AIが考えるようになった時代に、人間の知性が不要になったわけではない。
変わったのは、知性が発揮される場所である。
これまで、知的であることは、多くのことを知り、正確に思い出し、論理的に考え、うまく説明できることと結びついていた。
もちろん、これらの能力が無価値になったわけではない。
しかしAIは、膨大な情報を整理し、問いに答え、文章を書き、選択肢を比較し、反論を作り、計画を立て、コードを生成できるようになった。
人間が長い時間をかけて行っていた知的処理の一部を、AIが高速に代行できる。
では、AIが答えを出せるようになったとき、人間の知性はどこに残るのか。
人間は、AIより多くの答えを持つことで競争する必要はない。むしろ、何を目的としてAIを使い、どのような問いを与えるのかを考える必要がある。問いに含まれる前提を疑い、必要に応じて異なる意見を対立させながら、何を評価基準とするかを決める。事実として確認すべきものを見極め、十分に検討したところで議論を止め、実行へ移すことも人間の役割である。
人間の知性は、答えを作ることだけではなく、答えが作られる構造を設計する方向へ移っていく。
AI時代の知性とは、答えを知っていることではない。人間とAIの思考を設計し、よりよい判断へ導くことである。
本連載で「AIファシリテーション」と呼んできたものは、その新しい知性の実践形である。
知識を持っている人が、知的な人だった
長い間、知性は個人の内部に蓄積されるものとして理解されてきた。
多くの言葉を知り、歴史上の出来事を覚え、複雑な概念を理解している。計算が速く、筋道を立てて説明でき、文章を正確に書ける。
試験では、知識をどれだけ正確に記憶し、限られた時間内に取り出せるかが評価された。
仕事でも、必要な情報を知っている人や、問題への解決策をすぐに提示できる人が、能力の高い人とみなされた。
これは不合理な評価ではない。
情報を簡単に入手できなかった時代には、知識を保持していること自体に大きな価値があった。
誰が何を知っているかによって、解決できる問題の範囲が決まった。
しかし、インターネットと検索エンジンの普及によって、知識と人間の関係は変わり始めた。
すべてを覚えていなくても、必要なときに検索できるようになった。
何を知っているかだけでなく、何を検索し、どの情報を選び、どう組み合わせるかが重要になった。
それでも、検索の時代には、人間が情報を読み、理解し、考え、文章にする必要があった。
検索エンジンが返すものは、基本的には答えそのものではなく、答えを考えるための資料だったからである。
生成AIは、ここを変えた。
AIは資料を探すだけでなく、複数の情報を統合し、問いに応じた答えの形まで作る。
知識の外部化に続いて、知的処理の一部も外部化されるようになったのである。
検索する能力から、質問する能力へ
生成AIが広く使われ始めた頃には、「プロンプトを書く能力」が重視された。
AIは、指示の仕方によって回答が変わる。
目的や条件を明確にし、AIへ期待する役割や出力形式を指定すれば、曖昧な質問よりも有用な答えを得やすい。
そのため、検索する能力の次に、質問する能力が重要になると考えられた。
これは現在でも正しい。
AIが高度になっても、人間の依頼が曖昧なら、AIは不足した情報を推測で補わなければならない。
何を求められているかわからなければ、一般的で平均的な回答になりやすい。
しかし、AI活用をプロンプトの巧拙だけで捉えることには限界がある。
一度の指示で、目的、問い、評価基準、前提のすべてを完全に指定することは難しい。
AIから回答を得て初めて、最初の問いが間違っていたと気づくこともある。
必要だと思っていた機能が、実は不要だったとわかることもある。
AI同士の意見が割れたことで、自分が二つの価値を同時に求めていたと判明することもある。
AIとの思考は、一回の質問と一回の回答では完結しない。
まず仮の目的と問いを置き、AIから回答を得る。その回答をもとに前提を見直し、必要であれば論点を変更して、再びAIへ考えさせる。
これはプロンプトの作成というより、思考過程の運営である。
よい指示を書くことは、その中の一工程にすぎない。
AIは答えを作る。人間は答えが必要な理由を考える
AIは、問いを与えられれば答えを作れる。
それは単純な知識問題に限らない。
企画の方向性を考え、製品を比較し、旅行の計画を立て、事業の問題点を分析する。文章の主張を組み立て、システムの設計案を出し、人間関係の悩みについて複数の見方を示すこともできる。
その能力は、今後さらに高まる可能性がある。
