よい問いは、よい答えより先にある

前回は、AIを教師、秘書、エージェントとしてだけではなく、共同思考者として扱うことを考えました。

共同思考者としてのAIは、正解を所有する相手ではありません。こちらの問いを受け取り、別の視点を返し、違和感を生み、理解の再記述を促す相手です。

では、その共同思考は何から始まるのでしょうか。

答えからではありません。

問いから始まります。

AIを使うと、私たちはつい「よい答え」を求めます。よい企画案。よい文章。よい要約。よい分析。よい助言。もちろん、それらは必要です。

しかし、ブレインフルプロンプトでは、答えの品質より先に、問いの品質を見ます。

なぜなら、AIの回答は、こちらの問いの形に強く影響されるからです。

曖昧な問いは、曖昧な答えを呼びます。狭すぎる問いは、狭い答えを呼びます。前提が固定された問いは、その前提を補強する答えを呼びます。

反対に、よい問いは、AIに賢い答えを出させるだけではありません。人間の理解そのものを動かします。

一文で言えば、こうです。

よい問いとは、正解を早く得るための入口ではなく、自分の理解を変化させるための設計である。

問いは、答えを探す箱ではない

問いというと、私たちは「答えを入れるための空欄」を想像しがちです。

「売上を上げる方法は何か」
「よいプロンプトは何か」
「AIを業務でどう使えばよいか」

こうした問いは、悪いわけではありません。

ただし、そのままだと、AIは一般論を返しやすくなります。なぜなら、問いの中に状況、目的、制約、迷い、判断基準がほとんど入っていないからです。

AIは、空欄を埋めることが得意です。だからこそ、人間が空欄の作り方を間違えると、もっともらしい答えだけが返ってきます。

たとえば、次の問いを見てください。

中小企業が生成AIを導入するには、どうすればよいですか。

AIは、導入目的の整理、業務選定、ツール比較、研修、セキュリティ、評価指標などを返すでしょう。内容としては大きく外れていないかもしれません。

しかし、この問いでは、重要なことがまだ見えていません。

どの中小企業なのか。
何に困っているのか。
誰の仕事が変わるのか。
何を守りたいのか。
どの失敗を避けたいのか。
導入後に何が変われば成功なのか。

これらがないまま答えだけを受け取ると、AI活用は抽象的なチェックリストになります。

問いは、答えを探す箱ではありません。

問いは、何を見て、何を見ないかを決める枠です。

よい問いは、理解の形を変える

よい問いは、答えを得る前から働き始めます。

問いを書いた瞬間に、自分が何を前提にしているかが見えてくるからです。

たとえば、次の問いがあります。

AIで社員の作業時間をどれだけ削減できますか。

この問いには、「AI活用の価値は作業時間削減で測る」という前提があります。もちろん、時間削減は重要です。けれども、それだけを見ていると、判断、関係、学習、顧客理解のような価値が見えにくくなります。

問いを変えると、見えるものも変わります。

この業務で、人間が判断すべき部分と、AIが支援できる部分はどこで分かれますか。

この問いでは、単なる時短ではなく、役割分担が見えてきます。

さらに、こう変えることもできます。

この業務をAIで支援するとき、現場の判断力や顧客との関係を弱めないために、何を残すべきですか。

ここでは、効率だけでなく、守るべき価値が前面に出てきます。

同じ「AI導入」でも、問いの形によって、AIが返す答えも、人間が見る現実も変わります。

だから、よい問いとは、AIから正解を取り出すための鍵ではありません。

自分の理解の形を変えるレンズです。

悪い問いは、たいてい悪意ではなく未整理から生まれる

ここで「悪い問い」という言い方には注意が必要です。

問いが悪いから、その人の考えが浅いと言いたいわけではありません。

多くの場合、問いがうまく立たないのは、まだ考えが外に出ていないからです。状況が複雑で、目的が複数あり、関係者も多く、自分の中の不安や期待も混ざっている。だから、最初の問いはぼんやりします。

これは自然なことです。

ブレインフルプロンプトでは、最初から完璧な問いを求めません。

むしろ、最初の問いは不完全でよい。

大切なのは、その問いを完成品として扱わないことです。

最初の問いをAIに渡し、返ってきた答えを見て、「この問いでは何が足りなかったか」を確認する。問いを修正する。もう一度聞く。違和感を言葉にする。

この往復によって、問いは育ちます。

問いは、一度で完成するものではありません。

問いは、対話の中で精度を上げていくものです。

よい問いの五つの条件

では、ブレインフルプロンプトにおける「よい問い」とは、どのような問いでしょうか。

私は、実務で使いやすい形として、五つの条件に整理しています。

第一に、現在地が入っていること。

自分は今、何を理解しているのか。どこまで考えたのか。何を仮説として置いているのか。これがない問いは、AIにとっても人間にとっても出発点が分かりにくくなります。

第二に、迷いが入っていること。

よい問いには、分からなさが含まれています。「何を知りたいか」だけでなく、「何に迷っているか」を書く。すると、AIは単なる説明ではなく、分岐や比較を返しやすくなります。

