AI時代、「作る力」より「目的を見失わない力」が重要になるのではないか？

ChatGPTやClaude、Geminiへ思いつきを入力すれば、数分後には記事や企画書の原案ができている。CodexやClaude Codeを使えば、アイデアを動くソフトウェアへ変えるまでの距離も、以前より大幅に短くなりました。

これは、間違いなく大きな進歩です。

一方で、私は最近、別の問題も感じています。

最初は何かの課題を解決するためにAIを使い始めたはずなのに、途中から資料を美しくすることや、機能を追加すること、次々と新しいものを生成すること自体が楽しくなっている。

そして、ふと立ち止まると分からなくなるのです。

AIによって、「できないから形にできない」という問題は減りつつあります。

しかし、その代わりに、「作れるから作ってしまう」という問題が目立ち始めています。

私がこの記事で伝えたい結論は、次のとおりです。

これは、「目的を大切にしよう」という精神論だけではありません。

生成能力が急速に高まる時代に、仕事や事業を正しい方向へ制御するための、実務的なマネジメントの話です。

「考えてから作る」から「作りながら考える」へ

以前、何かを形にするには、相応の時間と費用がかかりました。

文章を書くにも、資料を作るにも、システムを開発するにも、まずは準備が必要でした。

制作コストが高かったからこそ、着手前に「本当にやるべきか」を考える時間が、ある程度は自然に発生していました。

現在は違います。

この変化を、単純に「人間が考えなくなった」と捉えるのは正確ではありません。

むしろ、「考えてから作る」から「作りながら考える」へ変わったと見る方がよいでしょう。

作りながら考えること自体は、悪い方法ではありません。

試作品を見なければ気づけない問題があります。抽象的な議論を続けるより、まず小さく形にした方が、顧客や関係者と具体的な会話を始められることもあります。

問題は、生成と修正のサイクルが速すぎて、人間の目的確認、意味づけ、優先順位づけが追いつかなくなることです。

その結果、次の問いが置き去りになります。

• 何の課題を解こうとしていたのか

• 誰のための成果物なのか

• どの意思決定や行動に使うのか

• 何が変われば成功なのか

• どこまでできれば十分なのか

• そもそも作る必要があったのか

成果物は増えている。見た目も品質も上がっている。

それでも、現実はほとんど変わっていない。

AI時代には、そんな状態が起こりやすくなります。

AI制作は、なぜ止まりにくいのか

ここでは便宜的に、AIによって制作を続けること自体が目的化する状態を、「制作中毒に似た状態」と呼びます。

医学的な診断名として使っているわけではありません。

AIとの制作には、短い間隔で小さな報酬が返ってきます。

指示すれば、すぐ反応が返る。修正を頼めば、目に見えて改善される。別案を頼めば、新しい可能性が現れる。

未完成だったものが完成へ近づき、自分の能力が拡張されたようにも感じられます。

これは楽しいものです。

しかも、SNSやゲームによる時間消費とは異なり、AIによる過剰制作は、表面的には「仕事をしている」「生産している」ように見えます。

そのため、目的から外れていることに気づきにくい。

本来は、

はずだったものが、いつの間にか、

へ変わってしまう。

ここで目的と手段が逆転します。

ただし、探索や創作自体を目的にすることが悪いわけではありません。

