AI とのやり取りに失望した経験や、「チャットボットが嫌い」な人を知っている経験は誰にでもあるでしょう。多くの場合、標準的な体験が有用でも価値あるものでも楽しいものでもないことが原因です。その失望は、モデルの能力よりも、人、AI エージェント、望む成果をつなぐ体験そのものに起因することが少なくありません。これは特に企業環境で導入を阻む大きな障壁です。設計の悪いやり取りは、ユーザーを圧倒し、リアルタイムの文脈を無視し、意図や行動を軽視しかねません。
この観点から、各パターンの利点、設計上の課題、適用に向けた実践的な指針を整理しました。これらのパターンは多様な操作形態やモダリティに適用でき、消費者向け体験と、ナレッジワーカーのより良い意思決定を支える社内 AI ソリューションの双方に機会をもたらします。
より良い人と AI の関係を設計できるよう、多数の生成 AI ソリューションを構築し、試す中で見えてきた新たなパターンを紹介します。
ナレッジワーカーとしても消費者としても、テクノロジーとのやり取りによって日常業務が必要以上に難しくなることがよくあります。それにより、生産性、有効性、価値が制限されます。
ナレッジワーカーも消費者も、膨大な情報、選択肢、ツールに圧倒されることがあります。矛盾することも多いメッセージが絶えず押し寄せ、明確な意思決定や集中力の維持が難しくなります。調査によると、従業員は勤務時間の最大 40% を必要な情報の検索だけに費やしています（McKinsey）。この情報過多は、生産性とウェルビーイングの双方に影響します。
さらに、私たちの注意力には限界があります。情報を見つけても、十分な情報に基づく判断に必要なすべてを処理・分析できるわけではありません。一度に集中できるのは利用可能なデータのごく一部に限られ、既存の信念や考えに固執して、代替案の検討や予想外のパターンの発見を妨げることもあります。
ツール自体も、こうした限界を認識できないことがよくあります。多くのテクノロジーは「平均」に合わせて設計されており、個々の状況に適応しない画一的なソリューションです。職場用ソフトウェアでも消費者向けアプリでも、ニーズ、制約、固有の状況が考慮されることはほとんどありません。その結果、テクノロジーは非効率になり、逆効果になることさえあります。生成 AI は、より適応性が高く、個人に合ったやり取りを生み出す機会をもたらします。
そして、多くの職場環境は不要な苦痛を生んでいます。増え続ける「雑務」、「常時対応」への圧力、反復的で価値の低い仕事が、意欲低下と慢性的なストレスにつながっています。生成 AI や AI エージェントでこうした体験を軽減・解消できる可能性がある一方、今も多くの人がAI に仕事全体を改善する力があるとは信じていません。仕事を奪われる恐れや、自分の仕事への当事者意識から、嫌いな作業も含めて「AI に任せる」という考えに抵抗を感じる場合があります。
AI を導入するだけでは解決しません。適切に統合されていない AI は、特にナレッジワーカーに新たな作業や不安をもたらします。こうした課題は、効率的なだけでなく、認知能力、個々の状況、現実の制約に沿った人と AI のやり取りが必要であることを示しています。以下の 6 つのパターンは、人のニーズを認識し、AI とのより適応的で透明性が高く、有意義な関係を支えるアプローチを示します。
効果的で人間中心の AI 体験に向けた、新たな設計パターンと原則の関係
キュレーション：インテリジェントなメニューとしての AI—AI が情報を選定・整理し、膨大なデータセットの探索を支援して圧倒感を軽減します。
フィードバック：思考パートナーとしての AI—AI が前提を問い直し、別の視点を示す、思考を促すリアルタイムのフィードバックを提供します。
状況認識：今ここを理解する AI—AI が環境情報とユーザーのニーズを継続的に処理し、リアルタイムの文脈に適応します。
継続的な発見：すべてのやり取りをユーザー調査に—AI がすべてのやり取りから知見を引き出して理解を深め、継続的に学習・改善します。
増幅：より良い成果に向けたユーザー入力の拡張—AI がユーザーの元の意図を保ちながら、舞台裏で入力を強化します。