第三に、判断基準が入っていること。

速さを重視するのか。正確さを重視するのか。顧客への影響を重視するのか。現場の納得を重視するのか。判断基準がなければ、AIの答えはそれらしい一般解になります。

第四に、反対方向へ開いていること。

自分の仮説を補強する答えだけを求めると、AIはその仮説に合わせて説明を整えます。よい問いは、「反対意見」「失敗シナリオ」「見落とし」を含めて返すように開かれています。

第五に、次の問いへ進めること。

よい問いは、一回の答えで終わりません。答えを受け取ったあとに、さらに何を確認すべきかが見える問いです。

まとめると、こうなります。

条件	問いに入れるもの	AIに起こる変化
現在地	現時点の理解、仮説、背景	一般論ではなく状況に寄った回答になる
迷い	判断に困っている点、違和感	比較や分岐が返りやすくなる
判断基準	何を重視するか	答えの評価軸が明確になる
反対方向	反論、失敗、見落とし	確証バイアスを弱めやすくなる
次の問い	未確認事項、検証対象	対話が続き、理解が更新される

この五つは、プロンプトを長くするための項目ではありません。

思考を外に出し、AIと一緒に扱える形にするための骨組みです。

答えを求める問いと、理解を動かす問い

問いには、大きく二種類あります。

答えを求める問い。
理解を動かす問い。

答えを求める問いは、何かを知りたいときに使います。

この制度の概要を説明してください。
この文章を要約してください。
この用語をやさしく説明してください。

これは必要です。知識を得る、整理する、作業を進める場面では、とても便利です。

しかし、複雑な仕事では、答えを求める問いだけでは足りません。

理解を動かす問いが必要になります。

この説明の前提は何ですか。
別の立場から見ると、どこに反論がありますか。
この案が失敗するとしたら、どの条件が崩れたときですか。
私の理解のうち、曖昧なまま残っている点はどこですか。
次に確認すべき問いを三つに絞ると何ですか。

これらの問いは、すぐに完成した答えを得るためのものではありません。

自分の理解の置き方を変えるための問いです。

AIを使い慣れてくると、答えを求める問いは自然に増えます。一方で、理解を動かす問いは、意識しないとなかなか増えません。

だから、ブレインフルプロンプトでは、あえて理解を動かす問いを設計します。

AIに問いを作らせる前に、人間が問いの目的を決める

ここで一つ、よくある使い方に触れておきます。

「AIに質問を作ってもらう」という使い方です。

これは有効です。AIに「このテーマについて深掘りする質問を出してください」と頼めば、多くの問いが返ってきます。

ただし、ここにも注意があります。

AIに問いを作らせる前に、人間が問いの目的を決める必要があります。

学ぶための問いなのか。
意思決定のための問いなのか。
顧客理解のための問いなのか。
反論を探すための問いなのか。
実験計画を作るための問いなのか。

目的を決めずに質問を出させると、AIはもっともらしい質問リストを作ります。しかし、それが今の自分に必要な問いとは限りません。

たとえば、次のように頼むと、問いの質が変わります。

このテーマについて質問を作ってください。
ただし目的は、知識を増やすことではなく、意思決定前に見落としているリスクを見つけることです。
質問は、事実確認、価値判断、実行上の制約に分けてください。

