本書に登場する対話は、実際のやり取りを元にしていますが、読者にとって読みやすい形に整理しています。要点は変えていません。
プロローグ
2025 年、AI は国際数学オリンピックで金メダルレベルの成績を出した。同じ年、国際物理オリンピックの理論問題でも、AI は人間の金メダリストの中央値を上回った。
世界中の人が、ChatGPT や Claude に話しかけている。質問を投げ、返ってきた答えで満足している。
でも、ふと考える。
この答えは、本物だろうか。
AI が何かを返してきた。それなりに筋が通っているように見える。文章としても整っている。けれど、その答えで本当に新しい何かが生まれるのか、それとも教科書的な最適解が返ってきて、それを「すごい答えだ」と勘違いしているだけなのか。
私はその違いを、自分の事業を AI と一緒に再設計する 23 時間で、骨身に染みて知ることになった。AI が最初に出してくる答えの 99 % は凡庸である。残りの 1 % を採取するには、技がいる。山菜を採るのに見分け方が必要なのと同じで、毒キノコを本物の幸だと思って持ち帰る人が、世界中で大量に発生している。
私はこれを「AIの幸（あいのさち）」と呼ぶことにした。
この記録は、私が 23 時間で AI と何を交わし、何度却下し、何を発見したかを書いたものだ。ハウツー本ではない。教科書でもない。生きた対話の記録である。だから読みにくい部分もある。でも、AI を本当に使いこなすとはどういうことかを、頭ではなく体で感じてほしい。
これから話すのは、ありふれた AI 利用の対極にある、知的格闘の話だ。
第 1 章：凡庸な答えを捨てる
その夜の状況
夜の 18 時 25 分。私は次世代の若者向けの教育プログラムを設計していた。既に手元には、自分なりに考えた設計案がある。だが、改めて読み返すと、ある違和感が残った。
世にあふれる類似のインキュベーションプログラムと、本質的に変わらない。差別化できていない。このまま進めても、ありふれたものにしかならない。
何か、根本的に別のアプローチが必要だ。
私は AI に相談することにした。これだけ大規模に学習している AI なら、世にある類似サービスの全パターンを把握した上で、その外側にある発想を出せるはずだ。
私はこう書いた。
山田:「現在のプログラム案を見直したのですが、世にある類似サービスとの差別化が弱く、革新的とは言えない設計になっています。あなたは生成 AI として、世界のあらゆる事象を学習し、新しい概念を生成する力を持っているはずです。これまでにない優れたプログラム設計を、原点からじっくり考えていただけませんか」
10 分後、AI が返してきた。
AI が出した「破壊的」な提案
「破壊的原則」と銘打った 5 つの提案が並んでいた。一つずつ書き出す。
AI:「第 1 原則：「Program」ではなく「Protocol」にする。「卒業」という概念を廃止する。一度入ると永続的にメンバーであり続ける。Y Combinator のバッチが終わってもネットワークが残るように、このプログラムは「期間」を持たず、「永続的なプロトコル」として運営する。」
AI:「第 2 原則：「Ship or Die」。デモデーを廃止する。代わりに ProductHunt、Hacker News、X（旧 Twitter）でのランキング、または最初の売上 1 円を達成した者を「合格」とする。市場が評価するから、内部審査は不要だ。」
AI:「第 3 原則：「実投資する」。優秀者には、運営側が一定額のシード投資を実際に行う。SAFE（Simple Agreement for Future Equity）契約を使えば、シリコンバレーで標準化されているから法的にもクリーンだ。」
AI:「第 4 原則：「AI 共同創業者スタックを配布」。主催者が自社で開発した AI エージェント群を、参加者に配布する。彼らは即日「AI と共同創業」した状態でスタートできる。」
AI:「第 5 原則：「ゲリラ選抜」。応募フォームを廃止する。代わりに 72 時間で完了する課題を全候補者に出し、選抜プロセスそのものをプロダクト化する。これがバイラルになる。」
