AI導入を成功に導くプロダクトマネジメントの思考法持続的なインパクトをもたらす4つのスキル

t_kimura/Getty Images

サマリー：生成AIの導入を成功させるには、単にプロンプトの技術を高めるだけではなく、「プロダクト思考」が不可欠だ。従業員がみずからワークフローの課題を定義し、実験と改善を繰り返して実務に統合するマインドセットこそが、真の生産性向上をもたらす。マネジャーは技術習得を強いるのではなく、価値創造のプロセスを可視化し、試行錯誤を支える環境を整えるべきだ。本稿では、これらの核心的スキルが実務でいかに発揮され、マネジャーがそれらを育成するために何ができるかを示す。

生成AIの効果的な活用に欠かせない「プロダクト思考」

　生成AIを効果的に活用する方法に関する議論の多くは、プロンプトエンジニアリング、あるいは最近ではコンテキストエンジニアリングに焦点が当てられてきた。これらは、大規模言語モデルから有用なアウトプットを引き出すためにインプットを工夫するという実務的なスキルだ。こうしたスキルは有益だが、それだけでは不十分である。

　真の成果は、従業員が生成AIを使ってみずからの働き方を改善できるようになった時にもたらされる。そのためには、ワークフローの中から解決する価値のある課題を定義し、有望な解決策を評価し、迅速に実験を行い、新たな手法を日常業務に持続可能な形で統合していくことが求められる。これらはまさに、プロダクトマネジャーの業務の中核を成す領域だ。

　プロダクト思考のアプローチがなければ、従業員によるAI活用の試みは、表面的で短命に終わることが多い。最優先課題にAIをどう適用すべきかという明確な指針が欠けていると、従業員はどこから手をつければよいか苦慮してしまう。

　多くの従業員は、複雑で反復的な作業やデータ量の多いプロセスを再考し、それを自動化してチームの能力とインパクトを根本的に拡大するのではなく、メールやブログ記事の簡単な下書きといった、影響力の低いその場限りの利用に終始してしまう。そして、初期の実験で摩擦が生じると、テクノロジーが期待外れであるとか、時間をかける価値がないと結論づけ、活用を完全に諦めてしまうのだ。

「部下にAIを使わせるにはどうすればよいか」と悩むマネジャーにとって、その答えは多くの場合、プロンプトのトレーニングを増やすことではなく、より優れたプロダクト思考を徹底させることだ。プロダクトマネジャーは、解決する価値のある課題を発見し、技術的な解決策を理解し、有望な解決策を実験し、実用性を突き詰めるよう訓練されている。

マイケル E. ポーター教授がファイブフォース分析を語る

戦略

Read now

　スタンフォード大学の研究者である筆者らが、1年半にわたって数百件のインタビューと観察を通じてグーグルにおける生成AIの導入状況を調査したところ、個人の業務においてAIの実装に成功している人々は、まさにこのスキルセットを活用していることがわかった。また、筆者らが担当するエグゼクティブ向けAIリーダーシップのクラスで、最終プロジェクトに取り組んださまざまな業界のプロフェッショナル約2000人の間でも、同様のスキルが観察された。

　生成AIを採用するに当たり、すべての従業員がプロダクトマネジャーの視点を持つ必要があるならば、マネジャーはそのスキルセットを可視化し、価値を認め、存分に発揮できる環境を整える重要な役割を担う。本稿では、これらのスキルが実務においてどのような形で発揮されるのか、そしてマネジャーがそれらを育成するために何ができるかを示す。

解決すべき課題とその価値を定義する

　組織が新しいテクノロジーを導入する際、通常は規定された狭い範囲のユースケースについて従業員をトレーニングし、そのツールを解決すべき特定の課題と明確に結びつける。その結果、従業員は当然のことながら、「このツールで何ができるのか」という視点で新しいテクノロジーにアプローチすることになる。

