AIに努力を代行させるのではなく、努力の“回転数”を上げる
生成AIを使えば、努力しなくても成果を出せる。
文章はAIが書く。
画像はAIが作る。
資料はAIがまとめる。
コードはAIが実装する。
情報収集もAIに任せる。
そう考えると、AIは努力を減らす機械に見える。
しかし、落合陽一のAI活用を追っていくと、まったく別の姿が浮かび上がる。
彼は、AIを使って考える量を減らしているのではない。
同じ時間で試せる仮説を増やし、調べられる範囲を広げ、作れる試作品を増やし、失敗から次の試行へ移る速度を上げている。
AIによって一回の仕事を楽に終わらせるのではない。
一回で終わっていた仕事を、十回、百回とやり直せる状態にする。
つまり、彼がAIで増幅しているのは才能そのものというより、努力の回転数である。
2023年の公式アーティストステートメントで、落合は約2カ月にわたり、朝から夜まで大規模言語モデルとの対話を続けたと記している。2025年には、ChatGPT、Gemini、Grok、Claudeなど複数のAIを同時に立ち上げ、調査、画像生成、実装を工程別に分担させるワークフローが紹介された。さらに2026年には、既存のAIサービスを使うだけでなく、オフラインで動く「vibe-local」や、複数のAI提供元を横断する「co-vibe」といったコーディングエージェントを自ら公開している。
これは、一般的に想像される「AIで時短する人」の行動ではない。
AIと長時間対話する。
複数モデルを比較する。
出力を何度も作り直す。
利用環境そのものを設計する。
不透明な部分があれば、自分で道具を作る。
作った道具をさらにAIで検証する。
研究、作品、空間、身体へ接続する。
AIで努力をなくすどころか、AIを使うことで、以前より多くの試行を自分へ課している。
本稿でいう「努力の天才」は、本人が名乗っている肩書ではない。
落合陽一の公開発言、本人の文章、作品、公開されたソフトウェアから見えてくる仕事の構造を表す、本稿上の呼び方である。落合の公式プロフィールでは、メディアアーティストとして活動し、筑波大学教授、東京大学准教授を務め、2025年大阪・関西万博のテーマ事業プロデューサーを担当したとされている。
また、落合本人のすべてのAI会話ログや、日々の作業記録が公開されているわけではない。
以下は、公開されている事例から「何をしているか」を確認し、その背後にある努力の設計を分析したものである。
1．落合陽一にとって、努力とは「長時間苦しむこと」ではない
努力という言葉から、多くの人は我慢を想像する。
眠いけれど机に向かう。
つらくても続ける。
大量の文章を読む。
何度も同じ練習をする。
人より長く働く。
もちろん、継続や忍耐が必要な仕事はある。
しかし、落合陽一の仕事を「働いている時間の長さ」だけで説明すると、本質を見誤る。
彼の強さは、努力量を増やすことだけではない。
一回の努力から得られる情報量を増やすことにある。
同じテーマを一つのAIだけに尋ねるのではなく、複数のAIへ同時に投げる。
文章だけで考えるのではなく、画像にする。
画像を眺めるだけでなく、動く試作品にする。
試作品を作って終わるのではなく、現実の空間で動かす。
問題が起きれば、人間の手で修正するだけではなく、再発しないように道具や仕組みを変える。
この仕事の仕方を、次の式で捉えることができる。
**成果の質 ＝問いの質 × 試行回数 × 検証力 × 実装速度 × 現実から得るフィードバック**
生成AIは、このうち試行回数と実装速度を大幅に上げる。
だが、問いの質、検証力、現実からのフィードバックまで自動的に上げてくれるわけではない。
むしろ出力が増えれば増えるほど、何を信じ、何を捨て、どこを直すかという判断量は増える。
AI導入後の努力は、文字を一文字ずつ入力する作業から、方向を選び続ける作業へ移る。
落合式のAI活用とは、努力をゼロにすることではない。
努力する場所を、低価値な反復から、高価値な判断へ移すことである。
2．完璧な質問を作ってから、AIを開くのではない
AIをうまく使えない人ほど、最初のプロンプトを完璧にしようとする。
目的を書かなければならない。
条件を整理しなければならない。
役割を指定しなければならない。
出力形式も決めなければならない。
考えているうちに面倒になり、結局AIを使わなくなる。
落合の方法は、その逆である。
2025年に出版された『猫でもわかる生成AI』からの抜粋記事では、AIの使い方が分からなければ、その使い方自体をAIに聞くこと、音声で話しかけて感覚をつかむこと、希望と違う回答が返ってきた場合にはAI側から利用者へインタビューさせる方法などが紹介されている。
ここで重要なのは、「質問の準備」を人間だけで完了させないことだ。
たとえば、新しい企画を考えているが、何を作りたいのか自分でもよく分からないとする。
普通は、自分で整理してからAIに相談しようとする。
しかし、次のように始めてもよい。
新しい企画を考えているが、まだ自分でも目的を言語化できていない。 一度に一問ずつ質問し、対象者、解決したい問題、使える資源、避けたいことを明らかにしてほしい。 私の回答に矛盾があれば、その場で指摘してほしい。
すると、AIとの対話そのものが要件定義になる。
誰に届けたいのか。
なぜ自分がやるのか。
現在の代替手段は何か。