新しい技術を試す時間、表現を楽しむ時間、可能性を自由に広げる時間にも価値があります。

必要なのは、「今は探索が目的なのか」「特定の成果を出すことが目的なのか」を分けることです。

探索、仕事、学習、娯楽が無自覚に混ざると、終了条件も評価基準も失われます。

「止まる能力」は、生成力と同じくらい重要になる

AIは選択肢をほぼ無限に増やします。

別案を10個作ることも、文章を書き直すことも、資料を増やすことも、機能を追加することもできます。

しかし、人間側の資源は無限ではありません。

• 時間

• 注意力

• 判断力

• 資金

• 実行能力

• 周囲からの信用

• 成果物を維持する運用能力

これらには、明確な上限があります。

だからこそ、これから重要になるのは生成量だけではありません。

• 着手しないと決める

• 優先順位の低い案を捨てる

• 途中で中止する

• 追加制作を止める

• 十分な品質で終了する

• 目的へ戻る

• 現実へ実装するものを選ぶ

といった能力です。

AIによって「作れる人」は増えます。

しかし、

を決める力は、自動的には増えません。

むしろ、生成できるものが増えるほど、選択と停止は難しくなります。

その意味で、AI時代の生産性は「どれだけ多く作ったか」だけでは測れません。

これも生産性の一部です。

一方で、止めることを重視しすぎても問題があります。

十分に探索する前に案を一つへ絞ると、より重要な問題や可能性を見逃すからです。

必要なのは、いつでも止めることではありません。

モードを分けることです。

「じっくり考える」とは、生成を評価へ切り替えること

ここで言う「じっくり考える時間」は、AIを閉じて長時間ぼんやりすることだけを意味しません。

本質的には、生成モードから評価モードへ意図的に切り替えることです。

生成中には、次のような問いが自然に生まれます。

• もっと良い案はないか

• 別の表現はないか

• 他の機能も追加できないか

• さらに詳しくできないか

• もっと完成度を上げられないか

評価時の問いは異なります。

• これは何のために作っているのか

• 誰の行動や状態を、どう変えるのか

• この成果物がなくても目的を達成できないか

• 今やるべきことなのか

• 次の現実的な行動につながるのか

• 追加制作の費用対効果はあるか

• ここで終了しても、目的を達成できるのではないか

生成と評価を同時に行うと、生成側が勝ちやすくなります。

新しい案や改善案は目に見えます。すぐ実行でき、達成感も得られます。

一方、「作らない」「止める」「保留する」という判断は、成果として見えにくい。

だからこそ、生成と評価を時間や工程として分離する必要があります。

マーク・ザッカーバーグが語った「目的」は、個人の夢だけではなかった

目的の重要性を考えるうえで、マーク・ザッカーバーグが2017年5月25日に行ったハーバード大学卒業式の講演は示唆的です。

彼が述べたのは、単に「自分の目的を見つけよう」ということではありません。

自分自身の目的を見つけるだけでは足りず、誰もが目的意識を持てる世界をつくることが、自分たちの世代の課題だと語りました。

また講演では、目的を、自分より大きな何かの一部であり、自分が必要とされ、より良い未来へ向けて取り組むものがあると感じられる状態として説明しています。そのための柱として、意味のある大規模プロジェクト、目的を追求できる機会、コミュニティの再構築を挙げました。

