「AIに仕事を奪われる」という言葉が世間を賑わせて久しい。それどころかもっと本質的な問いがある。「AIに思考を奪われていないか」という問いだ。
　ChatGPTをはじめとする生成AIは、2022年以降に急速に普及し、今やリサーチ、文章作成、データ分析、プレゼン資料の作成まで、以前なら人間が時間をかけていた知的作業を瞬時にこなすようになった。
　マッキンゼー・グローバル・インスティテュートの試算によれば、現在の業務の約60～70％は自動化の技術的ポテンシャルがあると言われている。
　しかし、ここで重要なことがある。AIは「与えられたデータの中から答えを出す」ことは得意だが、「何を問うべきか」「どこに着目すべきか」という観察眼は持っていない、という事実だ。
　プロンプトを入力する際に「何を訊くか」を決めるのはそもそも人間だ。AIが出した出力の真偽を判断するのも人間である。ビッグデータの海を泳ぎながら、どこに宝が眠っているかを嗅ぎつける「観察力」は、AI時代においてこそ人間固有の競争優位になりうる。
　ならば、その観察力はどう鍛え、どうビジネスに活かしていけばいいのか。

■セブンイレブンの「分母思考」

　観察の基本は「比較」である。比較とは、対象物をあるスケールに乗せてその大小・高低を測る行為である。その差分を見て、起こっていることを読み解くのだ。差分が大きければ誰もがおかしいと思うが、少なければ少ないほど感じ取ることは難しくなる。その差は人によっては「なんとなく」感じる「違和感」であったりするが、この違和感は、その人のセンスや経験値によっても変わってくる。
　テレビの刑事ドラマなどでは、ベテラン刑事が若手が気が付かない容疑者の表情の変化や、現場の置かれたモノの配置に、なにかしらの「違和感」を感じ取るシーンが出たりするが、そんなベテランの感覚に近いとも言えるだろう。
　たとえばセブン-イレブンというコンビニシステムを日本に導入し、コンビニという業態を日本に広げただけでなく、日本式コンビニを世界中に再輸出した鈴木敏文氏。鈴木氏はPOSシステムなど、業界に先駆けた仕組みを導入して小売業界のIT化を先導した人物でもあったが、何より驚かされたのが「夏にコンビニでおでんを売る」戦略だ。鈴木氏は「分母を変える」という独自の思考法を持っていた。

　従来の考え方では、暦が6月となれば季節が夏になったと判断し、アイスや冷えたドリンクなどを多く仕入れるのが一般的だった。しかし鈴木氏は「暦が夏でも肌寒いなと感じれば、おでんは売れる」と判断した。その判断は、現れたデータを比較したことにあった。POSが浸透した後は、暦だけでなく摂氏25度の夏日を超えるとアイスなどがよく売れると判断されるようになったが、鈴木氏は「前日が30度だった」か「前日が20度だった」かという「分母」が変わり、その差が５度以上であれば消費者が感じる体感は真逆になると読んだのだ。つまり「暦が夏でも肌寒いなと感じれば、おでんは売れる」と判断したのだ。このコンビニの「夏おでん」はたちまち業界に浸透し、コンビニのレジ周りの風景を一変させた。同様に、冬でも冷やし中華を置き、気温が急上昇するタイミングに大量販売するという戦術も定番となった。
　AIやPOSシステムは鈴木さんのように、この「分母」を自動的に考慮してくれるだろうか？答えは「部分的にしか、できない」だ。

■AIと「文脈」の問題

　現代の需要予測AIは、天気予報データ、過去の販売トレンド、地域の人口動態など複数の変数を組み合わせて精度の高い予測をする。しかし「来週、近隣の学校で文化祭がある」「今日の夕方、近くで大型コンサートが終わる」「この地域は昨日ニュースで取り上げられた新店舗が話題になっている」といった、構造化されていないリアルタイム情報からの文脈的予測は、現場の人間の観察眼からしか拾えない。
　鈴木氏はPOSシステムを「予測の検証システム」と定義していた。発注数字は過去のデータだ。だがそれをもとに状況の文脈を読んで「明日は何が売れるか」という仮説を立て、検証するのは人間の役割だと言ったのだ。AIが出すデータはあくまで「分子」に過ぎない。「分母」を設定するのは、観察する人間の側だ。

