AIにすぐ作らせる人より、「まだ実行するな」と言える人が強い

「思いついた瞬間にアプリが完成する」世界で、最も強い人は誰だろうか。プログラマーだけではない。むしろ、何を実行し、何を実行させず、どの順番で試すかを見分けられる人かもしれない。

AIエージェントによって、簡単な分析アプリや業務ツールは、数十分どころか数分で形になるようになった。これは単なる開発速度の向上ではない。アイデアと実行のあいだにあった摩擦が、急速に消えているということだ。

しかし、摩擦が消えると、別の問題が前面に現れる。AIに頼めば何でも作れるように見えるとき、私たちは何を「命令」として渡し、何を「素材」として扱うべきなのか。ここで意外に役立つのが、古いプログラミング言語Lispの考え方である。

Lispにおいて、リストの最初の要素は car、残りは cdr と呼ばれる。そしてリストの先頭は、原則として関数やマクロ、つまり実行のためのオペレーターとして解釈される。データとしてそのまま扱いたいなら、quote を使って評価を止める。

一見すると、これは初歩的な文法の話にすぎない。だが、AIを使って事業やプロダクトを動かす時代には、極めて実践的な思考モデルになる。

AIエージェントは「意図を評価する機械」である

AIエージェントに自然言語で指示するとき、私たちは文章を書いているようで、実際には小さなプログラムを渡している。たとえば、「売上データを読み込み、地域別に集計し、異常値を見つけ、グラフで表示して」と頼むとする。これは単なる説明ではない。入力、処理、判断、出力を含む手続きである。

Lisp風に見れば、最初に置かれた動詞がオペレーターになる。「読み込む」「集計する」「比較する」「作る」といった言葉が、後続のデータをどう扱うか決める。AIは文章全体を理解しているように見えるが、実際には文中の優先順位や動詞、条件、制約を解釈し、可能な処理へ変換している。

ここで重要なのは、AIへの指示は情報の容器ではなく、実行可能な構造を持つことだ。

同じデータでも、「この売上表について説明して」と言えば要約が返るかもしれない。「この売上表から、利益率が前月より五ポイント以上下がった商品を抽出し、原因仮説を三つ示して」と言えば、分析手順が生成される。データは同じでも、先頭に置かれたオペレーターが違うため、結果の種類が変わる。

この差は、AIをうまく使える人と使えない人の差でもある。うまく使えない人は、情報を大量に渡せば良い結果が出ると思う。うまく使える人は、まず「何を評価させるのか」を設計する。

AI時代の最初の仕事は、答えを出すことではない。何を実行可能な問いに変えるかを決めることだ。

速く作れるほど、問いの設計が経営の中心になる

以前、アイデアを製品に変えるには、技術的な実装が大きな障壁だった。データベースを用意し、画面を作り、認証を設定し、テストを書き、公開環境へ配置する。これらの作業には専門知識と時間が必要だった。

AIエージェントはその障壁を大きく下げる。簡単なデータ分析アプリなら、自然言語で要件を伝え、生成されたものを修正しながら、短時間で動く形にできる。経営者や投資家が自分で仮説検証用のツールを作れるようになれば、意思決定の速度は大幅に変わるだろう。

だが、実装が速くなると、技術がボトルネックではなくなる。代わりにボトルネックになるのは、何を作る価値があるのかを判断する能力である。

これは、印刷機の速度だけが上がっても、何を印刷すべきかが分からなければ意味がないのと似ている。あるいは、どんな材料でも料理できる厨房を手に入れたのに、献立の設計ができなければ、食材を無駄にするだけなのと同じだ。

AIで一時間に十個の試作品を作れる人は、十個を作れること自体では優位にならない。重要なのは、その十個を比較するための評価軸を持っているか、顧客の行動から学べるか、不要な九個をすぐ捨てられるかである。

ここでLispの quote が示すものがある。すべてを即座に実行してはいけない。ある考えは、まずデータとして保持し、観察し、並べ替え、批判する必要がある。

アイデアを思いついた瞬間にAIへ「作って」と命令するのは、思考をすぐ評価してしまうことだ。実行は速いが、問いが未成熟なままコードになる。逆に、アイデアを一度 quote する、つまり実行せずに対象化することで、「これは誰の、どんな不便を、どの指標で解決するのか」と問い直せる。

速い開発には、速い保留が必要である。

「実行」と「引用」を切り替える人が強い

AIを使う仕事では、二つのモードを切り替える必要がある。

一つ目は、評価モードである。AIに何らかの処理をさせる。文章を要約させる。コードを書かせる。データを分類させる。仮説を検証する。このモードでは、指示を具体的な手順へ変換する能力が重要になる。

二つ目は、引用モードである。AIにすぐ処理させず、アイデア、仮説、前提、制約、顧客の発言を、いったんデータとして扱う。このモードでは、問いを分解し、比較し、反証し、優先順位をつける能力が重要になる。

