AI-NATIVEシリーズ · DESTINATION, NOT TOOLBOX 第1話(全3話)· 原則1
エージェント型ソフトウェアはツールではなく選択肢を渡す──オフィス再構築で学んだ「calling最大化・コスト最小化」の原則
要点(1分で把握)
本稿の概要ツールを渡すソフトウェアと、選択肢を渡すソフトウェア。その違いを、ものづくりの現場に携わる人のために論じたエッセイであり、実際に手を動かして壊せるプレイグラウンドも用意した。土台となっているのは、創業チームのオフィスを「1つのループ」を中心に再設計した実体験だ。人が目的地を記述し、機械が制約を破る選択肢をすべて除外し、残りを順位付けし、異なる3つを提示する。最後に人が選ぶ。
なぜ重要か選ぶという行為は、書き出すよりもはるかに負担が小さい。そして「センス」だけは誰にも委ねられない仕事だ。ある創業チームのタスクボードを数えた朝、40件のToDoが期限切れ。そのうち11件はこの設計で動かせる意思決定や書き物、残る29件は現実世界で手を動かす必要があった。つまり全体の4分の1が「決めるだけで進む仕事」だった、というのが正直な規模感だ。そのための設計であり、根底にある第一原理は「callingを最大化し、それ以外のコストを徹底的に削る」ことに尽きる。
読後にできること 今週、実際に自分が決めるべきことをひとつ選び、そのためのブリーフを書く(目標、絶対に破れない制約を2つ、良い例・悪い例を1つずつ)。Destination Playgroundで、機械の最初の提案と自分の選択が食い違うまで試し、返される重み付けの提案を読む。
Destination, Not Toolbox — シリーズの背骨
▶ 動いているところを見る:ライブデモを開く 公開 · ログイン不要
- エージェント型ソフトウェアは「選択肢」を手渡す この回
- あらゆるスケールで回るOECループ 第2話
- 真・愛・美:一つのシステム 第3話
唯一の問い:ソフトウェアが道具箱ではなくエージェント型になるとは何か、それを実現するコストは何か
本稿は、システムが出荷後にどう自己改善し続けるかは扱わない。それはパート2「OECループはあらゆるスケールで回る」。なぜ三つの美徳が一つのものとして仕事を支えるのかはパート3.
このエッセイの主題:エージェント型ソフトウェアと、その構築コスト
本稿はエージェント型ソフトウェアについてのエッセイである。人が「目的地」を書き、あとはソフトウェアが歩みを進める。AIがほとんどの作業を担うプロダクトを設計する人や創業者、そして強力なツールを買ったのに使われずに終わった経験のあるすべての人に向けて書いている。必要なのはブラウザと約40分だけだ。
このエッセイは、実際の経験を土台にしている。2026年10月、私は自分の創業チームのオフィスを作り直した。ファイルドライブ、ドキュメント、チャット、テーブル、AIのチームメイトまで、すべてが1ファイルからコードとして動く。6週間は「優れた道具箱」だった。しかしリビルド当日の朝、チームのタスクボードを数えた。51件のToDoのうち4件だけが完了、40件は期限切れ。ボトルネックはツールではなく「意思決定」だと、すぐに見出しが立った。そこでこのシリーズが求める通り、自分の見出しを数え直した。期限切れの各項目のタイトルと「完了の定義」を読み、4件は意思決定(価格設定、チャネル選択、最初に出すものの決定、支出上限の設定)、7件は書き物(計画、比較、リスト、スクリプト)だった。残り29件は現実世界で手を動かす必要があるもの(電話、訪問、写真、チェック)。この分類は私の主観だが、厳密な読者なら2〜3件は動かすかもしれない。いずれにせよ、見出しは「ボトルネック」から約4分の1に縮んだ。その4分の1こそが本稿の主題だ。誰も10秒で答えられる短いリストにまとめるための午後を取れず、仕事が滞る現実である。
こうしてリビルドはプロダクトの重心を「道具」から「ひとつのループ」へと移した。人が目的地を書く。機械はすべての制約を守った選択肢をいくつか提示し、人がそこから選ぶ。 かつて「機能」だったもの(ファイル、チャット、テーブル、議事録、管理コンソール)は、すべてこのループが呼び出せるアドオンになった。