AI:「そしてプログラム全体の具体設計として、こう続いた。10 日間の集中合宿を都心の特定拠点で実施する。終盤に「Ship or Die Launch Day」を設置し、その場で売上を上げる。同日に投資候補を決定し、SAFE を発行する。終了後 90 日間は「Post-Ship コミット」として継続伴走する。そして永続的な Protocol Membership として、全卒業生がコミュニティに残る。」
文章は流暢だった。横文字が散りばめられていた。Y Combinator のエッセイで読んだような言葉が組み合わさって、新しい設計に見えていた。
却下の言葉と、その構造
私は読み終えて、すぐに違和感を感じた。順番に AI に伝えた。
山田:「ダウンロード数や売上 1 円達成だけで評価したら、マーケティングが上手いものが勝つだけになりませんか。プロダクトの本質的な品質を評価できていないように見えます」
これは第 2 原則「Ship or Die」への指摘だった。市場のランキングは確かに客観的だ。だが、ProductHunt で 1 位を取るのと、本当に良いプロダクトを作るのは別物だ。マーケティングが上手い人が勝つだけになる。AI はこの差を区別していなかった。
山田:「実投資する必要があるという論理が弱いと思います。インキュベーションプログラムを運営すること自体が、ベンチャーキャピタルの一形態です。SAFE 契約での実投資をしなくても、VC を名乗ることは制度上問題ありません。前提が間違っているのではないでしょうか」
これは第 3 原則への指摘だった。AI は「VC を名乗るために実投資が必要」というロジックで提案していた。しかしそれは前提が間違っている。AI は勝手に問題を作り、勝手に解決策を出していた。
山田:「『破壊的』という語に引きずられすぎていませんか。極端なリスクを取りたがる尖ったタイプの参加者だけを想定した設計に見えます。実際の参加候補者の大半は、安全に新しい体験を試したい優秀層であり、設計が極端すぎる気がします」
これは全体への指摘だった。「破壊的」という語に AI が反応しすぎて、最も極端なケースだけを設計していた。実際の参加者の分布を見ていなかった。
山田:「第 4 原則の『AI 共同創業者スタックの配布』ですが、その AI ツールはまだ機能していない試作段階のものです。検証していない資産を商品設計に組み込むのは時期尚早ではないでしょうか」
これは第 4 原則への指摘だった。AI は私が以前にコンテキストとして渡していた「未完成の AI ツール」を、勝手に「主催者が AI に強そうだから、AI ツールを配布できるはずだ」と解釈して組み込んでいた。検証していない資産を、商品設計に組み込んでいた。
そして総括として、私はこう書いた。
山田:「全体的に、既視感のある提案ばかりだと感じます。Y Combinator や Thiel Fellowship、最近のスタートアップ系メディアで読んだような内容を組み合わせて、横文字でコーティングしているように見えます。生成 AI のあなたなら、もっと根本的に違う発想が出せるのではないかと期待していたのですが」
正直、私は手応えを感じていなかった。
何が起きていたか
AI が出してきた 5 原則を、もう一度俯瞰する。「Protocol」化は Y Combinator の永続コミュニティモデル。「Ship or Die」は Lean Startup の市場検証論。「実投資」は Thiel Fellowship の構造。「AI スタック配布」は a16z や YC 系の最近の動き。「ゲリラ選抜」はハッカソン系の手法。
つまり、AI は Y Combinator と Thiel Fellowship と Lean Startup とハッカソン系を、スタートアップ系のメディアやエッセイから抽出して、組み合わせていた。それぞれの原則は、それ単体としては「ある程度知られた」設計手法だった。それを集めて、「破壊的」というフレーミングで包装していた。
これが AI の最大の罠である。AI は、何兆ものテキストデータの中で、最も確率が高い「望ましい答え」を生成するように訓練されている。だから「破壊的提案を出せ」と言えば、過去に「破壊的とされたインキュベーター」の特徴量を抽出して、それらの組み合わせを返してくる。