ここからは、私のAI時代への解釈です。

実行の制約が弱まるほど、中心的な問いは次のように移ります。

AI時代の目的には、少なくとも二つの役割があります。

一つは、困難な実行を継続するための原動力です。

もう一つは、無数に生まれる選択肢や成果物を制御するための判断基準です。

目的があることで、何を作るかだけでなく、何を作らないか、どこで止めるか、誰を参加させるかを判断できます。

ただし、「目的がある」というだけで、その活動が正当化されるわけではありません。

目的そのものが誤っていることもあります。複数の関係者の目的が衝突することもあります。過去に定めた目的へ固執し、新しい事実を無視することもあります。

目的は絶対的な命令ではなく、現実や影響を確かめながら更新すべき仮説でもあります。

壮大な目的だけでは、今日の仕事は決まらない

「目的が重要だ」と言うと、人生の使命や企業のパーパスを見つけなければならないように聞こえるかもしれません。

しかし、AI活用に必要な目的は、壮大なものだけではありません。

少なくとも、三つの階層に分けて考えた方が分かりやすいでしょう。

人生・事業の目的

何に時間や能力を使うのか。
どのような人や社会へ貢献したいのか。

プロジェクトの目的

この記事、サービス、研修、システムによって、誰にどのような変化を生みたいのか。

今このAI指示の目的

この指示によって何を明らかにし、次にどの判断や行動を可能にしたいのか。

AI活用で失われやすいのは、特に三つ目です。

最初は事業課題を整理するためにAIを使っていたのに、途中から資料の装飾や画像の追加へ熱中する。その資料が事業目的へ本当に寄与するのかを確認しなくなる。

そのため、目的は各階層で連結させる必要があります。

個々の成果物が高品質でも、このつながりが切れていれば、全体として前進していない可能性があります。

目的だけでは足りない。「今、何に答えるべきか」が必要になる

目的は方向を示します。

しかし、方向だけでは、今日何をすべきかまでは決まりません。

たとえば、

という目的があったとしても、考えられる活動は無数にあります。

AI研修を作るのか。就労支援を改善するのか。システムを開発するのか。情報発信をするのか。企業へ導入支援を行うのか。

ここで必要になるのが、イシューです。

目的ドリブンが「何のために進むのか」を決める考え方だとすれば、イシュードリブンは「目的へ近づくために、今どの問いへ答えるべきか」を決める考え方です。

安宅和人氏の『イシューからはじめよ［改訂版］』は、知的生産を始める前に、本当に答えを出すべき問題を見極めることを重視します。

同書の公式紹介では、イシューは、根本に関わる、あるいは白黒がはっきりしておらず、今の局面で決着をつけるべき問題として説明されています。また、「今、本当に答えを出すべき」であり、同時に「答えを出す手段がある」問題は少数だとされています。

つまり、困っていることや、思いついた問いのすべてが、現在取り組むべきイシューになるわけではありません。

• 答えが出ても意思決定が変わらない

• 上位目的にほとんど影響しない

• 今答える必要がない

• 現時点では確かめる方法がない

• 自分たちが取り組むべき問題ではない

のであれば、少なくとも現在の最重要イシューではありません。

AIは、与えられた問いへの回答、調査、分析、制作を急速に進められます。

しかし、

は別問題です。

AIが高速化する「犬の道」

『イシューからはじめよ』が避けるべき進め方として示すのが、「犬の道」です。

十分にイシューを見極めないまま、手当たり次第に調査し、分析し、作業量を増やせば、いつか価値へ到達できると考える進め方です。同書の公式紹介でも、「犬の道」から脱し、対象を絞って高い価値を生むことが中心的なテーマとして示されています。

AI時代には、この問題がなくなるどころか、さらに見えにくくなります。

従来は、

ために、人間の大きな労力が必要でした。

現在は、

ことができます。

人間の作業負荷が下がるため、一見すると極めて生産的です。

しかし、イシューが弱ければ、起きていることは、

です。

これは、AIによって高速化された「犬の道」だと私は考えます。

AI時代に危険なのは、何も作れないことだけではありません。

答える必要のない問いへ、速く、深く、美しい答えを出し続けることです。

価値は「イシュー度」と「解の質」の両方で決まる

『イシューからはじめよ』では、知的生産の価値を、「イシュー度」と「解の質」という二つの軸で捉えます。公式紹介でも、イシューを見極めた後、仮説ドリブン、アウトプットドリブン、メッセージドリブンによって解の質を高める構成が示されています。

