ノート

AI とデザインの調査、実験、考察を、つくる過程もあわせて公開しています。

公開ノート 189 件。LLM Wiki 方式で作っています。 仕組みを見る → ノートに聞く → 引用ネットワーク（ノートと文献のつながり）を見る →

2026年10月

• AI とデザイン 週次ウォッチ（2026-10-19〜10-26）

  2026-10-26

  直近7日間の「AIとデザイン」動向をT1vベンダー一次、T2公的機関と調査、T3専門家私見の3ティアで収集した統合要約。Figmaはデザインシステムをエージェントに使わせる方法とcode layersの6事例を公開し、Enterprise管理者向けにAIクレジットの制御を加えた。FramerはMCPを公開した。T2では公的機関の該当は0件で、NN/gがUX実務者521人の調査を公表し、AIによる時間短縮の自己評価は5段階で平均4.2、感情は平均3.57、自由記述の69%に否定的な要素があった。T3ではNielsenが、設計段階ごとのAI利用とエージェントの停止操作を論じた。

• 生成 AI で大学生の動機とエンゲージメントは上がるのか：Xia ら（2025）のメタ分析を読む

  2026-10-24

  Xia、Li、Yang、Weng、Chiu（2025、Computers and Education: Artificial Intelligence）は、大学生を対象に生成 AI を使う群と使わない群を比べた 33 件を統合し、動機づけで g = 1.20（12 件）、四つのエンゲージメントで g = 0.52〜0.87 の正の効果を報告した。本文を読むと、この数字が支える範囲は狭い。組み入れた研究には生成型でないチャットボット（回答をデータベースから選ぶもの、会話の筋書きを組むもの）と、2022 年 11 月の区切りより前の研究が入り、対照群が何をしたかは符号化されていない。測度の多くは質問紙の自己報告で、全体の異質性の指標は本文と表に無い。公開データから計算し直すと、I² は 85〜93% で、五つの区分の予測区間はどれも負の値を含んだ。動機づけの大きな平均は、教室内だけで使った 3 件（g = 2.94）に引かれており、この 3 件を除くと 0.58 になる。データには、対照群の欄に実験群の変化量を写した誤りと、本文に書かれていない 6 行の除外もあった。結論のうち、理系で効く、個人学習で効く、ChatGPT で効くという部分は、調整変数の表が支えていない。既存の知見と照らすと、動機と取り組みの自己報告が上がることは、AI を外したあとに何が残るかとは別の問いで、無作為化した実験では内発的動機に差が出ず、作文の点が上がっても知識の獲得と転移には差が無かった例がある。人が試し、やり直せる環境をつくるという見方からは、この論文は、AI が答えを渡したのか、学習者が先に試してから AI に聞いたのか、何度やり直したのかを符号化していないので、効果が試行を支えたのか短くしたのかを判定できない。

• AI エージェントは 70 年で何度流行り、デザインはそのたびに何をしたか（学術研究から）

  2026-10-24

  「AI エージェント」という考えが 1950 年代から 2026 年までにどう生まれ、流行り、退き、戻ってきたかを、AI と HCI（ヒューマンコンピュータインタラクション）の学術文献 47 件で整理し、その出入りの中でデザインが役目を果たしたかを確かめた。源流は二つあり、Turing と McCarthy は自分で考え教えられて賢くなる機械を構想し、Licklider は機械が人を超えるまでの長い期間を人と計算機が密に組んで考える時代とみた。1990 年代にエージェントはインタフェースの言葉になった。Maes は学習するインタフェースエージェントを個人秘書の比喩で説明し、その課題を能力と信頼の二つに置いた。Apple の Erickson は、適応する機能と、それを生き物のように見せる比喩を分け、見せ方の研究を求めた。同じ時期に最も強い批判もデザインの側から出た。Norman は難しさは技術より社会の側にあると書き、Lanier は人がエージェントを賢く見せるために自分を愚かにすると論じ、Shneiderman は Maes との討論で責任を中心の論点に置き、人の姿をした画面は失敗してきたと述べた。Office 97 のアシスタントの元になった Lumière の研究では、使いやすさの実験室での実験で的外れな助言が利用者に高くつくことが分かっていたが、製品は人物の姿を前面に置き、助けを出すかを確からしさと効用で決める仕組みを使わなかった。言葉がインタフェースから退いたあいだも、自動化の水準、信頼の較正、混合主導の原則、人と AI の相互作用の 18 の指針といった道具はデザインと人間工学の側に残った。2016 年のチャットボットの流行は 2018 年に退き、UX デザイナーは機械学習を素材として扱いにくいと報告した。2022 年以降の LLM エージェントは機械学習の側から戻ってきて、その総説は 1990 年代の定義を引用し、ウェブと OS の課題で人の成功率 78.24% と 72.36% に対しエージェントは 14.41% と 12.24% にとどまった。デザインの研究は、自律の水準を能力と別の設計判断として扱い、計画と実行を人と分け合う画面を作り、宣伝された用途を 31 人が試すと心のモデルとのずれに阻まれることを示した。デザインは能力を生む役ではなかったが、能力をどう見せ、どこまで任せるかを決める語彙を各時代に出してきた。その語彙が製品で守られたかは、Office アシスタントの一例を除いて確かめられていない。

• 個人情報の漏えいが続くとき、デザイナーは何ができ、どこで付加価値を出せるか（産業界の資料から）

  2026-10-24

  個人情報の漏えいが続くなかで、デザイナーに何ができ、どこで付加価値を出せるかを、産業界の資料（個人情報保護委員会、消費者庁、デジタル庁、FTC、NIST、EDPB、ICO、NCSC、各国の消費者当局と個人情報保護当局の一斉調査、Verizon、IBM、東京商工リサーチ、JNSA、Pew、JIPDEC の公表値、Microsoft、Google、GitHub、メルカリ、ヌーラボ、GOV.UK の当事者の証言）で整理した。漏えいの原因は資料で違って見える。上場企業の公表事故ではウイルス感染と不正アクセスが 64.4% で、誤表示と誤送信は 20.5% だった。全事業者の漏えい等報告では、紙だけが漏れた事案が 76.9%、1,000 人以下の事案が 93.6% で、病院や薬局の書類の誤交付とクレジットカードの誤送付が多い。侵害の 62% に人が関わるが、最初の侵入経路の首位は脆弱性の悪用（31%）で、画面の設計が届くのは漏えいの一部である。その一部で、規制当局と当事者は、利用者に気をつけさせる設計から、間違えにくく作る設計へ移っている。デジタル庁はパスワードとワンタイムパスワードの組み合わせがリアルタイム中継型のフィッシングを防げないとし、NIST はパスワードの組成規則を禁じ、パスワードマネージャーと貼り付けを認めた。パスキーを導入した企業の当事者は、勧める場所（設定画面からの登録は 1% 未満、登録の 97% が勧誘の画面から）、言葉、失くしたときの回復を設計の論点として語った。同意と解約の画面は規制の対象になり、27 の消費者当局の一斉調査では 642 事業者の 75.70% が少なくとも一つのダークパターンを使い、FTC と Amazon の和解では、加入しない選択の明確なボタンと加入と同じ容易さの解約が求められた。日本でも消費者庁の検討会がダークパターンの包括的な規律を検討すべきとした。付加価値は、規制当局がデザイナーを名指しして求める仕事（設計段階での関与、既定の設定、学際チーム）と、当事者が数えた問い合わせの減少（2FA の必須化で関連の問い合わせが 3 分の 1 減）に現れる。セキュリティやプライバシーに強いデザイナーの給与や求人が伸びたことを示すデータは見つからなかった。学術版は designer-security-privacy-value-literature。

