生成AIは、迷路にもなれば鏡にもなる─3つのレベルと個人差がつく理由
こんにちは、タナカミノルです。
今日は「生成AIの印象が人によってまったく違う」理由を社会人教育の現場から見えた認知パターンとして掘り下げてみます。
・ある人は生成AIにハマって睡眠時間を削っている
・ある人はお金を払って生成AIについて学んでいる
・ある人はちょっと使ってそのまま放置
どうだったらいいとか悪いとかの話ではありません。
社会人であれば職業や役職によって生成AIとの親和性も違いますが、実はよく聞いてみると、使いこなしているから優れてるとか、使えば有利になるとは必ずしも言えない構造的な問題が見えてきます。
どういうことか。
環境が変われば、それまでの勝利パターンが
敗北パターンになることがあります。
たとえば、写真フィルムの王者だったコダックという会社。
「ボタンを押すだけで、あとはコダックがやります」のキャッチコピーで 1970年代以降、アメリカのフィルム市場の9割、カメラ市場の8割を独占。 最盛期の従業員は14万5000人。当時のGoogleやAppleに並ぶ規模の世界企業だった。
そのコダックが、2012年に倒産しています。
皮肉なのは、デジタルカメラを世界で最初に発明したのが
コダック自身の社員だったということ。
1975年、コダックの技術者スティーブ・サッソンが
社内でトースターほどの大きさのデジカメを試作した。
しかし経営陣は、フィルム事業の利益が落ちるのを恐れて
そのアイデアをお蔵入りにした。
最強だった「フィルム」という強みが、
コダック自身が生んだ「デジタル」の前で無意味になった。
問題はフィルムの品質ではなく、戦場の構造が変わったことだった。
同じことが、今まさに起きようとしている。
「早さと量」が勝ちパターンだった時代から、
「何を問うか」が勝ちパターンになる時代へ。
それを「生成AIとの付き合い方」という個人の態度から見てみます。
この記事は約1万4000文字あります。
そして読む人やタイミングによって響く場所が違う構成になっています。
理由はこの記事のメインテーマである「個人差」が出る内容だからです。
ぜひ保存して、後から読み返してもらえると嬉しいです。
※結論だけ見たい人は「スキ」ボタンを押して保存した上で「生成AI時代に圧倒的な個人差が出る場所」から読んでください。
3つのレベルと、それぞれの「向いてる人」
一言に「生成AIを上手に使う」といっても、 機能の面から見れば大きく違う3つのレベルがあります。
A：AIプロンプトエンジニアリング（指示の出し方）
B：AIコンテキストエンジニアリング（文脈情報の使い方）
C：AIエージェントエンジニアリング（自律型システムの設計）
違いを簡単に説明すると
A：AIプロンプト： 質問の仕方を工夫する。どう指示すれば欲しい答えが返ってくるか。 出力が画像や動画、曲の生成であっても同様です。 結論、誰がやっても同じ結果になるので、たとえ学んでもノウハウはすぐに陳腐化します。
B：AIコンテキスト： 自分の文脈を渡して、自分専用のアシスタントに育てる。 過去の発言、価値観、判断基準をデータベース化して読み込ませる。 結論、いかに優れたデータベースを構築して活用するかで個人差が出ます。
C：AIエージェント： 自律的に動く仕事をさせる。複数のツールを連携させて、 人間が監督しながら一連のタスクを実行させる。 いわば人を雇うのと同じなので、知的労働の人を雇っていたり 事務タスクに追われていた人ほど強く恩恵を感じます。
まずは「生成AIを使う」と言ってる時に ABCのどの話をしているのかによって、全く意味が違うということです。
生成AI登場以前の発想で言い換えると もっと違いがはっきりします。
A:プロンプト → ベストプラクティス（ノウハウ）探し
B:コンテキスト→ 独自マニュアルづくり（価値観・理念など含む）
C:エージェント→ 人材採用・外注業者へのアウトソース化
ひとくくりに「生成AIを上手に使う（学ぶ）」と言っても ABCでインパクトも違うし、やりたいこととの相性も違います。
まずはそこをはっきり区別しておかないと、最新の情報量に圧倒されて嫌気が差したり 話が噛み合わなかったり、たかを括って生成AIの存在を過小評価してしまいます。
