序章｜「訂正できるリーダー」は“いい人”ではなく、プロである
「ごめん、いまの判断は違った。修正しよう。」
リーダーが発するこの一言は、確かにチームの信頼を上げる。
元記事が語っていた「リーダーの人間性の立派さ」や「訂正のし合いとしてのコミュニケーション」にも同意する。
しかし、ここでは、そのことを単なる情緒の称賛で終わらせたくない。
なぜなら、職場の現実はもっと冷たいからだ。
ここでは、リーダーが訂正することについて、仕事のプライオリティの側面から支持しよう。
訂正しないことは「感情問題」ではなく「業務上の損失」であり、謝罪は「優しさ」ではなく「合理性」なのだ。
仕事は単なる自己表現ではない。期限・品質・コストの制約の中で、業務成果を完成させる営みである。
だから誤りを認めずに長引かせる行為は、完成を遠ざける。あるいは完成度を下げてしまう。
前提として、リーダーが間違えないことはありえない。
その経験則から「間違えにくい」ことは確かに求められるが、全業務で“約束された正解”など存在しない。
リーダーが行うべきは、誤りが起きたとき、それを最速で回収し、再設計へ変換できるか。
これは信頼の話である前に、プライオリティ（優先順位）の話なのだ。
第1章｜優秀なリーダーは合理的に完成を求める
優秀なリーダーを定義してみよう。
- 仕事を可能な限り早く
- 可能な限り高い精度で
- 精度に影響が出ない範囲で可能な限り安く（＝会社の負担少なく）
- 完成させる
つまり、「仕事の完成を最終目的として、合理的な手段を選択できること」がリーダーの役割だ。
この定義に照らすと、誤りを認めない態度は“価値観の違い”ではなく業務非効率だ。エラーを抱えたまま工程を進めていけば、後工程で手戻りが増え、総工数が膨らむリスクがある。
さらに危険なのは、本文で指摘されている「優秀さの仮面」をかぶっているリーダー自身の面子の維持のために、結果的に工数を増やすという優先順位の反転が起きることだ。
仕事の完成より先に自我が来るというのは、リーダーとしてのプロフェッショナルの姿勢では無い。
第2章｜誤りは「失点」ではなく「負のデータ」でしかない
誤りは「負」だ。無いに越したことはない。
だが起きた誤りは、ただの失点ではない。情報であり、「負のデータ」だ。それ以上でも以下でもない。
負のデータが価値を持つのは、そこに必ず“ギャップポイント”が含まれるからである。
理想と現実、設計と運用、想定と結果の差分。差分が分かれば修正でき、修正できれば次は誤りにくくなる。
つまり、負のデータが蓄積されるほど、次回以降の業務フローの精度は上がる。それこそが、誤りの価値なのだ。
決して褒められたことでは無いが、「フローのここに問題がある」と教えてくれる重要なシグナルであり、組織としては有用な情報であることは疑う余地が無い。
逆に、誤りを覆い隠す行為は負のデータの破棄だ。差分が消えれば改善が止まり、同じ誤りが再発する。
エラーを隠す組織は劣化する──これは単なる道徳ではなく、構造の帰結である。
第3章｜リーダーは「エラーを可視化する」役目がある
リーダーには、負のデータを最速で回収し、ギャップポイントを特定し、再設計に変換する役目がある。
つまり、チーム、および組織のために、「エラーを可視化する」ということだ。
リーダーの役割には、戦略も配置も資源配分もある。
しかし、地道に、しかし確実に成果を積み上げていくという観点では、エラーの回収と、再発を防ぐ設計力が避けられない。
ここが弱いリーダーは、どれだけ雄弁でもチームを強くできない。同じミスを何度も繰り返すことになるからだ。
それをここでは「改善ドリブン・マネジメント」と命名しよう。
- 誤りを“更新すべきシグナル”として扱い、フローを設計しなおす
- ケーススタディを積み上げ、判断とフローの再現性を上げる
- 「エラーの少ない組織」は偶然ではなく、再現性の高いチームビルディングとなる