■「前例のない状況」では人間の観察力が役割を果たす

　認知科学者のゲイリー・クライン（Gary Klein）氏は、熟練した専門家がいかに判断を下すかを「認識プライム意思決定（Recognition-Primed Decision、RPD）モデル」として体系化している。このモデルによれば、エキスパートは大量の選択肢を論理的に比較するのではなく、過去の経験から培われたパターン認識によって、ほぼ即座に「最初の良い選択肢」を認識するという。
　この「パターン認識」の豊かさこそが、ベテランと新人を分ける観察力の正体である。AIは膨大なデータからパターンを学習するが、そのパターンは過去のデータに存在するものに限られる。前例のない状況、まったく新しい文脈においては、人間の観察力が決定的な役割を果たす。
　ビジネスで言えば、「このクライアントは数字は良いが、なぜか担当者の顔が曇っている」「この提案書は完璧に見えるが、会議室の空気が妙に重い」といった、データには現れない「空気の変化」を読む力のことだ。
　近所の学校やアリーナで運動会やコンサートが開催されれば、一帯の流入人口も増えて、来客数が伸びることは予測が立つ。しかし、１日の寒暖差がどのレンジでとどまるのか、時間帯ごとの差はどのくらいなのかで、売れる商品は変わってくる。鈴木氏の５度以上の気温差が午前中に起こるのか、午後に起こるのか。はたまた１日をかけてゆっくり起こるのかで、とくに飲食品の売上は変わってくるだろう。そこで何がどこまで売れるかを瞬時に予測し、発注できるのがベテランの「最初の良い選択肢」と言える。

■「なぜなぜ分析2.0」。トヨタの問題解決法をAI時代に更新する

　トヨタ自動車が発明した「なぜなぜ分析」は、製造業のみならず多くのビジネス現場で活用されてきた。現場で起こった問題に「なぜ？」を5回繰り返すことで根本原因にたどり着く手法だが、その本質は、表面的な事象に囚われず重層的な原因構造を可視化することにある。
　AI 時代において、この「なぜなぜ分析」は新たな進化の段階を迎えている。近年、注目を集めているのが「因果推論（Causal Inference）」という統計・AIの分野だ。
　従来の機械学習は「相関」を見つけることに長けていた。たとえば「アイスが売れる日は溺死者が多い」という相関があっても、そこに因果はない（どちらも夏の暑さが原因だ）。因果推論AIは、介入効果（もし～したら、どうなるか）を推定する技術で、医療、経済政策、マーケティングなど多くの分野で実用化が進んでいる。
　しかし、因果推論AIを有効に使うためには、「どの変数が重要か」「どういうメカニズムが働いているか」という問いを立てる人間の観察力が必要となる。AIは計算するが、「何を問うべきか」は人間が決めるからだ。

■見ているものが違えば浮かぶ原因も違う

　事故や問題が起きる原因は１つではない。山道での自動車事故であれば、スピードオーバーという直接原因の背後に、見通しの悪いカーブ、ブレーキ不良、運転手の焦りなど複数の要因が重なっている。
　なぜなぜ分析が機能するのは、分析者が「事象をしっかり観察している」ことが前提だ。同じ事象を見ても、どういう観察軸で見るかによって、浮かび上がる要因は変わってくる。
　AI時代においては、この「観察の起点」がより重要になった。ChatGPTやClaude、Geminiのような生成AIに「この問題の原因を分析してください」と投げかけると、もっともらしい回答が返ってくる。しかしその回答は、あなたが与えた情報の範囲でしか生成されない。「何を入力するか」＝「何を観察したか」が、AIの出力品質を決定する。
　「ゴミを入れれば、ゴミが出てくる（Garbage in, Garbage out）─」。これは初期の機械学習の時代だけでなく、生成AIの時代においても変わらない鉄則だ。だからこそ、現場で何が起きているかを「正確に観察する力」が、AI活用の前提条件になる。

