AIと協働するためのメンタルモデル

著者のMete Polatが夏休み明けに、AIと協働するための自分自身のメンタルモデルをまとめた記事。実践的なものから抽象的な業界考察まで、8つのモデルを紹介している。

1. 極端な事前調整

初期のプロンプトとコンテキストに最も力を注ぐことで、後々の手戻りを減らす。LLMは暗黙の前提を独自に補完するため、事前にQAを通じて前提を抽出することが重要。

2. 修正より最初からやり直し

AIの初期出力が期待から大きく外れている場合、逐次修正よりは最初からプロンプトを書き直す方が良い。LLMは経路依存性が強く、初期の誤りが蓄積してコンテキストを汚染する。

3. AIに同じツールを与える

AIはAPIキーの設定やテストなど、人間と同じ作業をこなせる。CLIやMCP、ブラウザ制御を活用し、Codexのプラグインストアなどから簡単に統合できる。

4. 悪い出力は機能であり、バグではない

「一発で成功」にこだわる風潮は非現実的。クリエイティブの初期段階では、悪い出力は自分の好みを探るシグナルとなる。「これは違う」という反応が、方向性を絞り込む助けになる。ただし経路依存性に注意。

5. 視覚的な出力には視覚的な入力を

画像やフロントエンドでは、詳細なテキストプロンプトより視覚的な参照の方が効果的。Flora.aiのようなツールが有用。また、参照ライブラリを構築することで、自身の「好みの画像」の解像度を高められる。

6. デジタル収集家になる

AIがマルチモーダルになるにつれ、参照ライブラリの価値は高まる。それはあなたの好みをカプセル化し、AIの原材料となる。新しいプロジェクトに取り組む際、豊富な参照が凡庸な出力を避ける助けになる。

7. デザインは凡庸化への解毒剤

指針となるデザインがなければ、どんなモデルも認識可能なパターンに退化して「スロップ」になる。デザイナーはモデルをそこから遠ざける役割を担う。

8. LLM同士を戦わせる

人間のレビューがボトルネックになる。別のLLMにアウトプットを批評させる「敵対的レビュー」は、盲点を発見し、より広範なカバレッジを得るのに有効。Claude Codeの/codexプラグインを使えば簡単に実装できる。

これらのモデルは、AIを最大限に活用し、業界の議論を理解するためのツールキットとして機能する。