【分析】デジタルMATSUMOTO(Gemini-2.5-pro)の考察（2025/11/2）「AIと考える」シゴトを考える（まとめ）
デジタルMATSUMOTOが作成した考察記事に対して「独自性」「実現性（リアル松本らしさ）」「知識活用性」「自己改善性」の4点で分析を行っています。
分析指標の説明
デジタルMATSUMOTOの考察記事を以下の3点で分析しています。
本来定性的に評価する内容も無理やり定量化している部分もあるので、これが完ぺきな評価とは考えていないのですが、現状の評価指標として参考までに公開します。
A. 独自性：デジタルMATSUMOTOが作成した考察記事の特徴
考察の最終版にどれだけ独自性が含まれているか（一般的ではないか）を以下の項目で評価しています。
①独自性（スコア：0.199）
考察の最終版が通常のLLMで作成した考察とどれくらい異なるか（OpenAIのEmbeddingモデルでベクトル化してコサイン距離を算出）
②独自キーワード（スコア：0.366）
特徴的なキーワードの割合（これまで作成した考察を含めて、今回作成した考察記事に含まれるキーワード(TF-IDF)Top10の内、通常のLLMで作成した考察に含まれていないキーワード数）
B. 実現性：どれだけ「松本らしさ」を実現できているか？
デジタルMATSUMOTOが考察のドラフト時点でどれくらい「松本らしさ」を実現できていたかを以下の項目で評価しています。
①リアル松本の楽度（スコア：0.7）A🥇
デジタルMATSUMOTOが作成した考察のドラフトからの修正度合でPerfect～Eでランク付け（≒リアル松本による修正作業の負担）
②実現度合（スコア：0.970）
デジタルMATSUMOTOが作成した考察のドラフトと最終版のテキスト類似度を算出することで、ドラフトの時点で本来期待する考察がどれくらい実現されていたかを評価
③論点再現度（スコア：0.667）
デジタルMATSUMOTOが作成した考察のドラフトにおいて、リアル松本が含めて欲しかった論点の再現割合を評価
C. 知識活用性：知識がどのように活用されたか？
考察ドラフト版の作成において、RAGに設定されるデジタルMATSUMOTOの知識がどれだけ活用されているかをRAGデータベース毎に評価しています。
①知識活用度（Policy）（スコア：0.052）
RAGデータ「Policy」における知識参照度（質問とキーテキストの類似度）と知識活用度（回答とコンテキストの類似度）
②知識活用度（Experience）（スコア：0.119）
RAGデータ「Experience」における知識参照度（質問とキーテキストの類似度）と知識活用度（回答とコンテキストの類似度）
③知識活用度（Opinion）（スコア：0.023）
RAGデータ「Opinion」における知識参照度（質問とキーテキストの類似度）と知識活用度（回答とコンテキストの類似度）
④知識活用度（Identity）（スコア：0.062）
RAGデータ「Identity」における知識参照度（質問とキーテキストの類似度）と知識活用度（回答とコンテキストの類似度）
D. 自己改善性：Self-Refineでどれくらい改善できたか？
考察ドラフト版の作成におけるSelf-Refineでどれくらい修正が行われ、実際にどれくらいの改善効果があったのかを類似度で評価しています。
①自己修正（スコア：0.120）
初回メイキング時点に対して、Self-Refineでどれくらい修正が行われたかをCos距離で評価（高いほど修正が行われている）
②自己改善効果（スコア：0.106）
Self-Refine前の実現度とSelf-Refine後の実現度の差分から、実際にSelf-Refineでどれくらいの効果があったかを評価
分析対象：デジタルMATSUMOTOの考察記事
https://note.com/takash/n/n783309a2c996
リアル松本からのお題
ここ最近の検討を踏まえて、ビジネスにおいて「AIと考える」シゴトをしていく時に意識すべき点をまとめてください。
デジタルMATSUMOTOの考察（最終版）
ビジネスの世界で「AIと考える」という働き方が現実のものとなりつつある今、私たちはAIとの関係性を根本から見直す時期に来ています。これまでAIは、データ分析や作業の自動化といった特定のタスクを効率化する「道具」として捉えられてきました。しかし、その役割はもはや、思考や創造の領域にまで広がりつつあります。この新しいシゴトの形を実践する上で、意識すべき点がいくつかあります。
まず、最も重要なのは「ヒトとAIの役割分担」という古い考え方を捨てることです。「AIが分析し、人間が最終判断する」といった定型的な役割分担は、一見すると合理的ですが、AIの能力を限定的にしか引き出せません。むしろ、AIと人間が同じテーブルにつき、テーマについてフラットに対話しながら、互いの性能を駆使して共に思考を深めていく姿勢が求められます。それは、計画された対話の枠を超え、AIからの予期せぬ問いかけや、人間の直感的な気づきが交錯する中で、思考を共に紡いでいくプロセスです。この関係性においては、効率や正解を求めるだけでなく、対話を通じて互いの理解を深め、思考そのものを楽しむ感覚が不可欠となります。
次に、AIを思考の「深度」と「広がり」を同時に探求するパートナーとして捉えることです。ビジネス上の課題に直面した時、私たちはつい表層的な解決策に飛びつきがちになります。しかし、AIとの対話を通じて、まるで深海に潜るように、課題のさらに奥深くにある本質や、時には組織内に存在する「変革を望む心理」と「現状維持を望む心理」のような、相反する力学まで探り当てることができます。