■百鼠を見分けた江戸庶民の眼力

　江戸時代、幕府が出した「奢侈禁止令（しゃしきんしれい）」によって、着物の色は茶色・紺・ねずみ色に限定された。しかし江戸の庶民はその制約の中で「四十八茶百鼠（しじゅうはっちゃひゃくねずみ）」と呼ばれる、茶色48種、ねずみ色100種もの色彩の世界を作り上げた。
　「あのねずみ色はダサい」「このねずみ色は粋」「このねずみ色にこの茶色の組み合わせは鯔背（いなせ）」と言って楽しんだのである。この豊かな色彩識別能力は、制約の中でこそ磨かれた「センサーの精緻化」と言えよう。
　翻って現代はどうか。スマートフォンのカメラは10億色以上を識別できる。デジタルディスプレイは人間の視覚が認識できる範囲を超えた色域を表現する。しかし現代のビジネスマンが「相手の表情の微妙な変化」「会議室の空気の変化」「顧客の声のトーンの揺れ」を江戸庶民並み
に100のバリエーションで感じ取れるかといえば、おそらくNOだろう。
　テクノロジーは外界を精緻に記録する力を与えたが、人間自身のセンサー感度は逆に鈍化しているかもしれない。その皮肉に気づかない限り、どれほど高性能なAIツールを持っていても、その入力データは粗くなるばかりだ。

■骨董鑑定家に学ぶ「全体観」という直観

　テレビ番組「開運！なんでも鑑定団」で有名な鑑定家の中島誠之助氏は、
本阿弥光悦の茶碗に5000万円の評価額をつけた際の第一印象を「なんとなく風情がいい」と語っている。

　後に著書でその評価ポイントを詳細に分析しているが、最初の判断は分析に先行する「全体観」だった。これはまさに前述のゲイリー・クライン氏のRPDモデルが示す「エキスパートの直観」そのものだ。
　AIの画像認識技術は、茶碗の形状・釉薬のパターン・落款の特徴などを数値化して真贋を判別する精度を高めている。しかしここでも、「何の特徴量を学習データとして与えるか」を決めたのは人間の目利きだ。AIの判断基準は、過去の目利きたちの「観察の結晶」から成り立っている。
　つまり目利きの眼 → 特徴量の設計 → AIの学習 →精度向上、という連鎖をもって、初めてAIは機能する。人間の観察力がAIの性能の「天井」を決めるのだ。

■採用面接官の「観察力」とピープルアナリティクスの限界

　あるベテラン採用担当者は、採用を「将来の社長を採用する仕事」と表現する。10年に1人の逸材を見極める眼力は、いかなるAIも代替できないと言う。
　近年、「ピープルアナリティクス」と呼ばれる、データを活用した採用・人事評価の手法が普及している。適性検査のスコア、面接時の言語分析、動画面接のAI 評価（表情、声のトーン、言葉の選び方）などを組み合わせて「採用予測」を行うシステムだ。
　しかし、アマゾンが2018年にAI採用ツールの廃止を決定したように、AIは過去の採用データに潜む人間のバイアスを学習・増幅するリスクがある。また「現在の業績を予測する指標」は測れても、「10年後に会社を変革するポテンシャル」を測ることはAIには難しい。
　優れた採用面接官は、数字では測れない「人物の質感」を観察する。それは履歴書の行間、言葉の選び方の微妙な揺れ、目の動き、沈黙の使い方—江戸庶民がねずみ色の微妙な差を識別したように、人間の多面的なシグナルを読み取る能力だ。AIはこの「観察の補助ツール」には成り得ても、「観察の主体」にはなれない。

■観察力の基盤、「自分軸」と「相手軸」のつくり方

　観察力を高める第一歩は、対象を細かく観ることではなく、観察する自分自身を知ることだ。経営コンサルタントの野口吉昭氏は著書の中で「自分の中に観察軸を持つこと」の重要性を強調している。その確認として次の三つの問いを挙げている。

・あなたは人を評価する時、何を軸にしていますか？
・会社や組織について評価する時、どこにポイントをおいていますか？
・自分のための本を探す時、基準はどこにありますか？

　この３つに即答できない人は、観察の評価軸を持っていない—つまり「なんとなく」で物事を判断している可能性が高い。
　AI時代においては、この問題がさらに深刻になる。「ChatGPTに聞けばいい」「ググれば答えが出る」という習慣が、自分の観察軸の形成を妨げるからだ。AIの出力を鵜呑みにし続けると、自分独自の判断基準が育たず、AIの返答を評価する眼力も養われない。