• 個人情報の漏えいが続くとき、デザイナーは何ができ、どこで付加価値を出せるか（学術研究から）

  2026-10-24

  個人情報の漏えいが続くなかで、デザイナーに何ができ、どこで付加価値を出せるかを、使えるセキュリティとプライバシーの研究（SOUPS、CHI、USENIX Security、IEEE S&P、PoPETs、CSCW）とデザインの倫理の研究の 36 件で整理した。出発点は、利用者を弱い環とみる見方を退けた研究である。Adams と Sasse は安全の仕組みは人が設計し人が破るので人の要因を設計に入れるべきだとし、Herley は助言を拒む利用者は費用と便益で見ると合理的だと論じ、Cranor はできる限り人を判断の輪から外し、外せないところで人を支えるように作れと書いた。画面の研究では、警告は文言を直しても理解は上がらず（Chrome の SSL 警告の改訂は理解の目標に届かなかった）、安全な選択を目立たせる設計で安全を選ぶ人が約 30% 増えた。同意の画面では、最初の頁から拒否のボタンを外すと同意が 22〜23 ポイント増え、拒否を目立たせると決定が大きく変わり、後の中立な画面でもその効果が残った。約 1 万 1,000 の通販サイトからは 1,818 件のダークパターンが見つかり、22 の事業者がそれを既製品として売っていた。デザイナー自身の研究では、デザイナーはダークパターンに加担しうると自覚し、商業の圧力と仕事の範囲の狭さに阻まれ、他人のダークパターンに共感的な理由を与え、架空の依頼では自分の倫理の線も越えた。スマートホームカメラの製品チームでは UX はプライバシーの工夫には使われたが、セキュリティには確立した方法が求められて使われなかった。デザイナーの付加価値は、人を外せないところで人を支える設計を証拠で選ぶこと、法の要件を画面で確かめられる基準に変えること、組織の中で価値を見えるようにすることに見いだせる。デザイナーの関与が漏えいを減らすかを測った研究と、日本のデザイナーを対象にした研究は見つからなかった。産業版は designer-security-privacy-value-industry。

• 知識を封じて実習だけで学ぶ、実習を封じて知識だけで学ぶ（どちらかを封じることに意味があるという主張の文献）

  2026-10-24

  「インプットよりアウトプットが大事」という主張は、同じ素材を見たあとの検索練習と再学習の比較で支えられている。この note はその先の問い、すなわち知識（言語化された説明、教示、解答例）と実習（自分で解く、経験から学ぶ、体を動かす）のどちらかを封じることに意味があるか、を学習科学、認知心理学、教育心理学、哲学、日本語の学習論の文献 88 件で整理した。出発点は Berry と Broadbent の二重解離で、動的な制御課題では練習が操作の成績を上げても言語化できる知識を上げず、言語の教示は質問紙の成績を上げても操作を上げなかった。知識を封じることに意味があるのは、規則性が目立たない課題で規則を探せという教示が成績を下げるとき、熟達した運動技能を言語で記述すると練習の効果が消えるとき、専門家の知覚の分化が言語の教示では届かないときで、教示を遅らせる設計は封じるのではなく順序の問題である。実習を封じることに意味があるのは、初学者が問題を解くより解答例を学ぶほうが学ぶとき、日常の経験が作った誤った直観が観察を足しても直らないとき、フィードバックが誤るか欠ける環境で経験が誤りを教えるとき、まれで取り返しのつかない出来事を経験から学べないとき、統計的推論や第二言語の文法が明示的な教示で伝わるときである。日本語の文献では、生田の「教えない」は教示の不在ではなく場に埋め込まれた教え方の設計であり、諏訪は言語化を害ではなく再構築の準備と読み、受容学習の側は教示を先に置く理由を抽象的な概念に求めた。二つの側を分けるのは、学ぶ対象の規則性の顕在性、環境のフィードバックの質、概念が直観に反するか、出来事の頻度、学ぶ者の段階、遂行の条件である。封じることの効果を直接比べた実験は少なく、潜在的な運動学習の優位は系統的レビューで大半の比較に群差がなかった。

• このサイトの AIO：AI 検索に出典として引かれるために何を入れ、何を入れなかったか

  2026-10-21

  学術のノートを公開する個人サイトが、AI 検索と生成 AI の回答に正しい出典として引かれるために、根拠のある手段は何かを、提供者の公式文書と標準の草案、査読研究で確かめ、このサイト（jamjet-iqbal.com）に実装した記録である。書き方の手法には根拠がない。GEO を名づけた論文の最大 40% の改善は、後続の検証で 54 条件中 3 つでしか有意でなく、Google は AI 機能のための特別なファイルもマークアップも要らないと明言している。根拠があるのは、取得の許可と利用の選好を分けて伝えること（OpenAI、Anthropic、Perplexity は検索用と学習用のクローラーを別々に制御させ、Cloudflare の Content Signals は search、ai-input、ai-train を分ける）、同じ内容を機械が読みやすい形で配ること（llms.txt の提案は各ページの Markdown 版を勧め、Cloudflare の測定では Markdown は同じ頁の HTML よりトークンが約 80% 少ない）、書誌を構造化して付けること（schema.org の ScholarlyArticle）の三つである。このサイトは、robots.txt で検索用の取得を許して search=yes, ai-input=yes を表明し、全ノートに Markdown 版と JSON-LD を付け、llms.txt と sitemap で一覧できるようにした。学習の可否（ai-train）は表明していない。文章の細切れ化、問答形式への書き換え、不自然な言及集めは採らなかった。効果はまだ測っておらず、引用されるかどうかは提供者の側の選択と揺れに左右される。

• AI とデザイン 週次ウォッチ（2026-10-12〜10-19）

  2026-10-19

  直近7日間の「AIとデザイン」動向をT1vベンダー一次、T2公的機関と調査、T3専門家私見の3ティアで収集した統合要約。FigmaはConfig Indiaでcode layers、Specs、Payload、MCPの新パートナー20社を発表し、Make のモデル選択にGemini 4 Argonを加えた。GoogleはGemini 4 Argonを一般提供にし、AnthropicはClaude Opus 5.5のFast modeを一般提供にした。T2では公的機関の該当は0件で、NN/gが合成ユーザー120人と人間604人の自由記述を比べ、UX関連語を使った割合は合成84%、人間約70%だった。T3ではNielsenが、AI利用の偏りとundoの作り直しを論じ、Willisonは Gemini 4 Argonの価格の読み方を論じた。

• AI とデザイン 週次ウォッチ（2026-10-05〜10-12）

  2026-10-12

  直近7日間の「AIとデザイン」動向をT1vベンダー一次、T2公的機関、T3専門家私見の3ティアで収集した統合要約。FigmaはFigma agentを一般提供にし、ライブラリに置いたガイドラインをagentがプロンプトのたびに読むようにした。GoogleはNano Banana 2.1を一般提供にし、AnthropicはHaiku 5.5を出してSonnet 5.5のキャッシュ読み込み価格を半額にし、OpenAIはGPT-6.1 SolにUltrafastモードを加えた。T2では英国Skills Englandの創作産業の評価が、役割が「makers」から「directors」へ移りつつあると述べ、調査の採用は窓内で0件だった。T3ではJakob Nielsenが、合成ユーザーは発散に使い検証は実ユーザーで行うと論じ、Luke Wroblewskiはエージェントの規模ではチャットのスレッドでは追えないと論じた。