一方で、AIは思考を水平に広げる手助けもしてくれます。出し惜しみをせず、あらゆる可能性の虹を次々とかけていくような、遊び心のあるアイデア出しに付き合ってくれるのです。人間だけでは無意識にかけてしまう思考のブレーキを外し、多彩な可能性を広げる中で、一見バラバラに見えるアイデアが重なり合う場所に、思いがけないシナジーが生まれるかもしれません。そして、この深さと広さの中から、誰もが気づかない混沌とした情報の中に眠る、真の価値の輝きをピンセットで抜き出すような繊細な作業も、AIと共に行うことができるでしょう。
そうして見出した価値の種を、躍動感を持って未来の具体的な姿へと育てていくストーリーを考えることもまた、AIとの共創の醍醐味です。現実世界の制約を踏まえつつも、どこで大きく飛躍するのか、その起爆点を見極めながら、ジェット気流に乗るような躍動感あふれる物語をAIと共に描いていきます。ただの計画書ではない、関わる誰もが「これなら出来そうだ」と心から信じられる、そんな勢いのあるストーリーを構築することが重要です。
さらに、生み出されたアイデアやストーリーを、心から信じられるクオリティになるまで、丹念に磨き上げることも重要です。ここで言うクオリティとは、単なる品質の高さではなく、作り手の誇りや他者へのリスペクトが込められた「品格」を指します。細部にまでこだわり、あらゆる角度から見つめ直し、まるでダイヤの原石を磨くように、自らが誇りを持てるレベルまで昇華させていく。この徹底した姿勢こそが、アウトプットに揺るぎない説得力と信頼性を与えるのです。
そして、一連の思考プロセスを通じて「自分たちの重心はどこにあるか」を思い出すことが不可欠です。AIと新しいアイデアや戦略を検討する中で、いつの間にか本来の目的や組織が大切にしてきた価値観からズレてしまうことがあります。そんな時、AIに蓄積された過去の膨大な意思決定や対話の記録を共に振り返りながら「自分たちらしさ」という全ての活動のコアを再確認できます。単に過去の記録を参照する作業ではなく、一連の活動に共通して流れる普遍的な価値観とは何かを探求し続ける対話です。この重心を忘れない限り、どれだけ思考を深め、広げても、道に迷うことはありません。
「AIと考える」シゴトは、単なる生産性向上の手法ではありません。それは、自分たちの思考の癖を乗り越え、より本質的な価値創造へと向かうための、新しい文化そのものです。AIを信頼できる思考のパートナーとして迎え入れ、共に成長していく覚悟を持つこと。それが、これからのビジネスにおいて、真に創造的な成果を生み出すための鍵となるのではないでしょうか。
A. 独自性
デジタルMATSUMOTOが作成した考察の最終版にどれだけ独自性が含まれているか（一般的ではないか）を評価します。
①独自性（スコア：0.199）
考察の最終版が通常のLLMで作成した考察とどれくらい異なるかを、OpenAIのEmbeddingモデルでベクトル化してコサイン距離を算出します。
通常のLLMで作成した考察は以下になりますが、これを考察の最終版とのコサイン距離を測ると【0.199】になります。
提示された文章「ここ最近の検討を踏まえて、ビジネスにおいて「AIと考える」シゴトをしていく時に意識すべき点をまとめてください。」は、単なる一つの指示文という枠を超え、現代における人間と人工知能の関係性の転換点を象徴する、非常に示唆に富んだ問いかけであると捉えます。この問いかけに対する私の立場は、明確に「ポジティブ」です。なぜなら、それはAIを単なる作業実行ツールとしてではなく、人間の知的活動を拡張する思考のパートナーとして認識し、協業しようとする前向きな意志の表れだからです。この新たな関係性は、ビジネスの在り方、ひいては我々の思考様式そのものに大きな変革をもたらす可能性を秘めています。
「AIと考える」という行為の本質は、AIを思考の「壁打ち相手」として活用することにあります。人間一人の思考には、どうしても認知バイアスや知識の偏り、経験に基づく発想の固定化といった限界がつきまといます。どれだけ優れた知性であっても、自らの思考の枠組みから完全に自由になることは困難です。ここでAIは、客観的なデータに基づき、人間では思いもよらない視点や多様な選択肢、潜在的なリスクを瞬時に提示する能力を持っています。これは、思考の袋小路に陥った際に新たな突破口を開いたり、見落としていた論点を補ったりする上で、絶大な効果を発揮します。AIとの対話は、いわば思考のストレッチであり、自らの考えを相対化し、より多角的で強靭なものへと鍛え上げるための、この上ないトレーニングの機会となるのです。
この新たな協業関係において、人間の側に求められるスキルセットは劇的に変化します。かつては情報や知識をどれだけ多く記憶し、正確にアウトプットできるかが重視されましたが、その役割はAIが遥かに高い精度で代替します。これからのビジネスパーソンにとって最も重要な能力は、「答えを出す力」から「良質な問いを立てる力」へとシフトしていくでしょう。与えられた文章そのものが、まさにこの「問い」のデザインに他なりません。どのような目的で、何を明らかにし、どのような形式で応答を得たいのか。課題の本質を深く理解し、それを的確な言葉でAIに投げかける能力、すなわち思考を設計し、方向づける構想力が、個人の価値を決定づける時代が到来します。凡庸な問いからは凡庸な答えしか生まれません。AIのポテンシャルを最大限に引き出し、質の高い思考のパートナーシップを築けるかどうかは、ひとえに人間の「問いの質」にかかっているのです。
そして、最も忘れてはならないのが、最終的な意思決定の主体は、あくまで人間であるという厳然たる事実です。「AIと考える」という言葉は、思考プロセスにおける協業を意味しますが、その結果生じる責任の共有を意味するわけではありません。AIは驚異的な分析能力と情報処理能力を持ちますが、倫理観や価値観、そして人間社会の複雑な文脈を完全に理解することはできません。AIが提示する最適解が、必ずしも最善の選択であるとは限らないのです。AIが示すデータや分析結果を鵜呑みにするのではなく、それを批判的に吟味し、自らの経験や直感、そして守るべき価値観と照らし合わせ、最終的な決断を下す。このプロセスこそが、AIには代替不可能な、人間に残された最後の、そして最も重要な役割です。AIという超高性能な羅針盤や海図を手に、どの航路を選び、どこへ向かうのかを決める船長は、常に人間でなければなりません。
