ヒューマン・マシン・プランニング（人と機械の計画策定）：米海兵指揮参謀大学からのAI教訓 （War On The Rocks）
軍事分野での人工知能の活用については、いったいどれだけ進んでいるのだろうか？は興味深い関心事項である。
ここで紹介するのは、War On The Rocksに掲載されていた米海兵隊指揮参謀大学の生成AIの有効性を検証した記事である。記事には、検証結果を4つの教訓としてまとめている。生成AI（LLM）は作戦計画策定の初期段階、特に任務分析やアイデア創出などの発散的思考（divergent thinking）で大きな価値を発揮した一方で、専門家が自己の専門分野を扱う場合は有効性が低く、専門外領域で補助的知識を得る用途で高く評価されてとしている。記事では、AI活用を定着させるには、AI特有の教育や訓練の必要性を説いているが、先ずは、生成AIを活用してみることだろう。組織にそのマインドがあるか、ないかが別な意味で気になるところではある。（軍治）
ヒューマン・マシン・プランニング（人と機械の計画策定）：米海兵指揮参謀大学からのAI教訓
Human-Machine Planning: AI Lessons from the Marine Command and General Staff College
Joseph O. Chapa and Sofia Cantu
October 14, 2025
 |
ジョセフ・O・チャパ（Joseph O. Chapa）は、オックスフォード大学で哲学の博士号を取得したアメリカ空軍士官である。彼は『War on the Rocks』やニューヨーク・タイムズなど他の媒体にも何度か記事を発表している。彼の著書『遠隔戦は道徳的か?（Is Remote Warfare Moral?）』 2022年にPublicAffairs（アシェットのインプリント）から出版された。また、哲学と技術に関する週刊ニュースレターも発行している。
ソフィア・カントゥ（Sofia Cantu）は米陸軍の将校であり、戦術防空作戦および参謀計画策定の経験を持つ防空士官である。彼女は米海兵隊大学で軍事研究の修士号を取得しており、AI対応の決心支援システム、労働力統合、陸軍近代化における倫理的考慮を分析した。
ここに表明された見解は著者のものであり、必ずしも米空軍、米陸軍、国防総省、または米国政府のいかなる部署の見解を反映するものではない。
生成AIは存在しているが、我々はそれをどう活用すればよいのかまだ分かっていない。産業界と軍の双方で、熱意は成果を上回っている。企業は放棄されたAIプロジェクトの割合が増加していると報告し、防衛組織は明確な実装の道筋を示さずに「決心の優位性（decision advantage）」というマントラを繰り返している。問題はめったに技術的なものではない。むしろ、成功は機関が新しいツールを機能させるために構造やプロセスを適応させる意欲があるかどうかにかかっている。
米軍の統合計画策定プロセスはその代表例である。統合計画策定プロセスは、複雑な問題に対して論理的な解決策を開発するための米軍のドクトリン的アプローチである。作戦計画策定チームは生成AIの普及以前にデザインされており、意図的な調整がなければ強力なツールを周縁に追いやるリスクがある。米海兵隊指揮参謀大学での最近の実験では、学生たちが大規模言語モデル（LLM）を複数の計画策定演習に統合し、これらのツールが任務分析、チームの協働、専門知識をどのように形作るかが明らかになった。
これを説明するために、まず学生が実際に生成AIを計画に活用し、どのツールが最も大きな影響を与えたかを説明する。次に、AIが創造的思考を支える場合と、グループのダイナミクスや専門知識によって脇に置かれている場合の教訓を引き出す。最後に、作戦計画策定チームの再編成に関する実践的な提案を提案する。ワークフローの再デザイン、プロンプト・テンプレート（prompt templates）※1の作成、トレーニング・パイプライン（training pipelines）※2の構築、そしてAIが単なるオプションの付加物以上の存在となるチェックポイントの統合などである。生成AIを最大限に活用するためには、作戦計画策定チーム自体が変革されるべきである。
※1 プロンプト・テンプレート（prompt templates）とは、生成AIに毎回同じ品質・形式で作業させるための、標準化された指示文のひな型
※2 トレーニング・パイプライン（training pipelines）参謀や分析官がAIを作戦計画業務で適切に使えるようになるまでの、段階的・継続的な教育・訓練の仕組みを指す
2024–2025米会計年度には、米海兵指揮参謀大学で5回の計画策定演習を実施した。そのうち4回の計画策定演習では、少数の学生がモデルに依存しない大規模言語モデル（LLM）ツールへのアクセスが与えられた。このツールは、大規模言語モデル（LLM）を作戦計画策定に活用する経験を学生に与え、学校がカリキュラムにAIをどのように最適に取り入れるかを調査する力を与えた。本論文では、我々（教員1名と大学院生1名）が、これら両方の質問に対して得た教訓を提供する。学生はどのようにこのツールを計画策定に取り入れるべきか?教員はどのようにAIを計画策定カリキュラムに取り入れるべきだろうか?
