生成AIを使っていると、質問を重ねるほど仕事が進んでいるように感じることがあります。新しいアイデアが次々と提示され、考えが整理され、もっともらしい結論も出てきます。
しかし、それによって実際に何が変わったのでしょうか。
先日、AIと新しい事業の構想について何度も議論していました。競合の多い分野で、既存のサービスとは異なる独自性を見つけようとしていたのです。
AIはさまざまな提案を出してくれました。しかし、内容を検討すると、既存の教育方法やAI活用の組み合わせ、あるいは言い換えにとどまるものが少なくありませんでした。
その中に「AI業務委任ポートフォリオ」という提案がありました。
一見すると新しい考え方のようですが、よく確認すると、以前から設計していた「AIを頭脳と手足にする実践プログラム」と実質的に同じ内容でした。
名称や説明の仕方は違っていても、提供する価値に大きな違いがありません。
そのことをAIに指摘し、別の可能性を検討しました。しかし、対話を重ねても説明が洗練されるばかりで、肝心の事業構想は前に進んでいないように感じました。
もちろん、この経験だけでAIには新しいものを生み出す能力がないとは言えません。
むしろ、考え直す必要があるのは自分の使い方ではないかと思いました。
私はAIに繰り返し答えを求めていました。しかし、新しい提案を求めるだけでなく、何かを調査したり、実際に試したり、その結果を確かめたりしていたでしょうか。
AIに何度も質問することと、AIを使って問題を解決することは、必ずしも同じではありません。
私は教育事業の運営、IT・プログラミング教育、アプリケーション開発、事業構想など、日常的にさまざまな仕事でAIを利用しています。
その経験を振り返ると、同じAIを使っていても、何を目的にするかによって活動の内容が異なります。
そこで、生成AIの活用方法を5つに整理してみました。
1.回答・説明
質問への回答や知識の説明を得る使い方です。
知らない概念を理解したり、専門的な仕組みを説明してもらったりするときに役立ちます。最も身近な使い方の一つでしょう。
2.認識の拡張
自分とは異なる視点や反例を提示してもらい、考えの前提を見直す使い方です。
例えば、事業の強みを考える際に、顧客や競合の立場から反論してもらうことで、自分では気づかなかった問題が見えてくることがあります。
3.調査・検証
必要な情報を集め、複数の資料を比較したり、仮説を確かめたりする使い方です。
AIが提示した説明をそのまま事実とするのではなく、情報源を確認し、実際のデータや外部の情報と照合することも含みます。
4.実行・制作
文章や資料の作成、プログラムの修正、データ分析、業務処理などをAIに実行させる使い方です。
方法を説明してもらうだけでなく、実際の作業を進め、成果物を作ります。
5.実験・改善
試作品を作り、テストし、結果を比較しながら修正を重ねる使い方です。
想定どおりに動かなかった場合も、その結果を新たな情報として扱い、原因を調べ、別の方法を試します。
この5つは、学術的な分類ではなく、私自身がAIの活用を考えるための実践的な整理です。
また、習熟度の段階や優劣を示すものでもありません。回答を得るだけで十分な場合もあれば、複数の方法を組み合わせる必要がある場合もあります。
問題なのは、本来は調査や実行が必要な仕事まで、AIとの対話だけで完結させようとすることです。
冒頭の事業構想では、主に回答を求め、異なる視点を提示してもらうことを繰り返していました。
しかし、事業の独自性を判断するには、競合が実際に何を提供しているのか、顧客は何に困っているのか、既存の方法では何が解決できないのか、といった情報も必要です。
AIに新しい案を求めるだけでなく、そうした事実を調べ、仮説を確かめる活動へ進む必要があったのだと思います。
一方、アプリケーション開発では、AIとの関わり方が少し違います。
私が開発しているSOCIALSCHOOL-APPでは、CodexというAIを利用して、プログラムの調査、修正、動作確認を進めています。
例えば、生徒が学習内容を振り返るReflectionという画面で、不具合が発生したことがありました。
振り返りを入力して送信すると、保存は完了しているのに、画面には再び空の入力フォームが表示されてしまいます。
これでは、生徒は正しく送信できたのか判断しにくくなります。
そこでCodexを使って原因を調査し、プログラムを修正しました。
修正後は、送信すると保存済みの内容が表示され、空のフォームには戻らないようになりました。
さらに、画面を再読み込みしても保存済みの状態が維持されることや、学習を終了してDashboardへ正常に戻れることも確認しました。
ここでAIに行わせたのは、単に修正方法を説明することではありません。
実際のコードを調べ、変更し、動作を確認するところまで進めています。
もちろん、コードが変更されたというだけでは、問題が解決したとは言えません。想定した動作になっているかを確かめる必要があります。
この経験では、AIがどれほど適切な説明をしたかよりも、実際にソフトウェアの動作が改善されたかどうかが重要でした。
これは、プログラミング以外の仕事にも当てはまると思います。
現在、AIを使って仕事を進める実践プログラムのために、説明会の開催準備を題材とした架空の演習を設計しています。
主催者は25人の参加を希望していますが、会場の定員は18人です。さらに、以前使用した案内文には、更新前の開催条件が残っています。
この条件で、AIに説明会の案内文、FAQ、運営チェックリストを作成させるとします。
文章を作るだけなら、それほど難しくないかもしれません。
しかし、定員18人の会場で25人の参加を希望しているという矛盾は、どう扱えばよいのでしょうか。