改善ドリブンは受験勉強に似ている。問題を解き（＝実践）、間違った部分を確認し（＝エラーの可視化）、もう一度学習する（＝エラーの回収）。それを何度も何度も繰り返すことで、完成度を上げていく。
極めてベーシックな学習の営みだ。私たちの多くは、すでに受験勉強で経験している。
第4章｜AIは誤差を歓迎する
AIが強いのは、正解を知っているからではない。正解との誤差が計測され、学習に反映されるから強い。
大規模言語モデルの学習は、概ね次の反復で進む。
- 予測する
- 正解との差（誤差）を測る
- 誤差が小さくなるように調整する
- 繰り返す
これは正に「改善ドリブン」だ。大規模言語モデルAIでは、この作業を驚くほど反復している。もし誤差が隠されたら、AIの学習は止まってしまう。不自然な挙動を抜け出すことはできなくなる。
組織も同じである。誤りが共有されなければ改善は起きない。更新信号が入らないからだ。
もう一つ重要なのは、AIにはプライドがないことだ。
過去の出力を守らない。面子を守らない。目的関数（精度向上）に従って更新するだけである。だから修正が速い。
このAIの学習システムに照らすと、リーダーによる「誤りを認めない」行為の評価は明確だ。
訂正の遅延、無駄な議論、再発、報告萎縮を引き起こし、結果として時間と工数とコストを増やし、精度を落とす。
つまり、自我の維持を仕事の完成より優先している。
リーダーに与えられている権限は自己防衛のためではないのだ。組織にとっての成果最大化のためである。
そのリーダー権限を自身の面子の保全に使う時点で、リーダー不適格と言えよう。
第6章｜訂正可能なリーダーが筋肉質なチームを生む
誤りを訂正できないリーダーのチームでは、誤りが「悪」となってしまう。データではなく「感情」となり、取り扱い自体を忌避されるようになる。誰も自分の評価を下げたいとは思わないからだ。
逆に、誤りを訂正できるリーダーがいるチームでは、部下は早い時点でミスを申し出るようになる。
早めの修正のほうが、後の果実が多いことを全員が知っているからだ。
事務的に言い換えてみよう。
ミスの早期申告＝コスト圧縮
後工程での修正は高くつく。ミスは避けられないからこそ、最小コストで直せる地点で回収するのが現実解だ。
そしてケースを共有することで、個人の失敗がチームの改善材料になる。
こうして、ミスの余地という贅肉が削ぎ落とされ、筋肉質なチームが時間と共に構築される。
派手さはない。だが堅実に実績を積む。しかも“自動的に”積み上がる。フロー自体が強くなるからだ。
最終章｜AI的プロフェッショナルなリーダーであれ
優秀なリーダーは、正解を持つ人ではない。ミスが起こるという現実の中で、正解に近づき続ける構造を作る人である。
誤りを負のデータとして回収し、ギャップポイントを特定し、業務フローを再設計へ変換する。この循環を止めない。
誤りを恥と見なせば隠蔽が起き、学習が止まり、成果は鈍る。
しかし、誤りをデータと見なせば共有され、訂正が速くなり、精度が上がり、コストが下がる。
結果として、実績が“自動的に”積み上がる。
| 観点 | 間違いを認めて訂正するリーダー | 間違いを認めないリーダー |
|---|---|---|
| 仕事の優先順位 | 完成・精度・コスト | 自我・面子が割り込む |
| 誤りの扱い | 負のデータとして回収し再設計 | 隠蔽・先送りで差分消失 |
| 工数と時間 | 早期回収で手戻り最小化 | 後工程で爆発し総工数増 |
| チームの学習 | ケースが蓄積しフローが筋肉質に | 学習停止・再発 |
| 結果 | 派手さはなくても実績が積み上がる | 進化が止まり静かに劣化 |
面子ではなく、完成を優先する。自我ではなく、目的関数に従って更新し続ける。
それが、勝ち続ける組織を作る最短ルートである。
優秀なリーダーとは、誤差を最速で更新へ変換できる“AI的プロフェッショナル”である。
元記事：優れたリーダーがやっている、信頼を爆上げする「訂正」の技術（ダイヤモンド・オンライン）