AIで“先入観”を外すなぜなぜ分析《具体的なステップ、実演用プロンプト》【提携セミナー】

　　セミナー　　技術分野共通　　AIで“先入観”を外すなぜなぜ分析《具体的なステップ、実演用プロンプト》【提携セミナー】

開催日時	2026/11/18 (水) 10:30-16:30　＊途中、お昼休みや小休憩を挟みます。
担当講師	村井和彦氏
開催場所	Zoomによるオンラインセミナー
定員	-
受講費	【オンライン受講（見逃し視聴なし）】：1名50,600円(税込（消費税10％）、資料付) 【オンライン受講（見逃し視聴あり）】：1名56,100円(税込（消費税10％）、資料付)

AIで“先入観”を外す

なぜなぜ分析

《具体的なステップ、実演用プロンプト》

【提携セミナー】

主催：株式会社情報機構

生成AIを“深掘りの相手役”に。なぜなぜ分析の形骸化を防ぎ、先入観を外して真因と再発防止策へ導く実践手順を、配布プロンプトと演習で習得。

◆セミナーポイント

○講師より／本セミナーのポイント

なぜなぜ分析は「なぜ」を繰り返すだけの手法ですが、実際には堂々巡りになりがちです。できそうで、できない。一因は、人が分析する限り避けられない先入観にあります。生成AIは忖度なく、毎回同じ観点で問い返すため、この壁を越える助けになります。本セミナーでは基礎から出発し、当日配布する実演用プロンプトで、ご自身の手で深掘りを体験いただきます。あわせて、自社にデータがなければAIは一般論しか返さないという限界も、講師の運用経験からお伝えします。

◆受講して、習得できること

なぜなぜ分析の基本作法と、掘り下げが止まってしまう原因の見分け方
生成AIを「深掘りの相手役」として使う具体的な手順
当日配布する実演用プロンプトを、ご自身の職場の事例にそのまま適用する方法
「チェックリスト追加」で終わらせない再発防止策の立て方と、その妥当性を検証する観点
自社で本格的に活用するために、どんなデータをどう整えればよいかの見通し

◆主な受講対象者

若手・新人の技術者、社会人の方（設計開発・製造・品質などの各部門）
新人教育やOJTを担当されている育成担当者、指導的立場の方
品質管理／品質保証の部署に所属されている方
技術部門・セクションのマネージャークラスで、部下のなぜなぜ分析を指導される立場の方
なぜなぜ分析に取り組んでいるが効果が出ておらず、生成AIで改善できないかとお考えの方　等

担当講師

ムーアAI ／自動車部品メーカー DX推進部門部長村井和彦氏

講師紹介
2001年より自動車部品関連企業に勤務し、CAE（コンピュータシミュレーション）による設計解析を長年担当。2019年からはAI導入推進をマネージャーとして担当し、2023年以降は生成AIの機能調査と社内導入の推進にあたる。2025年、企業での生成AI導入で得たノウハウを地域へ還元したいと考え、個人事業主「ムーアAI」として活動を開始。地元への生成AI活用支援・DX支援を実施中

セミナープログラム（予定）

１．なぜなぜ分析の基礎――「なぜ」を5回繰り返しても真因に届かない理由
1.1 なぜなぜ分析の目的と全体像（事象／問題点／原因／真因／再発防止策の区別）
1.2 分析を始める前に押さえる事実の6要素（時系列／主語／対象／場所・工程／条件・制約／影響）
1.3 「1本の因果連鎖」で掘るという原則と、分岐が出たときの扱い方

２．現場でなぜなぜ分析が形骸化する6つの失敗パターン
2.1 因果関係が成立していない／時系列が逆転している／言い換えだけで深掘りできていない
2.2 責任のすり替え（他責化）／抽象語による思考停止／結論への論理飛躍
2.3 なぜ人間だけでは防ぎきれないのか――先入観・バイアスと、上下関係が生む「言えない空気」

３．生成AIをなぜなぜ分析に使う――できること・できないことの見極め
3.1 AIが「深掘りのファシリテーター」に向いている理由（感情を挟まず、毎回同じ観点で客観的に問い返す）
3.2 AIに委ねてはいけない領域――事実の認定、価値判断、責任の所在
3.3 使用ツールの選択肢と事前準備（ChatGPT／Gemini／Claude、社内で使う際の注意点）

４．【実演＋演習】配布プロンプトで実際になぜなぜ分析をやってみる
4.1 実演用プロンプトの設計解説――何を指示し、何を禁止しているか（推測の抑制／整合性の自動チェック／深掘りの型）
4.2 講師によるデモンストレーション：ある不具合事例をWhy1からWhy5まで通しで
4.3 演習：受講者ご自身の手元で、AIと対話しながら深掘りする
・行き詰まったときの5つの補助観点（知らなかった／忘れた／不要と判断した／できなかった／しづらかった）

５．真因の特定から再発防止策へ――「チェックリスト追加」で終わらせないために
5.1 真因を3つの視点で整理する（人／管理・マネジメント／プロセス）
5.2 効果が出ない対策と、出る対策の分かれ目（教育訓練・規律化・隔離化・冗長化・人間工学的配慮・自動化ほか多角的な観点）
5.3 立てた対策を7項目で検証する（確実性／永続性／具体性／整合性／経済性／転用可能性／即効性）

６．実務で本当に使うために――「自社データ」という最大の壁
6.1 演習ではうまくいくのに、職場に持ち帰ると失速する理由
6.2 【講師の実体験】製造業の現場でなぜなぜ分析AIを運用して分かったこと
・上司や有識者の鋭いツッコミを、AIがどうしても再現できない理由
6.3 過去のトラブル記録やチェック観点を「AIが読める形」に整えるには（議事録のままでは使えない）
6.4 他社の取り組みから見えてくること――講師が見聞きした範囲での個人的見解として

７．一歩先へ――専門プロンプトの活用と、AIエージェントへの展開
7.1 品質保証業務への横展開：インシデントの「初報」を事実ベースで整理するプロンプト
7.2 自社仕様に育てる方法（GPTs・Gemsによるカスタム化、社内ルールの組み込み）
7.3 これからの方向性――AIに任せ人が検証する進め方と、導入時のセキュリティ上の注意点

＜質疑応答＞