その根底に、このシリーズの第一原理がある。私はこれをmax-calling, min-cost──calling(自分にしかできないこと、存在意義となるインパクト)を最大化し、それ以外のすべてのコスト──時間、注意、エネルギー、スペース、機械知能──を徹底的に下げる。創業チームにおけるcallingとは「判断」だ。書く・仕分ける・探すといった作業はすべてコストであり、このループがそれらを機械に肩代わりさせる。
これは三部作の第1部である。第2部、OECループはあらゆるスケールで回るは、システムが出荷後もどう自己改善し続けるかを扱う。第3部、真・善・美は一つの制御系であるは、仕事全体を貫くものについてであり、三つの原則すべてを一つのシステムとして読み解く。
シリーズ全体を貫く一枚の絵がある──「料理のはしご」だ。自分のため、家族のため、レストランのため、ファストフードチェーンのため、全国規模のフードサプライチェーンのために料理できる。同じ調理スキルがどの段階でも通用するが、はしごを上るごとに「誰が何を決めるか」が変わる。
| 料理レベル | 誰が料理を決めるか | 対応するソフトウェア |
|---|---|---|
| 自分のため | 自分が決めて自分で作る | 自分で操作するツール |
| 家族のため | 相手が何を望むかを推測する | SaaSプロダクト:使ってほしい機能を揃える |
| レストランのため | ゲストが注文し、キッチンが調理する | エージェント型ソフトウェア:ユーザーが目的地を指定する |
| チェーンのため | レシピが書き下され、テストされる | ブリーフとゲートをコード化したもの |
| サプライチェーンのため | 何百万もの注文がメニューを形作る | チームの“味”を記録し学習するレジャー |
良いレストランの客は決してキッチンに入らない。ただ「魚料理で、30ドル以下、ピーナッツ抜き、前回食べた料理みたいな、でもあのしょっぱいのは除いて」と伝えるだけでいい。この一文がブリーフだ。本稿の残りは、そのブリーフを受けて料理を出す“キッチン”をどう作るかについて語る。
続きを読む前に最後には、あなたと一緒に意思決定をしている誰か一人にこのブリーフを教えることになる。その人自身が抱えている停滞した決断を題材に使う。2分で説明しなければならない相手になったつもりで読んでほしい。メタ分析では、39件の研究で「教えるつもりで学習した」場合のスコアはg = 0.48(サブグループの結果)であり、「教えるつもりなし」で学習した場合は有意な効果は見られなかった(g = −0.02) (Kobayashi (2024), Educational Psychology Review (ERIC EJ1414484)).
アクティビティ1:キッチンに入らず友人の夕食を注文する
立ち上がって近くの人を見つけ、ウェイター役をやってみよう。相手がゲスト、あなたがキッチンだ。相手はレシピを伝えてはいけない。「どこにたどり着きたいか」だけを伝えられる。
続きを読む前に、ゲストが伝えるべき内容を書き出してみよう。キッチンが「どれでも喜んで選べる3皿」を返せるようにするには何が必要か?絶対に守るべきルール、好み、そして例は何か?
ほとんどの人が同じ4つの要素を考えつく。ゴール(「夕食、魚料理」)、絶対に破れないハードリミット(「ピーナッツ抜き」「30ドル以下」)、トレードオフ可能な好み(「安さは速さより大事」)、そして良い例(「前回みたいな」)と悪い例(「あのしょっぱいのはダメ」)だ。この4つがブリーフである。ここで重要なのは、ゲストは「どうやって作るか」は一切言わないことだ。これがツールとエージェントの違いを分ける線引きになる。
ブリーフ:『どこへ』だけを伝え、『どうやって』は伝えない
要するに、エージェント型ソフトウェアとは、人間から目的地を受け取り、実現可能な選択肢をいくつか返し、人間がそこから選ぶものだ。
リビルド後のオフィスでは、ブリーフは2分で書ける小さなファイルだ。1文のゴール、何を上げ下げするか(重み付き)のオブジェクティブ、ハードリミット(絶対に破れない条件)、良い例・悪い例、表示する選択肢の数が入る。実際のバックアップサプライヤー選定用のブリーフの形はこうだ:
goal: Pick a second supplier we can switch to within one season.