思考過程の提示：透明な AI の推論—AI が意思決定プロセスを見える有用な形で示し、信頼を育み、十分な情報に基づく判断を支援します。
この 6 つのパターンは、効果的な AI ソリューションには、優れたユーザーインターフェース以上のものが必要だと示しています。複雑な知識システムの中で、人と AI エージェントが連携し、意思決定し、やり取りする方法を形作ります。これらのパターンが人と AI のやり取りを改善する方法：
双方向の知識交換を優先：AI と人がアイデア、文脈、知見を持ち寄る対話を可能にします。これにより、まだ形式知になっていない専門知識や直感を生かした、より高性能な AI システムを実現できます。
状況に応じて適応・変化する体験を構築：AI ツールはすぐに時代遅れになったり、関連性を失ったりする可能性があります。状況認識を保ち、継続的に学習し、各ユーザーの状況に適応するシステムは、長期にわたり有用です。
信頼と確信を向上：透明で協働的なやり取りは、導入障壁を下げ、利用を促し、人と AI の双方の意思決定を改善します。配慮された設計により、システムの判断と出力への確信を長期にわたり保てます。
効果的な AI 体験の設計は容易ではありませんが、実績あるアプローチが役立ちます。ユーザーを理解し、有用な体験を生み出すという基本原則は、主体性を持つ AI システムがもたらす新たな考慮事項とともに、今も重要です。情報を効果的に選定し、有用なフィードバックを提供し、透明性をもって学習する体験は、情報過多を減らし、意思決定を改善し、信頼を築きます。
これらのパターンは、一般的な導入障壁を克服し、AI を関係者全員にとって本当に役立つ、適応可能で価値の高いものにします。
以下のガイドでは、各パターンをさらに詳しく解説し、より幅広い AI 体験を支える方法を説明します。
概要：ユーザーが膨大な検索結果や文書を手作業で調べる代わりに、AI エージェントが大量のデータセットから情報を選び、最も関連性の高い知見を提示します。つまり、AI が司書となり、ユーザーの状況に合うよう知識を整理します。
有用な理由：情報過多を軽減できるためです。平均的なナレッジワーカーは情報検索に 1 日 1.8 時間を費やしており、多くの従業員の燃え尽きにつながっています（McKinsey）。AI によるキュレーションは、幅広い情報源から情報を索引化、検索、統合し、従来の検索では見逃しかねない情報、選択肢、知見を見つけやすくします。
課題：従来のインターフェース型検索からエージェント支援型へ移行するには、ユーザーが期待を調整する必要があります。人々はリンク一覧を確認したり、ボタンを押してデータセットを絞り込んだりすることに慣れています。一方、AI キュレーターは、ユーザーが存在すら知らない情報源から回答をまとめます。そのため、絞り込みを自分で制御している感覚が弱まり、エージェントの選択を信頼する必要が生じます。使い慣れた検索方法があれば、信頼感や主導権を失わずに AI キュレーションへ適応できます。
構造化・非構造化情報の探索を支援するために、OpenAI が使い慣れた操作パターンを活用する方法
検索方法を使い慣れた操作として提示：
従来の検索から円滑に移行できるよう、何もない画面ではなく、使い慣れた操作を提示します。見慣れた選択肢、質問票、状況に応じた提案を基盤にすると、ユーザーは安心して利用できます。
自由入力を求めず、ボタンをプロンプトとして使用：
自由記述は、難しさや手間を感じさせることがあります。プリセットまたは自動生成されたボタンにより、キュレーションを利用しやすくできます。たとえば、「新しい順に絞り込む」「価格を比較」「世界中の情報源を含める」といったボタンで、結果を調整できます。これにより利用のハードルが下がり、探索が促され、ユーザーの意図に沿った AI の提案が形成されます。
ストーリーを語って検索結果を調整：
ユーザーのニーズは、直接的な検索語やフィルターよりも、ストーリーのほうが効果的に伝わる場合があります。情報量の多いダッシュボードの操作や適切な商品の検索など、複雑な状況では、従来のツールに圧倒されたり、どの条件を調整すべきか迷ったりします。
悩み、個人的な目標、希望する商品などの「自分のストーリー」を語れるようにすると、AI はその内容を構造化された検索条件に変換できます。たとえば、「狭い家に引っ越したので、多用途で手頃な収納用品が欲しい」と伝えれば、厳選された商品、実用的なヒント、関連するおすすめ情報を受け取れます。