実際に使われてる場面でもうABCの違いを少し詳しく見てみましょう。
用途の違いで見ると
A：プロンプト
検索の代わり、文章の要約、翻訳、アイデア出し。「今すぐ答えが欲しい」場面。
大学受験に関して生成AIはすでに東大医学部合格レベル。 税理士や弁護士、医師に相談していたようなことでも、 24時間いつでも質問できるイメージです。
私はブラジルの山奥で虫刺されした場所が2日目も赤みが引かなかったので写真を撮って初期対応を行い、ことなきを得ました。 免疫状態によっては、通院の判断やその際の手順の方法もわかったので 安心して過ごすことができました。
また、海外の観光地で見つけた銅像や食料品の棚なども写真に撮って 日本との違いや歴史を即座に知ることができます。特に英語が通じないエリアへの海外旅行では、適正価格や通常の移動手順が聞けるので、現地の暮らしを体験するのに 常に現地人ガイド付きで行動しているような安心感があります。
他にも便利屋さんに依頼していたような「配線の接続」や「電球の型」なども 写真を撮って聞けば、即座に正解が得られます。
ちなみに私は、生成AIを使うことで約２ヶ月の準備で 未経験の飲食業とサービス業を行う会社を故郷の九州に作って、飲食業の経験は長いけれど経営経験のない地元の同級生に社長を任せて営業を開始することができました。
いわば、質問があるから聞くというよりも 「知らないからやらない・めんどくさい」というハードルを 大幅に下げて、行動を踏み出す用途で本来の強みを発揮します。
B：コンテキスト
汎用的なプロンプトでの回答ではなく「自分らしい出力」が欲しい場面。
会社で言えば、企業に中途採用で入った新人社員に 引き継ぎ資料を渡して仕事をやってもらう感じです。 相手に業界経験や能力があっても、自社独自のルールや経緯を伝えてないと誤った判断をしたり、遠回りしてしまうことがあります。
そういった 文脈情報 を伝えて 汎用的な回答ではなくこだわりのある高い品質の回答を求める場合。
そのためには、自社や自分独自の優先順位、参照する資料、過去の事例や排除する可能性や避けるべき行動を 事前に学習データとして生成AIに渡す必要があります。これをやらないといかに高性能な生成AIでも当たり障りのない標準的な出力しかできません。
経営者であれ、従業員であれ、 自分の代わりに下書きを書かせたり、 自分の企画やアイデアを壁打ちさせる、過去の自分の発言から検索する用途がコンテキストエンジニアリングです。
C：エージェント
パソコン上で操作が必要な手続きや作業を自動化する場面。
リサーチの自動化、定型業務の自動処理、コードの生成と実行など。「手を動かす時間を減らしたい」場面。 いわゆる、ホワイトカラーの仕事を奪うと言われるAIの機能はここです。
南米で合流した私の友人は、海外自体に慣れてない奥さんも安心して旅行できるように、目的地までのルートや滞在する経由地の選定やチケットの予約までAIエージェントに任せたようです。
ちなみに私はチケットの空き状況や価格を自分で調べながらやったので、丸々数日かかりました。
慣れてて、好きで、時間があったからできましたが、通常であれば、めんどくさい作業だし旅行代理店に任せる場合には手数料が上乗せされる分、 よほどの決意がなければ予算に怯んで、見送る可能性もあります。
自分の時間を作りたいけれど、お金を払って人を雇うのにはリスクがあると考える場合には 真っ先に恩恵を受ける部分です。
これらの用途の違いを詳しく見ていくと、 そもそも「生成AIを使う」ことで受ける恩恵も ユーザの能力や態度によって大きな差が生まれることがわかります。
いわば生成AIが「正解のないジャンル」化している。 使い方に正解がないから、その人が何を重視しているか、 何をやりたいと思っているかがそのまま出る。
個人の人生観や目的意識がむき出しになる装置として 生成AIが存在しているような状況です。
これには現状の収入や年齢は実はあまり関係ありません。
収入とあまり関係がないというのは、 意外に思う人もいるかも知れませんが、それは収入を得てる業界ごとに「態度」が違うからです。
