個人の生産性から組織の価値へ
どのツールを使うかよりも、何を変えるべきかを先に問いかけます。組織のボトルネック、顧客の課題、必要な意思決定を定義したうえで、AIを解決手段として結び付けます。
TIL AI活用教育・ワークショップ
AIツールの使い方よりも、
AIとともに、より良く考える方法を学びます
AIが代わりに成果を生み出す教育では、素早い答えだけが残ります。しかし、AIツールの活用法を超えた本質的な学びと転移は起こりません。The Innovation Labの教育は、人がまず課題を定義し、AIのクロスフィードバックを活用してより深く検討し、最終的な判断と責任を再び人が担うよう設計されています。
個人の業務効率を超えて組織の課題解決力へ、一度限りの成果物を超えて新たな課題にもつながる学習転移へと結び付けます。
Human First · Problem-Driven · Evidence-Based · Transfer-Oriented
01 · Why
AIツールをより多く使うだけで、組織が変わるわけではありません
個人が一つの業務を早く終えることと、組織がより重要な課題を発見し、より良い意思決定を行うことは同じではありません。組織が解決すべき課題と生み出すべき価値を先に定義し、その解決過程にAIを配置する必要があります。
成果の生産から能力の成長へ
AIが生み出した優れた成果と、人に残る実力は異なる場合があります。AIの助けがなくても説明し、判断し、新たな課題に応用できてこそ、学びが組織の能力として残ります。
AIが近道になるほど、学習設計には一層の配慮が必要です
プロンプトをコピーして結果を得る方法は遂行を容易にしますが、認知の外部委託と無批判な受容、成果物に対する統制力の低下、集団の思考の多様性縮小につながる可能性があります。AIは正解を与える存在ではなく、反論・死角・代替案の探索を助ける協働パートナーであるべきです。
AIがあるときだけ成果を出せる人を超えて、
AIとともに学んだ後も、より良い判断ができる人と組織を育てます。
02 · How
The Innovation LabのAI教育アプローチ、HAMMA
Human-AI Mentoring Motif Approach
HAMMAは、AIが最初の答えと最終結論を代行しないよう、人間とAIの役割と順序を設計します。人の思考から始め、人の判断で完成させます。
変更前AIが草案を作り、人が仕上げる
変更後人が草案・仮説を作り、AIがクロスフィードバック
変更前時間短縮と生産量増加を重視
変更後成果の質、協働力と学習能力の向上を重視
変更前認知の外部委託と無批判な受容
変更後学習上の摩擦によって批判的思考と人間の主体性を維持
変更前個人成果物の底上げ
変更後個人の視点と集団のアイデア多様性を維持
変更前AI支援がなくなると露呈する学習損失
変更後自ら説明・判断・応用する概念転移
03 · Evidence
善意だけで設計したわけではありません
生成AIは課題を素早く終える助けになりますが、その過程で人が行うべき計画・検証・省察まで代行すると、独立した思考能力が弱まる可能性があります。研究の結論は、AIの使用自体を減らすべきだということではありません。人がまず試み、AIの支援をコントロールし、最後の判断と説明を再び担うよう、協働の順序と条件を設計すべきだという方向に近いものです。
TILのHAMMAは、生成AIと学習、創造性、独立遂行に関する実証研究と、生産的失敗・自己説明・検索練習など学習科学の原理を、この流れに沿って応用しています。
AIによって課題をうまく完了できても、人の実力まで伸びるとは限りません
何のガイドもなくAIを使うと、学習者は課題を診断し、支援の妥当性を評価する過程を飛ばして、すぐ実行できる答えを探しがちです。AIがある間の遂行は良くなっても、計画・点検・省察といった自己調整学習は弱まる可能性があります。正解を与えるAIよりも、まず自分で答えさせ、ヒントを与え、自ら修正させるAIが必要なのはこのためです。
研究根拠を詳しく見る
- AIを使用している間の高得点と、AIなしで残る実力は異なります。Bastani et al.による高校数学の現場RCTでは、自由形式のGPTを使用した群は練習時の得点が高かった一方、AIなしで受けた試験では対照群より17%低い結果となりました。一方、正解の代わりに段階的なヒントを提供するGPT Tutorは、独力での遂行能力の低下を対照群の水準まで抑えました。AIの助けをなくすのではなく、支援方法に制約を設ける必要があるという知見です。