objective: [minimize unit_cost ×2, maximize rating, minimize lead_days]
hard limits: [moq ≤ 500, lead_days ≤ 45, ships_to_us = yes]
options: 3
このアイデア自体は新しいものではない。どこから来たかを明示しておく価値がある。航空機のブラケットや自動車部品を設計するエンジニアは、何年も前から「generative design(ジェネレーティブデザイン)」という名でこの方法を使ってきた。Autodeskはこれを次のように説明している:Generative design automates the exploration of design options by defining objectives, constraints, and a design space, then employing algorithms to generate a multitude of solutions within those parameters.(訳:ジェネレーティブデザインは、目標・制約・設計空間を定義し、そのパラメータ内でアルゴリズムを用いて多数の解を自動生成することで、設計案の探索を自動化する。)" (Autodesk (2025), What is Generative Design, autodesk.com(Wayback snapshot 2025-12-20; live page returns 403 to scripted fetches))。同社のヘルプページでは、入力値を「設計基準」と呼んでいる:Design criteria are objectives and manufacturing constraints that are required to define the design goals for the solver.(訳:設計基準とは、ソルバーの設計目標を定義するために必要な目標と製造上の制約である。)" (Autodesk, Fusion Generative Design help: Design criteriaエンジニアは部品そのものを描くのではなく、目標や荷重、保持・回避すべき領域を指定する。ソルバーが多様な形状を返し、エンジニアがそこから選ぶ。今回のリビルドでは、この仕組みをオフィスに持ち込み、さらにCADにはない「人間が何を、なぜ選んだかの記録」を加えた。
ブリーフの4要素は役割が異なる。ハードリミットはゲートとして機能し、好みは順位付け、例示は方向付けとなる。これらを混同するのが、悪い選択肢を生む典型例だ。「安さ」をリミットに入れれば最安のサプライヤーしか残らないし、「米国配送可」を好みに入れれば、配送できないが魅力的なサプライヤーが出てくる。
ゲート、ショートリスト、そして「なぜ3つの選択肢なのか」
ブリーフの後、機械は4つの処理を行う。まず候補を生成する。モデルに異なる戦略を求めたり、チームテーブルの行や誰かが貼り付けた選択肢を使ったりする。それぞれを評価し、次にゲートをかける。ハードリミットを破る候補は除外され、その理由が記録される。誰も測定しなかった値は不合格扱いで、合格にはならない。その後で生き残った候補を順位付けする。
順位付けは2段階ある。まず各目標を生存候補間で0から1にスケーリングし、重みで1つのスコアにまとめる。次に機械がパレートな選択肢をマークする。パレートとは「他のどの生存候補よりもすべての目標で劣らず、どれか1つで優れている」場合を指す。ブリタニカの経済学的定義も同じで、「if and only if there is no alternative state that would make some people better off without making anyone worse off(訳:ある人をより良くし、誰も悪くしない別の状態が存在しない場合に限り)" (Encyclopaedia Britannica, Pareto optimality」。パレートな選択肢は本物のトレードオフであり、それらを最初に示すことで、提示される選択肢はすべて実質的なトレードオフとなる。下で述べる「ニアコピー規則」が違いを保つ鍵だ。
ただし、パレートがどれだけ選択肢を絞るかは正直に見積もるべきだ。目標が3つある場合、生存候補の多くがパレートになる。下のプレイグラウンドでは、実際に6社中5社がパレートだ。つまりパレートだけでは十分に選択肢を多様化できない。そこで「ニアコピー規則」が効く。すでに提示したものと似すぎている選択肢はスキップされる。オフィスではドラフトに適用されるが、プレイグラウンドのサプライヤーはもともと全て異なるので不要だ。
