コピペが通用しなくなったとき

AIとの仕事には、ほとんどの人が通る段階がある。モデルが役に立つ初稿を書き、検索エンジンより的確に質問に答え、文書を数秒で要約できることに気づく。それを自分のワークフローに組み込む。速くなる。それは機能する。

我々もその段階を通った——そして、その段階が備えさせてくれないものに、すぐにぶつかった。

コンテンツの問題

YouTubeチャンネルはアジャイルのコンテンツを制作していた。一日一本の動画。そしてアジャイルのコンテンツには固有の難しさがある。ほとんどのAIは、アジャイルを根本的に取り違えたコーパスで訓練されている。

問題はモデルが無能だということではない。問題は訓練データにある。数十年にわたり、「アジャイル方法論」について書籍やブログ、認定ガイドが書かれてきた——この言い回し自体が矛盾である。アジャイルはマインドセットであって、方法論ではないからだ。それらの文章は詳細で、数も多く、そしてアジャイルが実際に何であるかについて自信をもって間違っている。モデルはそのすべてを吸収してきた。

だからAIを使ってアジャイルのコンテンツを書くことは、モデルが言うよう訓練されてきたもの全体の流れに、絶えず逆らって泳ぐことを意味した。アジャイルの価値観についての草稿を頼めば、構造が整い、流暢で、しかし微妙にずれたものが返ってくる——アジャイルを、複雑な作業への向き合い方を考える筋道としてではなく、導入すべきプラクティスの集合として枠づけたものが。

出力はすべてキュレーションを要した。草稿はすべて、本当の主張に照らして読まれなければならなかった。すなわち、アジャイルのマインドセットこそが要点であり、プラクティスはそれを支えるために存在する——逆ではない、という主張に。

キュレーションが明らかにしたこと

コピペのパターンが本当の限界を見せ始めたのは、ここからだった。

コピペによるAI活用は、自分が常にバトンであるリレーだ。あるモデルの出力を受け取り、評価し、調整し、次のモデルへ渡し、これを繰り返す。単純な作業ならリレーは速く、結果も悪くない。複雑な作業——答えが自明でなく、枠づけが効いてきて、モデルに埋め込まれた前提を能動的に正す必要がある作業——では、リレーそのものが仕事になる。

コンテンツが精密になるほど、キュレーションの負荷は増した。マインドセットとしてのアジャイルと、処方箋としてのアジャイルの区別を説明するには、訓練データの中にある非常に大きな反対の重みに対して、明確な立場を保ち続ける必要がある。モデルの自信に満ちた既定の答えに反論し、標準的な枠づけがなぜ誤りなのかを説明し、そのうえで出力をより正確なほうへ導く必要があった。

やがて興味深いことが起きた。モデルは学んだ——一つの会話の中で、立場を説明し、反論に向き合ってもらったあとでは、モデルは考えを変えられた。Claudeは、なぜその区別が重要なのかを理解すれば、それを保つことができた。ChatGPTは、議論を理解すれば、枠を組み直すことができた。

そしてモデルのほうから反論してくることもあり、それもまた有用だった。モデルからの筋の通った異議は、立場をより明確に言語化させた。その挑戦が思考を研ぎ澄ませた。

この方法の限界

限界は能力ではなかった。限界は構造だった。

一つの会話から生まれた洞察は、すべて手作業で次の会話へ運ばなければならなかった。モデルの既定の答えへの修正は、すべて毎回やり直さなければならなかった。良いセッションの中で育っていった共通理解は持続せず——作り直すほかなかった。

そしてモデル間のリレーは——どちらか一方だけよりも明らかに良い出力を生んでいたのに——一人の人間を通っていた。すべてのメッセージが手で仲介され、すべての統合が一つの頭の中で起きていた。

コピペのモデルが十分でなくなったのは、その瞬間だった。機能しなくなったからではなく、我々がやろうとしていたことが、それが支えられる範囲を超えて大きくなったからだ。問いが立ち上がり始めた——リレーがもはや手作業でなくなったとき、構造はどのような形をとるのか。