金曜日の夕方、定時を少し過ぎた頃。チャットツールに届く、リーダーからの、一見丁寧だが中身のスカスカなメッセージ。
「例のプロジェクトの資料、来週の会議用に、いい感じにまとめておいて。適当でいいから」
これを受け取った部下の脳内には、一瞬の静寂と、それ以上に深い絶望が走る。「いい感じに」とは、どの程度の粒度なのか。「適当」とは、箇条書きでいいのか、それともグラフを駆使した華やかなスライドなのか。
部下は、暗闇の中で手探りをするような気持ちで、数時間を費やしてExcelをいじり、PowerPointのデザインを整える。しかし、月曜の朝、リーダーの口から出る言葉はこうだ。
「あ、ごめん。もっと要点を絞って、一言で伝わるようなサマリー形式にして欲しかったんだよね」
その瞬間、部下が費やした数時間は、文字通り「無」に帰す。これが、職場における「手戻り」という名の、もっとも静かで、もっとも破壊的なコストである。
会議の準備、承認フローの停滞、終わりの見えないExcel作業、そして「言った・言わない」の不毛なやり取り。これらはすべて、リーダーの言語化不足という、あまりに人間臭い欠陥から派生している。
職場の非効率を語る際、私たちはつい「能力不足」や「やる気のなさ」に目を向けがちだ。しかし、真の原因はもっと構造的なところにある。それは、指示を出す側と受ける側の間にある「前提条件の圧倒的なズレ」だ。
よくある「手戻り」のパターンを整理してみよう。
これらはすべて、指示の出し手が「自分の頭の中にある完成図」を、相手の頭の中に正しくコピーできていないことから起こる。
特に、管理職やリーダー層に多いのが、「自分はこれくらい言わなくてもわかるだろう」という、いわゆる「暗黙の了解」への過信だ。自分の中では4K画質の高精細なイメージが出来上がっているのに、口から出る言葉は「いい感じに」という144pの低解像度な映像。この解像度のギャップが、現場の疲弊を生んでいる。
手戻りは、単に「時間がもったいない」だけでは済まない。部下のモチベーションを削り、「指示待ち人間」を作り出し、最終的には組織全体のスピードを著しく低下させる。
では、なぜリーダーは、これほどまでに指示を具体化できないのか。それは、彼らが「無能」だからではない。むしろ、優秀で忙しすぎるがゆえの陥穽（かんせい）だ。
まず第一に、「言語化のコスト」を過小評価している。
指示を具体的に出すためには、実は非常に高い認知負荷がかかる。「誰が、いつまでに、何を、どのような形式で、どの程度のクオリティで、何のために行うのか」をすべて言葉にする作業は、本来、一つの業務を設計するのと同等のエネルギーを必要とする。多忙なリーダーにとって、この「設計作業」は後回しにされがちなのだ。
第二に、「知識の呪い」に囚われている。
ある分野に精通している人ほど、「この言葉を使えば、この文脈まで伝わるはずだ」という思い込みが強くなる。専門用語や、プロジェクトの文脈を共有している前提で言葉を発してしまうため、情報の欠落に自分自身が気づけない。
第三に、「思考の未完成」をそのまま出力している。
実は、リーダー自身も「自分が何を求めているのか」を、正確に言語化できていないケースが多々ある。頭の中にモヤモヤとした「何か」はあるが、それが具体的なアウトプットの形（Excelなのか、スライドなのか、チャットの箇条書きなのか）として定まっていない。その「モヤモヤ」を、そのまま「いい感じに」という言葉に変換して投げ捨てているのである。
結果として、指示は「丸投げ」になり、部下は「推測」で動くことになる。推測に基づいた仕事は、的中しなければすべて手戻りになる。これは確率論的に考えて、避けられないべくして避けられない悲劇なのだ。
ここで、ようやくAIの出番だ。ここで重要なのは、AIに「指示を考えてもらう」のではない。「自分の曖昧な思考を、構造化された指示に翻訳させる」という使い方だ。
AI（ChatGPTなどの大規模言語モデル）は、曖昧な概念を整理し、論理的なフレームワークに当てはめる作業が極めて得意だ。リーダーが抱える「言語化のコスト」と「知識の呪い」を、AIが肩代わりしてくれる。