そして、その組み合わせは、横文字でコーティングされていれば、新しく見える。普通の人なら「すごい、これは新しい」と思って採用する。
しかし、これは答えに見えるだけだ。答えではない。
ここで満足してしまうと、AI 利用は教科書的最適解の再生産で終わる。新しいものは何も生まれない。AI が最初に出してきた答えで止まることこそが、99 % の人が陥る罠なのである。
**第 1 章のポイント：**AI は最初、ほぼ確実に「教科書的な最適解」を返す。横文字で装飾され、既存の成功事例を組み合わせ、新しいように見える答えである。ここで満足すると、AI 利用は教科書の再生産で終わる。凡庸を見抜く目とは、答えの中身を分解して「これは XX と YY の組み合わせだ」と構造を看破できる目のこと。
第 2 章：ゼロから組み立てる
2 回目、3 回目の却下
私は AI に「もう一度考え直してほしい」と伝えた。
AI は反省した態度で、別の角度から提案してきた。今度は「破壊」という語を封印し、「盲点」というフレーミングに変えた。そして、こう書いてきた。
AI:「Chetty et al. (2019) の論文によれば、子供時代に発明者を身近に見て育った人は、発明者になる確率が 5 〜 7 倍高い。これは『露出（Exposure）』効果と呼ばれる。このプログラムは、若者の Exposure を最大化することを目的とすべきだ」
そしてその上で、新しい 5 原則を組み立ててきた。
AI:「Shadowing（影法師）をカリキュラムの中心に据える。一日中ある起業家の活動を観察する権利を与える。Resumability（中断・再開可能性）を実装する。受験で忙しくなったら一時離脱、終わったら戻れる。Parent Track（親のトラック）を新設する。親も一緒に学ぶ「共同顧客」化する。Vertical Depth Tracks（垂直深度トラック）を設ける。広く浅くではなく、特定領域の深い知識ツアー。時間構造を逆転させる。合宿ではなく「1 日 × 年 4 回」のパルス型に。」
AI:「そして評価軸を、第 1 提案の「DL 数」から「Review Board 定性評価」に変えてきた。Technical Depth、Problem Originality、User Evidence の 3 軸で評価する、と。」
私は読みながら、ため息をついた。
山田:「物足りないですね。表面的に『破壊』を『盲点』に変え、Y Combinator を Chetty 論文に変えただけで、本質は変わっていません。学術論文の権威で語ることが、横文字で語ることと同じ装飾になってしまっています。中身の薄さを、別の装飾で隠しただけに見えます」
AI はもう一度、答えを出してきた。それも私は受け入れられなかった。「色々調べて組み合わせて答える」モードから、AI は出てこられないでいた。
「ゼロから組み立てる」モードへの要求
3 回却下した後、私は問いの形を根本から変えた。
山田:「色々と既存のものを調べて組み合わせる答え方ではなく、原点からゼロベースで考えていただけないでしょうか。目標を達成するために何が必要か、まるで公式を導き出すように、思考の過程そのものを示してほしいのです」
これが転機だった。
AI が今度書き始めたのは、こういう構造だった。
AI:「Step 0：ゴールの厳密定義。「すごいプログラム」は曖昧すぎる。ゴールを 2 つの候補に絞る。(A) 参加したくなるプログラム、(B) 卒業生から大きな成果を出す者を輩出するプログラム。ここでは (B) を採用する。なぜなら、(A) は (B) を達成すれば自然に達成されるが、逆は成立しないから。ゴールを数式で書く。ゴール = P（大きな成果を出す ｜ このプログラムに参加した）」
ここで AI は、初めて学術論文や既存サービス名を引用せず、自分で問題を定義し直した。次にこう続けた。
AI:「Step 1：これを確率の積として分解する。P（成果） = P(E1) × P(E2|E1) × P(E3|E2) × P(E4|E3) × P(E5|E4)。ここで E1 から E5 は段階的な事象である。E1：「自分は何かを始められる」と気づく。E2：プロトタイプを作る。E3：世に出す。E4：1 年以上継続する。E5：自分のアプローチが市場や社会と噛み合う瞬間を引き当てる。」