　しかし、従来の多くの職場のテクノロジーとは異なり、生成AIは適用範囲が広く、急速に進化している。過度に特定されたユースケースやトレーニングでは、従業員がその真の力を引き出すことはできない。

世界標準の経営理論とは何か

意思決定

Read now

　従業員に必要なのは、生成AIが業務をサポートするために何ができるかを、みずから発見するスキルを養うことだ。プロダクトマネジャーは、ユーザーにとっての価値とは何か、つまりユーザーがどのようなニーズを持ち、どれが最も重要かを特定することから始める。これこそが、従業員が生成AIを活用する際にまずすべきことであり、時間を節約したいのか、品質を向上させたいのか、ミスを減らしたいのか、あるいは創造の幅を広げたいのかを判断しなければならない。

　たとえば、グーグルのあるマネジャーは、幹部に報告するためにチームの最新情報を毎週数時間費やして修正していた。彼女が最初に思いついたのはよくある方法で、個々の情報をジェミニにコピーし、「要約を作成して」とプロンプトを入力していた。しかし、こうした場当たり的な使い方では一般的な下書きしか作成されず、結局大幅な修正が必要だった。さらに、ツール間のコピー・アンド・ペーストの手間が増えたことで、時間の節約にもならなかった。この時点で、彼女は生成AIを完全に諦め、既存の手作業に戻りたい衝動に駆られた。

　しかし、彼女は自分が解決しようとしている課題をより明確にした。単に要約が欲しかったわけではなく、労力を大幅に削減する必要があり、そのためには幹部にそのまま提出できるレベルのコミュニケーションが必要だったのだ。求める価値を明確に定義し直した彼女は、カスタムGemを作成した。これにより、再現可能なワークフローができ、時間が節約できる。また、幹部の期待に応えるよう明確な指示も組み込んだ。さらに、ワークフロー全体を再設計し、チームが最新情報を直接そのGemにアップロードするようにした。その結果、80～90％の完成度の下書きが生成されるようになった。フラストレーションのたまる実験が、確実に時間を短縮するシンプルな自動化プロセスとなったのだ。

　では、従業員がこうした価値ある活用法を見つけるために、どのように支援できるだろうか。筆者らの研究参加者の多くは、他者から具体的な重要課題に対してどのようにAIを適用したかを聞いた時に、生成AIの適用可能性を深く理解できたと語っている。チームや組織内で価値あるAI活用事例をデモンストレーションする時間を設けることで、こうした模範を示す機会を創出すべきだ。

　また、リーダー自身がこうしたデモンストレーションに参加することの利点も確認された。マネジャーがみずからの問題解決プロセスを示すことで、従業員は規定のトレーニングを待つのではなく、みずから実験する意欲をより強く持つようになる。筆者らの一連の研究を通じて明らかになった成功のカギは、「個人の置かれた状況に合わせる」ことと、生成AIツールを従業員の具体的なニーズに結びつけられるようサポートすることだった。

テクノロジーの選択肢を評価する

　プロダクトを効果的に開発するために、プロダクトマネジャーは利用可能な技術的解決策の範囲とそれぞれがどう機能するかをたえず評価し、どのツールがその仕事に最適かを見極める。生成AIツールも多くの種類があるため、課題に対して適切なツールを見つけることは難しい場合がある。

　リーダーは、以下の要素を考慮することで従業員が自身の具体的なニーズに照らして生成AIツールを評価できるよう導くことができる。

・インターフェースとワークフロー：シンプルなチャットインターフェースは個人のブレインストーミングには最適であることが多いが、カスタムGemやグーグルのノートブックLMのような共有ノートブックなど、「パイプライン」を構築できるツールのほうが、反復的なチームプロセスには適している場合がある。

・データの統合：モデルの事前学習済みの知識のみに依存する「クローズド」なツールもあれば、契約書のフォルダーや顧客のフィードバックのデータベースなど、ユーザー独自のライブデータを取り込めるツールもある。