そして次に来るのがショートリストだ。少数の選択肢を、まずパレート、次にスコア順で、ニアコピーを除外して並べる。なぜ「少数」なのか?有名なジャムの研究では、買い物客は「when offered a limited array of 6 choices rather than a more extensive array of 24 or 30 choices(訳:24や30よりも6種類の限定的な選択肢が提示されたときの方が)" (Iyengar & Lepper (2000), When choice is demotivating: Can one desire too much of a good thing?, JPSP 79(6), 995-1006」とより購入しやすいことが示された。しかし後のメタ分析(63条件によっては、N=5,036)次のように報告している:we found a mean effect size of virtually zero but considerable variance between studies(訳:平均効果量はほぼゼロだったが、研究間のばらつきは大きかった)" (Scheibehenne, Greifeneder & Todd (2010), Can There Ever Be Too Many Options? A Meta-Analytic Review of Choice Overload, J Consumer Research 37, 409-425。つまり、長い選択肢リストが常に逆効果とは限らない、というのが正直なところだ。より本質的には、多数の選択肢を比較するには注意力というコストがかかり、そのコストは人や状況によって現実に発生する。そして、異なる選択肢が少数なら読む負担も小さい。Herbert Simonが「十分に良い選択」を表す言葉がsatisficing(満足化)である(Simon (1956), Rational choice and the structure of the environment, Psychological Review 63, 129-138)。彼の考えを要約すると「people tend to make decisions by satisficing (a combination of sufficing and satisfying) rather than optimizing (Simon, 1956)(訳:人は最適化よりも、十分に満足できる選択(満足化)で意思決定する傾向がある(Simon, 1956))" (Simon (1956), Psychological Review 63, as summarised by BehavioralEconomics.com, Satisficing」。このショートリストは、センスのある満足化型の人のために作られている。
アクティビティ2:自分のキッチンのパス(受け渡しカウンター)を描く
紙に2つの箱を描く──ダイニングルーム(人)とキッチン(機械)。ブリーフが入り、3つの皿が出てくる。その間にパス(受け渡しカウンター)を描き、シェフが皿を出す前にチェックする。
パスには、どんな皿が送り返されるかを書き込む。そして、ゲストだけが引ける唯一の矢印──選択──を丸で囲む。
パスがゲートである。オフィスでは、すべてのハードリミットをランク付け前にチェックする数行のコードになっている。丸で囲んだ矢印が「選択」であり、リビルドには一つだけ譲れないルールがある。ツールもボタンもエージェントも、その矢印を人間の代わりに引いてはならない。AIのチームメイトは自分のアカウントで選択肢を提案できるが、選択そのものをAIが行う手段は意図的に存在しない。
リビルドで変えたことと、あえて変えなかったこと
オフィスはもともとツールボックス型だった。用途ごとにパッケージ(アカウント、ファイル、チャット、テーブル、音声)があり、それらすべてを知っている652行のコマンドファイルがあった。リビルドでそれを最小限のコアと8つのアドオンに切り分けた。コアが持つのはループだけ──ブリーフ、候補、ゲート、ランク付け、選択、レジャー。標準ライブラリ以外は使わず、入出力もせず、行数も固定の上限内に収めている。どれかが破られればテストがビルドを落とす。SaaSプロダクトで「機能」と呼ばれるものはすべて、置き換えるSaaS機能名を持つアドオンとして切り出した。ドライブとドキュメント、メッセンジャー、スプレッドシート風ベース、議事録、管理コンソール、そして選択肢の生成・計測・配信用の新しい3つだ。