経団連に名を連ねる大企業も、広告代理店も、
資格や許認可で守られた業界も、
戦後80年の秩序の中で構造的に守られてきた。
その前提が、今まさに崩れつつある。
偏差値の最高峰である東大ですら、
生成AIが学力を超えた。
義務教育を含む公教育の存在意義が問われている。
「人材」や「教育」の意味そのものが変わりつつある。
そういう環境で成功してきた人ほど、
「正解のない」生成AIとの相性が悪くなりやすい。
冒頭で書いたコダックのフィルムと同じです。
「正解」を追いかけることが勝ちパターンだった時代が終わりつつある。
なので、たとえ今の収入が高くても、
それまでの成功体験があるからこそ
生成AIとの付き合い方もその態度の延長になりますし、
個人の人生観や目的意識がむき出しになる装置
と言われてもピンとこない場合がほとんどだからです。
この根本的な態度の違いを、生成AIの使い方でもう少し詳しく見てみましょう。
生成AIユーザの段階
まずは生成AIを少し触ってみた程度の人は A:プロンプトエンジニアリングのことしか考えてない場合がほとんどです。
ここで指示待ち人生だった場合は、「たいしてAIに聞くこともない」と言って使うのをやめます。
なぜか。
「何を買うか」「どこに行くか」「何を学ぶか」を レビュー評価やランキングで決めてきた人は、 自分の「好き」や「こだわり」が薄まっている。
「好き」が薄まると、聞きたいことがない。 聞きたいことがないと、AIに質問することがない。
いくら東大医学部合格レベルの生成AIが使えたところで、そもそも質問する習慣がなければ使いようがない。
たとえ指示待ちだったとしても、 コスパ思考ではなく創意工夫に楽しみを見出せていた場合は、 何度も生成AIの出力に満足できずにプロンプトを工夫した結果
B :コンテキストエンジニアリング
のコスト的ハードルが下がったことで プロンプトを学んだり探すことの無意味さに気づきます。
なぜならプロンプト自体もAIに作らせられますし コンテキスト（文脈情報のデータベース）があれば、 何度も指示を出して工夫しなくても、期待する品質の出力が数回で出せるからです。
一方、C :エージェントに関しては、段階というより用途の問題です。 すでに人を雇っていたり、外注していたり、定型業務に時間を取られている人は 「これ、AIにやらせればいいのでは」とすぐに気づきます。
逆に、そもそも「人に任せる仕事」や 「人に頼って任せられるならやりたいことのアイデア」を持ってない人には、 AIエージェントの便利さがピンとこない。
自分で全部やっていたり、自分だけで完結させる前提で考える人ほど、 エージェントの価値を過小評価しがちです。
ただし、AIエージェントはあくまで「便利な下請け」であって、 何をやらせるかを決めるのは人間です。 企画と監督ができなければ、ただ振り回されるだけになる。
実際、 年商100億円以上の企業グループのオーナーをしている私の友人は、 2ヶ月間、寝食を忘れてAIエージェントにハマって時間を溶かした結果
・既に存在しているものを作ってしまった（しかもそれより劣化版）
・目的を見失って効率化だけを求める本末転倒ツールばかりになっていた
と苦笑いで告白してくれました。
今の収入や年齢は関係ない。 もちろん、これからは違う。
生成AIは、これまで数年かかっていた試行錯誤を数日に圧縮する。 その人の価値観や目的意識が、結果として早く表に出る。 隠しようがなくなる。
そうした状況の中で 私たちは、どのように生成AIと向き合えるのか。
少なくとも 「生成AIの使い方を学ぶ」 ということはかなり重要度の低いランクになることが予想できます。
仮に「使いながら学ぶ」にしても、使い方そのものにその人の「目的意識」や「価値観」が出るので、 振り返った時に意義ややり甲斐を感じられるかが別問題だからです。
じゃあ何を意識して生成AIを使うことで より意義のある充実した体験になりうるのか。
向いている人と個人差の源泉
A：プロンプトエンジニアリング
向いているのは「今すぐ答えが欲しい」場面。 調べ物、翻訳、要約など、汎用的な用途であれば十分に機能します。
基本的にいくらプロンプトを研究したり覚えたりしようが、出力が同じなので、出力の個人差はありません。
