【調查結果】AI時代脫穎而出的頂尖1%並非精通AI者，而是能發現「尚未言喻的價值」

提供組織行為科學®給企業的Request株式會社(總公司:東京都新宿區，代表取締役:甲畑智康)根據對33.8萬人・980家企業工作者的行為觀察，整理出AI時代脫穎而出的頂尖1%人士的特徵，並公布了新的調查結果。

※ 本調查結果的圖解資料集可從本新聞稿下方下載。

本次調查顯示，僅僅是能熟練操作生成式AI,並無法完全解釋成果上的差異。生成式AI使得文章撰寫、摘要、比較、製作資料、圖解、發想點子等How(手段)更容易在短時間內生成。

另一方面，對於沒有標準答案的工作、或沒有單一標準答案的工作，如果缺乏What(目的)和Why(背景)——即設定目標、為何需要、要改變誰的何種狀態——AI的輸出將難以導向成果。

在對33.8萬人・980家企業的行為觀察中，我們發現推動工作前進的頂尖1%人士，其特質並非僅僅是精通AI。他們是從與現場或對象的互動中獲得的事實，讀取其背後的假設與因果關係，找出尚未言喻的困擾或價值，並將其描繪成目的，轉化為能交給AI處理的語言。

本次調查結果整理出,AI時代工作者的價值正逐漸從「執行作業的能力」轉移到「將經驗中獲得的事實轉化為目的與背景的能力」的跡象。

調查結果重點

本次調查透過對33.8萬人・980家企業的行為觀察與分析，整理出頂尖1%人士的五個共通特徵:

1 生成式AI讓How(手段)更容易在短時間內生成

透過AI,文章、資料、摘要、比較、圖解、點子發想等，都能以一定的品質快速產出。

2 成果差異開始體現在「輸入AI之前」

成果左右的關鍵，並非使用AI的時機，而是「為何要使用AI」、「要改變誰的何種狀態」、「以何種事實為背景」等問題，這些都發生在向AI提出請求之前。

3 沒有標準答案或有多重標準答案的工作，需要What(目的)與Why(背景)

在有複數選項的工作，或問題本身尚未確定的工作中，人類需要建立判斷AI輸出手段的標準。

4 頂尖1%人士並非直接套用經驗，而是將經驗中的事實轉化為目的與背景

他們將在現場看到的、與對象談話的、感到的違和感、做出的判斷、經歷的失敗、收到的反應，轉化為能交給AI處理的語言。

5 企業所需的不僅是AI培訓，更是「必要經驗設計」

需要在工作中，有意識地增加能為AI建立目的與背景的經驗。

本新聞稿中「頂尖1%」的定義

本新聞稿中的「頂尖1%」並非指精通AI操作的人的排名。

在對33.8萬人・980家企業的行為觀察中，從確認往返次數少、返工少、能推動對方判斷、能將模糊的工作具體化、能帶動周圍行動等觀點來看，是指工作推進行為特別顯著的群體。

這個群體共通的特質，不僅是作業速度快。他們在開始作業前，會觀察什麼、與誰對話、確認哪些事實、並判斷出應以何為目的。

背景:生成式AI讓How(手段)更容易生成

生成式AI能在短時間內產生How(手段)。例如:潤飾文章、讓資料更易懂、整理資訊、製作比較表、整理論點、提供圖解構想、撰寫郵件草稿、製作提案雛形等。這些都比以往更快、且能以一定的品質執行。

然而，作業變快並不等同於成果產生。即使AI縮短了作業時間，若這些時間僅用於現有工作的額外改善，並無法轉移到創造新價值的工作上。AI首先產生的是「作業餘力」。要將此餘力轉化為「戰略餘力」,組織需要重新設計目的、角色、責任、評價和人員調動方式。

本次調查結果探討的是更上游的問題:

首先，這份餘力要朝向什麼目的? 這個目的，是由誰、從哪些事實描繪出來的?

在這裡,AI時代新的成果差異開始產生。

調查結果1:成果差異開始體現在「輸入AI之前」

過去，成果差異常體現在能多快準確地製作資料、文章寫得多麼易懂、報告總結得多麼準確等場景。

然而，隨著生成式AI讓How(手段)更容易生成，成果差異轉移到了以下問題:

應該製作什麼?

應該為誰製作?

為了推動哪項判斷而製作?

對方尚未言喻的困擾是什麼?

背景是哪些事實、假設、因果關係?

