AI-Native Co-Creation Loop
人と人の対話には、本人もまだ十分に言語化できていない思いや、気づいていない可能性が含まれています。
何気なく話した経験、繰り返し口にする違和感、判断の背景にある価値観。こうした対話の中に、新しい事業や価値創造のヒントがあるのではないでしょうか。
私は以前から、人の対話にAIの分析力を加え、その結果を再び人との対話に戻す仕組みを構想してきました。
その構想を具体化したのが、「AI-Native Co-Creation Loop」です。
2026年11月1日、Grok Botに「Fab(ファブ)」という名前を付け、5つの専門Skillを設定。実際のメンタリング記録を使って、初期構築と実証を行いました。
AI-Native Co-Creation Loopとは
AI-Native Co-Creation Loopは、対話をAIで整理・構造化し、複数の専門的視点から新しい仮説を生み出し、その成果を人に返す循環型の仕組みです。
単に議事録を作成したり、会話を要約したりするものではありません。
対話を通じて見えてきた目的や課題を整理し、事業としての可能性を多角的に検討します。さらに、得られた知見を蓄積し、本人が次の一歩を考えるための資料に変えます。
そして重要なのは、AIによる分析で終わらせず、もう一度、人との対話に戻すことです。
Nottaの音声データから、戦略分析・実践知・フィードバック資料まで
仕組みの入口は、人と人の会話です。
Zoomなどで行ったメンタリングや会議をNottaで録音・文字起こしし、その記録をGrok Bot「Fab」に渡します。
Fabには、目的の異なる5つの専門Skillを設定しています。
Zoom・Notta
録音・文字起こし
→
対話の整理
→
戦略の構造化
→
多視点分析・創発
→
実践知の整理
→
Word・PDF生成
※ これは処理工程を示した概略図です。生成された資料はメンターが確認・承認し、本人へのフィードバックを経て、次の対話へ循環させます。
5つの専門Skillで、何をしているのか
① Dialogue Capture|対話を整理する
Nottaの文字起こしから、発言、事実、仮説、重要な問いを整理します。
誰が何を話したのかを追跡できるようにし、実際の発言とAIによる推測を区別します。ここでいう事実とは、基本的に「そのように発言されたこと」であり、発言内容の正しさまで検証したものではありません。
② Strategy Structuring|戦略を構造化する
整理した対話をもとに、事業の目的、対象顧客、提供価値、課題、戦略仮説を構造化します。
KPI(成果指標)やKDI(先行する行動・活動指標)も仮置きし、何を検証すべきかを明らかにします。
③ Multi-Perspective Analysis|多視点から新しい仮説を生む
戦略・市場・財務・顧客・業務運営・AI活用という6つの視点から、事業の可能性を検討します。
特徴は、異なる意見を並べるだけでなく、共通点や矛盾、相互の補完関係を探ることです。
そこから新しい仮説を生み、さらに反論を加えて改良します。
私はこの工程に、特に大きな可能性を感じています。
④ Knowledge Creation|実践知として残す
分析で得られた知見を、根拠や適用条件とともに「知識カード」として整理します。
単なるアイデアと、実際の現場で検証された知識を区別し、次の対話や別の案件で活用できるようにするためです。
知識は作成して終わりではありません。実際の行動や検証結果をもとに、更新していきます。
⑤ Feedback Sheet Creation|本人に届ける
最後に、AIの分析結果を、メンタリングを受けた本人が理解しやすいフィードバックシートに変換します。
WordとPDFで作成し、標準ではA4・2ページにまとめます。
構成は、前回の対話で見えたこと、事業構想の整理、新しい可能性、考えてみたい問い、次の小さな一歩という5項目です。
ここでは、AIの分析結果を押し付けるのではなく、本人が自分で考え、判断するための材料として提示します。
実際のメンタリング記録で初期実証
今回の実証では、Nottaで記録した約36分間のメンタリングの文字起こしを使用しました。
5つのSkillを用いて分析・資料生成を行った結果は、次のとおりです。
| 検証項目 | 結果 |
|---|---|
| 対話記録 | 約36分・18ページ |
| 発言の整理 | 117件 |
| 事実の抽出 | 66件(発言としての確認) |
| 創発仮説 | 3件を生成・改良 |
| 知識カード | 8枚を作成 |
| 本人向け資料 | Word・PDF、各2ページ |
フィードバックシートでは、本人の発言とAIの提案を区別し、まだ確かめていないことを確定した事実として扱わないようにしています。
録音と照合していない発言は直接引用せず、要約として扱うルールも設定しました。
また、本人の情報を扱うため、生成資料の外部送信や共有は自動化せず、メンターが確認・承認する設計です。
今回、5つのSkillによる初期的な処理と資料生成を確認できました。ただし、別案件での再現性や、本人の意思決定・行動にどの程度影響するかは、これからの検証課題です。
GPT-6で設計し、Grok Bot「Fab」で実装する
今回のSkillは、ChatGPT(GPT-6)との対話を通じて設計しました。
それぞれの役割や入力・出力、判断基準、品質確認の方法を整理し、Fabに設定しています。
Fabには新しいSkillを次々と追加するのではなく、まず5つのSkillを共通のフレームとして運用する方針です。
Nottaの文字起こしデータを渡し、案件情報を指定して「AI-Native Loopを実行して」と依頼する共通手順も用意しました。
この一括実行手順の安定性については、今後、実際の案件で確認します。
AIを使うことと、AIを前提に仕事を設計することは違う
今回の取り組みで改めて感じたことがあります。
AIを使って仕事を効率化することと、AIがいることを前提に仕事の仕組みそのものを設計することは、まったく違う。
私が目指しているのは後者です。
AIに資料を要約してもらうだけなら、これまでの業務の一部を置き換えることになります。
一方、対話の記録から戦略の構造化、多視点分析、新しい仮説の生成、実践知の整理、本人へのフィードバックまでを一連のプロセスとして設計すれば、仕事の進め方そのものが変わる可能性があります。
そして、この仕組みの中心にいるのはAIではなく、人間です。
AIの分析を、もう一度人との対話へ戻す
AIが提示した仮説やアイデアを、本人にそのまま正解として渡すことは考えていません。
「この整理は、自分の考えと合っているだろうか」
「こんな可能性もあるのか」
「それなら、次に何を試してみようか」
こうした新しい対話が生まれることに意味があります。
その対話で得られた気づきや実践結果を、次の分析に戻す。そこで知識を更新し、さらに新しい問いを生み出していく。
この循環を、実際のメンタリングや経営支援の現場で育てていきたいと考えています。
AI-Native Co-Creation Labで実践と検証を重ねる
AI-Native Co-Creation Labでは、こうした思いつきを形にし、実証する取り組みを重ねていく予定です。
AIによって新しい気づきが生まれるのか。人の判断や行動は変わるのか。そして、そこで得られた経験を、ほかの場面でも役立つ知識として育てられるのか。
まだ最初の実証段階ですが、小さく試し、確かめ、改善していくことを大切にしたいと思います。
Human-centered, AI-native.
Create the Wow!
