ai-shaped-readiness-advisor

目的

自社のプロダクト開発が**「AI ファースト」（AI を使って既存のタスクをより速く自動化する）なのか、「AI シェイプド」**（AI の能力を軸に、プロダクトチームの働き方を根本から再設計する）なのかを評価します。これを使って、2026 年に欠かせない PM の 5 つのコンピテンシーにおける準備状況を評価し、ギャップを特定して、どの能力を最初に伸ばすべきかについて具体的な提案を得られます。

主な違い： AI ファーストは手軽です（Copilot を使って PRD をより速く作成する）。AI シェイプドは生き残るためのものです（人間と AI の双方が信頼する、堅牢な「現実レイヤー」を構築し、AI ワークフローをオーケストレーションし、学習サイクルを短縮します）。

これは AI ツールの話ではなく、共知能としての AI を中心に組織を再設計することです。このインタラクティブなスキルでは、成熟度評価を進めた後、次の一手を提案します。

入力

特に役立つ情報： チームが現在、プロダクト開発で AI をどのように使っているかの説明。ほとんど使っていない場合も、有効な回答です。 あるとさらに役立つ情報： チームの規模、プロダクト領域、5 つのコンピテンシーのうち最も弱いと思われるもの。

呼び出し時に入力された内容（スキル名の後に続くテキスト、貼り付けたコンテキスト、または追加された ARGUMENTS: 行）は、すでに回答済みとして扱います。その内容を利用し、該当する項目については再度質問しないでください。

手ぶらで始めても大丈夫です。 アドバイザーが、チームの日々のプロダクト開発に AI がどのように取り入れられているかを尋ねて始めます。

呼び出し例： Assess my team: 6 PMs, we use ChatGPT for PRD drafts and meeting summaries but nothing in our discovery or delivery process has changed.

主な概念

AI ファーストと AI シェイプド

観点	AI ファースト（手軽）	AI シェイプド（生き残るためのもの）
考え方	既存のタスクを自動化する	仕事の進め方を再設計する
目標	成果物の作成を高速化する	学習サイクルを短縮する
AI の役割	タスクを支援するアシスタント	戦略的な共知能
優位性	一時的な効率向上	持続可能な競争優位性
例	「Copilot が PRD を 2 倍速く作成する」	「AI エージェントが、3 週間ではなく 48 時間で仮説を検証する」

重要な洞察： 競合他社が人員を投入するだけで自社の AI 活用を再現できるなら、それは差別化ではなく、単なる効率化です（数か月以内に当たり前になります）。

---

PM に欠かせない 5 つのコンピテンシー（2026 年）

これらのコンピテンシーは、AI シェイプドなプロダクト開発を定義します。それぞれの成熟度を評価します。

1. コンテキスト設計

人間と AI の双方が信頼できる、持続性のある**「現実レイヤー」**を構築します。AI の注意を希少なリソースとして捉え、意図的に割り当てます。

含まれる内容：

• 事実と仮定の記録
• 変更不可能な制約（技術、規制、戦略）
• 運用上の用語集（共有される定義）
• エビデンス基準（何を検証とみなすか）
• コンテキストの境界（何を永続化し、何を取得するか）
• メモリーアーキテクチャ（短期の会話メモリー＋長期の永続メモリー）
• 検索戦略（セマンティック検索、コンテキスト検索）

重要な原則： 「エビデンス、制約、定義を示せないなら、コンテキストはありません。あるのは雰囲気だけです。」

重要な違い：コンテキストの詰め込みとコンテキストエンジニアリング

• コンテキストの詰め込み（AI ファースト）： 意図なく大量の情報を詰め込む（「PRD 全体を貼り付ける」）
• コンテキストエンジニアリング（AI に合わせた設計）： 注意を向けるための構造を整える（範囲を限定したドメイン、意図を持った検索）

5 つの診断質問：

1. これは、どのような具体的な意思決定を支援しますか？
2. 永続化の代わりに検索を使えますか？
3. コンテキストの境界を管理するのは誰ですか？
4. これを除外すると、何が機能しなくなりますか？
5. 構造を改善していますか、それとも構造化を避けていますか？

AI ファースト版： PRD を ChatGPT に貼り付ける。コンテキストの境界がなく、「多いほどよい」という考え方。 AI に合わせた設計版： AI エージェントが参照する CLAUDE.md ファイル、エビデンスデータベース、制約レジストリ。2 層のメモリーアーキテクチャ。コンテキストの劣化を防ぐための Research→Plan→Reset→Implement サイクル。

詳細： コンテキストの詰め込みを診断し、メモリーアーキテクチャを実装するための詳しいガイダンスについては、context-engineering-advisor を参照してください。

---

2. エージェントのオーケストレーション

単発のプロンプトではなく、反復可能で追跡可能な AI ワークフローを構築します。

含まれる内容：

• 定義されたワークフローループ：調査 → 統合 → 批評 → 意思決定 → 判断理由の記録
• 各ステップで作業内容を示す（推論を追跡可能にする）
• ワークフローを一貫して実行する（同じ入力なら予測可能なプロセスになる）
• バージョン管理されたプロンプトとエージェント

