「売上低下の原因は？」とAIに聞いてはいけない理由――現場の違和感を成果に変える“問いと翻訳力”

「最近、売上が落ちている……」。現場では、こうした原因を特定しづらい課題に直面することはよくある。AI時代に仕事を前に進めるために必要なのは、現場で感じた小さな違和感を“問い”に変え、データやAIの分析を“判断の言葉”に変え、組織が動ける“行動”に変える力――つまり“翻訳力”だ。そう語るのは、『AIを味方につける仕事術 AI活用のもやもやを現場の力に翻訳する』の筆者でもある積水ハウス イノベーション＆コミュニケーションの木田浩理氏である。木田氏は「生成AI × マーケティング フォーラム 2026」に登壇し、翻訳力を身につける方法を解説した。

施策を決める前に、“適切な問い”を立てよう

たとえば、あなたが百貨店の売場マネージャーだったとしよう。

最近、売上が悪いなぁ。現場からも「お客さまが来ない、回遊しない」という声が上がっている。原因は集客不足だから、上階のエスカレーター横でタイムセールをやれば、お客さまが店内を回遊するだろう！

と考え、実行した。これは、百貨店などの商業施設において上階で集客イベントを催し、上から下へ顧客の流れを作って売上アップを狙う「シャワー効果」を活用した施策である。その結果、タイムセールは好評で、上階までお客さまを連れて来ることはできた。しかし、タイムセールで満足したお客さまは、フロアを回遊することなく、立ち去ってしまった。

あなたはどこで何を間違えたのだろうか。

見直すべきは、タイムセールという施策ではない。施策を決める前に、“適切な問い”を立てなかったことで、現場の「人が来ない、回遊していない」という違和感の原因を集客不足と決めてしまったことだ。

打ち手に至る前の課題設定が十分ではなかったと思います。本来はまず売上がどこで落ちているか、たとえば客数なのか、回遊率なのか、客単価なのかを確認する必要がありました（木田氏）

6つの問いで具体的な問いに変える

正しく問いを立てるには、「売上が悪い」という曖昧な言葉ではなく、以下の6つの問いで、「“次に何をすべきか”が判断できる具体的な問い」に変えていく必要がある。

• Who（誰の？：顧客）
• What（何が？：売上・客数・購入率・客単価）
• Where（どこで？：売場・顧客群・商品群）
• When（いつから？：どの期間で？）
• Compare（何と比べて？：前年・計画・他売場）
• Decide（何を決める？：次にどこを変える？）

良い問いとは、何を確かめるべきか、必要な証拠が見えてくるものなんです。たとえば、「なぜ通常売場へ回遊しないのか」という問いであれば、「どこで止まっているか」や、「誰が止まっているか」、「何を感じているか」を、問いを具体化する段階で整理します（木田氏）

AIは探索範囲を広げるのが得意。問いはAIで広げ、人が絞る

今や、データをAIに渡すだけで、すぐに分析して回答を返してくれる。ただし、問いの質によって、アウトプットが変わる点には注意が必要だ。「売上低下の原因を教えて」と投げかけると、「考えられる原因は、いくつかあります」と、もっともらしいことを言ってくるだろう。しかし、そのもっともらしい回答が実務でそのまま役立つとは限らない。だからこそ、最初の「問いの立て方」が重要なのだ。

一方、AIが得意なのは、探索範囲を広げることだ。たとえば、別の切り口で見てみたり、不足している証拠をあぶり出したり、別の仮説を立てたりするなど、反対の可能性を指摘するといったように、自分だけでは思いつかない範囲まで問いを広げられる。そうしてAIが広げた問いから、どの問いを追うべきか、人が絞り込んでいく。この“AIで広げ、人が絞る”というプロセスでAIを活用することが重要だ。

問いが立てられただけでは、AIの活用を成果につなげることはできません。ここから大事なのは、翻訳力です。もやもやがあって、そこを問いに変えました。そして、証拠を集めて判断をしていく。次は行動につなげていくのですが、その意味を次の行動に変えていく力が翻訳力です。講演でお伝えしたいのは、問いと翻訳力をどうやって身につけていくかです（木田氏）