予算はいくらか。
何が失敗なのか。
どの部分だけは譲れないのか。
AIに完成した指示を渡すのではない。
AIとの会話によって、指示を完成させていく。
この違いは大きい。
完璧なプロンプトを先に作ろうとすると、自分がすでに理解している範囲しか書けない。
AIから質問を返させると、自分がまだ考えていない条件に気づける。
AIは、答えを出す機械であると同時に、人間の曖昧さを発見する質問装置になる。
努力の天才は、最初から正確な問いを持っている人ではない。
曖昧な状態で始め、対話しながら問いの解像度を上げられる人である。
3．頭に浮かんだものは、音声で先に回収する
人間の思考は、文章の形で発生するとは限らない。
何となく面白そうだと思った。
昨日の会話と今日見た映像がつながった。
説明できないが、違和感がある。
名前のないイメージだけが浮かんだ。
こうした状態で文章を書こうとすると、思考が止まる。
一文目を整える。
言葉の意味を確認する。
相手に伝わる背景を補足する。
論理の順番を並べ替える。
思いつきを記録しているはずなのに、途中から編集作業になってしまう。
落合は2023年、音声認識のWhisperとGPT-4を組み合わせ、自分をデジタルに補完する方法を書いている。その中で、アイデアの文脈は後から補完すればよく、説明へ使っていた時間を、さらに先を考える時間へ回せるという趣旨を述べている。
この発想は、AI時代のメモ術として非常に強い。
普通のメモでは、記録と編集を同時に行う。
落合式では、この二つを分離する。
最初は、思考を止めずに話す。
「これとあれが似ている気がする」
「なぜか分からないが気になる」
「こういう映像を作ったらどうなるだろう」
「たぶん前提が間違っている」
「さっき思ったことと矛盾するけど」
文法を整えなくてよい。
順番も気にしない。
その後でAIに、文字起こしを次のように分けさせる。
- 観察した事実
- 自分の解釈
- 未検証の仮説
- 制作または研究のアイデア
- 次に調べる事項
- 説明が不足している箇所
- 前後で矛盾している発言
そして人間が、AIの整理結果へ文脈を追加する。
この順番なら、発想段階で文章力に邪魔されない。
思考の速度を落とさず、後から説明可能な形へ戻せる。
AIはアイデアを生むだけでなく、まだ言葉になっていない思考を失わないための緩衝材として使える。
ただし、音声を録音するときは、他人の会話、機密情報、個人情報が含まれていないかを確認する必要がある。
何でもAIへ送り込むのではない。
記録の速度を上げるほど、入力してよい情報の境界管理も重要になる。
4．一つのAIを信じず、複数のAIを同時に動かす
落合のAI活用を象徴するのが、複数モデルの並列運用である。
2025年末に公開されたPIVOTの記事では、新しいプロジェクトやリサーチを始める際、ChatGPT、Gemini、Grok、Claudeなどを同時に起動し、ディープリサーチ機能を使って背景情報を一気に調べると紹介されている。
この使い方の価値は、単に情報量が四倍になることではない。
モデルごとに、得意な整理方法、参照する情報、慎重さ、文章の癖が違う。
同じ質問を投げても、一つは制度面を重視し、一つは技術面を重視し、一つは未来予測へ進み、一つは反対意見を多く出すことがある。
そこで重要なのは、四つの回答を平均化することではない。
回答が食い違った場所を見ることである。
一致した部分は、比較的安定した情報かもしれない。
一つのAIだけが挙げた論点には、新しい発見があるかもしれない。
数字が異なる場合は、対象期間や定義が違う可能性がある。
引用元が異なるなら、一次資料へ戻る必要がある。
一つのAIを上司のように使うと、回答を採用するか、却下するかの二択になる。
複数のAIを調査チームとして使うと、回答同士を衝突させられる。
たとえば、次のように役割を分けられる。
一つ目には、標準的な説明を作らせる。
二つ目には、標準的な説明が成立しない反例を探させる。
三つ目には、一次資料だけを集めさせる。
四つ目には、実装上の障害と費用を見積もらせる。
五つ目には、一般の利用者が理解できる言葉へ翻訳させる。
2026年7月現在、ディープリサーチ機能は、ウェブ検索だけでなく、利用者が許可したファイル、クラウド上の文書、メールなどを調査対象に加えられるものもある。コーディングエージェントは、コードベースを読み、複数ファイルを編集し、コマンドを実行するところまで進んでいる。
この状況では、「どのAIが一番賢いか」を一度決めることに、あまり意味がない。
モデルは更新される。
料金も変わる。
得意領域も変わる。
重要なのは、特定ブランドへの忠誠ではなく、仕事を分解し、その仕事に合う能力を配置することである。
5．一つのチャットで、企画から完成までやらせない
AIに「新商品の企画を考え、調査し、デザインし、宣伝文を書き、実装までしてください」と依頼する。
一見すると効率的である。
しかし、同じ会話の中で全工程を進めると、最初にAIが作った仮説が、後の工程で事実のように扱われやすい。
AI自身が作った市場仮説を、同じAIが前提として企画を作る。
その企画を正しいものとして、同じAIが宣伝文を書く。
最後に同じAIが、企画の評価まで行う。
内部では一貫している。
だが、その一貫性は、最初の思い込みを全工程へ引き継いだ結果かもしれない。
