デザイン研究者／デザインコンサルタント
小川 修一郎
人が試し、やり直せる環境を、デザインでつくっています。
研究でも事業の設計でも、使う人が試せる形を先につくり、反応を見て直していきます。
デザインと AI を専門とし、教育の事業会社で新規事業と R&D を、コンサルティングファームでサービスと事業の設計を担ってきました。研究と実装を一人で往復できるのが持ち味です。
ご相談を受けていること
- UX とサービス設計
- 事業戦略から画面設計までの一貫した担当
- 新規事業の立ち上げ
- 構想から試作（PoC）、事業化、運用までの全工程
- 生成 AI の導入
- 2021 年からの実務経験と、研究と実装の両面
- 効果検証
- 実験（RCT）と行動ログによる効果の数値化
- 共同研究と講演
- 生成 AI と学習、デザインの職能をめぐる研究と、高校や大学での登壇
案件の概要と時期を添えてご連絡ください。
背景
仕事の進め方と経歴
-
研究する
人が試し、やり直せる環境が成り立つ条件を、実験と文献で調べます。
査読論文 3 本（筆頭 1 本）と特許 1 件があり、総務省の検討会で構成員を務めました。
-
つくる
試作から本番まで、クラウドとアプリを自分の手で組みます。
講師評価を予測するシステムを本番に組み込みました。講師管理工数を前年比 40% 削減し、顧客満足度を前年差 +2 ポイント改善しました。
-
確かめる
実験と行動ログで効果を測り、次の判断の基準にします。
生成 AI の教育活用を、技術調査から効果測定まで単独で確かめ、査読論文にまとめました。
経歴
教員、エンジニア、教育の事業会社、コンサルティングファームの順に立場を変えてきました。デザインでは、2019 年から美術大学で情報表現とデザインの演習を担当しています。AI では、2021 年から生成 AI を実務で導入し、教育での活用を効果測定まで行って査読論文にまとめました。
スキル
- デザイン
- 顧客とユーザーの理解／価値発見と定義／デジタルプロダクト設計
- ビジネス変革
- 事業戦略と技術の事業化／仮説検証／成果指標の設計
- データ整備・活用
- 生成 AI と LLM の活用／統計分析と可視化／データ基盤
- テクノロジー
- クラウド活用／サーバレスとコンテナ／フロントエンド開発
スキル名はデジタルスキル標準 ver.2.0（経済産業省と IPA）の共通スキルリストに対応しています。
スキルの内訳（22 項目）
- デザイン
- 顧客とユーザーの理解／価値発見と定義／デジタルプロダクト設計／ユーザー視点の検証／共創のファシリテーション／デザインプロセス管理／体験価値ガバナンス／デザインによる組織運営
- ビジネス変革
- 事業戦略と技術の事業化／仮説検証（PoB：事業性の検証）／成果指標の設計（KGI / KPI）／プロジェクト管理（PMP®）／マーケティング
- データ整備・活用
- 生成 AI と LLM の活用／統計分析と可視化（Python、Looker Studio）／データ基盤（BigQuery）
- テクノロジー
- クラウド活用（GCP / AWS / Azure）／サーバレスとコンテナ（Docker / Lambda / Firebase）／フロントエンド開発（React / Vue / Next.js / Nuxt.js）／バックエンド開発（FastAPI / Django / Nest.js）／データベース（PostgreSQL / MySQL / Firestore）／SRE と CI/CD（GitHub Actions）
このスキルの表では、デザインを造形に限らず、人を起点とする価値創造と問題解決の手段として扱っています（経済産業省『デザイン政策ハンドブック 2020』）。
実績
案件
教育の事業が中心で、金融とヘルスケアの案件もあります。
代表的な 5 件。新しい順
-
金融機関 BtoC 契約プロセスの UX 刷新
2025–2026
契約プロセスの UX 刷新を、3〜5 年の中長期構想からタッチポイントごとの画面デザインまでリードしました。構想では AI 同士が契約を結ぶ AI to AI の仕組みも検討し、デザイン業務は生成 AI を活用して効率化しています。
定量的な成果は、守秘義務のため公開していません。
- 企画
- 要件定義
- 設計
- 導入と運用
-
生成 AI の教育活用 R&D
2023–2025
生成 AI を教育で使う条件を、技術調査からインタラクション設計、効果測定まで単独で確かめました。
定量的な成果は、守秘義務のため公開していません。論文にした範囲は、査読論文（STEM 教育研究 Vol.7）に掲載されています。
- 調査
- 仮説検証
- 設計
- 実装
- 効果測定
-
学習継続支援の行動デザイン R&D
2021–2022
学習を続けられる条件を行動デザインの観点から研究し、生成 AI（デジタルヒューマン技術）で個別の介入を提案するシステムを開発しました。
定量的な成果は、守秘義務のため公開していません。
- 設計
- 実装
-
マルチモーダル感情解析システム
2020–2021
音声と表情を AI で解析して講師評価を予測するシステムを開発し、本番サービスに組み込みました。