■「自分軸」から「相手軸」へ。AIが作れない共感の回路

　野口氏は「観察軸を持つことができれば、相手軸をつくることができる」と言う。相手軸とは、相手の立場に立って物事を見る能力のことだ。「空気を読む」ことができるのは、この相手軸が機能しているからだ。
　大規模言語モデル（LLM）の最新研究では、「心の理論（Theory of Mind）」と呼ばれる、他者の心的状態を推論する能力についての評価が行われている。2023年のスタンフォード大学の研究では、GPT-3.5が一部の心の理論タスクで人間に近いスコアを出したという報告もある。しかし専門家の間では、LLMが本当に「他者の視点」を理解しているのか、それとも訓練データのパターンを組み合わせているだけなのかについて、今も活発な議論が続いている。
　いずれにせよ、信頼関係を構築し、「この人は自分のことを本当に分かってくれている」と感じさせる観察力と共感は、ビジネスにおける最大の差別化要因の一つだ。これはAIがアシストできても、代替できない人間の領域だ。
　しっかりした自分軸を持つ人ほど、相手軸も強くなる。逆に脆弱な自分軸しか持っていないと、相手のあるがままを受け止めることはできない。観察力は「自分軸 × 相手軸」の掛け算で磨かれていく。

■AI時代に必要な３つの観察視点「鳥の目・蟻の目・魚の目」

　ビジネスをとらえる際に重要だとされる３つの視点がある。「鳥の目」「蟻の目」「魚の目」である。「鳥の目」とは、空高くから地上を俯瞰する視点だ。ビジネスで言えば、業界全体の構造、市場のマクロトレンド、自社と競合の力学、組織全体の動きを一段高い視座から眺める能力だ。AI時代において「鳥の目」は、「システム思考（Systems Thinking）」として再注目されている。複雑化したビジネス環境においては、個々の要素を最適化しても、システム全体の振る舞いは予測できない。フィードバックループ、時間遅延、創発現象——これらを把握するには、全体を俯瞰する眼が不可欠なのだ。

　たとえば「なぜ上司の言動が理不尽に見えるのか」という問題も、鳥の目で視野を広げれば答えが見えてくる。部長や課長には顧客のさらに先にいるステークホルダーのことや、将来起こりうるリスクが見えているのかもしれない。相手軸に立ち、より高い視点から全体を俯瞰することで、「理不尽」に見えていたものが「必然」に変わることがある。
　生成AIは膨大な情報を集約して「それらしい全体像」を提示するが、その全体像はあくまでも過去のデータの平均値だ。鳥の目で現在進行中の状況全体を生きた文脈として掴むのは、やはり人間の役割だ。

■現場の細部に宿る真実を掴む「蟻の目」

　鳥の目の対になるのが「蟻の目」だ。地面を這うアリの視点、つまり現場の細部に徹底的に接近して見る能力のことだ。マクロの動向をどれだけ正確に把握していても、現場の事実と乖離した戦略は絵に描いた餅に終わる。
　トヨタの「現地・現物・現実」という三現主義は、まさに蟻の目の哲学だ。三現とは、作業者の動作、機械の稼働音、環境（温度・湿度・整理整頓状況）を表す「現地」、実際に扱っている製品、部品、不良品そのもの、傷、歪み、寸法のズレなどの「現物」、そして数値データだけでは分からない、発生時の状況や背景にある実態の「現実」の３つをいう。
　工場の不良品が出たとき、データ上の不良率を確認するだけでなく、実際に現場に行き、現物を手に取り、現実の状況を自分の目で確かめることで初めて根本原因が分かる。これはAIが代わりにできることではない。

　AI時代において、この蟻の目はむしろ希少価値が増している。画面やレポートの数字を眺めるだけで「現場を把握している」と錯覚するリスクが高まっているなかでは、データ分析が高度化するほど、意思決定者の把握実態が現場から離れていく傾向があるためだ。
　顧客の表情、店頭の空気、工場の音、社員の雰囲気—蟻の目で拾えるこれらのシグナルは、いかなるデータにも変換されないまま消えていく。現場に定期的に足を運び、五感をフルに使って細部を観察する習慣こそが、AI時代のビジネスパーソンに最も欠けやすい観察の姿勢だ。

