AIと付き合うときのメンタルモデル10箇条

どうも。みずくんです。

散歩していたら「そもそもAIとの向き合い方ってちゃんと言語化したことなかったな」と思って、音声メモに一気に吹き込んだ内容がベースになっています。

自分はいろんな方とAIについて話す機会が多いのですが、AIの活用を広げていく中で感じるのは、ツールの使い方とかプロンプトのテクニックよりも、そもそもAIに対するメンタルモデルがずれてると何やっても噛み合わないということなんですよね。

なので今回は、自分がAIと向き合う中で持っている「考え方のOS」みたいなものを10箇条にまとめました。技術の話というよりは、マインドセットの話です。
めちゃくちゃ長いので目次置いておきます。気になるところだけ読んでもらって全然OKです。

ひとつめ：AI業界、だいたい全員素人

いきなり身も蓋もないんですけど、これが一番大事です。

ChatGPTが出てまだ3年半。Claude Codeに至ってはまだ1年も経ってない。どんなにSNSで「AI専門家」みたいな顔をしている人がいても、Claude Code歴で言えば全員1年程度なんですよ。全員素人。自分も含めて。

歴史が長い分野なら理論が確立されていて、体系的に学ぶことができます。教科書があって、ベストプラクティスがあって、「これやっとけば間違いない」がある。
でもAIに関しては、世界中のトップランナーも含めて全員試行錯誤中です。Anthropicの中の人だってClaude Codeの使い方を日々発見してるわけですからね。

だから「正解が降ってくるのを待つ」というメンタルでいる限り、いつまで経っても動けない。

「誰かが正解を教えてくれるだろう」じゃなくて、「今ある知識の中で自分で試行錯誤するフェーズなんだ」と理解すること。これが出発点です。
逆に言えば、今ちょっと手を動かすだけで先頭集団に入れるということでもある。みんなスタートラインはほぼ同じなので。

ふたつめ：AIのせいにするな

「ChatGPTに聞いたけど微妙な答えしか返ってこなかった」「AIって思ったほど使えないよね」って言う人、結構いるじゃないですか。

気持ちはわかるんですけど、ぶっちゃけそれ、AIのせいじゃなくて使い方の問題です。

AIは何も知らない優秀な新入社員だと思ってください。めちゃくちゃ頭はいい。たぶん知能だけなら、ほぼ全ての人類よりAIの方が上。でも、コンテキストを与えないと動けない。
あなたの会社の事情も、プロジェクトの背景も、お客さんの性格も、何も知らないんです。そりゃ的外れな答えが返ってきますよ。

「AIがもっと賢くなったらなんとかなるんじゃない？」という考えは捨てた方がいい。今のモデルでも十分賢いです。問題は賢さじゃなくて、こっちがどれだけコンテキストを渡せるか。コンテキストエンジニアリングとかハーネス設計とか横文字が並びますけど、正直大して技術的な話じゃないんですよね。地味な試行錯誤と工夫の積み重ねです。

ただし、ひとつ補足があります。
モデルは桁違いに進化していきます。今やっている工夫が、モデルの進化で無意味になる可能性は全然ある。だから意識したいのは、「モデルが進化したら不要になる工夫」ではなく「モデルが進化したら、今の工夫を保ったまま性能が上がる工夫」をすること。
土台を作るイメージです。モデルが賢くなればなるほど、その土台の上でより良い結果が出る。そういう工夫に投資する。

みっつめ：AIに100点を求めるな

これもめちゃくちゃ多い誤解なんですけど、AIに100点のアウトプットを求める人、かなりいます。

仕事における100点って、自分の頭の中にある「正解」じゃないですか。自分の思考を100%AIに伝えない限り、AIから100点が出てくるはずがない。脳みそ直結しない限り無理です。

これ、人間の業務委託と一緒なんですよ。
外部のライターさんやデザイナーさんに仕事を頼んだことがある人なら分かると思いますが、期待通りのものを出してもらうのって、こっち側の力量がものすごく試されますよね。ブリーフィングが甘いと必ずずれる。AIもまったく同じです。

じゃあAIに何を任せるのがいいかというと、「70点でいいからサクッとやってほしいもの」と「大量にやってほしいもの」です。

1個のものに100点を出すのはAIに向いてない。
100個のものに全部70〜80点を取らせるのがAIの得意技。

ちなみに、数字が絡むような「厳密に100点が必要なもの」は、AIに直接やらせるのではなく「AIを使って100点を取るプログラムを書いて実行する」みたいな工夫が必要です。AIに計算させるんじゃなくて、AIに計算するコードを書かせる。ここの使い分けは結構大事。