具体的には、AIを「指示出しの検閲官」および「構造化エディター」として活用する。
リーダーが、自分の頭の中にある「モヤモヤとした要求」を、そのままAIに投げ込む。その際、以下のようなプロンプト（AIへの命令文）を用いる。
> 「今から、部下への指示を出そうと思います。私の考えは非常に断片的で曖昧です。以下の『断片的なメモ』をもとに、部下が迷わずに作業を進められるよう、以下の項目を含めた【構造化された指示書】を作成してください。
>
> 1. 業務の目的（なぜこれを行うのか）
> 2. ゴール（何をもって完了とするのか）
> 3. 具体的なアウトプット形式（Excel、スライド、テキストなど）
> 4. 必須要素（必ず含めるべきデータや項目）
> 5. 期限と優先順位
> 6. 留意点（やってはいけないこと、注意すべき点）
>
> 【断片的なメモ】
> ・来週の定例用
> ・A社の売上推移について
> ・グラフで見たい
> ・予算との乖離もわかるように」
このように入力すれば、AIは数秒で、部下がそのまま受け取れるレベルの、整理された指示案を出力してくれる。
ここで、期待値を調整しておく必要がある。AIによって「どこまで減らせるか」を明確にしよう。
| 項目 | AIで解決できること | AIでは解決できないこと |
|---|---|---|
| 形式の整理 | 箇条書き、表形式、構成案の作成 | そもそも「何をしたいか」という意思決定 |
| 情報の網羅性 | 「期限」や「目的」などの項目の漏れを防ぐ | 現場のリアルな状況や、人間関係の配慮 |
| 解釈のズレ | 言葉の定義を明確にし、構造化する | リーダー自身の「こだわり」の抽出 |
| 言語化コスト | 思考を整理するスピードを劇的に上げる | 考えることそのものをゼロにする |
AIは、魔法の杖ではない。リーダーが「何をしたいか」という最低限の種火を持っていない限り、何も生み出せない。しかし、その種火を、部下が燃やせるような「整った薪（指示書）」に変える力は、間違いなく持っている。
「AIを使えばすべて解決する」というほど、現実は甘くない。しかし、明日から、あるいは今この瞬間から、少しだけ手戻りを減らすためのアクションは存在する。
理想論ではなく、明日から現場で試せる、もっとも現実的な三つのステップを提案する。
指示を書く際、あるいは書いた後に、AIにこう聞いてみてほしい。
「この指示を部下が受け取ったとき、何が不明確で、どのような質問が返ってくる可能性があるか、5つ挙げて」これだけで、自分では気づけなかった「言葉の穴」が浮き彫りになる。「予算の定義は？」「グラフの軸は何にする？」「比較対象は前年比か、前月比か？」といった、部下が迷うポイントを事前に潰しておく。これは、AIを使った「セルフ・デバッグ（自己修正）」だ。
言葉で説明するのが難しいなら、過去の資料や、Webで見つけたイメージ画像を一つ添えるだけでいい。「いい感じに」と言う代わりに、「去年のAさんの資料みたいなトーンで」と言う。あるいは、AIに「こういう構成の資料を作りたい。構成案を作って」と頼み、その構成案を部下に送る。
「言葉」で伝えようとするからズレるのだ。イメージを「視覚情報」として共有する癖をつける。
これはITスキル以前のコミュニケーション技術だが、もっとも強力だ。指示を出した後、あるいはチャットを送った後に、こう付け加える。
「認識合わせをしたいから、君が理解した内容を、簡潔に箇条書きで返してくれるかな？」部下に「復唱」させることで、指示の解釈がズレていることを、作業が始まる前に検知できる。ここでズレが見つかれば、修正にかかるコストは、数分間の会話だけで済む。
「いい感じに」という言葉は、一見すると柔軟で、部下の裁量を重んじているように聞こえる。しかし、その実態は、指示を出す側の思考停止を正当化する、もっとも不誠実な言葉だ。
AIという強力な「翻訳機」を手に取った今、私たちは「言語化の面倒くささ」を理由に、現場を疲弊させる言い訳を捨てることができるはずだ。明日、部下に指示を出すとき。その一言を、AIを使って少しだけ「解像度の高い言葉」に書き換えてみることから始めてみてはどうだろうか。