■流れと変化のうねりを読む「魚の目」

　そして３つ目が「魚の目」だ。魚は水の流れを全身で感じながら泳ぐ。その流れに逆らうのか、乗るのか、流れそのものを変えるのか—ビジネスにおける「魚の目」とは、時代の潮流、変化のうねり、トレンドの方向性を感じ取る能力のことだ。
　鳥の目が「今この瞬間の全体構造」を捉えるのに対し、魚の目は「時間軸上の変化の流れ」を捉える。「今この業界はどこへ向かっているのか」「この技術は今後5年で何を変えるか」「この顧客の行動変化は何の前触れか」——これらを感じ取る能力が魚の目だ。

　AIはトレンド分析や時系列予測を得意とする。しかし、AIが分析するトレンドは過去のデータからの類推に過ぎない。本当の潮流の変化、特にパラダイムシフトのような非線形な変化は、往々にしてデータに現れる前に「現場の肌感覚」として先に感じられる。
　セブンイレブンの鈴木氏が、おでんの「季節外れ」の需要を感じ取ったのも、まさに魚の目の働きだ。既存データが語らない「次の流れ」を先読みする力は、現場を歩き、顧客と対話し、時代の空気を全身で浴びることでしか養われない。

■３つの目を統合する―AIに渡せない「立体観察」

　優れたビジネスマンは、鳥の目・蟻の目・魚の目を状況に応じて素早く切り替え、統合して使う。戦略会議では鳥の目で全体構造を俯瞰し、顧客訪問では蟻の目で現場の細部に迫り、新規事業の検討では魚の目で変化の方向を感じ取る。
　AIはこれら３つの視点を「それぞれ単独で、データが存在する範囲内で」シミュレートすることはできる。しかし、現実の状況に応じてリアルタイムにこれら３つを切り替えながら、データには現れない文脈情報を統合して判断する「立体観察」は、現時点ではAIには難しい。３つの目を使いこなす力こそ、AI時代の観察力の核心だ。

■演繹と帰納を使い分ける

　常磐大学元教授の小川明氏は、「観察力をつける」ための思考様式として演繹と帰納の使い分けを強調する。演繹は全体の論理から細部を説明することであり、帰納は細部を積み上げることで１つの必然を導き出すことだ。
　たとえば、表参道や銀座の高級美容院だけを見れば「美容院の高級化」というトレンドに見えるが、郊外に目を向ければ格安カットサロンが隆盛を極めている。帰納的に複数の地点を観察することで、「二極化」という本質が見えてくる。これはまさに鳥の目（高級エリアの全体像）と蟻の目（郊外の個々の店）と魚の目（業界の二極化という潮流）を組み合わせることで初めて見えてくる構造だ。
　AIのアウトプットは「演繹の出発点」として使うことができるが、「帰納の観察」は自分の足で稼ぐしかない。科学の最先端でも、膨大なデータの中からノイズと見なされがちな異常値にこそ、新発見の萌芽が宿ることがある。ビッグデータ時代だからこそ、ノイズの中に宝を見つける帰納的観察力が問われる。

■AIが奪う「失敗から学ぶ力」

　AIやデジタルツールの普及がもたらす恩恵の１つは「失敗コストの低減」だ。シミュレーションで事前に検証できる。AIが誤字脱字を自動修正する。ナビが道を間違えたらすぐ再計算する。クラウドが自動バックアップするからデータを失わない。A/Bテストで仮説を低コストで検証できる。なんとも素晴らしい時代だ。
　しかし、ここに見落とされがちな落とし穴がある。「失敗しにくい環境は、失敗から学ぶ機会も奪う」という逆説だ。
　心理学者のナシム・ニコラス・タレブ氏は、著書『反脆弱性』の中で「脆弱性の反対は強靭性（ロバストネス）ではなく、反脆弱性（アンティフラジリティ）だ」と論じた。反脆弱なシステムは、ストレスや失敗、混乱にさらされることで、むしろ強くなる。人間の免疫系がまさにそうだ。適度な負荷を受けないと、かえって弱くなる。
　ビジネスにおける観察力も同様だ。失敗を予測する「勘」は、失敗を繰り返し経験し、「ああ、あの時のあの感覚と似ている」という蓄積があって初めて磨かれる。ところがAIが多くの失敗を未然に防いでしまうと、この「失敗の記憶と感覚の蓄積」が積み上がらない。