よっつめ：AIが得意なこと — 法則性がありそうだけど言語化できないやつ

「じゃあ具体的にAIに何やらせたらいいの？」という話。

AIが最も価値を発揮するのは、法則性がありそうだけど人間がうまく言語化できないことを任せるときです。

猫の画像認識ってあるじゃないですか。人間は写真を見れば一瞬で「猫だ」と分かる。でも、「なぜそれが猫だと判断したのか」を言語化しようとすると、めちゃくちゃ難しい。耳の形？目の大きさ？毛のテクスチャ？全部なんだけど、全部を厳密にルール化はできない。
AIは、人間が見えない特徴量を見ることができる。だからこういうタスクがめちゃくちゃ得意なわけです。

仕事にもこういうの、たくさんあるんですよね。
ハイパフォーマーの行動分析、採用の判断、データの分類や構造化。「経験則でなんとなく人間がやっていたこと」がまさにAIの出番。
長年の経験で「こういう候補者は活躍する」「このパターンのお客さんは解約しやすい」みたいな感覚を持っているベテラン社員、いますよね。あの「感覚」をAIに学習させると、ベテラン社員1人の経験則が組織全体に展開できる。

いつつめ：AIに手伝ってもらう、じゃなくてAIを手伝う

AIエージェントとハーネスの時代に入ってきて、考え方が大きく変わりました。

入り口（環境とコンテキストの準備）を丁寧にやれば、途中の作業は全部AIに任せて、出口（出てきたもののチェック）だけ人間がやる。

これ、人間のマネジメントとまったく同じ構造なんですよ。
新しいメンバーが入ってきたら、ゴールを共有して、背景を説明して、ガードレールを引いて、あとは任せる。途中で定例会をやって軌道修正はするけど、一挙手一投足を指示したりはしない。AIも同じです。

ほっとくとドリフトして全然違う方向に行くのも人間と一緒（超褒めてる）。

で、ここで大事なのは発想の転換です。
多くの人が「この作業の一部をAIに手伝ってもらおう」と考える。でもそうじゃなくて、「全部AIに任せるにはどうするか」から考える。

全部任せようとすると、ボトルネックが見える。「ここだけは人間じゃないとダメだ」「ここのコンテキストが足りない」「ここのチェックは自動化できない」。そのボトルネックを一個ずつ潰していくのが、今やるべきことだと思っています。

むっつめ：オンボーディングコストを覚悟せよ

「AIを導入したら業務効率が上がるはず」。それは正しいんですけど、最初は逆に業務量が増えます。

新入社員を入れるのと同じです。教える時間、仕組みを作る時間、手戻りの修正。オンボーディングが終わるまでは、自分でやった方が早い。それは事実。

メールの例で考えてみてください。
AIにメールを書かせたいとする。でもしっくりくるメールを書いてもらうには、メール本文の何十倍、下手したら何百倍ものコンテキストを渡す必要がある。自分と相手の関係性、過去のやり取りの文脈、トーンの好み、NGワード。
「そんなの自分で書いた方が早いじゃん」と思いますよね。うん、1通だけなら確かにそう。

でも、ここから先1000通、1万通をAIに任せられるなら？

最初に10倍のコンテキストを渡す作業は、1通のメールを書くよりもよっぽど時間がかかります。正直めんどくさい。でもそのめんどくさい投資をした先に、1000通分の効率化がある。

これはJ字カーブの話で、最初は確実に生産性が下がるんです。その覚悟がないと「AIって結局使えないよね」で終わる。短期で判断せず、仕組みへの投資として捉えることが大事。

ななつめ：AIのアウトプットはどんどん捨てろ

AIがなかった頃の価値観で成果物を見ると、捨てるのがもったいなくなるんですよ。1万字の文章、何週間もかけたコード。「せっかく作ったんだから」と思う気持ちはめちゃくちゃ分かる。

でもAIが3時間で書いたコードなら、「なんか違うな」と思った時点でさっさと捨てて作り直した方がいい。

サンクコストに対する考え方を根本から変える必要があります。

ここで大事なのは、AIの出力を少しずつ手で直していくのをやめること。
50点のアウトプットを人力で70点にするのは絶対にやめてください。それは結果を修正してるだけで、仕組みを直してない。

やるべきなのは、「なぜ50点だったのか」を考えて、ハーネスやコンテキストを修正して、ゼロから出し直すこと。そうすると次回から70点が安定して出るようになる。

目指すのは「安定して70〜80点が出る仕組み」を作ること。

そのために、深く考える前にまずAIでサクッとアウトプットを出してみる。出してみて「違うな」と思ったら捨てる。仕組みを直す。また出す。このサイクルを高速で回すのが今の時代の仕事の仕方だと思ってます。

