目次
- 1 ochiai@studio:~/ai-workflow ❯ 01_thesis.md原則0：努力を「時間」ではなく「回転数」で捉える
- 2 ochiai@studio:~/ai-workflow ❯ 02_input.md原則1：曖昧なまま始め、AIに"問い"を作らせる
- 3 ochiai@studio:~/ai-workflow ❯ 03_parallel.md原則2：一つのAIを信じず、複数を"調査チーム"にする
- 4 ochiai@studio:~/ai-workflow ❯ 04_pipeline.md原則3：工程を分解し、人間の"関門"を挟む
- 5 ochiai@studio:~/ai-workflow ❯ 05_verify.md原則4：AIの出力を鵜呑みにしない（調査地図と探索素材）
- 6 ochiai@studio:~/ai-workflow ❯ 06_spec.md原則5：思考を構造化して渡す（プロンプト＝仕様書）
- 7 ochiai@studio:~/ai-workflow ❯ 07_toolmaking.md原則6：使うだけでなく道具を作り、ログを残す
- 8 ochiai@studio:~/ai-workflow ❯ 08_human.md原則7：人間に残る努力（創造・身体・余白）
- 9 ochiai@studio:~/ai-workflow ❯ 09_practice.md実践編：「努力回転OS」7ステップと回転プロンプト
- 10 ochiai@studio:~/ai-workflow ❯ 99_summary.mdまとめ：落合陽一はAIで「努力をやめた」のではない
AI Workflow Analysis · 落合陽一に学ぶ · 2026 Edition
生成AIを使えば、文章もコードも資料も自動でできる——だからAIは「努力を減らす機械」に見えます。ところが落合陽一のAI活用を追うと、まったく逆の姿が見えてきます。彼はAIで考える量を減らしているのではなく、同じ時間で試せる仮説を増やし、失敗から次へ移る速度を上げている。増幅しているのは才能ではなく、「努力の回転数」です。本記事は、公開されている事例だけを根拠に、その仕事の構造を8つの原則＋実践OSへ整理し直したものです。読了目安は約15分。読み終えるころには、AIを「時短の道具」から「努力を加速する装置」へ捉え直せます。
「努力の天才」は本人が名乗る肩書ではなく、公開発言・文章・作品・公開ソフトウェアから見える仕事の構造を表す、本稿上の呼び方です。落合本人のすべてのAI会話ログや作業記録が公開されているわけではありません。以下は「何をしているか」を公開事例から確認し、その背後にある努力の設計を分析したものです。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ます[1]。
ochiai@studio:~/ai-workflow ❯ 01_thesis.md原則0：努力を「時間」ではなく「回転数」で捉える
努力という言葉から多くの人が想像するのは「我慢」です。眠くても机に向かう、つらくても続ける、人より長く働く。もちろん継続や忍耐が要る仕事はあります。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、本質を取り逃がします。彼の強さは努力量を増やすことだけではなく、一回の努力から得られる情報量を増やすことにあります。
同じテーマを一つのAIではなく複数へ同時に投げる。文章で考えるだけでなく画像にする。画像を眺めるだけでなく動く試作品にする。試作品で終わらせず現実の空間で動かす。問題が起きたら手で直すだけでなく、再発しないよう仕組みを変える。この仕事の仕方は、次の式で捉えられます。
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が大幅に上げるのは、このうち「試行回数」と「実装速度」です。だが「問いの質」「検証力」「現実からのフィードバック」まで自動で上げてはくれません。むしろ出力が増えるほど、何を信じ・何を捨て・どこを直すかという判断量は増えます。
だからAI導入後の努力は、文字を一字ずつ打つ作業から、方向を選び続ける作業へ移ります。落合式のAI活用とは、努力をゼロにすることではありません。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す。
実際、公開されている事例だけでも、その姿勢は一貫しています。2023年の公式アーティストステートメントでは、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されています[2]。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ました[3]。さらに2026年には、既存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ます[4]。これは「AIで時短する人」の行動ではありません。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のです。
ochiai@studio:~/ai-workflow ❯ 02_input.md原則1：曖昧なまま始め、AIに"問い"を作らせる
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します。目的を書き、条件を整理し、役割を指定し、出力形式も決めて……と考えているうちに面倒になり、結局使わなくなる。落合の方法はその逆です。2025年の『猫でもわかる生成AI』の抜粋記事では、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たらAI側から利用者へインタビューさせる方法が紹介されています[5]。
ポイントは、「質問の準備」を人間だけで完了させないこと。何を作りたいか自分でも曖昧なとき、整理してから相談するのではなく、次のように始めます。
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ります。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。何が失敗か。どこだけは譲れないのか。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ません。AIから質問を返させると、まだ考えていない条件に気づけます。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のです。