講師管理工数を前年比 40% 削減し、顧客満足度を前年差 +2 ポイント改善しました。
- 調査
- 仮説検証
- 実装
- 効果測定
- 導入と運用
-
IoT / LPWA 新規事業開発
2018–2019
IoT と省電力広域無線（LPWA）を使う新規事業を、技術調査からデバイスと基盤の開発、事業化の検証まで自分の手で進めました。
定量的な成果は、守秘義務のため公開していません。
- 企画
- 調査
- 仮説検証
- 設計
- 実装
※ 守秘義務により、案件のビジュアルの公開は控えています。
研究
研究していること
生成 AI と学習、デザインの職能を題材に、人が試し、やり直せる環境が成り立つ条件を研究しています。
論文
-
バイブコーディング体験によるプログラミング非熟練者のアプリ制作意欲への効果
情報教育シンポジウム 2026 論文集（情報処理学会）, pp.103–110, 2026、査読あり
共著
-
Educational Effects of Pair Programming with Generative AI for Novice Learners
New Perspectives in Science Education 15th Ed., pp.330–337, 2026、査読あり
共著
-
通信教育課程の大学生を対象とした生成 AI チャットボット Creative Copilot によるオンライン講義でのジェネラティブアート制作支援：STEAM 教育実践のための新たなアプローチの評価
STEM 教育研究 Vol.7, pp.32–41, 2025、査読あり
筆頭著者
関心の推移
調べてきたことの移り変わり
ノートの記録から読める範囲で、関心の移り変わりを月ごとに分けました。題材は月ごとに変わりますが、繰り返し戻ってくる問いもあります。
-
2026年6月
AI でデザイナーの仕事と稼ぎはどう変わるか
デザイナーの役割と課金の仕組みを産学の討議で論じ、一つの討議に追記を重ねました。下旬からは、AI エージェントの体験とデザイナーの報酬を、学術と産業の資料を対にして調べました。
-
2026年7月
デザイナーの報酬と期待、そして研究の方法
前半は、AI への期待ギャップ、キャリア、報酬を学術と産業の対で調べ続けました。中旬からはデザイン研究の方法論と問いの立て方に移り、AI 研究の空白を探すノートを、見方を変えながら 4 本続けました。
-
2026年8月
学ぶことと能力の測定、AI スロップとデザインの来歴
失敗から学ぶ設計、生成 AI に頼ることの影響、自分で作ることの学習効果と、ギャルマインドのような構えを何で測れるのかを調べました。月末は、AI が量産する質の低い生成物をデザイン史から読み直し、日本のデザイン研究の来歴を一次資料で追いました。
-
2026年9月
仕事を載せる標準、AI に任せる判断、新規性の見つけ方
デザインシステムの効果の証拠と、工程とスキルが載る公的な標準を確かめたあと、型づけられた判断だけを返す AI と模試の採点を例に、人の判断のどこまでが AI に移るのかを調べました。下旬は、この wiki の引用ネットワークを絵にする作品と、新規性の芽をどこで見つけるかに移りました。
-
2026年10月
最初の有利と運、ジュニアの育ち方、デザインの教育と哲学
努力できることも才能か、最初の有利は運かを学術文献で確かめ、コンサルティングとデータ可視化を買う側が何に価値を見るのかを産業界の資料で調べました。続けて、生成 AI で下積みが減るときにジュニアが何を引き継げればよいか、デザイン教育とデザイン哲学が何を担ってきたかを追いました。
題材が変わっても、デザイナーという仕事がどこに位置づくのか、人の能力や仕事の成果を何で測るのか、という二つの問いには繰り返し戻ってきています。
2026年10月11日までの更新記録にもとづき、日本語ノート 219 件から定期収集のウォッチ 19 件を除いた 200 件（非公開のノートを含む）を、最初に記録した日の月で分けています。
記録
ノート
AI とデザインの調査と考察を、つくる過程もあわせて公開しています。
-
認知的降伏はどうやって AI スロップになるか：完成度の差を誰も埋めない仕組み
2026-11-06
認知的降伏（AI の出力を吟味せず自分の判断として採る傾向）と AI スロップ（確かめられないまま他人に渡される AI 生成物）を、人間の側の機構でつなぐ考察。依頼者の仮説は、本来は専門家が仕上げきった水準で出すべき場面で、AI が完成度の低い出力を出し、人がそれで十分だと評価するか、評価そのものをしないことでスロップが生まれる、というものである。文献 46 件を本文（3 件は要旨）で照合し、この仮説を三つの経路に分けて検討した。評価をしない経路（誤った AI に相談試行の 79.8% で従う、Shaw と Nave 2026、査読前）、評価はするが見た目の整い方で合格にする経路（ChatGPT の回答の 52% に誤りがあっても 35% で選ばれ、誤りの 39% が見落とされる、Kabir ら 2024）、評価する力がなくて差が見えない経路（AI を使うとダニング＝クルーガー効果が消え成績の高低にかかわらず過大評価する、Fernandes ら 2026。