簡単な例で言えば ダイエットや語学学習のアドバイス。
これまでお金を払って指導を受けいていたものも ほぼ無料で入手することができるわけです。 語学に至っては、会話の練習相手にもなってもらえます。
違いが出るのは結局、AIの出す回答に従って 実際に身体を動かすかどうかの行動力の差になります。
わざわざ月何万円も払わなくていいぶん、ますます「知ってるだけ」の価値は下がります。 だから様々な検定や資格も存在意義を失います。
プロンプトエンジニアリングで個人差が出るとしたら
「生成AIの回答に従って行動するかどうか」
そしてもう一つが 「これまで専門家に頼るのが億劫で手付かずだったことを生成AIに頼ってやる」 場合です。
私は昨年の世界一周旅行中、 食事の写真を生成AIに読ませてアドバイスをもらうことで、 各地の名物を食べまくりながら、体重は数kg減りました。
行き先も季節の移り変わりと気分に合わせて、毎回生成AIに目的地を移動の負荷と合わせて比較させて直前に決めてたので、 重複しないオリジナル一筆書きのルートを楽しめました。
「これまで専門家に頼るのが億劫で手付かずだったことを生成AIに頼ってやる」
という時には、プロンプトの優劣よりも 「これに使えるかも」のアイデアの方が大事だし、 個人差になります。
曲や動画を作れてハッピーなのは最初だけで、これまで何年もかけて訓練しないとできなかったからすごいと思われてただけで 誰もができるようになると、以前ほどの賞賛は得られませんし ほとんどの場合は本人にしても、一過性の興奮でしかないでしょう。
もっとも残念なケースは 「お金を払って生成AIの使い方を学ぶ」 という発想です。
そもそも生成AIの性能がどんどん上がっているフェーズで 答えを即座にくれる生成AIを使って学ぶことなく 「誰かに（すぐに陳腐化する知識を）学ぶ」 という発想しか出てこないあたり、戦後義務教育の産物と言えなくもありません。
B：コンテキストエンジニアリング
向いているのは「他の人と違う答え」が必要な場面です。
その際に差が出るのは 生成AIに学習させるデータの「選別」と「解像度」です。
要は、画像を作らせるにしろ、文章を書かせるにしろ、 プレゼンテーションを作らせるにしろ
・ここは違う
・もっとここをこうしろ
という語彙やデータを持っているかどうか。
先週YouTubeで見かけた若者の約15分の動画で、0からショート動画を作って 14日間でどこまでできるかの実験をしていました。
作業は1日2時間。
1.お手本を探す：生成AIを使って短時間で伸びてる事例をリサーチする
2.仮説を立てる：見つけ出した成功事例の共通点を真似してテーマを決める
3.実験を始める：AIを使って台本と音声と動画を作る（1本目の動画）
4.検証を続ける：プラットフォームのアルゴリズムを分析して動画を作る（2本目）
最終的に5本の動画を作って 登録者数1万人越え、再生数は5000万。
収益は約20万円でした。
動画1本あたりの制作にかかった時間は2時間。あとは毎日2時間の中で、サムネイルやキャプションのテストを 生成AIの出すアイデアを使って行います。
継続的に収益を上げられるかは別として スピード勝負でゼロイチを作ることはかつてないほど容易なのがわかると思います。
ただしそのためには
・お手本を探す
・仮説を立てる
というプロセスを通じて得た情報を学習させる一手間が必要です。
プロンプトで指示して全てを自動で解決したい態度だとこれはできません。 とはいえ、お手本探しも、仮説のアイデアも生成AIを使えばほぼ一瞬です。
もしそれができないとすれば、AIが理解できるように 言語化して指示をすることができるかどうかにかかってきます。
つまり、察してくれるのを待っていたり、誰かから指示されるのを待つのではなく、どれだけ明確な目的と解像度を持って言語で指示することができるか。
ここで、日記が習慣になっていたり、議事録作成や文章によるコミュニケーションをしてきた人が 大きなアドバンテージになります。
なぜなら、それらを学習させることで 即座に「自分に近い判断ができる状態」に 生成AIを育成することができるからです。