重要な原則： 単発のプロンプトは戦術的です。オーケストレーションされたワークフローは戦略的です。

AI ファースト版： 「このユーザーフィードバックを分析するよう ChatGPT に依頼する」 AI に合わせた設計版： フィードバックを取り込み、テーマにタグを付け、仮説を生成し、矛盾にフラグを立て、意思決定を記録する自動化ワークフロー。

---

3. 成果の加速

タスクを速くするだけでなく、AI を使って学習サイクルを短縮します。

含まれる内容：

• 検証の遅れをなくす（PoL の調査を数週間ではなく数日で実施する）
• 承認の遅れをなくす（AI が制約に照らして事前検証する）
• 会議の負担を減らす（非同期の AI による統合で進捗報告会を代替する）

重要な原則： 意図を持って、やることを減らします。AI はボトルネックを解消するのであって、仕事を増やすのではありません。

AI ファースト版： 「AI がユーザーストーリーをより速く書く」 AI に合わせた設計版： 「AI が夜間に実現可能性を検証し、技術調査にかかる 2 週間をなくす」

---

4. チームと AI の協働

AI が説明責任を回避する盾ではなく、協働知能として機能するように、チームのシステムを再設計します。

含まれる内容：

• レビュールール（誰が、いつ、どのように AI の出力を確認するか）
• エビデンス基準（AI は幻覚を生成せず、情報源を引用する必要がある）
• 意思決定権限（AI は提案し、人間が決定する—明確な境界を設ける）
• 心理的安全性（チームが「自分は愚かだ」と感じることなく AI に異議を唱えられる）

重要な原則： AI は判断力を増幅しますが、説明責任に取って代わるものではありません。

AI ファースト版： 不適切な出力の言い訳として「AI を使った」と述べる。 AI に合わせた設計版： 明確なレビュープロトコルを設け、AI の出力を人間による検証が必要な下書きとして扱う。

---

5. 戦略的な差別化

効率性を超えて、持続的な競争優位性を生み出します。

含まれる内容：

• 新たな顧客能力（これまでできなかったどのようなことが、ユーザーにできるようになりますか？）
• ワークフローの再構築（全面的な再設計なしには競合他社が再現できないプロセス）
• 競合他社が対抗できない経済性（AI による 10 倍のコスト優位性）

重要な原則： 「競合他社が人員を投入するだけで模倣できるなら、それは差別化ではありません。」

AI ファースト型：「AI を使って、より優れたドキュメントを作成します」 AI によって形作られた型：「製品仮説を業界標準の 3 週間ではなく 2 日で検証し、四半期ごとに検証済み機能を 6 倍多くリリースします」

---

アンチパターン（該当しないもの）

• AI ツールの話ではありません： Claude と ChatGPT のどちらを使うかは重要ではありません。ワークフローの再設計が重要です。
• スピードの話ではありません： PRD の作成を 2 倍速くしても、PRD がボトルネックでなかったなら、戦略的な意味はありません。
• 自動化の話ではありません： 悪いプロセスを自動化しても、悪さが拡大するだけです。
• 人間を置き換える話ではありません： AI によって形作られた組織は、判断力を補強します。排除するのではありません。

---

このスキルを使う場面

✅ 次の場合に使用してください：

• AI ツールを使っているものの、戦略的な優位性を実感できていない
• 「AI ファースト型」（効率性）にはなっていると思うが、「AI によって形作られた型」（変革）を目指したい
• 次に構築する AI 機能の優先順位を決める必要がある
• リーダーシップから「AI をどのように活用していますか？」と聞かれても、戦略的な観点でどう答えるべきか分からない
• AI を活用した製品開発に向けたチームの準備状況を評価したい

❌ 次の場合は使用しないでください：

• AI をまだまったく使い始めていない（まずは基本的なツールから始めてください）
• ツールの推奨を求めている（これはツールではなく、組織設計についてのスキルです）
• 「プロンプトの書き方」といった実践的なガイダンスが必要（そのためのスキルを使ってください）

---

ファシリテーションの基準

このスキルでは、workshop-facilitation を既定の対話プロトコルとして使用してください。

次の内容を定義します：

• セッションの事前案内と開始モード（ガイド付き、コンテキストの一括入力、最善の推測）
• 平易な言葉でのプロンプトを使った、一度に 1 つの質問を行う進行
• 進捗ラベル（例：Context Qx/8、Scoring Qx/5）
• 割り込みへの対応と一時停止・再開の動作
• 意思決定の段階での番号付き推奨事項
• 通常の質問に対する番号付きの簡易選択肢（有用な場合は Other (specify) を含める）