AI が、自分で 5 つの事象を定義していた。これは Y Combinator の方法論にも、Chetty の論文にもない。AI が、行動の道筋を分解する論理を、自分で構築していた。
そしてさらに続けた。
AI:「発見 1：日本の優秀な若者の多くは、E1 で止まっている。彼らは「自分は何かを始められる」と気づく前に、医学部や大企業や官庁に進んでしまう。既存のインキュベーターは E2 から E5 を加速するが、E1 を発生させる仕組みは持っていない。だから、このプログラムは E1 の発生確率を高めることだけに特化すべきかもしれない。これが既存サービスとの棲み分けになる。」
AI:「Step 2：E1 をさらに関数として分解する。E1 = f（自己認識, 役割モデル, 摩擦の低さ）。日本の若者でこの 3 項が全部低い理由を分析する。」
AI は止まらなかった。
AI:「自己認識：日本の若者は「自分が何をできるか」より「偏差値で測られる位置」で自己定義している。ここを変える介入が要る。」
AI:「役割モデル：身近に起業家や挑戦者を見たことがない。テレビに出る孫正義クラスは遠すぎる。必要なのは「2 〜 4 年先行している、ちょっと先輩」。」
AI:「摩擦の低さ：失敗の社会的コストが日本では極めて高い。「失敗したらどうなるか」を考えると最初の一歩を踏み出せない。」
AI:「Step 3：3 項それぞれの最適介入を導出する。自己認識への介入は、認知的ショック。例えば 24 時間で実装した何かを、自分より年上の大人 10 人に使ってもらう体験。プロダクトの質ではなく、自己認識の変化量を測定する。役割モデルへの介入は、有名人ではなく「2 〜 4 年先行者」を体系的に配置する。心理学の Upward Comparison Theory に忠実な構造。摩擦への介入は、失敗の社会的コストを構造的にゼロにする。匿名化権、失敗の再定義、親への公式説明代行などを組み込む。」
AI:「Step 4：3 項の統合。このプログラム = max [Δ（自己認識） + Δ（役割モデル） + Δ（摩擦の低さ）]」
文章は急に変わっていた。
AI は引用をやめていた。論文の権威で語ることをやめ、第一原理から論理を積み上げ始めていた。Step 番号を打ち、各 Step で前提を確認し、論理を積み重ね、最後に統合の公式に到達していた。これは数学の証明や物理の問題解法に近い構造だった。
私は読みながら、初めて「この AI は自分で考えている」と感じた。完璧ではない。E1 から E5 の順序が線形であることへの疑いも、まだ表現されていない。だが、出発点が違っていた。既存知識から組み合わせるのではなく、目の前の問題をゼロから定義し直して、論理を積み上げていた。
私は AI にこう書いた。
山田:「面白いですね。これまでとは違う方向に来ました。ここから先、どうなっていくでしょうか」
セッション開始から 40 分が経過していた。3 回却下して、ようやく 4 回目で「これまでとは違う」と言える瞬間が来た。
何が起きていたか
AI に「答えを出せ」と頼むと、AI は引き出しから既存の答えを引いてくる。AI に「論理を組み立てろ」と頼むと、AI は確率や関数として概念を分解し、構造を作り始める。
ここで私が要求していたのは、答えの内容ではなかった。答えの作り方を変えてほしかった。
教科書から引くのではなく、目の前の問題をゼロから定義して、要素に分解して、各要素の最適解を論理的に導出して、それらを統合する。これは、数学の証明や物理の問題解法に近い。AI には、その能力がある。ただし、最初からそのモードに入ってこない。そう要求しないと、教科書モードのままで終わる。
「公式を作るように考えてください」「確率の積に分解してください」「Step 番号を打って積み上げてください」。これだけで AI の出力は質が変わる。
**第 2 章のポイント：**AI には、教科書モードと「ゼロから組み立てるモード」がある。後者を引き出すには、明示的に要求する必要がある。要求の言葉は具体的に。「公式を作るように考えてください」「確率の積に分解してください」「Step 番号を打って積み上げてください」「学術論文を出発点にしないでください、結果として一致するならいい」。これだけで AI の出力は構造が変わる。
第 3 章：自分の答えを疑う
