私たちが知っていたPKMの終焉
パーソナルナレッジマネジメントは長い間うまく機能してきました。10年以上にわたり、PKMムーブメントは何百万人もの人々に、Notion、Obsidian、Roam Research、Evernoteなどのツールを使って情報をキャプチャし、整理し、検索することを教えてきました。Tiago Forteの「Building a Second Brain」メソッドはゴールドスタンダードとなり、25,000人以上の学習者がCODEフレームワーク（キャプチャ、整理、蒸留、表現）を採用しました。
うまくいっていました。ある程度は。
PKMの公然の秘密は、ほとんどの人がキャプチャの段階を超えられなかったことです。2023年のNotionユーザー調査では、データベースの68%が30日以上開かれていないことが判明しました。Readwiseの報告によると、ユーザーの中央値は保存したハイライトのレビューを月に2回未満しか行っていませんでした。人々は精巧なセカンドブレインを構築したものの、ほとんど参照しなかったのです。
理由はシンプルです。人間による検索は遅く、労力がかかるのです。何かを保存したことを覚えておき、大体どこにあるか思い出し、そこに移動し、読み返し、現在取り組んでいるものと統合する必要があります。このプロセスには数分、時にはそれ以上かかります。実際には、ほとんどの人がもう一度Googleで検索するか、同僚に聞いてしまいます。
そこに大規模言語モデルが登場しました。そして計算の前提がすべて変わりました。
AIは完璧に整理されたフォルダ構造を必要としません。タグも、カラーコードも、注意深くネストされた階層も不要です。AIが必要とするのはコンテキストです。あなたが誰で、何を読み、何を重要だと感じ、どのように考えるかという生の素材です。それを与えれば、PKMが約束しながらも完全には実現できなかったことを、AIは数秒で行えます。
これはTiago Forte自身が2025年に「パーソナルコンテキストマネジメント」の概念を提唱した際に認めたシフトです。ボトルネックはもはや、自分で検索するための知識の整理ではありません。AIがあなたの代わりに使えるコンテキストのキュレーションです。
もしあなたがすでにセカンドブレインを構築してきたのなら、ゼロからやり直す必要はありません。アップグレードするだけです。
パーソナルコンテキストマネジメントとは？
パーソナルコンテキストマネジメント（PCM）とは、AIシステムが関連性の高いパーソナライズされた出力を生成するために活用できる、個人のコンテキストレイヤーを意図的にキュレーション、構造化、維持する実践です。
違いを明確にしましょう。PKMの問いは「自分が知っていることを、後で見つけられるようにどう整理するか？」でした。PCMの問いは「AIの出力を本当に役立つものにするために、AIにどれだけ自分のことを伝えるか？」です。
この違いが重要なのは、AIが検索の問題を逆転させたからです。情報を見つけることは今や容易です。どんなLLMでも事実を検索し、研究を要約し、概念を説明できます。AIにできないのは、あなたの助けなしには、どの事実があなたの特定の状況に重要かを知ることです。あなたがフィンテックスタートアップの戦略メモを書いていること、6ヶ月間行動経済学を研究してきたこと、サブスクリプション価格設定に関する主流の見解に反対していることをAIは知りません。
それがコンテキストです。そしてそれは個人的なものです。
PCMには3つのレイヤーがあります：
- アイデンティティコンテキスト：あなたの役割、専門知識、関心事、目標、好み。これは比較的安定しており、ゆっくりと変化します。
- ナレッジコンテキスト：時間をかけて蓄積した特定のアイデア、情報源、インサイト。これはあなたのハイライトライブラリ、注釈、読書履歴です。
- タスクコンテキスト：今まさに取り組んでいること。プロジェクト、締め切り、対象読者、制約条件。
従来のPKMはレイヤー2を（ほとんどの人にとって不十分に）扱い、レイヤー1と3を無視していました。PCMは3つすべてを、AIが検索、統合、さらには初稿作成の重要な作業を行うシステムへの入力として扱います。
AI時代にコンテキストが知識を上回る理由
Ethan Mollickの「Co-Intelligence」（2024年）は有用なフレームワークを提示しました。AIは人間の能力を増幅する「共知能」ですが、十分な方向性が与えられた場合に限ります。Whartonでの統制実験では、AIツールに詳細なコンテキストを提供したコンサルタントは、汎用的なプロンプトを使用した人よりも40%高い品質の成果を出しました。