だが、答えを作る能力が高まるほど、その前に置かれた問いの意味が重要になる。
「どうすれば利用時間を増やせるか」という問いに対して、AIは高度な答えを作れる。
しかし、利用時間を増やすことが利用者の利益になるとは限らない。
「どうすれば作業を完全に自動化できるか」という問いにも答えられる。
しかし、その作業自体が不要である可能性や、自動化によって失われる判断機会は、別に検討しなければならない。
「AとBのどちらを買うべきか」という問いにも、精密に答えられる。
しかし、本当に必要なのは、買わずに済ませる方法かもしれない。
AIが問いへ正確に答えても、人間が損をすることはある。
問いが、人間の本当の目的とずれているからである。
したがって、人間に必要なのは、AIへ答えを要求することだけではない。
なぜその答えが必要なのか、その問いを解くことで現実の何が改善するのかを考え、場合によっては別の問いへ置き換える必要がある。
人間が考えるべきなのは、答えの内容だけではなく、その答えを求める理由そのものである。
AIの性能が上がれば、人間の役割は減るのか
AIの弱点を論じるとき、現在の技術的な限界を人間の永続的な役割と混同しない方がよい。
現在のAIは、与えられた論点を深める一方で、問いの枠組みに留まりやすい。
複数のAIを議論させると、互いに追従し、早すぎる合意へ向かうことがある。
同じモデルや重複した情報源を使えば、複数の回答が同じ誤りを共有することもある。
しかし、これらの弱点は今後改善される可能性がある。
将来のAIは、自ら前提を疑い、問題設定を変更し、複数のエージェントへ異なる役割を割り振り、議論の独立性を管理できるようになるかもしれない。
目的候補を作り、評価軸を比較し、適切な検証方法を選ぶ能力も高まる可能性がある。
だから、人間の役割を「現在のAIにできない処理の一覧」として定義すると、その議論はすぐに古くなる。
AIができないことを人間の領域として守ろうとすれば、AIの進化に応じて領域は縮み続ける。
本連載で考えてきた分業は、能力の有無だけに基づいていない。
AIは目的の候補を作り、論点を変え、評価軸を提案し、議論の問題点を監査することもできる。
それでも、提案された選択肢のうち何を採用し、誰のためにどの価値を優先するのかという問題は残る。さらに、どのような行動を実行し、その結果を誰が引き受けるのかも決めなければならない。
AIの提案を別のAIへ評価させ、その評価をさらに別のAIへ統合させることもできる。
判断の一部を自動化することも可能になるだろう。
しかし、その仕組みを導入し、どの範囲まで判断を委ね、どの結果を採用するのかという設計は残る。
AIの性能が上がるほど、人間の役割は単純な処理から離れ、仕組み、方向、価値、責任の設計へ移っていく。
AIが目的を提案することと、目的を引き受けることは違う
第2回では、AIは目的をまったく作れないわけではないと考えた。
AIは目的候補を出せる。
大きな目標を中間目標へ分解し、目標同士の衝突を整理できる。
短期と長期、個人と組織、費用と品質など、複数の観点から目的を比較することもできる。
これらは、積極的にAIへ任せてもよい。
人間一人では気づかなかった価値や制約が見つかるからである。
しかし、目的を提案することと、その目的を引き受けることは違う。
収入を増やすことと創作の時間を守ることは、両立しない場合がある。利用者数を増やせば、小規模で濃い共同体を維持しにくくなるかもしれない。機能を増やすほど、運用負担も増える可能性がある。
どれを選んでも、別の何かを得にくくなる。
目的の選択には、機会費用がある。
AIは、その選択によって何が得られ、何が失われるかを整理できる。
だが、何を失ってよいとするかは、その人生や事業を引き受ける人間が決める必要がある。
AIが目的を提案できるようになるほど、人間は目的を考えなくてよくなるのではない。
より多くの目的候補の中から、何を選ぶのかを考える必要が出てくる。
論点を深める能力と、論点を選ぶ能力
第3回では、AIは論点を深めることに優れている一方で、与えられた問いの枠組みを維持しやすいと考えた。
「AとBのどちらがよいか」と聞けば、AIは比較を精密化する。
「この計画を改善してほしい」と頼めば、計画を存続させる方向で修正しやすい。
「どうすれば成功できるか」と聞けば、成功への経路を考える。
AIが間違っているのではない。
人間の問いに応えようとしているのである。
しかし、知的な活動には、問いの内部を探索するだけでなく、どの問いを探索するかを選ぶ仕事がある。