■「失敗の予測感度」が落ちるとはどういうことか

　失敗の予測感度とは、「これは危ない」「何かが違う」「このままだとまずい」という早期警戒シグナルをキャッチする能力のことだ。熟練した職人、ベテランの医師、経験豊富な営業パーソン——彼らが持つこの能力は数値化されにくいが、現場では決定的な差を生む。
　AIは過去のデータパターンから「リスクスコア」を算出することはできる。しかし、リスクスコアに現れる前の、まだシグナルが弱い段階での「嫌な予感」は、経験の積み重ねがある人間にしか感じ取れない。
　問題は、AIに守られた環境に慣れた若いビジネスマンが、この早期警戒能力を育てる機会を失いつつあること
だ。航空会社ではオートパイロットの普及により、パイロットの手動飛行スキルが低下したという研究報告が出ている（FAA研究、2013年）。「自動化の皮肉（Automation Irony）」とも呼ばれるこの現象は、人間が最も自動化システムに頼りたい「緊急時」に、かえってスキルが落ちているという逆説を指す。
　ビジネスでも同じことが起きる。AIが予測・提案・最適化してくれる日常の中で、自分で考え、判断し、失敗する機会が減ると、「いざ大きなトラブルが起きた時」の対応能力が著しく落ちているという事態が生まれやすい。

■大きな失敗を食らった時の「とんちんかん」な対応

　AIによる失敗予防が進む一方で、「まれに起きる大きな失敗」のインパクトは逆に増大する。なぜなら、AIが防ぎきれないレベルの失敗は、より構造的で複合的な原因を持つからだ。
　ここで深刻な問題が起きる。日常の小さな失敗の経験が少ない人ほど、大きな失敗に直面した時の対応がとんちんかんになりやすい。経験が少ないため「何が起きているのか」の観察自体が正確にできない。パニックになり、最初の原因に飛びつき、表層的な対処に終始してしまう。
　これはまさに「なぜなぜ分析」が機能しない状態だ。しっかり物事を観察できていないと、分析の起点となる「事実の把握」自体が間違う。AIが出した「原因候補リスト」を鵜呑みにして、現場を見ずに対処を指示する—そんな「データドリブンな的外れ」が増えるリスクがある。
　だからこそ意識的に「小さな失敗を経験する機会」を設計することが重要になる。あえてナビを使わずに知らない街を歩く。AIの補助なしでプレゼン資料を一から作る。商談の事前シミュレーションをAIに頼る前に、自分で最悪のシナリオを想定してみる——こうした意識的な「自力の練習」が、失敗への予測感度を維持するための処方箋だ。

■「経験からの学び」を意図的に設計する

　組織レベルでも、「失敗を学びに転換するシステム」を意図的に設計する必要がある。ハーバード・ビジネス・スクールのエイミー・エドモンドソン教授が提唱する「心理的安全性（Psychological Safety）」の概念は、「失敗を安心して報告・共有できる組織文化」の重要性を説く。失敗が隠蔽される組織では、集合知としての失敗学習が機能しない。
　AIが失敗を減らす時代だからこそ、意図的に「失敗事例のアーカイブと共有」「ポストモーテム（障害後の振り返り）」「ロールプレイや仮想シナリオによる疑似失敗体験」を組み込むことが、組織の観察力と危機対応力を守る鍵となる。

