公開AI時代所需的「反學習與重新學習」推進方法（組織行為科學®）

提供組織行為科學®的Request股份有限公司（總部：東京都新宿區，代表董事：甲畑智康）發布了名為《AI時代所需的「反學習與重新學習」之推動方法》的報告。

本報告以此為起點：在AI時代，企業中相對重要性提升的不再是知識量本身，而是「判斷力」。報告整理了導致判斷力難以培養的結構性變化，以及從依賴過往案例的工作模式，轉向能夠觀察差異並進行判斷的工作模式的具體實施步驟。

此外，報告還以實務上可操作的方式具體說明：應從哪些工作著手、應優先視覺化什麼、如何劃分與設計、管理層應如何改變參與方式，以及如何改變反思過程，才能將判斷標準保留在組織內。

報告下載

隨著生成式AI的普及，企業工作中查找知識、整理資訊、參考現有案例、按照預定程序處理等任務，未來將更容易由AI承擔。

另一方面，企業現場留下的工作是：基於不同客戶的差異、個別專案的限制、現場條件的不同、相關人員優先順序的差異，來決定需要確認什麼、重視什麼、在多大程度上使用過往案例，以及從何處改變推進方式。

本報告闡明，在AI時代，企業中相對重要性提升的不是知識量本身，而是「判斷力」。

雖然判斷力變得重要，但在企業工作中培養該判斷力的經驗卻在減少。
報告基於對33.8萬人、980家公司的分析指出，82%的企業中判斷經驗減少，58%的企業中上司確認頻率增加，64%的企業中對過往案例的依賴度上升。
這裡發生的並非單純的能力不足。由於業務標準化、手冊化、IT化和工作方式改革，要求員工能夠在短時間內準確地按照過往案例推進工作，這是一種結構性變化，導致在工作中越來越難以保留猶豫、比較、思考原因、反思並更新判斷標準等經驗。

本報告所探討的是在這種情況下所需的「反學習與重新學習」。
然而，這裡所說的反學習與重新學習，並不只是單純地拋棄舊方法並重新學習新知識。
反學習是指重新審視在遵循過往案例較為合理的場景中所養成的判斷模式，認識到這些模式不能直接套用於條件差異較大的工作。
重新學習則是將觀察差異、確認事實、思考不同之處的原因、比較多個選項、決定優先順序、將判斷理由語言化，並根據結果更新下一個標準的推進方法，在實務中進行重構。