トヨタで24年叩き込まれた『なぜ５回』がプロンプト設計の最強フレームワークになっている話

朝、オフィスのコーヒーを飲みながら、ChatGPTのプロンプトボックスを見つめていた。

すると、24年前のトヨタ工場での光景が蘇った。

品質不良が起きるたびに、上司から「なぜ、そうなった？」と5回も6回も問い詰められた日々。当時は正直、うんざりしていた。

ところが今、その「なぜ５回」という思考法が、生成AIへの指示出し（プロンプト設計）の最強フレームワークになっていることに気づいた。

AIが外す理由も、ズレた回答をする原因も、すべては根本的な『指示の甘さ』なんです。その甘さを徹底的に炙り出すツールが、あの「なぜなぜ分析」だった。

本記事では、24年間の現場経験から得た『なぜなぜ分析』の本質と、それを今のプロンプト設計にどう活かすかを、具体例を交えて語ります。

トヨタの現場で「なぜ５回」は何度も繰り返された

1990年代、私はトヨタの工場で品質管理（QC活動）の真っ最中だった。

ある日、ある部品の寸法不良が3個発見された。上司は製造ラインを止めて、なぜそんなことが起きたのかを究明するよう指示した。

「なぜ、寸法がズレたのか？」と聞かれて、「機械の精度が落ちていたから」と答えた。

すると上司は次々と続ける。「なぜ、精度が落ちたのか？」「なぜ、メンテナンスを放置したのか？」「なぜ、確認体制ができていないのか？」。

この繰り返しが『なぜなぜ分析』であり、徹底的に根本原因に迫る手法です。

当時の私は、「もう、わかったって。なぜそんなに何度も聞くんだ」と内心思っていた。

だが、その執拗さこそが、後年のAI時代を生き残るスキルになるとは、その時は想像もできなかった。

「なぜなぜ分析」が追いかけるのは、問題の奥に潜む『本当の原因』だ

なぜなぜ分析とは、問題が発生した表面的な原因ではなく、その奥にある真の原因（根本原因）を見つけ出すプロセスのことです。

トヨタではこれを、問題解決の鉄則として全社員に叩き込む。

通常、問題が起きると、人間は『一番目の原因』で満足してしまいます。

たとえば、「ミスが起きた → 疲れていたから」で終わり。

でも、なぜなぜ分析では、「なぜ疲れていたのか → シフト制度に欠陥があるのか」と掘り下げる。その欠陥が本当にあるのか、システム設計に問題があるのか、まで追いかける。