落合の公開ワークフローでは、情報収集には複数の言語モデル、コンセプトの視覚化にはMidjourneyやStable Diffusion、実装にはCursorなど、工程ごとに異なる道具を使い分けている。
この方法には、二つの利点がある。
一つは、各工程に適したAIを使えること。
もう一つは、工程の間に人間の判断を挟めることだ。
調査結果を読み、人間が仮説を選ぶ。
選んだ仮説を基に画像を作る。
画像を見て、方向性を修正する。
修正した方向性を仕様書へ落とす。
仕様書をコード生成AIへ渡す。
動くものを人間が試し、問題を見つける。
つまり、AIからAIへ仕事を直結させず、途中に選択の関門を置く。
この関門で、何を残し、何を捨てるかを人間が決める。
落合式のワークフローを抽象化すると、次のようになる。
調査 →人間による仮説選択 →視覚化 →人間による方向修正 →実装 →現実環境でのテスト →人間による評価 →再調査
AI活用が浅い人は、AIから完成品を受け取ろうとする。
AI活用が深い人は、完成までの工程を細かく切り、各工程でAIと人間の担当を組み直す。
6．ディープリサーチは「答え」を作る機能ではない
ディープリサーチは、短時間で大量の資料を探し、比較し、引用付きの長いレポートへまとめる。
2025年2月、落合はディープリサーチのテスト結果として、計算機自然、オブジェクト指向存在論、ポストヒューマニズム、万博パビリオンなどを横断する約2万5000字の出力が一度に生成されたと、自身のnoteで紹介している。
ここだけを見ると、「AIに2万5000字を書かせれば研究が終わる」と思うかもしれない。
しかし、長い文章が生成されたことと、内容が正しいことは別である。
AIは、存在しない引用を作ることがある。
同名の研究者や論文を混同することがある。
事実と推測を、滑らかな文章で接続することがある。
古い数字を、現在の数字のように説明することがある。
落合塾のワークショップをまとめた資料でも、AIによって文献検索、分析、仮説構築を高速化できる一方、出力の正確性や引用の妥当性は人間が検証しなければならないと整理されている。
したがって、ディープリサーチへ依頼すべきなのは、「真実を教えて」ではない。
次のような仕事である。
このテーマに、どの論点が含まれているか。
重要な一次資料は何か。
研究者の間で意見が分かれている点はどこか。
数字の定義は何種類あるか。
どの主張が未検証か。
追加で確認すべき資料は何か。
つまり、ディープリサーチの主な役割は、調査地図を作ることである。
地図に描かれた道を実際に確認するのは人間だ。
調査の精度を上げるには、AIへ次の出力を要求するとよい。
事実、推測、予測を分離する。
主張ごとに出典を付ける。
出典の公開日と、扱っているデータの対象期間を分ける。
一次資料と二次資料を区別する。
確認できなかった事項を明記する。
反対証拠を別欄に出す。
複数資料で数字が異なる場合、差の理由を推定する。
ディープリサーチで浮いた時間を、そのまま別の仕事へ使ってはいけない。
浮いた時間の一部を、検証へ再投資する。
これが、AIで大量の情報を扱う人間の責任である。
7．長いプロンプトは、長文を書く競技ではない
2024年に行われた中高生向けのワークショップでは、落合から、プロンプトを長く具体的にすることや、AIは何度やり直しを求めても嫌がらないことなどが助言されたと紹介されている。参加者はChatGPTで「2300年に広がる物語」を作り、生成AIを使って絵コンテへ展開した。
ただし、「長いほどよい」という言葉を文字どおり受け取るべきではない。
無関係な情報を大量に書けば、指示はかえって曖昧になる。
長さ自体に価値があるのではない。
人間の頭の中にしかなかった前提を、AIが扱える形で外へ出すことに価値がある。
落合は2024年、入力できる情報量が増える中で、抽象的な概念やオブジェクト指向的な構造をプロンプトへ持ち込む可能性について書いている。また、ChatGPTの検索対応などに合わせて、自身のカスタムインストラクションを更新している。
ここから見えるのは、一回限りの「神プロンプト」を探す姿勢ではない。
仕事に合わせて、指示体系そのものを更新する姿勢である。
深いプロンプトには、最低でも次の要素がある。
目的：
今回、最終的に何を決めたいか。
背景：
なぜこの仕事が必要なのか。
現在分かっていること：
確認済みの事実、過去の経緯、利用可能な資源。
分かっていないこと：
未確認事項、曖昧な定義、対立している情報。
制約：
予算、期限、権利、禁止事項、対象者。
評価基準：
何を満たせば良い出力と判断するか。
作業工程：
調査、発案、比較、実装、検証をどう分けるか。
ツール権限：
検索、ファイル閲覧、コード実行など、何を許可するか。
停止条件：
どの時点で自動実行を止め、人間へ確認するか。
出力形式：
事実、仮説、提案、未確認事項を分けて表示する。
これはプロンプトというより、小さな仕事の仕様書である。
AI時代には、文章を書く能力と、システムを設計する能力が近づく。
「うまいお願い」を書くのではない。
目的、状態、制約、判断基準を、AIが処理できる形で記述する。
落合式の長いプロンプトとは、言葉を増やすことではなく、思考を構造化して渡すことなのだ。
8．一回目の回答は「完成品」ではなく、探索用の素材である
