生成AI

最終更新日:2026/11/18
アンラーニングとは、仕事で有効性が下がった知識ややり方を見直し、新たなやり方へ入れ替えていく学びです。過去の経験をすべて忘れることではありません。役に立つ知見は残し、変える部分だけを選び直す点に特徴があります。本記事では、職場での具体例、リスキリングとの違い、個人で始める手順、企業で定着させる方法を解説します。

アンラーニングは、過去の知識や経験をすべて手放す行為ではありません。有効性が下がった仕事の前提を見極め、選び直す学びを指します。個人の学習に加え、チームや組織の行動習慣を見直す場面でも使われる考え方です。
アンラーニングは、英語の「unlearning」をもとにした言葉です。日本語では「学習棄却」や「学びほぐし」と訳されます。「学びほぐし」は、哲学者の鶴見俊輔氏がヘレン・ケラーとの会話をきっかけに用いた訳語として知られています。
棄却という言葉から、すべてを捨てる印象をもつ人もいるかもしれません。実際には、役に立つ知識まで否定するわけではありません。松尾睦氏は、捨てるというより「使うのをやめる」ことだと説明しています。
有効性を失った知識や行動を、現在の状況に合うものへ置き換える考え方です。
アンラーニングの対象は、知識やスキルだけではありません。仕事の進め方や手順、意思決定のしかた、顧客に対する考え方、さらには組織の中で暗黙のうちに守られているルールも、見直しの対象になります。
これらは、「目に見えやすいもの」と「見えにくいもの」に分けられます。仕事の計画や手順は可視化しやすく、比較的見直しやすい部分です。一方で、意思決定のしかたや顧客に対する思い込みは、本人が無意識のうちに身につけていることが多く、変える必要性に気づきにくい傾向があります。
たとえば、営業日報の書式を変えるのは、手順の見直しにあたります。これに対して、「顧客が本当に重視している価値は何か」を問い直すのは、考え方の見直しです。目に見える手順だけでなく、その背景にある考え方にも目を向け、何を残して何を改めるかを判断することが、アンラーニングには欠かせません。
両者の違いは、学びの向きにあります。アンラーニングは、すでに身についたやり方を見直し、入れ替える学びです。リスキリングは、新たな職務や技術に必要な能力を獲得する学びを指します。
経済産業省の検討会では、リスキリングを新たな職業や大幅に変わる仕事に適応するためのスキル獲得と位置づけています。
両者は対立する関係にはありません。たとえば、データ分析ツールを習得しても、勘と経験だけで判断する習慣が残っていれば、学んだ技能は生きません。新たなスキルを活かすうえで、アンラーニングを並行して進めることが有効です。
| 比較項目 | アンラーニング | リスキリング |
| 中心となる行動 | 以前の知識・判断・習慣を見直す | 新たな職務・技術に必要な能力を習得する |
| 業務での例 | 紙の承認を当然視せず業務設計を再考する | データ分析ツールの操作を習得する |
| 関係 | 学習の妨げになる前提を更新する | 新たな知識・スキルを取り入れる |
関連記事:リスキリングとは?メリットやデメリット・導入手順について解説

アンラーニングが求められる最大の理由は、過去に成果を生んだ条件が、現在では通用しない場面が増えているためです。学び直しの量を増やすだけでは、仕事は変わりません。学んだ内容を業務に適用できる状態を整えることが重要です。
新たなツールを導入しても、仕事の進め方が従来のまま変わらない場合があります。たとえば、生成AIで資料の下書きを作成しても、全員が全文を確認する流れを続ければ、作業時間はほぼ変わりません。確認プロセスや意思決定の前提まで見直して、はじめて効果が表れます。
経済産業省は2026年4月に「デジタルスキル標準ver.2.0」を公表し、AXの進展に伴うデータ活用の重要性を示しました。ただし、デジタルスキル標準はアンラーニングの指針ではありません。DXリテラシー標準では、働き手一人ひとりが学び続ける重要性を示しており、学びを更新し続ける姿勢という点でアンラーニングと重なります。
成果を出した方法ほど、変えることへの抵抗が生まれます。
組織論・心理学研究者の松尾睦氏は、強烈な成功体験をした人ほど自分の「型」に固執し、成長が止まる傾向があると指摘しています。売れる型を続けた結果、顧客の新たなニーズを見落とすこともあるでしょう。一方で、トップセールスと呼ばれる人は、好調なときほど売り方への違和感を探り、少しずつ修正していたといいます。
大切なことは、既存の強みまで捨てることではありません。強みは残しながら、改善の余地がある部分だけを問い直す姿勢が求められます。
新しく学んだスキルも、職場の慣習に阻まれてしまえば、業務で活かすことはできません。たとえば、研修でデータ分析を学んでも、会議で前例を重視する文化が残っていれば、分析結果が意思決定に反映されることはないでしょう。
学びを成果につなげるには、スキルの習得だけでなく、職場での実践や周囲との学び合いも重要です。
具体的には、アンラーニングに加え、上司や同僚とともに学ぶ「ソーシャル・ラーニング」、学んだ内容を実際の業務に結びつける「ラーニング・ブリッジング」の3つが挙げられます。これらは互いに補い合う関係にあり、どれか一つが欠けると学びは定着しにくくなるといわれています。
学んだ内容を記録して仲間と共有し、自分の業務で試してみる。こうした積み重ねが、学びを定着させる近道です。