ただしここにもリスクはあります。
学習させるデータが「構造的」なものでなければ いくら自分の書いた何万文字の文章や、何百時間の音声を学習させたところで 他の誰かが出力したものと区別がつきません。
例えば「好きな映画リスト」を渡すだけでは、 AIは表面的な共通点しか見つけられない。
でも 「なぜこの映画が好きなのか」 「他の映画との違いは何か」 「自分の人生のどの時期に響いたか」 まで言語化されていれば、AIは「この人の価値観の構造」を理解できる。
つまり「構造的」というのは、 バラバラの情報ではなく、要素同士の関係が整理されている状態のこと。
要は、インプットが凡庸なら、アウトプットも凡庸になる。 つまり生産性とは全く関係ないアウトプットが ただ早く大量にできるというだけです。 小説や映画が長ければ長いほどいいわけではないのと同じです。
さらに厄介なのは、自分の文脈に閉じこもるリスクです。
生成AIは基本的に「ユーザが求めているもの」を返そうとします。 自分の過去の発言、自分の価値観、自分の判断基準を学習させると、 AIは「自分に都合のいい答え」を返すようになる。
これはフィルターバブルの強化版です。
SNSのアルゴリズムが「見たいものだけ」を見せてくるように、自分専用に育てたAIが「聞きたいことだけ」を言ってくる。
自分を映す鏡が歪んでいれば、歪んだまま強化される。 反論してくれる人がいなくなり、盲点がどんどん広がる。
だから、コンテキストエンジニアリングで本当に差がつくのは、「自分の文脈を言語化できるか」だけではありません。
「自分が当たり前だと思っていることを疑えるか」
「AIが出した答えの前提を確認できるか」
「あえて反対意見を求めに行けるか」
たとえば、自分の企画をAIに褒めてもらって満足するのか、
「この企画の致命的な弱点を3つ挙げてくれ」と聞けるのか。
同じツールを使っていても、得られるものがまったく違います。
つまり何かの意思表示（表現活動）をするのなら、自分が言ってることとやってることが矛盾していなかったり あちこちで逆のことを言ってるダブルスタンダードに気づいて 一貫性を持たせる必要があります。
ここが分かれ目になります。
C：エージェントエンジニアリング
向いているのは「自分がやらなくていい仕事を抱えている」場面です。
リサーチ、資料作成、データ整理、定型メールの返信、 スケジュール調整、議事録の要約、コードの生成と実行。
これらを人に頼んでいた人、外注していた人、 あるいは自分でやるしかなくて時間を取られていた人には、 エージェントの恩恵は非常に大きい。
もしくは人脈や資金がなくてアイデアを実行できなかった場合には、AIエージェントを活用することで、一人で何十人のスタッフを雇うのと 同じようなことができるようになります。
逆に言えば、そもそも「人に任せる仕事」や 「誰かの力を借りて実現したいアイデア」を持っていない人には、 エージェントの便利さがピンとこないはずです。
この現象の根本原因は
・「指示待ち」習慣なのか
・「指示出し」習慣なのか
の違いです。
指示待ちというのは、 学習における態度にも現れます。 それはつまり「正解を求める態度」です。
実際に本人はそのつもりはなくても、「指示待ち」習慣の人は何かの知識を得るときも 基本的にそれを「指示」とみなすので、 わかりにくければ無視します。
要は、ノウハウ探しや正解探しというのは 単に指示に従わない（行動しない）ことが習慣になっているだけで、 基本的に「指示待ち」でしか動けないということです。
逆に指示出し習慣というのは、他の誰かを動かすだけでなく 自分がどう行動するかを指示することも含みます。
なので生成AIの出す回答がピンとこなかったりわかりにくくても、次の質問や指示を考えたり、AIの回答を起点として推論を始めます。
・生成AIを何かを効率化させたり正解をくれる存在とみなすのか
・生成AIを自分が動き出すきっかけを与える存在とみなすのか
この態度の違いは、生成AIに限った話ではない。 日常のあらゆる場面に現れる。
たとえば、不注意で事故を起こしたり、 人間関係でトラブルがあった場合。
指示待ち人間は、言い訳や愚痴が頭の中に浮かぶ。「運が悪かった」「相手が悪い」で片付けようとする。