価格について考える前に、そもそも料金を取るべきなのかを検討する必要があるかもしれない。実装方法を比較する前に、その機能が本当に必要なのかを問うべき場合もある。どのAIがもっとも優れているかを調べる前に、一つのAIへ決める必要があるのかを考えた方がよいこともある。
この一段上への移動が、論点の転換である。
将来のAIは、こうした転換も現在より上手になる可能性がある。
それでも、AIが提示した複数の問題設定のうち、現実の自分にとってどれを選ぶべきかという判断は残る。
AI時代の知性は、一つの問いへ深く答える能力だけではない。
深めるべき問いと、捨てるべき問いを区別する能力である。
複数のAIは、判断を代行するのではなく、判断の構造を見せる
第4回から第6回では、複数AIの協働を考えた。
異なるAIを使えば、一体だけでは見えなかった観点を得られることがある。
第一案を別のAIへ批判させれば、作成したAIや人間には見えにくかった問題を発見できる。
複数の独立案を比較すれば、最初の探索範囲を広げられる。
一方で、AIを増やすだけで正しさが保証されるわけではない。
同じ前提、重複した情報源、広く共有された社会的な常識や誤解に依存していれば、複数のAIが同じ誤りをする可能性がある。
互いの回答を読ませれば、独立した判断ではなく、先行回答への追従になることもある。
議論を長く続けることで、より正しい答えではなく、より無難な合意へ収束する場合もある。
このとき、人間が注目すべきなのは、何体のAIが同じ結論を出したかではない。
複数のAIが一致したなら、その理由を確かめる必要がある。意見が割れた場合も、どの前提や評価基準の違いが不一致を生んだのかを読まなければならない。少数意見が重大なリスクを指摘しているなら、票数だけで消すべきではない。
複数AIの価値は、人間に代わって多数決を行うことではない。
一人では見えにくかった判断の構造を可視化することにある。
AIの答えが増えるほど、人間の判断が不要になるのではない。
何が独立した証拠で、何が同じ情報の反復なのかを読む必要が生まれる。
オーケストレーションの先に残るもの
第7回では、AIファシリテーションを、AIオーケストレーションやHuman-in-the-loopと区別した。
オーケストレーションは、どのAIやツールを、どの順番で、どのように動かすかを設計する。
HITLは、人間の入力、確認、修正、承認などをAIの処理へ組み込む考え方である。
どちらも重要である。
しかし、処理を効率化し、人間の確認点を設けても、何を目指すかが妥当であるとは限らない。
間違った目的も、高度にオーケストレーションできる。
人間が途中で承認していても、最初の目的や問いを疑わなければ、間違った方向への最適化は続く。
AIファシリテーションが扱うのは、さらに広い範囲である。
知的活動を始める前に、その活動を何のために行うのかを決め、解くべき問いと置くべき前提を選ぶ。AIへ役割を与えたあとは、何を評価基準とするかを管理し、必要に応じて論点を変更する。最後には、どこで議論を止め、何を現実に実行するのかを判断する。
つまり、AIファシリテーションは、処理の流れだけではなく、知的活動全体の方向を設計する。
AIが自ら複雑なオーケストレーションを行う時代になっても、その仕組みが何を最適化すべきかという問いは残る。
人間はAIの監督者ではなく、知性の編集者になる
AI時代の人間の役割を、「AIの監督者」と表現することがある。
AIが間違えないように確認し、危険な出力を止め、最終的な責任を持つ。
これらは必要である。
しかし、人間の役割を監督だけに限定すると、AIが主に考え、人間は最後に印鑑を押すだけの構図になる。
実際の人間の役割は、もっと能動的である。
AIが出した材料の中から必要なものを選び、並べ替え、組み合わせ、不要なものを捨てる。一つのAIが置いた問題設定が適切でなければ、別の問いへ変更する。複数の意見が割れたときには、その背後にある評価基準を取り出し、事実問題は外部資料へ接続する。最後まで残った価値判断は、AIへ委ねたままにせず、人間の判断へ戻す。
これは監督というより、編集に近い。
編集者は、すべての文章を自分で書く必要はない。
しかし、何を掲載し、どの順番で見せ、何を削り、全体として何を伝えるかを決める。
AIファシリテーターも、すべての答えを自分で作る必要はない。
複数の知的資源を使い、どの思考を残し、何を疑い、どの結論へ進むかを設計する。
AI時代の人間は、知性の所有者であるだけでなく、知性の編集者になる。
知性は個人の頭の中だけに存在しなくなる
従来、知性は個人の能力として評価されてきた。