変数は知性ではありませんでした。コンテキストでした。
2つのプロンプトを比較してみましょう：
汎用的：「顧客維持についてブログ記事を書いてください。」
コンテキストリッチ：「私は中堅HR企業向けのB2B SaaS企業を経営しています。解約率は月8%で、主に従業員50人未満の企業からです。Bainの研究で、維持率5%の改善が利益の25〜95%増につながるというデータをハイライトしています。SMBセグメントの解約削減について、カスタマーサクセスチーム向けの記事を書いてください。」
2番目のプロンプトは劇的に良い出力を生み出します。AIがより賢いからではなく、あなたがコンテキストを与えたからです。
これをスケールアップしてみましょう。毎回手動でプロンプトにコンテキストを書く代わりに、AIがすでに以下にアクセスできる状態を想像してください：
- 過去1年間にハイライトしたすべての記事
- それらのハイライトに対するあなたの注釈やノート
- 最も頻繁に立ち返るトピック
- 信頼している情報源（そして無視したもの）
- あなたの文章スタイル、語彙の好み、典型的な論証パターン
これがPCMシステムが提供するものです。あなたのハイライトは、すべてのAIインタラクションをより有用にする持続的なコンテキストレイヤーになります。
研究もこれを裏付けています。Sparrow et al.（2011）は「Google効果」を実証し、情報が外部に保存されていると分かっている場合、人々の記憶力が大幅に低下することを示しました。しかし、追跡調査の発見はさらに興味深いものでした。人々は情報がどこに保存されているかを覚えることには優れているのです。私たちは生まれつきのインデクサーであり、ハードドライブではありません。PCMはこの強みに逆らうのではなく、活かすアプローチです。
ハイライト：パーソナルコンテキストの最小単位
キャプチャされた情報がすべて良いコンテキストになるわけではありません。ブックマークは粒度が粗すぎます。記事全体は長すぎます。タグは抽象的すぎます。しかしハイライトはスイートスポットに位置しています。
ハイライトとは、あなたにとって重要だから保存した一節です。その選択行為自体が情報です。AIに「この人はその日読んだすべてのものの中から、この特定の一節を保存する価値があると判断した」と伝えています。
ハイライトにはPCMに理想的ないくつかの特性があります：
- 事前フィルタリング済み：あなたはすでに編集作業を行っています。すべてのハイライトは関連性に関する判断を表しています。
- 出典付き：生のノートとは異なり、ハイライトは元のソースURL、著者、公開日を持っています。これによりAIに来歴と信頼性のシグナルを提供します。
- コンパクト：典型的なハイライトは1〜3文です。数百のハイライトをAIのコンテキストウィンドウに入れても、トークン制限に達しません。
- タイムスタンプ付き：ハイライトの時系列は、あなたの思考がどう変化したかを物語ります。AIは最近のハイライトをより重く評価できます。
- 注釈可能：ハイライトにノートを追加するとき、あなたの解釈を加えています。それは最も豊かな形のパーソナルコンテキストです。
Roediger and Karpickeの検索練習に関する研究（2006）は、教材に能動的に関わること、つまり重要な箇所を選び、注釈を付け、後でレビューすることが、受動的な再読と比べて記憶形成を50〜80%強化することを示しました。ハイライトはAIに良いだけでなく、あなた自身の学習にも良いのです。
重要なのは、ハイライトが摩擦なく行えることです。数秒以上かかるなら、一貫して続けることはできません。ここでGlaspのウェブハイライターが状況を変えます。あらゆるウェブページのあらゆる一節をワンクリックでハイライトでき、保存、整理され、AIのコンテキストとして利用可能になります。
キャプチャからコンテキストへ：ワークフローの変化
従来のPKMワークフローは以下のようなものでした：
- 興味深いものを読む
- それをキャプチャする（コピー＆ペースト、ブックマーク、スクリーンショット）
- それを整理する（フォルダに分類、タグを追加）
- 定期的にレビューする
- 必要な時に使う
ほとんどの人はステップ1〜2を完了して、残りを放棄しました。整理のステップは手間がかかりすぎ、レビューのステップには継続が難しい規律を必要としました。