参加人数を調整するのか、会場を変更するのか、複数回開催するのか。主催者による判断が必要です。
また、古い案内文に記載された条件についても、何が変更され、何が現在も有効なのかを確認する必要があります。
未確定の情報をAIが補ってしまえば、見た目は整っていても、実際には使えない案内文になる可能性があります。
この演習は、まだ実際の受講者による成果を検証したものではありません。しかし、AIを使う仕事の進め方を考える題材にはなります。
案内文が完成することと、説明会を開催できる状態になることは違います。
求められるのは、情報を照合し、矛盾や不明点を見つけ、必要な判断を行い、その結果を成果物に反映することです。
事業構想、アプリケーション開発、説明会の演習。
これらを比べると、AIが何をできるかという問題とは別に、重要なことが見えてきます。
AIが多くの提案を出せても、何を問題として扱うのかが決まっていなければ、提案の良し悪しを判断できません。
AIが短時間で成果物を作成できても、何をもって完成とするのかが曖昧であれば、仕事が終わったとは言えません。
そこで重要になるのが、問題を捉え、目標を決め、結果を評価し、次の行動を判断することです。
私はAIを活用するための学習設計の中で、こうした判断能力を4つに整理しています。
問題発見
現状を観察し、確認できた事実をもとに、何を問題として扱うかを決める力。
目標設定
問題を改善するために、誰がどのような状態になればよいかを具体的に決める力。
評価基準の設定
目標に達したかを判断するために、何を、どう確かめ、どの条件を満たせば達成とするかを決める力。
判断と修正
試した結果を評価基準と照らし合わせ、次に何を続けるか、変えるか、やめるかを決め、行動に移す力。
先ほどの説明会の演習で考えてみます。
まず、希望参加人数が会場定員を超えているという事実を確認します。ただし、25人は希望人数であって、確定した申込人数ではありません。その違いによって、解決すべき問題も変わります。
次に、参加者が正しい開催条件を確認でき、主催者が会場の制約を守って運営できる状態を目標として考えます。
そのうえで、案内文に古い情報が残っていないか、未確定事項を断定していないか、FAQと案内文に矛盾がないかなど、確認する項目と合格条件を決めます。
成果物を作成したら、その基準に照らして確認し、不足があれば修正します。
このように考えると、AIの活用は単に作業を速くすることではなく、仕事の進め方そのものに関わっていることがわかります。
事業構想で行き詰まった経験を振り返ると、私自身も新しい提案を得ることに集中しすぎていました。
何をもって独自性があると判断するのか。どの情報を調べ、何を確かめれば、次の判断ができるのか。
その部分を十分に具体化できていなかったのだと思います。
ここまでの話は、「判断するのが人間で、実行するのがAI」という役割分担にも見えるかもしれません。
しかし、私はそのように固定する必要はないと考えています。
AIも、情報を調べて問題の候補を見つけることができます。目標の曖昧さを指摘したり、評価基準の不足を発見したり、検証結果をもとに修正案を提案したりすることもできます。
反対に、人間が自分で調査し、制作し、検証することもあります。
重要なのは、どちらが何を担当するかを最初から決めてしまうことではありません。
例えば、AIに競合を調査させた結果、これまで独自性だと思っていたことが、すでに一般的な取り組みだったとわかるかもしれません。
その事実によって、自分が検討すべき問題が変わります。
あるいは、実際に作業をして初めて気づいた問題をAIに伝えることで、それまでとは異なる提案が出てくることもあります。
AIの提案や調査結果によって人間の認識が変わり、その認識をもとに問いや条件を変更することで、AIの出力や実行する仕事も変わっていきます。
これは、AIモデル自体が対話のたびに恒久的に学習しているという意味ではありません。対話の中で新しい情報や条件が加わり、扱う問題が具体化していくということです。
AIの出力を人間が評価するだけでも、人間の指示をAIが実行するだけでもない。互いの出力を、次の思考や行動の材料にする。
その相互作用に、AIとの協働の重要な意味があるのではないでしょうか。
ただし、AIと協働することによって、仕事の責任まで曖昧になるわけではありません。実務では、成果物の採否や必要な確認について、責任を持つ人や組織が判断する必要があります。
では、実際の仕事でどのように試せばよいのでしょうか。
大きな仕事をAIに任せる必要はありません。今抱えている仕事の中から、小さな問題を一つ選ぶだけでも十分です。
例えば、次のような進め方が考えられます。
必ずしも、すべての工程にAIを使う必要はありません。自分で試したほうが早いこともあれば、質問への回答だけで十分なこともあります。
また、この順番どおりに進むとは限りません。実行して初めて問題が見つかり、目標を考え直すこともあるでしょう。
重要なのは、AIとの対話を続けること自体を目的にしないことです。
今回、事業構想で行き詰まった経験から、自分のAIとの向き合い方を改めて考えることになりました。
AIとの対話には、自分の考えを整理し、別の可能性に気づく価値があります。しかし、対話が深まることと、現実の問題が解決に近づくことは必ずしも同じではありません。
これからは、AIを使った仕事を振り返るときに、少し違う問いを持ってみようと思います。
AIとやり取りすることで、何を新しく知ったのか。何を実行し、何を確かめられたのか。
そして、その結果から、自分の認識や次の行動がどう変わったのか。
AIを使いこなすことは、優れた答えを引き出すことだけではありません。
AIとともに考え、試し、結果を確かめながら、次の判断や行動を変えていくことも、その重要な一部なのだと思います。