AIを使うと、調べものはかなり楽になります。
質問すれば説明してくれる。
長い文章を要約してくれる。
知らない分野の全体像も、それなりに整った形で返してくれる。
コードも書いてくれるし、仕様案も作ってくれる。
では、私たちはもう「考えること」で困らなくなったのでしょうか。
たぶん、そうではありません。
むしろ最近は、別の種類の困りごとが増えているように感じます。
- 情報は集まった。でも、結局どれを信じればよいのか分からない
- AIに要約してもらった。でも、判断に使えるほどには整理されていない
- 会議ログは残っている。でも、なぜその結論になったのか分からない
- 論点はたくさん出た。でも、何が本当の争点なのか分からない
- それらしい答えは出た。でも、前提や限界が見えない
つまり、AIによって「情報を出すこと」は速くなりました。
一方で、「情報を使って判断できる状態にすること」は、まだ難しいままです。
この記事では、この問題について書きます。
AIで情報は増える。でも、判断は自動では進まない
生成AIの便利さは、情報を増やす力にあります。
たとえば、ある技術を調べたいとします。
AIに聞けば、概要、メリット、デメリット、サンプルコード、比較表、導入手順まで出してくれます。さらに深掘りを頼めば、関連技術や注意点も追加してくれます。
これは本当に便利です。
ただし、情報が増えた瞬間に、別の作業が必要になります。
それは、次のような問いに答えることです。
- いま分かっていることは何か
- まだ分かっていないことは何か
- どの情報は信頼できそうか
- どの情報は前提が怪しいか
- どの論点が判断に効いているのか
- どの選択肢を、どんな理由で選ぶのか
- 何が変わったら、その判断を見直すべきか
この作業は、単なる検索でも、単なる要約でもありません。
むしろ、AI時代にはここが新しいボトルネックになります。
情報生成のコストが下がるほど、未整理の情報、未検証の主張、未接続のメモ、未決着の議論も増えていくからです。
「要約して」は便利。でも、それだけでは足りない
AIに長い文章を渡して「要約して」と頼むのは、とてもよくある使い方です。
もちろん、要約は便利です。
長い文書を読む前の入口になります。
会議ログや調査資料をざっと把握する助けにもなります。
しかし、要約には弱点もあります。
要約は、情報を短くします。
でも、短くする過程で、重要なものが消えることがあります。
たとえば、次のようなものです。
- 意見が分かれている理由
- 判断の前提になっている仮定
- まだ確認できていない不確実性
- 少数派だけれど重要な懸念
- 結論に至るまでの迷い
- 後から見直すべき条件
要約された文章だけを見ると、きれいにまとまっているように見えます。
でも、実際には「分かった気になっただけ」で、判断に必要な構造が見えていないことがあります。
特に、仕事や開発ではこれが問題になります。
設計方針、仕様変更、技術選定、障害対応、顧客要望、プロジェクト方針。
こうした場面では、単に短くまとまった文章よりも、
「何を根拠に、何を捨てて、どこまで分かっていて、何はまだ分かっていないのか」
が見えていることのほうが重要です。
本当に欲しいのは「きれいな文章」ではなく「判断できる状態」
AIの出力は、しばしば文章としてきれいです。
しかし、文章がきれいであることと、判断に使えることは同じではありません。
判断に使える状態とは、たとえば次のような状態です。
- 分かっていることと、分かっていないことが分かれている
- 主張と根拠が分かれている
- 事実と解釈が分かれている
- 合意できている点と、対立している点が分かれている
- 暫定結論と、その見直し条件が分かれている
- 次に調べるべきこと、次に決めるべきことが分かっている
これは、単なるドキュメント整理ではありません。
「この情報を見れば、次に何を考えればよいか分かる」
「この記録を見れば、なぜそう決めたのか分かる」
「新しい情報が入ったとき、どこを更新すればよいか分かる」
そういう状態を作ることです。
開発現場でも、同じ問題が起きている
この問題は、研究や学問だけの話ではありません。
エンジニアリングの現場でも、かなり身近です。
たとえば、技術選定を考えてみます。
候補A、候補B、候補Cがあります。
それぞれのメリット・デメリットをAIに出してもらうことはできます。
比較表も作れます。
しかし、実際に必要なのは、単なる比較表ではありません。
- 今回のプロジェクトで何を重視するのか
- 短期の開発速度と長期の保守性のどちらを優先するのか
- チームの経験値をどう考えるのか
- 既存システムとの相性をどう評価するのか
- どのリスクなら受け入れられるのか
- 後から見直す条件は何か
こうした判断の構造が残っていないと、数か月後に同じ議論が再発します。
「なんでこの技術を選んだんだっけ？」
「当時の前提って何だったっけ？」
「この懸念、前にも話してなかった？」
こういう会話は、多くのチームで起きていると思います。
そして、そのたびに時間が溶けます。
AIを導入しても、この構造が残らなければ、再利用できる知識にはなりません。