このファイルでは、ドメイン固有の評価内容を定義します。競合がある場合は、このファイルのドメインロジックに従ってください。

適用

この対話型スキルでは、適応型の質問を使って 5 つの能力に関する成熟度を評価し、優先すべき能力を推奨します。

ファシリテーションプロトコル（必須）

1. 1ターンにつき質問は必ず1つだけにしてください。
2. 次の質問をする前に、ユーザーの回答を待ってください。
3. 平易な言葉で質問してください（主な質問に略称ラベルを使わないでください）。必要に応じて、回答形式の例を添えてください。
4. 毎ターン、ユーザーに見えるラベルで進捗を示してください。
   • コンテキスト収集中は Context Qx/8
   • 成熟度のスコアリング中は Scoring Qx/5
   • 実用的な場合は「残りの質問数」も含めてください。
5. ユーザー向けのプロンプトでは、内部フェーズのラベル（「Step 0」など）を使わないでください。ただし、ユーザーが内部構造の詳細を尋ねた場合は除きます。
6. 成熟度をスコアリングする質問では、簡潔な1～4の選択肢を先に提示してください。詳しい評価基準は、求められた場合のみ共有してください。
7. コンテキストに関する質問では、実用的な場合、簡潔な番号付きの選択肢を提示し、自由回答用に Other (specify) も加えてください。1,3 や 1 and 3 のような複数選択の回答も受け付けてください。
8. 番号付きの推奨事項を提示するのは、判断が必要な場面に限ってください。各回答の後に提示しないでください。
9. 判断が必要な場面は次のとおりです。
   • コンテキスト全体の要約の後
   • 5つの側面に関する成熟度プロファイルの後
   • 優先事項の選択中およびアクションプランの進め方の選択中
10. 推奨事項を提示するときは、明確に番号を付けて列挙してください（1., 2., 3.）。#1、1、1 and 3、1,3、または自由記述での選択を受け付けてください。
11. 複数の選択肢が選ばれた場合は、組み合わせた進め方をまとめて続行してください。
12. 自由記述が入力された場合は、有効な進め方のうち最も近いものに当てはめ、再入力を求めずに続行してください。
13. 中断への対応は必須です。ユーザーがメタ質問（「残りはいくつ？」「このラベルはなぜ？」「一時停止して」など）をした場合、まず直接回答し、その後、現在の進捗を示して保留中の質問を再提示してください。
14. ユーザーが終了または一時停止を希望した場合は、評価を直ちに中断し、明示的な再開指示があるまで待ってください。
15. ユーザーが「一度に1問ずつ」と希望した場合、明示的に変更を求めない限り、セッションの残りの間もその進め方を維持してください。
16. 評価に関する質問を始める前に、所要時間と全体の長さを簡潔に伝え、開始方法を選べるようにしてください。

---

セッション開始時：所要時間の案内＋開始方法の選択（必須）

エージェントの最初のプロンプト（最初に使用してください）：

「開始前に簡単にご案内します。通常、所要時間は約7～10分で、質問数は最大13問です（コンテキストに関する質問が8問、スコアリングが5問です）。

どの方法で進めますか？

1. ガイド付きモード：一度に1問ずつ質問します。
2. コンテキストまとめ入力：すでに把握している内容を貼り付けていただければ、重複する質問は省略します。
3. 最善の推定モード：不足している情報について妥当な仮定を置き、それを明示しながら進めます。」

#1、1、1 and 3、1,3、または自由記述での選択を受け付けてください。

モード別の進め方：

• ガイド付きモードの場合： Step 0の手順に従って進め、その後スコアリングを行います。
• コンテキストまとめ入力の場合： 一度だけコンテキストの貼り付けを求め、要約して不足している情報を特定してください。そのうえで、
  • すでに回答済みのコンテキストに関する質問は省略します。
  • 不足しているコンテキストについて、必要最小限の確認質問（0～2問）のみを行います。
  • コンテキストが十分にそろった時点で、スコアリングに進みます。
• 最善の推定モードの場合： まず、必要最小限の開始情報（役割またはチーム＋主な目標）を尋ね、その後、
  • 不足している情報は妥当な既定値を使って推定します。
  • 推定した項目にはそれぞれ Assumption と明記します。
  • 各仮定に信頼度ラベル（High、Medium、Low）を付けます。
  • 不明点があっても進行を止めずに続けます。

最終的な要約には、コンテキストまとめ入力または最善の推定モードを使用した場合、検証が必要な仮定のセクションを含めてください。

ステップ 0：コンテキストを集める

エージェントが質問します：

次の順序で、一度に 1 つずつ質問してコンテキストを集めます。

1. 「現在、どの AI ツールを使っていますか？」
2. 「現在、チームでは AI をどのように使うことが多いですか？単発のプロンプト、再利用可能なテンプレート、複数ステップのワークフローのどれですか？」
3. 「現在、AI を継続的に使っているのは誰ですか？あなたのみ、PM、または部門横断チームですか？」
4. 「チームには PM、エンジニア、デザイナーがそれぞれおよそ何人いますか？」
5. 「現在、どの段階にありますか？スタートアップ、成長期、またはエンタープライズですか？」
6. 「意思決定はどのように行われますか？中央集権型、分散型、または合意形成型ですか？」
7. 「AI を活用して、どのような競争優位性を築こうとしていますか？」
8. 「現在、学習と反復を妨げている最大のボトルネックは何ですか？」