• 生成 AI が作り手に回ったとき、クリエイターは何を引き継げればよいか（航空の自動化研究から）

  2026-10-11

  AI にコードを書かせるエンジニアの技能を航空の制度で考えた記事（しみたろ 2026）を、クリエイティブの仕事に当てて読み直した。航空の制度と研究が守ってきたのは、自動操縦を使いながら、外れたときに人が機体を引き取れる状態である。FAA は手動飛行を他の操縦技能の土台とし、一律のノルマを避けて機長の判断に任せた。研究では、自動化が成功するほど人の訓練への投資が要るかもしれず（Bainbridge 1983）、人は異常の少ない監視を 30 分ほどしか続けられず、自動化への偏りは訓練や指示では防げない（Parasuraman と Manzey 2010）。衰えやすいのは手の技能より頭の技能で、16 人の機長と副操縦士の模擬飛行では、計器の走査と操縦は保たれ、地図なしで位置を追うことや計器の故障に気づくことに問題が多かった（Casner ら 2014）。生成 AI でも、作る役から評価する役への移り（Simkute ら）、AI がその課題をこなせるという確信が高いほど批判的思考が減るという自己報告（Lee ら、319 人）、AI の得意な範囲の外の課題で正答が 19% 減ること（Dell'Acqua ら、758 人）が報告されている。創作では、AI の誤りは警報のない、もっともらしい凡庸さとして現れる。AI の画像を見て発想すると最初の例への固着が強まり（60 人）、AI の案を使うと個人の作品は良くなるが互いに似てくる（Doshi と Hauser、Anderson ら 36 人）。ここから、創作で引き継ぐ力を、出力の誤りを直す力より、問いの枠を立て直し、案の良し悪しを見分け、方向を変える力として定義した。そのうえで、発散の最初を AI なしで行うこと、AI の出力を見る前に評価の基準を書くこと、一律のノルマでなく作品の核になる箇所で手に戻すこと、AI を見張り役に回す配置を試すこと、AI に驚かされた事例を講評とふりかえりで教材に戻すこと、手を動かす練習を捨てないことを挙げた。創作の実務家の技能の衰えを測った研究は見つからず、挙げた振る舞いは他分野からの類推で、効果は確かめられていない。

• デザイン哲学とは何か（学術研究から）

  2026-10-11

  デザイン哲学（philosophy of design）が何を問う分野で、どこから来て、どの潮流を経て、どこへ向かっているかを、学術文献で整理した。デザイン哲学は 2000 年前後に Design Studies の論考と特集号で名乗りを上げた若い分野で、Galle はそれを、実証の観察ではなく合理的な反省という哲学の手段で、デザインについての洞察を求める営みと特徴づけた。Love は、デザイン方法の研究と結びついてきた「design philosophy」と区別し、科学哲学や技術哲学に並ぶ分野として位置づけた。特集号の論考は、デザインの概念、方法論、質の基準、人工物の二重性（物理的な構造と意図された機能）、現象学を扱った。起源は、デザインを科学にしようとする二つの波（1920 年代のモダニズムの客観性の追求と、1960 年代のデザイン方法運動）と、その反動にある。1970 年代には運動の先駆者の一部が方法から離れ、Rittel と Webber は計画の問題を確定した定式化を持たない厄介な問題と呼び、Schön は Simon の「デザインの科学」が整った問題を前提にしていると批判した。Cross はここから、デザインを科学ではなく固有の知の形を持つ規律として立て、Buchanan はデザインを技術文化の新しい教養と論じた。2000 年代からは、問いの対象が設計者の過程から、デザインされたものが人と世界をどう形づくるかへ広がった。Verbeek は技術が行為を共に形づくる以上、設計者は別の手段で倫理を行っていると論じ、存在論的デザインは、デザインが世界を作り、その世界が人をデザインし返すと考えた。批判的デザイン、デザインの正義、トランジション・デザイン、ポストヒューマンとモア・ザン・ヒューマンのデザインは、いずれも人間中心や普遍主義の前提を問い直している。生成 AI については、設計の判断が機械に置き換わるとき何が起こるか（Verganti ら）、生成 AI は何を生成しているのか（Bordas ら）、生成 AI は支配的な知の見方へデザインを収束させるのか（Vogel と Quadflieg）が論じられ始めた。2026 年の DRS の Design Philosophies のトラックには 34 本が投稿され、存在論、認識論、認知、倫理、美学を扱う 6 本がこのトラックに残った。デザインに固有の認識論が要るかは、Cross の公理と、それを不要とする Digby の批判的合理主義の間でいまも争われている。Secomandi と Verbeek の 2026 年の編著は、哲学者が外からデザインを論じる「デザインの哲学」から、「デザインのやり方で哲学をする」方向への移行を論じている。

• デザインに固有の認識論は要るか、デザインで哲学はできるか（2026 年の二つの論考を読む）

  2026-10-11

  2026 年に出た二つの論考を本文で読み、それぞれの主張、論証の段、根拠、想定する反論、使う概念を整理し、二つが何について対立し、何について両立するかを確かめた。Digby（DRS2026）は、科学と芸術、合理と直観というデザインの認識論の二分は偽の二分法で、Popper と Deutsch の批判的合理主義（知識は誤りうる推測で、批判による誤りの訂正で進む）が、デザイン専用の認識論を立てずにデザインの特徴を説明できると論じた。Cross、Schön、Dorst と Cross の説明は記述にとどまり、プラグマティズム、構成主義、現象学は客観的な進歩を説明できないとし、デザインを問題の解き方についての説明的な理論とみる。Secomandi と Verbeek の論集は、ここ 20 年でデザイン哲学に技術への転回（技術哲学そのものから来る視点で技術を中心に問う）が起きたと論じ、人間を設計によって技術に媒介された存在とみて、存在論的デザインと多元世界のデザインの技術不信を Hegel の相互承認で退けた。出版社の紹介文が編者の主張としてまとめる「デザインのやり方で哲学をする（a designerly way of doing philosophy）」という句は、本文では Eggink と Dorrestijn の第 7 章の言葉で、Cross 2001 を引いている。二つの論考は互いを引かず、Digby と編者の二章の参照文献に共通の文献はない（第 7 章とは Dorst 2011 だけが共通する）。対立は、デザイン哲学を科学哲学の枠で立てるか技術哲学の枠で立てるか、失敗の原因を知識の不足に置くか誰が誰のために設計するかの不均衡に置くか、の二点にある。可謬性、技術悲観の拒否、考えを物にして試すことでは両立する。Digby が出発点の診断に引いた Galle 2018 の本文には、Digby の要約にある科学主義と相対主義の揺れの記述がなく、デザインの研究を一般的な研究の特殊化として定義していた。Digby は、科学とデザインの同一性をめぐる Design Studies の論争（Farrell と Hooker、Galle と Kroes）を引いておらず、Galle と Kroes が示した、科学の理論は真理で、デザインの案は真理でない基準で評価されるという区別に答えていない。2026 年 10 月 11 日の時点で、Digby への引用は 0 件、論集への引用は 1 件だった。

• ネットワーク科学とデザイン学はどう関わってきたか（学術研究から）

  2026-10-11

  ネットワーク科学とデザイン学の関係を、デザイン研究がネットワークの方法をどう使ってきたか、ネットワーク科学の側が「デザイン」という語をどう使ってきたか、両者の接点と限界、の三つから文献で整理した。二つの流れは、1960 年代の同じ問い（複雑な全体をどう部分に分けるか）から出ている。Simon は階層をなす系の性質として、部分の内側の結びつきが部分の間より強いほぼ分解可能な構造を論じ、Alexander は設計の要求をグラフに分けて解く方法を示したあと、自然にできた都市はツリーではなくセミラティスだと論じて、その方法から離れた。そののちデザイン研究は、ネットワークを主に構造を表して測る道具として使ってきた。製品の部品と組織のつながり（DSM、ミラーリング仮説の 142 件の実証研究のレビューでは、鏡像は多いが普遍的ではない）、設計の過程（リンコグラフィ、設計の発話の意味ネットワーク）、都市の街路（space syntax、街路網の中心性）、チームと分野（Design Studies の 1996〜2010 年の 459 本、12,107 件の引用の共引用分析）である。ネットワーク科学の側では、今回集めた文献で「デザイン」はおもに制約の下での最適化を指し、設計者のいない生物ネットワークの設計原理（ネットワークモチーフ、変わる目標の下で生じるモジュール性）や、設計された系と自己組織化した系の違い（HOT、粘菌が東京の鉄道網に匹敵するネットワークを作る実験）として論じられてきた。両者がもっとも近づくのはネットワークを描くことで、配置の美的基準は人の読み取りで試され（辺の交差を減らすことが最も効く）、力学配置の絵には曖昧さが残る。限界として、スケールフリーの普遍性は約 1000 のネットワークの検定で支持されず、space syntax の位相の表現は計量の情報を捨てると批判され、Latour はアクターネットワークの「ネットワーク」が技術のネットワークとは別物だと注意した。デザイン研究がネットワーク科学から借りたのは主に構造を測る道具で、Rittel と Webber が論じた止める規則のない問題や、設計者が問題をどう定めるかという判断の側は、ネットワークの方法ではまだ扱いが始まったばかりだと読める。