成果につなげるには“翻訳力”が必要。翻訳力を構成する4つの変換

組織では翻訳不全がさまざまな場面で起きる。たとえば、データをもとに何かの施策をやろうとする。経営視点では、施策の投資対効果、ROIはどうなのか。現場からすると、明日何をすればいいのか。データ部門であれば「分析として正しいか」といったように、それぞれの部門で気にするポイントが異なる。

それぞれの立場にはそれぞれの合理性がありますが、言葉がつながっていません。視点が分断されると、データ活用は進みにくくなります。そこで必要になるのが、人や組織を動かし事業成果につなげるための“翻訳力”です（木田氏）

翻訳力とは、以下の4つの変換で組織を前に進める力だという。

1. 違和感を問いに変える
   「なんとなく変だ」と感じる現場の違和感を構造化し、「どの年代で低下しているか？」「減少しているのは来店数か、購入率か？」「売上の低下はどの商品で起きているのか？」「この傾向はいつから始まっているのか？」といった本質的かつ検証可能な問いに変える（＝先に紹介した“問いを立てる”と同義）。
2. 結果を行動に変える
   データや分析結果の数値や指標を伝えるだけでなく、現場がすぐに動けるよう“明日やること”に落とし込んで伝える。
3. 専門知を経営判断に変える
   データサイエンティストやAIエンジニアが持つ専門的な知見を、「なぜ今やるのか」「いくら投資が必要で、いつ回収できる見込みか」「誰が責任を持ち、撤退基準はどこに定めるのか」といった経営サイドが判断できる形に変える。
4. 部門の主張を共通言語に変える
   例えば、営業は商談数を、マーケティングは認知率や集客数など、KPIは部門ごとに異なる。しかし、“顧客に選ばれ、事業成果につなげる”というゴールは同じはずだ。部門ごとの主張を整理し、共通の視点と言葉に変える。

1の問いを立てる力に加えて、残り3つの力も合わせて、意味を次の行動に変える“翻訳力”が実はとても重要だ。

翻訳力を発揮するために重要な2つのポイント

さらに木田氏は、データサイエンティストや現場、経営といったさまざまな立場を経験したことから、翻訳力を発揮するための重要なポイントを2つ挙げた。

1つ目は、翻訳者として専門家と現場の架け橋になるべく、専門家が使う「モデル言語（例：精度・相関・セグメント・予測確率）」と、現場・経営が使う「ナラティブ言語（例：売上は上がるのか・お客さまは喜ぶのか・現場は何をするのか・投資判断できるのか）」を行き来することだ。そのためには、部門間にあるギャップを理解して、それぞれの言語の意味を翻訳・橋渡しする必要がある。

2つ目は、ビジネススキーマ（形式知と暗黙知からなる、自社にとっての当たり前）を理解することだ。顧客や商品・サービス、事業の構造なども含めたこの当たり前に照らして、その組織に合った形に翻訳する必要がある。翻訳せず、「AIがこう言っているから、活用してください」と言っても、現場で使える行動につなげることはできない。

分析から始めるのはNG！ データ活用を成果に変える「5Dフレームワーク」

次に木田氏は、翻訳力を実務で使い、データ活用を事業成果につなげる思考の型である「5Dフレームワーク」を紹介した。5Dフレームワークは、以下の5つのステップで構成される。

• Demand
• Design
• Data
• Develop
• Deploy

Demand：本質課題を見つける

データ分析のプロジェクトが立ち上がると「売上分析をしてほしい」「顧客を分類してほしい」といった分析の手段が先行した依頼が多くある。だが、本質的な課題は何かを掘り下げ、見つける必要がある。「何を分析するか」ではなく、「なぜ選ばれなくなったのか？」「何が意思決定を止めているのか？」「どの行動を変えるべきか？」といった「何を解くべきか」を問うことが大切だ。