・ツールの能力：基盤モデルやツールのインターフェースは急速に進化しているため、先月は複雑なタスクに対応できなかったツールが、今日では最適になっている可能性がある。

　筆者らが調査したあるプログラムマネジャーは、期限の進捗状況を伝えるために多大な時間を費やしてスプレッドシートを管理し、ステークホルダーごとにカスタマイズした報告画面を作成していた。業務の効率化のために生成AIの活用を検討し始めた時、彼女はまず、多種多様なツールが存在することに気づいた。

　それでも彼女は、選択肢の多さに圧倒されることなく、それぞれのツールが業務の要件に合致するかを調査し、評価した。たとえば、以前にノートブックLMを使用した経験から、それがスプレッドシートに対応していないことを知っていたため、グーグルのスプレッドシートとジェミニを統合させる機能を試したが、当時の設定では、スプレッドシートへの直接的なデータ入力ができないことがわかった（注：グーグルはその後、これらの機能を提供している）。最終的に、生成AIの活用事例に関する社内ニュースレターによって、ウェブページの全内容を読み取ることができる社内向けのクローム拡張機能の存在を知った。それを試したところ、適合性は明らかで、既存のワークフロー内で動作し、ライブのスプレッドシートデータにアクセスでき、ステークホルダーのニーズに合ったアウトプットを生成した。これにより、手作業が大幅に削減された。

　こうした変化の激しいツールについて従業員を啓発するために、使用方法の見本を示し、デモンストレーションをする会議やニュースレターなどのリソースを導入すべきだ。たとえば、グーグルのスクール・フォー・リーダーズのプロダクトリードであるデビー・ニューハウスは、同僚が抱える差し迫った課題と、それを解決するための適切なAIツールをマッチングさせる実践的なコーチングセッションを提供している。「AIメイクオーバー」と名づけられたこのプロセスは、グーグルの複数の人材開発プログラムを通じて規模を拡大している。また、同社のクラウドAI／MLイネーブルメントのリードを務めるオリビア・タムは、「AIスパーク」というセッションを主導しており、そこでは同僚のために関連するツールの活用法を示し、解説している。

実験する

　効果的なプロダクトマネジメントは、典型的なプロダクトサイクルを通じた実験に依存しており、それによって解決策の有効性を迅速に高めることができる。同様に、従業員が解決策をテストし、AIを活用した価値のあるワークフローを開発するためには、試行錯誤が必要だ。最近では、実験は、効率性の欠如として否定的に捉えられることもあるかもしれない。しかし、新しい自動化ワークフローを構築するには、何が可能かを学び、潜在的な価値を示し、課題の定義と成功の基準の両方を洗練させなくてはならず、それらを可能にするのが実験だ。

　筆者らが調査したあるウェブ開発者を例に挙げよう。彼の直属の上司はチームのAI導入に懐疑的で、AIは単なる流行で、開発時間を浪費するものとして退けていた。導入を試みる決意をしたその開発者は、AIが大量の非構造化データを分析し、他のグループ向けに要点をまとめる助けとなるかどうかを探るため、小規模な概念実証（PoC）実験を行った。すると、最初のデモで、想定していたワークフローにおいてAIツールが十分に信頼できることが示され、上司との議論の流れが変わり、学習を継続する余地が生まれた。

　その後の実験により、ツールはある種の知見については優れた性能を発揮するが、他のものには適さないことが判明し、チームは業務の約半分を自動化するという判断を下すことができた。彼は最初からこの結果を明確に予見できていたわけではない。テクノロジーの限界とその価値の両方を可視化する実験を通して初めて、この成果が得られたのだ。

　残念ながら、実験に必要なマインドセットを身につけさせるのは難しい。筆者らの研究では、生成AIの導入を支持していてもツールの実験に苦労している従業員がいた。その理由として挙げられたのが、時間の不足、実験が正当な業務として認められるかという不安、実験が失敗した時に評価が下がるおそれ、そして成功した際に「ずるをしている」と思われるのではないかという懸念だった。