もう一つ、落合が2023年から実践するのが「音声で先に回収する」技術です。音声認識のWhisperとGPT-4を組み合わせ、思いつきをまず声で記録し、文脈は後から補完すればよい——説明に使っていた時間を、さらに先を考える時間へ回せる、という趣旨を書いています[2]。人間の思考は文章の形で発生するとは限りません。「これとあれが似ている気がする」「なぜか気になる」——文法を整えようとした瞬間、記録が編集作業に変わって思考が止まる。そこで記録と編集を分離します。
- まず止めずに話す。順番も文法も気にしない。
- AIに文字起こしを分類させる：観察した事実／自分の解釈／未検証の仮説／制作・研究のアイデア／次に調べる事項／説明不足の箇所／前後で矛盾する発言。
- 人間が文脈を追加する。発想段階では文章力に邪魔されず、後から説明可能な形へ戻せる。
録音には他人の会話・機密情報・個人情報が混じりやすい。何でもAIへ送り込むのではなく、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ります。送信前に一呼吸おくルールを決めておきましょう。
ochiai@studio:~/ai-workflow ❯ 03_parallel.md原則2：一つのAIを信じず、複数を"調査チーム"にする
落合のAI活用を象徴するのが複数モデルの並列運用です。2025年末のPIVOT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で背景情報を一気に調べると紹介されています[3]。
この価値は、情報量が単純に4倍になることではありません。モデルごとに得意な整理方法・参照情報・慎重さ・文章の癖が違う。同じ質問でも、一つは制度面を、一つは技術面を、一つは未来予測を、一つは反対意見を重視する。だから重要なのは4つの回答を平均化することではなく、食い違った場所を見ることです。
| 回答の状態 | 読み取れること |
|---|---|
| 複数AIが一致 | 比較的安定した情報かもしれない |
| 一つだけが挙げた論点 | 新しい発見の可能性がある |
| 数字が食い違う | 対象期間・定義が違う可能性 → 要確認 |
| 引用元が異なる | 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、採用か却下かの二択になります。複数を「調査チーム」として使うと、回答同士を衝突させられる。たとえば役割をこう分けます。
- ①標準的な説明を作らせる
- ②その説明が成立しない反例を探させる
- ③一次資料だけを集めさせる
- ④実装上の障害と費用を見積もらせる
- ⑤一般の利用者が理解できる言葉へ翻訳させる
2026年時点で、ディープリサーチはウェブ検索だけでなく、利用者が許可したファイルやクラウド文書・メールも調査対象に加えられるものがあり、コーディングエージェントはコードベースを読んで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ます。この状況では「どのAIが一番賢いか」を一度決めても意味が薄い。モデルも料金も得意領域も更新される。大事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す。
ochiai@studio:~/ai-workflow ❯ 04_pipeline.md原則3：工程を分解し、人間の"関門"を挟む
「新商品を企画し、調査し、デザインし、宣伝文を書き、実装まで」と一つの会話で頼む——一見効率的です。しかし同じ会話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"として扱われやすい。AI自身が作った市場仮説を前提に企画を作り、その企画を正しいものとして宣伝文を書き、最後に同じAIが評価まで行う。内部では一貫していても、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ません。
落合の公開ワークフローでは、情報収集は複数のLLM、コンセプトの視覚化はMidjourneyやStable Diffusion、実装はCursorなど、工程ごとに異なる道具を使い分けています[3]。利点は二つ。各工程に適したAIを使えること、そして工程の間に人間の判断を挟めることです。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ます。
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し、深い人は工程を細かく切って各工程でAIと人間の担当を組み直します。
ochiai@studio:~/ai-workflow ❯ 05_verify.md原則4：AIの出力を鵜呑みにしない（調査地図と探索素材）
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にまとめます。2025年2月、落合はテスト結果として、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で紹介しています[6]。
ここだけ見ると「2万5000字書かせれば研究が終わる」と思えます。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す。AIは、存在しない引用を作る／同名の研究者や論文を混同する／事実と推測を滑らかな文章で接続する／古い数字を現在の数字のように説明する、といった誤りを犯します。落合塾のワークショップ資料でも、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ます[7]。
だからディープリサーチへ依頼すべきは「真実を教えて」ではなく、次のような仕事です。このテーマにどの論点が含まれるか／重要な一次資料は何か／研究者間で意見が割れる点はどこか／数字の定義は何種類あるか／どの主張が未検証か。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。地図に描かれた道を実際に確認するのは人間です。精度を上げるには、AIへ次の出力を要求します。
- 事実・推測・予測を分離する
- 主張ごとに出典を付け、公開日と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し、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、そのまま次の仕事へ使ってはいけません。一部を検証へ戻す——これが、AIで大量の情報を扱う人間の責任です。