たとえば、ある経営者が「飲食店向けに、売上が落ちた理由をAIが教えるアプリを作ろう」と考えたとする。評価モードだけなら、AIはすぐに画面を作り、売上データを入力できるようにし、曜日別や商品別のグラフまで用意するだろう。

しかし引用モードに入ると、別の問いが出てくる。

• 店主が本当に困っているのは、原因の発見か、対策の選択か
• 売上低下は、天候、価格、在庫切れ、競合、スタッフ不足のどれと関係するのか
• 店主は毎日データを入力できるのか
• 分析結果を見たあと、実際に何を変えられるのか
• 結果が間違っていた場合、誰が損失を負うのか

この段階では、まだアプリを作らないほうがいいかもしれない。三店舗にインタビューし、過去の売上表を集め、原因仮説を人間が分類するだけで、十分な学びが得られる可能性がある。

その後、最小限の検証をAIに依頼する。「過去三か月の売上と天候データを使い、売上低下と相関する要因を表示する。ただし因果関係とは断定せず、データ不足を明示する」と指示する。ここでは、何をするかだけでなく、何をしてはいけないかもオペレーターの一部になる。

つまり、優れた指示は動詞だけでできていない。実行する部分と、実行を禁止する部分の両方から構成される。

プロトタイピングを「思考のコンパイル」として使う

AIによる開発を、完成品の自動製造機だと考えると危険である。より正確には、AIは曖昧な意図を、動く仮説へ変換するコンパイラに近い。

人間の頭の中には、「こういうものがあれば便利そうだ」という曖昧な構想がある。AIはそれを画面、処理、データ構造、文言へ落とし込む。完成したアプリは、アイデアそのものではなく、アイデアに含まれていた前提を可視化したものだ。

この見方をすると、試作品の価値も変わる。試作品は、ユーザーに使ってもらうためだけのものではない。自分の思考を外部化し、隠れた前提を発見するための装置でもある。

たとえば「投資案件を比較するアプリ」を作ったとする。画面に並べる項目を決めるだけで、判断基準が露出する。売上成長率を最初に置くのか、顧客維持率を置くのか。市場規模を重視するのか、創業者の実行力を重視するのか。入力欄にない要因は、存在しないものとして扱われてしまう。

この意味で、AIエージェントは経営者の考えを実行するだけでなく、考えの構造を映し出す鏡でもある。作る速度が上がるほど、鏡を見る回数を増やさなければならない。

実践的には、次の三段階を一つのサイクルとして回すとよい。

1. 引用する。アイデアをすぐ実行せず、目的、対象者、前提、成功指標、禁止事項に分解する。
2. 評価する。AIに最小限のプロトタイプを作らせ、実際のデータや利用者の反応に触れる。
3. 再び引用する。結果を鵜呑みにせず、何が当たり、何が外れ、どの前提を修正すべきかを言語化する。

このサイクルの要点は、評価で終わらないことだ。動くものができた瞬間は、結論が出た瞬間ではない。次の問いを作るための材料が得られた瞬間である。

Key Takeaways

• AIへの依頼は、文章ではなく小さなプログラムとして設計する。最初に目的となる動詞を置き、入力、処理、出力、制約を明確にする。
• アイデアをすぐ実行しない時間をつくる。目的、顧客、成功指標、実行しない条件を、まずデータとして整理する。
• プロトタイプを完成品ではなく、前提を可視化する道具として使う。画面や入力項目に何を含めたかが、判断基準そのものになる。
• 速さではなく学習速度を測る。短時間で作れたかより、作った結果から次の意思決定が明確になったかを確認する。
• 実行モードと引用モードを意識的に切り替える。AIに任せる能力だけでなく、AIにまだ任せない能力を鍛える。

AIによって、アイデアはかつてないほど簡単に形になる。だが、形になったものは真実ではない。それは、私たちの曖昧な意図を一つの解釈として固定したものにすぎない。

Lispの素朴な区別は、ここで現代的な意味を持つ。リストの先頭をオペレーターとして評価するのか、それとも quote によってデータとして眺めるのか。その選択が、プログラムの動きを決める。

同じように、AI時代の人間の価値は、常に命令を出し続けることではない。ある瞬間には「実行せよ」と言い、別の瞬間には「まだ実行するな」と言えることにある。

最も強いAI活用者とは、最も速く作る人ではない。何を実行し、何を一度引用して考え直すべきかを見分けられる人である。

未来の競争は、コードを書く速さだけで決まらない。思考を構造化し、試作品から学び、必要なら自分の最初の命令さえ取り消せるかどうかで決まる。AIが実装を引き受けるほど、人間には評価と保留という、古くて難しい仕事が残るのである。