AI実装社会における身体的な問いを見つける力。数字の奴隷にならないために。

なぜ僕たちは、100%の数字を求めてしまうのか。

少し、想像してみてください。
チームが答えを待っています。

「この方向で進めてよいですか」
「どちらの案にしますか」
「いつまでに決めますか」

リーダーはこう言います。

「もう少し情報を集めてから判断しよう」

翌週の会議でも、同じことが起きます。

「データをもう少し精緻にしてから」
「市場の動向をもう少し見てから」
「上とも相談してから」

チームは待っています。
でも——判断は先送りされ続けます。

この「もう少し情報を集めてから」という言葉——
一見、慎重で丁寧な判断のように聞こえます。

この言葉の中に隠れている、問いの歪みを解剖していきます。

正直に言えば、僕は数字に囚われています。

組織経営をするなら——
数字に拘るのは当然です。
売上見通し、利益見通し、各種指標——
正確なデータは必要です。

でも——あるとき、こんなことが起きました。

クォーターごとの決算見通しのために、部下にKPIのデータを集めさせていました。

「正確な判断をするために、正確なデータが必要だ」
そう思っていました。

部下たちは膨大な時間をかけて、
データを集め、整理し、報告書を作りました。

でも——市場は、予測しない動きをしました。

過剰に集めたデータが、意味をなさなくなりました。

部下たちの顔に、徒労感が広がっていました。
「報告のための報告」になっていました。

あるとき、一人の部下が、
こんな言葉をぽつりと言いました。

「この数字に、どれだけの意味があるんでしょうか」

その言葉が、刺さりました。

今振り返ると——
問題は数字そのものではありませんでした。
数字には、意味があります。

問題は——精度への執着でした。

70%の精度で充分なところを、
100%に持っていこうとしていました。

70%から100%に引き上げる労力は、
0%から70%に引き上げる労力の
何倍もかかります。

しかも——その100%のデータも、
市場が動いた瞬間に古くなります。

過剰な精度を求めることで——
膨大な労力が消耗されていました。

「70%で動く」という判断ができれば——
部下の徒労感は、生まれなかったかもしれません。

「正確な情報があれば、正しい判断ができる」

——この前提の中に、
「100%の精度が必要だ」という、自分の思い込みが
埋め込まれていました。

「何%の精度で動くのか」という問いを
持っていなかったのです。

この体験を言語化できずにいたとき——
経済学者ヘンリー・ミンツバーグの構造に出会いました。

僕はアート鑑賞が好きです。
美術館に行ったり、映画を観たり——
でも「ビジネスにアートが必要だ」という発想は
まったくありませんでした。

「アートはアート。ビジネスはビジネス」
そんな感覚がありました。

ミンツバーグはこう言います。

マネジメントは、3つの要素で成り立っている。

**サイエンス**
分析・データ・KPI・論理的思考。
数字で測れる世界です。

**クラフト**
経験・現場感覚・暗黙知・実践。
長年の蓄積から来る熟練の世界です。

**アート**
ビジョン・直観・創造性・パーパス。
数字では測れない意味の世界です。

この3つの調和がマネジメントだと——
ミンツバーグは言います。

起業やビジネスを興す際は——
アート（パーパス・ビジョン）から始まります。

「なぜこの事業をするのか」
「誰のために、何を実現したいのか」

この問いがアートです。

