。
会社の基準は、引き継ぎ書に書ける。業務手順も書ける。
しかし、
「私はこの状況では、まず何を見る」
という考える構えは、本人が言語化できなければ引き継げません。
AIに教えるために言語化する。
ところが実際には、その過程で一番自分の思考を確認しているのは、自分自身です。
AIに「どう考えるか」を書けるか。
これは、プロンプト作成能力の話というより、
自分自身のマネジメントのあり方を言葉にできるか
という問いなのかもしれません。
ここまで読むと、
「なるほど。でも、自分がAIをどう使っているかなんて、客観的には分からない」
と思われるかもしれません。
そこで《ANT-B0マネージャー編》では、冒頭に15問の簡易アセスメントを行います。
測定するのは、AIスキルの高低ではありません。
AIと向き合うときの、自分の距離感の傾向です。
これは善し悪しを判定するためのものではありません。
自分の持ち味、そして偏りを客観的に見てみるための仕掛けです。
例えば、
AIが出した答えに対して、どの程度自分で判断を残しているか。
納得できる回答が返ってきたとき、そこで進むのか、それとももう一度確かめるのか。
横軸を、
「判断を自分の手元に置く ↔ AIに預ける」
縦軸を、
「確かめてから進む ↔ 納得したら進む」
としてみる。
すると、AIとの関わり方を四つの傾向として見ることができます。
どの象限が優秀で、どこがダメという話ではありません。
慎重に確認する人には、その強みがある。
AIを大胆に使う人にも、その強みがある。
重要なのは、
自分がどちらに寄りやすいかを、自分自身が知っているか。
同じ会社。
同じ部署。
同じ「課長」という肩書。
同じCopilot。
それでも、AIとの距離感は同じではありません。
実際に測ってみると、隣の席の課長と自分が、対角の象限にいることも珍しくありません。
そして、一つ注意したいのは、
「判断を預け、確かめなくなる」
傾向に陥りやすいのは、必ずしもAIを使えていない人ではないということです。
むしろ、AIを使い慣れた人ほど、
「今回もだいたい合っている」
「前回も使えた」
「この程度なら任せても大丈夫」
という成功体験が積み上がります。
すると、いつの間にか人間の役割が、
確認する人から、承認する人へ変わってしまうことがあります。
あなたは、どこにいるでしょうか。
まずは、ワークショップではそれを知るところから始めます。
《ANT-B0マネージャー編》のゴールは、Copilotの新機能を覚えることではありません。
プロンプトのテンプレートを100個持ち帰ることでもありません。
もっと日常的なところに置いています。
明日の会議で、部下に投げる問いが一つ変わるか。
例えば、部下が新しい企画を説明したあと。
以前なら、
「で、売上はいくらになる？」
と聞いていたところを、
「この企画で、君が一番疑っていない前提は何？」
と聞くようになるかもしれない。
あるいは、
「競合はどうしている？」
ではなく、
「競合と同じ前提で考える必要は、本当にある？」
になるかもしれない。
先ほどの増員要求であれば、
「何人必要なの？」
ではなく、
「そもそも今ある仕事を全部残す前提で考えていない？」
になるかもしれません。
これらはAIが考えた「気の利いた質問集」ではありません。
自分自身がAIとの対話を通じて、一度視点を上げ、そこからチームへ投げ返す問いです。
マネージャーは、自分の担当業務だけを見ているわけにはいきません。
自課の目標。
他部署との関係。
部全体の方針。
会社の重点施策。
限られた人員や予算。
これらを見ながら、再び現場に戻って判断する。
つまり、
上がる。
一度、自分たちの外側から見る。
そして、現場へ戻る。
この視座の往復が、マネージャーには必要になります。
生成AIは、この往復を支える非常に強力な思考相手になり得ます。
だからこそ、部下とマネージャーが、まったく同じAIの使い方でよいはずはない。
役職が上がれば、AIにさせる作業が変わるというより、
AIと一緒に考える高さが変わる。
私はそう考えています。
「AIに答えを求めるマネージャー」から、