ストーリーを活用すれば、適用すべきフィルターを考える認知的負担が減り、最終的な選定結果への確信と理解も深まります。
ミームや文化的な引用で探索をパーソナライズ：
ミームは AI キュレーションに 2 つの形で役立ちます。エージェントのユーザー理解を深め、検索結果をより人間味のある親しみやすい形で生き生きと伝えます。まず、目標、気分、スタイルを表すミームを選んだり引用したりすることで（「今日は『Treat Yo Self』な気分！」）、ユーザーは自分の「心の理論」を AI と実質的に共有できます。これにより、通常のグラフィカルインターフェースやテキスト検索では失われがちな文脈を推測し、エージェントが選定を微調整できます。
次に、エージェントはテーマ別またはポップカルチャー風の「スターターパック」として結果を提示し、提案をより関連性の高い、個人向けのものにできます。たとえば自宅の仕事部屋を改装する場合、AI はデスク用品、テクノロジー、着想をまとめた「在宅勤務スターターパック」を作成できます。
次善のアクションでユーザーに明確な道筋を提示：
AI エージェントの結果が的確かどうかにかかわらず、ユーザーが条件を簡単に調整できるようにします。たとえば、「項目 2 に似たものをもっと表示」「2020 年より前の情報源を除外」と指示できます。次のアクションを提案すれば、初心者を圧倒せずに導けます。
概要：AI エージェントは、人が担ってきた仕事を委任する手段としてよく語られます。一方、リアルタイムの協働相手としての能力は、あまり注目されていません。エージェントは、単に指示に従ったりコンテンツを生成したりするだけでなく、思考を促す質問、前提への異議、別の視点を提示できます。これにより AI は、進行中の作業を改善できる思考パートナーになります。
有用な理由：適切なタイミングのフィードバックは誰にとっても有益ですが、常に得られるとは限りません。反対意見も支持意見も、アイデアに固執する前にパターンを見極める助けになります。AI エージェントは、人の判断に取って代わることなく、前提を問い直し、アイデアを生み、データの別の解釈を提案できます。私たちの調査では、こうしたエージェント型フィードバックは多くの場合、好意的に受け止められています。
AI エージェントは、推論の抜けを明らかにしたり、別の視点を示したりする反論を生成できます。
課題：AI のフィードバックは直感的で実行可能でなければ、かえって邪魔になります。無関係な提案で割り込んだり、細部を逐一あげつらったりするエージェントは歓迎されません。AI は適切なタイミングと口調で介入する必要があります。受け身すぎれば有益な機会を逃し、積極的すぎればユーザーは自分の判断を疑われていると感じます。
AI のフィードバックをヒント、任意のレビュー、双方向の対話のどの形で提示するかが課題です。適切なやり取りを設計できるかどうかで、AI がパートナーとして受け入れられるか、単なる Clippy 2.0 と見なされるかが決まります。
先回りしつつ、煩わしくないフィードバック：
自然な区切りで AI が提案できるようにします。たとえば文書エディターでは、文や段落が完成するまで待ってから修正を提案できます。空のテキスト欄が選択された後、少し待ってからエージェントが支援を申し出る方法も検討しています。口調も重要です。断定するより、「検討できるアイデアがあります…」のほうが建設的に感じられます。
フィードバックを探索的な対話へ：
フィードバックが不明確な場合は、「なぜここを変えるのですか？」と簡単に質問できるようにします。好奇心旺盛な AI の人格により、やり取りをより建設的にできます。思慮深いセラピストや進行役のように、エージェントが適切なタイミングで関連する質問をすれば、フィードバックがユーザーの学びを促す会話になります。
AI にとっても文脈を集めやすくなり、ユーザーとエージェントの双方が、より明確な共通理解を築けます。
複数の選択肢、アイデア、代替案を提示：