でも——経営が進むにつれて、
KGI・KPIというサイエンスに落とし込まれていきます。

そしてやがて——
サイエンスがアートを侵食し始める。

「数字を達成することが目的」になっていく。

「なぜこの事業をするのか」という
アートの問いが——
「どう数字を達成するか」という
サイエンスの問いに置き換わっていく。

この瞬間に——判断が止まります。

サイエンス（数字）だけで判断しようとすると——
完全な情報が手に入らない限り、判断できなくなります。

市場は常に動く。
数字は常に変わる。
だから「もっと情報を集めてから」が
永遠に続く。

判断が止まるリーダーは——
意志が弱いのではありません。

測れないもの（アート）を失って、
測れるもの（サイエンス）だけで
判断しようとしているから——
判断が止まっているのかもしれません。

僕が部下にKPIデータを集めさせ続けたのは——
アートの問い（何のために判断するのか）を
失っていたからだったのかもしれません。

でも——なぜサイエンスはアートを侵食するのか。

文化史家モリス・バーマンは、
現代の精神的弊害の根源は——
デカルト的な「参加しない意識」にあると説きます。

「参加しない」という意味は——
世界を外側から観察する、ということです。

例えば——マネジメントで言うと、
こういうことです。

「参加しない意識」のリーダーは——
データを見ながらチームを外から分析します。
KPI・進捗率・稼働率で判断する。
数字がすべての判断基準になる。

「参加する意識」のリーダーは——
チームの中に入って一緒に動きます。
誰が何に迷っているか、空気が変わった瞬間がわかる。

数字には出てこないものが見えてくる。

デカルトが樹立したのは——
「参加しない意識」で世界を支配する思想です。
数字と法則で全てを説明できるという世界観。

これがKPI万能主義の哲学的起源になっています。

バーマンは、デカルトとアリストテレスの対比が語られています。

アリストテレスはかつて——
「木は上に行きたいから成長する」と言いました。
目的に向かって動くという目的論的世界観です。

デカルトはこの世界観を解体しました。

木が成長するのは、
機械的なメカニズムが働いているからだと。
「なぜそこに向かうのか」という目的は——
数字と法則で説明できると。

この思想がニュートンを経て科学革命へつながり
現代のKPI・データ・数字で組織を管理できるという世界観の哲学的起源になっています。

KPIが判断を止めるのは——
数字が「何のために」という問いを消しているからかもしれません。

「参加する意識」——
数字に還元できない関係性・意味・文脈を判断の軸に取り戻すこと。

これが——ミンツバーグのアートを取り戻すことと、同じことを言っていると気づきました。

「なぜこの事業をするのか」
「誰のために、何を実現したいのか」

この問いが——
デカルト的な数字の世界観では見えなくなっていく。

でも——この問いこそが、
判断の軸になるはずです。

「判断できない」の正体は——
2つの構造が重なっています。

一つ目：精度への過剰な執着が判断を止めている。
70%で動けるところを100%に持っていこうとする。膨大な労力がかかり、部下が疲弊します。
でも——100%のデータも市場が動けば古くなります。

二つ目：サイエンス（数字）がアート（意味）を侵食している。
起業時にあったパーパス・ビジョンが——
KPIという数字に置き換わっていく。
「何のために」という問いが消えると、判断の軸が失われます。

