AI協働への姿勢
非決定で自信満々に誤る新種の労働力（AI）に成果物を任せるとき、プロは何をどう統治すべきか
- 到達点
- AI協働を勘ではなく、いくつかの明示的な決定の組み合わせとして運用できる力
- 扱わないこと
- 個別ツールの操作法（陳腐化が速い）／モデル内部の仕組み（別シリーズの領分）／プロンプト定型集（本シリーズが有効性を否定する対象そのもの）
- AIの成果物を任せるには、モデルの外側を設計する
AIに頼むと、最初に返るものは驚くほど整っている。問題はそのあと——本当に使おうとした瞬間に綻びが見える。「作らせる」ことはもう難しくない。難しいのは、返ってきたものを安心して次へ渡せる状態にすることだ。その距離を、誰もがつまずく型を入口に一つずつ詰めていく。
- ソフトウェア開発観が、AI協働の姿勢と道具を決める
AIが書いたコードは動くし、テストも通る。だが「なぜこの形なのか」を誰も説明できないと、安全には変えられない。ソフトウェア開発を「何をする活動か」とどう捉えるか——理論を組むのか、証明するのか、組み立てるのか、コードを書くことそのものか——が、AIとの協働の姿勢と、選ぶべき実在のハーネスを決める。
- AI協働の判断は、機械判定・可逆性・静かな失敗で仕分ける
AI協働の判断——検証・委譲・記憶・統治・コスト——は領域ごとに別の言葉で語られるが、下で動く仕分けの型は同じだ。その型に名前をつける：仕事を三つの問いで仕分け、三つの担い手へ流す。難所は型の外でなく、型の当てはめにある。
- 人手を残す理由は、ドメイン知識と責任という中身にある
「最後は人間が見る」に潜む、漠然とした「人間なら質が上がる」という前提。第一線の文書が挙げるのは責任の割り当てと要件整合。要件整合を検証＝品質の土台に戻し、そこに文脈へ載りきらないドメイン知識を置くと、人手の理由はドメイン知識と責任という二つの中身に分解できる。順位ではなく配置の問題として、その線の引き方を辿る。
- AIを使う前に、その分野の理想形を学べ
AIは分野に投入された労働力にすぎない。返ってきた出力が「凡庸」か「一級」かを見分ける目は、AIの知識ではなく、その分野が積み上げてきた理想形の知識から来る。
- AI出力の検証と、生成前の仕様設計
レビューの第一の目的は、欠陥をすべて捕まえることではない。コードベースの健全性を守り、知識と規範をチームへ移すことだ——そうGoogleの研究と、同じ著者が加わった書物は報告する。この原則を先に置くと、AI出力の検証も、生成前の仕様設計も、やることは自然に決まる。どちらもAI以前からある規律の話だ。
- AIへの委譲を線引きする——タスクの仕分けと知識の配置
AIは速い。だから全部投げる、は設計をしていないのと同じだ。何をAIにやらせないか、知識をどこに置くか。委譲の線引きは、AI以前からある古い規律で解ける。
- AI出力の検証は、指示でなく機構ゲートで
生成もレビューも安くなったが、出力は自信満々に誤る。検証を指示で守るか機構で守るか、そして確信度を正しさと取り違えないための信頼の置き方を、統計的工程管理と多層防御の規律から翻訳する。
- エージェントの文脈設計——記憶の外部化と意図の固定
知識は最新に保て、仕様化も生成も安い。だが有界の文脈しか持たない働き手は忘れ、自然言語の意図は曖昧だ。知識はメモリ階層に写して外部化し、意図は曖昧さの高い所だけ固定して対話で収束させる。どちらも、AI以前からある記憶と仕様の規律の延長で扱える。
- 多数のAIエージェントの統治と、爆発半径の封じ込め
エージェントを増やすのは一瞬だ。だが1人でN体を統べることと、その速さで壊せる範囲を縛ることは、別の設計仕事になる。実運用ハーネスの答えは、エージェントを賢く安全にするより、失敗が着地できる範囲を縮めることだった。
- エージェントの組織化に、マネジメント技術は半分だけ効く
エージェントを何体も並べると、人を並べたときと同じ問題が出る。重複、噛み合わない成果物、滞留。人間のマネジメント技術は半分だけ効く——分け方・調整・流し方は翻訳できるが、動機づけと責任は載せる土台がない。その境目を一次資料で引く。
- AI委譲の判断——非決定性のコストと、来歴の担保
生成が安くなったからといって、何でもエージェントに投げるのは違う。非決定のコストを差し引いた後の純益で選び、そして安く作った以上、二度と再現できない出力の来歴を残す。どちらもAI以前からある経済と来歴の規律が土台になる——ただし、それが届かない先が三つ残る。
- 学習はAI活用の第一級設計変数——生産性偏重の盲点
AIの議論は生産性一色だが、同じ道具は人間の学習を加速も空洞化もさせうる。「使っていれば上手くなる」という素朴解が破綻する過程を認知負荷理論と熟達研究で追い、負荷の配分と検証ループの二つの修正を経て、ループの固定費が回収できる条件——続く協働か単発か——で学習投資の配分を決める。
- AI協働の問題は大半が古い——壊れた前提だけが新しい
AI協働の問題の大半は、昔からある規律の翻訳で解ける。見分ける問いは二つ——既存の作法はあるか、AIが壊す前提は何か。残った新しさは壊れた前提として名指しし、その答えには日付を添える。
- AIは従来の学習手段と何が違うか——三つの認知負荷で測る
本は読者ごとに較正がずれ、家庭教師は地図を持って困難を課す。AIはどこに立つか。認知負荷理論の三負荷で測ると、強みは較正ずれを消せること、危険は学習が起きる場所の負荷まで頼めば消えること。努力の引き受けは代われないが、足場は作れる——既定の勾配がそちらを向いていない。約千人の実験では、プロンプト設計が成否を分けた。