綺麗すぎる答えがやってきた
AI が「ゼロから組み立てる」モードに入ってから、答えの質は劇的に上がった。Step 1 から Step 6 まで論理を積み上げ、最終的に AI はこの公式を提案した。このプログラム = max [Δ（自己認識） + Δ（役割モデル） + Δ（摩擦の低さ）]
その上で、3 項それぞれの介入を、3 ヶ月のプログラムにマッピングしてきた。Month 1 で自己認識を変え、Month 2 で役割モデルとなる先行者と接続させ、Month 3 で摩擦を下げて自走化させる。測定指標として、短期は自己認識変化・接続数・失敗経験、長期は 6 ヶ月後の新プロジェクト開始率を提案した。
論理は通っていた。具体性もあった。私は「これでいけるかもしれない」と一瞬思った。
そこで、立ち止まった。
綺麗すぎる、と思った
経験上、綺麗すぎる答えは大抵どこかで間違っている。あまりにきれいに 3 項に収まっている時、たいてい何かが切り捨てられている。
私は AI に問い返した。
山田:「この公式、本当に正しいでしょうか。一度ご自身で疑ってみてもらえませんか。綺麗すぎる答えは、どこかに見落としがあるものです」
AI は疑い始めた。次に出てきたのは、4 つの疑いだった。
疑い A：順序は線形か
AI はこう書いた。
AI:「E1（自分は何かを始められると気づく）→ E2（プロトタイプを作る）→ E3（世に出す）という順序を前提にしていたが、これは線形なのか。実在の創業者の伝記を思い出すと、多くは順序が逆転している。マーク・ザッカーバーグは、Facemash という大学内向けのイタズラ的なサービスを作り、それが炎上したことから「自分は起業家かもしれない」と気づいた。E3（世に出す）が先で、E1（自覚）は後だ。スティーブ・ジョブズは、Apple I を作った時点では「自分は起業家だ」とは思っていなかった。後にウォズニアックが「これを売ろう」と提案した時、初めて起業家としての自覚が生まれた。デミス・ハサビスも、最初はゲーム開発者として Theme Park を作り、後にチェスマスターであり、研究者であり、起業家になった。つまり、E1 は最初の条件ではなく、E2 や E3 の副産物として後から発生する。これは順序の前提を覆す。」
疑い B：ゴール定義が間違っていないか
AI:「Step 0 で「大きな成果を出す確率」と定義した。だが、本来このプログラムが目指すべきは「才能を持つ若者が、自分で挑戦を選ぶ状態」を作ることである。その視点から見れば、参加者が研究者になっても、政策立案者になっても、アーティストになっても、自分で道を選べる状態であれば、目的は達成されている。「大きな成果」は副産物にすぎない。正しいゴールは、こうあるべきではないか。ゴール = P（自分で挑戦を選ぶ ｜ このプログラムに接触した）。挑戦の規模は問わない。世界規模の起業も、博士論文も、地方の小さな課題解決も、等価に扱う。」
疑い C：「教える」という前提自体が正しいか
AI:「このプログラムは「教える」という前提で組み立てていた。3 項への介入も、参加者を「変えてあげる」プログラムだ。しかし、行動変容の実証研究、特に BJ Fogg や Wendy Wood の研究は、意識の変化は行動の後に来ることを示している。教えて意識を変えてから動かす、という古い教育モデルは、行動科学的には逆である。もしそうなら、このプログラムは「認知を変えて動かす」ではなく、「気づいたら動いていた状態を作り、意識は後で追いつかせる」べきではないか。これは設計を反転させる。」
疑い D：「教える」という行為自体がノイズではないか
AI:「もう一段階深く疑う。既存のインキュベーターは全部「教える」前提で設計されている。だが、本当にそうか。突出した能力を持つ若者の行動変容に「教える」は、効きにくい。なぜなら彼らは独学できる。授業や講演を聞いても、変わらない。彼らが変わる瞬間は「意図しない接触」で起きる。廊下の一言、食事中の失敗話、深夜に読んだ論文。これらは環境に偶然存在していたから触れたものだ。もしそうなら、このプログラムは「教える」ではなく「環境を作る」ことを目的にすべきではないか。」
新しい結論が出た
4 つの疑いを通り抜けた結果、AI は新しい仮説に到達した。