　マネジャーは、AIの利用を広く促すだけでなく、こうした懸念に正面から向き合う必要がある。リーダー自身も実験し、AIを使用していると示すことは、ここでも極めて有効だ。最初からプロンプトやワークフローを完璧にしようとするのではなく、各実験をMVP（実用最小限の製品）として捉えるようチームメンバーを促すべきである。最後に、従業員がAI実験のためのリスクの低い活動を特定できるように支援し、うまくいかなかったり予想以上に時間がかかったりしても、ビジネス全体に悪影響が及ばないようにする。

統合する

　プロトタイプが完成したプロダクトではないように、実験は生成AI導入のゴールではない。プロダクトマネジャーは、どんなに優れた機能でも、ユーザーの既存のエコシステムに適合しなければ無意味であることを知っている。同様に、リーダーと従業員は、AI導入の「ラストワンマイル」が統合であることをプロダクトマネジャーから学ぶことができる。AIの解決策を、独立したチャットウィンドウから、チームが毎日使用しているツールと一体化したフローへと移行させるのだ。

　リーダーは、次の2種類の相互運用性を奨励することで、従業員がこのギャップを埋める手助けができる。

・技術面：従業員に「この情報を実際にどこに送る必要があるのか」と問うよう促す。AIが生成した要約を手作業でプロジェクト管理ツールにコピーするのではなく、プロダクト思考を持つ従業員はそれを自動化する方法を探る。現場の従業員自身でこの統合を行えることもあり、筆者らの調査では、ジェミニなどのツールを使ってAPIについて学び、データフローを自動化した人もいた。しかし、技術的なハードルが高すぎる場合、システム間の橋渡しを支援できる技術パートナーと従業員をつなぐことがマネジャーの役割だ。価値の高い統合に関するこのフィードバックは、生成AIの可能性を実際のビジネスインパクトに変えるために不可欠で、リーダーが積極的にこうした要望を集め、優先的に扱う場合にはなおさらだ。

・プロセス面：生成AIツールは、チームに必要な作業順序を変えることが多い。一人がタスクを自動化すれば、その次の工程を担当する人に波及効果が及ぶ。マネジャーは、従業員が役割やルーチンを再構築するのを支援し、AIで強化された新しいワークフローが、負荷の偏りやボトルネックを生まないようにしなければならない。

＊　＊　＊

　職場での生成AI導入が失敗するのは、優れたプロンプトが書けないからではない。従業員がAIを実際のワークフローにどう適合させるかを見出せず、初期の試みが非効率で脆弱、あるいは持続困難に感じられるからだ。大きな変化をもたらすマネジャーは、使用を義務づけたり技術トレーニングを増やしたりして解決しようとするのではなく、価値を生み出すための道筋を可視化する。

　筆者らが観察した中で最も強力なチェンジマネジメント手法の一つは、シンプルだが十分に活用されていないもの、つまりデモンストレーションと模範を示すことだ。リーダーや同僚が、いかにして解決する価値のある課題を特定し、ツールを評価し、小規模な実験を行い、その結果を日常業務に統合したかを「語る」のではなく、「見せる」ことで、周囲に具体的なモデルを提供する。こうしたデモンストレーションは不安を和らげ、実験を正当化し、何が「よい」状態なのかを明確にする。

　プロダクトマネジメントのマインドセットはこの取り組みにおいて有益な視点を提供するが、あまり硬直的に適用すべきではない。変化の激しいAI分野においては、個人は探索的で適応的である必要があり、形式的なロードマップや時期尚早なROI（投資対効果）の計算に縛られるべきではない。重要なのは、解決する価値のある機会を見つけ、アイデアを迅速にテストし、摩擦から学び、機能するものを定着させるという核心的な習慣だ。

　マネジャーがこれらの行動をみずから示し、人々がそれを実践できる環境をつくり出した時、AIは単なる目新しいものから脱却し、真に持続的なインパクトをもたらす源泉へと進化する。