同じことが「最初の回答」にも言えます。AI初心者は最初の出力を見て、良ければ採用・悪ければ「使えない」と判断します。しかし落合の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す。対話を重ね、形式を変え、別のAIへ投げ、画像やコードにし、実際に動かす。AIの最大の特徴は最初から正解を出すことではなく、やり直しの社会的コストが低いこと。人間のデザイナーに根拠なく百回の修正を頼めば関係が壊れますが、AIは同じ依頼を何度変えても疲れません。
ただし「もっと良くして」を繰り返すだけでは改善は頭打ちです。必要なのは却下理由を記録すること。「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」——却下理由をAIへ返すと、それが次の生成条件になり、反復するたびに指示体系が賢くなります。努力とは同じ作業を繰り返すことではなく、一回ごとの失敗を次の条件へ変換することです。
ochiai@studio:~/ai-workflow ❯ 06_spec.md原則5：思考を構造化して渡す（プロンプト＝仕様書）
2024年の中高生向け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」「AIは何度やり直しを求めても嫌がらないこと」が助言されたと紹介されています[8]。ただし「長いほどよい」を文字どおり受け取るべきではありません。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く、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ります。
ここから見えるのは、一回限りの「神プロンプト」を探す姿勢ではなく、仕事に合わせて指示体系そのものを更新する姿勢です。深いプロンプトには最低でも次の要素があります。
| 要素 | 書く内容 |
|---|---|
| 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 |
| 分かっていること | 確認済みの事実・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・対立する情報 |
| 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・コード実行の可否 |
| 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 |
これはプロンプトというより「小さな仕事の仕様書」です。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きます。「うまいお願い」を書くのではなく、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です。
この延長線上に、「自然言語を実装言語として使う」という発想があります。落合は早くから、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ました[2]。ただしこれは「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ありません。むしろ要求を言語化する能力の重要性が上がる。何を入力し、どのデータを使い、処理の順序をどうし、エラー時にどう動き、何を保存してよく、どの条件で完了か——以前はコードで書いた設計を、いま一部は自然言語でAIへ伝えられる。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」が重要になります。
2026年、PIVOTは落合のAI利用を「生産性は32倍」と題した短編で紹介しています[9]。ただし公開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ません。これは厳密な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受け取るのが適切です。行数が32倍になっても価値が32倍になるとは限らず、バグも検証コストも増えうる。AIコーディングの本当の成果は生成行数ではなく、仮説から試作までの時間・反応を得るまでの時間・以前は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す。
ochiai@studio:~/ai-workflow ❯ 07_toolmaking.md原則6：使うだけでなく道具を作り、ログを残す
落合の最新のAI活用で特に象徴的なのが、自ら公開したコーディングエージェント「vibe-local」と「co-vibe」です[4]。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なしでも動かせるオープンソースのエージェント。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での利用が想定されています。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ちます。
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す。クラウドに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、一つの提供元に依存したくない、内部で何が起きたか確認したい——こうした不満に対し、別の製品を探し続けるのではなく必要な環境を自分で作る。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なく、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す。
一日5分の作業も、毎日続ければ一年で大きな時間になる。一度スクリプトにすれば翌日からほぼゼロ。さらにAIエージェントへ組み込めば、同じ種類の作業を自動で判断できる。努力の天才は目の前の作業を速くこなす人ではなく、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す。
もう一つの柱が「ブラックボックスのまま便利に使わない」ことです。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ます[4]。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りません。AIを魔法としてではなく「観察可能な装置」として使う。残すべきは、AI内部の非公開の思考ではなく、以下のような確認可能な行動の履歴です。