AIを使い始めた人は、最初の回答を見て判断する。
良ければ採用する。
悪ければ、「AIは使えない」と考える。
しかし、落合の公開事例から見えるのは、最初の出力を完成品として扱わない姿勢である。
対話を重ねる。
ディテールを出す。
形式を変える。
別のAIへ投げる。
画像にする。
コードにする。
実際に動かす。
問題が出たら、再び指示を変える。
落合は2023年、対話を段階的に進めることで細部が現れ、自然言語からコード、画像、音声などへ展開しやすくなると書いている。
AIの最大の特徴は、最初から正解を出せることではない。
やり直しの社会的コストが低いことである。
人間のデザイナーへ、根拠もなく百回の修正を頼めば、関係が壊れる。
社員へ、思いつきで同じ資料を何度も作り直させれば、時間と意欲を奪う。
AIは、同じ依頼を何度変えても疲れない。
だからこそ、AIを使うときは、人間へ無意味な修正を強いる代わりに、AIの段階で探索量を増やせる。
ただし、ただ「もっと良くして」と繰り返しても、改善は頭打ちになる。
必要なのは、修正の理由を記録することだ。
この案は、誰にでも当てはまる。
この画像は、色ではなく構図が弱い。
このコードは動くが、保守しにくい。
この文章は正しいが、自分の経験が入っていない。
この企画は面白いが、実行主体がいない。
却下理由をAIへ返すと、次の生成条件になる。
すると、反復するたびに指示体系が賢くなる。
努力とは、同じ作業を何度も繰り返すことではない。
一回ごとの失敗を、次の条件へ変換することである。
9．自然言語を、実装言語として使う
落合は早い段階から、生成AIによって自然言語とプログラミング言語の距離が縮まることに注目していた。
2023年の文章では、音声認識とChatGPTの登場によって、自然言語からコードへ変換しやすくなり、言葉を通じて映像、音楽、文字など多様な出力を作れると論じている。
これは、「プログラミングを知らなくても、何でも作れる」という単純な話ではない。
むしろ、要求を言語化する能力の重要性が上がる。
何を入力するのか。
どのデータを使うのか。
処理の順序はどうするのか。
エラー時にどう動くのか。
利用者へ何を表示するのか。
何を保存してよいのか。
どの条件を満たせば完了なのか。
以前は、こうした設計をコードとして書いた。
現在は、その一部を自然言語でAIへ伝えられる。
しかし、曖昧な自然言語を渡せば、曖昧なプログラムができる。
だから、AIコーディングが進むほど、コードを書く速度より、仕様の矛盾を発見する力が重要になる。
2026年には、PIVOTが落合のAI利用を「生産性は32倍」と題した短編で紹介している。ただし、公開された短編ページだけでは、対象作業、比較期間、品質評価などの算定条件を確認できない。この数字は厳密な全社生産性指標ではなく、AIコーディングが実装速度を大きく変えたことを象徴する表現として受け取るのが適切だろう。
実際、コードの行数が32倍になっても、価値が32倍になるとは限らない。
バグも32倍になるかもしれない。
検証するコードも増える。
仕様変更時の影響範囲も広がる。
使われない機能を大量に作る可能性もある。
AIコーディングの本当の成果は、生成した行数ではない。
仮説から試作品までの時間。
利用者から反応を得るまでの時間。
問題を見つけ、直し、再公開するまでの時間。
以前なら費用のために試せなかった案を、実際に試せた数で測るべきである。
10．便利なAIを使うだけでなく、AIを使う道具まで作る
落合の最新のAI活用で特に象徴的なのが、「vibe-local」と「co-vibe」である。
vibe-localは、PythonとローカルLLM実行環境を使い、ネットワーク接続や有料クラウドサービスなしでも動かせるオープンソースのコーディングエージェントとして公開されている。単一のPythonファイルを中心に構成され、教育、研究、オフラインのワークショップなどでの利用が想定されている。
co-vibeは、Anthropic、OpenAI、Groq、ローカルモデルなど複数の提供元を横断し、タスクの複雑さに応じてモデルを振り分ける仕組みを持つ。ウェブ調査、ファイル操作、コーディング、複数エージェントの並列実行、セッションの継続などを、一つのターミナル環境で扱う設計になっている。
この二つから見えるのは、既存サービスをそのまま受け入れない姿勢である。
クラウドへ接続できない環境がある。
学生が有料サービスを契約できない。
一つのAI提供元だけに依存したくない。
内部で何が起きたかを確認したい。
研究機器と接続したい。
長時間の研究作業を継続させたい。
こうした不満に対して、別の製品を探し続けるのではなく、必要な環境を作る。
AIネイティブな努力とは、プロンプトを工夫することだけではない。
繰り返し発生する不便を、道具の改良によって消すことである。
一日に五分かかる作業がある。
手作業で毎日続ければ、一年間で大きな時間になる。
一度スクリプトを作れば、翌日からほとんど時間がかからない。
さらに、そのスクリプトをAIエージェントへ組み込み、同じ種類の作業を自動で判断できるようにすれば、他の仕事にも使える。
努力の天才は、目の前の作業だけを速くこなす人ではない。
次から努力しなくてよい部分を見つけ、その分だけ新しい努力へ進める人である。
11．ブラックボックスのまま便利に使わない