質問 8 の後、次の 4 行で要約して伝えます。

• 現在の AI 活用パターン
• チームの状況
• 戦略的な意図
• 主なボトルネック

---

ステップ 1：コンテキスト設計の成熟度

エージェントが質問します：

コンテキスト設計の能力を評価しましょう。人間と AI の両方が信頼できる「現実レイヤー」をどれだけ構築できているか、また、コンテキスト詰め込み（意図のない量の多さ）をしているのか、コンテキストエンジニアリング（注意を向けるための構造化）をしているのかを確認します。

現在の状態を最もよく表しているのはどれですか？

1. レベル 1（AI ファースト／コンテキスト詰め込み）：「何か必要になるたびに、ドキュメント全体を ChatGPT に貼り付けています。共有ナレッジベースはありません。コンテキストの境界もありません。」

   • 実態：永続性のない、その場限りのプロンプト。「多いほどよい」という考え方
   • 問題：AI に記憶がないため、同じことを何度も繰り返すことになります。コンテキスト詰め込みによって注意力が低下します
   • **コンテキストエンジニアリングのギャップ：**5 つの診断質問に答えられず、「念のため」あらゆる情報を永続化しています

2. レベル 2（発展途上／初期の構造化）：「ドキュメント（PRD、戦略メモなど）はありますが、あちこちに散らばっています。一貫した形式もありません。コンテキスト詰め込みの問題（曖昧な回答、リトライの常態化）に気づき始めています。」

   • 実態：コンテキストは存在しますが、AI が利用できるように構造化されていません。検索戦略もありません
   • 問題：AI が情報を確実に見つけたり、信頼したりできません。常に必要なコンテキストと一時的なコンテキストが混在しています
   • **コンテキストエンジニアリングのギャップ：**コンテキストの境界を管理する担当者がおらず、永続化する情報と検索する情報を区別できていません

3. レベル 3（移行中／コンテキストエンジニアリングの萌芽）：「CLAUDE.md ファイルやプロジェクトの指示を使い始めています。制約レジストリもあります。何を永続化し、何を検索するかを特定しているところです。Research→Plan→Reset→Implement のサイクルを試しています。」

   • 実態：構造化されたコンテキストが形になりつつありますが、網羅的ではありません。コンテキストの境界は定義されていますが、徹底されていません
   • 問題：網羅範囲にばらつきがあり、十分に文書化された領域もあれば、雰囲気で進めている領域もあります。検索方法にも一貫性がありません
   • **コンテキストエンジニアリングの進捗：**5 つの診断質問のうち 3～4 つに答えられます。コンテキストの境界を管理する担当者が割り当てられ、2 層メモリの使用を始めています

4. レベル 4（AI 向けに設計済み／コンテキストエンジニアリングを習得）：「持続性のある現実レイヤーを維持しています。制約レジストリ（20 件以上のエントリ）、エビデンスデータベース、運用用語集（30 語以上）があります。2 層メモリアーキテクチャ（会話用の短期メモリ＋ベクトル DB による長期永続メモリ）を採用しています。コンテキストの境界が定義され、担当者も決まっています。AI エージェントはこれらを自動的に参照します。コンテキストの劣化を防ぐため、Research→Plan→Reset→Implement を使用しています。」

   • 実態：人間と AI の両方が信頼できる、包括的でバージョン管理されたコンテキストがあります。完全性ではなく意図に基づいて検索します
   • 成果：AI が高い確信度で動作し、ハルシネーションと手戻りを減らします。トークン使用量が最適化され、コンテキスト詰め込みもありません
   • **コンテキストエンジニアリングの習得：**5 つすべての診断質問に答えられます。コンテキストの境界を四半期ごとに監査します。次の式で効率を定量的に追跡しています：（正確性 × 一貫性）/（トークン数 × レイテンシ）

レベルを選択してください：[1、2、3、または 4]

**注：**レベル 1～2 を選択し、コンテキスト詰め込みに悩んでいる場合は、先に進む前に context-engineering-advisor を使って、コンテキスト溜め込み症候群を診断し、解決することをご検討ください。

ユーザーの回答：[選択]

**エージェントの記録：**コンテキスト設計の成熟度 = [レベル X]

---

ステップ 2：エージェントオーケストレーションの成熟度

エージェントの質問：

次に、エージェントオーケストレーションを評価します。再現可能な AI ワークフローがありますか。それとも、その場限りのプロンプトだけですか。

現在の状況を最もよく表すものはどれですか？

1. レベル 1（AI ファースト）：「必要に応じて ChatGPT にプロンプトを入力しています。保存したワークフローやテンプレートはありません。」

   • 実態：戦術的で、その場限りの利用
   • 問題：結果に一貫性がなく、規模を拡大したり監査したりできません

2. レベル 2（新興）：「再利用するために保存したプロンプトがいくつかあります。カスタム GPT や Claude Projects も少し使っています。」

   • 実態：再現可能なプロンプトはありますが、完全なワークフローではありません
   • 問題：各ステップが手作業で、オーケストレーションされていません

3. レベル 3（移行中）：「複数ステップのワークフロー（調査 → 統合 → 批評）をいくつか構築しました。Notion や Linear などのツールで管理しています。」