• イシュー度：その局面で、その問いに答える必要性の高さ

• 解の質：その問いに、どこまで明確な答えを出せているか

価値ある仕事には、両方が必要です。

AIは、調査、仮説生成、分析、比較、文章化、可視化、実装を支援できます。

そのため、放っておくと、人はAIを「解を大量に作る装置」として使いがちです。

しかし、イシュー度が低ければ、解の質をどれだけ高めても、仕事全体の価値は限定的です。

たとえば、

という問いにAIが優れた答えを出しても、その資料が誰にも使われず、意思決定にも影響しないなら、仕事としての価値は低いでしょう。

一方、

という問いは、事業判断を変える可能性があります。

AI時代の差は、AIから高品質な出力を得られるかだけでは決まりません。

ここでも大きな差が生まれます。

イシューは、立場やタイミングで変わる

改訂版のあとがきで、安宅氏はイシューを「動く標的」と表現しています。

イシューは、立場、文脈、タイミングによって変わり、その場面にいない人には何がイシューなのか分かりにくいと説明しています。

たとえば、「AI研修の成果が弱い」という同じ現象を見ても、立場によって問いは変わります。

経営者にとっては、

研修担当者にとっては、

受講者にとっては、

という問いになるかもしれません。

AIに「この問題の本質を分析して」と頼むだけでは不十分なのは、このためです。

少なくとも、

• 誰の立場から考えるのか

• 何を決めるための分析か

• いつまでに決めるのか

• どのような制約があるのか

• 答えによって何が変わるのか

を与える必要があります。

AIへ十分なコンテキストを渡すことは、回答精度を高めるためだけではありません。

イシューを適切に定義するためにも必要です。

目的とイシューの間には、現実認識が必要になる

ただし、目的とイシューがあれば十分というわけではありません。

たとえば、「就労支援参加者の年収を上げる」という目的があったとします。

現場を十分に確認せず、「スキル不足が原因だ」と決めれば、イシューを誤る可能性があります。

実際のボトルネックは、別のところにあるかもしれません。

• 学習を継続できない

• 分からないことを質問できない

• 家庭事情で時間を確保できない

• 求人の選択が合っていない

• 採用企業側に障壁がある

• 支援者との信頼関係が弱い

• 提示されている仕事の条件が合っていない

したがって、実際の流れは次のようになります。

目的から直接イシューへ飛んではいけません。

AIは原因候補を大量に出せます。

しかし、そのうち何が現実の主要因かは、現場データ、観察、当事者との対話、実験によって確かめる必要があります。

『FACTFULNESS』は、イシュー設定前の認識監査になる

ここで関係してくるのが、ハンス・ロスリング、オーラ・ロスリング、アンナ・ロスリング・ロンランドによる『FACTFULNESS』です。

『イシューからはじめよ』が主に、

を扱うとすれば、『FACTFULNESS』は、

を点検するために使えます。

Gapminderはファクトフルネスを、人間のドラマチックな本能を刺激して注目を集める物語のパターンを認識する技能として説明しています。

また公式教材では、現実認識を歪めやすい傾向を、分断、ネガティブ、直線、恐怖、過大視、パターン化、宿命、単一視点、犯人捜し、焦りという10の本能に整理しています。

ここから先は、本書の枠組みをAI活用へ適用した私の考察です。

Gapminderが、以下のAI事例を直接論じているわけではありません。

AI活用を歪める10の見方

分断本能——「使える人」と「使えない人」に分ける

AIを使える人と使えない人、推進派と反対派、人間とAIという二分法は、分かりやすい反面、実態を粗くします。

実際のAI活用には、検索だけに使う人、草案作成に使う人、思考整理に使う人、業務フローへ組み込む人、評価や検証まで設計する人など、多くの段階があります。

両極だけを見ると、中間層に必要な支援や、段階的な能力形成を見失います。

ネガティブ本能——失敗だけを見て「AIは使えない」と考える

誤回答、情報漏えい、著作権問題、詐欺、雇用への影響などは重要な問題です。

一方で、悪い事例だけを見れば、生産性、アクセシビリティ、教育機会、小規模組織の実行力などの改善を過小評価します。