一方で、指示出しに慣れている人は違う。不注意になった疲労状態を見直したり、トラブルが起きた環境を分析して、自分の予定を減らして負担を減らしたり、同じ状況を避ける仕組みを考え始める。
・指示待ち：早く解決したい（コストを最小化したい）
・指示出し：再発しない環境を作りたい（根本原因を理解したい）
この違いが、生成AIの使い方にもそのまま出る。
なぜなら、 誰かに指示を出して期待した行動をしてもらう場合、
・指示を出された側だけが知っていた情報（障害）
・指示を出した段階ではわからなかった情報（可能性）
について、 必ず何度かは思い通りにいかなかった経験を通して、それまで見落としていた前提を知るフィードバックループとして 仮説を立てて次の行動を考える経験をすることに慣れていくからです。
AIエージェントは、人を雇うのに比べて非常に安価に人手を調達できるようなもの。とはいえ、何をやらせるか、どこまで任せるか、どうチェックするかは結局人間が決めて指示する必要がある。 人を雇ったことがある人、プロジェクトを回したことがある人には、この感覚は馴染みやすいと思います。
逆に、そういう責任を負ったことがない人にとっては、東大卒や博士号を持つ学者の新入社員をいきなり100人任されるようなもの。持て余すと感じても無理はありません。
私の知人経営者たちの多くは 軒並みAIエージェントにのめり込んでいます。
実際、大手IT企業が大量のレイオフ（要はクビ）を発表しています。 高収入が約束されていたエンジニアやデスクワーカーから すでに居場所を失っているわけです。
皮肉なことですが、自分で事業を起こすつもりのない人がAIエージェントの使い方を覚えても、ある意味では今の自分の居場所を失くすための捨て駒のようなもの。無給労働をしているのと変わりません。
しばらくは重宝がられても、 そもそも今の生成AIの性能向上の速度で考えれば その役割ですらじきになくなります。
経営者であっても、「何に取り組むか」を今まで以上に吟味しない限りは市場動向そのものが変わった時に 無用の長物になるものを大量に作るだけです。
冒頭のコダックの話を思い出してみると、他人事ではありません。
最盛期に14万人を抱えた巨人も、20年で消える。
ここで個人差が出るのは、AIエージェントの知識ではありません。
「何をやらせるか」を決める力、つまり企画力です。
今ある仕事を早く終わらせるためではなく 今のやり方を根本から変えるサービスを企画してAIエージェントを使う。
今、エージェントを使って効率化している仕事が、5年後も同じ価値を持っているとは限らない。
だから本当に大事なのは、「AIに何をやらせるか」を決められる力。
そして、環境が変わったときに 「やらせることを変えられる」柔軟性のある設計思想。
ツールの使い方ではなく、企画力そのものが資産になるわけです。 でも、本当の個人差はそこではありません。
年間1200万円のコンサルを受けて見た光景
少し話はそれるけれど、 関連して一つ思い出したことがある。
以前、知人が経営するコンサルティング会社のセミナーに 付き合いで参加したことがある。 年間1200万円（月額100万円）のプログラムだ。
そこで講師が言った。
「IQの低い人は物事を極端に2分したがる。
IQの高い人はグラデーションが見える。」
高額を払った参加者たちが、うなづいている。
私は笑いを堪えるのに苦労した。
なぜだかわかります？
2分法を批判するのに、2分法を使っている。 その矛盾に、誰も気づいていない。
後で運営者に指摘したら、「何か田中さんの地雷を踏んでしまったのかな」 と他のところで言っていたらしい。
ピント外れも甚だしいが、 それでも年商数億円稼げるのがコンサルビジネスだということなのかもしれない。
高額を払っても、構造が見えない人は見えない。そもそも教える側も、時流にあったテーマを上手にパッケージすれば ありがたがる人たちがたくさんいたのだろう。
「構造を見る」とは、言い換えれば 「自分が使っている論理を、外から見る」ということ。
2分法で批判している自分を、外から見れば矛盾に気づく。でも「内容」だけを見ている限り、その矛盾は見えない。
