【第4弾】「何も知らないはずのAI」が経営の盲点を破った日

2026 4/19

2026年4月17日 2026年4月19日

🎬 【開催レポート公開＆アーカイブ動画申請受付中】kamokobuさん登壇セミナー

「AIは”正解”をくれない。でも”問い”を一緒に考えてくれる」

2026年4月19日（日）にオンラインセミナーを実施しました。本記事のkamokobuさんが、品種別原価の「見える化」からAIを経営の”参謀”に育てるまでの試行錯誤を、画面共有を交えて1時間じっくりお話ししました。当日ご参加いただけなかった方向けに、開催レポートの公開とアーカイブ動画の視聴申請を受け付けています。

📅 開催日：2026年4月19日（日）10:00〜11:00
💰 視聴無料

▶ 開催レポート・アーカイブ申請はこちら

農家の声
メディアアンバサダー

「何も知らないはずのAI」が経営の盲点を破った日

〜自社の事情を知るAIと、何も知らないAI。両方に同じ問いを投げたら、見えていなかった選択肢が浮かび上がった〜

#メディアアンバサダー
#データ経営
#後継者

Vol.3で、AIに自社の情報を渡す際に「事実だけ渡し、振る舞い方は渡さない」という設計原則にたどり着いたkamokobuさん。AIの推論力は蘇り、経営参謀としての手応えを感じ始めていた。

しかし、ある日の体験が新たな疑問を突きつけます ―― そもそも「渡している事実」自体が、AIの思考を特定の方向に引き寄せていないか？

最終回では、「知っているAI」と「何も知らないAI」を使い分けるデュアル・コンテキスト設計と、AIと人間がそれぞれ何を担うべきかの実践知をお届けします。

📊 「知っているAI」と「何も知らないAI」 ― 前提が思考を縛る構造と、もう一つの視座

自社の事情を渡したAIと、データだけを渡した「まっさらなAI」。同じ問いを投げたとき、答えの出発点がまったく違った。AIに渡す「前提」が経営判断の選択肢を狭めていた構造と、それを超える方法。

📊

🧑‍🌾 農家プロフィール

🧑‍🌾

kamokobu （かもこぶ）

農業法人理事｜岐阜県｜会計事務所出身

項目	内容
所在地	岐阜県
主な作物	水稲を中心に小麦・大豆・野菜
経歴	会計事務所出身 → 農業法人理事（現場管理＋経営管理）。Googleデータアナリスト認定
AIツール	参謀の実行環境：Google AI Studio（Gemini）／設計の相棒：Claude
SNS	X（@kamokobu0612）

kamokobuさん（@kamokobu0612）── 農業法人の理事として、現場管理と経営管理を担う。会計事務所出身という異色の経歴に加え、Googleデータアナリスト認定を取得。「数字で語れる農業経営」を追求し、非エンジニアながら約1年のAI協業を経て「経営コックピット」を独自に構築。現在は、AIを経営の参謀に育てるべく試行錯誤を続けながら、農業経営コンサルティング事業「ノウカノスウジ」の立ち上げを準備中。

📊

🎯 この記事でわかること

「事実だけ渡す」の先に見えた、もう一つの落とし穴とは
現場の体験から生まれた気づき ―― 問いの枠組み自体が盲点だった
「知っているAI」と「何も知らないAI」を使い分けるデュアル・コンテキスト設計
実証テストで実際に起きたこと ―― 提示順序の違いが答えを変えた
AIにできること、人間にしかできないこと ―― 役割分担の実践知
これからの展望 ―― どこまでいけるか

📊

💡 「問いの立て方」自体が盲点だった ― ある現場体験から

v4.0で「事実だけ渡す」に転換して、手応えはありましたか？

はい。Vol.3でお話しした通り、AIの推論力は確かに蘇りました。鋭い指摘も返ってくるようになった。でも、ある日の体験が新たな疑問を突きつけたんです。

何があったんですか？

農作業で使う大型機械の体制を見直す話がありました。コスト削減が課題で、私なりに「この機械の台数をどうするか」という問いをAIに投げていた。すると、ある役員がまったく違うアプローチを提案してきたんです。そもそも問いの立て方が違った。

どう違ったんですか？

私は「台数を減らしてコストを下げる」という枠で考えていた。でもその役員は「台数は減らさず、1台あたりのスペックを落として台数を維持する」と。私が「台数をどうするか」という枠の中で考えていたのに対して、その役員はそもそも問いの出発点自体が違った。