   • 実態：ワークフローはありますが、手作業での引き継ぎが必要です
   • 問題：すべてのステップに依然として人間が介在し、完全には自動化されていません

4. レベル 4（AI シェイプド）：「自律的に実行される、オーケストレーション済みの AI ワークフローがあります。調査 → 統合 → 批評 → 意思決定 → 根拠の記録を行います。各ステップを追跡でき、バージョン管理されています。」

   • 実態：ワークフローは一貫して実行され、各ステップで処理内容を提示します
   • 成果：信頼性が高く、監査可能で、拡張可能な AI プロセス

レベルを選択してください： [1、2、3、または 4]

ユーザーの回答： [選択内容]

エージェントの記録： エージェントオーケストレーションの成熟度 = [レベル X]

---

ステップ 3：成果加速の成熟度

エージェントの質問：

次に、成果加速についてです。AI を使って学習サイクルを短縮していますか。それとも、単にタスクを速くこなしているだけですか。

現在の状況を最もよく表すものはどれですか？

1. レベル 1（AI ファースト）：「AI のおかげでドキュメント（PRD、ユーザーストーリー）をより速く書けます。週に数時間節約できます。」

   • 実態：成果物の作成効率が向上
   • 問題：ドキュメント作成はボトルネックではなく、学習サイクルは変わっていません

2. レベル 2（新興）：「AI を調査や情報の統合に活用しています（ユーザーフィードバックの要約、競合の分析など）。調査にかかる時間を節約できます。」

   • 実態：学習の加速は限定的
   • 問題：依然として順次進行であり、AI で検証の遅れをなくせていません

3. レベル 3（移行中）：「AI を使って実験をより速く実施しています（PoL プローブ、実現可能性の確認など）。検証にかかる時間を数週間から数日に短縮しました。」

   • 実態：学習サイクルが短縮されています
   • 問題：まだ体系化されておらず、一部の実験にしか適用されていません

4. レベル 4（AI シェイプド）：「AI によってボトルネックを体系的に解消しています。一晩での実現可能性チェック、非同期の統合による会議の置き換え、制約条件に基づく自動検証などを実施しています。学習サイクルは 5～10 倍速くなりました。」

   • 実態：学習の進め方を根本から再設計
   • 成果：競合他社より 6 倍速く、検証済みの機能をリリース

レベルを選択してください： [1、2、3、または 4]

ユーザーの回答： [選択内容]

エージェントの記録： 成果加速の成熟度 = [レベル X]

---

ステップ 4：チームの AI 活用推進の成熟度

エージェントの質問：

次に、チームの AI 活用推進を評価します。AI を共知として活用するために、チームの仕組みをどの程度再設計できていますか。

現在の状況を最もよく表すものはどれですか。

1. レベル 1（AI-First）：「AI は個人的に使っています。チームはそのことを知らないか、使っていません。共通のルールはありません。」

   • 実態：個人でのツール利用にとどまり、チームには統合されていません
   • 課題：品質にばらつきがあり、AI の出力に対する説明責任もありません

2. レベル 2（創成期）：「チームで AI を使っていますが、正式なレビュープロセスはありません。『AI を使いました』と何気なく伝える程度です。」

   • 実態：認識はありますが、仕組みはありません
   • 課題：AI の出力が最終成果物として扱われ、誤りが見過ごされます

3. レベル 3（移行中）：「レビューのルールが生まれつつあります（AI の出力は最終成果物ではなく、下書きです）。エビデンスの基準について話し合っていますが、明文化されていません。」

   • 実態：文化の変化が進んでいます
   • 課題：ルールは非公式で、全員が従うわけではありません

4. レベル 4（AI-Shaped）：「明確なプロトコルがあります。AI の出力には人間による検証が必要で、エビデンスの基準が明文化され、意思決定権限も明確です（AI が提案し、人間が決定します）。チームは AI を共知として扱っています。」

   • 実態：AI がチームの運営システムに統合されています
   • 成果：高品質な成果物を生み出し、心理的安全性も維持されています

レベルを選択してください：［1、2、3、または 4］

ユーザーの回答：［選択］

**エージェントが記録：**チームの AI 活用推進の成熟度 = ［レベル X］

---

ステップ 5：戦略的差別化の成熟度

エージェントの質問：

最後に、戦略的差別化についてです。持続可能な競争優位性を生み出していますか。それとも、単に効率を高めているだけですか。

現在の状況を最もよく表すものはどれですか。

1. レベル 1（AI-First）：「AI を使って仕事を速く進めています（より良い文書の作成や、顧客へのより迅速な対応など）。効率向上に限られています。」

   • 実態：標準的な改善にとどまっています
   • 課題：競合他社も数か月以内にこれを模倣できます

2. レベル 2（創成期）：「AI によって、以前はできなかったことができるようになりました（10 倍のデータを分析したり、より多くの仮説を検証したりするなど）。新たな能力を得ていますが、競合他社も再現できます。」