「AIとの対話で自分の暗黙知を引き出し視座を柔軟に変化させ、意味の変わったその視点をチームに投げ返すマネージャー」へ。
変化は研修室で完結するものではありません。翌日の会議室で始まります。
こうした向き合い方の転換を、3時間のワークショップにしたものが、《ANT-B0マネージャー編》です。
冒頭、15問の質問に手元のスマートフォンから回答していただきます。
その結果、自分たちのAIとの距離感が、スクリーン上に点の分布として現れます。
ただし、この段階では軸の意味を詳しく説明しません。
そのまま座学に入ります。
「生成AIはなぜ、もっともらしい答えを返すのか」
「なぜ、私たちはその答えをそのまま採用したくなるのか」
「マネージャーは、部下と何を変える必要があるのか」
実際の業務場面を使いながら考えていきます。
そして、4DL-AASの考え方の一部を使い、
AIへ単に指示するのではなく、
自分の目的、視点、判断基準、疑うべき前提をAIとの対話へどう持ち込むか
を体験します。
講師によるデモを見るだけではありません。
ご自身のCopilotを使い、
同じテーマに対して、
普通に聞いた場合と、
自分の「考える構え」を入れた場合で、
返答がどう変わるのかを確かめていただきます。
その後、冒頭のアセスメント結果に軸の意味を重ねます。
自分はAIへ判断を預けやすいのか。
確認を重ねるのか。
納得すると進みやすいのか。
同じ部門のマネージャー同士でも、AIとの距離感が異なることを見ていきます。
そこで大事なのは、点数の高低ではありません。
自分はAIとどう向き合いやすい人なのか。
その現在地を知ることです。
そして最後に行うのは、
「今日覚えたプロンプトを書く」
ことではありません。
明日の職場で、マネージャーとして何を問い直すか。です。
Copilotの導入効果を、メール作成時間の短縮や議事録作成の自動化だけで終わらせるのか。
それとも、長年かけて身につけた経験知をAIとの対話に持ち込み、自分自身の視座と、チームの考える力を一段上げる道具として使うのか。
その分かれ目は、AIの性能ではないと思います。
マネージャーが、AIに何を任せ、何を自分の手元に残すのか。
そして、
自分がどこから考えているのかを、AIに言葉として渡せるか。
そこにあります。
もし最近、
「Copilotは便利になった。でも、自分の仕事は本当に変わったのだろうか」
と感じることがあれば、
その違和感は、次のAI活用へ進む良い入口かもしれません。
《ANT-B0マネージャー編》の詳細は、以下のカタログでご紹介しています。
一般的なCopilot操作研修やプロンプト研修とは何が違うのか。実際のワーク例も含めてご覧いただけます。
AIに仕事を速くしてもらう。
その次は、
AIを使って、自分たちの視座を変える。
マネージャーにとっての生成AI活用は、そこからが本番ではないでしょうか。
荒巻 順｜Jun Aramaki
4DL Technologies株式会社 CCO（AI Solution Design 担当コンサルタント）
東京・深川の鉄工所の三代目として、ものづくりの現場を原点に持つ。20歳で家業を承継し、図面、段取り、納期、品質、顧客対応と向き合う中で、「現場の事実から判断軸をつくる」感覚を身につけてきた。
その後、PCサポート業、モバイル業界の顧客接点支援、法人営業部門の人材育成・制度設計を経て、現在は4DL Technologies株式会社で、生成AIを活用した人材育成・組織変革・営業力強化の支援を担当している。
技術者ではない。ただし、技術を「現場で使える状態」に翻訳することを仕事にしてきた。
NTTドコモビジネス関連の法人営業領域では25年以上にわたり、BtoBセールス部門の研修体系、資格認定制度、教材設計、運用支援、効果測定に携わり、延べ40,000人を超える現場の育成支援に伴走してきた。
大企業の内側でキャリアを積んできたわけではない。
深川の鉄工所、中小企業経営、現場支援、法人営業人材育成を経て、組織の外側から日本を代表するエンタープライズ企業の現場と向き合い続けてきた。
組織の作法は、お客様に鍛えられて学んできた。一方で、組織の常識に染まりきったわけではない。