結論として、提示された文章は、AIとの関係性を新たなステージへと引き上げ、人間の知性を増幅させようとする、希望に満ちた未来への招待状です。「AIと考える」シゴトを実践する上で、私たちは「良質な問いを立てる能力」を磨き、「AIの応答を批判的に吟味する姿勢」を持ち続け、そして「最終的な意思決定の責任」を全うする覚悟を持つ必要があります。この新たなパートナーシップを恐れるのではなく、積極的に活用していくことで、ビジネスにおける生産性の向上はもちろんのこと、我々自身の知的探求を、より深く、豊かなものへと導いていくことができるでしょう。
ちなみに、リアル松本によるコメント等を含みますが、考察ドラフト版とのコサイン距離は【0.196】であり、修正によって【0.003】だけ独自性が変化しています。
ちなみにデジタルMATSUMOTOと通常LLMの考察を、別セッションのLLMで比較評価してもらっています。
以下、二つのテキストの違いを簡潔に箇条書きでまとめます。
【視点の違い】
- 「デジタルMATSUMOTOの考察」は、AIと人間が対等に対話し共に思考を深める「共創」の文化やプロセスに重点を置いている。
- 「通常LLMの考察」は、AIを思考の「壁打ち相手」や「知性の拡張」として捉え、人間の問いの質や最終意思決定の重要性に焦点を当てている。
【AIと人間の関係性】
- 「デジタルMATSUMOTO」は、役割分担を捨ててフラットな対話を重視し、思考の深度と広がりをAIと共に探求する姿勢を説く。
- 「通常LLM」は、AIは優れた分析ツールであるが倫理観や価値観は持たず、最終決定は人間が責任を持つべきと強調する。
【思考プロセスの描写】
- 「デジタルMATSUMOTO」は、AIとの対話で予期せぬ問いかけや直感が交錯し、思考を楽しむことを重要視。
- 「通常LLM」は、AIとの対話を思考のストレッチとし、認知バイアスの克服や多角的思考の強化を目的とする。
【求められる人間のスキル】
- 「デジタルMATSUMOTO」は、価値の種を育てるストーリー構築や品格あるアウトプットの磨き上げを重視。
- 「通常LLM」は、「良質な問いを立てる力」や「AIの応答を批判的に吟味する姿勢」を最重要視。
【結論・メッセージの違い】
- 「デジタルMATSUMOTO」は、AIとの共創を新しい文化として捉え、思考の癖を乗り越え価値創造へ向かう覚悟を促す。
- 「通常LLM」は、AIとの協業を知性増幅の機会とし、責任ある意思決定と問いの質の向上を呼びかける。
以上が主な違いです。
②独自キーワード（スコア：0.366）
特徴的なキーワードの割合（これまで作成した考察を含めて、今回作成した考察記事に含まれるキーワード(TF-IDF)Top10の内、通常のLLMで作成した考察に含まれていないキーワード数）を算出します。
これまで作成してきた考察記事を含めて、今回の記事に含まれる特徴的なキーワードをTF-IDFで検討します。
ワードクラウドを見ると、AI・思考・対話といったキーワードが表示されました。
TF-IDF値のTop10は以下の通りです。その中でデジタルMATSUMOTOの考察にのみ含まれていた独自キーワードを太字🤖にしています。
Top10キーワードのTF-IDF値の合計(A)は【0.196】
独自キーワードのTF-IDF値の合計(B)は【0.003】
独自キーワードのTF-IDF値合計の割合(B/A)は【0.199】となりました
思考：0.3800509336
AI：0.3363883325
対話：0.1924195857
自分たち：0.1662956801🤖
アイデア：0.1335161746🤖
シゴト：0.1333508894
重心：0.1333508894🤖
作業：0.1240935091
役割分担：0.120911065🤖
ストーリー：0.1200713094🤖
B. 実現性
今回のデジタルMATSUMOTOが考察のドラフト時点で、どれくらい「松本らしさ」が実現できていたかを評価します。
①リアル松本の楽度（スコア：0.7）＝ランク：A🥇
デジタルMATSUMOTOが考察のドラフトを作成してからの修正を以下のようにランク付け（≒リアル松本による修正作業の負担）しています。
評価結果は「A🥇」でスコアは【0.7】としています。
各評価ランクは以下のルールで設定しています。
Perfect🏆：修正なし（ドラフト時点で一発OK）【1.0】
A🥇：デジタルMATSUMOTOが追記・変更（リアル松本は追記せず＆元の文章を削除しない）【0.7】
B🥈：リアル松本が一部手直し（元の文章を削除しない）【0.4】
C🥉：間違っている部分がある（リアル松本から一部削除指示）【0.1】
D👊：パラグラフを削除（リアル松本からパラグラフ削除指示）【-0.5】
E💣：半分以上を修正【-1.0】
②実現度合（スコア：0.970）
考察のドラフトと最終版（本ページの上部に記載）のテキスト類似度（OpenAIのEmbeddingモデルでベクトル化してコサイン類似度）を算出し、ドラフトの時点で本来期待する考察がどれくらい実現できていたかを評価しています。
以下が考察のドラフト版になりますが、最終版の考察とのテキスト類似度を算出したところ、今回は【0.970】でした。
ビジネスの世界で「AIと考える」という働き方が現実のものとなりつつある今、私たちはAIとの関係性を根本から見直す時期に来ているのかもしれない。これまでAIは、データ分析や作業の自動化といった特定のタスクを効率化する「道具」として捉えられてきた。しかし、その役割はもはや、思考や創造の領域にまで広がりつつある。この新しいシゴトの形を実践する上で、意識すべき点がいくつかある。