ちなみに、自分はパーソナルAIエージェントを使って日々のタスクを回してるんですけど、エージェントの出力が微妙だったらコンテキストの設計を見直して全部作り直します。もったいないとか思わない。むしろ仕組みが改善される方が嬉しい。

やっつめ：めんどくさいと思ったら即AI

エンジニアの三大美徳って知ってますか。「怠惰・短気・傲慢」。
これ、プログラミング言語Perlの作者であるラリー・ウォールが言ったやつなんですけど、怠惰な人こそAIを使うのが得意なんですよね。

J字カーブの話はさっきもしましたが、仕組みを作るまでは確かにめんどくさい。でも「仕事したくない」「こんな作業やりたくない」という気持ちを大事にしてほしい。その気持ちこそが自動化の原動力だから。

もっと言うと、業務において「めんどくさい」と思うことが1個でもあったら、それはおかしいと思った方がいい。コンピューターでできることを人間が手でやっているのは、2026年においては伸び代なんですよ。

ただし。ここで一個だけ重要な但し書きがあります。
人間にしかできない泥臭さ、たとえば対面の営業、直接人と会うこと、空気を読んだコミュニケーションとかは、むしろものすごい価値を持つようになる。コンピューターでできる泥臭い作業が全て自動化されると、人間が物理的に動くことでしか生まれない価値がめちゃくちゃ際立つ。

「めんどくさい」の中にも、人間がやることに意味がある「めんどくさい」と、ただの作業としての「めんどくさい」がある。後者はAIに任せて、前者に集中する。

ここのつめ：自分のAIポジションを決めろ

「AIにキャッチアップしなきゃ」って焦ってる人、多いと思います。

でもこれ、ちょっと冷静に考えてほしいんですけど、AIにキャッチアップするって、インターネットにキャッチアップするようなものなんですよ。無理じゃないですか。範囲が広すぎる。AIはもうインフラです。電気やインターネットと同じレイヤーにいる。

だから「AIに詳しくなる」を目指すんじゃなくて、「自分 × AIのどの部分か」を決める。

AI × コーディング効率化。AI × マーケティング。AI × カスタマーサクセス。Claude Code × Google Drive日本一。AI × 子育て。AI × 魚釣り。なんでもいい。

ポジションを決めると、アンテナが1本立つんですよね。全方位にぼんやりアンテナを張るより、1方向にビシッと立てた方がよっぽど情報感度が上がるし、手も動く。

AIは手段であって目的じゃない。

AIそのものに詳しくなることには、実はそんなに意味がない。AIの先にある自分の目的を明確に持っていることの方がよっぽど大事です。

とおめ：焦るな。でもボーナスタイムは活かせ

最後に、これだけは言っておきたい。

AI詳しいよって顔してる人も、全員焦ってます。 自分も含めて。

AI疲れってやつですね。自分ができることが増えすぎた結果、「あれもできるはずなのにやってない」「もっと効率化できるはずなのに手が回ってない」と、逆にすごく損してる気持ちになる。
AI疲れは他にもいろいろあって、以前noteも書いたのでよかったら読んでください。

でもそれ、ビットコイン買っとけばよかったレベルの話と大差ないんですよ。後から振り返れば「あの時やってれば」は無限に出てくる。今この瞬間にやれることをやるしかない。

まだ2〜3年の黎明期です。今やっている議論は、5年後には昔話になってる可能性が高い。

インターネットが出た時にキャッチアップできなかった人は、致命的な差がついたか？

そんなことないですよね。みんな普通にインターネット使ってます。「今AIにキャッチアップしないと人生終わる」は嘘です。

ただし「今」に限って言えばAIを使える人と使えない人の効率差はでかいです。このアービトラージを活かせば、実力以上の成果を出せる期間が今なんです。これはできるなら活かすべきです。

そしてもうひとつ。
「AI単体に詳しい」というアドバンテージは、いずれ消えます。 誰でも簡単に使えるようになっていくから。大事なのは「自分のホーム（専門分野） × AI」のレバレッジ。

AIに代替されない自分の得意分野、自分のアイデンティティを焦らず大切に育てていくこと。AIによって拡張される自分のコアが何かを見つめ直すこと。

それが今の時代、一番大事だと思っています。

さいごに

散歩しながら音声メモで一気に喋ったものを整理したんですけど、なんか書いてたら楽しくなって結局めちゃくちゃ長くなりましたね。ここまで読んでくれた方、ありがとうございます。

何かひとつでも「なるほど」と思ってもらえたら嬉しいです。

おしまい。