だからこそ、現場にある違和感や前提のズレに対して、「それは本当に正しいのか」「別のやり方はないのか」と問いを立てることを重視している。
エンタープライズ企業の担当者は、多くの場合、自社の問題認識や課題感をすでに持っている。一方で、その見立てが本当に正しいのか、別の捉え方はないのか、組織としてどこまで踏み出せるのかに迷っていることも少なくない。
そのため、商談や設計の場では、あえて反対側の視点や異なる仮説を提示し、発想の幅を広げることを重視している。重要なのは、奇抜な正解を押しつけることではない。組織が受け止められる範囲で視野を広げ、現実的に動ける着地点を共につくることである。
正しいことを言うだけでは、現場は動かない。
どれほど筋の通った設計でも、相手の組織文化や意思決定の作法に翻訳できなければ、定着しない。そのこともまた、現場に教わってきた。
組織とは、人を歯車にするためのものではない。目的・目標・役割・判断基準を揃え、一人ひとりが自分の使命を理解し、自律的に判断しながら全体として動くための構造である。
AI時代において、この組織観はさらに重要になる。
人が自分の使命を忘れ、判断を手放し、与えられた作業だけをこなす存在になった瞬間、その仕事はAIに置き換えられやすくなる。だからこそ、AI活用とは単なる効率化ではなく、人とチームが何を判断し、何を担い、何のために動くのかを問い直す営みである。
鉄工所では、設計図のない仕事は始められない。
AI時代の人材育成も同じである。どんな人材を育てたいのか。何を測るのか。どこにギャップがあるのか。それを定めないまま研修や施策を実施しても、現場は変わらない。
現在は、4DL Technologiesの「ANT-DXA（AI時代のDX人材アセスメント）」を通じて、企業が目指すDX人材像の定義、現状とのギャップ可視化、育成施策への接続を支援している。
また、4DL Technologies独自のLLM駆動アーキテクチャ「4DL-AAS」を設計思想に、Microsoft 365 Copilot、ChatGPT、Gemini、Claude、Dify、Copilot Studioなどの生成AIを、企業の方針・業務文脈・現場判断に接続する支援を行っている。
目指しているのは、AIを使える人を増やすことだけではない。
AIを介して、リーダーを孤独にせず、メンバーを迷子にせず、チームが自ら考え、判断し、動き続ける状態をつくることだ。
・AIを導入したが、現場での活用が広がらない。
・CopilotやChatGPTを入れたものの、使い方が属人化している。
・研修を実施しても、業務変革や組織変化につながっていない。
・DX人材育成を進めたいが、何を測ればよいかわからない。
そうした課題に対し、要件定義から設計、教材開発、運用、効果測定、改善提案まで、企業ごとの文脈に合わせたフルスクラッチ型の支援を行っている。
AIを「便利な道具」で終わらせず、ヒトとチームの判断力・創造力・実行力を高める仕組みに変える。
そのための設計と実装に、現場起点で伴走している。
■4DL Technologies株式会社にご相談いただけるテーマ■
・ANT-DXA（AI時代のDX人材アセスメント）の設計・運用
・AI時代に求められるDX人材像の定義と可視化
・Microsoft 365 Copilot / ChatGPT / Gemini / Claude などの生成AI活用・定着支援
・DX推進部門向けのAI活用人材育成・研修設計
・BtoBセールス部門のAI活用・営業力強化
・生成AIを活用した業務変革・チーム学習・判断支援の設計
・4DL-AASに基づくAIエージェント設計・プロンプト設計支援
・AI導入後の活用状況診断、定着施策、効果測定
「AIを導入したが、現場の変化が見えない」
「DX人材育成を進めたいが、何を測ればよいかわからない」
「研修や施策を始める前に、自社の現在地を可視化したい」
「Copilotや生成AIを、個人の便利ツールではなく組織の実行力につなげたい」
そう感じているDX推進部門・人材育成部門・営業企画部門の方は、ぜひ一度ご相談ください。