その人がどれほど知識を持ち、論理的に考えられるかによって、知的能力が判断されてきた。
しかし、AIとの協働が進むと、成果を生み出す知性は、一人の頭の中だけでは説明しにくくなる。
人間が複数のAIを使い、検索システムやデータベースから情報を得る。必要に応じて実行環境でコードを動かし、専門家へ確認し、利用者の反応や実測された現実を判断へ取り込む。
こうした複数の要素が接続されて、一つの判断が作られる。
人間の思考が、道具や外部の記録、他者との相互作用を通じて成立するという考え方は、生成AIの登場以前から、拡張された認知や分散認知などの議論で扱われてきた。
生成AIは、その外部に置かれた知的資源の範囲と応答性を大きく変えたものと捉えられる。
重要になるのは、個々の構成要素がどれだけ高性能かだけではない。
それらが適切に接続されているかである。
高性能なAIを使っていても、目的が曖昧で、誤った情報を与え、出力を検証しなければ、よい判断にはならない。
標準的なAIであっても、人間が目的を明確にし、必要な外部情報を確認し、小さな実験を組み合わせれば、強い成果を作れることがある。
知性は、個体の性能だけでなく、構成の性能によっても決まるようになる。
誰が一番賢いかではなく、
どの知性を、どの役割で、どの順番に使うか。
が重要になる。
これは、AIだけの話ではない。
人間の専門家をどのように組み合わせ、一次資料と経験知をどう接続するかも同じ問題である。議論によって仮説を作るのか、それとも先に実験して事実を確かめるのかという順序も、判断の質を左右する。
AIファシリテーションは、複数の知性を一つの判断へ組織する技術である。
「自分で考える」とは、一人で考えることではない
AIに考えさせると、人間が自分で考えなくなるという懸念がある。
この懸念には理由がある。
AIの回答を検証せず、そのまま採用する。目的や問いまでAIに任せ、自分の意見に同意する回答だけを集める。判断の理由を理解しないまま、AIが勧めたという理由だけで実行する。
この使い方を続ければ、人間の主体性や判断能力が弱くなる可能性がある。
しかし、AIを使うこと自体が、自分で考えないことを意味するわけではない。
人間は昔から、他人の意見、本、道具、記録、計算機を使って考えてきた。
誰の助けも借りず、一人の頭だけで完結させることが「自分で考える」の条件ではない。
重要なのは、思考の主導権がどこにあるかである。
自分が何を知りたいのかを決め、AIの答えを完成品ではなく材料として扱う。その回答が置いている前提や、結論が崩れる条件を確認し、必要に応じて別の意見と比較する。対話の過程で自分の目的に問題があるとわかれば、目的そのものを修正することも必要である。
最終的に、なぜその結論を採用するのかを理解しているなら、AIを深く使っていても、自分で考えている。
むしろ、自分一人では得られなかった視点を使い、思考を拡張している。
一方で、AIを使わずに判断していても、世間の常識や広告、過去の習慣を無検証で受け入れているなら、それを主体的な思考とは呼びにくい。
自分で考えるとは、一人で答えを作ることではない。
どの知的資源を使い、何を採用し、どう判断するかを自分で統括することである。
AIに考えることを任せる人と、AIで考える人
AIの利用には、似ているようで異なる二つの形がある。
一つは、AIに考えることを任せる使い方である。
質問を入力し、返ってきた答えを採用する。説明が整っていれば正しいとみなし、AIが勧める目的や評価基準も、そのまま受け入れる。
この場合、人間は答えを得ることはできるが、判断の構造を理解していない。
もう一つは、AIで考える使い方である。
まずAIに第一案を作らせ、別の観点から反論させる。問いに含まれる前提を監査させ、複数の結論が割れた場合には、その原因を確認する。さらに、外部の事実を調べ、小さく試した結果をもとに、目的や評価基準を更新していく。
ここでは、AIは判断主体というより、思考を拡張するための知的資源として使われている。
両者の違いは、利用時間やプロンプトの長さではない。
人間が目的と判断を保持しているかどうかである。
AIを使えば、速く答えを得られる。
だが、速く得られた答えが、自分を望む方向へ連れていくとは限らない。
AI時代には、答えを得る技術と、答えを使う知性を分けて考える必要がある。
答えを出すことより、反証条件を設計する
AIは、説得力のある答えを作る。
そのため人間は、回答の文章を読むだけで納得しやすい。
しかし、知的な判断に必要なのは、納得感だけではない。