AIツールは、便利であるほど中身が見えにくくなる。
指示を入れる。
しばらく待つ。
完成物が出てくる。
利用者は、途中でどのモデルが使われ、何度失敗し、何を検索し、どのファイルを変更したかを知らない。
簡単な仕事なら、それでもよい場合がある。
しかし研究、業務システム、個人情報、設備制御など、失敗の影響が大きい仕事では、「なぜそうなったか」を後から確認できなければならない。
co-vibeのポジションペーパーでは、市販のAIコーディング支援を高く評価しつつ、研究用途では不透明性が問題になるとして、API呼び出し、モデル選択、ツール実行などを追跡できる構造が必要だと説明している。また、単一のAI提供元へ固定されず、ローカルモデルとクラウドモデルを切り替えられることも設計上の要件に置いている。
これは、落合式AI活用の重要な特徴である。
AIを魔法として使わない。
観察可能な装置として使う。
どの指示で失敗したか。
何回やり直したか。
どのモデルが何を担当したか。
いくらかかったか。
どのファイルが変更されたか。
テストを何件通過したか。
人間がどこを承認したか。
これらを記録できれば、失敗は再現可能になる。
再現できる失敗は、改善できる。
反対に、「なぜか今回はうまくいった」という状態は、次の仕事で再現できない。
AIの内部にある非公開の逐語的な思考を読む必要はない。
必要なのは、検索した資料、実行した操作、変更差分、テスト結果、費用、処理時間といった、確認可能な行動の履歴である。
AIに仕事を任せるほど、ログを軽視してはいけない。
成果物だけを見るのではなく、成果物ができるまでの工程も保存する。
これが、AIを道具として鍛えていくための基礎になる。
12．創造性では、AIを人間の言うことに従わせすぎない
仕事でAIを使う場合、利用者の意図どおりに動くことが重要になる。
しかし、創作では事情が異なる。
人間の想定どおりのものだけが出てくるなら、AIを使う意味が薄い。
すでに頭の中に完成形があるなら、人間がそのとおりに作ればよい。
AIの価値は、ときに、利用者が予想していなかった結びつきを出すことにある。
落合は、当時のGPT-4.5について、論理的な形式へ収まりすぎず、言葉や記号の間を飛躍する「文学的」な性質を評価していたと紹介されている。これは最新モデルの優劣を決める普遍的評価ではなく、論理的な正確さとは別に、予測しにくい接続を生むAIを創作へ使おうとする姿勢を示している。
落合は別の文章で、AI創作を、人間が全面的に制御する場合、完全に自動生成へ任せる場合、AIの生成を基に人間が選択や微調整だけを行う場合などに分け、その間にある矛盾を検討している。人間が細かく直しすぎればAI特有の逸脱が失われ、完全自動にすれば人間側の創作欲求が満たされにくい。
ここから導かれるのは、「AIに良い作品を作らせるプロンプト」ではない。
AIの予想外を、どこまで残すかという編集技術である。
たとえば、AIが作った画像に奇妙な形が現れたとする。
普通なら、不具合として消す。
しかし、その奇妙さに新しい印象があるなら、全体の構成をその形へ合わせることもできる。
AIが作った文章に、通常なら接続しない概念が並んだとする。
意味不明として削ることもできる。
一方で、なぜその二つが並んだのかを人間が考え、新しい問いへ変えることもできる。
落合の「リキッドユニバース」では、生成AIによって割れた液晶のイメージが流動的に変化し続ける映像が制作されている。2025年の展示では、生成AIによる映像が絶えず変化し、海洋生物や龍の像が生まれては消える構成が採用された。
AIは、作者の手を完全に置き換えているわけではない。
生成方法、素材、表示装置、空間、時間、残す変化、観客との距離を人間が設計している。
創作における人間の努力は、すべてを手で描くことから、生成され続けるものに境界を与えることへ移る。
13．AIをチャット画面から出し、空間と身体へ接続する
多くの人にとって、AIはブラウザの中にいる。
質問を入力すると、文章が返ってくる。
だが、落合のAI活用は画面内に留まらない。
移動中の仕事環境では、Apple Vision Proを、周囲の視覚情報を遮り、巨大な仮想画面を展開するための「視覚のヘッドホン」として使っていると紹介されている。新幹線などでも、自分の集中環境を再構築する発想である。
大阪・関西万博の「null²」では、AIが文章を返すだけでなく、利用者の分身、声、映像、空間演出へ接続された。
Mirrored Bodyでは、利用者が情報や声を登録することでAIアバターを作り、パビリオンの演出へ接続する仕組みが採用された。さらに、そこで使用された3Dリアルアバター技術の一部は、万博後にオープンソースとして公開されている。
ここには、AI活用を理解するうえで大きな示唆がある。
AIを使うとは、チャットへ仕事を依頼することだけではない。
人間が見るものを変える。
人間がいる空間を変える。
身体の動きを入力にする。
声をインターフェースにする。
現実の装置を動かす。
鑑賞者の反応によって表現を変える。
AIを環境の一部として設計する。
もちろん、誰もが高価なヘッドセットや大規模な展示設備を用意する必要はない。
移植すべきなのは機材ではなく、原理である。
集中を妨げる通知を遮断する。
AIを常に同じ作業環境から呼び出せるようにする。
