AIエージェントにタスクをどう委譲し, ワークフローを改革するか

メモ書きは以下. 整理する

Skillについて.

そもそも, パッと思いつくボトルネックは以下:

文章の構造化, 更新. 粒度ごとの分解やスコープごとの粒度の統一, 内容の適切な関連付けなど

本当は整理された思考の書き出しもやるが, それは委譲できない

タスク分解

構造が先と一緒. Cosenseにテキトーに書いた文章を整理する際, 適切な粒度になるように分解して, 配置して, 粒度を揃えて...といったことをやるが, やることはほとんど同じ. 最初にありったけを書き出して, 分解して整理する

スケジュール管理. 特に時間の割り当て

これはタスクの粒度が不揃いか, すぐ実行できるレベルまで分解されていないせいで起こっている気がする. 前項のタスク分解が解決されれば着手が容易になる. あとは何回か予測値と実行値の記録を取り, それを貯めて予測ができるようにすればいい. 別に人間がやれば良くない? タスク分解のがボトルネックでしょ

大量の入力を処理しながら粒度を考えて分解する, 整理するのが非常に弱いのかな.

時間がかかるし, 適切にできないこともある.

それを伸ばすより, 最初から得意な人に委譲してしまう方が良いのかも?

どうしようかな〜

他だと

自己調整学習の文脈で, 学習の際の調整が下手. これも粒度の問題. 自分がどこをどのくらい学べばいいか分かっていないので, 制限時間がある中で上手く進められず, ストレスを溜めて調子を崩す.

これも伸ばす必要があるのか考えたい. 委譲はできそうで, Geminiで提供されているStudy Notebookがこの役割を担える. さっき軽く最適輸送などで検証したが, 簡単なところまではうまい具合に説明や作問ができていた

結局は僕がどこを重要視するかに尽きる.

Readableの人が言っていたが, AIにどれだけ委譲するかは学習機会や時間とトレードオフの関係にある.

英語論文の場合は徐々に調整するのが有用だとしている. ちなみに僕はこれが全くできていない.

AI利用によって以下が危惧される.

できれば楽をしたいので, 無意識に推論を委託しやすい

結果のみ受け取るのに慣れ, 批判できなくなる

トレードオフを踏まえ, AIから一見して良さげな出力を得るのではなく, 協働し, 適切に委譲する必要がある.

先に仮説を立て, 出力を確認する. さらに裏取りや自己説明なども行えば, 一部の使い方では学習機会が維持される

ただしこれは情報収集や学習の文脈であることに注意. より広範なタスク委譲の話はしてない.

知識や定型作業の記憶・実行から, 枠組みを考える方向に移る. 何がどういう粒度で問題になっているのか. ボトルネックを見つけ出し, 必要ならそれを改善するために抜本的な改革をする. 俯瞰的な視点を, メタ認知を育てる

AIにどの程度作業を委譲すべきかは, そのタスクが自分にとって「現在必要な成果物」なのか、それとも「将来への投資（学習）」なのかによって調整する必要がある

若干文脈が異なるが, 重要だと思うので再確認する.

まず, 答えを出すツールとして使う人間は技研にはいないだろう. 僕も盲信しないように気をつけている.

LLMの出力は確率的だし, ハルシネーションを起こすし, 人のプロンプトに左右されるし, 学習や検索したデータに依存する. 無批判に受け入れる危険性はよく理解できていると思う.

一方で, 資料を提示すれば概ねそれに沿って応答ができる. NotebookLMが好例.

人と話す時と同じで, 無批判に受け取らないことが重要だ. 批判的な検討は必要だし, 裏取りもした方が良いが, それは情報の重要度と時間とでトレードオフがある. 結局は程度の問題に落ち着く. この舵取りは正にメタ認知の部分か.

ボトルネックを完全に委譲するのが僕に良いのかどうか

委譲にはトレードオフが生じる. 壁打ちならともかく, 今回は想定しているのが粒度の管理であり, 本来は少しずつメタ認知を育てることで身につけていく能力だと感じている

それを丸ごと投げれば, 今時間をかけている問題は確かに解決され, 他の重要な問題に時間を使えるようになるだろう

その代わり, その能力が育つ機会が失われる

僕にとってその能力はどうしても育てなければならないのか? もしそうなら段階的な委譲を検討する必要がある

あるいはボトルネックの中の, 定型的なタスクなどを丸ごと置き換えるか, 全く別のワークフローを用意してその一部を担ってもらうとか

いや, 普通に学習で考えると, 調整の部分にかかる時間を委譲すればその分だけ本題の学習に時間を使えて良い.

必要な部分の学習に時間を使えるようになれば, 研究の問題発見や問題解決のための学習をなるべく効率的に行える

しっかり調整すれば体系立てた学習もできるはず

むしろやらない理由がない. 一番ん苦しんでいた部分をやってくれるのなら任せた方が楽.

少なくとも短い時間で学習が進められるようになり, 理解を重視するならガンガン使ってOK

先に学習自体をできるようにして, その後はメタ的な要素の学習を進めればいいと思う

学習自体を学習したのでどうすればいいか分かるようになるとか, あるいは最低限の基礎ができて調整の材料が手に入り, ある程度の道筋が立てられるとか, そういう結果が期待される

まず自己効力感の向上や学習の習慣化のためにもハードルをとびっきり下げる必要があると思う

全部自分でやろうとしない

レバレッジを効かせる, 自分より優れた能力を持つ人にお願いする

タスクの大元を思いつき, 分解して粒度ごとにまとめ, 行動するまでのフローは???

どこがボトルネック?

LLMに聞けることはLLMに聞いてしまえばいい.

人に聞ける内容はなんだろうか

study notebookを見て思ったこと

特に僕の場合, 先生に聞く内容として何があるだろうか

すぐ思いつくのは, LLMが持ち得ない話.

生々しい運用や実体験, など. 特にこれまでの経験とそれに付随する考えや意見はその人しか持ち得ない. その人に聞くしかない.

子おゆうの知識や経験を聞くのが良さそう

他には対話をすること. 壁打ちは所詮, 自分の中にある考えを何度もぶつけて, 洗練していく過程でしかない. それでもかなり価値のあることだが, せっかく専門家が近くにいて教えを超えるのだから, 対話をすればいいと思う. 僕が壁に向かって考えて考えて考えてまくった話を思い切ってぶつけてみて, 考えをもらったりするとよ麻生

肝はなるべく自分の中で行き詰まるまではやり切ること. 整理した上で話す. それが壁打ちによって実現できるはず

壁打ちようskillとか作ってる人いるのかな

僕の使い方を一度まとめてみたいな

翻訳

壁打ち

アイデアだし

要約

整理. 構造化

タスク分解. 粒度ごとに揃えて分解する

文章校正

実装. ここはテキトー

多分もっと細かい粒度でskillを考える必要があるのではないかな??

この辺りも壁打ちできそうだね. 他の人に聞いても面白そう

関連