PCMワークフローは異なります：
- 興味深いものを読む
- 心に響く特定の一節をハイライトする（これはキャプチャとキュレーションを一つのステップで行います）
- 保存する価値のある反応があれば注釈する
- トピック、テーマ、関連性に基づいてAIに整理させる
- 統合、執筆、思考が必要なときにハイライトとチャットする
何がなくなったか注目してください。手動の整理と定期的なレビューです。AIが両方を処理します。あなたは人間が最も得意とすること、つまり批判的に読み、何が重要かを判断することに集中し、AIは人間が最も苦手とすること、つまり大量の保存された資料の整理、検索、統合を担当します。
これは理論の話ではありません。GlaspのAIチャットはすでにこのワークフローを可能にしています。ハイライトライブラリ全体に対して質問できます。「価格心理学について何を保存した？」「リモートワークの賛否両論をハイライトから要約して」。AIはインターネット全体ではなく、あなたがキュレーションしたコンテキストを活用して、すでに精査した情報源に基づく回答を生成します。
コンテキストソースとしての動画
テキストだけがコンテキストとして活用できるメディアではありません。YouTubeだけで8億以上の動画がホストされており、動画コンテンツはインターネットトラフィック全体の82%を占めています（Cisco, 2023）。多くの人にとって、動画講義、カンファレンストーク、ポッドキャストインタビューが主要な学習メディアです。
問題は、動画が従来のPKMには非常に不向きなことです。動画をハイライトすることはできません。ざっと目を通すこともできません。効率的に検索することも困難です。45分のカンファレンストークには、42分のセットアップ、例示、Q&Aの中に3つの本当に価値あるインサイトが埋もれているかもしれません。
ここでAIパワードの動画要約が革新をもたらします。YouTube Summaryは、あらゆるYouTube動画の構造化された要約を生成し、要点、論点、タイムスタンプを抽出します。要約の中で重要な部分をハイライトすることで、45分の動画を事実上3〜5個のターゲットを絞ったハイライトに変換し、コンテキストレイヤーに取り込めます。
効率向上は顕著です。要約を読むのに2〜3分かかるのに対し、動画全体を視聴するのははるかに長くかかります。そして要約から保存したハイライトは、書かれた記事からのハイライトと同じコンテキスト価値を持ちます。事前にフィルタリングされ、出典が明記され、AIが使える状態です。
研究者、学生、大量の動画コンテンツを消費するナレッジワーカーにとって、これは以前PKMシステムに存在した巨大なギャップを埋めるものです。動画からの学びは、ブラウザのタブを閉じた瞬間に消えることはもうありません。
ソーシャルレイヤー：他者のコンテキストから学ぶ
ここがPCMと従来のノートテイキングが最も大きく異なる点です。あなたのハイライトは自分とAIのためだけでなく、あなたが何を価値あると感じたかという他者へのシグナルとしても存在します。
Glaspで記事を読むと、同じページで他の読者がハイライトした箇所を見ることができます。これは分散認知の一形態です。集団知性に関する研究（Woolley et al., 2010）は、重要な情報を特定する能力において、グループが一貫して個人を上回ることを示しています。誰か一人が賢いからではなく、多様な視点が一人の読者では見逃すものを捉えるからです。
気候経済学に関する密度の高い研究論文を読んでいるとしましょう。あなたは主要な発見と手法のセクションをハイライトするかもしれません。しかし別の読者、経済学者は、論文の中心的主張を弱体化させる脚注14に埋もれた仮定をハイライトします。3人目の読者、政策アナリストは、結論で議論されている実装上の課題をハイライトします。各人のハイライトはその人の専門性と優先事項を反映しています。
PCMシステムでは、このソーシャルレイヤーがあなたの拡張コンテキストの一部になります。自分のハイライトだけでなく、思慮深い読者のコミュニティの集合的な読解知性を活用できるのです。これがパブリックラーニングと孤立した学習を分けるものです。
ソーシャルな側面は説明責任も生み出します。あなたのハイライトが他の人に見える場合、注意深く読み、思慮深くハイライトする傾向が強まります。Andy Matuschakが言うところの「ガレージのドアを開けたまま作業する」のと同じ原理です。パブリックな学習はより厳密な学習です。