AI時代的成果卓越者，不僅是精通AI的人。他們是在委託AI作業前，能發現尚未言喻的價值，並將其作為目的與背景進行語言化的人。也就是說，成果差異已不再是AI輸出之後，而是轉移到了AI輸入前的「將經驗中獲得的事實轉化為目的與背景的能力」。

調查結果2:有標準答案的工作AI能加速處理。人類能創造成果差異的工作，將轉移到沒有標準答案或有多重標準答案的工作

未來的工作將大致分為三類:

1 有標準答案的工作

這類工作目的、方法、標準、完成條件相對明確。例如:標準化文章撰寫、摘要、比較表製作、會議記錄整理、格式調整、符合現有規則的處理等。

在此領域，生成式AI能強力支援How(手段)。人類的角色將從執行本身，轉移到確認、品質保證、最終判斷。

2 沒有單一標準答案的工作

這類工作目的或課題大致可見，但有複數選項，選擇哪個選項取決於情況。例如:優先處理哪些客戶、從哪個措施開始、哪種資料結構能讓對方理解、優先短期成果還是長期價值等工作。

在此領域,AI能提出許多方案。 但選擇哪個方案，取決於目的、背景、限制條件、價值標準。

3 沒有標準答案的工作

這類工作連問題、目的、課題、價值標準都尚未明確。例如:找出客戶尚未言喻的困擾、從現場的違和感中發現新主題、發現尚未成為市場的價值、決定將AI產生的餘力用於哪個新目的等工作。

在此領域，直接向AI尋求答案是不夠的。 在向AI提問之前，人類需要觀察事實、假設背景、描繪目的。

未來人類能創造成果差異的工作，將轉移到沒有標準答案和有多重標準答案的工作。屆時被問到的，並非是否精通AI,而是能否讀取經驗中的事實，並建立What(目的)與Why(背景)。

調查結果3:頂尖1%人士的共通基本動作

「經驗 → 事實 → 背景假設 → 目的形成 → 語言化 → AI活用 → 判斷更新」

頂尖1%人士展現出以下基本動作:

1 經驗

觀察現場。與對象對話。產生違和感。做出判斷。觀察結果。

2 提取事實

發生了什麼事?誰遇到了困擾?什麼被卡住了?什麼情況重複發生?

3 假設背景

哪個假設出了偏差?哪些事物之間存在因果關係?為何會發生這個問題?

4 描繪目的

要改變誰的何種狀態?這項工作是為了推動什麼而進行的?

5 語言化並交給AI

將目的、背景、事實、假設、因果關係、限制條件、期望的變化轉化為語言。

6 AI生成How

產生文章、資料、圖解、比較、選項、步驟、提案、診斷、設計方案。

7 人類判斷並回饋現場

將AI的輸出與目的、背景、現場事實對照，進行選擇、修改、測試、更新。

這一連串流程，正開始成為AI時代工作的基本動作。

「尚未言喻的價值」是什麼?

本新聞稿中的「尚未言喻的價值」,是指對方或現場尚未充分語言化的困擾、猶豫、不安、假設偏差、判斷材料不足、期望達成的狀態等。

例如，當客戶說「希望資料更易懂」時，真正需要的不一定是潤飾資料的外觀，而是能讓上司或相關人員更容易說明的判斷材料。

當現場說「很忙」時，真正發生的可能不僅是工作量多，而是關於該優先處理什麼、自己能決定到什麼程度、該向誰確認什麼的界線變得模糊。

生成式AI能根據給予的資訊產生手段。 但要找出尚未言喻的價值，則需要現場的事實確認、與對象的對話、違和感、判斷經驗。

工作模式正從「執行作業」轉向「創造目的」

在過去的組織中，能夠正確、快速、細緻地執行既定目標的能力受到重視。當然，執行力今後依然必要。

然而，隨著生成式AI開始負責How(手段),工作者的核心價值將改變。僅僅是處理被交辦的工作、遵守既定步驟、製作被委託的資料、潤飾郵件或報告，將難以在AI時代產生成果差異。

今後變得重要的是工作開始前的階段。誰遇到了困擾?什麼尚未言喻?哪些假設出了偏差?改變什麼能推動對方或組織的判斷?為此，應該委託AI做什麼?

工作模式正從「執行被交辦的工作」轉向「將尚未成為工作(價值)的內容轉化為目的」。

企業所需的不僅是AI培訓，更是「必要經驗設計」

導入AI工具和提示詞(prompt)培訓固然重要。 但僅僅如此是不夠的。

如果工作中缺乏能為AI建立What(目的)和Why(背景)的經驗，即使AI輸出的內容很完善，也難以推動對方或組織的判斷。

企業需要設計讓員工能在工作中累積以下經驗:觀察事實、與對象對話、找出假設偏差、假設因果關係、描繪目的、進行小規模判斷、從結果更新判斷標準、轉化為能交給AI的語言。

這稱為必要經驗設計。必要經驗設計是指，為了培養能將要交給AI的目的與背景語言化的人才，有意識地在工作中增加基於與對象關係的對話、確認背景事實、假設、因果關係、進行小規模判斷、更新判斷結果、以及轉化為能傳達給AI的語言等經驗的思考方式。

AI時代所需的不僅是AI操作培訓。 而是要在工作中，有意識地增加交給AI之前的經驗。

本次調查結果可歸納為理解AI時代成果差異的三個視角:

1. AI時代的成果差異，在輸入AI之前產生

經驗➡事實➡背景假設➡目的形成➡語言化➡AI活用➡判斷更新

AI越是產生How,人類的成果差異就越在「輸入AI之前」產生。

2. 生成AI負責How,人類創造What・Why

How:文章化、摘要、比較、製作資料、圖解、點子發想

What:要改變誰的何種狀態?