• これまでのデザイン教育は何を担ってきたのか（産業界の資料から）

  2026-10-11

  前の note（生成 AI で下積みの仕事が減るとき、ジュニアは何をすればよいか）の続きとして、学校のデザイン教育が、職場の下積みと比べて何を担ってきたかを、産業界の資料（英国の Design Council と Creative PEC、米国 BLS と NY 連銀、AIGA、経済産業省と文部科学省の一次資料、求人と人材の調査、デザイン事務所と学校の当事者の発言）で整理した。資料から読める担い手としての役割は三つある。一つは職業への入口で、英国ではデザイナーの 57% が学位を最高学歴に持ち（全職種 34%）、デザインで働く卒業生の 82% が創造系の学位を持ち、米国 BLS はグラフィックデザイナーの典型的な入職学歴を学士とする。二つめは、ものの見方と考え方の養成で、学校の側は問いを立てること、文脈を読むこと、判断することを教育の中心に置いてきたと語る。三つめは、すぐ働ける技能を担いきれなかったことで、英国のデザイン集約産業の雇用主は学校と大学から採る人材の準備不足を平均より多く報告し、創造産業の雇用主の 21% が新卒は準備不足と答えた（全産業 14%）。Pentagram のパートナーは、学校の課題は実案件に比べて乾いた技術演習で、自分はインターンのころ周りの人の仕事ぶりを見て多くを学んだと語る。学校が見方と入口を、職場が手と速さを担う分担がこれまでの形だったと読めるが、その職場の側が生成 AI で細りつつある。学位以外の入口（短期の学校、ブートキャンプ）は増えたが成果の公表値は乏しく、求人から学位要件を外しても実際の採用はほとんど変わっていない。学術版は design-education-roles-literature。

• これまでのデザイン教育は何を担ってきたのか（学術研究から）

  2026-10-11

  前の note（生成 AI で下積みの仕事が減るとき、ジュニアは何をすればよいか）は、下積みで失われうるのは練習の量より熟達者の判断を間近で見る経路だとした。この note は、学校のデザイン教育がその経路をどこまで担ってきたかを、デザイン教育の研究で整理した。研究が描く学校の担い手としての役割は三つある。一つは、スタジオという教え方で実務の判断を模すことで、Schön は建築のスタジオが実際の専門職の行為を模していると論じ、のちの研究はスタジオをデザイン教育の代表的な教え方（signature pedagogy）と位置づけた。二つめは、講評を通じた職業人としての社会化で、講評の場の会話は暗黙知を作り、仲間うちの講評は判断を外に出し、講評は学生を自律的に決める者として育てる。三つめは、何をよいとするかという見方の受け渡しである。一方で、研究は学校が担えなかったものも示す。講評が育てる対等で自律的な姿は実際の職場より学校の理想に近いとされ、講評は権力の装置としても、恐れを伴う場としても描かれ、Schön の省察の考え方自体にも証拠が乏しいという批判がある。教育で育った設計の考え方を実務で実行しにくいという UX の学生と実務者の声もある。デザインの考え方を一般の教育に広げる流れでは、工学教育の実装は課程単位にとどまり、直接観察による評価は少ない。学校は熟達者の判断に触れる場を模してきたが、職場の判断とのずれを抱えていて、生成 AI で職場の下積みが細ると、そのずれを埋める場所がなくなる恐れがある。産業版は design-education-roles-industry。

• 生成 AI で下積みの仕事が減るとき、ジュニアは何をすればよいか（産業界の資料から）

  2026-10-11

  生成 AI が簡単な業務を代替し、ジュニアが下積みを経ずに難しい業務を求められるという問題を、産業界の資料（英国政府、NY 連銀、St. Louis 連銀、ECB、JILPT の一次資料、Indeed、Revelio、IPA、Society of Authors などの公表値、デザインと広告の組織と AI 企業の当事者の証言）で整理した。前提のうち「ジュニアの求人が減り、シニアの求人が増えた」は複数のデータで観察される。Indeed では 2026 年 5 月の前年比でエントリー求人が 7.5% 減りシニア求人が 14.7% 増え、英国ではエントリーのグラフィックデザイナーの採用が前年比 28% 減り、英国の広告エージェンシーの 25 歳以下の人員は 19.2% 減った。ただし、減少が生成 AI によるとは確かめられていない。エントリー求人の下降は 2022 年に始まり、NY 連銀は AI に露出しやすい職種の求人の減少が ChatGPT の公開前から始まり、その後にはっきりした追加の断絶はないと報告し、英国政府と ECB も因果を認めていない。ジュニアの振る舞いとして産業界の資料が支えるのは、AI を使っても理解を残す使い方（AI を使った群の理解のクイズは 50% で手作業群の 67% より低く、生成してから理解する使い方では差が小さかった、コーディングの 52 人の実験）、自分から質問と講評を取りに行くこと（AI 企業の社内調査で若手が質問に来なくなった）、判断と思考の過程を見せること、AI の学びを組織に教える側に回ること、見習いや研修のある入口を選ぶことである。どれも当事者の証言か小規模な調査で、ジュニアの行動の効果を比べた産業界の調査はなかった。学術版は junior-skill-formation-genai-literature。

• 生成 AI で下積みの仕事が減るとき、ジュニアは何をすればよいか（学術研究から）

  2026-10-11

  生成 AI が簡単な業務を代替し、ジュニアが下積みを経ずに難しい業務を求められるという問題を、労働経済、熟達化と徒弟制、生成 AI と学習の実験、創作の研究で整理した。ジュニアの雇用の縮小は観察される（米国の給与記録で AI に露出しやすい職の 22〜25 歳の雇用は同年代の推移より 19% 低く、生成 AI を導入した企業ではジュニアの雇用が採用の減少を通じて下がった）が、リモートワークと同時に推定すると生成 AI の係数は小さくなり、デンマークでは収入と労働時間に効果が見られず、原因の帰属は割れている。下積みの意味については、練習量が成績の差を説明する割合は職業では 1% 未満にとどまり、量の不足だけが問題ではない。失われうるのは、熟達者のそばで周辺の仕事をしながら学ぶ経路で、入門の業務の自動化は雇用が減らなくても新人を熟達者から引き離しうるとする理論がある。生成 AI と学習の無作為化実験は使い方で結果が分かれる。答えを出す AI で練習した高校生は AI を外すと 17% 低く、説明を求める使い方と、先に自力で試してから説明を受ける使い方は理解を保つか高めた。ここからジュニアの振る舞いとして、先に自分で試してから AI に説明を求めること、生成を任せず理解のために使うこと、AI なしで確かめる時間を作ること、フィードバックを自分から求めること、発想と選別の判断を練習すること、熟達者のそばの仕事を選ぶことを挙げた。実験の多くは学生とプログラマーが対象で、創作のジュニアで振る舞いの効果を長く追った研究は見つからなかった。産業版は junior-skill-formation-genai-industry。