そしてこれは、私のクライアントにも同じことが起きていた。「内容」は理解しているのに、「自分が使っている論理」には気づかない。
■生成AI時代に圧倒的な個人差が出る場所
ここまで読むと、 自分が生成AIにどんな印象を持ち、 生成AIとどんな付き合い方をしているのかの原因が少なからず思い当たったと思う。
置かれている環境やこれまでの蓄積で 生成AIを使う用途も、使い方も違う。
ただそれは決定的な差を生むものではない。
お気づきのように、生成AI時代は「何をやるか」が今まで以上に問われる。
他の人と同じ基準で競争する場合、 勝者はトップオブトップの一握りだけで 残りの大多数はノーゲインになる。
なぜなら、同じ基準での競争でトップ以外は全てトップの下位互換でしかなく AIエージェントがその役割を果たせば居場所はない。
プロンプトエンジニアリングにしろ、 コンテキストエンジニアリングにしろ、 エージェントエンジニアリングにしろ、 決定的なのは「他の人と質的に違う問いを持つ」ということ。
質的な違いとは、 速さや量ではなく、バラバラな物事にどういうつながりを持たせるのかという構造の違いだ。
プロンプトを「答えをもらうための質問」と思う人と、
思考や行動の出発点を準備するための「命令」と思う人がいる。
コンテキストを「データ量」と思う人と、
「構造的理解の深さ」と思う人がいる。
エージェントを「自動化・効率化勝負」と思う人と、
「企画力勝負」と思う人がいる。
同じツールを使っていても、見えている世界がまったく違う。
余談だが、私はクライアント向けにTimewaverという ドイツで開発された波動診断ツールを使った フィードバックセッションを提供していたことがある。
入力した願望と本人の波動状態を診断し
・どれだけ本心から願っているか
・実際に実現するにあたっての難易度はどのくらいか
みたいなことが数字で出てくるツールだ。
Timewaver自体の用途や信憑性はともかく、 誰かに言われるのではなく、客観的に死角を発見する助けになればと思ってテスト的に導入してみた。
そして体験者の感想をAIに学習させてパターン分析させて、 フォローアップのレポートとしてまとめた。
なぜこれが「構造を見る力」の話になるのか。
レポートには「診断結果」だけでなく、
「なぜその分析をしたか」
「どういうロジックで解釈したか」も書いてあった。
つまり「内容」だけでなく「構造」も読み取れる設計にしていた。
ところが、ほとんどの人は「内容」しか読んでいなかった。「何が正解か」「自分はどうすればいいのか」という指示を読み取っても「どう書いてあるか（構造）」まで読み取れる人は、ごく一部だった。
また、成果を実感しにくい人は 生成AIやTimewaver診断に「答え」を求めていたが、 成果を実感している人は「思考や推論の出発点としてのシグナル」として 診断結果を受け取っていた。
先ほどの「指示待ち vs 指示出し」の話と同じ構造だ。
実際にフィードバックの感想として「わかった」と言っている人ほど、 実際に書いたものを見ると、言ってることとやってることが違う。 3回書き直して、やっと「言いたいこと」と「書いていること」が一致する。
これは生成AIの問題じゃない。 自分が見えていないものは、AIを使っても見えない。
点に反応するか、構造を見るか
前回の記事で、私は「ふたつの世界」について書いた。
「メニュー表の中から選ぶ」世界と「メニュー表の外を作る」世界。 そして「自分がどちらの世界にいるかを俯瞰する視点」。
このテーマの本質は、「自分のいる構造に無自覚か、外部の視点を持てるか」だった。
この記事への反応が、まさにその違いを示していた。
ある人たちは、記事の一部に反応した。「ここは違うと思う」「自分はこう感じた」。 点で見て、内容の一部に反応した。
一方、知人の経営者は「ふたつの世界」というテーマ全体を理解した。 自分のスタッフとAIエージェントに適用し、 結果、AIの出力の質が大きく上がったという。
「田中さんのあの記事を学習させたら、 うちのAIエージェントの性能がすごく上がった。ありがとう」
前者は記事の一部に反応した。 後者は記事の全体を理解した。