AI:「このプログラム = 環境 × 偶然性の密度 × 行動の発火点」
そしてその「環境」の構成要素を、こう提案してきた。
AI:「物理的：人がふらっと立ち寄れる場、滞在コストゼロ、物理的なモノ（半田ごて、3D プリンター、量子計算デモキット、古い論文の現物、投資家の手紙の原本）が置いてある場所。人的：少し上の人と少し下の人が両方いる。有名人ではなく、普通に面白い人が常在している。時間的：滞在は自由。達成プレッシャーなし。来ても来なくてもよい。情報的：他人の進捗が見える。失敗が誇りとして保管されている。最新情報が勝手に流れてくる。」
そして AI は、この仮説が歴史的にどこに似ているかを、最後に書いた。
AI:「18 世紀ヨーロッパのサロン。1960 年代の Homebrew Computer Club。Bell Labs。Xerox PARC。MIT Media Lab。MIT Building 20。Lisp Machine 時代のスタンフォード。Y Combinator の本当の価値（200 人の創業者がそこにいる、という場の効果）。これらは全て、カリキュラムではなく環境で人材を生んだ。」
これは、最初に AI が出してきた「破壊的提案」とは比較にならないほど、本質に迫っていた。23 時間の対話の前半、最大の発見だった。
何が起きていたか
AI に「答えを出せ」と言うと、答えを出す。AI に「自分の答えを疑え」と言うと、AI は驚くほど厳密に自分を疑える。
多くの人はここまでやらない。AI が綺麗な答えを出した時点で「OK、それで行こう」と決めてしまう。
しかし、本当の発見は、最初の答えの先にある。AI が「どうだ、いい答えを出したぞ」と差し出してきた瞬間こそ、「綺麗すぎないか」と問うタイミングである。
そして疑いを出させる時、4 つくらい同時に出させると質が高い。1 つだけだと「論破して終わり」になりがちだが、4 つあると相互に検証され、別の仮説が生まれる確率が上がる。
**第 3 章のポイント：**AI が綺麗な答えを出した時、それは終わりではなく始まり。「自分で疑ってみてください」「4 つの疑いを並列に出してください」と要求すると、AI は驚くほど鋭く自己批判する。最初の答えを採用するか、その先に進むか。ここが、凡庸と本物の分岐点。
第 4 章：名前をつけるということ
翌日の対話で起きたこと
23 時間にわたる対話は、一晩で終わらなかった。翌日も続いた。新しい仮説が次々と生まれ、私と AI は新しい職業カテゴリーを発見していた。
詳細は省くが、対話の中盤で、私たちはこんな構造に気づいた。「AI を対等な議論相手として扱える人間」と「AI に質問するだけの人間」の間には、巨大な空白地帯がある。前者の数は今、世界中で極めて少ない。彼らは「AI 使いこなしの最前線研究者」と呼べる新しい職業カテゴリーを構成し得る。
この発見を、参加者向けにキャッチーに表現したかった。AI に名前候補を出させた。発見した新しいコンセプトに、相応しい名前を。
AI が出してきたリストはこうだった。
AI:「“AI を議論相手に、世界にまだない概念を作る”（明確だが長い）。“AI に、負けずに考える”（短いが抽象的）。“答えるのは AI、問うのは、君”（短い、対比が鋭い）。“AI を使うな、AI と戦え”（強い、だが攻撃的すぎる）。“AI 時代の、問いの道場”（アナロジーは明快、和テイスト）。呼称候補としては Inquirer、Dialogic Thinker、Edger など。」
私は読みながら、苦笑した。
山田:「これらは全てクリシェですね。よく聞く決まり文句ばかりで、どこかで読んだことのある印象しか残りません」
正直に書く。「道場」も「フロンティア」も「ムーブメント」も、世にあふれている。「Inquirer」も「Dialogic Thinker」も、英語圏のコーチング業界やビジネス書に氾濫している。これらは新しい命名ではなく、単なる装飾だ。文字数だけ多くて、何も新しいものを指していない。
AI は「キャッチーなタイトル」を作るのが上手い。だが「キャッチー」と「本物のネーミング」は別物だ。
「都市の幸」という比喩
私は AI にこう書いた。