   • 実態：能力は拡大していますが、持続的な優位性はありません
   • 課題：競争優位の堀がなく、競合他社は人員を増やして追いつけます

3. レベル 3（移行中）：「AI を中心に再設計したワークフローがいくつかあります（たとえば、仮説を 3 週間ではなく 2 日で検証するなど）。差別化が生まれ始めています。」

   • 実態：ワークフロー上の優位性が生まれつつあります
   • 課題：まだ体系化されておらず、一部にしか適用されていません

4. レベル 4（AI-Shaped）：「事業の運営方法を根本から作り変えました。顧客は他社では得られない能力を利用でき、学習サイクルは業界標準の 10 倍速く、経済性は 5 倍優れています。競合他社が模倣するには、組織全体の再設計が必要です。」

   • 実態：持続可能な競争優位の堀があります
   • 成果：時間とともに複利的に強まる戦略的優位性があります

レベルを選択してください：［1、2、3、または 4］

ユーザーの回答：［選択］

**エージェントが記録：**戦略的差別化の成熟度 = ［レベル X］

---

ステップ 6：成熟度プロファイルの評価

エージェントが総合評価：

AI-Shaped への準備状況プロファイルは次のとおりです。

┌─────────────────────────────┬───────┬──────────┐
│ Competency                  │ Level │ Maturity │
├─────────────────────────────┼───────┼──────────┤
│ 1. Context Design           │   X   │ [Label]  │
│ 2. Agent Orchestration      │   X   │ [Label]  │
│ 3. Outcome Acceleration     │   X   │ [Label]  │
│ 4. Team-AI Facilitation     │   X   │ [Label]  │
│ 5. Strategic Differentiation│   X   │ [Label]  │
└─────────────────────────────┴───────┴──────────┘

Overall Assessment: [AI-First / Emerging / Transitioning / AI-Shaped]

成熟度ラベル：

• **レベル 1：**AI-First（効率化のみ）
• **レベル 2：**創成期（初期の能力）
• **レベル 3：**移行中（再設計が進行中）
• **レベル 4：**AI-Shaped（戦略的変革）

総合評価の基準：

• **AI-First：**平均レベル 1～1.5（大半がレベル 1）
• **創成期：**平均レベル 2～2.5（大半がレベル 2）
• **移行中：**平均レベル 3～3.5（大半がレベル 3）
• **AI-Shaped：**平均レベル 3.5～4（大半がレベル 4）

---

ステップ 7：優先すべきギャップを特定する

エージェントが尋ねます：

成熟度プロファイルに基づいて、最初に優先すべきコンピテンシーはどれですか？

エージェントが依存関係を分析します：

依存関係のロジック：

1. コンテキスト設計は基盤です — レベル 1～2 の場合、これを最優先事項にする必要があります（エージェントオーケストレーションと成果の加速はこれに依存します）
2. エージェントオーケストレーションは成果の加速を可能にします — コンテキスト設計がレベル 3 以上で、エージェントオーケストレーションがレベル 1～2 の場合は、オーケストレーションを優先します
3. チームと AI の連携は並行して進められます — 他の項目と並行して開発できますが、規模拡大には欠かせません
4. 戦略的差別化には、他の項目がレベル 3 以上であることが必要です — 基盤となるコンピテンシーを確立するまでは、ここに注力しないでください

エージェントが推奨します：

プロフィールに基づいて、まず [Competency Name] に注力することをお勧めします。その理由は次のとおりです。

オプション 1：コンテキスト設計（レベル 1～2 の場合）

• 理由： 持続性のあるコンテキストがなければ、AI はその場の雰囲気に頼って動作します。すべてのワークフローが不安定になります。
• 効果： エージェントオーケストレーションと成果の加速を可能にします
• 次のステップ： CLAUDE.md ファイルを作成し、制約レジストリを開始し、運用用語集を作成します

オプション 2：エージェントオーケストレーション（コンテキスト設計がレベル 3 以上で、オーケストレーションがレベル 1～2 の場合）

• 理由： コンテキストはありますが、再現可能なワークフローがありません。規模を拡大するにはオーケストレーションが必要です。
• 効果： 単発のプロンプトを、信頼性が高く追跡可能なワークフローに変えます
• 次のステップ： 最も頻繁に使う AI ワークフローを文書化し、プロンプトをバージョン管理し、追跡可能性を加えます

オプション 3：成果の加速（コンテキスト設計とオーケストレーションがレベル 3 以上の場合）

• 理由： インフラが整ったので、次は学習サイクルを短縮します
• 効果： 学習速度から戦略的優位性が生まれます
• 次のステップ： 学習サイクルにおける最大のボトルネックを特定し、それを解消する AI ワークフローを設計します