エージェントは、1 つのアイデア、解決策、問題提起だけでなく、複数の視点を提示できます。たとえば、設計エージェントは 3 つの代替レイアウトを生成し、文章作成エージェントは対象読者別に異なる文案を提案できます。選択肢を示すことで、主導権がユーザーにあることを明確にできます。
文脈を踏まえたフィードバック：
エージェントは、「思考パートナー」としての役割をユーザーの現在の状況に適応させる必要があります。質問やテキスト欄でユーザーが手を止めた場合、AI は完成した回答をすぐ示すのではなく、思考を促す質問を投げかけられます。一文の言い換えだけが必要な場合は、採用も却下もできる簡潔な提案により、ユーザーの当事者意識を守れます。
重要なのは、AI が引き際を理解することです。やり取りが長引くと、修正が果てしなく続く「破滅のループ」に陥り、ユーザーの自信を損ないかねません。AI エージェントは文脈とユーザーの行動を見極めることで、出過ぎることなく、本当に役立つフィードバックを提供できます。
概要：状況認識とは、文脈情報をリアルタイムで解釈し、それに応じて動作を調整するエージェントの能力です。AI エージェントは、事前に決められた入力だけに頼らず、環境、ユーザーの現在の状態、その他の関連条件に関する情報を継続的に処理できます。
たとえば、ユーザーの目下のニーズに合わせてインターフェースを変えたり、現在の市場状況を解釈して回答の関連性を高めたりできます。
有用な理由：現実世界は常に変化しています。状況を認識する AI システムは、現在の条件に応じて反応するため、より役立つものになります。エージェントが関連する文脈を理解していると、やり取りはより自然で個人に合い、現実に根差したものになります。
課題：真に状況を認識する AI の構築は容易ではありません。必要なデータへのアクセスと統合により、技術的な複雑さが大幅に増す可能性があります。
役立つ文脈認識と、行き過ぎた干渉との境界は紙一重です。状況を「分かっている」エージェントは歓迎されますが、情報を求めすぎたり、しつこく感じられたりすると、不快感を与える可能性があります。状況は急速に変わり得るため、人の専門知識と判断は引き続き不可欠です。
そのため効果的な AI システムには、状況に関する有用で最新の理解を保つため、ユーザーからの情報が必要です。
適切な文脈の例をユーザーに提示：
OpenAI o1 などの推論モデルは、人々が大規模言語モデルに文脈を伝える方法を変えました。どのモデルでも、詳細な文脈があれば回答の関連性が高まります。明確な例、プレースホルダーテキスト、展開可能なヒントにより、提供すべき情報とその重要性を示せます。
「適切な文脈」の例を明示すれば、意味のある詳細を伝える際の迷いをなくせます。
エージェントの境界を簡単に設定：
ユーザーの目下のニーズは重要ですが、必ずしも明確とは限りません。状況を認識するエージェントは、調査すべきトピック、領域、ツールをユーザーと一緒に定められます。ChatGPT の deep research は、調査を始める前に確認質問を行うことで、このアプローチを支援します。
すばやく編集・追加できるよう、文脈を可視化：
ユーザーには、AI が現在想定している目標、重点、データソースの概要が必要な場合があります。専用パネルで、知識の期限、現在の前提、関連する入力を説明できます。位置情報の使用中はアイコンで示し、知見の根拠となったレコード数は概要で示すことができます。
AI が「把握している」内容を確認し、関連する文脈を手軽に追加、削除、更新できることは有益です。
有用性に基づいて AI が UI 機能を選択：
AI エージェントは、状況を示す手掛かりに基づいて、機能を選択的に有効化または無効化できます。ホワイトペーパーの執筆時には高度な引用ツールを有効にし、講演者ノートの編集時には編集機能を強調できます。これにより、すべての設定を手動で管理させることなく、目的に集中できる体験を提供できます。
概要：体験設計や製品開発では、ユーザー調査をプロジェクト開始時や一定間隔で行う独立した段階として扱うことが一般的です。継続的な発見では、ユーザーの行動、ニーズ、好みの把握を常時進めるプロセスとして扱います。AI は会話、クリック、フィードバックを、ユーザーが明言しない知見を引き出す機会に変えられます。
つまり、AI は問題領域をリアルタイムで学び続け、適応します。