- AIが課題を代行するほど、学習者は自らの思考を点検しなくなる可能性があります。Fan et al.の無作為化ライティング実験では、GPT-4の支援によりエッセイの改善幅は大きくなりましたが、測定された知識獲得や他領域への転移は向上しませんでした。研究チームが指摘した「メタ認知的怠慢」は、成果物の質が高いからといって、それを直ちに学習者の成長と解釈してはならないという警告です。
- AIに助けを求める方法そのものにも変化が見られました。Chen et al.が大学生38名の執筆・修正過程をマルチモーダルデータで分析した実験では、ChatGPT群は人間の専門家群に比べ、フィードバック評価の段階を飛ばす非線形な援助要請を示し、すぐ実行できる操作的な質問をより多く行いました。AIへのアクセスが容易になるほど、質問の診断とフィードバック評価を学習手順として明示する必要があるという知見です。
- 先行回答と自己修正を取り入れると、AIは「支え」ではなく学習装置になります。Lee et al.の研究では、「まず自分の答え → 正解の代わりにヒント → 自ら修正」というガイド構造は、一般的なChatGPTよりも、行動的関与、知識、自己調整に関する複数の指標で良い結果を示しました。先行回答と自己修正を求める仕組みが、学習者の参加方法を変え得るという根拠です。
- TILでは、人がまず草案と仮説を提示し、AIは正解の代わりに質問・ヒント・反例を提供し、人が修正理由を説明する形で進めます。目標は、AI使用中の成果ではなく、AIがなくなった後も残る判断力です。
AIは個人のアイデアを高める一方、全員の考えを似通わせる可能性もあります
生成AIは、個人のアイデアをより斬新で有用なものにする助けとなります。特に、ゼロからアイデアを生み出すことが難しい人には大きな利点があります。しかし、全員が同じAIの提案から出発すると、個人の平均水準は上がっても、集団全体の視点が似通う可能性があります。
研究根拠を詳しく見る
- 個人の創造性向上と集団の多様性縮小は同時に起こり得ます。Doshi & Hauserの実験では、AIのアイデアを得た執筆者は新規性と有用性の平均評価が高まり、もともと創造性評価が低かった執筆者ほど恩恵が大きくなりました。しかし、AI支援を受けた物語は互いにより似通いました。AIは個人間の成果格差を縮める一方、集団のアイデアを少数の枠組みに収束させる可能性があるという知見です。
- AIをいつ導入するかが、独立した創造性に差をもたらしました。Wong & Qiuの無作為化実験では、最初から自由にAIを使用した群が第1課題で示した優位性は、AIなしで行った後続課題では維持されませんでした。一方、人がまず原案を作り、その後AIを改善・評価のパートナーとして使用した条件では、後続の独立課題でも創造性がより高く評価されました。
- 二つの研究を併せて見ると、AIを投入するタイミングが重要です。AIはアイデアの出発点を代行するよりも、人が生み出した異なる視点を洗練させる際に、より有益です。TILでは、個人とチームがまずそれぞれの草案と仮説を作った後にAIのフィードバックを受けることで、個人の創造性を高めながら集団の視点の多様性を守るよう設計しています。
完成されたAIの回答よりも、まず自分で解いた過程が課題解決力を育てます
完成されたAIの回答を先に見ると、課題をどう定義し、どの代替案を比較するかを考える機会が減ります。不慣れで間違っていても、まず仮説と解決案を作る過程によって、自分が何を知り、何を見落としているかが明らかになります。その後に説明とAIのフィードバックを結び付けることで、新たな課題にも応用できる課題解決の構造が形成されます。
研究根拠を詳しく見る
- 生産的失敗の研究は、「先に失敗すれば必ずよく学べる」とは述べていません。学習者が授業前に複数の表現や解決方法を作り、その後、説明とフィードバックを通じて試みを正しい概念と結び付けたとき、概念学習と転移が向上し得ることを示しています。先行する試みは、その後のフィードバックを深く受け止めるためのスキーマを活性化します。
- 解決方法の数ではなく、異なる方法で課題を表現し、解いた経験が重要です。Kapur, Saba & Rollの研究では、学生が先行する課題解決過程で生み出した解決方法の多様性が、その後の学習を予測しました。ただし、全学生が生産的失敗の授業を受けた研究であるため、この結果を単純な因果効果として拡大解釈していません。
