現在のAIツールは、タスクを効率的に完了することに焦点を当てています。ChatGPTはメールを書き、Claudeはコードをレビューし、Cursorは関数を自動補完します。しかし、いずれもユーザーの実際の働き方には注意を払いません。著者のRay Svitlaは、2時間のコーディングで疲れ果てようとしているときでさえ、Claudeは「今日は何をお手伝いしましょうか？」と無気力に尋ねるだけだと指摘します。
この欠如を解消するため、Rayは16日間にわたって自らの活動を手動で追跡しました。その結果、予想外のパターンが浮かび上がりました。毎朝85%の確率でYouTubeで15〜30分の「ウォームアップ」を行うこと、深い作業のちょうど2時間後に規則的に集中力が切れること、11:00〜12:30が最適な作業時間帯であるにもかかわらず会議で浪費していること、Telegramが80%の30分ブロックに出現すること、深夜の作業が翌朝のスタートを遅らせることなどです。これらのデータは一目瞭然ですが、日常ではまったく気づかれません。
Rayは、大手AI企業がこのギャップを埋めることに興味がない理由を説明します。MetaやGoogleはユーザーデータを広告やエンゲージメント維持に利用し、OpenAIやAnthropicは推論、コーディング、エージェントなどの機能競争に専念しています。自己改善や行動洞察はロードマップにありません。「DO」機能はデモが簡単でベンチマークに適していますが、「BE」機能は長期的な観察が必要で、その恩恵は地味だからです。
そこでRayは独自のAIスタックを構築しています。Dayflowが常時ローカルスクリーンショットを撮影し、Gemini Flash Liteがアクティビティを認識、Clawdbotが文脈とパターンを理解し、self.mdが予測とナッジを提供します。データはデバイスに留まり、ユーザーが所有します。
実践的には、AIは「今日の会議は集中時間帯を妨げます。再スケジュールしますか？」や「今週4回22時以降に作業しました。朝のスタートが1時間遅れています。今夜は早めに切り上げますか？」と提案します。これらは仮想的なものではなく、ユーザー自身のデータに基づく予測です。
目標は生産性向上ではなく、フロー状態の最適経験を実現することです。心理学者ミハイ・チクセントミハイが提唱したフロー—挑戦とスキルが一致し、時間を忘れて最良の仕事が自然に行われる状態—を見つけ、保護すること。self.mdは、あなたが何をしたかだけでなく、あなたが何を必要とするかを、あなたが尋ねる前に予測することを目指しています。