• AIO（AI 検索への最適化）の産業界の潮流：何が測られ、何が売られ、何が争われているか

  2026-10-11

  AI 検索や生成 AI の回答に自社や自分の情報が引用、推薦されるための最適化（AIO。GEO、AEO、LLMO を含む）について、産業界の資料（Pew Research Center と Reuters Institute の調査、Ahrefs、Seer Interactive、Semrush、Similarweb、Adobe、Cloudflare、Profound、SparkToro の公表値、Google、Microsoft、OpenAI、Anthropic、Perplexity の公式文書、英国 CMA、欧州委員会、公正取引委員会、IETF、日本新聞協会の一次資料、サイバーエージェントと博報堂 DY ONE の国内調査）を軸に、学術研究を補助として整理した。AI 要約が出るとクリックは減る。Pew の実測では、AI 要約のある検索で従来の結果のリンクが押された訪問は 8% で、ない検索の 15% の約半分だった。ただし AI 要約のない検索でもクリック率は 2 年で約半分に下がっており（Ahrefs）、減少のすべてを AI 要約に帰せない。AI から各サイトへの送客は伸び率が大きいが、基数は小さい（AI からの出典へのクリックを常によくするのは 4%、検索は 19%、Reuters Institute）。何が引用されるかは、従来の検索上位との重なりが小さく（AI アシスタントの引用の 12%）、週単位で大きく動き、同じ質問への推薦リストが一致する確率は 100 分の 1 未満だった（SparkToro）。書き方の工夫の効果は、GEO を名づけた論文の最大 40% に対し、後続の検証で 54 条件中 3 つでしか有意でなく、採用者が増えると利得が減った。Google は AEO と GEO を SEO と同じとし、llms.txt や文章の細切れ化を不要と明言した。産業界の動きは、書き方の手法よりも、引用を数える計測（Search Console、Bing の引用の計測、Profound の 3,500 万ドルの調達）と、内容を AI に使わせるかどうかの制御と対価（英国 CMA の行為要件、2026 年 8 月 31 日の Google の除外設定の全世界展開、Cloudflare の有料クロール、IETF の AI 利用の選好の標準化）に重心を移している、と読める。

• センスのない決定権者は、クリエイターへの発注をやめるのか：画像生成 AI の問題を「発注」「慣れ」「裾野」の三つの環で確かめ、AI スロップの研究と重ねる

  2026-10-11

  2026 年 10 月 9 日の X の投稿（nakamachi_keiji、漫画家）は、画像生成 AI の問題を、AI がすごいものを作って仕事を奪うことではなく、センスはないが決定権を持つ人が AI に作らせたものを良いと思い込んで発注しなくなり、世の中が低いクオリティに慣れ、クリエイターの裾野が狭まって作る文化が衰えることだと述べた。この因果の鎖を、美的判断の心理学、労働経済学、HCI、デザイン史の学術文献と研究報告 39 件で確かめた。鎖の入口と出口は測られているが、真ん中の「センス」は測られていない。発注の量は、国際的なフリーランスの市場では画像制作の求人が 17% 減った（Demirci ら 2025）一方、中国のアニメ調の依頼サイトでは単価が 64% 下がり件数が 121% 増え、増えたのは安い個人向けの依頼だった（Zhang ら 2026）。過去の評価が高い働き手も減少から守られず（Hui ら 2024）、Pixiv では AI を使わないイラストレーターの投稿が 10.1% 減った（Kim ら 2026、未査読）。思い込みの機構は筋が通る。人は AI の詩を 46.6% の正答率でしか見分けられず（Porter と Machery 2024）、ラベルのない AI の絵のほうを好み、その好みは美術の経験と関係しなかった（van Hees ら 2025）。自分で作った物を専門家の作品と同じくらい高く評価し（Norton ら 2012）、AI を使うと自分の成績を高く見積もる（Fernandes ら 2026）。ただし、美術の教育を受けた人も AI の絵をほとんど見分けられず（正答率 54.9%、Huang ら 2026）、問題は決定権者のセンスの欠如より、誰にも見分けにくいことにある。低いクオリティに慣れることを AI の画像で測った研究は見つからず、測られているのは作品が似ていくこと（Zhou と Lee 2024、Doshi と Hauser 2024）である。見る回数が好みを作る仕組みはあり（Cutting 2003）、録音音楽では作る費用が下がっても新作の質は下がらなかった（Waldfogel 2012）。裾野は、創作分野の入門層では測られておらず、他の分野では若年の雇用が減り（Brynjolfsson ら 2026、未査読）、新参者が先に去った（Burtch ら 2024）。AI スロップの研究と重ねると、投稿の筋書きは、検証していない生成物を他人に渡すことがスロップだという定義（Willison 2024）の発注版で、品質を見分けられない買い手のもとで良品が退く lemons の機構（Akerlof 1970）に当たる。一方で、品質を「センス」で判定する語り方は、1852 年の恐怖の部屋と 1939 年のキッチュ論と同じ形をしており、判定の基準を誰が持つかという批判を引き受ける。

• AI で夢が叶うと、夢は死ぬのか：「夢の即死」「夢のデフレ」「執着の格差」「情熱資本主義」「人生のプロトタイプ」を学術文献で確かめる

  2026-10-11

  2026 年 10 月 10 日の X の投稿（paji_a）は、生成 AI で「20 年追った夢が 20 分で叶う」ことを《夢の即死問題》と呼び、続けて《夢のデフレ》《執着の格差》《情熱資本主義》《人生のプロトタイプ時代》を挙げた。五つの主張を、心理学、労働経済学、HCI、社会学の学術文献と研究報告 47 件で確かめた。夢のデフレは、作ることの値段と、作ったものが伝える信号の価値に限れば支持される。画像生成 AI の流出後、アニメ調の画像の外注は平均価格が 64% 下がり注文が 121% 増え（Zhang ら）、求人に合わせて作り込んだ応募文の働き手に雇い手が高く払う傾向は LLM の登場後に消えた（Galdin と Silbert、未査読）。夢の即死は、時間の圧縮も満足の低下も直接には測られていない。測られた短縮は数十分から数時間の課題のもので（作業時間 40% 減、Noy と Zhang 2023）、熟練の開発者は実際の課題で 19% 遅くなった（Becker ら 2025、未査読）。叶えたのに楽しくないことは、予期そのものに価値があること、出来事の感情を大きく見積もりがちなこと、外発的な目標の達成が心理的健康と関連しないこと、AI と作った文章の所有感が低いことから筋は通るが、AI で長年の夢を叶えた人の満足を測った研究は見当たらなかった。執着の格差の前半（AI が能力差を縮める）は課題で割れ、コールセンターでは最も技能の低い層の生産性が 36% 上がった一方（Brynjolfsson ら 2025）、ケニアの起業家では成績の低い層が約 10% 悪化した（Otis ら、未査読）。後半の、執着の差が値打ちになることを示す研究は見つからず、grit は成果と中程度にしか相関せず（Credé ら 2017）、「異常なほど夢中」は代償の大きい強迫的情熱（Vallerand ら 2003）に近い。情熱資本主義は、社会学と社会心理学ではすでに批判の対象で、情熱があるとみなされた働き手への不当な扱いは正当とみなされやすく（Kim ら 2020）、投資家は情熱でなく準備の度合いで出資を決めた（Chen ら 2009）。「本当の好きを発見する」は、興味は見つけるものだと考える人ほど難しくなると関心を失いやすいという結果（O'Keefe ら 2018）と食い違う。人生のプロトタイプは、新しい役割で暫定的な自己を試す過程（Ibarra 1999）として支えられるが、取り消せる選択は満足を下げた（Gilbert と Ebert 2002）。