- AIに尋ねる前の短い試行錯誤が、その後の転移を変え得るという初期的な根拠もあります。Akgün & Tokerのプレプリント研究では、ChatGPTにすぐ質問した群よりも、まず一人で統計問題に取り組んだ後にChatGPTを使用した群の方が、類似する新たな状況で高い得点を示しました。小標本かつ査読前の研究であるため、補助的な根拠としてのみ用いています。
- TILでは、人が課題を定義し、複数の仮説と代替案を先に作ったうえで、AIが示す反例・欠落変数・別の解釈によって検討します。AIは、先に考えて試す過程を省く近道ではなく、先行する試みをより深い課題解決へつなげるフィードバックパートナーです。
AIを使っている間も、計画・点検・評価は人が担う必要があります
人が最終判断を担うと宣言するだけでは、主体性は生まれません。目標を設定し、解決戦略を点検し、AIの回答と自分の理解を評価する手順を学習過程に組み込む必要があります。批判的思考もまた、AIとの対話回数ではなく、どの根拠を比較し、判断をどのように修正したかを説明する過程で育まれます。
研究根拠を詳しく見る
- 生成AI環境でも、メタ認知を促す仕組みは別途設計する必要があります。Xu et al.が大学生68名を対象に行った4週間の準実験では、課題戦略と自己評価を支援する明示的なサポートを加えることで、自己調整学習の過程と学習経験の指標が改善しました。群間の成績差は有意ではなく、成績向上を保証する根拠ではありませんが、学習者がAI使用の過程を自ら調整できるようにする仕組みの必要性を示しています。
- 計画・モニタリング・評価は生まれつきの態度ではなく、教えることのできる戦略です。de Boer et al.がメタ認知戦略への介入48件を統合したメタ分析では、この3要素を併せて教えた介入の学業遂行への効果が、介入直後だけでなく追跡時にも観察されました。AI時代にも人の判断権を守るには、判断の手順そのものを訓練する必要があるという一般的な学習科学の根拠です。
- 批判的思考は、対話だけで自然に身に付くものではありません。Abrami et al.のメタ分析では、構造化された対話、現実の課題と事例、メンタリングが、批判的思考教育の有効な条件として示されました。したがって、AIとの対話回数を増やすよりも、AIの反論を実際の課題に適用し、根拠を比較し、判断を修正した理由を説明する構造が必要です。
- 説明を追加するだけでAIへの過信が減るわけでもありません。Buçinca, Malaya & Gajosが参加者199名を対象に行った実験では、AIの推奨にすぐ従えないようにし、熟考を求める認知的強制の仕組みが、単純な説明提示条件よりも、誤ったAI推奨への過信を減らしました。ただし、過信を最も減らした設計は主観評価が最も低く、熟考傾向の強い参加者ほど利点が大きくなりました。望ましい学習上の摩擦は必要ですが、使いやすさとのトレードオフや個人差も併せて設計すべきだという根拠です。
- TILでは、人がまず目標と評価基準を定め、AIが示した反論と代替案を検討した後、何をなぜ採用・修正・棄却したのかを記録します。AIを利用する技術よりも、AIの支援を評価し調整する能力を先に鍛えます。
AIの利用を終えた後、思い出して説明し、応用してこそ学びが残ります
AIが整理した内容を読み返した際の親しみやすさは、実際の理解とは異なる場合があります。学びが定着したかどうかは、AIの利用を終えた後に中核概念を記憶から引き出し、自分の言葉で説明し、別の課題に応用してみて初めて分かります。HAMMAの最終段階が成果物の提出ではなく、ツールを使わない説明と再適用であるのはこのためです。
研究根拠を詳しく見る
- 読み返すよりも、記憶から取り出す活動の方が保持に有利です。Adesope, Trevisan & Sundararajanのメタ分析は、練習テストのような検索活動が、読み返す学習よりも学習内容を長く保持するうえで総じて有効であることを示しました。これはテストを増やすという意味ではなく、AIの回答を閉じた後に中核内容を想起・比較・応用する、リスクの低い活動を取り入れるという意味です。