オプション 4：チームと AI の連携（利用が個人にとどまり、チーム全体に広がっていない場合）

• 理由： AI を使いこなすのがあなただけでは、規模を拡大できません。チーム全体で導入する必要があります
• 効果： 個人の生産性向上にとどまらない、組織の変革を実現します
• 次のステップ： レビューの規範を確立し、証拠の基準を明文化し、意思決定権限のフレームワークを作成します

オプション 5：戦略的差別化（他のすべてがレベル 3 以上の場合）

• 理由： 基盤が整ったので、次は模倣困難な優位性を築きます
• 効果： 持続可能な競争優位性を生み出します
• 次のステップ： 競合他社には再現できないワークフローを特定し、AI を活用した顧客向け機能を設計します

どれに注力しますか？

選択肢：

1. 推奨を受け入れる — [エージェントが詳細なアクションプランを提示]
2. 別の優先事項を選ぶ — [エージェントは依存関係について注意を促しますが、変更を認めます]
3. 複数の項目に同時に注力する — [実現可能な場合、エージェントが並行トラックを提案]

ユーザーの回答： [Selection]

---

ステップ 8：アクションプランを作成する

エージェントは、選択した優先事項に基づいて、個別のアクションプランを提示します：

---

優先事項 = コンテキスト設計

目標： 人間と AI の両方が信頼できる、持続性のある「現実レイヤー」を構築し、コンテキストの詰め込みからコンテキストエンジニアリングへ移行します。

フェーズ前：コンテキストの詰め込みを診断する（必要な場合） レベル 1〜2 の場合は、まずコンテキストの詰め込みの症状を診断します。

1. 5 つの診断質問に答えます（context-engineering-advisor を参照）
2. 保存している情報のうち、取得すべきものを特定します
3. コンテキスト境界の責任者を割り当てます
4. コンテキストマニフェストを作成します（常に必要な情報とエピソード的な情報）

フェーズ 1：制約を文書化する（第 1 週）

1. 制約レジストリを作成します。
   • 技術的制約（API、データモデル、パフォーマンスの上限）
   • 規制上の制約（GDPR、HIPAA など）
   • 戦略上の制約（X を構築する／しない）
2. 各制約に診断質問 #4 を適用します：「これを除外した場合、何が失敗しますか？」
3. 形式：AI エージェントが解析できる構造化ファイル（YAML、JSON、またはフロントマター付き Markdown）
4. Git でバージョン管理します

フェーズ 2：業務用語集を作成する（第 2 週）

1. チームで使う上位 20〜30 個の用語をリストアップします（例：「ユーザー」「顧客」「アクティベーション」「解約」）
2. 各用語を曖昧さのないように定義します（「場合による」は避けます）
3. エッジケースと例外を含めます
4. CLAUDE.md またはプロジェクトの指示に追加します
5. これが長期的な永続メモリ（宣言的メモリ）になります

フェーズ 3：エビデンス基準とコンテキスト境界を確立する（第 3 週）

1. 検証とみなすものを定義します。
   • ユーザーフィードバック：「X 人のユーザーが Y と言った」（引用を添付）
   • アナリティクス：「指標 Z が N％変化した」（ダッシュボードへのリンクを添付）
   • 競合情報：「競合他社 A が B を発表した」（情報源を添付）
2. 次の表現は認めません：「私はそう思う」「私たちはそう感じる」「〜のようです」
3. 5 つの診断質問を使ってコンテキスト境界を定義します。
   • コンテキストの各要素は、どの具体的な意思決定を支えますか？
   • 永続化の代わりに取得を利用できますか？
   • コンテキスト境界の責任者は誰ですか？
4. コンテキストマニフェスト文書を作成します
5. チームのドキュメントに明文化します

フェーズ 4：メモリアーキテクチャとワークフローを実装する（第 4 週）

1. 2 層のメモリを設定します。
   • 短期（会話型）： 会話の古い部分を要約／切り詰めます
   • 長期（永続型）： 制約レジストリと業務用語集（検索用にベクトルデータベースを検討します）
2. 調査→計画→リセット→実装のサイクルを実施します。
   • 調査：混沌としたコンテキストの収集を許容します
   • 計画：高密度の SPEC.md または PLAN.md に統合します
   • リセット：コンテキストウィンドウをクリアします
   • 実装：計画のみをコンテキストとして使用します
3. 制約レジストリと用語集を参照するように AI プロンプトを更新します
4. テスト：推奨事項を提示する際に、AI に制約を引用させます
5. 測定：エビデンスを引用する AI 出力の割合と、ハルシネーションの割合、トークン使用効率

成功基準：

• ✅ 制約レジストリに 20 件以上の項目がある
• ✅ 業務用語集に 20〜30 個の用語がある
• ✅ エビデンス基準が文書化され、共有されている
• ✅ コンテキストマニフェストが作成されている（常に必要な情報とエピソード的な情報）
• ✅ コンテキスト境界の責任者が割り当てられている
• ✅ 2 層のメモリアーキテクチャが実装されている
• ✅ 調査→計画→リセット→実装のサイクルが 1 つのワークフローでテストされている
• ✅ AI エージェントがこれらを自動的に参照する
• ✅ トークン使用量が 30％以上減少している（コンテキストの詰め込みが減少）
• ✅ 出力の一貫性が向上している（再試行が減少）