そこで見えてくるのは、単なる人為的ミスではなく、仕組みの不備なんですよね。

仕組みを直せば、同じ誤りは二度と起きない。これがトヨタ品質の秘密です。

生成AIの『ズレた回答』も根本的には『指示の不備』だ

いま、ChatGPTやGeminiを使うビジネスパーソンが一気に増えました。

でも、ほとんどの人が同じ悩みを抱えているんですよね。

「AIの回答がずっと違う」「期待した文章ではない」「データが古い」。

これらは、すべて『プロンプトの指示が曖昧だから』です。

たとえば、「マーケティング戦略について書いて」と指示したら、AIは汎用的で広い内容を返す。

なぜなら、その指示には根本的な欠陥があるからです。「誰向けなのか」「何の業界か」「何文字で」「どんなトーンで」が何も決まっていない。

これは、かつてトヨタ工場で「なぜ、不良が起きたのか」という曖昧な問い方と同じ構図です。

表面的な原因（AIの能力不足）ではなく、根本的な原因（指示が不十分）に向き合うことが先決なんです。

「なぜなぜ分析」をプロンプト設計に当てはめた実践フレームワーク

では、具体的にどう活かすのか。トヨタの「なぜなぜ分析」をプロンプト設計に翻訳したフレームワークを紹介します。

【第1の『なぜ』】目的を明確にする — 「このプロンプトで何を達成したいのか？」

営業資料を書きたい、ブログ記事を書きたい、企画書の骨組みを作りたい。この最初の目的を曖昧にしてはいけない。

【第2の『なぜ』】対象者を決める — 「誰のための、何なのか？」

営業資料なら、相手企業の経営層か担当者か。ブログなら、初心者向けか専門家向けか。AIはこれで、文体やレベルを調整します。

【第3の『なぜ』】現状と理想のギャップを埋める — 「今の状態と欲しい状態は？」

「データが古い状態から、最新の市場データを踏まえた提案にしたい」。このギャップが指示精度を上げます。

【第4の『なぜ』】制約条件を洗い出す — 「文字数は？フォーマットは？禁止事項は？」

「8,000文字以上、である調、SEO対応、数字根拠あり」。制約がある方が、AIの出力ブレがぐっと減ります。

【第5の『なぜ』】成功基準を決める — 「これができたら『いい』と言える基準は？」

「読んだ人の9割が『すぐに使える』と感じる」「業界の最新トレンドが3つ以上含まれている」。この定義があると、AI側も修正ポイントが見えやすくなります。

実例：『プロンプトの甘さ』が招いたAIの外し

ある時、私は企業研修用の資料生成をAIに依頼した。

最初のプロンプトはこうだった。「新入社員向けのAI基礎研修資料を書いて」。

AIが返してきた内容は、広すぎた。ニューラルネットワークの数式から、ChatGPTの使い方まで、すべてが浅くまとまっていた。

これは、私の指示が甘かったんです。

そこで、「なぜなぜ分析」を自分に向けた。

「なぜ、AIの出力がずれたのか？」→「対象者が曖昧だったから」

「なぜ、対象者を曖昧にしたのか？」→「新入社員の背景（文系か理系か、IT経験があるか）を定義していなかったから」

「なぜ、定義しなかったのか？」→「このジャンルでAIに何ができるのか、自分自身が把握していなかったから」

ここまで掘り下げて、次のプロンプトを書き直した。

「新入社員向けの『生成AIの実務活用』研修資料を、文系・非IT経験者を想定して作成してください。内容は、『ChatGPTとは何か』『企業でよく使う3つの場面』『実際のプロンプト例とアウトプット』に限定。形式はパワーポイントのスライドノート。字数は800字以上1200字以下。難易度は『高校生でも理解できる』レベルです。」