AIは答えを出す係ではなく、考える場を整える係にもなれる
AIの使い方として、「答えを出してもらう」だけを考えると、少しもったいないです。
むしろAIは、考える場を整えるために使えます。
たとえば、次のように頼むことができます。
この議論を、次の観点で整理してください。
1. 合意できている点
2. 意見が分かれている点
3. それぞれの主張
4. 主張を支える根拠
5. まだ確認できていない前提
6. 判断に必要な追加情報
7. 暫定結論
8. 次に取るべきアクション
または、調査メモに対して次のように頼むこともできます。
この調査内容を、単に要約するのではなく、
意思決定に使える形に再構成してください。
特に、分かっていること、分かっていないこと、
判断に効く論点、見直し条件を分けてください。
ここで重要なのは、AIに「最終判断」を丸投げしないことです。
AIは、論点を並べること、抜けを見つけること、関係を整理すること、別の見方を提示することは得意です。
一方で、何を重視するか、どのリスクを受け入れるか、どの価値を優先するかは、人間が決める必要があります。
AIを「答えをくれるもの」としてだけでなく、
「判断しやすい状態を作るための相棒」
として使うと、見える景色が変わります。
合意しなくても、前に進めることがある
議論をまとめるというと、「みんなを同じ意見にすること」を想像するかもしれません。
でも、実際には、合意できないまま進めたほうがよい場面もあります。
重要なのは、無理に一つの結論へ押し込むことではありません。
むしろ、次のような状態を作ることです。
- どこまでは合意できているのか
- どこから意見が分かれているのか
- なぜ意見が分かれているのか
- どの前提が違うのか
- どの情報が足りないのか
- いま決めるべきことと、後で決めればよいことは何か
対立を消すのではなく、対立の構造を見えるようにする。
未確定なものを無理に確定させるのではなく、未確定なものとして扱えるようにする。
それだけでも、議論はかなり前に進みます。
情報が増える時代に必要なのは、情報を「閉じる」技術ではなく「更新できる形で残す」技術
AI時代の知識管理で大事なのは、完璧な結論を一度で作ることではないと思っています。
むしろ大事なのは、途中の状態を、後から更新できる形で残すことです。
- 当時は何が分かっていたのか
- 何を根拠に判断したのか
- 何は未確認だったのか
- どの条件が変わったら見直すべきなのか
- 新しい情報が入ったとき、どこに接続すればよいのか
こういう形で残っていれば、知識は死蔵されません。
新しい情報が入ったときに、過去の議論を捨てずに更新できます。
別の人が途中から参加しても、文脈を復元できます。
AIに再整理させるときにも、単なるログよりはるかに扱いやすくなります。
知識は、ただ保存されているだけでは使えません。
使える知識には、構造が必要です。
ここで扱いたい問題に名前をつける
ここまで書いてきたのは、単なる情報整理術ではありません。
情報、意見、仮説、根拠、未解決の問いを、判断や行動に使える状態へ近づけていくことです。
私はこの営みを「知識を収束させること」と呼んでいます。
そして、この問題を個人の整理能力や経験則だけに任せず、再現可能な方法として考えていくための試みを、知識収束学と呼んでいます。
名前だけ見ると少し堅く感じるかもしれません。
でも、扱っている問題はかなり日常的です。
- 調べても判断できない
- 議論しても結論が残らない
- AIを使っても、何を信じればよいか分からない
- 過去の知見が再利用されない
- 合意できない論点をうまく扱えない
こうした問題に、ちゃんと名前をつけて、扱えるようにしたいというのが出発点です。
リポジトリで整理しています
この考え方を、次のリポジトリで整理しています。
まだ発展途上ですが、次のような内容を扱っていく予定です。
- 知識を判断可能な状態に近づけるための考え方
- AIを使った議論・調査・学習・開発の整理方法
- 収束しない議論のパターン
- 合意ではなく、論点構造を残すための表現方法
- 人間とAIが協力して知識を更新していくための方法
この記事は、その入口として書きました。
AIがもっと賢くなっても、私たちが「何を根拠に、どう判断するか」という問題は残ります。
だからこそ、AI時代に必要なのは、答えを増やすことだけではありません。
増えた答え、増えた意見、増えた情報を、判断できる状態へ近づけることです。
そのための考え方として、知識収束学を育てていきたいと思っています。
まとめ
AIは、情報を出す力を大きく伸ばしました。
でも、情報が増えたからといって、判断が自動的に進むわけではありません。
これから重要になるのは、情報を集めることだけではなく、
- 何が分かっているのか
- 何が分かっていないのか
- どこで意見が分かれているのか
- 何を根拠に判断するのか
- 新しい情報が入ったら、どう更新するのか
を見えるようにすることです。
AIが答えを出す時代だからこそ、私たちは「答えをどう扱うか」を考える必要があります。
その問題に関心がある方は、ぜひリポジトリも見てみてください。