■AIが薄れさせる「身体性」という土台

　観察力について論じる時、見落とされがちな最も根本的な問題がある。それは「身体性（Embodiment）」の喪失だ。
　哲学者のメルロ＝ポンティが論じたように、人間の知覚と認識は「身体を通じて」行われる。我々は純粋に脳だけで世界を理解しているのではなく、目で見て、耳で聞き、鼻で嗅ぎ、舌で味わい、皮膚で触れることで世界を理解する。これが「身体性」だ。
　AI・デジタル技術の普及は、この身体性を急速に薄れさせている。会議はリモートになり、商談はオンラインになり、現場視察はダッシュボードの閲覧に置き換わる。AIが要約した議事録を読み、AIが分析したデータを見て、AIが生成した文章を送る—全てが画面上の情報処理に収束していく。
　その結果、五感が情報収集のために使われる機会が激減している。これはまさに現代版の「奢侈禁止令」だ。ただし江戸の庶民と違うのは、現代人は制約の中でセンサーを磨こうとするのではなく、制約に気づかないまま感覚が鈍化していくという点だ。

■現場から読み取る五感の情報は、データより先に語る

　五感が重要なのは、それが「データになる前の生の情報」を直接キャッチできるからだ。
　たとえば、工場の熟練エンジニアは「機械の音が変わった」と感じた瞬間、異常を察知する。センサーやモニタリングシステムが警告を出す前に、耳でキャッチする。これはデシベルや周波数の数値として把握しているのではなく、「いつもと違う」という身体感覚として知覚されるのだ。
　営業の現場でも同じことが起きる。顧客のオフィスに入った瞬間の「空気感」—なんとなく慌ただしい、どこか重い、いつもより表情が暗い—これらは言語化されないシグナルとして五感で受け取られる。この感覚を持つ営業パーソンは、「今日は大切な話をするタイミングではない」と判断し、次の機会を待つことができる。
　医療の分野では、ベテランの医師が患者を診た瞬間の「第一印象」が、診断の精度と相関するという研究がある。これは問診データや検査値では捉えきれない、顔色・歩き方・声のトーン・目の輝きなど、五感が統合的に処理した情報から来ている。
　AIは現在、画像・音声・テキストの認識精度を急速に高めている。しかし現実の現場では、五感の情報は同時多発的かつ多層的に押し寄せる。嗅覚・触覚・全身の体性感覚まで含む五感のフル活用は、現時点のAIには不可能だ。

■「第六感」の正体―五感の統合が生む予知能力

　「第六感」あるいは「カン（勘）」と呼ばれる能力は、スピリチュアルなものではない。認知科学的には、五感から得られた大量の非言語情報を、無意識的に高速処理して生まれる「パターン認識の結晶」だ。
　前述のゲイリー・クラインのRPD研究によれば、消防士が火事の現場で「なんとなく危ない」と感じて撤退を命じ、直後に床が崩落するという事例があった。クラインはこれを徹底的に調査した結果、「消防士は無意識に炎の色・音・熱の感じ方などの複数のシグナルを統合し、過去の経験と照合して危険を察知していた」と結論づけた。第六感は、経験によって培われた五感の統合処理能力なのだ。

　ビジネスにおける「カン」も同様だ。「この提案は通る気がする」「この取引は何かおかしい」「このクライアントは今が本音を話すタイミングだ」—これらの直感は、長年の経験の中で五感が積み上げた膨大な学習の結果として浮かび上がってくる。
　逆に言えば、五感を使う機会が少なくなると、この第六感も磨かれなくなる。オンライン会議と対面会議では、受け取れる情報量が根本的に違う。カメラに映らない部分、マイクに入らない空気、画面では伝わらない熱量—これらを全て失った状態でビジネスを続けると、「カンの筋肉」は確実に衰えていく。

■五感・六感を守るための「アナログ習慣」

　AI・デジタル化が進む時代こそ、意識的に身体性を保つアナログ習慣が必要だ。それは単なるノスタルジーではなく、観察力という武器を維持するための合理的な戦略だ。
　定期的に現場に足を運ぶ「現地主義」を組織文化として維持すること。リモートワークが常態化しても、対面でしか得られない五感情報の価値を経営者が理解し、意図的に対面機会を設計すること。手で書き、声で話し、体を動かすアナログなコミュニケーションを日常に組み込むこと。
　また、スポーツ・料理・音楽・陶芸・木工など、身体を使う趣味を持つことも重要だ。これらは単なる気分転換ではなく、五感のキャリブレーション（調整）として機能する。身体で感じ、手で試し、失敗し、調整する—このサイクルが、デジタルの世界では得られない感覚回路を磨き続ける。
　「身体は最高の観察器官だ」という認識を持つことが、AI時代の観察力強化の隠れた核心だ。データを見る前に、まず現場に行け。レポートを読む前に、まず顧客と会え。AIに分析させる前に、まず自分の五感で感じ取れ—この順序を守ることが、AIに使われる人間ではなく、AIを使いこなす人間になるための要諦だ。