ここでは、実際に公表されている事例と、理解を深めるための架空の事例を分けて紹介します。どの事例にも共通するのは、効果のあるやり方は残し、見直す範囲を絞っている点です。
以下は架空の事例です。
法人営業のAさんは、訪問回数を増やして関係を築く方法で成果を上げてきました。ところが、顧客の大半がWebで製品情報を比較してから商談に臨むようになり、訪問を重ねても受注が伸び悩むようになりました。Aさんは、受注した顧客に購入の理由を尋ね、求められている情報を整理しました。
そこで、初回訪問で比較資料を提示し、課題の掘り下げに時間を使う提案方法へ切り替えました。訪問による関係づくりは残し、提案の順序だけを変えた点がポイントです。
あるメーカーでは、管理職約20人を対象にアンラーニング研修を実施しました。きっかけは、「管理職が過去の成功体験や持論にこだわり、メンバーが挑戦する機会を奪っている」という問題意識です。
研修では、成功体験を否定するのではなく「いったん横に置く」と表現することで、受講者の不安を和らげました。進め方は、事前にメンバーへのインタビューを行い、研修を2回に分けて実施し、1回目の気づきを職場で試してから2回目に持ち寄るというものです。この流れによって、受講者は自分のマネジメントを深く振り返ることができました。
受講後は、仕事の意図を伝えたうえでメンバーに任せる姿勢や、対話と振り返りを大切にするチーム運営への変化が見られたと報告されています。
生成AIの導入では、ツールの操作を覚えることと、仕事の前提を組み替えることを分けて考える必要があります。操作の習得はリスキリングにあたります。承認の流れ、情報共有の方法、品質確認の手順を見直す作業がアンラーニングです。
たとえば、議事録をAIで下書きしても、承認の段階を従来どおり3つ残せば、効率化の効果は限られます。一方で、社内の機密情報の取り扱いと成果物への責任は、AI導入後も維持すべき事項です。変える部分と守る部分を区別することが、生成AI時代のアンラーニングの要点といえます。
総務部のBさんは、会議の議事録を毎回1人でゼロから作成していました。生成AIの導入後、Bさんは録音データをもとにした議事録の下書き作成をAIに任せ、自身は要点の確認を担当するようにしました。浮いた時間は、決定事項の担当者と期限を整理する作業に充てています。「自分で書くことが丁寧な仕事」という前提を問い直した点が、アンラーニングにあたります。
営業企画部のCさんは、生成AIで作成した市場調査の要約を顧客向け資料に使う予定でした。ただし、AIの出力には事実と異なる内容が含まれる場合があります。Cさんは、数値と出典の確認、個人情報の削除、上長による最終承認の3つを残すと判断しました。手作業を減らしても、品質と信頼を支える手順は残すという判断も、アンラーニングの一部です。
転職や異動の直後は、前の職場で身につけた判断基準が、新しい職場で摩擦を生むことがあります。
Dさんは、スピードを重視する企業から、品質管理を重視するメーカーへ転職しました。当初、前職と同じように確認プロセスを省いて素早く提案を出していました。しかし、周囲との摩擦に気づいたDさんは、前職の判断基準を書き出し、新しい職場のルールと照らし合わせてみました。
その結果、仕事の速さという強みは活かしつつ、確認の手順は新しい職場の基準に合わせるようにしました。過去の経験を否定するのではなく、新しい環境でも通用する強みを選び直すことが大切です。