- 想起した知識を自分の言葉で説明すると、手順と概念のつながりを確認できます。Rittle-Johnson, Loehr & Durkinによる数学の自己説明に関するメタ分析では、自己説明プロンプトは手続き的知識、概念的知識、および一部の手続き転移に、小～中程度の即時的な利点を示しました。良い説明を引き出す質問とフィードバックが重要であり、教室での文脈と遅延保持に関する根拠は限定的でした。
- 検索練習は、統制された実験室を超え、実際の学校や教室でも繰り返し利点を示しています。Agarwal, Nunes & Bluntのシステマティックレビューは50件の実験と5,374名を含み、49の効果量のうち57%で中程度または大きな利点が観察されました。すべての実験で大きな効果が出たわけではなく、非西洋圏の研究は全体の6%にすぎませんでしたが、ツールを使わない検索練習を実際の教育に適用する根拠は蓄積されています。
- 三つの研究は、一つの学習フローを裏付けています。AIの回答を読み返すだけで終わらず、記憶から取り出し、自分の言葉で説明し、新たな課題に応用する必要があります。TILではコース終盤にこの手順を取り入れ、成果物ではなく学習転移が残ったかを確認します。
各研究は、特定の年齢、課題、期間、AI使用条件のもとで実施されています。TILは個々の結果をあらゆる状況にそのまま一般化せず、複数の実証研究と学習科学の原理を併せて検討し、教育設計の原則として適用します。
04 · プログラム
組織の実際の課題から学び、すぐ使える成果物をつくります
あらかじめ決められた例題をなぞるツール演習ではありません。参加組織の運営、研究・製品、顧客、市場、事業課題を持ち寄り、HAMMA方式で分析して、実際の意思決定とその後の実行に使える成果物へ仕上げます。
01 · HAMMA
AIを活用した経営戦略ワークショップ
状況を読み解き、選択肢をつくり、実行へつなげます。組織と事業を取り巻く環境を解釈し、中核となる戦略課題と代替案を導き出して実行案へ具体化します。
詳細構成を見る → 02 · HAMMAトレンドセンシングに基づくインサイト導出
散在する変化のシグナルを次の機会へ変えます。民間・公共データとAPI、NextBM200を活用し、変化のシグナルと継続的なモニタリング体制を構築します。
詳細構成を見る → 03 · HAMMA顧客インサイトの発掘
隠れた課題と価値創出の機会を発見します。ディープリサーチ、合成ユーザー、模擬インタビューを探索手段として活用し、実際の検証につながる顧客仮説を設計します。
詳細構成を見る → 04 · HAMMAビジネスモデル・市場アプローチ戦略の策定
選ばれる価値と成長経路を設計します。ビジネスモデルと産業環境を診断し、ターゲット市場・ポジショニング・チャネル・パートナーを実行戦略へつなげます。
詳細構成を見る → 05 · HAMMAAXビジネス変革ワークショップ
漠然としたAI導入を変革戦略へと仕上げます。顧客価値、人間とAIの役割、データ、経済性、リスク管理、実行ロードマップを一つの戦略につなげます。
詳細構成を見る →05 · カリキュラム
プログラム別の詳細構成
各コースの詳細構成を展開して確認できます。実際の運営では、組織の目標、参加者の職務、現場の課題を反映して範囲と順序を調整します。
01AIを活用した経営戦略ワークショップ
戦略課題マップ · 戦略代替案 · 優先課題 · 実行計画
組織が直面する状況を読み解き、中核課題を定義し、複数の代替案から何を選ぶかを判断する実践型の戦略コースです。人が状況を解釈し、AIは反論・死角・代替案を提示し、最終戦略と実行基準は人が決定します。
共通の学習フロー
- 1. 状況を読み解く視点
- 外部環境、競争構造、顧客の変化、社内能力を関連付ける
- 2. 戦略課題の定義
- 現象と原因を区別し、中核となる戦略的問いを設計
- 3. 戦略代替案の設計
- 人が先に作った代替案とAIレッドチームによる検討
- 4. 選択と実行
- 優先順位、成功条件、リスク、実行課題の構造化
選択可能な実施案
- AIを活用した全体構想ワークショップ— 全6～8回、15～20時間
- 全体構想セミナー— 半日4時間
- AIを活用した経営計画・事業計画1日ワークショップ— 8時間
- 副教材：『戦略はツールだ：状況を読み解く力』、『戦略の女王』
02AIを活用したトレンドセンシングに基づくインサイト導出ワークショップ
変化シグナルマップ · 機会仮説 · 優先インサイト · モニタリングボード
