AIを使うようになってから、ますます感じることがある。
それは、頭の良さの中心が「答えを知っていること」から「何を問うべきかを決められること」に移っている、ということだ。
昔は、知識をたくさん持っている人が強かった。検索がうまい人、暗記している人、正解を早く出せる人が評価されやすかった。
でも今は、ChatGPTのようなAIに聞けば、一般的な知識や整理された回答はすぐに出てくる。もちろんAIの答えは検証が必要だが、「何かしらの答えを出す」だけなら、かなり簡単になった。
では、人間側に何が残るのか。
自分の中では、それは「問いを設計する力」だと思っている。
ここでは、転職や読書の例を使って、AIに聞く前に何を整理すればよいかを考える。問いが増えすぎて動けなくなったときの分け方も紹介する。
アジェンダ設計とは、要するに「今日、何を決めるか」を決めること
アジェンダという言葉は、会議で使われることが多い。
「今日の議題は何か」「何を話し合うのか」「最後に何が決まっていれば成功なのか」。これを決めるのがアジェンダだ。
これは会議だけの話ではない。
仕事でも、転職でも、AIへの質問でも、人生の悩みでも同じだ。
たとえば、ただ「転職した方がいいですか？」と聞くだけだと、答えは薄くなる。
でも、こう聞くと変わる。
- 現職に残るなら、何が改善されていれば残る価値があるのか
- 異動するなら、そこで何の実績を取りに行くべきか
- 転職するなら、年収・在宅勤務・心身への負担・仕事の種類のどれを優先するのか
- 今すぐ動くべきなのか、それとも一定期間は実績作りに使うべきなのか
ここまで分けると、AIはただの占い師ではなく、判断の補助ツールになる。
つまり、AIをうまく使うとは、魔法のプロンプトを知ることではない。
自分の状況、目的、制約、判断基準を言葉にして、AIが処理できる形にすることだ。
研究や実務でも「問いの設計」は重視されている
これは感覚論だけではない。
OpenAIのプロンプト設計ガイドでは、プロンプトとはモデルに望む結果を出させるための「効果的な指示」を書くことだと説明されている。つまり、AIの出力は、入口の指示に大きく左右される。
Googleの機械学習向けの問題定義ガイドでも、まず「理想の結果」「モデルの目標」「必要な出力」「成功指標」を定義することが重視されている。これはAI開発の話だが、普通の仕事にもそのまま当てはまる。
また、学習や問題解決の研究では「メタ認知」という考え方がある。簡単に言うと、自分が何を考えているかを一段上から見る力だ。MITの教育資料では、メタ認知を「課題、学習方法、自分自身についての知識を使い、計画し、進み具合を確認し、結果を評価すること」と説明している。
つまり、強い人はただ考えているのではない。
「今、自分は何を解こうとしているのか」 「このやり方で進んでいるのか」 「そもそも問いがズレていないか」
を見ている。
この力が、AI時代にはかなり重要になる。
問いを設計できる人は、AIを検索箱ではなく加工機として使う
AIを使っても薄い答えしか出ない人は、AIをGoogle検索の代わりとして使っていることが多い。
「おすすめは？」 「どうすればいい？」 「正解は？」
もちろん、それでもある程度の答えは出る。
でも、本当に価値が出るのは、問いに文脈を乗せた時だ。
たとえば、読書習慣をつけたい場合でも、
「読書の習慣をつけるには？」
より、
「平日は仕事で疲れていて、夜にスマホを見てしまう。三日坊主になりやすい自分が、まず10分だけ読書を続けるには、どんな環境設計とルールが有効か？」
と聞いた方が、答えは一気に使えるものになる。
これは、AIの性能差というより、こちら側の問いの差だ。
自分の状況を言語化し、制約を出し、ゴールを置き、欲しい出力形式まで指定する。
この時点で、半分くらいはもう問題解決が始まっている。
自分がこれをできる理由は、たぶん「曖昧な環境で燃えた経験」が大きい
自分の場合、なぜこの問いの設計ができるようになったのか。
たぶん、元からの性格だけではない。
大きいのは、曖昧な環境で痛い目を見てきたことだと思う。
目的が曖昧。判断者が分からない。完成条件が見えない。後から「そういう意味じゃなかった」と言われる。責任範囲がぼやける。空気や態度で評価される。
こういう環境では、いきなり作業に入ると燃える。
だから自然と、先に確認するようになる。
- 目的は何か
- 誰が判断するのか
- いつまでに必要なのか
- 最低限どこまでやればいいのか
- 優先順位は何か
- やらなくていいことは何か
- 完成条件は何か
これは、きれいなビジネススキルというより、生存戦略だった。
作業前に論点を定義しないと、自分が削られる。だから防御技として、アジェンダ設計が鍛えられた。
「違和感」を放置できない人は、問いを作りやすい
もう一つ大きいのは、違和感を放置できないことだ。
「なんかおかしくないか？」で終わらずに、
- 何がおかしいのか
- どの前提がズレているのか
- 誰の責任が混ざっているのか
- 何を決めれば前に進むのか
- これは感情の問題なのか、構造の問題なのか
まで分解したくなる。