だとすれば——

「もっと情報が必要か」ではなく、
「この数字は何を測れていないのか」

この問いに変えたとき——
リーダーは初めて、
数字の外側にある判断の軸を探し始めます。

「数字に囚われる」という構造はわかった。
では——なぜそれでも数字から抜け出せないのか。

「もっと情報が必要か」ではなく、
「この数字は何を測れていないのか」
「データを集めても、なぜ判断できなかったのか」

この問いに、現象学という哲学が、新たな視点を，与えてくれました。

何故、現象学なのか。

AIが、そこに至るきっかけでした。

僕たちの仕事に、今、AIは必須となりました。

AIは、大規模言語モデルとして、膨大なデータを集め、ある閾値を超えた時に、知性を備えました。

人類史上、初めて人類と異なる知性が登場しました。

その基盤はデータ。
つまり数字が——
僕たちの判断に影響、支配するようになっている。

その思想的な起源はデカルトです。
では——デカルトへのアンチテーゼはないのか。

西洋哲学の中で、
経験を重視する哲学者として
フッサールと現象学習を知りました。


現象学は、身体を通じて得た経験で
世界を捉えることに重きを置いています。

AIとデータが支配する世界で——
これがこれからの人間の本質的な価値だと感じました。

ここで、僕の体験の話をします。

新しいサービスを立ち上げようとしていたときのことです。

開発に投資する前に——
顧客の声を集めることにしました。

「顧客の声を集めれば、
サービスの要件の蓋然性が高まる。
その蓋然性で投資を決める」

そう思っていました。

集めました。
たくさん集めました。

でも——困ったことが起きました。

顧客の声には、差異がありました。
しかも——相反する声があった。

「こういう機能が欲しい」という人がいる。
一方で「そんな機能は要らない」という人もいる。

どれがインサイトなのか。
どこにフォーカスすべきなのか。

迷いました。

開発要件を間違えれば、投資コストが嵩みます。
「リスクヘッジが大切だ」と思いました。

だから——さらなる声の収集を指示しました。

「もう少し集めれば、答えが見えてくる」と。

でも——答えは見えてきませんでした。

相反する声は、増えるほど複雑になりました。

結果——開発が遅れました。

後になって、ある言葉が頭に浮かびました。

フッサールの現象学を学んだときに
出会った言葉です。

「あまりにも確かなことは、沈黙に沈む」

データを集めている間——
本当に大切なことが、沈黙に沈んでいたのかもしれない。

フッサール現象学を学んだとき——
最初に出会う概念が「自明性」です。

自明性とは——
「当たり前すぎて、問われることすらない前提」
のことです。

フッサールはこう言います。

「確かだと思うことは、通常意識さえされない」
「あまりにも確かなことは、沈黙に沈む」

例えば——
今あなたの目の前にスマートフォンがある。

あなたはそれが「ある」と確信しています。
でも——「本当にあるのか」とは問いません。

「ある」という確信は——
問われることなく、当たり前として機能している。

これが自明性です。

そしてフッサールは——
人間が日常を生きるための態度を
「自然的態度」と呼びました。

自然的態度とは——
「世界を完全に理解してから行動する」のではなく、
不確実なまま、当たり前として世界に関わる態度です。

車を運転する。
部下と話す。
顧客提案をする。

すべて不確実なまま、進んでいます。
でも——日常は回っている。

ここで気づきます。

経営判断になると——
突然「完全に理解してから動きたい」になる。

「もう少しデータを集めよう」
「エビデンスが足りない」
「もう少し分析しよう」

一見合理的に見えます。

でも現象学的には——
これは世界の本来の姿を忘れている状態です。

「データが多いほど、判断が正確になる」という
自明性の中で——
データを集め続けていました。

でも——この自明性こそを問うべきでした。

もうひとつ、現象学で大切な概念があります。

「射映（しゃえい）」という概念です。

フッサールはこう言います。

対象は——
今見えている現れを超えて、
見えていない可能性を持っている。

例えば——
目の前にコーヒーカップがある。

見えているのは——手前の面だけです。
裏側は見えていない。
底も見えていない。
中に何が入っているかも見えていない。

でも——私たちは「コーヒーカップ全体」として認識します。

見えていない部分を含めて、
ひとつの対象として把握している。

この「見えている現れの奥に、
見えていない可能性が広がっている」という構造を——
フッサールは射映と呼びました。

ここで重要なことに気づきます。