迎合に 71% が気づかない、Bo ら 2026）である。三つは教育研究の質的な類型（Walton ら 2025 の判断の 6 類型のうち 3 つ）とも対応する。外に出た差は受け手が埋める（経験の浅い開発者の PR はレビューのコメントが 4.52 倍、Asdaque ら 2026）。加えて、評価する基準そのものが、AI に任せた練習の欠落で痩せていく第四の経路がある。仮説は大筋で支持されるが、三点を直す。完成度の割合は誰も測っておらず、測り方がない（Shaib ら 2025）。100% は個人の能力ではなく、その役割に社会が求める水準である。モデルの側の流暢さと過信が差を見えなくしており、原因を人間だけに置けない。最も近い先行は workslop の調査（Liebscher ら 2026、査読前、962 名の 52.7% が送ったと回答し、AI への信頼が高い人ほど多い）で、信頼と送る行動の関連までは示されているが、機構は分けていない。論文にするなら、AI の監督を信号検出理論で見る枠組み（Langer ら 2024、Guo ら 2024）に「評価をしない」を三つめの成分として加え、生成物の受け入れの判断と受け手の負担を一つの実験でつなぐ設計が残る。申し送りの時点の新規性は 2 軸でぎりぎりの暫定クリアだったが、paper-pipeline の判定は FAIL だった（近い先行の本文が核を先に書いていた）。
-
認知的降伏：AI に判断を明け渡す現象の系譜、生成 AI による変化、対策の現在
2026-11-06
認知的降伏（cognitive surrender）は、AI の出力を吟味せずに自分の判断として採り、考えること自体をやめてしまう傾向を指す。Shaw と Nave（2026、査読前）が名づけ、AI が誤ると、相談した試行の 79.8% で人は誤答に従い、正答率は AI なしの 45.8% から 31.5% に下がり、確信はかえって上がった。同じ現象は 1970 年代の航空の事故報告から、自動化への慢心（complacency）と自動化バイアス（automation bias）として研究されてきた。生成 AI は、この問題を専門職の狭い警報から、誰もが使う流暢な言葉の助言へ広げ、誤りに従うだけでなく、学ぶ機会と技能そのものを減らす形に変えた（AI を外した試験で 17% 低下、AI 導入後に AI なしの腺腫検出率が 28.4% から 22.4%）。研究の中心も、人間工学から HCI、学習科学、認知心理学へ移った。対策の証拠は、説明を足すことと一般的な警告が弱く、誤りやすい箇所の局所的な表示、出典と不整合の提示、一人称の不確実性の表明、結果のフィードバックと誘因、AI なしで測る評価が条件つきで効くことを示す。人が先に判断を置く手順は正しい AI への依存まで減らし、AI が反論を返す設計は証拠がまだ少ない。効く設計ほど好まれにくく、考える意欲の高い人に偏って効くという代償が、どの対策にも残っている。
-
ユーザーヒアリングのチェックリスト：準備するもの、聞くこと、発注者への報告まで
2026-11-03
使う人や買う人へのユーザーヒアリングを、計画から募集、同意、謝礼、質問ガイドと試し聞き、当日の記録、データの保管、分析、発注者への報告まで 9 段階に分け、段階ごとに用意するものと確かめることをチェックリストにした。根拠は、学術の文献 28 本と、公的機関の手引き、法令の手引き、調査倫理の業界規範 27 件、調査会社とコンサルの資料 26 件、実務家の一次証言 18 件で、本文が取れたものは本文で照合した。準備の欠けは、聞く前にも聞いたあとにも調査を壊す。SNS で募集した調査では 7 時間で 271 件の回答が届き、94.5% が不正と判定された（Pozzar ら 2020）。電話とメールで確かめると、回答を揃えた 91 人のうち使えたのは 8 人だった（Jean Louis と Thompson 2025）。スクリーナーには見破るための偽の選択肢を混ぜ、職業は開いた質問で聞き、予備の参加者を見込む。最も多い謝礼額（時給 60 ドル）の非モデレート調査では無断欠席が約 30% あった（User Interviews 2025）。謝礼は開始時に渡すと、答え方と謝礼を切り離せる（GOV.UK）。同意は記録を残し、録音や観察は募集時と開始時の両方で知らせる。録音は既定ではあるが、熟練した聞き手が直後に書いたメモは逐語録と同程度に詳しく、録音しない方がよい場面もある（Rutakumwa ら 2020）。自動の文字起こしは約 1% に実在しない文を作った（Koenecke ら 2024）。報告では、事実、意見、解釈を分け、提言はその導き方とともに示す（MRS、JMRA）。参加者を特定できるデータは、本人の同意なしにクライアントへ渡さない（ICC/ESOMAR、JMRA）。画面操作の確認を加えるなら、試作の応答、ダミーデータとテスト用アカウント、答えを教えない課題、思考発話の説明、画面録画の同意と映り込みのぼかし、遠隔の技術確認、重大度の付け方を足す。評価者 2 人が見つけた問題の一致は平均 5〜65% にとどまる（Hertzum と Jacobsen 2001）。