今や選択は、チームが普段いる場所にそのまま届く。選択肢はチームのチャットルームに番号付きメッセージとして投稿され、選ぶときは「2、今季はリードタイムがより重要だから」と返信する。機械は最初に選択肢を名指しした人間の返信だけを読み取り、自分のメッセージや「5分遅れ」などの雑談は無視する。この最後のルールは外部レビュアーの指摘から生まれた。初期バージョンでは「5分遅れ」を選択肢5への投票と誤読していた。
リビルドであえて拒否したことが一つある。それはmin-costの教訓でもある。すべての名前を旧名から新名に変えてほしいと頼まれた。コードやドキュメントの多くは変えたが、旧名の一部は「名前」ではなく、ライブデータのアイデンティティだった。オフィスのストレージボリュームやサーバーフォルダ、バックアップは旧名で紐付いている。それらをリネームすると4人分のオフィスが空になってしまう。最も安く正しい手は、人間が読むアイデンティティだけをリネームし、データが依存するアイデンティティは残し、どちらがどちらかを書き残すことだった。旧コマンドや旧設定はエイリアスとして今も動く。誰も何も変える必要がなかった。
アクティビティ3:実際のブリーフをひとつ書く
1週間以上机の上で止まっている意思決定をひとつ選び、そのブリーフを書き出す。6行でまとめる:ゴール1つ、重み付きの目的項目2つ、理由付きのハードリミット2つ、良い例1つ、悪い例1つ、そして選択肢の数。
声に出して読み返す。どこかの行が「どうやるか」を機械に指示していたら、その行は削除する。
ハードリミットごとの理由は見た目以上に重要だ。「リードタイムは最大45日、なぜならシーズンが11月に始まるから」と書いておけば、後からチームメイトが決定全体ではなくリミットだけを問い直せる。オフィスのブリーフパーサーは、ブリーフ内の全ての問題を一度に報告し、何も実行する前に平易な言葉でブリーフを読み上げるので、人間が機械が目的地を正しく理解したか確認できる。
max-calling, min-cost──この設計を貫く原則
この原則を率直に述べる。callingを最大化し、どのコストをゼロに近づけるかはcalling自身に決めさせる。callingとは、あなただけが担える仕事のことだ。コストとは、その仕事が消費するものすべて──時間、注意、エネルギー、空間、質量、そして今や機械知能(設計・計画・推論・訓練・推論実行)も含む。
この2つはどちらも欠かせない。コスト削減だけに走れば、チームは安くて目的を見失う。自分の過去のエージェント論考でも、システムが誰のゴールに仕えているかを問うた上で、こう断言した:「Capability without that is not agency — it is a very efficient way to arrive somewhere nobody wanted.(訳:それなしの能力はエージェンシーではない——誰も望まなかった場所に非常に効率よく到達する方法だ)" (The Sheep Does Not Need the Whole Map」。callingだけを追いかければ、他のすべてで燃え尽きる。リビルドではこの原則を4つのレベルで適用した。
- 人間の時間。サプライヤー比較を書き上げるには午後が潰れるが、3つから選ぶだけなら1分で済む。このループは創業者の時間を節約するために機械の時間を使う。
- 注意。12個の順位付きリストを読むより、異なる3つの選択肢を読む方が負担が小さい。ゲートが無駄な選択肢を除外してくれる。
- 機械知能。すべての候補にモデルが必要なわけではない。テーブル行や貼り付けた選択肢は生成コストゼロなので、言語モデルは4つある生成器のうちドラフトが必要なときだけ使う。以前の自分のエッセイでもプロンプトについて同じことを書いた:「Context is a budget, not a container.(訳:コンテキストは予算であって、入れ物ではない)" (Context Engineering Is a Budget).
- コード。コアは数百行しかない。なぜなら、すべての行が午前2時に誰かが読むコストになるからだ。Gallの法則のよく引用される形:「A complex system that works is invariably found to have evolved from a simple system that worked.(訳:うまく動く複雑なシステムは、必ずうまく動くシンプルなシステムから進化してきたものである)" (Gall (1975), Systemantics, as quoted by Wikipedia, John Gall (author)」。lean coreは「うまく動くシンプルなシステム」であり、add-onはそこから成長する部分だ。