1日目 — 変化のシグナルを発見し、トレンドとして解釈する
- 1. トレンドセンシングの視点
- 流行・現象・構造的変化の区別
- 組織と事業にとって意味のあるシグナル基準の設定
- 2. データソースと探索設計
- 民間・公共データセットとAPIの理解
- NextBM200・MCPを活用したシグナル収集
- 3. HAMMAに基づくシグナル分析
- 人が立てた変化仮説と、AIによる反対シグナル・死角の検討
- 4. トレンドセンシング・キャンバス
- 有望なシグナルクラスターと一次トレンドマップの完成
2日目 — ビジネス機会と継続的なインサイトへ転換する
- 1. シグナルから機会仮説へ
- 顧客・市場・技術・規制の変化を関連付ける
- 2. インサイトの質を高める
- 事実・解釈・仮説の分離と根拠レベルの評価
- 3. 機会の優先順位付け
- 影響度、緊急性、不確実性、組織適合性の評価
- 4. 機会モニタリングボード
- 中核指標、更新頻度、閾値シグナルの設定
副教材：『ネクスト・ビジネスモデル2026 — 総括編・産業編』 · 活用サービス：NextBM200トレンドエクスプローラー、MCP
03AIを活用した顧客インサイト発掘ワークショップ
顧客課題仮説 · エビデンスに基づくペルソナ · カスタマージャーニーマップ · 価値提案の機会案
1日目 — 問いと根拠から顧客を理解する
- 1. 顧客インサイトの出発点
- 顧客情報と顧客インサイトの区別
- 2. 顧客課題仮説
- TurtlebackフレームワークとFlowerモデルによる関係の構造化
- 3. AIを活用した顧客リサーチ
- 公開資料、ディープリサーチ、9カ国の合成ユーザーデータを活用
- 4. HAMMAクロス検証
- 反対の視点、極端なユーザー、欠落した文脈、バイアスの検討
2日目 — 顧客の声を価値提案へ転換する
- 1. エビデンスに基づくペルソナ
- 行動、目的、文脈、不便、選択基準を中心に定義
- 2. カスタマージャーニーと決定的瞬間
- 離脱ポイント、未充足ニーズ、重要な瞬間の発見
- 3. 機会領域と価値提案
- ERRC・戦略キャンバスとAIレッドチームによる検証
- 4. 顧客インサイト実行案
- 実際の顧客調査で検証する質問と次の行動の設計
合成ユーザーと模擬インタビューは、実際の顧客に代わる正解ではありません。実際の検証前に仮説の幅を広げ、死角を発見するための探索手段として使用します。
04AIを活用したビジネスモデルおよび市場アプローチ戦略の策定
ビジネスモデル診断書 · 改善ビジネスモデル案 · 市場アプローチ戦略 · 成長ロードマップ
1日目 — ビジネスモデルを診断し、価値構造を再設計する
- 1. ビジネスモデルを見る視点
- 顧客価値、提供方法、収益構造、コア能力を関連付ける
- 2. ターゲット市場と優先顧客
- TPMサークルと市場・組織適合性の評価
- 3. BM ZENに基づく具体化
- 顧客課題、価値提案、バリューチェーン、収益ロジックの構造化
- 4. 現行ビジネスモデルの診断
- BM HealthCheckとIndustrySightの活用
2日目 — 市場参入と成長の実行戦略へ転換する
- 1. 代替案の探索とレッドチーム
- 代替モデル、競合の視点、失敗条件、死角の検討
- 2. PM市場アプローチ戦略
- ポジショニング、メッセージ、チャネル、パートナー、価格・提案の具体化
- 3. 戦略ストレステスト
- 競合への対応、失敗シナリオ、欠落変数の検討
- 4. 成長段階ロードマップ
- 探索–検証–参入–拡大の各段階における目標と指標の設定
活用サービス：BM HealthCheck、IndustrySight、AI ToolBox、BM Explorer（開発中） · フレームワーク：BM ZENツールキット、TPMサークル、PM市場アプローチ戦略
05AIを活用したAXビジネス変革ワークショップ
AX変革論点 · 人間–AI協働構造 · データ・成果フライホイール · 実行ロードマップ
AI技術を試すPoCの段階を脱し、顧客価値、人間とAIの役割、データ、成果向上、経済性とリスク管理、導入ロードマップを一つのビジネス変革戦略へつなげる、2日間の訪問型ワークショップです。
1日目 — AI導入アイデアを変革の青写真へ
- 1. AXビジネス変革の視点