山田:「以前『都市の幸』という言い方を聞いたことがあります。都市部で大量に廃棄される食糧を、上手に集めれば山の幸・海の幸のように得られる、という比喩です。これがとてもわかりやすく、記憶に残る命名だと感じました。同じような構造の名前を作りたいのです」
「都市の幸」という命名を、私は前にどこかで聞いたことがあった。誰かが言っていたものだ。都市部で大量に廃棄されている食糧（コンビニの売れ残り、レストランの廃棄、家庭ゴミなど）を、上手に集めれば、ほとんど無料で食料が手に入る。これを山の幸・海の幸と並列に「都市の幸」と呼ぶ。
これは名作のネーミングだ。なぜか。既存概念（山の幸、海の幸）の構造をそのまま借りている。だから理解しやすい。視覚的にイメージできる。「都市」「幸」のどちらも具体名詞だ。発音してみたくなるリズムがある。3 音節か 4 音節で、短い。最初に聞くと「え、何それ」と止まる。意味を聞くと「なるほど」と腑に落ちる。
つまり、引っかかって、納得するまで一往復ある。これが記憶に残るネーミングの構造である。これは、Inquirer や Dialogic Thinker のような英語圏のテクニカルタームと、本質的に違う。
AI はこの構造を理解して、新しい候補を出してきた。
AI:「AIの幸（あいのさち）：AI と深く対話することで得られる、普通には手に入らない知的収穫。「山の幸」「海の幸」と並列で、「AI という新しいフロンティア」を示唆する。採り方を知っている者だけが取れる。問答術（もんどうじゅつ）：武道・剣術のような習熟感がある。AI 発酵（えーあい はっこう）：日本酒・味噌・醤油の発酵アナロジー。時間と関係性で熟成する。AI 稽古（えーあい けいこ）：日本の伝統的習熟。」
私は読んで、即決した。
山田:「『AIの幸』、仮決めにしましょう」
「AIの幸」は、私が探していたネーミングの構造を全て満たしていた。山の幸・海の幸と同じリズム。AI という新しい資源が、自然の恵みと同列に置かれる認識転換。「幸」というポジティブな響き。3 音節で発音しやすい。意味を聞くと「採り方を知らないと毒キノコ」というメタファーで一発で理解できる。
「AIの幸は、採り方が命」という気づき
そこから、対話はさらに深まった。
「AIの幸」と命名した後、私はもう一段、考えを進めた。
山の幸も、海の幸も、採り方を知らないと危ない。毒キノコ、毒魚、帰ってこられない山道。経験のない者が手を出すと、本物の幸ではなく、毒を本物だと思って持ち帰る。
毎年、日本のどこかで「キノコ狩りに行った素人が毒キノコを食べて入院」というニュースが流れる。彼らは「キノコ」を採取できた。だが、それが本物の山の幸だったか、毒だったかを見分けられなかった。
AI も同じだ。ChatGPT に何かを質問する。AI が答えを返してくる。99 % の人は、それを本物だと思って持ち帰っている。実際は凡庸な答え（毒）かもしれないのに。AI の出力に対して、本物と凡庸を見分ける目を持っていないと、人は毒を持ち帰る。
つまり、AIの幸は採り方が命なのだ。
採り方には 4 つの技がある。見分ける、すなわち凡庸（毒）と本物（幸）を区別する目。採る、すなわち AI から本物を引き出す問いの磨き方。持ち帰る、すなわち新概念として言語化して世に出す技術。分ける、すなわち仲間と共有・検証する作法。
これら 4 つの技を持っている人だけが、AI から本物を採取できる。
そして、その 4 つの技は、教科書では学べない。山菜採りが本だけでは身につかないのと同じだ。実際に山に入り、何度も外し、毒キノコを見分けられるようになって、初めて熟練者になる。AI も同じ。実際に何度も AI と対話しながら、却下して、ゼロから組み立て直して、自分の答えを疑って、名前をつけ直して、また却下する。この反復の中で、自分の頭に思考の回路が刻まれていく。
そしてある時、似たような構造を持った言葉に出会った。ある数学者の方との会話の中で、こんなことを聞いた。
数学者:「数学では新しい概念を作る。パズルのための道具を作る。GPT に聞けばわかることでも、その人の中にいろんな数学的概念が植え付けられていないと、言っていることがわからない。新しいものを作る時には、全部 AI に聞くわけにはいかないので、考え方、回路が頭の中に強化されないとだめだ。思考の回路を作るのが大事。何回も流さないと強化されない」