今度は、AIの出力が一気に改善された。

余計な数式はなく、わかりやすい比喩と実例が入り、スライド形式に沿った構成になっていた。

この差は、AI自体の進化ではなく、『指示の精度』の差です。

トヨタ流の『改善サイクル』をプロンプト開発に取り入れる

トヨタでは、問題解決の後、さらに大切なのが反復改善（PDCA）です。

一度の修正で完璧を目指さず、「やってみて → 評価して → 直す」を何度も繰り返す。

プロンプト設計も、全く同じプロセスが有効です。

第1回目：粗いプロンプトを試す — 「目的と対象者だけ決めてAIに投げる」

第2回目：出力を評価する — 「返ってきた内容のどこが外れているか、具体的に指摘する」

第3回目：プロンプトを修正する — 「外れた部分に対する『なぜ』を自分に問い、指示を追加する」

第4回目以降：さらに精度を高める — 「成功基準を達成するまで、何度も試行錯誤する」

この反復を、私は「プロンプトの鍛造」と呼んでいます。

鉄をハンマーで何度も叩いて強くしていくように、プロンプトも何度も試行を重ねると、AIの出力品質が劇的に上がります。これがまた、やっていてワクワクするんですよね。

「曖昧さの誘惑」から逃げるべき理由

プロンプト設計をしていると、こんな誘惑に駆られる。

「細かく指定するのは面倒だ。ざっくりで試して、うまくいったらラッキー」という考え。

トヨタの品質管理では、これを「検査に頼る姿勢」と呼んで、徹底的に排除された。

不良品を検査で弾くのではなく、そもそも不良品を作らない仕組みを作るのが本来の姿です。

プロンプトも同じ。曖昧なまま何度も試行するより、最初に『なぜなぜ分析』で指示を完成させる方が、結果的に早い。

時間にして、30分の上流工程（プロンプト設計）で、後の3時間の修正作業を省けます。

チーム全体に「なぜなぜ思考」を埋め込む

さらに、個人だけでなく、チーム全体でこの思考を共有すると、組織全体のAI活用精度が上がります。

トヨタでは、品質会議で「なぜなぜ分析」の結果を共有し、全員が同じ思考法を身につけていた。

ビジネスチーム、営業、企画など、複数の人がAIを使う環境では、『プロンプト設計の基準』を統一してほしいんです。

「対象者は誰か」「成功基準は何か」「禁止事項は」を、チーム全員が同じ粒度で定義できれば、AIの出力品質にばらつきがなくなります。

実際、ある企業では、営業と企画で別々にAIを使っていて、出力のトーンがバラバラだった。

そこで「なぜなぜプロンプトテンプレート」を作って共有したところ、2週間で統一感のある資料が作られるようになった。

AIの限界を知ることも「なぜなぜ」の大事なステップ

もう一つ、トヨタから学んだ大切なことがあります。

「現在の技術では何ができないのか」を明確にすること。

品質管理では、機械の限界スペック（温度範囲、精度の限界など）を把握することで、初めて現実的な改善案が出ていた。

同様に、AIについても「今のGeminiでは何ができないのか」を知ることが大切です。

たとえば、「最新のリアルタイムデータは保証しない」「医学的診断には使えない」「著作権が存在する文章の完全コピーはしない」といった限界があります。

こうした限界を前提にプロンプトを設計すると、AIを過信して失敗することがなくなります。

なぜなぜ分析が「これからも必要」な理由

AI技術は日々進化しています。

でも、プロンプト設計の本質は変わらない。

むしろ、AIが高度になればなるほど、『何をしてほしいのか』という指示の明確さが勝負になります。

初期のAIは、粗い指示でも単純な処理をしていた。

でも、最新のAIは複雑な仕事をこなす分、指示の曖昧さに敏感に反応します。

この時代に必要なのは、AIのスペックを知ることではなく、根本的に『何を求めているのか』を自分たちで理解することです。

それこそが、「なぜなぜ分析」の本質です。

まとめ ─ これだけ覚えておけばいい

24年のトヨタ経験から学んだ「なぜなぜ分析」は、今のプロンプト設計でも最強フレームワークになります。

• AI出力が外れるのは、AIの問題ではなく指示の不備：表面的な原因（AIの能力不足）ではなく、根本的な原因（プロンプトの曖昧さ）に向き合うところから始めてください。
• 「5つのなぜ」は、目的→対象→ギャップ→制約→基準に翻訳できる：この順序で掘り下げると、AIへの指示精度が劇的に上がり、修正作業が減ります。
• 反復改善（PDCA）とチーム共有がプロンプト品質を高める：一度の指示で完璧を求めず、何度も試行錯誤しながら、チーム全体で設計基準を統一していく。その積み重ねが、組織全体のAI活用を底上げします。

古い時代の品質手法だと思っていた「なぜなぜ分析」。それが今、AI時代の武器になっているなんて、正直、うれしい誤算でした。

現場で叩き込まれたことって、形を変えて、ちゃんと使えるようになる。だから、みなさんの現場経験も、まだまだ捨てたもんじゃないですよ。一緒に試行錯誤しながら、一歩ずつ前に進みましょう。

出典・参考情報

• トヨタ自動車公式サイト（品質管理理念）
• NIST – 品質管理基準とベストプラクティス
• OpenAI – ChatGPT公式サイト
• Google Gemini – 生成AI大規模言語モデル
• ISO – 国際品質管理規格

用語集

• なぜなぜ分析（Root Cause Analysis）：問題の表面的な原因ではなく、根本原因を見つけるために「なぜ」を繰り返し問うプロセス。トヨタの品質管理の基本手法。
• プロンプト設計（Prompt Engineering）：生成AIに対して、望ましい出力を得るための指示文（プロンプト）を効果的に設計するスキル。
• 品質管理（QC = Quality Control）：製品やサービスの品質を一定水準に保つための仕組みと活動。検査だけでなく、不良を生まない設計が本質。
• PDCA（Plan-Do-Check-Act）：計画→実行→評価→改善の反復サイクル。組織全体の継続的改善を実現する手法。
• 根本原因（Root Cause）：問題の最も根底にある、真の原因。これを取り除けば、同じ問題は二度と起きない。