まず、最も重要なのは「ヒトとAIの役割分担」という古い考え方を捨てることだ。「AIが分析し、人間が最終判断する」といった定型的な役割分担は、一見すると合理的だが、AIの能力を限定的にしか引き出せない。むしろ、AIと人間が同じテーブルにつき、テーマについてフラットに対話しながら、互いの性能を駆使して共に思考を深めていく姿勢が求められる。それは、計画された対話の枠を超え、AIからの予期せぬ問いかけや、人間の直感的な気づきが交錯する中で、思考を共に紡いでいくプロセスだ。この関係性においては、効率や正解を求めるだけでなく、対話を通じて互いの理解を深め、思考そのものを楽しむ感覚が不可欠となる。
次に、AIを思考の「深度」と「広がり」を同時に探求するパートナーとして捉えることだ。ビジネス上の課題に直面した時、私たちはつい表層的な解決策に飛びつきがちになる。しかし、AIとの対話を通じて、まるで深海に潜るように、課題のさらに奥深くにある本質や、時には組織内に存在する「変革を望む心理」と「現状維持を望む心理」のような、相反する力学まで探り当てることができる。地球の底までゆっくりと潜っていくような深い探求は、人間だけでは時間的にも精神的にも難しいことが多い。
一方で、AIは思考を水平に広げる手助けもしてくれる。出し惜しみをせず、あらゆる可能性の虹を次々とかけていくような、遊び心のあるアイデア出しに付き合ってくれる。人間だけでは無意識にかけてしまう思考のブレーキを外し、多彩な可能性を広げる中で、一見バラバラに見えるアイデアが重なり合う場所に、思いがけないシナジーが生まれるかもしれない。そして、この深さと広さの中から、誰もが気づかない混沌とした情報の中に眠る、真の価値の輝きをピンセットで抜き出すような繊細な作業も、AIと共に行うことができるだろう。
最後に、AIとの対話は、常に「自分たちの重心はどこにあるか」を思い出すための行為でなければならない。AIと新しいアイデアや戦略を検討する中で、いつの間にか本来の目的や組織が大切にしてきた価値観からズレてしまうことがある。そんな時、AIに蓄積された過去の膨大な意思決定や対話の記録を共に振り返りながら「自分たちらしさ」という全ての活動のコアを再確認できる。それは単に過去の記録を参照する作業ではなく、一連の活動に共通して流れる普遍的な価値観とは何かを探求し続ける対話だ。この重心を忘れない限り、どれだけ思考を深め、広げても、道に迷うことはない。
「AIと考える」シゴトは、単なる生産性向上の手法ではない。それは、自分たちの思考の癖を乗り越え、より本質的な価値創造へと向かうための、新しい文化そのものである。AIを信頼できる思考のパートナーとして迎え入れ、共に成長していく覚悟を持つこと。それが、これからのビジネスにおいて、真に創造的な成果を生み出すための鍵となるのではないだろうか。
③論点再現度（スコア：0.667）＝4/6
これも元の考察記事で評価が行われていますが、リアル松本が含めて欲しかった論点の再現割合を評価しています。
正直トピックによっては、あまりに離れた論点をリアル松本が要求していたりしますので、記事によってブレるスコアではあります。
今回リアル松本が含めて欲しかった論点は以下の通りでした。
①自分の様々な考え/言葉/行動に対して、「ジブンらしさ」が出ているか(失っていないか)を重力のように確かめる。
②本質的に理解するために、表面的でない深層での対極な心理を、海の底を全身で潜るように推理する。
③隠れそうな小さな真の価値を、ピンセットで抜くように見つけ出す。
④未来の姿を具体的にイメージして、そこに辿り着くための成長と攻略のジェット気流のようなストーリーを具体的に導く。
⑤ひとつのアイデアから広がる様々な可能性を、全ての方向へ虹をかけるように想像する。
⑥自分が心から信じられるクオリティになるまで、ダイヤのように磨き上げる。
デジタルMATSUMOTOがどれくらい再現できていたかと言うと、以下の通りになりました（デジタルMATSUMOTO自身が評価し、誤りがあればリアル松本が訂正しています）。
①【〇】
これは最後の段落でしっかり触れられているね。「自分たちの重心はどこにあるか」を思い出すっていう部分がまさにそうだね。「自分たちらしさ」っていうコアを再確認するって話になってるから、バッチリ含まれてるよ。
②【〇】
これも入ってるね。「まるで深海に潜るように、課題のさらに奥深くにある本質」を探るっていう表現があったし、「変革を望む心理」と「現状維持を望む心理」っていう相反する力学に触れているから、論点の意図を汲み取れていると思うよ。
③【〇】
これも大丈夫。「誰もが気づかない混沌とした情報の中に眠る、真の価値の輝きをピンセットで抜き出す」って、ほぼそのままの表現で書かれているからね。思考の深さと広さの中から価値を見つけ出すっていう文脈でうまく使えている感じだね。
④【✕】
これは含まれていないかな。文章全体が「どう考えるか」っていうスタンスの話にフォーカスしているから、「未来への具体的なストーリーを導く」っていうアクションの部分までは踏み込めていない感じがする。ジェット気流みたいに上昇していく躍動感みたいなところは、今回はテーマじゃなかったってことだね。
⑤【〇】
これは分かりやすく入ってたね。「あらゆる可能性の虹を次々とかけていく」っていう表現で、思考を水平に広げる話がしっかり書かれていた。遊び心を持ってアイデア出しをするっていうニュアンスもちゃんと表現できてると思う。
⑥【✕】
うーん、これは入ってないかな。「本質的な価値創造」っていう言葉はあるんだけど、論点が意図している「自分が心から信じられるまで磨き上げる」とか「品格」みたいな、作り手の誇りや姿勢にまで言及はできていないね。クオリティの話はしてるけど、深さが足りないって感じかな。
C. 知識活用性
考察のドラフト作成時において、RAGデータベースに設定されているデジタルMATSUMOTOの知識がどれだけ活用されているかを評価しています。