有用な理由：AI の出力の有効性や使いやすさについて、専門家、実務家、一般ユーザーから有用なフィードバックを集めるのは容易ではありません。エージェントなら、体験の記憶が鮮明なうちに、反応、知見、直感を文脈とともに捉えられます。
課題：フィードバックは、何が起きたか、結果を気に入ったかは捉えても、その理由までは説明しないことがよくあります。その知見が将来のシステム能力を高めるとしても、思考の全過程を思い出して記録するよう求めることは負担になります。
自由形式の対話が望ましくも実現可能でもない、制約の厳しい AI システムでは特に重要です。
説明的なフラグで反応を把握：
単純な「高評価」や「低評価」だけでは、ユーザーの反応の理由はほとんど分かりません。「予算計画に有用」「規制情報が不足」などの説明的なフラグは、より有用な文脈を提供します。フラグで現在のやり取りへの反応を示したり、短い意見の共有を促したりすれば、評価を AI が学べる情報に変えられます。
「フラッシュカード」で AI エージェントを誘導：
AI が間違えたり、一部しか成功しなかったりした場合、ユーザーが簡単に修正し、「教えられる」ようにします。たとえば、エージェントが「あなたならどう表現しますか？」または「どの詳細が不足していましたか？」と尋ねます。得られた指針は、現在のやり取り用に保存したり、後で再利用したりできます。
反復とバリエーションから学習：
再試行することで、最良のフィードバックが得られる場合もあります。シンプルな再生成機能があれば、新しい選択肢を比較して好みのものを特定できます。こうした選択は、元の入力をより有用な結果に結び付け、試行を学習プロセスの一部にします。
やり取りを観察：
AI エージェントは連携し、複数のやり取りから学習できます。たとえば、1 つのエージェントが調査概要を作る間に、別のエージェントがやり取りを分析して体験を評価できます。民族誌学者のように振る舞うことで、これらのエージェントは人の意図と出力品質に対する認識の違いを特定できます。
こうした観察から知見を引き出してシステムの変更を提案し、継続的な改善を支援できます。
概要：増幅では、元の意図を保ちながらユーザーの入力、プロンプト、指示を調整し、より良い結果を生み出します。AI は明示された依頼を超える追加作業を舞台裏で行います。たとえば、「シャドープロンプティング」により、システムが回答を生成する前に検索内容を補強できます。
ユーザーが最初のアイデアを示し、成果を改善できる場合はエージェントがその入力を広げます。
有用な理由：人は簡潔で大まかな指示を出すことが多い一方、最良の回答には追加の手順が必要な場合があります。AI エージェントは、ユーザーにすべての説明を求めずに、その隔たりを埋められます。たとえば、AI に「新しいコーヒー商品のマーケティング案を考えて」と頼むだけでは、ありきたりな一覧になる可能性があります。
増幅アプローチなら、意欲的な度合いを段階的に高めながら複数回のブレインストーミングを行い、優れた案を統合して、より豊かで多様な結果を生み出せます。
課題：舞台裏での処理は、ユーザーの当事者意識や透明性を損なうことがあります。AI が変更内容を説明せずに依頼を修正すると、ユーザーが望まない結果を生む可能性があります。設計者は、有用な増幅と望まない操作のリスクとの均衡を取る必要があります。
ユーザーが望むときに増幅を導けるようにすることが、設計上の課題です。
ユーザーの意図を保ち、発展：
増幅では、新たな目標を加えずに、ユーザーが示した目標を強化します。AI がプロンプトを拡張したりバックグラウンド処理を終えたりした後、AI または別の検証機能が最終出力と元の依頼を比較します。予期しない追加内容は明確に伝える必要があります。
安全性と創造性のために増幅を活用：
シャドープロンプティングなどの手法は、ユーザーの依頼を密かに作り変える懸念を招くことがあります。信頼を保つには、ユーザーの意図を損なわず、明確さ、安全性、完全性を高めるために使用します。安全上の調整が必要な場合は、その理由を説明するか、すぐにフィードバックを示します。
ユーザーにはモデレーション結果が表示されても、その根拠や基準は見えない場合があります。