■Jリーガー遠藤保仁氏の「ボールを見ないサッカー」

　長年日本代表として活躍したJリーガーの遠藤保仁選手は、「コロコロPK」など相手の意表を突くプレーで観衆を魅了してきたが、彼が目指していたのは「ボールを見ないサッカー」だ。「下を向く時間を0.1秒でも短くすれば、その分だけ周囲の状況が見られる。見方の選手の動き出しや、どこに敵がいるかが分かる」─。つまり、ボールを見なければならない時間を最小化し、フィールド全体を観察し続けることで、先読みのパスが生まれる。遠藤選手が新加入選手を迎えた時は、まず「じっと練習風景を見る」ことから始めるという。
　この哲学をビジネスに翻訳すると、「目の前のタスクに没頭する時間を最小化し、顧客・市場・組織全体を観察し続けることで、先手の意思決定ができる」となる。AI・自動化ツールは、まさに「ボールを見る作業」の代替だ。データ集計、レポート作成、定型メール、議事録作成—これらをAIに任せることで、人間はより多くの時間を「観察」に使えるようになる。
　観察力はAI時代において最も代替されにくい、人間固有の競争優位性だ。いかにAIで時間を捻出し、「観察と洞察と身体的経験」に投資できるかが、ビジネスパーソンの成長、企業の成長を左右するのだ。

参考
【文献と情報源】●『鈴木敏文の「統計心理学」』勝見明著［日経ビジネス文庫］ ●『知のノウハウ 観察力をつける』小川明［日本経済新聞社］●『できる人だけが持っている！プロの「観察力」』野口吉昭［マガジンハウス］ ●『観察眼』遠藤保仁・今野泰幸［角川ONE テーマ21］●『Sources of Power: How People Make Decisions』Gary Klein［MIT Press］●『Antifragile: Things That Gain from Disorder』Nassim Nicholas Taleb ［Random House］● Amy Edmondson”The Fearless Organization” (Wiley) ●『Phénoménologie de la perception』Maurice Merleau-Ponty［Gallimard］●『Risks of Automation Dependency 2013』FAA ●『The future of work after COVID-19』McKinsey Global Institute (2021) ●『Theory of Mind May Have Spontaneously Emerged in LLMs』〈Michal Kosinski〉［Stanford (2023)］　ほか

POINT
■AIはデータの「分子」を処理するが、「分母」（文脈・前提）を設定するのは人間の観察力
■なぜなぜ分析は因果推論AIと組み合わせることで、さらに強力になる
■AIの入力品質は観察力が決める。「ゴミを入れればゴミが出る」はAI時代にも通じる
■「鳥の目（全体俯瞰）」「蟻の目（現場の細部）」「魚の目（変化の潮流）」三つを使い分けることが立体的観察力の核心
■AIが失敗を減らすほど、意図的に失敗から学ぶ機会を設計することが重要になる
■失敗予測感度の低下が「大きな失敗への的外れな対応」を生む。自動化の皮肉に注意せよ
■AI・デジタル化による身体性の喪失が、五感・六感による観察力を根底から弱める
■第六感（勘）の正体は五感の統合パターン認識。身体を使う経験の積み重ねが不可欠
■目利きの「全体観」という直観は、RPD（認識プライム意思決定）モデルで説明できるエキスパートの能力
■AIが代替する定型作業の「余白」を、現場観察・身体的経験・洞察に投資する習慣をつける
■自分軸（観察軸）を持つことで、相手軸も強くなる。この相互強化こそが観察力の本質
■AIに「答えを求める」前に「自分の仮説」を持つ習慣が観察軸を育てる
■観察力はAI時代において最も代替されにくい、人間固有の競争優位

ビジネスシンカーとは：日常生活の中で、ふと入ってきて耳や頭から離れなくなった言葉や現象、ずっと抱いてきた疑問などについて、50種以上のメディアに関わってきたライターが、多角的視点で解き明かすビジネスコラム