- どの指示で失敗し、何回やり直したか
- どのモデルが何を担当し、いくらかかったか
- どのファイルが変更され、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り、再現できる失敗は改善できます。逆に「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ません。AIに仕事を任せるほど、成果物だけでなく、成果物ができるまでの工程を保存する——これがAIを道具として鍛える基礎になります。
ochiai@studio:~/ai-workflow ❯ 08_human.md原則7：人間に残る努力（創造・身体・余白）
ここまでは「AIへ何を渡すか」でした。最後は逆に、人間の側に残る努力を4つの角度から見ます。
①創造では、AIを人間に従わせすぎない。 仕事では意図どおり動くことが重要ですが、創作は事情が違います。頭の中に完成形があるなら人間が作ればよく、AIの価値は予想していなかった結びつきを出すことにある。落合はAI創作を、人間が全面制御する場合・完全自動生成に任せる場合・AIの生成をもとに人間が選択や微調整だけ行う場合に分け、その間の矛盾を検討しています[10]。細かく直しすぎればAI特有の逸脱が失われ、完全自動にすれば創作欲求が満たされにくい。ここで問われるのは「良い作品を作らせるプロンプト」ではなく、AIの予想外をどこまで残すかという編集技術です。作品「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、海洋生物や龍の像が生まれては消える構成が採られました[11]。人間は、生成方法・素材・表示装置・空間・時間・観客との距離を設計している。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ります。
②AI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ますが、落合の活用は画面内に留まりません。移動中はApple Vision Proを、周囲の視覚を遮り巨大な仮想画面を展開する「視覚のヘッドホン」として使うと紹介されています[12]。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、Mirrored Bodyでは利用者が情報や声を登録してAIアバターを作る仕組みが採用されました。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公開されています[1]。高価な機材を揃える必要はありません。移植すべきは機材ではなく原理——集中を妨げる通知を遮断し、AIを常に同じ環境から呼び出せるようにし、音声・写真・文書・コードを一つのプロジェクトへ集約する。努力を続けられる人は意志が強いだけでなく、努力しやすい環境を先に作っています。
③AI時代ほど、昔ながらの手作業経験が価値を持つ。 落合は、手でコードを書き仕組みを理解してきた「アナログおじさん」的な経験の価値を強調しています[13]。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の原因を判断できない。文章を書き直した人はAI文章の不自然な論理接続に気づき、撮影経験者は生成画像の光源やレンズの矛盾に気づき、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。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。AIは初心者の出力速度を上げますが、初心者を自動的に熟練者へ変えはしません。AI時代の学習とは基礎をすべて省くことではなく、基礎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。古い技能を、AI出力の検査装置として使うのです。
④時間を埋めず、好奇心が動ける余白を残す。 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す一方、朝を創造的な仕事へ使うなど集中すべき時間帯は設計しています[14]。ここに効率化の逆説があります。AIで空いた時間をすべて予定で埋めれば処理量は増えますが、偶然の発見は減る。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く、目的の決まっていない探索へ戻すべきです。役に立つか分からないコードを書く、別分野の本を読む、AIへ奇妙な組み合わせを投げる、失敗作を眺める——未知のテーマは、予定された成果物の外側から入ってきます。
2026年のインタビューで落合は、人間が努力や知性で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」という実存的不安に直面しうると語っています[15]（これは未来についての本人の見立てであり、すべての仕事が代替済みという事実ではありません）。AIへ「賢く処理する仕事」を渡すなら、人間には何に驚くか・何を美しいと感じるか・どの問題を無視できないか・誰と一緒にいるか・どの失敗を引き受け、どこで責任を持つかが残る。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きます。
ochiai@studio:~/ai-workflow ❯ 09_practice.md実践編：「努力回転OS」7ステップと回転プロンプト
ここまでの原則を、一般の仕事へ移植できる形へ整理します。これは落合本人が公開した作業手順ではなく、公開事例から本稿が抽象化した実践モデルです。
- 未整理な状態で始める：まず5〜10分、音声か文章で頭にあるものをそのまま出す。AIには「私の発言を事実・解釈・仮説・希望・制約・未確認に分け、目的を明確にする質問を一つずつして」と依頼。答えさせるのではなく曖昧さを発見させる。
- 三つ以上のAIへ同じ課題を渡す：役割を変える（標準調査／反証／実現方法と費用／利用者・反対者の視点）。出力後、一致点・一部だけの主張・数字の衝突・要一次確認・誰も検討していない点を比較表にさせ、回答ではなく差を読む。
- 別形式へ変換する：文章のまま終わらせない。企画は図に、製品は画面試作に、作品は画像や短い映像に。アイデアは文章の中では矛盾を隠せるが、実装しようとすると不足条件が現れる。実装はアイデアの検査装置。