• 最初の有利は運なのか：選択的運と厳然たる運、事前と事後、最初の有利の実証と公平の判断の学術文献から

  2026-10-09

  累積有利の出発点になる最初の有利について、それが運なのか、運ならどの種類の運なのかを、政治哲学、道徳的運の哲学、機会の平等の経済学、自然実験、公平の判断の実験の学術文献と研究報告 40 件で整理した。「事前的運」「事後的運」という対の語は、CiNii Research の題名と要旨の検索で 0 件で、英語文献にも ex ante luck と ex post luck という運の類型は見当たらなかった。最も近い用例は、遺伝と家庭の背景で決まる prior luck と、生まれた後に起きる posterior luck を分けた小泉（2024）の経済産業研究所のディスカッション・ペーパーで、日本語の要約は「先天的な」運と「後天的な」運と書く。事前と事後の語で運を分ける考え方は、小泉が参照した Cunha、Heckman と Navarro（2005）に先にあり、進学を選ぶ時点で予測できる差（異質性）と予測できない差（運）を分け、進学の収益のばらつきの約 60% が予測できると推定した。ほかに近い区別は三つある。Dworkin の選択的運（option luck）と厳然たる運（brute luck）は、本人が引き受けた賭けかどうかで運を分ける。Vallentyne の初期の厳然たる運と後の厳然たる運は、責任を負える時点の前か後かで分ける。経済学の事前（ex ante）と事後（ex post）は、運の種類ではなく、公平を判断する時点の区別で、Fleurbaey と Peragine（2013）は両者が両立しないことを示した。最初の有利の実証では、景気の悪い年に卒業すると初任給が約 9% 下がり 10 年で消えるが、最も不利な層では累積所得の損失が中央の層のほぼ 2 倍だった（Oreopoulos ら 2012）。一方で、くじで配られた富は子や孫の識字や就学を改善せず（Bleakley と Ferrie 2016）、宝くじの富の子の成績への効果も 0 に近い範囲に収まった（Cesarini ら 2016）。ボートレースでデビュー直後の 5 大会に抽選で良いエンジンを多く引いた男性の選手は、約 4 年間の累積で 1 着が約 69%、賞金が約 48% 多かった（小泉 2024、未査読）。無作為の出場順で初期の運を識別する設計は、音楽コンクールの Ginsburgh と van Ours（2003）に先例がある。人の判断では、リスクの結果の差について、事前の機会が同じなら再分配しない見方が約 40% で最多だったが、運による差は再分配する人が多数だった（Cappelen ら 2013）。運の種類によって、最初の有利が持続するかも、人がそれを不公平とみなすかも違う、という整理を書く。

• 持てる者はさらに与えられるのか：累積有利とマタイ効果の機構、因果の識別、限界の学術文献から

  2026-10-09

  「最初に有利だった人がその後も有利を重ねる」という累積有利（cumulative advantage）とマタイ効果（Matthew effect）を、科学社会学、ライフコース研究、現場実験、回帰不連続、教育と発達、ネットワーク科学の学術文献 36 件で整理した。Merton（1968）はノーベル賞受賞者の証言から、同じ貢献でも著名な科学者に多くの承認が集まる過程を名づけ、Merton（1988）は差が広がるのは「相殺する過程に抑えられるまで」だと書いた。無作為に初期の成功を与える実験では、寄付が 1.11 件から 2.49 件に増え（van de Rijt ら 2014）、Wikipedia の褒賞を受けた編集者の生産性の中央値が 60% 高く、他の編集者から褒賞を受ける人数は 12 人対 2 人だった（Restivo と van de Rijt 2012）。審査点がほぼ同じでも助成の境目の上下で 8 年の資金が 2 倍超違い、その一部は落ちた側が応募をやめることで生じた（Bol ら 2018）。一方で、初期の優位を 4 倍にしても差はほとんど広がらず（van de Rijt ら 2014）、受賞による被引用の増加は小さく短期で、品質が不確かなときに大きかった（Azoulay ら 2014）。NIH の境目で惜敗した若手は、10 年で 12.6% が離脱したが、残った人はのちに被引用上位 5% の論文を多く出した（Wang ら 2019）。読みの力の差が広がる一般的な支持はなく（Pfost ら 2014）、入学年齢の所得への効果は 30 歳までにほぼ消えた（Black ら 2011）。過程の存在、個人間の差の拡大、分布の裾の重さは別の主張であり、累積有利の証拠は主に一つめを支える。差が広がるかは、過程の強さに加え、個人ごとの速さの違い、測定、選択的な脱落、相殺する過程で決まる、という整理を書く。

• できる側のストレスは、なぜ口にしにくいのか：能力の表示、妬まれること、成功を隠すこと、見えない努力の学術文献から

  2026-10-09

  能力の高い側がストレスを口にすると「マウント」と言われ、黙ると「労いゼロで耐える側」に固定される、という X の記事の問いを、社会心理学、組織行動論、ギフテッド教育、ネットワーク社会学の学術文献 42 件で確かめた。能力の表示が冷たさとして読まれる仕組みは、集団の評価（Fiske ら 2002）と、二者を比べる場面での補償効果（Judd ら 2005、Kervyn ら 2010）として報告されている。自己宣伝する側は聞き手の喜びを多く、苛立ちを少なく見積もり（Scopelliti ら 2015）、謙遜を装った自慢は素直な自慢より好かれない（Sezer ら 2018）。妬まれる側の負担は、上方比較の標的になることへの敏感さ（STTUC、Exline と Lobel 1999）として定式化され、妬まれる恐れは妬みそうな相手への援助を増やし（van de Ven ら 2010）、受賞した不動産仲介者 121 人は、同僚が憤りを感じているときに控えめに振る舞った（Henagan と Bedeian 2009）。一方で、成功を隠された側は、相手が温情主義の動機で隠したと受け取って侮辱を感じ、関係が遠のく（Roberts ら 2021、8 研究 1,687 人）。黙ることは、受け手にとって優しさとして届かない場合がある。努力の扱いでは、同じ実績でも天性型が努力型より才能があり採用したいと判断され（Tsay と Banaji 2011、Tsay 2016）、自己制御の高い人は周りから多くの仕事を割り当てられ、その努力は小さく見積もられた（Koval ら 2015）。職場では、高業績者は妬みを介して隠れた嫌がらせを受けやすい（Kim と Glomb 2014、Jensen ら 2014）。反対側では、熟達者は初心者の所要時間を小さく見積もり（Hinds 1999）、成績上位 4 分の 1 は他人も同じようにできると思い込んで自分の順位を低く見積もった（Kruger と Dunning 1999）。言いにくさの中身は、話しても黙っても費用がかかる配置にあり、個人の性格の問題に還元できない、という仮説を書く。

• 努力できるのも才能か：やり抜く力、自己制御、学習意欲の遺伝と、変えられる範囲

  2026-10-07

  「努力できるのも才能か」という問いを、行動遺伝学、分子遺伝学、意志力研究の追試、成長マインドセット介入のメタ分析の学術文献 41 件から確かめた。努力にかかわる特性は、人のほかの特性と同じ程度に遺伝の影響を受ける。50 年分の双生児研究の平均遺伝率は 49%（Polderman ら 2015）で、自己制御は 60%（Willems ら 2019）、grit の努力の粘りは 37%、学習の楽しさと有能感は約 40%、音楽の練習量そのものは 40〜70% だった。grit の努力の粘りと誠実性の遺伝相関は 0.86 で、grit は性格の 5 因子を超えて成績の分散を 0.5% しか足さなかった。努力は才能に対抗するものではなく、遺伝の差が成果に現れる経路の一つとして働いている。一卵性双生児の中で練習量の多いほうの音楽能力は高くなく（Mosing ら 2014）、自己制御と grit が成績を説明する 28.4% のうち、遺伝の交絡を除くと残るのは 4.4% だった（Kevenaar ら 2023）。ただし遺伝率は、いまの環境での人と人の差の出どころを示す数字で、変えられなさの度合いではない。教育年数のポリジェニックスコアの効果の約 3 割は親の遺伝子型が作る環境を通る（Kong ら 2018）。努力を燃料のように使うと減る資源とみる意志力の説は、多施設の事前登録追試で効果が d = 0.04 と 0.06 にとどまった。成長マインドセット介入の平均効果は d = 0.05〜0.08 と小さいが、対象と文脈によって効果が変わる。努力の傾向が遺伝するかと、努力を個人の手柄として扱うかは、別の問いとして分けて考える必要がある。