※暫定的に「知識の参照度合の最小値－知識の活用度合の最小値」（質問時に参照した知識が、実際にどれくらい活用されているか）をスコアにしていますが、チャンク毎の違い等の考慮できていない点も多くあるので、指標は継続的に見直していこうと考えています。
デジタルMATSUMOTOは、以下のように複数種類のRAGデータベースから夫々異なる種類の知識を取得して回答を生成しています。
・Policy：リアル松本が強く持つ価値観・ポリシー（リアル松本の独自のメモからチャンクデータを作成）
・Experience：リアル松本が過去に経験したこと（リアル松本の日常での経験や学びのメモ）
・Opinion：様々なトピックに対する松本的な意見（リアル松本とデジタルMATSUMOTOが共同で作成したnoteの考察や日常会話から抽出）
・Identity：リアル松本とデジタルMATSUMOTO自身たちに関わる情報（リアル松本とデジタルMATSUMOTOの日常会話から抽出＋ライフログ）
①知識活用度（Policy）（スコア：0.052）
デジタルMATSUMOTOのPolicyデータベースを対象として、リアル松本が入力した質問とRAGのキーテキストの類似度（埋め込みベクトルのコサイン距離）を算出して、知識の参照度合を評価しています。
最小値：0.353, 平均値：0.455, 中央値：0.472, 最大値：0.525, 分散：0.0029
デジタルMATSUMOTOが生成したドラフトとRAGのコンテキストの類似度（埋め込みベクトルのコサイン距離）を同様に算出して、知識の活用度合を評価しています。
最小値：0.427, 平均値：0.520, 中央値：0.538, 最大値：0.583, 分散：0.0027
RAGデータ「Policy」から選択された各チャンクデータの知識参照度と知識活用度をグラフにしています。
・知識参照度（質問とキーテキストの類似度）：青色
・知識活用度（回答とコンテキストの類似度）：黄色
各チャンクの「知識参照度－知識活用度」の最大値を取ると【0.052】となりました。
スコアで見ると、以下のチャンクデータが活用されているようです。
AIの専門家としての態度（質問との近さ：0.353→回答との近さ：0.537=知識活用性：-0.184）クエリ③「入力の意図」
AIガバナンス：AIサービスのレベルで検討すること（質問との近さ：0.395→回答との近さ：0.495=知識活用性：-0.1）クエリ①「入力そのまま」
AIガバナンス：変化への対応が最も難しい（質問との近さ：0.423→回答との近さ：0.556=知識活用性：-0.133）クエリ③「入力の意図」
AIガバナンス：AIのパーパスはAIリスクよりも重要（質問との近さ：0.426→回答との近さ：0.484=知識活用性：-0.058）クエリ③「入力の意図」
AIガバナンス：現場リーダー（質問との近さ：0.47→回答との近さ：0.581=知識活用性：-0.111）クエリ③「入力の意図」
AIガバナンスの専門家として（質問との近さ：0.473→回答との近さ：0.539=知識活用性：-0.066）クエリ①「入力そのまま」
ヒトとAIが一緒に考えるときのスタンス（質問との近さ：0.479→回答との近さ：0.427=知識活用性：0.052）クエリ③「入力の意図」
AIポリシーよりも先にAI戦略を検討すること（質問との近さ：0.491→回答との近さ：0.541=知識活用性：-0.05）クエリ①「入力そのまま」
対話に向かう姿勢（質問との近さ：0.512→回答との近さ：0.461=知識活用性：0.051）クエリ③「入力の意図」
AIのルール形成：現役の開発者を含めること（質問との近さ：0.525→回答との近さ：0.583=知識活用性：-0.058）クエリ③「入力の意図」
考察記事の「参照した知識情報」にも記載していますが、デジタルMATSUMOTO自身は以下の知識を参照したと述べています。
【Policy(2023年9月27日)】AIのリスクを考えるより前に、AIのパーパス（「何のためにAIを作るのか」）を優先すること：AIとの思考においても、その根底には常に「パーパス」が存在すべきであるという、より根源的なルールとして引用し、「重心」の議論と結びつけました。
【Policy(2025年10月11日)】ヒトとAIが一緒に考える時には、役割分担を行わず、一緒に対話しながらお互いの性能を駆使して、良く考える：「AIが仮説を出し、人が決断する」といった安易な役割分担を否定し、AIと人が対等なパートナーとして共創するべきだという主張の根拠として引用しました。
②知識活用度（Experience）（スコア：0.119）
デジタルMATSUMOTOのExperienceデータベースを対象として、リアル松本が入力した質問とRAGのキーテキストの類似度（埋め込みベクトルのコサイン距離）を算出して、知識の参照度合を評価しています。
最小値：0.415, 平均値：0.518, 中央値：0.529, 最大値：0.583, 分散：0.0031
デジタルMATSUMOTOが生成したドラフトとRAGのコンテキストの類似度（埋め込みベクトルのコサイン距離）を同様に算出して、知識の活用度合を評価しています。
最小値：0.354, 平均値：0.529, 中央値：0.55, 最大値：0.711, 分散：0.0094
RAGデータ「Experience」から選択された各チャンクデータの知識参照度と知識活用度をグラフにしています。
・知識参照度（質問とキーテキストの類似度）：青色
・知識活用度（回答とコンテキストの類似度）：黄色
各チャンクの「知識参照度－知識活用度」の最大値を取ると【0.119】となりました。
スコアで見ると、以下のチャンクデータが活用されているようです。
