みなさんは、会議でこう聞かれて、言葉に詰まったことはないでしょうか。
「この施策、本当に成果につながるの？」
「その提案の根拠は何？」
資料は用意している。AIを使って論理展開も万全にした。それでも、この問いに対して答えきれない。
実はこの問題、多くの場合、原因はシンプルです。
「施策と成果のあいだの因果関係」が言語化されていないからなのです。
そこで、本記事では、この問題を解決するために、AI（Claude）と「セオリー・オブ・チェンジ」というフレームワークを使って因果関係を可視化する方法を紹介します。
後半では、実際に政府が発表している資料を用いて検証をしてみました。
セオリー・オブ・チェンジとは何か
まずは、今回の検証を実施する上で重要となる「セオリー・オブ・チェンジ（Theory of Change／ToC）」について説明します。
セオリー・オブ・チェンジとは、ある取り組みがどのような因果の連鎖を経て、最終的なインパクトをもたらすかを可視化するフレームワークです。
もともとは社会課題解決の領域であるNPOや国際開発の現場で生まれた手法ですが、近年は企業の新規事業開発や組織変革のロジック整理にも広く使われるようになっています。
基本的な構造はシンプルです。「何を投入し（インプット）、何をやり（アクティビティ）、何が生まれ（アウトプット）、誰がどう変わり（アウトカム）、社会や組織にどんな変化をもたらすか（インパクト）」という流れを、矢印でつないで表現します。
しかし、この図を本当に使えるものにするには、矢印を引くだけでは不十分です。各矢印には「この因果関係が成立するためには、〇〇という状況が前提となる」という条件を明示する必要があります。
この前提条件が抜け落ちると、図はそれらしく見えても実態を反映しない「絵に描いた餅」になってしまいます。
この前提条件の洗い出しと合意形成に数時間〜数日を要することも珍しくありませんでした。
しかし、Claudeを使うことで、テキスト入力一つで叩き台として出力することができます。
こども家庭庁の施策資料をみて、成果につながるのかを検証してみた
では実際に、Claudeとセオリー・オブ・チェンジ（ToC）でどこまでできるのかを検証してみます。
今回の検証に使用したのは、こども家庭庁が公開している行政事業レビュー資料「地域少子化対策強化事業」です。
行政事業レビューとは、国の各府省庁が予算執行の透明性を高めるために毎年度公開する事業評価文書で、全29ページにわたり事業の目的・実施内容・予算規模・期待される成果などが体系的に記載されています。
今回使用した資料は令和6年度版で、少子化対策として市区町村が実施する婚活支援・新生活支援・子育て環境整備などの取り組みに対し、国が交付金を通じて財政支援する事業の全体像が記されています。
民間企業の新規事業に置き換えれば、「事業企画書＋予算説明資料」に近い性格の文書です。
国・都道府県・市区町村にまたがる複雑な実施体制と、複数の補助メニューが一枚に収められており、一読しただけで全体を把握するのは容易ではありません。
まずは、この資料の要点を400字程度でまとめてとClaudeに指示すると、以下のように要約してくれました。
こども家庭庁が実施する「地域少子化対策強化事業」は、少子化の進む地域において、結婚・妊娠・出産・子育てへの支援を市区町村が主体的に展開できるよう、国が交付金を通じて財政支援する事業です。市区町村は交付金を活用し、マッチングイベントや新生活支援給付、育児相談窓口の整備などを実施します。これにより、結婚・出産への不安を持つ若者の意識変容を促し、最終的には地域の出生率回復と子育て環境の改善を目指します。
そして、このテキストとともに以下のプロンプトをClaudeに入力しました。
「このプログラムのセオリー・オブ・チェンジを図解してください。インプット→アクティビティ→アウトプット→アウトカム（短期・長期）→インパクトの流れをMermaid記法で図示し、各矢印に『その関係が成立するための前提条件』を添えてください。」
※ このプロンプトはそのまま使えるので、みなさんの資料を実際にClaudeに入れてみてください。
国が提示したロジックのモデル