概して、調査による自己申告やベンダーの利用率の観察を通じて、計画策定チームのメンバーは統合計画策定プロセスの初期段階、特に任務分析段階でツールを使用する可能性がはるかに高いことが分かった。さらに、計画策定プロセスの後半で使用率が減少したものの、後のステップでツールを使用したユーザーは、より高品質な回答を自己申告で提示した。これは、自己選択的なグループの一部がツールの使用を続け、その粘り強さによってより良い結果を得たことを示唆しているのかもしれない。
教訓
作戦計画策定チームは、特定の計画策定問題を解決するために集められた一時的な将校や参謀のグループである。通常、統合計画策定プロセス中に編成され、作戦、インテリジェンス、兵站、通信など異なる機能分野のメンバーを含み、あらゆる視点が反映される。彼らの職務は、任務を分析し、行動方針を策定し、各行動方針の選択肢を比較し、指揮官への提言を作成することである。簡単に言えば、彼らは参謀全体から専門知識を集めて特定の作戦のための計画をデザイン・洗練する臨時の計画策定グループである。それぞれの具体的な教訓が根付く基本的な洞察は驚くべきことではないが重要である。つまり、作戦計画策定チームでAIのパフォーマンスを最大化したいなら、作戦計画策定チームの再編成が必要だということである。
教訓その1:大規模言語モデルの価値は発散的思考の際に最も顕著に現れる
創造性の分野では、収束的思考（convergent thinking）と発散的思考（divergent thinking）は、アイデアを発展させる二つの異なる手段を表す。この区別は米海兵隊の出版物「計画策定」や統合将校ハンドブックに記録されている。発散的思考は新たな洞察やアイデアを発展させるのに対し、収束的思考はそれらのアイデアを一貫したカテゴリーに分類することを狙っている。
発散的思考（divergent thinking）を用いて可能な解決策の範囲を広げ、収束的思考（convergent thinking）で解決策を導き出す反復的なプロセスが計画策定プロセス全体にわたって行われる。しかし、発散的思考は、作戦計画策定チームが新しいアイデアや洞察を論理グループに組織する前の統合計画策定プロセスの任務分析段階で最も明確に識別できる（特に行動の過程開発や分析において）。
米海兵隊指揮参謀大学では、学生が統合計画策定プロセスの後半よりも、発散的思考に対応する任務分析段階で大規模言語モデル（LLM）ツールを使う傾向が強いことが分かった。
この発見は後者と密接に関連している。2つ目の教訓を紹介し、教訓1と2の両方に適用される推奨を提供する。
教訓その2:大規模言語モデルの価値は、メンバーの専門分野（SME）の外でも明らかである
大規模言語モデルの失敗はよく知られており、よく文書化されている。米海兵隊指揮参謀大学の学生たちは、大規模言語モデルには認識論的限界（epistemic limits）があり、幻覚を抱くことをよく理解していた。この潜在的な知識の結果の一つは、学生が専門分野外でこのツールを使う可能性が高まったことである。
ある例では、ある米陸軍砲兵将校が、演習のために自分の砲兵専門分野外の役職、例えば後方支援や情報計画担当者として配属されたとき、そのツールをはるかに積極的に使う意欲があったと語っていた。彼は、そのツールが自分の専門分野のより高度な知識よりも、その見知らぬ特技分野の基礎知識を得られると期待していた。
学年初期の計画策定演習では、学生は小規模な作戦計画策定チームに配属され、その結果、軍の専門分野に合わない職務を務めるよう求められることが多かった。学年度最大かつ最終計画策定シナリオでは、計画策定参謀が大幅に増え、多くの学生が専門分野に割り当てられることが可能となった。これらの場合、技術的な説明や外部の洞察を得るために生成AIに相談する必要性は低かった。学生がツールを参照した際、出力は補完的というより冗長と見なされることが多かった。
この観察は軍の外部からの知見と一致しており、大規模言語モデル（LLM）はドメイン固有の知識課題よりも一般知識タスクの方が優れているということである。専門家は初心者レベルで得られる新しい洞察を得る可能性が低い。
これはツールの失敗ではなく、AI導入の枠組みと促進の方法の反映である。
この現象は重要な洞察を強調している。AI導入には、合意形成の加速、計画策定オプションの拡充、見落とされがちな歴史的類似点の明らかさなど、ツールが明確な優位性をもたらす具体的なユース・ケースをリーダーが定義する必要があるということである。
教訓その1と教訓その2に対応して、作戦計画策定チーム内で、計画策定プロセスのすべてのフェーズでチームのメンバーがAI生成の推奨と分析を比較することを義務付ける、または促すワークフローをデザインすることを推奨する。作戦計画策定チームのリーダーは、チーム・メンバーが自分の作業を評価する際に使えるプロンプト・テンプレートの草案を事前に作成することを検討すべきである。構造化されたプロンプト（structured prompts）がなければ、最も高度なツールでさえ十分に活用されなくなる。
教訓その3:経験のない熱意だけでは不十分である