つまり、問い自体が思考を制約していた。

まさにそうです。そしてハッとしたんです ―― これ、AIでも同じことが起きているんじゃないか？ コンテキストバンク（＝AIに毎回読み込ませる「自社の履歴書」のようなテキスト）に「うちはこういう法人で、こういう体制で」と書いてある。AIはその前提情報を読んだ上で考えるから、答えの出発点が自然とその枠の中に収まる。

💡 気づきの構造

🚜

現場の体験

「台数を減らす」枠で考えていたが、役員は「スペックを落とす」から出発

ハッとした

⚡

AIでも同じ構造

コンテキストバンクの「前提」がAIの思考の出発点を制約している

仮説

🔍

もう一つの落とし穴

ルールは削った。でも「前提」が残っている限り、思考は枠に収まる

💡

気づき

v4.0で「ルール」は削った。でも「前提」は残している。その前提自体が、AIの思考を特定の方向に引き寄せているとしたら？ ―― 問題は「ルールの量」ではなく「情報を渡すこと自体」にまで遡る。

📊

🔀 「知っているAI」と「何も知らないAI」 ― デュアル・コンテキスト設計

その気づきから、どう動いたんですか？

2つのAIに同じ問いを投げてみようと考えました。

🔀 デュアル・コンテキスト設計

視座A

知っているAI

🧠

コンテキストバンク＋データを渡す。自社の事情を理解した上で考える

👔
10年目のベテラン社員

品質・実現可能性を最大化

視座B

何も知らないAI

🔭

データだけを渡す。自社の文脈は一切なし

🕴️
初日の外部コンサルタント

多様性・新規性を最大化

💪
両方の視点で、思考の死角を構造的に減らす

なぜ「何も知らないAI」に価値があるんですか？

知らないからこそ、前提に引きずられない。「うちはこういう体制だから」「うちの方針はこうだから」という暗黙の前提がないから、まったく違う出発点から考え始める。

🔑

会社の事例に置き換えると

視座Aは「10年在籍のベテラン社員」。社内事情に精通し、実現可能性の高い提案ができる。
視座Bは「初日の外部コンサルタント」。社内の常識を知らないからこそ、「そもそもなぜそうしているんですか？」と聞ける。
両方の視点があることで、思考の死角が減る。

両方使う必要があるんですか？

データ分析のような「事実の中に答えがある」タスクでは、視座Aだけで十分です。自社の文脈を知っているAIのほうが正確に分析できる。でも、「どう戦略を立てるか」「何を優先するか」という意思決定の局面では、視座Bが予想外の選択肢を出してくる。タスクの性質で使い分けるのがポイントです。

	視座A（知っているAI）	視座B（何も知らないAI）
渡す情報	コンテキストバンク＋データ	データのみ（自社の文脈なし）
最大化する価値	品質・実現可能性	多様性・新規性
得意なタスク	データ分析、構造の深掘り	戦略的意思決定、枠組みの再定義
比喩	10年目のベテラン社員	初日の外部コンサルタント
メンテナンスコスト	コンテキストバンクの更新が必要	ゼロ（「知らない状態」が価値の源泉）

📊

⚡ 実証テストで起きたこと ― 提示順序の違いが答えを変えた

⚠️

構造的に起こりうる課題

以下のテスト結果は、AIの出力が「前提情報」に引きずられるという現象を示しています。kamokobuさん固有の問題ではなく、AIを経営判断に活用する多くの場面で構造的に起こりうる課題です。

実際にテストしてみたんですね。

はい。大型機械の体制をどうするかという戦略的な問いを、視座Aと視座Bの両方に投げました。

結果はどうでしたか？

視座A（知っているAI）は、「現在の保有台数を削減する」ことを筆頭に挙げました。当社の機械体制を知っているので、「今の台数をどう最適化するか」から入る。

ところが視座B（何も知らないAI）は、台数の議論からは入らなかった。「そもそもなぜ作業ピークが集中するのか」という問いから始まり、作業の時期を分散させるアプローチを最優先に挙げたんです。

⚡ 同じ問い、まったく違う出発点

視座A

「この法人の機械体制をどう見直すか？」

着目点：

現在の保有台数を削減する

📋
コンテキストバンクの「機械保有台数」にアンカリング

視座B

同じデータ、同じ問い

着目点：

そもそもなぜピークが集中するか？→ 作業時期の分散

🔍
前提がないから、根本原因から考え始めた

問いの出発点がまったく違った。

まさに、あの役員と同じ構造です。視座Aはコンテキストバンクの「機械保有台数」という情報にアンカリング（引きずられ）て、台数変更を筆頭に。視座Bは台数を所与とせず、根本原因から考え始めた。