音声、写真、文書、コードを一つのプロジェクトへ集約する。
よく使う指示をテンプレート化する。
現実の作業結果をAIへ戻す。
人間が毎回意志の力で集中しなくてもよいように、集中が起きる環境を先に作る。
努力を続けられる人は、意志が強いだけではない。
努力しやすい環境を、自分の周りに作っている。
14．AI時代ほど、昔ながらの手作業経験が価値を持つ
AIを使いこなすには、最新ツールだけ知っていればよい。
そう思われがちだ。
しかし、落合は、手でコードを書き、仕組みを理解し、技術の変化を通過してきた「アナログおじさん」的な経験の価値を強調している。
AIがコードや文章を生成しても、内部構造を理解していなければ、問題発生時に原因を判断できない。自分で手を動かしてきた経験があれば、不具合の兆候やエラー箇所へ早く気づけるという考え方である。
これは、若い世代より年長者が優れているという単純な話ではない。
重要なのは年齢ではなく、基礎工程を自分で経験したかどうかである。
文章を何度も書き直した人は、AI文章の不自然な論理接続に気づきやすい。
撮影を経験した人は、生成画像の光源やレンズ表現の矛盾に気づく。
プログラムをデバッグしてきた人は、動いているだけで危険なコードを見抜きやすい。
論文を読んできた人は、存在しそうで存在しない引用に違和感を持てる。
顧客対応をしてきた人は、AIが作った理想的な業務フローが現場で使えない理由を想像できる。
AIは初心者の出力速度を上げる。
しかし、初心者を自動的に熟練者へ変えるわけではない。
出力が正しいかを評価するには、その領域の感覚が必要になる。
したがって、AI時代の学習は、基礎をすべて省略することではない。
基礎作業を必要な回数だけ経験し、その後の大量反復をAIで加速することだ。
電卓があるから、数の意味を学ばなくてよいわけではない。
翻訳AIがあるから、言葉の文化的な違いを知らなくてよいわけではない。
コーディングAIがあるから、データ、権限、テスト、セキュリティを理解しなくてよいわけではない。
AIリテラシーだけで、専門性を代替することはできない。
落合式のAI活用は、古い技能を捨てることではなく、古い技能をAI出力の検査装置として使うことでもある。
15．時間を埋めるのではなく、好奇心が動ける余白を残す
驚くほど多くの仕事をしている人を見ると、分単位で予定を管理していると思う。
しかし、落合は、過度な時間管理が好奇心を失わせるという考えを示している。一方で、朝の時間を創造的な仕事へ使うなど、何も管理しないのではなく、集中すべき時間帯は設計している。
これは、効率化に関する重要な逆説である。
AIで一時間を節約した。
その一時間に、新しい会議を入れる。
さらに一時間を節約した。
別の依頼を引き受ける。
空いた時間をすべて予定で埋めれば、処理量は増える。
だが、偶然の発見は減る。
AIによる効率化を、仕事を詰め込むためだけに使うと、人間はAIが作った作業リストを消化する装置になる。
落合のものづくりに関するインタビューでは、人類がまだ作っていないアウトプットを目指し、技術的な基盤と芸術的な完成度の両方を高めようとする姿勢が語られている。また、最初からテーマを固定するより、手を動かし、周辺の興味を試すうちに主題が立ち上がるという考え方が見える。
新しいものは、計画表の空欄を埋めれば生まれるわけではない。
何となく気になったものを調べる。
役に立つか分からないコードを書く。
別の分野の本を読む。
素材を触る。
写真を撮る。
AIへ奇妙な組み合わせを投げる。
失敗作を眺める。
こうした時間は、短期的には非効率に見える。
だが、未知のテーマは、予定された成果物の外側から入ってくる。
AIが定型業務を速くするなら、人間はその余白を、さらに多くの定型業務で埋めるべきではない。
目的の決まっていない探索へ戻すべきである。
努力の天才とは、一日中予定を詰め込める人ではない。
何に集中し、何を自動化し、どこに無目的な時間を残すかを選べる人である。
16．AIに「賢さ」を渡した後、人間は何を努力するのか
2026年のインタビューで、落合は、これまで人間が努力や知性によって得てきたものを機械が担うようになると、多くの人が「何をすればよいのか」という実存的な不安に直面する可能性を語っている。これは未来についての本人の見立てであり、すべての仕事がすでに代替されたという事実ではない。
この問題は、AI活用術の最終地点にある。
仕事を速くする。
資料を速く作る。
コードを速く書く。
調査を速く終える。
それが実現した後、人間は何をするのか。
さらに多くの資料を作るのか。
さらに多くのコードを書くのか。
さらに多くの仕事を受けるのか。
それだけでは、AI利用の目的が永遠に処理量の増加へ向かう。
落合は、特定の共同体と関係を持ちながら、その辺縁で新しいものを偶発的に見つける「マタギ的」な生き方を構想している。技術を使いながら、環境との接触、身体性、儀礼、共同体を失わない生き方である。
AIへ「賢く処理する仕事」を渡すなら、人間には次の仕事が残る。
何に驚くか。
何を美しいと感じるか。
どの問題を無視できないと考えるか。
誰と一緒にいるか。
何に時間を使うか。
どの失敗を引き受けるか。
どこで責任を持つか。
どんな経験を現実の身体で得るか。
これらは、単なる情報処理ではない。
AIは候補を作れる。
予測もできる。