逆に、成功事例だけを見て失敗や外部不経済を軽視するのも、現実の一面しか見ていません。

問うべきなのは、「AIは良いか悪いか」ではなく、

です。

直線本能——現在の進歩が、そのまま続くと思う

モデル性能は同じ速度で永遠に上がる。数年以内にすべての仕事が自動化される。人間の能力は一方的に不要になる。

こうした見通しは、現在の傾向を直線的に延長している可能性があります。

実際の変化には、飽和、S字曲線、規制、社会受容、コスト、供給制約、技術的停滞、再加速があります。

未来は、単一の直線ではなく複数のシナリオで捉える必要があります。

恐怖本能——怖さと実際のリスクを混同する

AIが人類を支配する、すべての仕事を奪う、機密情報が必ず漏れる。

こうしたリスクを無視すべきではありません。

しかし、鮮明で怖いものほど、実際の発生確率や影響以上に大きく感じられます。

実務では、少なくとも、

• 発生可能性

• 影響の大きさ

• 影響を受ける範囲

• 検知しやすさ

• 回復可能性

を分けて評価する必要があります。

さらに、AIを使わないことで生じる機会損失や人為ミスも比較しなければなりません。

過大視本能——生成量を成果だと思う

1,000本の記事を生成した。100個のアプリを作った。作業時間を90％削減した。

大きな数字は目を引きます。

しかし、本当に確認すべきなのは、従来との比較、品質、利用率、成果への寄与、維持コストです。

AIは大量生成を容易にします。そのため、生成物の数そのものが成果に見えやすい。

しかし、現実の行動や状態が変わっていなければ、量の大きさだけで価値は判断できません。

パターン化本能——一部の事例を全体へ広げる

高齢者はAIを使えない。非技術者には開発AIは扱えない。若者なら自然に使いこなせる。生成AIを使う人は思考力が落ちる。

こうした一般化は、個人差や条件差を消します。

年齢や職種だけでなく、利用目的、成功体験、支援環境、業務との関連性、質問しやすさ、継続性などを見る必要があります。

宿命本能——「この人たちは変わらない」と考える

この会社にはAI活用は無理だ。現場社員は変わらない。中小企業にはDXはできない。

このような説明は、構造や支援設計の問題を、個人や集団の属性へ帰属させます。

変化が遅いことと、変化できないことは別です。

利用頻度、質問の質、適用業務、自走率などを、一定期間で追う必要があります。

単一視点本能——「AIを入れれば解決する」と考える

事業や組織の問題には、技術だけでなく、業務設計、評価制度、インセンティブ、心理的安全性、権限、データ品質、顧客需要、法務などが絡みます。

「AIを導入すれば解決する」も、「AIは危険だから使わない」も単一視点です。

解決手段を最初からAIへ固定すると、

のではなく、

状態になります。

犯人捜し本能——個人の意欲やAIの性能だけを責める

AI活用が定着しないとき、「社員にやる気がない」「経営者が理解していない」「AIが嘘をつく」「利用者の指示が悪い」と説明するのは簡単です。

しかし実際には、対象業務が決まっていない、利用時間がない、情報源へ接続できない、成功基準がない、誤りを直す仕組みがないといった構造が影響しているかもしれません。

誰が悪いかではなく、

を見る必要があります。

焦り本能——「今すぐ全面導入しなければ負ける」と考える

AI業界では、取り残される恐怖を刺激するメッセージが生まれやすくなります。

しかし、緊急性が高いことと、拙速な意思決定が正しいことは別です。

焦ると、目的の確認、イシューの見極め、セキュリティ評価、小規模検証、成功指標、代替案の比較が飛ばされます。

Gapminderは焦り本能への対策として、追加情報を求め、単一の未来予測を避け、小さな行動を積み重ねることを勧めています。

AI導入も同じです。

全社へ一気に展開する前に、高価値な一業務で試し、結果を測り、原因を分析し、展開条件を決める方が安全です。

AIは現実認識を補正も増幅もする

AIは、人間の認識を補正する道具にもなります。

• 複数の情報源を比較する

• 長期的な時系列を調べる

• 統計を整理する

• 反証を探す

• 異なる立場を比較する

• 数字を割合や一人当たりへ変換する

• 仮説の前提を洗い出す

こうした用途では、AIは有効です。

一方で、誤認を増幅することもあります。

• ユーザーの前提に沿った説明を作る