さらに興味深い発見があったそうですね。

日報データを両方の視座に渡して詳細分析をさせたとき、視座Bが「作業対象の地理的な分散と規模の小ささ」が根本原因だと指摘したんです。そしてその延長で、「採算の合わない対象を手放す」という選択肢を提示した。

視座Aではその選択肢は出なかった？

出ませんでした。コンテキストバンクに書かれた当社の方針 ―― 地域に貢献するという価値観が、直接の分析対象ではない領域にまでアンカーとして作用していた。「手放す」という選択肢自体が、暗黙のうちに除外されていた。

⚡

核心の発見：前提情報のアンカリング効果

AIに渡した「当社はこういう法人だ」という情報が、分析対象とは別の領域の判断にまで影響していた。自社の方針や価値観は、コンテキストバンクの中で「ルール」とは書かれていなくても、AIの思考を暗黙に制約する。

🔑 テスト結果の要約

テスト	視座Aの着目点	視座Bの着目点	デュアルの価値
データ分析のみ	コスト構造の矛盾・内部リスクの指摘	視座Aと重複（新たな発見なし）	低い
戦略的意思決定	現有体制の最適化を筆頭に提案	「そもそもなぜピークが集中するか」から出発	高い
データ分析＋戦略	ピーク処理能力の定量化・現有体制での対策	根本原因の再定義・「手放す」選択肢の提示	極めて高い

✨

ポイント

「事実の中に答えがある」タスクでは視座Aが優位。「問いの枠組み自体を問うべき」局面では視座Bが威力を発揮する。 両方を使い分けることで、思考の死角を構造的に減らせる。

📊

🤝 AIにできること、人間にしかできないこと

ここまでAIの活用を深めてきて、AIと人間の役割分担について感じていることはありますか？

AIは現状整理・分析・示唆出しでは本当に強い。こちらが6割しか理解していない内容でも投げれば形にしてくれる。整理力・理解力は圧倒的です。

でも、まったく新しいアイデアの発想となると、まだ人間のほうが強い。ニュースやSNSの情報を読み込ませて「提案して」と言っても、大したものは出てこない。新しい活用法を思いつくのは、まだ人間の領域だと感じています。

現場への導入はどうですか？

実は、AIと協働して自作した仕組みを現場に導入しようとして、うまくいったものと、いかなかったものがあります。

📱 現場導入の成否

✅ 成功

設備トラブル報告アプリ

写真撮影→数タップで報告完了。修理が完了するとマップ上のマークが変わるゲーミフィケーションを導入

「今日めっちゃ直したね」という会話が生まれた

📸 入力が簡単
😌 ストレス軽減
🎮 ゲーム的要素

❌ 失敗

収穫量入力＋防除通知

ロジックは正しいのに、紙からスマホへの入力方法の変更自体が負担 ―― スイッチングコストが大きかった

「面倒が増えた」と捉えられた

📝 運用の変更が負担
😩 現場の抵抗

「AIが言っている」だけでは現場は動かない？

そうなんです。データの裏付けがあっても、「AIが言ってるだけでしょ」で終わってしまうことがある。だから今の段階では、AIに壁打ちして得た示唆を、自分の中で消化してから伝えるほうが効果的。相手の性格や組織の文化を踏まえた伝え方は、まだ人間にしかできない。

📌

学び：現場導入の成否を分けるもの

✅ 成功要因：入力が簡単（写真＋数タップ）× ストレス軽減 × ゲーミフィケーション
❌ 失敗要因：運用が変わること自体が負担（スイッチングコスト）
💡 現段階のベストプラクティス：AIの分析結果をそのまま伝えるのではなく、人間が咀嚼して「自分の言葉」として伝える

	AIが得意	人間が得意
分析・整理	大量データの構造化、要因分解、比較分析	「何を分析すべきか」の問い設定
示唆出し	データに基づく論点の提示、盲点の指摘	組織文化を踏まえた伝え方・タイミング
発想	既知の情報の組み合わせ・再構成	まったく新しいアイデアの創出
現場への浸透	データの裏付け提供	人間関係・感情面を踏まえた合意形成