- 自動化・AI機能導入とビジネス変革の違い
- 2. 変革課題と変革論点 — Why ①
- 中核課題と変革目標・成功基準の定義
- 3. 顧客価値と経済的機会 — Why ②
- 対象顧客、中核価値、経済的機会の定義
- 4. 人間とAIの役割 — What ①
- 判断・責任とAI支援業務の区別
2日目 — 実行可能な事業戦略とロードマップへ
- 1. データと成果 — What ②
- データ–学習–反応–成果のフライホイール設計
- 2. AIモデル・作動ロジックとガバナンス — How ①
- AIの役割と品質基準、リスク、人間による承認ポイントの設定
- 3. 経済エンジンと実行ロードマップ — How ②
- 収益・費用・導入効果と段階別実行計画の策定
- 4. 共有およびフィードバック
- チーム別の戦略発表、クロスフィードバック、後続課題の確定
参加組織の実際の運営・研究・製品・事業課題を中心に、部門別の視点を一つのキャンバスに集約し、2日間の終了時には、その後の意思決定に使えるAX変革戦略の草案を残します。
06 · 価値
AIの使い方を超えて、組織に残る力
短期的な業務効率を超え、課題を定義してより良い判断を下し、新たな課題にも学びを転移できる能力を育てます。
AIとともに、より深く考え、より良い意思決定を行います。
組織の中核課題を定義し、AIの提案を批判的に検証して、実行可能な戦略と解決策へ転換します。
実務に転移するAI学習を設計します。
人間の主体性、協働、課題解決力、学習転移を中心に教育効果を高めます。
不確実性を探索し、成長仮説を検証します。
トレンドと顧客を読み解き、ビジネスモデルを診断して、市場参入戦略と成長ロードマップを完成させます。
根拠と市民の視点から、責任ある解決策をつくります。
オープンデータとAIを活用しつつ、根拠の検証と最終判断は人が主導します。
07 · 運営
組織の課題に合わせてコースと実施方法を設計します
実施形態企業・公共機関向け訪問型研修、チームワークショップ、セミナー、プロジェクト型学習
教育設計組織の目標、参加者の職務、実際の課題を反映してプログラムを調整
進行方法概念講義、チーム討議、AI ToolBox・専用フレームワークの演習、クロスフィードバック
主な成果物キャンバス、診断結果、戦略案、インサイトボード、実行ロードマップ
日程・人数・場所組織の課題と実施条件を確認したうえで、相談を通じて調整
組織の課題はそれぞれ異なります。決まったツール一覧を繰り返すのではなく、今必要な課題と意思決定を基準に、最適なコースと演習を構成します。
お問い合わせ
AIが代わりに成果を生み出す教育ではなく、
人と組織が、より良い問いと判断力を身に付ける教育
HAMMAは、AIのスピードを活用しながらも、人間の主体性と創造性、課題解決力と学習転移を守るThe Innovation LabのAI教育アプローチです。自組織が解決すべき課題から始め、実際の戦略と実行案が残る教育を設計してみませんか。
info@thelab.center · 02-3454-1108
アンサーエンジン
よくあるご質問
The Innovation Labの役割と方法論を、課題の観点からすばやく確認できます。
HAMMAとは何ですか？
HAMMAは、人がまず課題と仮説を立て、AIのクロスフィードバックを批判的に検討した後、最終判断は人が下し、AIが整理と実行を支援するよう設計されたThe Innovation LabのAI教育アプローチです。
一般的なAIツール研修とは何が違いますか？
特定の生成AIの機能やプロンプトの使い方を習得するだけでは終わりません。組織の実際の課題を先に定義し、戦略、トレンド、顧客、ビジネスモデル、AX変革課題をAIとともに検討して、現場で使える成果物と判断力を同時に育てます。
どのような組織が参加できますか？
企業の役員・従業員とHRD部門、スタートアップ、公共機関を対象に実施します。組織の目標、参加者の職務、実際の課題を事前に確認し、訪問型研修、チームワークショップ、セミナー、またはプロジェクト型学習として構成します。
研修を終えると、どのような成果物が残りますか？
選択したコースに応じて、戦略課題マップと実行計画、変化シグナルと機会モニタリングボード、顧客課題仮説とカスタマージャーニーマップ、ビジネスモデル診断書と市場アプローチ戦略、AX変革の青写真と実行ロードマップを成果物として残します。