データもまた——射映です。

売上データは——市場の一つの現れ。
顧客アンケートは——回答した人だけの世界。
市場調査は——調査設計者の問いの世界。

すべて部分像です。

でも——会議では
「数字だから正しい」となる。

現象学的には——
これはデータを「射映」ではなく
「現実そのもの」と誤認している状態です。

意思決定ミスの本質は——
データ不足ではない。

射映を実在そのものだと誤認すること。

この射映という視点で——
あの経験を振り返ってみます。

チームが収集した顧客の声は
言語化された「表面」です。

でも——顧客の経験には、
言葉にならなかったものが広がっています。

「こういう機能が欲しい」という言葉の奥に
その人が本当に困っていることがある。

「そんな機能は要らない」という言葉の奥に
その人が本当に必要としているものがある。

顧客の声は——
経験全体の「射映」のひとつに過ぎない。

見えている言葉の奥に——
見えていない経験の広大な圏域がある。

データとして記録された顧客の声は——
この「見えていない圏域」を切り捨てています。

量を増やしても——
見えていない圏域は見えてこない。

もう一つ——「地平（ちへい）」という概念があります。

フッサールはこう言います。

私たちは机を見るとき——
見えている面だけで「机だ」と判断します。
裏側は見えない。でも行動する。

経営も同じです。

市場の全体は見えない。
未来も見えない。
競合の動きも見えない。

でも——判断しなければならない。

これが地平です。

「見えていない部分を含んだまま判断する」——
これが人間の本来の姿です。

データ至上主義は——地平を消そうとします。
見えていない部分を全部見ようとする。

でも——それは不可能です。

地平は消えない。
消えるはずがない。

そしてフッサールはこう言います。

「経験は常に当て外れに開かれている」

つまり——
正しい意思決定などない。

あるのは「より良い仮説」だけ。

だから重要なのは——
正解率ではなく、修正速度です。

チームに聞くべきだったのは——
「何件集めましたか」ではなく、

「顧客と話していて、
何か引っかかった瞬間はありましたか」

「言葉にはなっていないけれど、
この顧客が本当に困っていると感じた瞬間は
どこでしたか」

この問いが——
射映の奥にある見えていないものを
引き出す問いでした。

チームが顧客との対話で身体を通じて感じていた何か？
そこに、インサイトが宿っていました。

データを集めても判断できなかった深層には——
三つの構造がありました。

一つ目：自明性という罠。
「データが多いほど判断が正確になる」という
問われることのない前提が——
判断を止めていました。
この自明性こそを問うべきでした。

二つ目：射映の誤認。
顧客の声は経験全体の「射映」——部分像に過ぎない。
射映を現実そのものだと誤認したとき——
量を増やすほど迷走します。

三つ目：地平を消そうとした。
見えていない部分を全部見ようとした。
でも地平は消えない。
「不確実さを含んだまま判断する」が
人間の本来の姿でした。

だとすれば——

「どれだけデータを集めるか」ではなく、
「チームは顧客の声の何を感じていたのか」

この問いに変えたとき——
射映の奥にある見えていないものへ、
視点が移動し始めます。

では、リーダーは何をすればいいのか。

僕自身の体験から、話します。

「チームは顧客の声の何を感じていたのか」

あのとき——
チームが、顧客ヒアリングという経験で感じていたものを聞いていませんでした。

身体性の経験からくる顧客のインサイトを
聞けていなかった。

では——どうすれば聞けたのか。

僕は、チームとの対話のやり方を変えました。

「何件集めましたか」という報告会議ではなく、
コーチング的な対話形式に変えたのです。

結論を押し付けない。
傾聴に徹する。

チームメンバーが顧客から聞いてきた声に対して
こう問いかけました。

「なぜ、顧客はそういう声を上げていると思いますか」

「その言葉の奥に、どんな可能性があると思いますか」

「もし顧客が本当に困っているとしたら、それは何だと思いますか」

「なぜ」を繰り返しました。

安易な結論には飛びつかない。

最初はチームメンバーも戸惑っていました。

「でも、顧客がそう言っていたので……」

「データ的にはこちらの意見が多かったので……」

でも——問いかけを続けていると、
チームメンバーに、少しずつ変化が起きてきました。

「そういえば——あの顧客は、言葉では『機能が欲しい』と言っていたけれど、話しているうちに表情が曇っていった。あれは、本当に機能が欲しいわけじゃなかったのかもしれない」