📊

🔭 これからの話 ― どこまでいけるか

この先、コックピットと参謀AIはどう進化しますか？

まず売上データの統合が最優先です。コスト構造だけでなく品種別の利益構造が見えれば、経営判断の質がまた一段上がる。

それから、データの投入をもっと自動化したい。今は毎回手作業でコピー＆ペーストなので、AIが自分で必要なデータを取りに行ける仕組みを目指しています。ブラウザの自動操作機能を使って、業務システムからデータを直接取得する実験も始めています。

AIの使い方自体も変わりそうですか？

デュアル・コンテキスト設計で「視座を分ける」という手法が機能することは確認できました。次は、外部環境の情報もAIに読ませたい。今は社内データだけで考えているので、AIの視野がどうしても内向きになる。市場価格の動向や外部環境の変化を組み合わせられれば、もっと多角的な参謀になれるはずです。

読者に一言あれば。

Vol.1からVol.4まで読んでくださった方、ありがとうございます。コックピットの構築から始まって、データ分析、参謀化、そしてデュアル・コンテキスト設計まで ―― 正直、まだ完成していません。でも、この連載を通じて実感したのは、「完成しないことが当たり前」であり、「その過程自体に価値がある」ということ。AI活用は導入して終わりではなく、使い続けて、壁にぶつかって、設計を変えて、また使う。そのサイクル自体が経営力を上げてくれる。

どこまでいけるか。自分でも楽しみにしています。

📍 Vol.4の到達地点

✅
「前提情報」自体がAIの思考を制約しうることを発見
✅
デュアル・コンテキスト設計の有効性を実証テストで確認
✅
タスクの性質で使い分ける運用原則を確立
💡
AIにできること・人間にしかできないことの線引き
🔭
売上データ統合・データ自動取得・外部環境の導入が次のステップ

📊

📝 まとめ：Vol.4で見えたこと

発見	内容	意味
前提のアンカリング	「うちはこういう法人だ」という情報自体がAIの思考を制約していた	ルールだけでなく「事実」も思考を縛りうる
デュアル・コンテキスト	「知っているAI」と「何も知らないAI」の使い分け	品質と多様性を構造的に両立できる
テストの実証	同じ問いでも、前提の有無で出発点がまったく違った	戦略的意思決定では「知らない視座」が威力を発揮
AIと人間の役割	分析はAI、発想と浸透は人間	AIは裏方の参謀、表の伝達は人間が担う
どこまでいけるか	まだ完成していない。でもそれでいい	AI活用は終わらない旅。それ自体が経営力

📊

⏱ 5分で試せるアクション

今日のチャレンジ：「何も知らないAI」に聞いてみよう

kamokobuさんの発見は、「AIに自社の前提を渡すこと自体が、答えの幅を狭めている」こと。今日は、あえて前提なしでAIに問いを投げてみましょう。

プロンプト①：視座A（知っているAI）に聞く

Vol.3で作った「自社の履歴書」をAIに読み込ませた上で、
経営課題を一つ選んで聞いてみましょう。この課題について、考えられる対策を優先度順に
提案してください。
それぞれの根拠と、実現上の制約も示してください。

プロンプト②：視座B（何も知らないAI）に聞く

新しいチャットを開き、「自社の履歴書」は渡さず、
データだけを貼って同じ質問をしてみましょう。以下のデータを見てください。
【ここにデータを貼る】このデータから読み取れる最も重要な課題は何ですか？
根本的な原因は何だと考えますか？
考えられる対策を、優先度順に提案してください。ポイント：会社名・方針・体制は一切書かない。
AIが「何も知らない状態」で何を見るか、
視座Aとの違いを比べてみてください。

📊

📂 連載を振り返って ― 全4回の旅路

Vol	テーマ	核心メッセージ	読後感
1	挫折と転換 ― 経営コックピットを作るまで	自分の土俵で戦う × AIの力＝突破口	「自分にもできるかも」
2	データが語り始めた日 ― 品種別原価の衝撃	データは経験知を否定せず「翻訳」する	「数字の力ってすごい」
3	AIは「参謀」になれるのか ― 負のスパイラルと脱出	ルールを足すほどAIは普通になる。引き算が本質	「AIへの渡し方を見直そう」
4	もう一つの視座 ― 「何も知らないAI」が盲点を破った日	前提が思考を縛る。「知らない視座」にこそ価値がある	「AIとの付き合いは終わらない。だから面白い」