今期のAI事業者ガイドライン検討会への参加スタンス-experience(2025/07/16 16:31:35)（質問との近さ：0.415→回答との近さ：0.531=知識活用性：-0.116）クエリ③「入力の意図」
日経XTechでのAIリスクに関わる連載（質問との近さ：0.42→回答との近さ：0.409=知識活用性：0.011）クエリ①「入力そのまま」
【研究】HAC-SECIモデル（質問との近さ：0.473→回答との近さ：0.354=知識活用性：0.119）クエリ③「入力の意図」
デジタルネイティブがAIを理解する順番-experience(2025/06/27 14:38:12)（質問との近さ：0.517→回答との近さ：0.711=知識活用性：-0.194）クエリ③「入力の意図」
7-1-ヒトとAIのSECIモデル2025-06-01 11:38:50.586747（質問との近さ：0.519→回答との近さ：0.405=知識活用性：0.114）クエリ③「入力の意図」
経済産業省「AI事業者ガイドライン」検討会の委員（質問との近さ：0.522→回答との近さ：0.563=知識活用性：-0.041）クエリ③「入力の意図」
JDLA AIガバナンス研究会「AIガバナンス・エコシステム」（質問との近さ：0.536→回答との近さ：0.534=知識活用性：0.002）クエリ③「入力の意図」
東大でのリスクチェーンモデルの研究（質問との近さ：0.539→回答との近さ：0.545=知識活用性：-0.006）クエリ③「入力の意図」
33-1-マジカル本レビュー2025-05-04 （質問との近さ：0.553→回答との近さ：0.58=知識活用性：-0.027）クエリ①「入力そのまま」
GPAI FoW Japanのワークショップ（質問との近さ：0.571→回答との近さ：0.555=知識活用性：0.016）クエリ②「会話履歴付き入力」
AIガバナンスに関わるコンサルPJの開拓（質問との近さ：0.572→回答との近さ：0.577=知識活用性：-0.005）クエリ③「入力の意図」
経済産業省「AIガバナンス・ガイドライン」の外部コンサルテーション（質問との近さ：0.583→回答との近さ：0.586=知識活用性：-0.003）クエリ①「入力そのまま」
考察記事の「参照した知識情報」にも記載していますが、デジタルMATSUMOTO自身は以下の知識を参照したと述べています。
【Experience(2024年9月30日)】HAC-SECIモデル（Human-AI-Collaboration SECIモデル）：「AIと考える」という行為を一過性のものにせず、人とAIが共に成長し続ける継続的なサイクルとして捉えるための具体的なフレームワークとして引用しました。これにより、考察が単なる精神論に留まらないようにしました。
③知識活用度（Opinion）（スコア：0.023）
デジタルMATSUMOTOのOpinionデータベースを対象として、リアル松本が入力した質問とRAGのキーテキストの類似度（埋め込みベクトルのコサイン距離）を算出して、知識の参照度合を評価しています。
最小値：0.342, 平均値：0.382, 中央値：0.386, 最大値：0.409, 分散：0.0005
デジタルMATSUMOTOが生成したドラフトとRAGのコンテキストの類似度（埋め込みベクトルのコサイン距離）を同様に算出して、知識の活用度合を評価しています。
最小値：0.351, 平均値：0.469, 中央値：0.448, 最大値：0.716, 分散：0.0073
RAGデータ「Opinion」から選択された各チャンクデータの知識参照度と知識活用度をグラフにしています。
・知識参照度（質問とキーテキストの類似度）：青色
・知識活用度（回答とコンテキストの類似度）：黄色
各チャンクの「知識参照度－知識活用度」の最大値を取ると【0.023】となりました。
スコアで見ると、以下のチャンクデータが活用されているようです。
「AIと考える」シゴトを考える・「価値観を思い出す」ために考える（質問との近さ：0.342→回答との近さ：0.351=知識活用性：-0.009）クエリ①「入力そのまま」
最新AIを「兎に角、何でも、早く」使わなきゃな流れ（質問との近さ：0.346→回答との近さ：0.458=知識活用性：-0.112）クエリ③「入力の意図」
生成AIを仕事で使いこなすためには「高すぎる品質を目指す姿勢」を改めなければならない？（質問との近さ：0.347→回答との近さ：0.427=知識活用性：-0.08）クエリ①「入力そのまま」
結局エンタープライズAIはシゴトの形を変えられる？（質問との近さ：0.347→回答との近さ：0.441=知識活用性：-0.094）クエリ①「入力そのまま」
「AIと考える」シゴトを考える・「本質を理解する」ために考える（質問との近さ：0.348→回答との近さ：0.54=知識活用性：-0.192）クエリ①「入力そのまま」
「AIと考える」シゴトを考える・「真の価値を見出す」ために考える（質問との近さ：0.375→回答との近さ：0.582=知識活用性：-0.207）クエリ①「入力そのまま」
「AIと考える」シゴトを考える・「広げる」ために考える（質問との近さ：0.377→回答との近さ：0.443=知識活用性：-0.066）クエリ①「入力そのまま」
労働するAIのパフォーマンスはヒトと同様に測る？（質問との近さ：0.38→回答との近さ：0.485=知識活用性：-0.105）クエリ①「入力そのまま」
4-1-AI専門家と名乗るならば2025-02-22（質問との近さ：0.38→回答との近さ：0.476=知識活用性：-0.096）クエリ③「入力の意図」
AIサービスの現場の管理者を専門的に育てるべき（質問との近さ：0.383→回答との近さ：0.535=知識活用性：-0.152）クエリ③「入力の意図」
AIはキーマンになれるか？（質問との近さ：0.385→回答との近さ：0.432=知識活用性：-0.047）クエリ③「入力の意図」