「ふたつの世界」というテーマを理解した人は、 そのテーマを自分の世界に適用できる。 理解していない人は、記事の内容の一部について意見を言うだけで終わる。もっと残酷なのは、自分のいる構造に無自覚なほど、書いてないことを勝手に補って解釈してしまうことだ。記事の内容とは違う「自分の鏡」への不満が、私のところに届くこともある。
これが「点で見る」と「構造で見る」の違いだ。
生成AIでも、まったく同じことが起きている。
AIを「答えをくれる便利な道具」と見る人と、
AIを「自分を映す鏡」と見る人。
前者は、AIに「正解」を求める。
後者は、AIを通じて「自分が見えていないもの」を探す。
ウユニ塩湖の夜空で見た、天の川と暗黒星雲の話を思い出す。 西洋の天文学は「光る星」をつないで星座を作った。 でもアンデスの先住民は違った。 彼らは天の川の中の暗い部分──「暗闇（コールサック）」と呼ばれる、 星のない空間──をつないで星座を見出した。
光だけを見る文化と、そのスキマの空間を見る文化。 同じ夜空を見上げていたのに、見えていたものがまったく違う。
生成AIも同じだ。
「答え」だけを見る人は、自分に都合のいい出力だけを集める。
「構造」を見る人は、AIの出力を疑い、自分の死角を探しに行く。
同じツールを使っていても、一方は閉じ込められ、一方は視野を広げる。 違いは、ツールの使い方じゃない。 「何を見ようとしているか」の違いだ。
ここから何を見るか
ここまで読んで、自分がどのタイプか考えた人もいると思う。
でも、正直に言えば、私自身も「わかったつもり」になることがある。 言ってることとやってることが違う瞬間は、今でもある。
ただ、ひとつだけ確信していることがある。
「答え」を求め続ける限り、誰かが用意したメニュー表の中を歩くことになる。 それが生成AIであれ、1200万円のコンサルであれ、どんなに高性能なツールも、どんなに高額なサービスも、「問い」を持てない人には、同じ景色しか見せてくれない。
生成AIとの相性は、AIの問題じゃない。 自分が「何を見ようとしているか」の問題だ。
指示待ちか、指示出しか。
点で見るか、構造で見るか。
どちらの態度を選ぶかは、自分で決められる。
私たちは、見えていない世界を旅できる。
「点」だけでなく「構造」を見ることで、 自分がどの世界にいるかを俯瞰できる。
それでは、また。 ありがとうございました。
タナカミノル
追伸：
この記事を書いている間に、また別の国に移動した。 今はウルグアイのテラスで、これを書いている。
イースター直後、雷があって、翌日に急に気温が10度下がった。 南極からの乾いた風。パンペロというらしい。
なぜ雷の後に気温が下がるのか。 AIに聞いたら、雷で湿気の多い高気圧が崩れることで 南極からの冷たい風が入り込むのだと教えてくれた。
モンテビデオは、ホセ・ムヒカが暮らしていた街だ。
「世界一貧しい大統領」と呼ばれた、元ウルグアイ大統領。 大統領の給料の9割を寄付し、郊外の農園にある自宅で 畑を耕しながら暮らした。
89歳で亡くなったのが、ちょうど1年前の5月。
ムヒカは、こう言っていた。
「貧しい人とは、少ししか持たない人ではない。
いくらあっても満足しない人だ」
思えば彼は、用意された「大統領の生活」というメニュー表に収まらなかった人だった。
代わりに、自分の畑を耕した。
生成AIも、同じ問いを私たちに突きつけているように思う。
誰かが用意したメニュー表の中で答えを集めるか、
自分の問いを持って、自分の畑を耕すか。
もしこの記事で何か引っかかるものがあったら、
感想を聞かせてもらえると嬉しい。
あなた自身の「見えていなかったもの」の話を。
▼ 前回の記事 興味のない映画を2時間見たら、2年分の旅が全部つながった
タナカミノル 1975年福岡県生まれ。海外移住した2014年よりセミナー講師業を辞め、オーディオ教材の制作・販売に専念。のべ5000名以上が受講。現在は妻と世界一周旅行をしながら、160名のクライアントとオンラインで活動中。SNSはほぼ更新しない。メルマガが本拠地。 詳しいプロフィールと経歴はこちら → http://willpower-trade.com/archives/2226