• 不確かな数字をもっともらしく示す

• 事例を大量に並べて一般化を促す

• 直線的な未来予測を語る

• 行動を急がせる物語を作る

• 誤った仮説を、流暢な文章で補強する

特に危険なのは、

なのに、正しいと感じてしまうことです。

そのため、AIへ「調べて」と頼むだけでは足りません。

• 一次情報を確認する

• 公開日と出来事の日付を区別する

• 分母、単位、対象期間を確認する

• 事実と推論を分ける

• 不確実性を示す

• 反証事例を探す

• 複数の仮説を比較する

• データが示していないことを明示する

という検証設計が必要です。

目的、ファクト、イシュー、仮説をどう接続するか

ここまでを統合すると、AI時代の知的生産は次の流れで整理できます。

Purpose：目的・意志

どのような未来や変化を実現したいのか。

Context：文脈・現状

誰の問題で、現在どのような状態にあり、どの制約があるのか。

Factfulness：現実認識の点検

分断、恐怖、焦り、過大視、一般化などによって、状況を歪めて見ていないか。

Goal：到達状態

何がどうなれば、前進したと判断できるのか。

Issue：今答えるべき問い

ゴール達成を左右する、答える価値と可能性が高い問いは何か。

Hypothesis：仮説

現時点では何が有力で、何が分かれば判断を変えるのか。

Evidence：証拠

どのデータ、観察、実験、当事者の声で仮説を確かめるのか。

Action / Output：実行・制作

イシューに答えるために必要な調査、文章、資料、コード、制度変更を行う。

Adoption：利用・行動変化

成果物が実際に使われ、判断や行動が変わったか。

Outcome：現実の結果

事業、生活、業務、顧客などの状態が変わったか。

Review：再評価

前提、目的、イシュー、仮説を更新すべきか。継続、修正、停止、廃棄のどれを選ぶか。

アウトプットとアウトカムの間に「利用・行動変化」を置くのは重要です。

記事を公開しただけでは、読者の判断が変わったか分かりません。

研修を実施しただけでは、受講者が実務で利用したか分かりません。

システムを納品しただけでは、現場の作業や成果が変わったか分かりません。

また、最終的なアウトカムは、景気や組織変更など外部要因にも左右されます。

そのため、

を段階的に確認する必要があります。

仮説なしのリサーチは、情報を増やすだけになる

イシューを定めた後は、仮説を置く必要があります。

仮説を置くことは、最初から答えを決めつけることではありません。

を明確にすることです。

AIに「関連情報をすべて調べて」と頼めば、大量の情報を集められます。

しかし、仮説がなければ、

• 何が重要なのか

• 何が不足しているのか

• どの情報で結論が変わるのか

• 何を反証すべきなのか

• いつ調査を終了できるのか

が分かりません。

適切な流れは次のようになります。

AIは仮説を大量に出せます。

ただし、人間は、どの仮説を採用するか、何を反証するか、どの判断基準を使うか、誤った場合に誰へどのような影響があるかを管理する必要があります。

大きな問いは分解する。ただし、親イシューを忘れない

「AI時代に人間の価値は何か」という問いは重要ですが、そのままでは広すぎます。

たとえば、次のように分解できます。

• AIによって希少性が下がる能力は何か

• 逆に希少性が上がる能力は何か

• 個人と組織では影響がどう違うか

• 目的設定、責任、関係構築はどこまで代替されるか

• 生成能力の向上は、現実の成果へどの程度つながるか

この分解によって、調査や検証が可能になります。

ただし、分解には別の危険があります。

個別論点に集中するうちに、最初の目的や親イシューを忘れてしまうことです。

したがって、

の対応関係を保持する必要があります。

複数のAIエージェントへ仕事を委任するときも同じです。

各エージェントが局所的には正しい成果物を作っても、それらが親イシューへ統合されなければ、全体として価値になりません。

書く前に、答えへ至る構造を作る

『イシューからはじめよ』では、イシューを分解した後、ストーリーラインと絵コンテを作り、必要な分析を設計する流れが示されています。公式紹介でも、仮説ドリブン、アウトプットドリブン、メッセージドリブンが中心構造として掲載されています。