ミニマムコストには落とし穴がある。この点については、過去の自分のエッセイでも何度も触れてきた。エージェントについて、以前こう書いた。「it searches harder than any person for the cheapest way to hit the number(訳:人間よりもはるかに執拗に、目標値に到達する最も安い方法を探し出す)" (Wu, P. J., Human Dynamics in Agentic AI, part 1」。コスト削減の対象が「チェック自体のコスト」になった瞬間、それは単なる抜け道探しに変わる。だからこそ、この原則にはガードレールが必要だ。呼びかけ(calling)に到達するためのコストは徹底的に下げるが、その真実を伝えるコストは絶対に削らない。ゲート、計測、外部レビューは削減対象のコストではない。それ自体が呼びかけの一部である。
アクティビティ4:プレイグラウンドを意図的に壊す
「Destination Playground」を開く。ここでもオフィスと同じゲート、スコアリング、パレートルールが、架空の12社のサプライヤーに対して動いている。
まず、最小注文数の制約をどんどん厳しくして、誰も残らなくなるまで絞り込む。そのとき表示される内容を確認する。次に、1番以外のオプションを選び、その際に提案される重みを読む。最後に、評価以外のすべての重みをゼロにして、最初に出てくるオプションを予想してから答え合わせをする。
誰も残らなければ、プレイグラウンドはその理由をすべてリストアップして表示する。制約を勝手に緩めたりはしない。これは実際のオフィスでも同じルールだ。理由付きで空のショートリストが返るのが誠実な答えである。もし最初の選択肢を覆した場合、レジャーはあなたが重視した重みを微調整するよう提案してくる(×1.1アップ、×0.9ダウン)。ただし自動で適用はしない。方向性はあくまで人間が決める。プレイグラウンドで本物なのはアルゴリズムと提案ルールで、サプライヤー自体は架空のものだ。
機械があなたの好みを学んでいるとわかる仕組み
オプションが表示されるたび、また人間が選ぶたびに、オフィスはレジャーに1行記録する。これを読み返せば、エージェント型プロダクトで最も重要な問いに答えが出る:top-1 agreement(トップ1一致率)、つまり人間が機械の第一候補を選んだ割合だ。10回やっても低いままなら、ブリーフの目的がチームの本音とズレている。「why」行が何を直すべきか教えてくれる。レジャーはまた、オプションが人間にどれだけ待たされているかも測る。1週間も放置されるなら、それは「余計な手順が増えたツールボックス」にすぎない。(もし最初のチャットリーダーが出荷されていたら、レジャーは「このチームの好みは5分遅れ」だと学習していただろう。)
リビルドを出荷する前、実際のオフィスでAIチームメイトとしてライブテストを行った。最初の実行は失敗した。ドライブが、まだ存在しないフォルダにオプションページを保存するのを拒否したのだ。オフラインテストはすべて通っていたが、テスト用のフェイクドライブは本物よりも寛容だった。このバグがパート2の主題である。2回目の実行は成功した。実際のモデルが短いチームノートのドラフトを5つ書き、そのうち1つがハードリミットを破り、3つの異なる選択肢が返り、選択が記録された。
同じ話、5つの出口
| あなたは…… | この仕組みで変わる意思決定 | 今週やるべきアクション1つ |
|---|---|---|
| 学生 | 「エージェント」とは、チャットボットのことなのか、それとも選択肢を返すシステムなのか | 次のグループプロジェクトで決めるべきことについてブリーフを書き、それをグループに見せる |
| エンジニア | 自分のシステムでゲート(判定処理)がどこにあるか | すべてのハードリミットはランキング前にコードでチェックし、「未測定」は必ず不合格とする |
| 創業者 | 自分のプロダクトの中心はボタンなのか、それとも選択なのか | 自分の機能を5つ挙げ、それぞれがどんな目的地(ゴール)に仕えているかを書き出す |
| 経営者 | 「AIが仕事をする」提案をどう見極めるか | 人間が最終的に何を決めているのか、そしてどれくらいの頻度で機械と一致しているかを尋ねる |
| 投資家 | エージェント型プロダクトに競争優位があるかどうか | 台帳(ledger)を見せてもらう:top-1 agreement(人と機械の一位一致率)の推移が「学習された好み」そのもの |
このエッセイにおける「真・善・美」