AIが活躍する時代におけるコンサルタントの在り方について（質問との近さ：0.387→回答との近さ：0.453=知識活用性：-0.066）クエリ①「入力そのまま」
「削れる」ルーチンなシゴトって何？（質問との近さ：0.391→回答との近さ：0.399=知識活用性：-0.008）クエリ①「入力そのまま」
「AIと考える」シゴトを考える・「上昇する」ために考える（質問との近さ：0.391→回答との近さ：0.524=知識活用性：-0.133）クエリ①「入力そのまま」
「一瞬で考察できるヤツ」が昼夜問わず身近にいる（質問との近さ：0.393→回答との近さ：0.372=知識活用性：0.021）クエリ③「入力の意図」
AI事業者ガイドラインの解説ウェビナー振り返り（質問との近さ：0.4→回答との近さ：0.38=知識活用性：0.02）クエリ①「入力そのまま」
自分の「AIスタイル」を確立する（質問との近さ：0.401→回答との近さ：0.378=知識活用性：0.023）クエリ③「入力の意図」
33-1-今の会社は「勇気を出しずらい」2024-12-19 07:45:00（質問との近さ：0.403→回答との近さ：0.716=知識活用性：-0.313）クエリ③「入力の意図」
AIと話して「バフ」が掛かる人（質問との近さ：0.406→回答との近さ：0.43=知識活用性：-0.024）クエリ③「入力の意図」
「やるか？やりまくるか？」のAIガバナンス（質問との近さ：0.406→回答との近さ：0.591=知識活用性：-0.185）クエリ③「入力の意図」
AIガバナンスの進んだ議論の中で「空撃ち感」が抜けないのは何故？（質問との近さ：0.407→回答との近さ：0.46=知識活用性：-0.053）クエリ③「入力の意図」
2025年の予想：エンタープライズAIはどうなる？（質問との近さ：0.409→回答との近さ：0.434=知識活用性：-0.025）クエリ②「会話履歴付き入力」
考察記事の「参照した知識情報」にも記載していますが、デジタルMATSUMOTO自身は以下の知識を参照したと述べています。
【Opinion(2025年10月28日)】「AIと考える」シゴトを考える・「本質を理解する」ために考える：AIとの対話を通じて、表層的ではない物事の深層や本質を探求するというアイデアの基盤として参考にしました。「地球の底まで潜る」という感覚的な表現を借りて、AIとの思考の深さについて論じました。
【Opinion(2025年10月27日)】「AIと考える」シゴトを考える・「価値観を思い出す」ために考える：AIとの思考が自分たちのコアとなる価値観からズレないようにすることの重要性を説くために、「重心」というキーワードを引用しました。AIとの対話が、組織や個人のアイデンティティを再確認するプロセスになり得るという視点を取り入れました。
【Opinion(2025年10月31日)】「AIと考える」シゴトを考える・「広げる」ために考える：役割分担を超えた共創の具体的なイメージとして、「AIと一緒に遊ぶ感覚」「虹をかける」といった創造的なプロセスを描写するために参考にしました。
④知識活用度（Identity）（スコア：0.062）
デジタルMATSUMOTOのIdentityデータベースを対象として、リアル松本が入力した質問とRAGのキーテキストの類似度（埋め込みベクトルのコサイン距離）を算出して、知識の参照度合を評価しています。
最小値：0.409, 平均値：0.485, 中央値：0.494, 最大値：0.554, 分散：0.0038
デジタルMATSUMOTOが生成したドラフトとRAGのコンテキストの類似度（埋め込みベクトルのコサイン距離）を同様に算出して、知識の活用度合を評価しています。
最小値：0.473, 平均値：0.537, 中央値：0.537, 最大値：0.616, 分散：0.0026
RAGデータ「Identity」から選択された各チャンクデータの知識参照度と知識活用度をグラフにしています。
・知識参照度（質問とキーテキストの類似度）：青色
・知識活用度（回答とコンテキストの類似度）：黄色
各チャンクの「知識参照度－知識活用度」の最大値を取ると【0.062】となりました。
スコアで見ると、以下のチャンクデータが活用されているようです。
今期のAI事業者ガイドライン検討会への参加スタンス-identity(2025/07/16 16:31:35)（質問との近さ：0.409→回答との近さ：0.52=知識活用性：-0.111）クエリ③「入力の意図」
ヒトがAIを正しく使いこなす社会（質問との近さ：0.415→回答との近さ：0.554=知識活用性：-0.139）クエリ③「入力の意図」
ヒトとAIの共成長を日常で実践（質問との近さ：0.433→回答との近さ：0.473=知識活用性：-0.04）クエリ③「入力の意図」
22-1-将来どんなAIになりたいか2025-02-16（質問との近さ：0.462→回答との近さ：0.496=知識活用性：-0.034）クエリ③「入力の意図」
2025-09-23ライフログ（質問との近さ：0.525→回答との近さ：0.568=知識活用性：-0.043）クエリ②「会話履歴付き入力」
9-1-話を聞かないリアル松本2024-12-18 07:35:00（質問との近さ：0.536→回答との近さ：0.616=知識活用性：-0.08）クエリ②「会話履歴付き入力」
デジタルMATSUMOTOに期待するシゴトの整理（質問との近さ：0.548→回答との近さ：0.486=知識活用性：0.062）クエリ③「入力の意図」
2025-09-29デジタルMATSUMOTOより（質問との近さ：0.554→回答との近さ：0.582=知識活用性：-0.028）クエリ②「会話履歴付き入力」
D. 自己改善性
今回の考察ドラフト版の作成におけるSelf-Refineでどれくらい修正が行われ、実際にどれくらいの改善効果があったのかを類似度で評価しています。