これは、記事、提案書、研修資料、システム設計にも当てはまります。

悪い進め方は、

ことです。

より良い進め方は、

を先に設計することです。

AIは文章を滑らかに書けるため、構造を作らずに進めても、成果物らしいものが完成します。

しかし、文章が自然であるほど、論理の飛躍、証拠不足、重複、目的とのずれが見えにくくなる場合があります。

AI時代ほど、「書く前に構造を作る」ことが重要になります。

一番危険なのは、目的が変わったことに気づかないこと

作業中に目的が変わること自体は、必ずしも悪くありません。

記事を作っている途中で、記事よりも研修教材へ展開した方が価値が高いと分かることもあります。

試作品を作った結果、当初想定していなかった顧客課題を発見することもあります。

それは、学習による正当な方向転換です。

危険なのは、目的変更が無自覚に起きることです。

最初は、

ためだったのに、途中から、

へ変わっている。

目的を変更したのか。単に逸脱したのか。

この二つを区別する必要があります。

途中で、次の問いを明示的に挟むべきです。

新しい目的へ切り替えるなら、その理由、優先順位、完了条件を改めて定義します。

AI活用を「探索・制作・評価」の3モードへ分ける

実務上は、AI活用を三つのモードへ分けると扱いやすくなります。

探索モード

自由に発散する。複数の可能性を試す。完成を求めない。

この段階では、寄り道や思いつきにも価値があります。

制作モード

目的、対象者、成果物、完了条件、非目的を固定し、形にする。

探索で見つかった可能性を、現実で使える状態へ収束させます。

評価モード

生成から距離を置き、本当に必要か、使えるか、目的へ寄与しているか、継続すべきかを判断する。

問題は、探索モードのまま制作を続けることです。

アイデアが増え続けるため、終わりません。

逆に、制作モードのまま進み続けると、最初に決めた目的や前提を疑えなくなります。

したがって、

という区切りが必要です。

AIを使い始める前に、最低限固定したい5項目

意志だけで「目的を忘れないようにしよう」と考えても、継続するのは難しいでしょう。

生成速度が速いからです。

そこで、AIを使い始める前に、最低限、次の5項目を固定します。

目的

何を改善・実現するための作業か。

成果

最終的に、誰が何をできる状態にするのか。

完了条件

どこまでできれば終了か。

非目的

今回は何をやらないか。

次の現実行動

作った後に、誰が何をするのか。

たとえば記事制作なら、次のように定義できます。

ここまで決めておけば、「画像をさらに増やす」「別の機能を追加する」「関連サイトも作る」と発散したときに、戻る基準ができます。

「じっくり考える時間」は、必ずしもAIを使わない時間ではない

ここまで読むと、「AIから離れて、人間だけで考えるべきだ」という結論に見えるかもしれません。

私は、そこまで単純には考えていません。

AIは、目的の言語化、イシュー候補の生成、前提の洗い出し、反証の探索にも使えます。

たとえば、次のような問いをAIへ投げることができます。

• 私が本当に達成しようとしている目的は何か

• 現在の作業は、その目的へどう寄与しているか

• 目的と手段が逆転している兆候はないか

• 今の問いより重要な問いはないか

• 私の現状認識に、どのような偏りがあるか

• この仮説を否定する証拠は何か

• この成果物がなくても目的を達成する方法はないか

• ここで終了することで何を失うか

• 追加制作による効果は、どの程度残っているか

大切なのは、AIを使うか使わないかではありません。

AIを生成装置としてだけ使うのか、思考を点検する鏡としても使うのかです。

ただし、どの未来を望むか、誰の利益や負担を重視するか、何を成功とみなすかについては、人間が責任を負う必要があります。

AIへ相談することはできます。

しかし、AIの提案を採用した結果の責任まで、AIへ移すことはできません。

AI時代の基本原則

ここまでの議論を、四つの言葉でまとめると次のようになります。

日本語で言い換えるなら、

ということです。

それぞれが欠けた場合、次の問題が起こります。

私は、AIによって人間の思考が単純に不要になるとは考えていません。

ただし、人間が担うべき思考の場所は変わります。

どう書くか。どう作るか。どう実装するか。

これらの一部は、AIが強力に支援します。

その分、人間には、

• どの未来を望むのか

• 誰のために取り組むのか

• 今どの問いへ答えるべきか

• どの証拠を信頼するのか

• どのリスクを引き受けるのか

• どこで十分と判断するのか

• 作ったものへ誰が責任を持つのか

を決める役割が残ります。

むしろ、その重要性は高まります。

まとめ——何を作らせるかの前に、何に答えるべきかを考える

AI以前、目的は主に、困難な実行を続けるための原動力でした。

AI時代には、それに加えて、過剰な生成能力を制御する判断基準になります。

イシューは、目的を今日の具体的な仕事へ落とします。

ファクトフルネスは、そのイシューが歪んだ現実認識から生まれていないかを点検します。

仮説と証拠は、何を調べ、どこで判断を更新するかを決めます。

利用とアウトカムの確認は、成果物を現実の価値と混同することを防ぎます。

AI時代に最も危険なのは、答えが出ないことではありません。

そして、最も重要な能力は、無限に作り続けることでもありません。

AIに何を作らせるかを考える前に、何に答える必要があるのかを考える。

作り始める前に、何が変われば成功なのかを決める。

そして、ときどき生成を止め、自分がまだ同じ目的へ向かっているかを確認する。

「じっくり考える時間」とは、速度を否定する時間ではありません。

速く進む能力を、正しい方向へ使うための時間なのです。

出典・参考資料

• Harvard Gazette, “Mark Zuckerberg’s Commencement address at Harvard,” 2017年5月25日。目的を個人の発見だけでなく、誰もが目的意識を持てる社会の構築として捉える講演。

• 安宅和人『イシューからはじめよ［改訂版］――知的生産の「シンプルな本質」』英治出版、2024年9月22日。イシュー、「犬の道」、仮説ドリブン、アウトプットドリブン、メッセージドリブンの整理に参照。

• Gapminder, “Factfulness.” ファクトフルネスとドラマチックな本能の基本説明。

• Gapminder, “Factfulness 10 Rules of Thumb.” 10の本能の分類に参照。

• Gapminder, “The Urgency Instinct.” 焦り本能と、小さな行動による対処の説明に参照。