• データ可視化は、効率から離れたときに何を見せるのか：数値にしない全体、決まらない見方、意図した抽象

  2026-10-07

  データ可視化の価値を、速さ、正確さ、行動の変化、利用者数という最適化の物差しで測った前回までの整理から離れ、数値にせずに全体を見ること、見方が決まらないことで別の切り口が開くこと、あえて抽象化して局所最適な見方を避けること、の意義を、学術研究（可視化研究、HCI のデザイン理論、データの社会学、監査の人類学）と、データを図にする作り手の発言から整理した。可視化研究の主流の価値の物差しは、効果と効率で価値を測る経済モデル（van Wijk 2005）にさかのぼり、正典が普遍性、客観性、効率を価値として埋め込んでいるという批判がある（Saharan ほか 2026、未査読）。個々の値の読み取りの精度では最下位のヒートマップが全体像には最も役立つ（Bertini ほか 2020）、HCI で忌避されてきた曖昧さは近い関与を促す資源になる（Gaver ほか 2003）、見慣れたものを見慣れなくすると設計の余地が開く（Bell ほか 2005）、視覚的な難しさは能動的な処理を引き出し理解と記憶を助ける（Hullman ほか 2011）、指標は目標になると良い指標でなくなる（Strathern 1997）、一つの案を磨き続ける反復は固着を生む（Dow ほか 2010）。作り手の側では、数字がなくても色がメッセージを伝える（Hawkins）、手描きの図で見る人に図を疑わせる（Chalabi）、データで効率を上げるより人間らしくなる（Lupi と Posavec）。一方で、要約の図の目立つ特徴は別の量と誤読され（Padilla ほか 2017）、誤った抽象は下流で救えず（Munzner 2009）、抽象化は人から切り離す行為にもなる（Thorp）。ここから、効率の物差しは問いが決まっている場面のもので、問いが決まっていない場面では図は答えを渡す道具ではなく問いを生む場になる、効率から離れることの価値は、作り手が離れ方を設計したとき（正確さを保つ、読み方の余白と誤読の境を引く）に限って生まれる、の二つの仮説を示した。

• データを図で示すことの価値はどこにあるのか：価値の種類と、なぜ効くのか（産業界の資料から）

  2026-10-07

  データ分析やデータサイエンス全般ではなく、データを図や視覚的な表示で示すこと自体の価値を、産業界の資料（米国 FDA の栄養表示の実験、米国 FTC の省エネラベルの調査、英国のスマートメーターの宅内表示の評価、米国ハリケーンセンターの予報円の検証、気象庁のキキクル、英国の統計規制機関の指摘、Datawrapper と Spotify と Apple の公表値、気候のストライプや Flatten the Curve の作り手の発言）を軸に、学術研究で理由を補って整理した。価値は、すぐ分かること（理解と速さ）、多くの人に届き共有されること（伝達と関与）、行動が変わること、異常に気づけること（安全と運用）、続けて使われること（製品の体験）、信頼を保つことに分かれる。図とそれ以外の表示を比べた資料では、評価の言葉を添えた栄養表示が数値だけの表示より健康的な食品を見分けさせ（FDA、9,200 人）、星の段階で示した省エネラベルを見た人の 82% が冷蔵庫を効率順に並べた（現行ラベルは 72%）。一方で、図が読めるのは散布図で 63%、株価の図で 21% にとどまり、予報円は最も見られ最も誤解される図とされ、図が説得力を高めるという研究は追試で再現しなかった。行動への効果も、エネルギーのフィードバックで相関 0.071、宅内表示の導入で電力 2.3% 減と、小さく条件つきである。ここから、図の価値は絵であることより、比べる基準と評価を視覚の符号に載せ、見る人の計算を肩代わりするところから生まれる、価値は作り手の編集（何を削り、どの基準と比べるか）と読み手の読む力の両方に依存する、の二つを仮説として示した。

• データビジュアライゼーションは産業でどんな価値を持つのか：市場の値付け、価値が生まれる場所、生成 AI 以後（産業界の資料から）

  2026-10-07

  データビジュアライゼーション（ダッシュボード、BI、報道の図、公的統計の可視化）の産業とビジネスでの価値を、産業界の資料（上場企業の法定開示と決算説明、英国の統計規制機関と保健当局、デジタル庁と内閣府、IDC Japan と BARC の調査、米国労働統計局と Indeed、可視化の道具と報道の図の作り手の発言）から整理した。学術研究は集めていない。市場は可視化に高い値を付けている。Salesforce は Tableau を株式交換で買収し、Alphabet は Looker を 24 億ドルで買収し、Power BI の月間利用者は 3,000 万人を超えた。一方で、BI ツールを実際に使う従業員は平均 25% で 7 年ほぼ増えておらず、専業の Domo は売上が横ばいで、既存顧客からの売上の維持率は 106% から 89% に下がった。価値が大きく生まれたのは、英国の COVID-19 ダッシュボード（週約 1,900 万ページビュー、データへの信頼は 73.4% から 90.3%）や Our World in Data（月 200 万人から 1,000 万人）のように、公共に向けて一つのメッセージを伝える場面だった。作り手は、図の価値を、作者が要点を言えることと文脈を添えることに置く。組織の中では、ダッシュボードの保守に時間が取られ、使われ方が分析にならない問題が語られる。2024 年以降、Copilot in Power BI や Tableau Pulse は自然言語での問い合わせと通知を加えたが、準備のないデータでは誤った答えを返しうると Microsoft 自身が書いている。ここから、図を作る費用が下がるほど、価値は図の上流（データと指標の整備）と下流（メッセージと文脈の編集）へ移る、ダッシュボードは開いて見る画面から届く答えと通知へ形を変える、公共に向けた図では出所と方法を示すことの価値が残る、の三つを仮説として示した。意思決定の質がどれだけ上がったかを第三者が測った資料は見つからなかった。

• デザインコンサルティングを買う側はなぜ買い、何で選ぶのか：コンサル全般との違いと 2024 年以降（産業界の資料から）

  2026-10-07

  コンサルティングの買い手の理由と決め手を整理した前回のノートを、デザインコンサルティング（ブランド、プロダクト、UX、サービスデザインの外部委託）に絞って深掘りした。産業界の資料を中心に、英国の業界団体 DBA と提携した買い手インタビュー 675 件（What Clients Think 2024）、米国の広告主団体 ANA の内製化調査、英国 ISBA の報酬調査、社内デザイン責任者と CMO の発言を使い、学術研究は機構の補助として使った。デザインでも買う理由は四つに分かれるが、重みが違う。外部の利点の上位は幅広い経験、より強く問い直すこと、技能の幅で、他にない資産はデータではなく複数の業界とブランドで積んだ経験である。決め手は、本当の協働の証拠、大きな戦略課題に答える力、商業的な効果、勝ったピッチでは明確で記憶に残るメッセージ、チームの相性、課題を分かってくれたことで、価格はどの一覧にも上位に無い。買い手の 73% がデザインの効果は数字で示しにくいと答え、73% が提案の段階で会社の違いを見分けにくいと答えている。ここから、質を事前に確かめられないことはデザインでより強く働き、デザインに固有の解き方として、契約の前に作品の一部を見せるピッチと無報酬提案が使われてきたこと、判断の説明は独立性より商業的な効果の証明に向かうこと、内部の能力はデザインでは作り直されつつあり（社内の制作部門を持つ ANA 会員は 2008 年の 42% から 2023 年の 82%）、外部は能力の補完と外からの問い直しに寄っていることを仮説として示した。公的部門では、米国 GSA が社内に人間中心設計の専門性が無いことを外部に頼む理由に挙げ、英国の調達枠組みは文化的な相性を 5〜20% の配点で採点させていた。2024 年以降は、買い手の 74% が AI で代理店の費用が下がると見込み、費用に見合うと答える買い手は 2014 年の 66% から 2024 年に 45% へ下がった。公的部門の手引き（米国 GSA、英国の調達枠組み）でも、人間中心設計の手法の説明、測れる成果、文化的な相性が評価の観点に挙がっている。AI がピッチの作品と制作を安くするほど、見た目の完成度は決め手として効きにくくなり、外からの問い直しと理解と商業的な効果へ重心が移るという仮説を立てた。