アンラーニングの効果は、個人の視点の更新と、組織の習慣の改善という両面に及びます。ただし、取り組めば必ず成果が出るわけではありません。目的と評価の方法を決めたうえで進めることが重要です。
アンラーニングを続けると、以前の成功法則を「数ある方法の1つ」として捉え直せるようになります。前提を固定せずにおくことで、新たな課題や役割に直面したときも、選択肢を広げて対応できます。
対応力の変化を確かめるには、評価指標を決めておきます。たとえば、改善提案の件数や、新方式を試行した業務の数を月ごとに記録する方法があります。数値で追うことで、取り組みの手応えを確認できます。
慣例を問い直すと、非効率な手順の改善や、多様な意見の取り入れにつながります。グロービス経営大学院の解説では、固定観念にとらわれない視点が、新たなアイデアや業務改善策の発見を促すと整理されています。学んだ内容をチームで共有する習慣が根づけば、個人と組織の成長が相乗的に進むとされています。
ただし、効果を過度に断定することは避けるべきです。パーソル総合研究所の調査では、目標の公開や再挑戦の歓迎といった組織の特徴が、変化を負担と捉える意識を下げる傾向が示されました。効果を引き出すには、職場の環境づくりも欠かせません。
アンラーニングには、心理面と運用面の両方で負担が伴います。取り組みが進まないとき、その原因を個人のやる気だけに求めるのは適切ではありません。仕事のやり方を変えようとしても、職場の慣習や評価の仕組みが壁になることは少なくないからです。個人の意識と組織の仕組みの両方に目を向ける必要があります。
「経験を捨てる」という伝え方は、自己否定として受け止められることがあります。特に長年の経験で成果を上げてきたベテラン社員ほど不安を感じやすく、反発や意欲の低下につながるおそれがあります。研修の場でも、「これまでの成功体験は否定されるのか」と戸惑う声が上がることは珍しくありません。
そこで有効なアプローチが、「手放す」「捨てる」ではなく、「いったん横に置く」「使う場面を見直す」といった言葉を選ぶことです。過去の知見を尊重する姿勢を示すことで、抵抗を和らげられます。
新しいやり方へ切り替える期間には、学習の時間や研修費用などのコストがかかります。通常業務に学習が加わるため、心身の負担が増える点にも注意が必要です。
また、切り替えた直後は不慣れなため、一時的に成果が下がることもあります。新しいやり方が成果に結びつくまでには、一定の時間を見込んでおく必要があります。
対策としては、まず影響の範囲が限られる業務で試すのが有効です。顧客対応や安全に関わる業務など、失敗の影響が大きい領域では、評価期間を十分に取り、慎重に判断してください。

アンラーニングは、日々の仕事から対象を絞り、「洗い出し」「取捨選択」「試行」「振り返り」の順に進めると定着しやすくなります。一度にすべてを変えようとせず、1つの習慣から始めることが成功のポイントです。
最初のステップは、当たり前になっている業務習慣の洗い出しです。会議や承認、顧客対応などについて、「なぜ今の方法を続けているのか」と自問してみましょう。理由をはっきり説明できないまま続いている習慣は、見直しの候補です。見直す理由も言語化しておくと、周囲への説明にも使えます。
ただし、自分の前提に一人で気づくのは簡単ではありません。1on1で上司に問いかけてもらったり、他部署のメンバーと仕事の進め方を比べたりすると、自分では見過ごしていた前提が見えてきます。
洗い出した習慣は、「維持」「変更」「保留」の3つに分けて整理します。
判断の基準は、安全・法令・品質を支える手順かどうかです。これらに関わる手順は維持し、成果とのつながりが薄い習慣から見直していきます。たとえば、定例会議での資料の読み上げをやめる場合でも、意思決定と責任者の確認は残します。
取捨選択は個人で抱え込まず、職場単位で話し合うのがおすすめです。以下のような判断シートを使えば、何を残して何を変えるのかをチームで共有できます。
| 確認する項目 | 記入例(想定) |
| 対象の習慣 | 毎週の定例会議で資料を全件読み上げる |
| 残すもの | 重要な意思決定と責任者の確認 |
| 試す変更 | 共有資料の事前閲覧と論点のみの会議 |
| 評価する指標 | 会議時間・議題解決率・手戻りの有無 |
新しいやり方は、失敗しても影響が小さい業務から試すのが基本です。中核業務では従来の手順を維持し、試行対象を限定して効果を検証します。
実施する前に、成功の条件、観察期間、責任者の3点を決めておきましょう。たとえば、「会議時間を3割短縮でき、手戻りの件数が現状以下なら成功」「観察期間は1か月」「責任者はチームリーダー」といった形です。従来のやり方と新しいやり方の結果を並べて比べれば、変更の効果を客観的に判断できます。
試行の結果は、1on1やチーム会議で振り返り、新しいやり方を定着させるか、元に戻すかを判断します。アンラーニングが根づくかどうかは、こうした定期的な振り返りとフォローにかかっています。
振り返りでは、数値の結果だけでなく、現場での使いやすさや心理的な負担も確認してください。たとえば、会議時間が短くなっても、資料の事前確認の負担が特定の人に偏っていれば、やり方の修正が必要です。元に戻すと決めた場合も失敗扱いにせず、学びの1つとして記録しておきましょう。結果をメンバーと共有すれば、次の改善点も見えてきます。