その結論が間違っているとすれば、どのような事実が見つかるのかを考える必要がある。何が確認されれば判断を変更するのかを決め、その結論が依存している前提も明らかにしなければならない。
こうした反証条件を持つ必要がある。
たとえば、AIが「この新機能は利用者の継続率を高める」と提案したとする。
文章がもっともらしいことだけでは、実装理由として弱い。
実際に継続率が上がらなかった場合には仮説を棄却するのか。どの期間で効果を測り、利用者への負担や問い合わせの増加をどのように扱うのか。全面的に実装する前に、小規模な実験で確かめることはできないか。
反証条件を設計すると、AIの答えが、現実に検証できる仮説へ変わる。
AI時代の知性は、正しそうな説明を作る能力だけではない。
自分の判断が間違っているとわかる仕組みを作る能力でもある。
思考を続ける能力より、思考を止める能力
AIは、求めれば低い追加コストで回答を作り続けられる。
最初の案に別の観点を加え、反論を作り、複数のAIで討論し、統合案をさらに修正することもできる。
この能力によって、調査や企画の質を高められる。
一方で、考えることを終えられなくなる危険もある。
もう一体に聞けば、さらによい指摘が出るかもしれない。
別のモデルなら、違う結論になるかもしれない。
議論をもう一往復させれば、確信度が上がるかもしれない。
こうして、人間は判断を先送りする。
しかし、現実の多くの問題には完全な答えがない。
情報が不足したまま決めなければならない。
小さく試さなければ、わからない。
行動した結果から、目的や計画を修正する必要がある。
AIファシリテーションにおいて重要なのは、AIにどれだけ考えさせるかだけではない。
いつ考えることを止めるかである。
重大なリスクが特定され、不確実な事実と外部確認すべき点が整理されたなら、検討はかなり進んでいる。さらに、小さな実験方法が見つかり、残った対立が情報不足ではなく価値判断だとわかったなら、AIを追加するより人間が決めるべきである。
知性とは、無限に考え続けることではない。
不完全な情報の中で、十分な時点を見極め、現実へ移ることでもある。
AI時代の知性を構成するもの
AI時代の知性を、一つの能力へ単純化することはできない。
まず、何を目指すのかを決め、その目的に応じて考えるべき問いを設計する必要がある。問いが置いている前提を監査し、現在の論点をさらに深めるのか、別の論点へ移るのかも判断しなければならない。
複数のAIや人間を使う場合には、それぞれへ適切な役割を与え、回答同士の一致と不一致を読み解く力が求められる。同時に、自分に都合のよい答えへ引かれていないかを疑い、事実に関する問題は一次資料、実測、専門家へ接続する必要がある。
さらに、何が起きれば結論を変更するのかをあらかじめ考え、十分なところで議論を止める。最後には、何を採用し、どのような行動へ移すのかを自分の判断として引き受ける。
これらは、AIが不得意だから人間が仕方なく担当する残務ではない。
AIの能力を現実の価値へ変えるために必要な仕事である。
人間の価値を「AIにできないこと」から考えない
AIの進化について語るとき、よく次の問いが置かれる。
AIにできない、人間だけの仕事は何か。
この問いには、防衛的な構造がある。
AIができる領域を広げるたびに、人間は残された領域へ後退する。
創造性は人間だけだと考えても、AIが創作できるようになる。共感は人間だけだと考えても、AIは共感的な応答を返すようになる。目的設定を人間だけの能力と考えても、AIは目的候補を提案し始める。
この方法では、人間の価値はAIの性能向上によって縮み続ける。
しかし、人間の役割を、AIに不可能な処理として定義する必要はない。
AIにできる作業は、AIへ任せればよい。
人間にしかできないから人間が行うのではなく、人間が全体を望ましい方向へ導くために必要だから行う。
AIが問いを作れるとしても、どの問いを採用するかを人間が考える。
AIが評価基準を提案できるとしても、どの価値を優先するかを人間が決める。
AIが議論を統合できるとしても、統合せずに残すべき対立がないかを人間が判断する。
重要なのは、人間の専有領域を守ることではない。
人間とAIの能力をどう組み合わせれば、よりよい理解、判断、行動へ到達できるかである。
AIファシリテーションは、人間の優位性を証明するための概念ではない。
人間とAIの分業を設計するための概念である。
知性の中心は、答えから方向へ移る
これまで人間は、答えを持つことで価値を発揮してきた。
AIは、その答えを高速に大量生成する。
この変化によって、答えの価値がなくなるわけではない。