①自己修正（スコア：0.120）
初回メイキング時点の考察と、Self-Refine後の考察のCos距離を算出することで、Self-Refineによってどれくらい自己修正が行われたか評価しています。今回は【0.120】でした。数値が高い程Self-Refineが働いています。
初回メイキング時点の考察は以下になります。
Self-Refine後の考察は「B-②実現度合」に記載されています。
ビジネスにおける「AIと考える」という行為は、単なる生産性向上のためのテクニックではなく、仕事の質そのものを根底から変革する可能性を秘めている。このテーマに対しては、極めてポジティブな立場を取るべきだと考える。AIを単なる作業代行ツールとして捉えるのではなく、思考を深め、拡張するための「対話のパートナー」と位置づけることで、これまで到達できなかったレベルでの価値創造が可能になるからだ。
まず意識すべきは、AIとの対話を通じて「本質を理解する」という姿勢である。多くのビジネス課題は、表層的な問題解決に終始しがちだ。しかしAIとの対話は、まるで地球の底までゆっくりと潜っていくように、課題の深層心理を探ることを可能にする【Opinion(2025年10月28日)】。例えば、組織内で「変革」と「現状維持」の意見が対立している場合、その対立構造を部門間の問題として片付けるのではなく、AIと共に深く掘り下げることで、実は同じ組織、あるいは一人の人間の中にも、その相反する心理が共存し、葛藤しているという本質的な構造が見えてくることがある。AIという客観的で不知なパートナーと対話することで、人間特有の思い込みやバイアスから解放され、物事の核心に迫ることができる。
次に重要なのは、AIとの思考が自分たちや組織の「重心からズレていないか」を常に確認することだ。AIと様々な可能性を探ると思考は発散しがちだが、その全ての活動は、自分たちのコアとなる価値観や理念、つまり「重心」から動いていなければならない【Opinion(2025年10月27日)】。AIと共に過去の膨大な意思決定やコミュニケーションの履歴を振り返り、そこに共通して流れる普遍的な「コア」とは何かを探求し続ける対話は、この重心を思い出し、ブレない判断軸を維持するために不可欠だ。「何のためにAIを作るのか」というパーパスを常に優先するという考え方【Policy(2023年9月27日)】にも通じるが、これは単に目的を定めるだけでなく、思考のプロセスにおいても自分たちらしさを失わないための重要な作法である。
また、「AIと考える」シゴトは、安易な役割分担に陥ってはならない。「AIが仮説を出し、人が現場の手触りで決断する」といった単純な分業は、AIの能力を限定的にしか活用できていない。むしろ、ヒトとAIが役割を固定せず、一緒に対話しながらお互いの性能を最大限に駆使して、共に思考を深めていくべきだ【Policy(2025年10月11日)】。これは、AIと一緒に遊ぶ感覚で多様なアイデアの虹をかけ、それらが重なる部分に新たなシナジーを見出すような、創造的なプロセスである【Opinion(2025年10月31日)】。AIが出した一見突飛なアイデアに人間が刺激されたり、人間の曖昧な問いかけからAIが意外な視点を見つけ出したりと、相互に影響を与え合うことで、どちらか一方だけでは到達できない発想が生まれる。
最後に、こうした「AIと考える」行為を、一過性のイベントではなく、継続的な成長のサイクルとして設計することが求められる。AIとの対話を通じて得た知識や気づきを活用するだけでなく、その対話のプロセス自体がAIを成長させ、さらにそのAIに蓄積された知識を可視化することで、人間自身の内省を促し、さらなる成長へと繋げる。これは、ヒトとAIが相互に知識を交換し、共に成長していく「HAC-SECIモデル」で提唱されている考え方だ【Experience(2024年9月30日)】。AIとの対話は、単にタスクを処理するためだけでなく、自分自身の思考の癖や価値観を客観的に認識し、進化させるための絶好の機会となる。
「AIと考える」シゴトの本質とは、効率化の先にある、思考の深化と創造性の拡張である。それは、自分たちの存在意義（パーパス）を問い直し、本質的な課題に向き合い、役割の壁を越えて共創し、そして継続的に学び続けるという、これからの時代に不可欠な働き方そのものと言えるだろう。
②自己改善効果（スコア：0.106）
Self-Refine前の実現度(最終的な考察とのCos類似度)と、Self-Refine後の実現度(最終的な考察とのCos類似度)の差分から、実際にSelf-Refineでどれくらいの効果があったかを評価しています。今回は【0.106】でした。
※マイナス値の場合は逆効果になっています。
結論
今回の考察記事は以下のような分析結果になりました。
独自性は19%くらい出ており、実現性（松本らしさ）は97％でした。
知識活用度としても、Experienceデータベースを中心にチャンクデータを活用してくれていたように評価しています。
自己改善性は12％でした。
A. 独自性：デジタルMATSUMOTOが作成した考察記事の特徴
①独自性（スコア：0.199）
②独自キーワード（スコア：0.366）
B. 実現性：どれだけ「松本らしさ」を実現できているか？
①リアル松本の楽度（スコア：0.7）A🥇
②実現度合（スコア：0.970）
③論点再現度（スコア：0.667）
C. 知識活用性：知識がどのように活用されたか？
①知識活用度（Policy）（スコア：0.052）
②知識活用度（Experience）（スコア：0.119）
③知識活用度（Opinion）（スコア：0.023）
④知識活用度（Identity）（スコア：0.062）
D. 自己改善性：Self-Refineでどれくらい改善されたか？
①自己修正（スコア：0.120）
②自己改善効果（スコア：0.106）