この癖は疲れる。
でも、AIとの相性はかなりいい。
なぜならAIは、文脈と条件を渡すほど強くなるからだ。
「これをどう思う？」だけでなく、
「この前提で」 「この制約で」 「この目的なら」 「論点を分けて」 「今ある時間や道具だけで」 「面談用に」 「見出しと箇条書きで」 「コード作成を手伝うCodexへの指示文にして」
と渡せる人は、AIをただの回答装置ではなく、思考の加工機として使える。
問いを作れる人の副作用：「問いが多すぎる」
ただし、問いを作れることには副作用もある。
問いが作れない人は、何を考えればいいか分からずに止まる。
一方で、問いを作れすぎる人は、問いが増えすぎて止まる。
たとえば、仕事の悩みを考えているうちに、
- 現職に残るべきか
- 異動で何を取るべきか
- 転職するならどの職種か
- 今の疲労は一時的なのか構造的なのか
- 年収と自由のどちらを優先するのか
- 将来の資産形成とどうつながるのか
- そもそも人生で何を守りたいのか
まで一気に広がる。
これは能力ではある。
でも、疲れている時に全部を同時に処理しようとすると、脳が終わる。
だから、問いを作れる人に必要なのは、さらに多く問う力ではない。
「今は問わなくていい問い」を捨てる力だ。
これから必要なのは、問いを4種類に分けること
問いが多発する人は、全部を同じ重さで扱わない方がいい。
自分の場合は、次の4つに分けるとかなり整理しやすい。
1. 今決める問い
今日の行動に関係する問い。
例：明日までに何を出すか。今週応募するか。今日は寝るか作業するか。
これは処理する。
2. 後で考える問い
大事だが、今すぐ結論を出さなくていい問い。
例：数ヶ月後のキャリア、結婚観、資産形成の大方針。
これはメモに逃がす。
3. 考えても意味が薄い問い
相手の本心、過去の分岐、完全な正解など。
考えても多少の学びはあるが、今の行動にはつながりにくい。
これは長時間触らない。
4. 寝た方がいい問い
夜に出てくる重い問い。
疲労、空腹、孤独、怒り、不安で増幅している問いは、翌朝になるとかなり小さくなることがある。
これは分析ではなく、睡眠に回す。
AI時代の強さは「正解を出す力」ではなく「問題を整える力」
AI時代に、人間がAIと競争しようとするときつい。
知識量、速度、網羅性では、AIに勝ちにくい。
でも、AIを使う側に回るなら話は変わる。
必要なのは、きれいな言葉で命令することではない。
自分の状況を整理し、目的を置き、制約を出し、判断基準を作り、出力形式を指定すること。
つまり、問題を整える力だ。
「答えを出す人」より、「何を問うべきかを決められる人」。
「模範解答を持っている人」より、「今この場で何を決めれば前に進むかを言葉にできる人」。
この力は、AIが賢くなるほど価値が増える。
問いが貧しければ、答えも貧しくなる。
問いが具体的なら、AIはかなり強い相棒になる。
だからこれから鍛えるべきなのは、単なるプロンプト術ではない。
自分の現実を見て、問いを立て、必要なら問いを捨てる力だ。
アジェンダを作れる人は、AI時代でもかなり強い。
ただし、作れすぎる人は、最後にこう問い直した方がいい。
「で、今この瞬間に決めるべき問いはどれか？」
その一問に戻れれば、思考はちゃんと前に進む。
参考資料（6件）
- OpenAI API Docs, “Prompt engineering”
https://developers.openai.com/api/docs/guides/prompt-engineering - OpenAI Cookbook, “GPT-5 prompting guide”
https://developers.openai.com/cookbook/examples/gpt-5/gpt-5_prompting_guide - Google for Developers, “Framing an ML problem”
https://developers.google.com/machine-learning/problem-framing/ml-framing - MIT Teaching + Learning Lab, “Metacognition”
https://tll.mit.edu/teaching-resources/how-people-learn/metacognition/ - Harvard Business Review, “AI Prompt Engineering Isn’t the Future”
https://hbr.org/2023/06/ai-prompt-engineering-isnt-the-future - García et al. (2014), “The effects of question-generation training on metacognitive knowledge, self regulation and learning approaches in Science”
https://pubmed.ncbi.nlm.nih.gov/25069559/