AIに問いを作らせることはできます。

しかし、何のために問うのかを決めるのは人間です。

問いを育てる基本プロンプト

第4回の実践として、問いを育てるための基本プロンプトを置いておきます。

最初は、次の形で十分です。

私はいま、＿＿について考えています。
現時点の理解は、＿＿です。
ただし、＿＿について迷っています。

この問いをそのまま答える前に、
1. 問いに含まれる前提
2. 足りない情報
3. 反対方向から見た論点
4. よりよい問いへの書き換え案
を出してください。

AIの回答を受け取ったら、すぐに答えへ進まず、問いを書き換えます。

今の指摘を踏まえて、私の問いを次の条件で書き換えてください。

- 現在地が分かる
- 判断基準が入っている
- 反対意見を受け止められる
- 次に確認すべきことが見える

最後に、自分で選びます。

提案された問いのうち、いま最も使うべきものを一つ選びます。
その理由を、私の目的、制約、判断基準に照らして説明してください。
ただし最終判断は私が行います。

この三段階だけでも、AIとの対話はかなり変わります。

最初から答えを求めるのではなく、問いを点検し、書き換え、選ぶ。その過程で、自分が何を大切にしているのかが見えてきます。

問いの質を記録する

ブレインフルプロンプトでは、答えだけでなく問いの変化を記録します。

最初の問い。
AIから返ってきた違和感。
書き換えた問い。
残った未確認事項。
次に立てる問い。

この流れを残すと、あとから自分の思考の来歴を見られます。

なぜ、その結論になったのか。
どの前提を置いたのか。
どの反対意見を検討したのか。
どこで問いが変わったのか。

これは、個人の学びだけでなく、組織の判断にも重要です。

会議の結論だけが残っていると、あとから見直したときに、なぜその判断をしたのかが分からなくなります。

しかし、問いの変化が残っていれば、判断の背景をたどれます。

AI時代の知性は、答えの速さだけでは測れません。

どの問いから始まり、どの問いへ変わり、どの問いをまだ残しているのか。その来歴を扱えることが、これからの実務では大切になります。

よい問いは、人間を戻してくれる

AIは、速く答えます。

だからこそ、人間は答えに流されやすくなります。

よい問いは、その流れの中で、人間をもう一度考える場所へ戻してくれます。

私は何を知りたいのか。
何を怖れているのか。
どの価値を守りたいのか。
何をまだ確認していないのか。
この答えを採用すると、誰にどんな影響があるのか。

こうした問いを持てると、AIの出力は完成品ではなく、思考の材料になります。

ブレインフルプロンプトにおいて、よい問いは、よい答えより先にあります。

それは、答えを遅らせるためではありません。

人間が自分の理解と責任を手放さないためです。

次回は、問いを立てたあとに必要になる「違和感」の扱いへ進みます。

AIの回答に対して、なぜか納得できない。どこか薄い。正しそうだが危ない気がする。その感覚を、ただの不満で終わらせず、思考を深める材料にする。

第5回では、「違和感は、思考が動き始めたサインである」というテーマを扱います。

---

この記事の位置づけ

本稿は、「ブレインフルプロンプト」における問いの設計を扱う試論です。

ここで示した五つの条件は、筆者による実践上の整理です。質問生成、自己説明、共同的な理解形成、Knowledge Buildingなどの研究と接続可能ですが、この五条件そのものが実証済みの標準モデルであると主張するものではありません。

参考文献

1. Graesser, A. C., & Person, N. K. (1994). Question asking during tutoring. American Educational Research Journal, 31(1), 104-137. DOI: 10.3102/00028312031001104.

2. King, A. (1994). Guiding knowledge construction in the classroom: Effects of teaching children how to question and how to explain. American Educational Research Journal, 31(2), 338-368. DOI: 10.3102/00028312031002338.

3. Miyake, N. (1986). Constructive interaction and the iterative process of understanding. Cognitive Science, 10(2), 151-177. DOI: 10.1207/s15516709cog1002_2.

4. Scardamalia, M., & Bereiter, C. (2006). Knowledge Building: Theory, Pedagogy, and Technology. In R. K. Sawyer (Ed.), The Cambridge Handbook of the Learning Sciences. Cambridge University Press.

5. Chi, M. T. H., Bassok, M., Lewis, M. W., Reimann, P., & Glaser, R. (1989). Self-explanations: How students study and use examples in learning to solve problems. Cognitive Science, 13(2), 145-182. DOI: 10.1207/s15516709cog1302_1.

6. Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry. American Psychologist, 34(10), 906-911. DOI: 10.1037/0003-066X.34.10.906.

ファクトチェック注記

• 「よい問い」の五条件は筆者の実践整理である
  本稿では、現在地、迷い、判断基準、反対方向、次の問いという五条件を提案していますが、標準化された学術分類ではありません。

• 質問するだけで理解が深まるとは限らない
  問いは理解形成を支える可能性がありますが、効果は課題、支援方法、学習者の状態、対話の質に左右されます。

• AIに質問を作らせることは有効だが、目的設定は人間側に残る
  AIは問いの候補を出せますが、何のために問うのか、どの問いを採用するのか、どの判断を引き受けるのかは人間が決める必要があります。

• AIの回答は検証対象である
  生成AIの出力は流暢でも、事実誤り、前提不足、価値判断の混入が起こりえます。重要な判断では、根拠確認と人間による最終判断が必要です。