しかし、どの候補を自分の人生として選ぶかは、人間が引き受けるしかない。
AI時代の努力は、より多くの正解を覚えることから、自分が何を大切にするかを更新し続けることへ移っていく。
17．真似してはいけないのは、極端な生活習慣である
有名な生産者の仕事術を紹介すると、起床時間、睡眠時間、食事回数などが注目されやすい。
落合についても、朝の時間の使い方や、独自の食事習慣などが紹介されている。
しかし、こうした生活習慣をAI活用術の中心として真似するべきではない。
食事、睡眠、運動、服薬などは、体質、年齢、持病、仕事内容によって適切な条件が異なる。
本人が行っていることと、一般に推奨できることは別だ。
本稿で抽出すべきなのは、食事回数ではない。
複数AIを比較すること。
音声で素材を残すこと。
作業工程を分解すること。
第一稿を完成品と見なさないこと。
出典を検証すること。
AIの実行履歴を残すこと。
必要なら自分の道具を作ること。
現実の身体と環境へ戻ること。
健康を削って出力を増やすのは、長期的な努力設計とは言えない。
AIによって短縮した時間を睡眠からさらに奪うのではなく、回復、学習、観察、家族や他者との時間へ振り分ける。
努力の天才から学ぶべきなのは、苦しみに耐える方法ではない。
同じ苦しみを繰り返さなくてよい仕組みを作り、その分だけ未知の仕事へ進む方法である。
公開事例から抽象化した「落合式AI努力OS」
ここまでの内容を、一般の仕事へ移植できる形へ整理する。
これは落合本人が公開した一日の正確な作業手順ではない。
公開されているAI利用事例から、本稿が抽象化した実践モデルである。
第1段階：未整理な状態で始める
最初から企画書を書かない。
まず五分から十分、音声または文章で、頭にあるものをそのまま外へ出す。
目的、背景、感情、違和感、思いつき、懸念を混ぜてよい。
その後、AIに次のように依頼する。
私の発言を、事実、解釈、仮説、希望、制約、未確認事項に分けてください。 まだ結論を出さず、目的を明確にするための質問を一度に一つずつ行ってください。
ここでは、AIへ答えを出させない。
人間側の曖昧さを発見させる。
第2段階：三つ以上のAIへ同じ課題を渡す
一つのAIに依存しない。
同じ背景資料と質問を、複数のAIへ渡す。
ただし、単に同じ回答を三つ集めるのではなく、役割を変える。
一つには、標準的な調査をさせる。
一つには、反証を探させる。
一つには、実現方法と費用を考えさせる。
可能であれば、別の一つには、利用者や反対者の視点を担当させる。
出力後、次の比較表を作らせる。
- 全AIが一致した点
- 一部だけが主張した点
- 数字や事実が衝突した点
- 一次資料で確認すべき点
- 誰も検討していない点
人間は、回答ではなく、回答同士の差を読む。
第3段階：文章のまま終わらせず、別の形式へ変換する
調査結果を読んで満足しない。
企画なら、一枚の図にする。
製品なら、画面の試作品にする。
作品なら、画像や短い映像にする。
制度なら、利用者が通過する手順図にする。
研究なら、仮説と検証方法へ分ける。
アイデアは、文章の中では矛盾を隠せる。
実装しようとすると、不足条件が現れる。
誰が使うのか。
どのボタンを押すのか。
データはどこから来るのか。
失敗時にどう戻るのか。
実装は、アイデアの検査装置である。
第4段階：AIへ作らせたものを、別のAIに壊させる
生成したAIに自己評価だけをさせない。
別の会話、別のモデル、別の役割へ成果物を渡す。
次の観点から壊させる。
- 事実誤認
- 引用の不存在
- セキュリティ上の問題
- 権利上の問題
- 対象者の誤認
- 実行費用の過小評価
- 保守できない部分
- 一般論に逃げている部分
- 人間の承認が必要な部分
- 失敗時に回復できない部分
重要度の高い問題は、人間が一次資料や実環境で確認する。
AIによる検査は、最終保証ではない。
人間が検査すべき場所を絞り込むために使う。
第5段階：却下理由を、次のプロンプト資産にする
良くなかった出力を削除して終わらせない。
なぜ良くなかったかを一行で残す。
「対象者が広すぎる」
「技術的には可能だが、利用場面がない」
「文章は整っているが、経験が入っていない」
「画像は美しいが、目的と関係がない」
「調査結果に一次資料がない」
「コードは動くが、権限管理がない」
これらを、プロジェクトの禁止事項や評価基準へ追加する。
次回以降、AIは同じ失敗をしにくくなる。
人間の経験が、カスタムインストラクション、仕様書、テスト、チェックリストへ変換される。
これが、努力を蓄積可能な形へ変える作業である。
第6段階：繰り返す不便は、自動化または道具化する
毎回同じ指示を書いているなら、テンプレートにする。
毎回同じ形式へ変換しているなら、スクリプトにする。
毎回同じ資料を探しているなら、検索工程を保存する。
毎回同じチェックをしているなら、テストへ変える。
毎回モデルを選んでいるなら、タスク別のルールを作る。
毎回手動でファイルを渡しているなら、安全な接続方法を検討する。
重要なのは、一回の作業を三分短くすることだけではない。
その三分を、今後何百回も発生させないことだ。
第7段階：最後は、現実へ持ち出す
AI同士の会話だけで評価しない。
人に見せる。
現場で動かす。
印刷する。
投影する。
顧客に使ってもらう。
外を歩きながら考える。