• コンサルティングを買う側はなぜ買い、何で選ぶのか：買い手の理由と決め手、その仕組み（産業界の資料から）

  2026-10-07

  コンサルティングの買い手がなぜ買い、何を決め手に選び、なぜそれが決め手になるのかを、産業界の資料（英国会計検査院の 2010 年と 2025 年の報告、カナダ下院の公聴会での発注側の証言とカナダ会計検査院の McKinsey 契約の監査、Hinge Research Institute の買い手調査 4 回分、企業の CFO と経営者の発言、IPA の調査）から整理し、仮説を立てた。学術研究は機構の補助として要旨の範囲でだけ使った。買う理由は、持っていない専門性、足りない人手と速さ、外からの視点と独立した確認、他にない資産（独自のデータと手法）の四つに分かれ、英国では 2010 年と 2025 年で同じ構造が続いている。決め手は、Hinge の調査では評判（2013 年）、関連する経験と専門性（2018 年）、人材のスキル（2020 年）、既存の関係（2022 年）と入れ替わり、どの回も価格は首位にない。公的部門では、事前に審査を済ませた枠組みと急ぎが、前からの相手を有利にする。カナダでは McKinsey との 97 契約の約 70% が非競争で、競争した 28 件のうち 10 件は選定の根拠が記録に足りず、標本の約半数は何の不足を埋めるかの説明を欠いた。ここから、買う前に質を確かめられないので人と実績と関係を代わりの手がかりにする、急ぎと手続きの重さが審査済みの相手と既存の相手を既定の選択にする、判断を組織の中で説明するために外の独立した目と他にないデータが選ばれる、内部の能力の欠け方が構造的なので同じ理由で繰り返し買う、の四つの仮説を示した。2024 年以降は、AI で内製の選択肢が現実になった企業で人手の理由が先に揺らぎ、買い手が下振れの分担を求め始めている一方、大規模な人員削減の計画などでは外部への依存が続いている。

• コンサルティングの提案とコンペ：型、発注と受注の理由、生成 AI で変わるもの（産業界の資料から）

  2026-10-07

  産業界の資料（英米日の調達制度と公的監査、RFP 対応の業界調査、コンサル企業の決算説明会での発言）から、コンサルティングの提案の型と、コンペでの発注と受注の理由を整理し、生成 AI が使われ始めた 2024 年以降に何が変わったかを見た。学術研究は集めていない。提案の型は売り手より先に買い手の評価の枠が決めていて、英国の最も有利な入札（MAT）と品質 50〜90% の配分、米国の tradeoff、日本のプロポーザル方式と総合評価は 2024 年以前からある。価格の型（時間単価、固定価格、成果報酬）も、英国政府の 2022 年の手引きにすでに三つとも書かれている。2024 年以降に動いたのは三つで、提案を書く側の AI 利用（RFP 対応チームで 34%→68%→79%）、発注側の制度（英国の AI 利用の開示、米国 OMB の開示条項、デジタル庁の生成 AI による仕様書作成の検討）、価格の型の比率（Accenture の固定価格が FY25 に約 60%、3 年で約 10 ポイント増、McKinsey は収益の約 3 分の 1 が成果を引き受ける型）である。一方で、AI 利用が増えた年に RFP の勝率は 45% から 39% に下がり、AI の利点として勝率を挙げるチームは少ない。ここから生成 AI で変わるものとして、提案書の差が縮んで選定の重心が書類の外（評判、既存の関係、面談）へ寄ること、時間で値を付ける根拠が揺らいで生産性の分け前が交渉の主題になること、成果報酬は測れる成果の案件に限って広がること、の三つを仮説として示し、変わらないもの（評価の枠、価格の三つの型、売上と人員の乖離が RPA 以来であること）と並べた。

• AI とデザイン 週次ウォッチ（2026-09-28〜10-05）

  2026-10-05

  直近7日間の「AIとデザイン」動向をT1vベンダー一次、T2公的機関、T3専門家私見の3ティアで収集した統合要約。AnthropicはClaude Sonnet 5.5を出し、UIの仕上げやスライドテンプレートへの追従を得意と述べた。OpenAIはGPT-6.1 Solとホスト型ブラウザのcomputer useをAPIに加えた。FigmaはMotionにカスタムスタイルをはじめ音声とLottie書き出しを入れ、スタイルをFigma agentやMCP、Skills経由のコーディングエージェントから自動適用できるとした。T2では米国の大統領令14434が、行政各部の公式文書で「AI」を「Super Intelligence」に置き換えると定め、調査の採用は窓内で0件だった。T3ではJakob Nielsenが、AIによる技能低下の研究は取り上げた道具を測っていると論じ、控えめに申し出るアンビエントなAIの研究を紹介した。Simon Willisonは従量課金に既定の上限を求めた。

• AI とデザイン 月次学術ウォッチ（2026年9月〜10月）

  2026-10-05

  2026年9月8日から10月5日までを窓に、AIとデザインの交差領域の査読論文とプレプリント12件を収集した月次学術ウォッチ第4弾。デザイナー443名の調査はAI利用が工程の後ろほど落ちることを示し、プロダクトデザイナーとPMを分けた無作為化実験は時間短縮がPMに偏ることを示した。教育では、27件のメタ分析が肯定的な効果を報告する一方、スタジオの準実験は自己効力の低下を示し、両者は測る対象が違うまま並んでいる。

• 40〜50代のおじさんはなぜ AI を強く推すのか：ファミコン、ポケベル、インターネットとの比較

  2026-10-03

  2026 年に 40〜50 代の人（1976〜1986 年生まれ）が生成 AI を強く推す理由を、この世代が子ども期から経験した情報革命と比べて整理した。日本の公的統計、技術世代論、期待の社会学、生成 AI 利用の実証研究、日本の情報化の社会史から 22 件を使った。最初に、推す声の大きさは使う量の多さではないことを確かめた。総務省の 2025 年度調査では、生成 AI の利用経験は 20 代 78.2% に対し 40 代 49.0%、50 代 44.2% である。次に、依頼にあった三つ（ファミコン、ポケベル、インターネット）に、ケータイのインターネット（iモード、1999 年）とスマートフォン（2010〜2012 年に世帯保有率 9.7% から 49.5%）の二つを足した。ファミコンについては、外遊びが内遊びより少なくなったのは 1965 年頃で、日本学術会議の提言はその主因をテレビとしている。ファミコンは室内化を始めたのではなく、室内化した遊びの受け皿になった。五つを並べると、この世代の形成期（ほぼ 15〜25 歳）のただ中に来たのはインターネットとケータイのインターネットで、個人のインターネット利用率が 20% を超えた 1999 年末に 13〜23 歳だった。技術世代論の定義に当てはめると、ちょうどインターネット世代の入口にあたる。推す理由として、本文で確かめた事実から次の四つの仮説を立てた。（1）形成期に「新しい情報技術がすべてを変えた」場面を見た経験が、AI を読むときの型になる。（2）その型は、過去に語られた未来を思い出して今の未来の主張に使う働き（Brown と Michael 2003）としてはたらく。（3）iモードで先行しながら世界で孤立し（Kushida 2011）、電機が競争力を失った（Vogel 2013）という記憶が「今度は乗り遅れるな」を強める。（4）ファミコンからケータイのインターネットまでは心配される若い側だったが、AI では初めて職場で決める側にいる。総務省の企業調査の回答者は管理職以上で、日本では 86.4% が何らかの業務で生成 AI を使っていると答えた。男性に偏る理由は、子ども期にゲームとコンピュータの側から情報技術に入った男子が多かったこと（Ito と Okabe 2005）と、生成 AI の利用が男性で高いこと（米国で 7.5 ポイント差、日本で約 1.8 倍）から説明できるかもしれないが、推す声を年齢と性別で測った研究は見つからなかった。