- 真: ここに出てくる数字はすべて測定され、範囲も明示してある。51件中40件のToDoは、ある朝1枚のボードで実際に数えたものだし、それをもとにした見出しも数え直して40件中11件に絞った。選択肢過多の議論には「平均すると事実上ゼロ」という修正も残してある。ライブ実行には失敗も含めている。
- 善: 設計は使う人を守っている。データの名前はそのまま残し、オフィスが空になることはなかった。選択は必ず本人が下す。選択肢は、すでに読んでいる部屋に届く。
- 美: 製品全体がナプキンに描けるほど小さな1つのループで回っている。8つのアドオンが数百行のコアにぶら下がる構造だ。
これは私自身の視点であり、そのことを明示している。詩篇1篇は実りある人生を木にたとえて描く:"彼は水路のほとりに植えられた木のようだ。 時が来れば実を結び、 その葉は枯れない。 その人のすることはすべて栄える。" (詩篇1:3木は実を結ぶために力むことはない。ただ水辺に根を張り、季節の巡りに身を委ねている。私の信仰では、これが「max-calling, min-cost」──天職に根を下ろし、それ以外のことには急がないという姿勢だ。ただし、ここで述べた設計はこの信念がなくても成り立つ。
半分だけ正しい誤解
- 「エージェント型とはAIが決めることだ」 実際にはAIがほとんどの作業を担うが、最終決定は人間が下す。変わるのは、「決めること」だけが人間の役割として残る点である。
- 「選択肢は多いほど良い」 候補が多いのは良い。ただし、表示される 選択肢は、本当に異なるトレードオフでなければ、たいてい多すぎると逆効果になる。
- 「min-costは最安値を意味する」 それは「天職に到達するための最も安い道筋」という意味であって、「チェックを通すだけの最安手段」とは真逆である。
無意識に使っていた原則
このシリーズのために過去のエッセイを読み返してみると、何度も使っていたのに名前を付けていなかった三つの原則が見つかった。いずれも「max-calling, min-cost」の系譜にある。
- 目的地は固定し、経路は柔軟に変える。 "behavior is editable, identity is not." (Keep Your Identity While Learning From Reality。オフィスにおいて、ブリーフがアイデンティティであり、候補がビヘイビアである。
- 記憶は頭の外に置く。 レジャーはチームの「好み」の記録なので、なぜそのサプライヤーを選んだのかを誰も覚えておく必要がない。
- 意図ではなく実を見て判断する。 "Fruit is observable and motive is not" (Become Good Soil。top-1一致率や決定が閉じた数が「実」であり、美しい機能リストは「意図」にすぎない。
さあ、教えてみよう
あなたの教え返し。 意思決定を共にする相手と10分間向き合う。1週間以上止まっている決断を一つ挙げてもらい、Activity 3を使ってそのブリーフを一緒に一枚にまとめる。その後、Destination Playground で、マシンの最初の選択とその人の選択が食い違うまで試してもらう。
結果: メモなしで「ハードリミット」と「好み」の違いを説明でき、実際の決断について1日以内に一つ選択肢を選ぶ。その人が選んだ内容と、最も重要だったハードリミットをこの記事のコメント欄に投稿する。
なぜ重要か:5回の「なぜ」
問題:ある朝、創業チームのタスクボードに載っていた51件のToDoのうち40件が期限切れだった。しかも、そのオフィスには必要なツールはすべて揃っていた。その40件のうち11件は意思決定か書き起こしだった。
- なぜその11件が期限切れだったのか? どれも外出や電話を必要としなかった。すべて誰かが何かを書き起こすのを待っていた──選択肢の比較、計画の下書き、数値の設定などだ。
- なぜ誰もそれを書き起こさなかったのか? 比較を書き起こすには午後いっぱいかかる。そして創業者にとって午後は最も貴重な資源だ。
- なぜオフィスは助けにならなかったのか? ツールを配っただけで、ツールは結局人が使って初めて仕事になる。generative designはその代替案を示している。「Design criteria are objectives and manufacturing constraints that are required to define the design goals for the solver."(訳:設計基準とは、ソルバーの設計目標を定義するために必要な目的と製造上の制約である)」と述べ、ソルバーに下書きを任せる(Autodesk, Fusion Generative Design help: Design criteria).