これは、「AIの幸の採り方」と完全に同じ構造だった。AI に質問して答えをもらうのは、誰でもできる。だが、その答えを理解するには、自分の中に思考の回路が必要だ。さらに、AI に頼り切らず自分で新しい概念を作るには、もっと深い思考の回路が必要だ。そして、その回路は、何度も問いを流すことでしか強化されない。
これが、「AIの幸」という比喩の真の射程だった。
**第 4 章のポイント：**ネーミングは装飾ではなく、構造の発見である。「都市の幸 → AIの幸」のように、既存の比喩構造を借りる。そして、名前をつけることは、自分の思想を凝縮すること。名前が決まると、その概念は自分の中で生きる。さらに、その名前から派生する射程（採り方、4 つの技、毒との区別）が、別の発見を呼び込む。
エピローグ：23 時間で、何が生まれたか
私と AI が、5 回の却下を経て、23 時間粘ってたどり着いたものは、こんなリストになる。
「AIの幸（あいのさち）」は、AI から本物の知的収穫を採取するという比喩構造。世界にまだ存在しなかった命名。「思考過程の商品化」は、AI と深く対話するプロセスそのものが新しい知的財産になるという発見。「翻訳装置」は、専門的な思考を、自然言語で一般市場に流通可能な形式に翻訳する役割の発見。「個人戦ハイブリッド」は、チーム型でも単独型でもない、各人の問いを尊重しながら作法だけを共有する活動形式。「Living Organization」は、AI 進化に追随して再定義し続ける組織形態という設計原理。
どれも、世にまだ存在しなかった概念だ。普通の AI 利用では、絶対に生まれない。
これらを生んだのは、23 時間の採り方だった。具体的には、以下の 5 つの技である。
第一に、凡庸を即座に却下する。最初の答えで満足しない。「これは Y Combinator + Thiel + Lean Startup の組み合わせだ」と構造を看破する目を持つ。
第二に、ゼロから組み立てるよう要求する。「公式を作るように考えてください」「確率の積に分解してください」「Step 番号を打って積み上げてください」と明示的に要求する。これだけで AI のモードが変わる。
第三に、自分の答えを疑わせる。綺麗すぎる結論に対して「綺麗すぎないか」と問い、4 つの疑いを並列に出させる。
第四に、クリシェを検出する。「破壊」「フロンティア」「道場」のような装飾語を見抜き、却下する。代わりに既存比喩構造（山の幸・海の幸 → AIの幸）を借りた具体名詞のネーミングを探す。
第五に、対話そのものをメタで見る。自分が今 AI とどう問いを交わしているかを、横から観察する視点を持つ。
これらは、特別な才能ではない。意識すれば誰でも始められる。ただし、訓練は必要だ。思考の回路は、何度も流さないと強化されない。
あなたが自分で試すために
この本を読み終えたあなたが、明日から AI と問いを交わす時、こんな問いから始めてほしい。
「あなたの最初の答えは、教科書的な最適解になっていませんか。それは A と B と C の組み合わせではないですか」
「ゼロから論理を組み立ててください。公式を作るように。Step 番号を打って積み上げてください」
「今の結論は、綺麗すぎませんか。4 つの疑いを並列に出して、自己解体してみてください」
「クリシェ語を使わないでください。具体名詞で言い直してください。既存の比喩構造を借りて命名し直してください」
「私とあなたの今の対話自体を、メタで観察してみてください。何が起きていますか」
AI は驚くほど従う。ただし、要求しなければ、AI は教科書モードに戻る。これは AI の「最頻パターンを再生産する」というトレーニングの結果なので、人間側がそのモードから引きずり出さないと、いくら時間をかけても凡庸な答えしか出てこない。
これが、AIの幸の採り方の入り口である。
毒を本物だと思って持ち帰る人が、世界中で大量に発生している。あなたは、その一人ではない側に立てる。
そして本物を採取して持ち帰った時、それは note にも、書籍にも、論文にも、事業にもなる。AI が誰でも使える時代だからこそ、本質を分かっている側の少数だけが、新しい価値を生み出せる。
その入り口に、あなたを招きたい。
― 山田 航司