演習中、多くの参加者が生成AIが何を提供できるかを探ることに熱心だった。しかし、特定のツールや生成AI全般の経験が限られているため、多くの人は意味のある成果を生み出すのに苦労した。プロンプト（prompt）から有用な成果物への道筋が不明瞭になると、熱意はすぐに苛立ちに変わっていった。
AI人材の限界と効果のない実装の関係は、産業界でよく知られた問題である。最初の好奇心は、段階的なトレーニング、メンタリング、そして明確な成功例と相応すべきである。そうでなければ、早期導入の勢いが停滞する。産業界でのAI統合の成功は、技術力よりも持続的な人材育成と信頼構築に大きく依存することが多い。言い換えれば、単にツールを調達しチーム・メンバーへのアクセスを提供するだけでは成功には不十分である。
教訓その3に対して、AIツールを構造化されたオンボーディング（structured onboarding）※3、シナリオ・ベースのトレーニング（scenario-based training）※4、ピア・コーチング（peer coaching）※5と組み合わせて自信と能力を高めることを推奨する。時間の経過とともに、こうした支援は、手順を細かく指示するチェックリスト方式から、より自然で自律的な活用へ移行していくことができる。
※3 構造化されたオンボーディング（structured onboarding）とは、新しいAIツールを利用者に渡して「自由に使ってください」とするのではなく、利用目的、権限、禁止事項、標準手順、演習、評価を一定の順序で習得させ、実務で安全に使える状態へ導く導入プロセス
※4 シナリオ・ベースのトレーニング（scenario-based training）とは、AIやシミュレーション・ツールの機能を講義形式で学ぶだけでなく、現実に近い状況、任務、制約、時間圧力を設定し、参加者に判断と行動を実践させる訓練方式
※5 ピア・コーチング（peer coaching）とは、上司や教官が一方的に指導するのではなく、同等または近い立場の同僚同士が、互いの実践を観察し、質問し、フィードバックを交換して能力を高める方法
組織内にAIの専門知識が不足している場合、リーダーはチームの一部をスキルアップにリソースを割くことを検討すべきである。これにより、AI対応のチーム・メンバーがオンボーディング（structured onboarding）、シナリオ・ベースのトレーニング（scenario-based training）、ピア・コーチング（peer coaching）を成功に必要なものとして実施できるようにすべきである。
教訓その4:小グループのダイナミクスが行動を形成する
重要な発見の一つは、小グループでの協働が生成AIツールの利用を置き換えることが多かったことである。学生たちは自然と互いに相談し、質問を解決し、選択肢を議論し、製品を洗練させた。この傾向は、AIは協働作業の織物に統合されるべきであり、オプションの強化として重ねるべきではないという原則を強化している。
イノベーションの観点から言えば、これは製品パフォーマンス・イノベーションに伴う構造イノベーション（structure innovation）の一例であり、構造イノベーションとは「人材とアセットをどのように組織し、整合させるか」を指す。このような人材とツールの統合がなければ、新たな技術能力導入の試みは、人間関係や確立されたプロセスが支配するだろう。
計画策定テンプレートやファシリテーション・ガイドを作成し、初期任務分析、行動方針の比較、リスク評価など、指定されたチェックポイントでAI出力を取り入れることを義務付け、モデルが単なる好奇心ではなくチームに統合されるようにする。
結論
米海兵隊指揮参謀大学では、AIツールの成功した活用は、学生が完璧な計画を立てたかどうかで測られることはなかった。それは、新しいツールに挑戦し、失敗し、生成AIが計画策定の技術に何をもたらすかを見始めたかどうかで測定された。最も重要な発見は技術の限界ではなく、チームの限界に関するものだった。単に計画策定グループにモデルへのアクセスを与えるだけで、洞察の閃きは生まれたが、グループ自体がそれを活用するために再編成されない限り、その洞察は薄れてしまった。
その再編には熱意以上のものが必要である。計画策定の初期段階でプロンプト・テンプレートを作成し、単に「ツールを試す（try the tool）」だけでなく、スキルと自信を養うよう学生を指導すること、仮定を検証しアイデアを洗練させるためにAIが必要な意図的なチェックポイントを設ける必要がある。これらの調整は小さく聞こえるが、全体としては変化を示している。作戦計画策定チームはもはや静的な構造ではなく、人間と機械の協働（human-machine collaboration）の時代に再設計可能な柔軟なシステムとなっている。
教訓は明白である。AIだけでは計画策定を変革するのではなく、働く方法を変える意欲のあるチームを変革する。実験以上のものを望むリーダーは、人間の判断と機械生成の洞察が互いに強化し合うように計画策定グループを再デザインする準備をすべきである。そうでなければ、生成AIは理論の周縁で好奇心の対象にとどまるだろう。しかし、意図的な再編成によって、チームはAIが提供する洞察を活用できる。