- なぜ誰もそれを作らなかったのか? プロダクトの中心がオフィス(ファイル、チャット、テーブル)であり、すべての改善がツールボックスを良くする方向に向かい、仕事自体を動かすものではなかった。
- 根本原因: 設計が「仕事を保存するコスト」を最適化してしまい、「callingに到達するコスト」を最適化していなかった。修正は、中心をブリーフと選択に移し、すべてのツールをループが使えるアドオンに変えることだった。
運用:今週やること
- teach-aheadの一文を読む。
- ウェイター役をやってみる(Activity 1、5分)と、キッチンのパスを描く(Activity 2、5分)。
- 実際のブリーフを一つ書く(Activity 3、10分)。
- 「Destination Playground」を3通りに壊してみる(アクティビティ4、10分)。
- 意思決定パートナー1人に教え、その結果を投稿する。
フィードバック:うまくいったかの見分け方
- ブリーフの4要素を挙げ、それぞれがゲートかランクかを説明できる。
- パートナーが、実際の意思決定についてブリーフ作成から1日以内に選択肢を選んだ。
- 10件の実際の意思決定後、top-1 agreementが分かる。3分の1を下回るなら、objectiveが間違っており、「why」行が修正方法を示す。
ここで測れないのは、選ばれた選択肢が現実で良かったかどうかだ。レジャーが測るのは「好み」であって成果ではない。意思決定前後の日数など、動かすべき成果指標と組み合わせて使う。
フィードフォワード:トリップワイヤー──今決めておくこと
- 2週間ループで意思決定がなければ、ボトルネックはドラフト作成ではなかった。 選ぶべき人たちに、何が障害かを聞いてから、これ以上何かを作る。
- ショートリストが空にならないようにハードリミットを緩めたくなったら、まず理由を書き出す。 理由付きで空のショートリストは情報である。
- コアが行数予算を超えたら、新機能はアドオンに入れる。
5S自己評価
| S | 主張 | 根拠 |
|---|---|---|
| シンプル | 本文は高校3年生レベル以下で読め、全体の設計は1つのループで成り立つ。 | Flesch–Kincaid grade:7.4(バンド≤12)、再計算:node scripts/check-numbers-four-ages.mjs --series agentic-collab |
| 堅実 | 引用された主張はすべて取得元があり、選択肢過多の主張には訂正が添えてある。 | "we found a mean effect size of virtually zero but considerable variance between studies(訳:平均効果量はほぼゼロだったが、研究間のばらつきは大きかった)" (Scheibehenne ほか, 2010) |
| 鋭さ | Drive down the cost of reaching the calling, never the cost of telling the truth about it.(訳:使命に到達するコストは徹底的に下げるが、真実を伝えるコストだけは絶対に削らない) | この原則 · ゲート |
| SMART | 今週やること:本物のブリーフを1つ書く、プレイグラウンドを3通りに壊す、パートナーに教える。 | 運用 |
| 驚き | 自分で掲げた見出しを数え直したら、全体の4分の1に縮んだ。そして最初のチャットリーダーは「5分遅れ」をオプション5への投票としてカウントした。 | カウント · リビルド |
| 真・愛・美 | すべての数値は計測済みかつ範囲を明示。人のデータと選択は守られている。全体はナプキン1枚で描ける単一ループ。 | 真・愛・美 |
出典
- Autodesk. Generative design(2025-12-20アーカイブ)。web.archive.org
- Autodesk Fusion ヘルプ. Design criteria.help.autodesk.com
- Britannica. Pareto optimality.britannica.com
- Iyengar, S. S. & Lepper, M. R. (2000). When choice is demotivating.J. Pers. Soc. Psychol. 79. PubMed
- Scheibehenne, B., Greifeneder, R. & Todd, P. M. (2010). Can there ever be too many options? A meta-analytic review of choice overload. J. Consumer Research 37. OpenAlex
- Simon, H. A. (1956). Rational choice and the structure of the environment. Psychological Review 63. Crossref
- BehavioralEconomics.com. Satisficing (summary of Simon). behavioraleconomics.com
- Gall, J. (1975). Systemantics(Wikipediaより引用)wikipedia.org
- Kobayashi, K. (2024). Interactive learning effects of preparing to teach and teaching. Educational Psychology Review. ERIC EJ1414484
- 彼は水路のほとりに植えられた木のようだ。 時が来れば実を結び、 その葉は枯れることがない。 その人のすることはすべて栄える。 詩篇 1:3bible-api.com
- Wu, P. J. The Sheep Does Not Need the Whole Map. agentic-portfolio
- Wu, P. J. Context Engineering Is a Budget. agentic-portfolio
- Destination Playground(本シリーズのデモ)agentic-portfolio