身体で感じ取っていたものが、少しずつ言葉になり始めました。

そしてあるメンバーがこう言いました。

「顧客が困っているのは、機能の問題ではなく、業務のワークフローの判断する根拠の不足かもしれない」

その一言で——部屋の空気が変わりました。

「そうかもしれない」
「確かに、あの顧客もそんなことを言っていた」

チームメンバーが——自分たちで推論を始めました。

次のヒアリングで——
その推論を顧客に当ててみました。

「この業務の中で、どう判断する根拠で迷う場面はありますか」

顧客は——驚いた表情でこう言いました。

「そうなんです。そこで毎回止まってしまって」

データには出てこなかった——
本当の課題が、ここで初めて現れました。

そして——このプロセスを通じて、
チームに変化が起きていました。

「私たちが解くべきは、この課題だ」

自分たちで推論して、自分たちで検証した。
だから、そこへのコミットメントが生まれていました。

チームが——目指す意味を見つけていました。

「身体がなければ世界を認識できない」

チームメンバーが顧客と対話したとき——
そこには身体を通じた経験がありました。

言葉として記録されたデータの奥に——
身体で感じ取っていた何かがあった。

でも——「何件集めましたか」という問いでは、
その身体知は出てきませんでした。

「なぜ、顧客はそういう声を上げていると思いますか」

この問いが——
身体で感じ取っていたものを
言葉に変えていきました。

現象学では——
自分と他者がこのように
身体を通じて響き合うことを
「間主観性」と呼びます。

一人で分析しても出てこなかったものが、
チームの対話を通じて初めて言葉になった。

これが——間主観性の力だと思います。

リーダーが「顧客の本当の課題はこれだ」と結論を与えていたら、チームは従うだけでした。

でも、自分たちで推論して、自分たちで検証した。
だから、チームメンバーにコミットメントが生まれました。

この経験は
「データは要らない」という話ではありません。

むしろ逆です。

データは、顧客を理解するための、大切な扉です。

でも、扉を開いただけでは、その奥にある、顧客そのものには出会えません。
扉から中に入り、メンバーと探索をする。

ミンツバーグが言う
サイエンス・クラフト・アートの統合——

サイエンスはデータを扱う。
クラフトは経験を扱う。
アートは問いをつくる。

コーチング的対話が引き出すのは——
チームメンバーが身体で感じ取ったクラフトの経験です。

そしてその経験から——

「私たちは本当に何を解くべきなのか」

というアートな問いが生まれてくる。

データは答えをくれます。

しかし、解くべき問いまでは教えてくれない。

そこに、人間のマネジメントがあるのではないでしょうか。


「もっと情報が必要か」ではなく、
「この数字は何を測れていないのか」

「どれだけデータを集めるか」ではなく、
「チームは顧客の声の何を感じていたのか」

「どちらのデータが正しいか」ではなく、
「私たちは本当に何を解くべきなのか」

AIは——
膨大なデータを分析できます。
顧客の声を要約できます。
相関も発見できます。

しかし——

顧客のどの声に耳を傾けるのか。
どの違和感を重要だと考えるのか。
何を解くべき課題として選び取るのか。

そこには判断があります。
そして判断には——価値観が伴います。

だから僕は——
AI時代のマネジメントを
こう考えています。

AIが扱うのは——顧客のデータ。
人間が扱うのは——顧客との出会い。

優れたマネジメントとは——
データ分析と身体的経験の両方を統合し、
解くべき問いを発見する営み、
ではないでしょうか。

最後に——こんな問いを残したいと思います。

あなたのチームは——
顧客のデータだけを集めているでしょうか。

それとも——
顧客との出会いから、
本当に向き合うべき問いを
探索しているでしょうか。

「正しい答えを届けるのではなく、
正しく問う力を届ける」

それが、AIが実装されたビジネスにおける、
リーダーの資質ではないでしょうか。

#創作大賞2026  
#ビジネス部門