- 別のAIに壊させる：生成したAIに自己評価させず、別会話・別モデル・別役割へ渡し、事実誤認・引用の不存在・安全・権利・費用過小評価・保守性・一般論への逃げ・要人間承認・回復不能点を探させる。AI検査は最終保証ではなく、人間が検査すべき場所を絞る道具。
- 却下理由を"資産"にする：良くなかった出力を消して終わらせず、理由を一行残す（「対象者が広すぎる」「文章は整うが経験が入っていない」等）。それを禁止事項・評価基準へ追加すると、人間の経験がカスタム指示・仕様書・テスト・チェックリストへ変換される。
- 繰り返す不便を自動化・道具化する：毎回同じ指示はテンプレ、同じ変換はスクリプト、同じチェックはテストへ。一回3分を短くするだけでなく、その3分を今後何百回も発生させない。
- 最後は現実へ持ち出す：AI同士の会話だけで評価せず、人に見せ、現場で動かし、顧客に使ってもらう。現実はAIが作った美しい論理を壊し、その破壊が次の努力の方向を決めます。
この構造（並列調査・段階的実装・反証・ログ化）を、一つの対話プロトコルにしたのが次のプロンプトです。落合本人のプロンプトの再現ではありませんが、本稿で分析した原則をそのまま使える形にしています。冒頭にテーマを差し替えて貼り付けてください。
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】{{未定でもよい}}
【現在持っている素材】{{メモ・文字起こし・資料・データ・コードなど}}
【基本原則】
1. 私の目的が曖昧な間は、完成案を作らない
2. 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
3. 事実・解釈・仮説・提案を明確に分ける
4. 事実には出典を付け、一次資料を優先する
5. 確認できないことは推測で埋めず「未確認」とする
6. 最初の案を最終案として扱わない
7. 調査・発案・実装・評価を別工程として扱う
8. 同じAIが作成者と唯一の評価者を兼ねない
9. 人間の承認が必要な箇所を明示する
10. 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「確認済みの事実／私の解釈／未検証の仮説／感情・違和感／
利用できる資源／制約／未定義の言葉」に分類し、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】
テーマを次の役割へ分ける。
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
各役割の質問を作り、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「主張／根拠／出典／公開日／データ対象期間／一次か二次か／
反対証拠／確信度／人間が確認すべき点」の形式にする。
【第4フェーズ：試作】
最小の試作品を3案作り、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担当工程／人間担当工程／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、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し、
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】
修正のたびに「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」を記録する。
【最終フェーズ】
最終決定は代行しない。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。
まず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、一つだけ質問してください。ochiai@studio:~/ai-workflow ❯ 99_summary.mdまとめ：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、本質を取り逃がします。複数のAIを同時に動かし、音声で未整理な思考を回収し、長い指示を構造化し、最初の回答を作り直し、調査・画像・実装を別の道具へ分担させ、AIの出力を別のAIへ批判させ、自分で手を動かしてきた経験で異常を見抜き、ブラックボックスが問題なら観察可能な道具を作り、AIを文章だけでなく映像・空間・身体・研究設備へつなぎ、空いた時間を好奇心へ戻す。これらに共通するのは、楽をしようとする発想ではなく、同じ時間で、より遠くまで試そうとする発想です。
AI以前は、一つの仮説を調べ実装するだけで一日が終わりました。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。生まれた余裕を休息・別の仕事・新しい表現のどれに使うかを決めるのは人間です。落合を「努力の天才」と呼ぶ理由は、人より長く働くからではなく、努力を精神論にしないから——思考を記録できる形にし、失敗を次の条件に変え、反復を自動化し、道具を更新し、環境を作り、それでも人間が判断すべき場所を残す。
有名な生産者の仕事術は、起床・睡眠・食事などの生活習慣が注目されがちです。しかし食事・睡眠・運動・服薬は体質・年齢・持病・仕事内容で適切な条件が異なり、本人が行っていることと、一般に推奨できることは別です[14]。健康を削って出力を増やすのは長期的な努力設計とはいえません。AIで短縮した時間を睡眠から奪うのではなく、回復・学習・観察・他者との時間へ振り分けましょう。
移植すべきは食事回数ではなく、次の7点です。
- 複数AIを比較する。回答ではなく、回答同士の差を読む。
- 音声で素材を先に残す。記録と編集を分離する。
- 作業工程を分解し、間に人間の関門を置く。AIからAIへ直結させない。
- 第一稿を完成品と見なさない。却下理由を次の生成条件へ変える。
- 出典を検証し、AIの実行履歴（ログ）を残す。再現できる失敗は改善できる。
- 繰り返す不便は道具化する。次から努力しなくてよい部分を作る。
- 最後は現実の身体と環境へ戻す。現実だけが美しい論理を壊せる。
AI時代に問われるのは「どのAIを使っているか」ではありません。AIが出力している間に人間が何を観察し、AIが作った後に何を直し、AIが速くなった結果どこへ進もうとしているかです。最高のAI活用術とは、努力をしなくて済む方法ではなく、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。落合陽一がAIで増やしているのは、完成品の数だけではなく——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す。
