はじめに

マインドマップを始めたばかりの頃、ひたすら枝を伸ばし続けた時期がありました。

「もっと具体的に」「もっと深く」と掘り下げていく。気づけばマップは巨大になり、枝は何十本にも分岐している。でも、最終的に何が言いたいのか、このマップで何を達成したかったのか、わからなくなっていました。

最近、AIを使っていて同じ感覚に陥ることがあります。

AIに質問して、返ってきた答えをさらに掘り下げて、コード例を出してもらって、別のパターンも試して……。気づくと大量の出力が手元にあるのに、「で、結局何がしたかったんだっけ？」となる。

この記事では、マインドマップで経験した迷走と、AI活用で起きる同じ現象について考えてみます。

実装の先ばかり気になってしまう

要件→仕様→実装、その先へ

たとえば、こんな流れがあります。

「ユーザー管理機能を作りたい」という要件がある。AIに相談して仕様を詰める。認証方式はどうするか、権限モデルはどうするか。いい感じに整理できてきた。

次に実装。AIにコード例を出してもらう。「JWTの実装例を出して」「リフレッシュトークンの扱いは？」「セッション管理との比較は？」……。

気づくと、JWTのライブラリ選定、トークンの有効期限設計、失効時の挙動、エッジケースの対応……。実装の細部ばかり掘り下げている。

元々の「ユーザー管理機能を作りたい」という要件から、どんどん離れていく。手元には大量の技術検討メモがあるのに、肝心の機能がいつまでも形にならない。

深掘りが止まらない構造

AIは「もっと詳しく」と聞けば、いくらでも詳しく答えてくれます。深掘りしたくなる誘惑に対して、ブレーキがかからない。

マインドマップで枝を伸ばし続けたときと同じです。目の前の枝（実装の詳細）に集中しすぎて、マップ全体（本来達成したかったこと）を見失う。

「決め」を作る難しさ

前提・制約・見えてない部分

深掘りの問題に加えて、もう一つ難しいことがあります。どこかで「決め」を作らないと前に進めないのに、その決めを作るのが難しい。

前提条件が明確でない。制約がどこまであるのかわからない。見えていない部分がある。そんな状態で「じゃあこれで行きましょう」と決めるのは、なかなか勇気がいります。

AIに相談しても、最終的な判断は人間がやるしかない。AIは選択肢や考慮点を出してくれますが、実行を任せることはできても、最終責任は人間に残ります。

関係者の期待がバラバラ

さらに、関係者がいる場合はもっと複雑になります。

同じプロジェクトに関わっていても、バックグラウンドが違う。期待していることが違う。「シンプルに早く出したい」人と「拡張性を確保したい」人がいる。「まず動けばいい」人と「運用まで考えたい」人がいる。

それぞれの視点には、それぞれの正当性がある。どこに落としどころを見つけるか。全員が100%満足する解はない。どこかで折り合いをつける必要がある。

AIはこの調整を代わりにやってくれません。むしろ、各視点の正当性を丁寧に説明してくれるので、余計に決めにくくなることもあります。

足りなかったのは「集約」の意識

発散と集約はセット

マインドマップの本来の使い方を学び直したとき、気づいたことがあります。発散（枝を広げる）と集約（まとめる・選ぶ）はセットだということ。

広げたら絞る。絞ったらまた少し広げる。このサイクルを回すのが本来のプロセス。私は発散だけやって、集約をサボっていました。

AI活用でも同じです。AIに発散してもらったら、人間が集約する。どれを採用するか、どう組み合わせるか、何を捨てるか。その判断が入らないと、発散の成果が活きない。

「何を叶えたいか」を先に持つ

マインドマップを描く前に、「このマップで何を決める？」と自分に問うようになりました。答えが曖昧なら、まずそこを考える。

AIへの依頼も同じです。「このやり取りで何を得たい？」を先に持っておく。曖昧なまま始めると、発散の渦に飲み込まれます。

抽象と具体、どこで止めるか

具体に行きたくなる誘惑

「もっと具体的に」は魅力的です。抽象的な話より、動くコード、実際の例、目に見える成果物のほうが手応えがある。

でも、具体に落とすほど、特定の状況にしか使えなくなる。応用が利かなくなる。

落としどころは目的で決まる

どこまで具体化するかは、結局「何のために作っているか」で決まります。

自分用のメモなら、自分がわかればいい。誰かに説明するなら、相手の前提知識に合わせる。汎用的なライブラリなら、抽象度を保つ。

目的が曖昧だと、この判断ができない。だから「もっと具体的に」を際限なく繰り返してしまう。

前提や制約が見えていない状態でも、どこかで「今わかっている範囲ではこれで行く」と決める必要がある。完璧な情報が揃うのを待っていたら、いつまでも決まらない。

認知限界という現実

全部は見られない

AIを使うようになって、生成される成果物の量が増えました。ありがたい反面、全部をチェックする余裕がなくなってきます。

マインドマップが巨大になりすぎて全体を把握できなくなったのと似ています。情報はあるのに、認知が追いつかない。

どこに目を向けるか選ぶ

全部を見るのは諦める。その上で、どこに集中するかを決める。

構造や方針のレベルは人間が見る。細かいエラーチェックはAIに任せる。この役割分担を意識するようになりました。

ただ、AIが知らない情報、外部システムとの整合性、最新の仕様変更などは、AIだけでは補完できません。どこに人間の目が必要かを見極めるのも、集約の一部です。

学んだこと

マインドマップで迷走した経験が、AI活用のヒントになりました。

発散だけでは前に進まない。 広げたら絞る。集約のフェーズを意識的に設ける。

実装の先に潜らない。 要件から仕様、仕様から実装と進むとき、どこまで掘るかを決めておく。

決めを作るのは人間の仕事。 前提や制約が不完全でも、どこかで判断する。AIは選択肢を出すが、選ぶのは自分。

関係者の期待は揃わない。 全員が満足する解はない。落としどころを見つける覚悟を持つ。

全部は見られない。 認知には限界がある。どこに集中するか選ぶ。

AIは発散を加速してくれる強力なツールです。だからこそ、集約と決断は人間が意識してやらないといけない。そのバランス感覚は、まだ試行錯誤の途中です。

おわりに

結局のところ、ツールが変わっても、人間の思考プロセスの課題は変わらないのかもしれません。

マインドマップで学んだ「発散と集約のバランス」「目的を先に持つ」という教訓は、AI活用でもそのまま活きています。

完璧に情報が揃うのを待たず、見えていない部分を抱えながらも決断する。関係者の期待がバラバラでも、どこかで折り合いをつける。そういう泥臭い部分は残ります。

ただ、AIに任せられる部分もありそうです。たとえば、情報の変動を検知してもらう。現状の成果物と新しい情報とのギャップを洗い出してもらう。改善点や見落としを提案してもらう。決断そのものは人間がやるとしても、判断材料を整理するところはAIと協働できる可能性がある。

引き続きAIと協働しながら、いろんなユースケースを試して、折り合いのつけ方を探っていく。うまくいく場面もあれば、そうでない場面もあると思います。その実験を続けていくのが、今の自分のスタンスです。

過去の記事

AIとの恊働について

解説動画