出力結果を見る前に、まず比較対象として確認しておきたいのが、この資料の2ページ目に掲載されている国のロジックモデルです。
国のロジックモデルにはインプットから長期アウトカムまでの流れがすでに整理されています。
ただし、「なぜこの因果関係が成立するのか」という前提条件は記載されていません。
AIが出力したロジックのモデル
一方、Claudeが出力した図は以下です。
flowchart TD
A["📦 インプット\n・国からの交付金\n・市区町村の実施体制\n・相談員・支援スタッフ\n・既存の地域ネットワーク"]
B["⚙️ アクティビティ\n・婚活・マッチングイベントの開催\n・結婚新生活支援給付（家賃・引越補助）\n・妊娠・出産相談窓口の整備\n・子育て支援サービスの拡充"]
C["📤 アウトプット\n・イベント参加者数\n・給付受給世帯数\n・相談件数・窓口設置数\n・支援サービス利用者数"]
D["🌱 短期アウトカム\n・結婚・出産への不安の軽減\n・支援制度の認知度向上\n・若者の地域定着意向の向上"]
E["🌿 長期アウトカム\n・婚姻率の向上\n・第一子・第二子出生数の増加\n・子育て世帯の地域満足度向上"]
F["🌍 インパクト\n・地域の合計特殊出生率の回復\n・子育てしやすい地域社会の実現\n・人口減少トレンドの緩和"]
A -->|"前提：市区町村に実施ノウハウと意欲があること"| B
B -->|"前提：ターゲット層（若者）に情報が届いていること"| C
C -->|"前提：サービスの質が十分であること"| D
D -->|"前提：経済的不安以外の障壁も解消されていること"| E
E -->|"前提：他の少子化要因（住宅・雇用等）も並行して対処されること"| F
国のロジックモデルと構造は概ね一致しながら、Claudeの出力には各矢印に前提条件が付加されている点が大きな違いとなることがわかります。
現場で見落とされがちなボトルネックを指摘
例えば、「アクティビティ→アウトプット」の矢印には「ターゲット層である若者に情報が届いていること」という前提が示されています。
これは、「どれだけ充実したイベントを開催しても、必要な人に届かなければ成果につながらない」という、現場では見落とされがちなボトルネックを指摘しています。
事業単体では解決できない構造的な課題を指摘
また「長期アウトカム→インパクト」の矢印では「住宅・雇用など他の少子化要因も並行して対処されること」という前提が置かれており、この事業単体では解決できない構造的な課題も同時に可視化されました。
担当者がゼロから図を起こせばおそらく半日はかかる作業が、入力から出力まで約2分で完了しました。
もちろんこれはあくまで叩き台ですが、「この前提は本当に成立するか」という議論をチームですぐに始められる状態が整う、という点において、その価値は十分にあると感じました。
また、Claudeはこの図をその場で書き換えることもできます。
ライブビューでリアルタイムに図を書き換える
例えば、前提条件を議論の中で変えたいとなった場合、ライブプレビューで確認しながら編集することができます。
図の作成と議論が同じ画面の中で完結するため、会議の場でリアルタイムにロジックを磨いていくことが可能になります。
ビジネス活用シーンの考察
では、こうしたセオリー・オブ・チェンジ（ToC）の図は、ビジネスの現場でどう活かせるのでしょうか。今回は3つのシーンを例に挙げます。
新規事業・企画の立案時
事業アイデアが頭の中にある段階で、概要をClaude に入力するだけでロジックの骨格が可視化されます。
例えば、「地方移住促進のためのリモートワーク支援プログラムを立ち上げたい」という構想があるとします。
担当者が概要をテキストで入力すると、「補助金支給→移住者増加→地域経済活性化」という流れだけでなく、「移住後の就労機会が確保されていること」「地域コミュニティへの受け入れ体制があること」といった前提条件まで図示されます。
これにより、「そもそもこの施策でその成果が出るのか」という問いを、図を見ながらチームで早期に議論でき、企画書の作成前に論理的な穴を発見できるため、手戻りの削減につながります。
経営層・投資家への説明時