Why:為何現在需要? 背景:事實確認、對話、假設、因果關係、判斷經驗

3. 頂尖1%人士共通的五種經驗

1 建立關係的經驗

2 透過對話確認背景事實、假設、因果關係的經驗

3 創造目的的經驗

4 進行小規模判斷並從結果更新的經驗

5 轉化為能傳達給AI的語言的經驗

AI時代目的形成力簡易檢查

配合本次新聞稿，我們整理了「AI時代目的形成力簡易檢查」,讓企業和工作者能確認自身的現況。

檢查項目範例

在委託AI之前，會確認要改變誰的何種狀態

不僅是作業指示，也會語言化背景事實與假設

有傾聽對方尚未言喻的困擾的場合

會將AI提出的方案修改為能在現場使用的形式

會回顧判斷結果，並將其轉化為下一個問題或判斷標準

能將目的、背景、事實、限制條件、期望的變化傳達給AI

透過這個簡易檢查，可以確認AI活用本身之外，在AI輸入前的目的形成力有多高。

可下載PDF格式的本新聞稿主要圖解資料集

本新聞稿中介紹的主要圖片14張，已整理成方便公司內部共享的A4橫幅圖解資料集。

可逐一確認AI時代成果差異的結構、頂尖1%人士的共通基本動作、必要經驗設計、目的形成力檢查等，可用於管理層會議、AI活用推動、人才培育措施研討、公司內部研討會等。

d68315-202-2c2199658922b20ef3e1faa93c9e77c4.pdf

代表評論

生成式AI大幅改變了工作的How(手段)。潤飾文章、製作資料、比較、圖解、發想點子。這些都比以往更快實現。

然而，對於沒有標準答案或有多重標準答案的工作，僅有How(手段)無法產生成果。

要改變誰的何種狀態?

為何需要?

背景是哪些事實?

哪些假設出了偏差?

哪些事物之間存在因果關係?

這些並非AI能自動決定的。而是需要從現場獲得的事實、與對象的對話、過往的判斷經驗中，由人類描繪成目的並進行語言化。

在對33.8萬人・980家企業的行為觀察中，頂尖1%人士展現出的特質，並非精通AI本身，而是在輸入AI之前，能發現尚未言喻的價值。

AI時代工作者的價值，將不再僅能透過作業量來衡量。那些能將自己觀察到的現場、聽到的聲音、感受到的違和感、累積的判斷經驗，轉化為目的與背景的人，將能最大化地活用AI。

調查概要

調查名稱:關於AI時代成果卓越人士行為特徵的調查

調查主體:Request株式會社 判斷設計實驗室

對象數據:Request株式會社透過企業培訓、實務支援、行為觀察、反思記述、實踐課題、對話記錄等累積的工作者行為觀察數據

數據規模:33.8萬人・980家企業

分析場景:報告、諮詢、會議、郵件、聊天、委託處理、客戶應對、問題處理、忙碌時的應對、AI活用場景等

分析觀點:確認往返次數、返工次數、推動對方判斷的行為、將模糊工作具體化的行為、作業前的事實確認、目的形成、背景語言化、判斷經驗更新等

註記:本新聞稿中的「頂尖1%」並非指AI操作技能的排名，而是指在對33.8萬人・980家企業的行為觀察中，工作推進行為特別顯著的群體。 本調查並非對生成式AI本身性能的評價，而是從行為觀察的觀點，整理出在生成式AI進入工作的時代，工作者的成果差異開始產生的位置。

本公司能提供的協助

Request株式會社基於本次調查結果，正為企業提供以下支援:

AI時代目的形成力詳細檢查

AI時代必要經驗設計診斷

針對管理者的「目的與背景工作設計」培訓

針對現場人員的「將AI所需目的與背景語言化」實踐課程

將生成式AI活用，從作業效率化連結到新價值創出的組織支援

AI活用面臨的下一個課題，不僅是工具導入或提示詞寫法。在交給AI之前，人類觀察了哪些事實、讀取了哪些背景、描繪了什麼樣的目的?以及如何在工作中增加這些經驗?這些都備受考驗。

生成式AI越是負責How(手段),人類的成果差異就越轉移到:讀取經驗中的事實，建立What(目的)與Why(背景),並能將其交給AI。

關於AI時代目的形成力詳細檢查、必要經驗設計診斷、培訓、實踐課程的諮詢，請洽判斷設計實驗室。

關於Request株式會社

Request株式會社以「以更美好為目的」為宗旨，以累計980家企業・33.8萬人(截至2026年6月)的工作者業務經驗數據為基礎，擁有8個研究機構的組織行為科學®為基盤。

我們透過解明組織中工作者的思考與行為「為何發生、為何持續」,從事業環境、歷史、經驗中，進行研究與教育開發，以求「更美好地再現」。

公司名稱:Request株式會社

網址:https://www.requestgroup.jp/

代表取締役:甲畑 智康

所在地:東京都新宿區新宿3丁目4番8號 京王フレンテ新宿3丁目4F

E-mail:request@requestgroup.jp