Design：成功条件を設計する

成功の定義が曖昧なままでは、データ分析のプロジェクトは迷走する。Designでは、成功条件と判断基準をまず決め、分析を行動につながる形に整える。具体的には「何が変われば成功か？」「誰が判断するか？」「どの指標を見るか？」「どの現場行動につなげるか？」「どこまでを今回の範囲にするか？」といったことを決めておく。

Data：必要な証拠を揃える

集められるデータ（手元にあるデータ）だけにとらわれず、判断に必要なデータを揃える。問いに沿ってデータを選び、定量と定性を組み合わせる。足りなければ外部データも活用する。

Develop：答え・示唆を出す

1～3のステップを省略し、AIにデータを渡して分析させ、それっぽいアウトプットを出すことはできる。だが、目的や課題が曖昧なままDevelopから始めることには注意が必要だ。誰が使うかが定義されないまま、データ分析結果だけあっても、誰にも使われず、事業成果につながるとは限らないからだ。Demandで問いを立て、Designで成功を定義し、Dataで必要なデータを集めて、ようやくDevelopで分析に入る。Developで重要なのは、きれいなレポートを作ることではなく、意思決定に使える答えを出すことだ。分析のゴールは、納得して動ける示唆を得ることである以上、1～3のステップを省略してはならない。

Deploy：現場の行動に展開する

データ分析の結果をダッシュボードにまとめるだけではダメだ。分析結果は現場で実行されて初めて価値になる。そのため、データからの示唆を実行計画に落とし込み、「誰が・いつ・何を・どの顧客に・どの言葉で・どう実行し・どう測るか」といった現場の行動に落とし込んで、展開する必要がある。

AI時代に求められる“ビジネストランスレーター”に必要な3つの条件

「これからのAI時代に求められる人材は、5Dフレームワークを実践しながらAIと現場をつなぐ“ビジネストランスレーター（翻訳者）”」だと語る木田氏。このビジネストランスレーターは、すべての領域に精通するようなスーパーマンである必要はなく、複数領域を“つなぐ人材”だ。そんなビジネストランスレーターに必要な3条件を、以下にまとめた。

1. 60点の基礎知識を持つ
   ビジネスに必要な複数の領域において、本を数冊読むなどして、60点の基礎知識を身につける。60点以上取れるに越したことはないが、60点の基礎知識があれば勘所がわかるようになる。60点の基礎のイメージは、AIが出した答えを批判的に読み解き、「本当にそう言えるか」と疑問を持てる程度だ。足りない深さはAIや専門家に補ってもらえば良い。また、専門家と対話できる程度に技術を理解することも重要だ。仕組みが分かれば、依頼の質が上がり、良い依頼と良い協働につながる。

   

2. 複数領域を横断する
   1つの専門領域だけではなく、複数領域を横断して、「自分の引き出しを増やしながらキャリアを積む」という意識を大切にしたい。この複数領域を横断して見る、越境経験が翻訳力を鍛える土台となる。
3. AIと協働して深さを補う
    「調査・集計・要約・分析補助・壁打ち・アイデア出し」といったHowを積極的に活用する。これに対し、「目的や文脈を理解しながら、その妥当性を判断し、最終的な意思決定を下す」というWhyの責任を持つのが人間の役割だ。

AI時代のキャリア戦略。作業者から翻訳者へ

当然、立場によって発揮すべき翻訳力は変わる。現場の担当者であれば「もやもやを問いに変える」、リーダーであれば「発見をプロジェクトに変える」、管理職であれば「組織の壁を取り除く」といった具合だ。成果を出す組織は、問い・データ・判断・実行がつながっていると木田氏は言う。

AIによってデータ分析は以前よりもずっと手軽になりました。ただ、分析結果が学習や改善に生かされず、やりっぱなしになると、「AIって意味ないよね」で終わってしまう。現場から出てきた問いを使える形で仕組み化することが大事です。AIが得意な作業はAIに任せ、意味づけ・判断・実行を人が行う。作業者から翻訳者へどう変われるかが、AI時代のキャリア戦略になってきます（木田氏）

木田氏の著書『AIを味方につける仕事術 AI活用のもやもやを現場の力に翻訳する』には、本セッションの内容もカバーされている。興味を持った方はぜひご一読いただきたい。