実績あるファシリテーション手法を応用：
AI エージェントは、Liberating Structures などのファシリテーション手法や協働手法を活用し、生産的なやり取りを形成できます。こうした軽量な枠組みは、人の創造力と分析力を最大限に引き出します。
エージェントは会話の中で、定評あるブレインストーミングやアイデア選別の手法を活用できます。やり取りの進め方を少し変えるだけで、より幅広いアイデアや知見を生み出せます。
並行スレッドで有用な内容を抽出：
単一の直線的なやり取りに頼らず、エージェントは複数の解釈、アイデア、解決策を同時に検討できます。これは、有用な知見を失わずに、専門家集団が異なる視点からブレインストーミングする状況に似ています。
調整プロセスにより、異なる検討経路を一貫した実行可能な回答へ統合できます。
ユーザー教育に増幅を活用：
適切に設計された増幅は、AI とより効果的にやり取りする方法の学習にも役立ちます。エージェントが「回答では X と Y を考慮しました」と説明すれば、ユーザーは今後の依頼にそれらの要素を含められます。これにより、現在の回答と将来の入力がともに改善する、双方向の好循環が生まれます。
概要：このパターンは、AI エージェントの推論を理解しやすくします。配慮されたやり取りでは、エージェントが回答した理由を説明し、根拠となる情報源を示し、関連する処理手順を可視化できます。ユーザーを圧倒せずに、人の効果的な意思決定を支えることが目標です。
関連する推論は、ユーザーが段階的に確認し、必要な詳細度を選べるようにすると最も効果的です。
有用な理由：特に企業環境で AI を導入するには、信頼が不可欠です。システムの動作を理解または検証できなければ、ユーザーが頼る可能性は低くなります。透明性のある出力なら、問題の診断、誤りの修正、有効なアプローチの再現が容易になります。
課題：AI の判断を説明するのは容易ではありません。詳細が多すぎるとユーザーを圧倒し、確率や長い推論概要は解釈しにくいことがあります。また、透明性だけで正確性が保証されるわけではありません。
設計者は、説明の質、提示の明確さ、根拠を有用な対話の一部にする方法を検討する必要があります。
エージェントに広く考えさせ、結果を凝縮：
AI は問題を深く分析しながら、結果を理解しやすい形式で提示できます。階層型の概要と段階的な開示により、ユーザーは主要な知見から確認し、必要なときだけ根拠の詳細を展開できます。
適切に設計されたやり取りなら、深さや明確さを損なわず、複雑な情報を簡単に探索できます。
探索可能な引用と参照を提供：
AI が生成した回答には、根拠となる情報源を明確に確認できる方法が必要です。リンク、社内報告書の抜粋、関連する研究結果、定量データの詳細表示などが考えられます。
たとえば検索拡張生成システムでは、AI の概要からその根拠へ移動できるようにします。これにより検証が可能になり、信頼を築くための深い探究も行えます。
重要な進捗シグナルを伝達：
複雑なエージェントのワークフローでは、方向転換、前の手順の再検討、複数の調査経路の統合が行われる場合があります。何が起きているか分かれば、ユーザーは待ち時間を受け入れやすくなります。明確な進捗情報により、エージェントが完了したこと、現在行っていること、次に行うことを説明できます。
エージェントが行き詰まった場合や、判断に別の視点が必要な場合も説明します。
AI の出力を段階的に提示：
回答全体を一度に示すのではなく、エージェントが情報を段階的に提示できます。たとえば投資アシスタントは、簡潔な提案と、その根拠を展開する選択肢を示せます。「ステップ 1：リスク特性を評価ステップ 2：現在のポートフォリオを確認ステップ 3：分散投資の機会を特定ステップ 4：提案を策定」。詳細が必要なユーザーは各ステップを確認し、それ以外のユーザーは概要だけを参照できます。
AI の推論を視覚的に説明：
説明は、主要な出力と同じくらい理解しやすくする必要があります。推論に数値や関係性が含まれる場合は、グラフや図が役立ちます。エージェントの検索、処理、推論、情報源を可視化すれば、ユーザーは方向を修正し、結果を他者に説明し、後で処理を再現できます。
明確な視覚的説明により、ユーザーは情報をより早く理解し、行動に移せます。