企業が支援する際は、研修に加えて、目標設定、挑戦の機会、評価の仕組みを整えることが重要です。
変化に対する心理的な負担を減らすには、挑戦を歓迎する目標と環境を整えることが有効です。具体的には、目標をチーム内で公開・共有する、中長期のキャリア目標を設定する、失敗後の再挑戦を歓迎する、業務外の学びや活動を後押しする、といった取り組みが考えられます。
たとえば、四半期ごとに各メンバーが挑戦目標を1つ宣言し、チームで共有する方法があります。うまくいかなかった挑戦も振り返りの材料として扱えば、再挑戦へのハードルが下がります。挑戦を責めず学びとして扱う方針を、管理職が言葉と行動で示すことが大切です。
他部署との共同業務や新規企画への参加は、従来のやり方の限界に気づくきっかけになります。慣れた環境の中では、自分のやり方が通用しなくなっていることに気づきにくいためです。部署横断の業務や新規事業、困難なプロジェクトへの参加は、自分の前提を見直す機会になります。
一方で、慣れない環境での業務は本人に負荷がかかります。参加させる際は、業務量を調整し、本人の役割やキャリアの方向性と合っているかを事前に確認してください。あわせて対話の場を設けると、得た気づきを言葉にして職場に持ち帰りやすくなります。
新しいやり方を試した人が評価で損をするようでは、アンラーニングは広がりません。今の組織で努力すれば報酬や経験、役職につながり、学んだことを活かせるという見通しがあってこそ、社員は従来のやり方を見直そうと思えます。
具体策としては、目標管理に「業務改善の試行」という項目を加え、結果だけでなく挑戦の過程も評価する方法があります。また、研修後のフォローも欠かせません。研修を複数回に分け、その間に職場で試した内容を共有し合う仕組みを設けると、学びが現場の行動につながりやすくなります。
生成AI研修とアンラーニングは、目的が異なります。生成AI研修の主な目的は、ツールの使い方や活用法を身につけることです。一方、アンラーニングの目的は、仕事の手順や判断の前提を見直すことにあります。
両者を組み合わせる場合は、研修の前に「AIに任せる業務」と「人が判断すべき業務」を洗い出しておくと効果的です。研修後には、受講者が自分の業務フローを書き直すワークを設けましょう。たとえば、問い合わせ対応の一次回答をAIで作成し、担当者は例外対応と最終確認に集中する、といった業務改善につなげていきます。
関連記事:WEB雑誌「ビジネスAI活用スキル習得ガイド」~AIを「ツール」から「戦力」へ。業務効率化につながる人材育成のポイントをご紹介!~

言葉の由来や研修の内容など、アンラーニングについて寄せられる質問をまとめました。実践を始める前の参考にしてください。
アンラーニングは、特定の一人が生み出したと断定できる概念ではありません。組織論の分野では、研究者のボー・ヘドバーグ(Bo Hedberg)が、環境の変化によって有効性を失った知識を新しい知識に入れ替える学習の重要性を指摘しました。研究は当初、組織を対象としたものが中心で、個人のアンラーニングに関する研究は2000年代以降に広がっています。
日本では、松尾睦氏が著書『仕事のアンラーニング』などを通じて、働く個人が実践できる形で紹介してきました。研究史と実務への普及を区別して捉える必要があります。
アンラーニング研修で扱われる内容は、主に4つあります。
前提を振り返るワークでは、たとえば仕事の目的や手段、普段使っている言葉の定義を問い直し、当たり前だと思っていた前提を分解していきます。
なお、単発の研修だけでは行動の定着が難しい場合もあります。研修を選ぶ際は、内容だけでなく、受講後に現場で実践し、振り返る仕組みがあるかどうかを確認してください。
関連記事:リスキリングで必要な考え方と方法論をまとめたWeb雑誌「AI人材育成事例集」を公開!

アンラーニングは、過去の経験をすべて捨てることではありません。有効性が薄れた仕事の前提を見直し、新しいやり方へ入れ替えていく学びです。リスキリングで新しいスキルを身につけても、従来の習慣がそのままでは成果につながりにくくなります。
個人で取り組む場合は、業務習慣の洗い出し、取捨選択、小さな範囲での試行、振り返りの順に進めましょう。企業には、挑戦を歓迎する目標設定や評価制度、研修後のフォローを組み合わせた支援が求められます。身近な業務習慣を1つ選び、「なぜこのやり方を続けているのか」と問い直してみてください。
アイスマイリーでは、生成AI のサービス比較と企業一覧を無料配布しています。課題や目的に応じたサービスを比較検討できますので、ぜひこの機会にお問い合わせください。
業務の課題解決に繋がる最新DX・情報をお届けいたします。
メールマガジンの配信をご希望の方は、下記フォームよりご登録ください。登録無料です。
AI製品・ソリューションの掲載を
希望される企業様はこちら