AIと意思決定研究会
意思決定写像 3/32026-05-10

💡 アイディアを「出す」から「組み替える」へ

意思決定 / 発想法 / AI / 生成AI

― 意思決定写像で考える、AI 時代の発想法 ―

本記事は前2作のシリーズの続編。 前作:「決められない」の正体は、たぶん5要素のうちどれかが欠けているだけ / AI エージェント設計の解像度を上げる

はじめに

「アイディアを 10 個出して」と AI に頼む。 返ってくるのは、それっぽいけれどどこかで聞いた案、平均からそう外れない案、検索すれば出てきそうな案 ― つまり 「それっぽい案」 ばかりだ。

これはモデルの責任ではない。AI は基本的に、与えられた文脈のもとで尤度の高い出力を返す装置だから、ありふれた文脈には ありふれた発想が返ってくる。普通に頼むと、普通の案しか出ない。

ではどうするか。

ここで使えるのが、シリーズで扱ってきた 意思決定写像 である。アイディア発想とは、本質的には 既存の写像をどう組み替えるか の問題として書ける。AI を「平均値を返す装置」から「組み替えを並列に試す装置」に切り替えるための足場として、意思決定写像が効いてくる。

今回はこのテーマを4パートで扱う。

Part 1:なぜ「アイディア出して」では平凡な案しか出ないのか

問題設定が雑だと、出力も平均に落ちる

AI に「新規事業のアイディアを出して」と頼んだとき、返ってくる出力の構造は次のようになっている。

5要素のうち、まともに指定されているのは入力だけ。残りはすべて AI が暗黙に補完する。 そして AI が暗黙に補完する基準は、訓練データの平均的な傾向に近い。だからありきたりな案ばかりが返ってくる。

これは AI の限界ではなく、こちらの問題設定の解像度が低いだけだ。

発想の単位は「アイディアそのもの」ではない

ここから、発想法の根本的な転換が出てくる。

ありふれた発想法は、「アイディアを直接出す」ことを目指す。SCAMPER も、ブレストも、5W1H も、最終的にはアイディアそのものを生成しようとする。

意思決定写像の発想法は違う。直接アイディアを出すのではなく、5要素のどれをどう動かすかを決めて、組み替えの結果としてアイディアを得る。

古い見方写像ベースの見方
アイディアを「出す」写像を「組み替える」
結果(案)を生成する操作(変換)を選ぶ
出力空間を直接探索5要素の空間を探索
良し悪しはセンス良し悪しは整合性で判定できる

この転換を踏むと、AI に渡すべきものが変わる。 「アイディアを出して」ではなく、「この写像のこの要素をこう変えたら何になるか」 を渡す。 これが Part 2 の話に繋がる。

Part 2:意思決定写像の10の操作 ― 発想の道具箱

全体像

意思決定写像をベースにした発想は、5要素を動かす 10 の操作 に分解できる。

#操作内容
①出力→入力接続写像 A の出力を、写像 B の入力に接続する
②設定変更仮定や制約を、緩める・強める・入れ替える
③評価基準変更同じ問題で評価基準を変える(別の最適解が現れる)
④連鎖圧縮A→B→C を A→C に圧縮し、中間 B の暗黙制約を表面化
⑤写像分解単一に見える写像の、隠れた中間表現を見つけ出す
⑥同義変換制約⇔目的、設定⇔入力など、要素の境界を動かす
⑦要素移植同じ数理構造をもつ別分野から、要素単位で借りる
⑧逆算望ましい出力から、必要な入力・設定・評価基準を逆算する
⑨整合性チェック上位・隣接の写像との矛盾を、意図的に探す
⑩暗黙要素の発見言語化されていない設定や評価基準を見つけ出す

これは網羅的なリストというより、「迷ったら最初に試す10手」 くらいに思っておくと使いやすい。 全部使う必要はない。状況に応じて2〜3個を試す。

主要な操作のうち、特に効きやすいものを4つ掘る。

操作 ②:設定変更 ― 「動かせない制約」を疑う

最も効くのは、今まで動かさなかった仮定を動かす こと。

過去の例で言えば、画像生成 AI は「テキスト→画像」という設定を維持したまま品質を上げる方向の研究が長かった。「テキスト」と「画像」を結ぶ設定を 緩めて 拡散モデルが入ったとき、画像生成の質が桁違いに変わった。

別の例では、LLM の「単一の応答を返す」という暗黙設定を 「思考を出力に含めて構わない」 に変えた瞬間、Chain-of-Thought が現れた。設定を1つ動かすだけで、出力の質が変わる。

設定変更の問いの形:

操作 ⑥:同義変換 ― 制約と目的を入れ替える

前作でも触れた 目的と設定(制約)の双対関係。これはアイディア発想の操作としても極めて強力だ。

「予算 100 万円以下で売上を最大化」(制約付き)と「売上 − λ×超過予算 を最大化」(無制約)は数学的に等価だが、思考のスタート地点がまったく違う。前者は予算を動かさず売上を伸ばす施策を探す。後者は予算超過とリターンのバランスをトレードオフとして扱う。同じ問題でも、見える解空間が変わる。

同義変換の問いの形:

操作 ⑦:要素移植 ― 別分野から借りる

異なる分野で、同じ数理構造の写像が現れることがある。これに気づくと、ある分野の道具をそのまま他の分野に持ち込める。

たとえば通信路の符号化と画像の圧縮センシングは、同じ「観測の少なさからのデコード」という構造をもつ。情報理論で発展した sum-product アルゴリズムは、統計力学では平均場近似と呼ばれ、変分ベイズと数学的に同等であることが知られている（後述の参考文献を参照）。

異分野からの要素移植の問いの形:

要素移植は、AI が特に苦手とする操作だ。AI は分野横断的な構造の同型を見抜くより、各分野内の知識を返すことのほうがはるかに得意だから、ここは人間の意思決定写像の出番が大きい。

操作 ⑧:逆算 ― 望ましい出力から要素を組み立てる

最後にもう一つ。望ましい出力(理想)を先に決めて、そこから5要素を逆算する操作。

これは普通の問題解決の逆方向 ― 「制約と入力からスタートして出力を求める」ではなく ― 「出力を固定して、それを生み出すために必要な入力・設定・評価基準を後ろから組む」操作になる。

たとえば「ユーザーが最高に満足している瞬間」を先に固定する。そこから:

を逆算する。「制約から積み上げる」発想が硬直したとき、逆算で要素を組み直すと、別の解空間に出られる。

Part 3:AI に組み替えをスケールさせる

AI は「並列の組み替え装置」である

ここまでの操作を、人間が手で全部試すのは大変だ。 が、AI は同じ作業を 大量に並列で 試せる。これが AI 時代の発想法の本質的な利点になる。

ポイントは、AI に渡すプロンプトを「アイディアを出して」ではなく、5要素と操作を明示した形 にすること。

[現在の写像]
目的:    LLM のハルシネーションを減らす
設定:    モデルは固定、プロンプトでの対処のみ
評価基準: 事実正解率
入力:    ユーザーの質問
出力集合: 自然言語の応答

[依頼]
この写像に対して、以下の操作を順に試し、それぞれ3案ずつ出してください。
- 操作②設定変更:設定の仮定を1つ緩めるとどうなるか
- 操作③評価基準変更:評価基準を変えるとどんな別の解が見えるか
- 操作⑦要素移植:同じ「不確実性下の出力管理」という構造をもつ別分野は何か

このプロンプトは、AI を 平均的な発想装置 から 構造化された並列探索装置 に切り替える。出てくる案の質はまったく違う。

構造を渡すと、AI の出力空間が広がる

なぜこれが効くのか。

AI は与えられた文脈のもとで尤度の高い出力を返す。文脈が「アイディアを出して」だけだと、訓練データ全体で見て平均的な発想に収束する。 ところが、文脈に 5要素と操作の構造 が入っていると、その構造のもとでありうる出力 ― つまり、5要素のこの組み合わせのもとで尤度の高い案 ― に焦点が絞られる。

人間が「設定を1つ動かす」と決めただけで、AI が探す空間が劇的に変わる。

これは前作で書いた「5要素を渡せる人とそうでない人の差」が、エージェント設計だけでなく 発想法 の場面でも同じ構造で効く、ということだ。

Part 4:発想を選別する ― AI 時代の質保証

100案出ても、9割は屁理屈になる

AI に並列で発想させると、案の数は簡単に100を超える。 ここで起きる問題は、ほとんどが「もっともらしいけれど中身が薄い案」になる ことだ。

5要素を組み替えれば形は整う。形が整うと、それっぽく見える。だが、 形があるだけで中身がない案 ― つまり、関連する内部モデルの密度が薄いまま構造だけ作った案 ― は、たいてい屁理屈に近い。

たとえば「要素移植」で「金融工学のリスク管理を教育に持ち込む」という案を AI が出したとする。形としては成立する。だが、教育現場の実態と金融のリスクモデルの両方を深く理解していなければ、その移植は表面的なアナロジーにとどまる。

選別の基準は「整合性」と「内部モデル密度」

ここに人間の判断が残る。 発想を選別する基準は、おもに2つだ。

1. 上位・隣接の写像との整合性

提案された案は、それを実行する上位の目的(操作⑨の整合性チェック)と矛盾しないか。隣接する別の写像と衝突しないか。 この問いを通せば、構造的な矛盾を抱えた案は落ちる。

2. 内部モデルの密度

その分野について、自分(または信頼できる専門家)が十分な内部モデルを持っているか。持っていない領域で構造だけ動かしても、出力は屁理屈になる。 このチェックを通せば、根拠のないアナロジーは落ちる。

これは AI には判定できない。「この領域について自分は本当に分かっているか」を問えるのは、原理的に人間だけ だ。

だからこそ、5要素を渡す側が「責任を引き受ける側」になる

意思決定写像の発想法では、こうなる。

この3つの分担が崩れると、どこかで質が落ちる。 構造を渡さずに AI に任せれば平凡な案、判定をサボれば屁理屈の山。

逆に言うと、5要素を構造として持っている人 だけが、AI を発想の組み替え装置として使いこなせる。これは前2作と地続きの結論で、シリーズを通して何度も顔を出してきた話だ。

おわりに ― 発想と判断の役割分担

意思決定写像で考える AI 時代の発想法は、要点を1行に圧縮するとこうなる。

発想の組み替えは AI にスケールさせる。判断は人間に残す。

その境界線を引くのが、意思決定写像の5要素 ― 目的・設定・評価基準・入力・出力集合 ― である。

組み替えの操作をどう設計するか、どの組み合わせを選び取るか、その案が屁理屈なのか本物なのか。これらを問えるのは、5要素を構造として扱える人だけだ。

逆に言えば、5要素を扱える人にとって、AI は発想の天井を一段引き上げる強力な道具になる。 人間が「ここを動かしたい」と方向を決め、AI が並列で組み替えを試し、人間が選び取る。この往復で、これまで人間一人では辿り着けなかった発想空間に手が届くようになる。

シリーズの最後に、再びこの言葉を置いておきたい。

意思決定写像を持つということは、「悩む」を「設計する」に置き換えられるということだ。

そして AI 時代では、それは「発想する」を「組み替える」に置き換えられるということでもある。

設計と組み替えの両方を扱える人が、これからの時代の創造の中心に立つ。

参考文献