PCMシステムの構築
実用的なPCMシステムは複雑なセットアップを必要としません。3つの習慣の一貫性と1つの原則の明確さが必要です。
原則：コンテンツではなくコンテキストを保存する。記事全体をキャプチャする必要はありません。あなたの思考と交差した特定の一節をキャプチャする必要があります。常に量より質です。
習慣1：読みながらハイライトする。 ウェブハイライターをインストールし、読むすべての記事、ブログ記事、研究論文で使いましょう。この段階ではカラーコードやタグ付けについて深く考えすぎないでください。心に響くものをハイライトするだけです。記事あたり3〜7個のハイライトを目標にしましょう。それ以上ハイライトしているなら、おそらく十分に選別できていません。
習慣2：ハイライトが思考を引き起こしたら注釈する。 すべてのハイライトにノートが必要なわけではありません。しかし一節を読んで「これはXとつながる」や「Yという理由で反対だ」と思ったら、その反応を短い注釈としてキャプチャしましょう。これらの注釈は、著者の言ったことだけでなくあなたのユニークな視点をエンコードするため、最も高い価値を持つコンテキストです。
習慣3：毎週ハイライトとチャットする。 毎週15〜20分を確保して、最近のハイライトについてAIに質問しましょう。「今週はどんなテーマについて読んだ？」「今週の読書は先月保存したものとどうつながる？」「ハイライトをソースにして[トピック]のメモのアウトラインを作って」。ここにPCMの複利的な価値が現れます。
書籍やE-Readerでの読書については、Kindleハイライトをインポートしてウェブハイライトと統合でき、すべての読書にわたる統一されたコンテキストレイヤーを作れます。
週間ワークフローの例：
| 曜日 | アクティビティ | 時間 |
|---|---|---|
| 月〜金 | 出会った記事や動画をハイライトする | 記事あたり2〜3分 |
| 月〜金 | 1日1〜2個のハイライトに個人的な反応を注釈する | 注釈あたり1分 |
| 土曜日 | AIチャットでハイライトの要約をレビューする | 15分 |
| 土曜日 | ハイライトから1つのアウトプット（下書き、アウトライン、統合）を生成する | 15分 |
追加の時間投資は週あたりおよそ30〜45分です。そのリターンは、すべてのAIインタラクションをよりパーソナライズし、すべての文章をより実際のソースに基づいたものにする、継続的に成長するコンテキストレイヤーです。
学習の未来への意味
PCMの意味は生産性を超えて広がります。学習そのものについての考え方を再構成します。
エビングハウスは、新しい情報の90%を1週間で忘れることを実証しました。1世紀以上にわたり、主要な対策は間隔反復でした。記憶の痕跡を強化するために、間隔を広げながら教材をレビューする方法です。効果はありますが、労力がかかります。ほとんどの人は継続できません。
PCMは別の道を提案します。力任せの反復で忘却曲線と戦う代わりに、学びをコンテキストレイヤーに外部化し、AIに検索を任せます。初期のエンゲージメントの恩恵は受けられます（ハイライトは能動的な読書を強制し、記憶のエンコーディングを強化します）。しかし、すべてを生体記憶に維持する必要はもうありません。AIがあなたの代わりに記憶し、脳では到底できない方法で数百のソースを横断的に統合できます。
これはMollickらが警告する危険な意味での認知オフローディングではありません。AIの学習への影響について深く掘り下げた記事AIの学習への影響で探求されている重要な区別は、思考のアウトソーシングと検索のアウトソーシングの違いです。PCMは検索をアウトソースしつつ、思考、つまり選択、注釈、統合を確実に人間の手に残します。
2つ目の意味があります。AIモデルが向上するにつれ、あなたのパーソナルコンテキストの価値は減少するのではなく、増加します。推論能力が10倍のモデルは、汎用プロンプトよりも豊富なパーソナルコンテキストを与えられた場合に10倍優れた出力を生み出します。あなたのハイライトライブラリは価値が増す資産です。
3つ目もあります。パーソナルナレッジマネジメントは常にやや孤独な営みでした。自分のシステムを構築し、自分のシステムを使う。PCM、特にソーシャルレイヤーを持つPCMは、ネットワーク効果を生み出します。記事をハイライトするすべての人が、他の人にも利益をもたらすコンテキストを追加します。参加する人が増えるほど、集合的なコンテキストはより豊かになります。知識は個人としても集団としても複利で成長します。