正しい答えは依然として必要である。
しかし、答えを作る費用が下がるほど、どの答えを作るべきかという上流の判断が重要になる。
AIは速く処理を進め、多数の案を作り、一つの論点を深く検討できる。複数の意見を統合し、求められれば思考を続けることもできる。
それに対して人間は、どこへ向かうのかを決め、何を評価するのかを選ぶ必要がある。どの論点を深めるべきかを判断し、統合してはいけない対立がないかを確認する。十分な検討が行われたなら、どこで思考を止めるかも決めなければならない。
知性の中心は、答えの所有から、思考の方向づけへ移る。
AIが考えるようになった時代、人間は何を考えるのか
この連載の副題は、
AIが考えるようになった時代、人間は何を考えるのか
だった。
ここまでの議論を踏まえれば、その答えは明確である。
人間は、AIが出す答えより一段上の問題を考える。
なぜその答えが必要なのかを考え、目的が本当に自分や利用者の利益になるのかを確かめる。問いに含まれる前提を疑い、必要なら別の問いへ変更する。
複数のAIを使った場合には、なぜ意見が一致したのかを確認し、意見が割れた場所にどのような価値の対立があるのかを読む。AIが述べた主張を事実として確認する方法を考え、どのような結果が出れば結論を修正するのかも決めておく必要がある。
そして、いつ議論を止めて現実で試すのか、どの結果を選び、その結果を誰が引き受けるのかを判断する。
AIが考えるようになったことで、人間は考えなくてよくなったのではない。
人間は、より上流の目的と、より下流の判断について考える必要が出てきた。
AIファシリテーションは、AI時代の主体性を守る
AIへ目的候補を作らせることはできる。
AIへ問いを作らせることもできる。
複数のAIを自動で議論させ、最終案を選び、そのまま実行する範囲も今後広がる可能性がある。
それは効率的である。
しかし、効率のよさと、人間にとって望ましいことは同じではない。
AIが提示した目的を、人間が理由を理解しないまま受け入れる。AIが選んだ評価基準に従い、人間自身の行動が最適化される。AIが提案した行動を、AIが勧めたという理由だけで実行する。
この状態では、人間がAIを使っているように見えて、実際には人間が、与えられた最適化目標を実現するための部品になっている。
主体性とは、すべてを自分で行うことではない。
目的と判断の回路から、自分が排除されていないことである。
AIを使って調査し、考え、実装したとしても、自分が何を目指しているのかを理解していればよい。そのうえで、AIが出した答えの中から何を採用し、どのような行動へ移るのかを判断し、その結果を引き受ける。
AIファシリテーションは、その主体性を保つための方法でもある。
人間が何を考えるべきかが、変わった
AI時代の人間は、AIより速く答える必要はない。
AIより多くの知識を記憶する必要もない。
AIが作れる文章を、すべて自分で書く必要もない。
AIの能力を使えばよい。
まず一体のAIへ考えさせ、必要なら別のAIにその答えを疑わせる。異なる情報源へ接続し、試作や実測を通じて現実から学ぶ。
人間が担当するのは、それらを一つの目的へ組織することである。
何について、何のために、誰のために考えるのかを明確にする。問いに含まれる前提を疑い、何を証拠として採用するのかを決める。複数の選択肢の中から何を残し、何を捨てるのかを判断し、十分に考えたところで現実の行動へ移る。
人間の知性は、AIに残された空白ではない。
AIを含む複数の知性を使い、現実をよりよく理解し、判断し、行動するための設計能力である。
AIは答えを出す。
しかし、どの答えを必要とし、その答えによってどこへ向かうのかは、自動的には決まらない。
その方向を決めることが、人間の仕事である。
AIが考えるようになったことで、人間は考えなくてよくなったのではない。何を考えるべきかが変わったのである。
そして、AIが考えるようになった時代に人間が考えるべきものは、答えそのものだけではない。
どのような目的に向かい、どの問いを選び、どの前提と価値に基づいて判断するのかを考える。そして、その判断によって、どのような未来を作るのかを引き受けるのである。
（了）
深水英一郎
小学生のとき真冬の釣り堀に続けて2回落ちたことがあります。釣れた魚の数より落ちた回数の方が多いです。
テクノロジーの発展によってわたしたち個人の創作活動の幅と深さがどういった過程をたどって拡がり、それが世の中にどんな変化をもたらすのか、ということについて興味があって文章を書いています。その延長で個人創作者をサポートする活動をおこなっています。