「なぜこの施策がインパクトにつながるのか」を口頭で説明するのは難しく、往々にして「で、結局何が変わるの？」という問いに詰まりがちです。
例えば、社内の健康経営施策を役員会でプレゼンする場面では、「ウェルネスプログラムの導入→従業員の健康意識向上→離職率低下→採用コスト削減」という因果の連鎖をToC図一枚で示せます。
各矢印の前提条件も明示されているため、「リスクは何か」という質問にもその場で答えやすくなります。
チーム間の認識合わせ
同じ事業に携わっていても、営業・開発・マーケティングでは「何を目指しているか」の解釈がずれていることがあります。
例えば、カスタマーサクセス部門が新しいオンボーディング施策を立ち上げた際、営業は「解約率を下げるもの」、開発は「操作習熟を促すもの」と別々に理解していたというケースは珍しくありません。
ToC図を共通言語として使うことで、「私たちが今やっていることはアウトプットであり、アウトカムはこちら」という合意がとりやすくなります。週次の振り返りや四半期レビューの場でも活用できます。
時間の観点でも効果は明確です。従来、ファシリテータを交えてToCを作成すると半日〜1日かかることも珍しくありませんでした。
今回のようにAIで叩き台を出力し、人間がそれを検証・修正するというプロセスに切り替えることで、最初の議論開始までの時間を大幅に短縮できます。
限界と注意点
ここまでの検証で、AIによるToC図解の有用性は十分に確認できました。一方で、実務で活用するうえで押さえておくべき限界もあります。
出力はあくまで「たたき台」
Claudeが生成するToC図は、入力テキストをもとにした推論の結果です。
例えば、今回の図では「婚活イベントへの参加が婚姻率の向上につながる」という矢印が引かれていますが、その因果関係が実際の地域で成立するかどうかは、現場データや先行研究と照合して人間が判断しなければなりません。
図が「それらしく見える」からこそ、批判的な目で読む習慣が重要です。
前提条件の妥当性検証は人間の仕事
各矢印に付された前提条件は、議論のきっかけとして機能しますが、その妥当性を保証するものではありません。
例えば、「他の少子化要因も並行して対処されること」という前提は、自分たちの事業だけでは制御できない外部要因です。
このような前提を見つけたとき、「自分たちにできることの範囲はどこか」を改めて定義するのは、担当者自身の判断に委ねられます。
機密情報の取り扱いに注意
AIサービスへの入力テキストが、サービス改善や学習データとして利用される可能性があるため、社内の未発表施策や個人情報を含む事業概要をそのまま入力することは避けるべきです。
特に企業の場合、競合他社に知られたくない戦略情報や、顧客・従業員の個人情報が含まれる内容を入力してしまうと、意図せず情報が外部に渡るリスクが生じます。
検証や議論の段階では、固有名詞や数値・組織名を抽象化または仮の表現に置き換えた形で入力することを推奨します。
なお、Claudeを含む一部のAIサービスでは、企業向けプランにおいて入力データを学習に使用しない契約オプションも提供されています。利用前にサービスのプライバシーポリシーと契約条件を確認しておくことも重要です。
まとめ
今回の検証を通じて見えてきたのは、「AIが考える」のではなく「AIが整理する」という役割分担の可能性です。
セオリー・オブ・チェンジの作成は、これまで専門的な知識とファシリテーションスキルを持つ人間が時間をかけて行うものでした。
しかしClaudeを活用することで、因果関係の叩き台を数分で手に入れ、チームはその検証と議論に集中できるようになります。つまり、「図を作る時間」から「図について考える時間」へシフトすることができます。
複雑なプロセスや概念を扱うビジネスマンにとって、このアプローチが特に有効なのは、ロジックの可視化がゴールではなく、あくまで「チームで考えを深めるための入口」だからです。
AIが出力した図に対して「この前提は本当に正しいか」「この矢印の順序は逆ではないか」と問い続けることが、結果的に施策の質を高めることにつながります。
万能ではありませんが、使いこなせれば強力な思考の補助輪になります。まずは身近な施策一つを題材に、試してみてください。