提供组织行为科学®的Request股份有限公司（总部：东京都新宿区，代表董事：甲畑智康）发布了名为《AI时代所需的「反学习与重新学习」之推动方法》的报告。 本报告以此为起点：在AI时代，企业中相对重要性提升的不再是知识量本身，而是「判断力」。报告整理了导致判断力难以培养的结构性变化，以及从依赖过往案例的工作模式，转向能够观察差异并进行判断的工作模式的具体实施步骤。 此外，报告还以实务上可操作的方式具体说明：应从哪些工作着手、应优先可视化什么、如何划分与设计、管理层应如何改变参与方式，以及如何改变反思过程，才能将判断标准保留在组织内。 报告下载 随着生成式AI的普及，企业工作中查找知识、整理信息、参考现有案例、按照预定进程处理等任务，未来将更容易由AI承担。 另一方面，企业现场留下的工作是：基于不同客户的差异、个别项目的限制、现场条件的不同、相关人员优先级的差异，来决定需要确认什么、重视什么、在多大程度上使用过往案例，以及从何处改变推进方式。 本报告阐明，在AI时代，企业中相对重要性提升的不是知识量本身，而是「判断力」。 虽然判断力变得重要，但在企业工作中培养该判断力的经验却在减少。 报告基于对33.8万人、980家公司的分析指出，82%的企业中判断经验减少，58%的企业中上司确认频率增加，64%的企业中对过往案例的依赖度上升。 这里发生的并非单纯的能力不足。由于业务标准化、手册化、IT化和工作方式改革，要求员工能够在短时间内准确地按照过往案例推进工作，这是一种结构性变化，导致在工作中越来越难以保留犹豫、比较、思考原因、反思并更新判断标准等经验。 本报告所探讨的是在这种情况下所需的「反学习与重新学习」。 然而，这里所说的反学习与重新学习，并不只是单纯地抛弃旧方法并重新学习新知识。 反学习是指重新审视在遵循过往案例较为合理的场景中所养成的判断模式，认识到这些模式不能直接套用于条件差异较大的工作。 重新学习则是将观察差异、确认事实、思考不同之处的原因、比较多个选项、决定优先级、将判断理由语言化，并根据结果更新下一个标准的推进方法，在实务中进行重构。