成果を上げるAIの使い方

世の中のAIの使い方レクチャがなぜ成果を上げられないのか？
AIの真の価値はレクチャできない部分にある。

Transcript

1. 成果を上げる AIの使い方 タスクの外注 と 思考の拡張 Tomoya Fukumoto
2. 「AI時代のデータ分析基盤は、 DWHだけでは不十分ではないか？」
3. こういう聞き方もあった 調 査 依 頼 「あなたはITの専門家。 AI時代のデータ基盤の ベストプラクティスを説明して」 → 返 っ て き た • DWH（データウェアハウス） • ETL / データパイプライン • BI・ダッシュボード • データガバナンス • データ品質・カタログ … 全部正しいけどそれだけ
4. 実際に手に入れた成果 相 談 「AI時代はDWHだけでは不十分では？ どんな形になるべき？」 → 返ってきた ③ エージェントの口 AIが意味を理解して安全に叩く ② コンテキスト層 なぜその分析をしたかを溜める ① セマンティックレイヤー 指標の意味を機械可読にする 自分に足りてない知識と今後のアクションプランを得た 「いきなり全部作るのは難しそうやな。手を付ける順番 はどうなる？」 「AWSのサービスを使って実装するとしたら何を使う？ 専用ベンダーは必要？」 ⇔ ⇔
5. タスクの外注 作業をAIに渡す か 思考の拡張 脳みそをAIで広げる • 正解を取りに行く • 自分の仕事を終わらせる • プロンプト技術が重要 • 速い • 問題を明確にする • 自分の仕事の価値を高める • 対話の繰り返しが重要 • 遅い 根本的に異なる２つの使い道
6. 例１ 答えを持って使う 「このエラー直して」 VS 問いを持って使う 「なんで毎回うまくいかないのか？」 行き先が決まった移動 「沖縄への行き方」 VS 行き先を探す旅 「夏休みどこ行こうか？」 仕事の下流に使う 「スライドを作成して」 VS 上流に使う 「プレゼンで何を伝えるべきか？」 正解が存在する VS 答えがない
7. 例２ 指示を出す 「これについて説明して」と命令する VS 相談する 「このアイデアはどう？」と意見を聞く 仕事を終わらせたい ゴールは「片付ける」 VS もっと理解したい ゴールは「分かる」 知ってる土俵で使う おおよそ期待する答えを得る VS 知らない土俵に踏み込む 未知の領域について概観を得る 終わった時に自分が賢くなっている
8. 「AIの使い方」レクチャーが効果が出ない理由 外注モード ✓ 伝達しやすい プロンプトの手順に還元できる。誰でも同じ結果。 ✗ でも価値は低い 作業が速くなるだけ 拡張モード ✓ 価値が高い 戦略レベルでの改善。本人のレベルアップ ✗ でも伝達しにくい 思考状態（知識・性格）は各人で違うため 教えられるものは価値が低く、価値があるものは教えられない。
9. AIの出力に知らん単語が出たら、 その場で「それ知らん。説明して」 人間相手ならスルーは正しい 「それ何ですか」で進行が止まる。空気も悪くなる。 だから察する技術を磨いてきた AI相手なら、コストはゼロ 何回聞いても誰も困らない。人間相手と思うな 文脈乱すのが嫌ならすぐ新しいセッションを開いて聞く 思考拡張の実践（１） 自分の無知をAIに伝える 私よりもAIの方が賢いことを受け入れる
10. 思考拡張の実践（２） 問い直す この作業の“真の目的”は？ 真の目的の解決をAIに相談する 「この施策を効果的に評価する方法を検討せよ」 「この施策は継続するべきか？」 作業を投げる前に半歩戻る 「先月のKPIを分析して」 作業 真の目的は人それぞれ。よって手順にできない 「施策がうまくいってるか評価したい」 真の目的
11. 結論 思考拡張の扉のカギ 「何をしたらいいか一緒に考えて」