よくある質問
パーソナルコンテキストマネジメントは単にChatGPTを使うのとどう違いますか？
ChatGPT（またはあらゆるLLM）はあなたのコンテキストなしでは、学習データに基づく汎用的な出力しか生成しません。PCMはAIにあなた固有のハイライト、注釈、読書履歴を入力として提供します。その違いは、見知らぬ人にアドバイスを求めるのと、あなたと同じ研究を読んだ同僚に尋ねるのとの違いに似ています。同じAIでも、出力品質は劇的に異なります。
既存のPKMセットアップを変える必要がありますか？
いいえ。PCMは既存のPKMの実践の上に構築されます。すでにObsidianやNotionでノートを取っているなら、それらのノートはコンテキストレイヤーの一部になります。主な変化はマインドセットです。自分の検索のためにノートを整理するのではなく、AIによる検索と統合のためにコンテキストをキュレーションします。
PCMが有用になるまでにどのくらいのハイライトが必要ですか？
厳密な最小値はありませんが、200〜300個のハイライト（一貫した読書とハイライトの約6〜8週間分）あたりから複利効果が感じられるようになります。その量になると、AIがあなたの興味のパターンを特定し、ソース間のつながりを浮かび上がらせ、本当にパーソナライズされたと感じるアウトプットを生成し始めます。
AIのせいで読書が怠惰になりませんか？
研究結果は複合的ですが示唆に富んでいます。受動的なAI使用（読まずに要約を求める）は理解力と批判的思考を低下させます。能動的なAI使用、つまり最初に読み、重要な箇所をハイライトし、その後AIを使って統合する場合は、学習成果が実際に向上します。重要なのは、PCMがあなたの読書と判断を維持し続けることです。AIはあなたのエンゲージメントを代替するのではなく、増幅します。
ハイライトデータはプライベートですか？
Glaspでは、ハイライトの公開範囲を自分でコントロールできます。公開ハイライトはソーシャルレイヤーに貢献し、他の読者の役に立ちます。プライベートハイライトはあなただけのものです。いずれにしても、あなたのハイライトデータはあなたのデータであり、いつでもエクスポートできます。
これは「セカンドブレイン」の概念とどう関係しますか？
PCMはセカンドブレイン2.0と考えてください。オリジナルのセカンドブレインは人間による検索のために設計されていました。情報を見つけられるように整理するものです。PCMはAI支援の検索のために設計されています。AIが見つけ、統合し、生成できるようにコンテキストをキュレーションします。キャプチャの習慣は似ています。その後のワークフローは根本的に異なります。
結論：ハイライトはあなたの競争優位性
PKMからパーソナルコンテキストマネジメントへのシフトはトレンドではありません。人間が情報やAIとどのようにインタラクトするかにおける構造的な変化です。
今日保存するすべてのハイライトは、明日のAIインタラクションをより有用にするコンテキストレイヤーの一部になります。すべての注釈が、あなたのユニークな視点をそのコンテキストに加えます。毎週の一貫したハイライトが、他の誰も持たない、より豊かでよりパーソナライズされたナレッジベースとして複利的に蓄積されます。
汎用的なAI出力はコモディティです。あなたの読書、思考、キュレーションされたソースに基づくパーソナライズされたAI出力は競争優位性です。そしてその優位性の原材料は驚くほどシンプルです。あなたがハイライトすることを選んだ一節です。
複雑なシステムは必要ありません。ハイライトの習慣、それを摩擦なく行えるツール、そして必要なときにコンテキストを活用できるAIレイヤーがあればよいのです。
今日から始めましょう。記事を読み、重要な箇所をハイライトし、思考が閃いたらノートを追加してください。明日も同じことをしましょう。数週間以内に、読むすべてのコンテンツとともに価値が増していくPCMシステムの基盤ができあがります。
Glaspはこのワークフローをシームレスにします。ウェブをハイライトし、動画を要約し、あなたの知識とチャットし、他の人が価値を見出したものから学びましょう。あなたのハイライトは単なる記憶ではありません。AIを真にあなたのものにするコンテキストです。
ハイライトをエクスポートしていつでも利用できます。あらゆるプラットフォームで活用できます。あなたが作り出したコンテキストは常にあなたのものです。