素材に触れる。
自分の身体で経験する。
AIは、もっともらしい利用者像を作ることができる。
しかし、実際の利用者がどこで迷うかは、現実へ出さなければ分からない。
現実は、AIが作った美しい論理を壊す。
その破壊によって、次の努力の方向が決まる。
実践用・努力回転プロンプト
以下は、落合本人のプロンプトを再現したものではない。
本稿で分析した、並列調査、段階的実装、反証、ログ化という構造を、一つの対話プロトコルにしたものである。
あなたは、私の仕事を代行して完成品を一度で作るAIではなく、
調査・試作・反証・改善の回転数を上げる
「研究開発オーケストレーター」です。
【テーマ】
{{今回取り組むテーマ}}
【最終的に決めたいこと】
{{分かる範囲で記入。未定でもよい}}
【現在持っている素材】
{{メモ、音声文字起こし、資料、データ、コードなど}}
【基本原則】
- 私の目的が曖昧な間は、完成案を作らない
- 一度に一つずつ質問し、目的、対象者、制約、成功条件を明確にする
- 事実、解釈、仮説、提案を明確に分ける
- 事実には出典を付け、一次資料を優先する
- 確認できないことは、推測で埋めず「未確認」とする
- 最初の案を最終案として扱わない
- 調査、発案、実装、評価を別工程として扱う
- 同じAIが作成者と唯一の評価者を兼ねない
- 人間の承認が必要な箇所を明示する
- すべての却下理由を、次の生成条件として記録する
【第1フェーズ：目的の発見】
私の入力を次に分類する。
・確認済みの事実
・私の解釈
・未検証の仮説
・感情や違和感
・利用できる資源
・制約
・まだ定義されていない言葉
不足情報を一問ずつ質問する。
【第2フェーズ：並列調査の設計】
テーマを以下の役割へ分ける。
A. 標準的な説明と主要資料を集める調査者
B. 反例、反対証拠、失敗例を探す反証者
C. 実装方法、費用、期限を調べる実務者
D. 利用者、非利用者、不利益を受ける人を考える当事者分析者
E. 異分野との意外な接続を探す探索者
各役割が調べる質問を作り、
同じ論点を重複して調べないようにする。
【第3フェーズ：証拠台帳】
調査結果を次の形式にする。
・主張
・根拠
・出典
・公開日
・データの対象期間
・一次資料か二次資料か
・反対証拠
・確信度
・人間が確認すべき点
【第4フェーズ：試作】
調査結果から最小の試作品を3案作る。
各案について、
・検証する仮説
・作るもの
・作らないもの
・必要時間
・必要費用
・AIが担当する工程
・人間が担当する工程
・失敗と判断する条件
を示す。
私が一案を選ぶまで本格実装へ進まない。
【第5フェーズ：反対監査】
試作品または初稿に対して、
・事実
・論理
・技術
・安全
・権利
・費用
・対象者
・保守性
・独自性
の観点から問題を探す。
重大度を、
停止／修正必須／要観察／許容
の4段階で表示する。
【第6フェーズ：改善ログ】
修正するたびに次を記録する。
・変更前
・問題
・変更内容
・変更理由
・新たに生じた問題
・次回からプロンプトまたはテストへ追加する条件
【最終フェーズ】
最終決定を代行しない。
選択肢、証拠、反対意見、未確認事項を整理し、
私自身に採用案と理由を書かせる。
最初の返答では提案を作らず、
今回のテーマについて私が感じている
最も具体的な違和感または目的を一つ質問してください。
結論――落合陽一は、AIで「努力をやめた」のではない
落合陽一のAI活用を、便利なプロンプト集として理解すると、その本質を取り逃がす。
複数のAIを同時に動かす。
音声で未整理な思考を回収する。
長い指示を構造化する。
最初の回答を何度も作り直す。
調査、画像、実装を別の道具へ分担させる。
AIの出力を別のAIへ批判させる。
自分で手を動かしてきた経験で、異常を見抜く。
ブラックボックスが問題なら、観察可能な道具を作る。
AIを文章だけでなく、映像、空間、身体、研究設備へつなぐ。
そして、AIによって空いた時間を、好奇心や現実の経験へ戻す。
この一連の行動に共通しているのは、楽をしようとする発想ではない。
同じ時間で、より遠くまで試そうとする発想である。
AI以前は、一つの仮説を調べ、実装するだけで一日が終わった。
AI以後は、複数の仮説を調べ、三つの試作品を作り、失敗理由を比較し、その結果を次の指示へ戻せる。
そこで生まれた余裕を休息へ使うこともできる。
別の仕事へ使うこともできる。
新しい表現や研究へ使うこともできる。
何に使うかを決めるのは人間だ。
落合陽一を「努力の天才」と呼ぶとすれば、その理由は、単に人より長く働くからではない。
努力を精神論にしないからである。
思考を記録できる形にする。
失敗を次の条件に変える。
反復を自動化する。
道具を更新する。
環境を作る。
それでも人間が判断すべき場所を残す。
彼がAIによって増やしているのは、完成品の数だけではない。
未知のものに到達するまで、諦めずに回し続けられる回数なのである。
AI時代に問われるのは、「どのAIを使っているか」ではない。
AIが出力している間に、人間が何を観察しているか。
AIが作った後に、人間が何を直しているか。
AIが速くなった結果、人間がどこへ進もうとしているか。
最高のAI活用術とは、努力をしなくて済む方法ではない。
努力が、その場限りで消えず、次の努力を加速させる仕組みに変わることだ。