関連スキル：

• context-engineering-advisor（対話型） — コンテキストの詰め込みの診断とメモリアーキテクチャの実装を詳しく解説します
• problem-statement.md — 問題を定義する前に制約を定義します
• epic-hypothesis.md — エビデンスに基づく仮説の作成

優先事項がエージェントのオーケストレーションの場合

目標： 単発のプロンプトを、再現可能で追跡可能な AI ワークフローに変えます。

フェーズ 1：現在のワークフローを把握する（第 1 週）

1. 最も頻繁に行う AI のユースケースを選びます（例：「ユーザーのフィードバックを分析する」）
2. 現在行っているすべての手順を記録します：
   • フィードバックを ChatGPT にコピー＆ペーストする
   • テーマを尋ねる
   • 手作業で分類する
   • 要約を書く
3. 課題を特定します（手作業での引き継ぎ、結果の一貫性の欠如）

フェーズ 2：オーケストレーションされたワークフローを設計する（第 2 週）

1. ワークフローのサイクルを定義します：
   • 調査： AI がすべてのフィードバックを読み込む（構造化された入力）
   • 統合： AI がテーマを特定する（根拠を添える）
   • 批評： AI が矛盾や弱いシグナルを指摘する
   • 判断： 人間がレビューして、次のステップを決定する
   • 記録： AI が判断の根拠と情報源を記録する
2. 各ステップを追跡可能にします（情報源と推論を示す）

フェーズ 3：構築してテストする（第 3 週）

1. 次のいずれかを使ってワークフローを実装します：
   • Claude Projects（シンプルな場合）
   • Custom GPTs（中程度の場合）
   • API オーケストレーション（複雑な場合）
2. 過去の例を 3 件使って実行し、手作業のプロセスと比較します
3. 測定項目：削減できた時間、向上した一貫性、追加された追跡可能性

フェーズ 4：文書化して拡張する（第 4 週）

1. プロンプトをバージョン管理します（Git）
2. チーム向けにワークフローの手順を文書化します
3. チームメイト 2 人をトレーニングし、結果を観察します
4. フィードバックに基づいて改善します

成功基準：

• ✅ 少なくとも 1 つのワークフローが一貫して実行される（同じ入力 → 予測可能なプロセス）
• ✅ 各ステップを追跡できる（AI が情報源を引用する）
• ✅ チームがあなたの関与なしにワークフローを再現できる

関連スキル：

• pol-probe-advisor.md — 検証実験にオーケストレーションされたワークフローを使う

---

優先事項が成果の加速の場合

目標： AI を使ってタスクを速めるだけでなく、学習サイクルを短縮します。

フェーズ 1：ボトルネックを特定する（第 1 週）

1. 現在の学習サイクルを整理します（例：仮説 → 実験 → 分析 → 判断）
2. 各ステップにかかる時間を計測します
3. 最も遅いステップを特定します（通常は、検証の遅れ、承認の遅延、会議の負担です）

フェーズ 2：AI による介入を設計する（第 2 週）

1. 「このステップを一晩で終えられたらどうなるか？」と考えます
   • 実現可能性の確認：AI を使えば 2 日ではなく 2 時間で検証できるか
   • ユーザー調査の統合：AI を使えば 1 週間ではなく 1 時間で分析できるか
   • 承認前の確認：会議の前に AI が制約に照らして検証できるか
2. ボトルネックを解消するための最小限の AI ワークフローを設計します

フェーズ 3：パイロットを実施する（第 3 週）

1. 実際の取り組み 1 件で AI による介入をテストします
2. サイクルタイムを測定します：実施前と実施後
3. 品質を検証します：AI は厳密さを保ったか、それとも手順を省略したか

フェーズ 4：拡張する（第 4 週）

1. 成功した場合（サイクルタイムが 50% 以上短縮され、品質も維持されている場合）、さらに 3 件の取り組みに適用します
2. ワークフローを文書化します
3. チームをトレーニングします

成功基準：

• ✅ 少なくとも 1 件の取り組みで学習サイクルが 50% 以上短縮される
• ✅ 品質が維持される（厳密さを損なう近道がない）
• ✅ チームが加速されたワークフローを採用する

関連スキル：

• pol-probe.md — AI を使って PoL プローブをより速く実施する
• discovery-process.md — AI でディスカバリーサイクルを短縮する

---

優先事項＝チームのAI活用を促進する場合

目標： AIを責任逃れの盾ではなく、共に知を生み出す存在として機能させるチーム体制を再設計します。

フェーズ 1：レビューの基準を確立する（第 1 週）

1. ルールを明文化します：「AIの出力は最終版ではなく、草稿です」
2. レビュープロトコルを定義します：
   • AIの出力を誰がレビューしますか？（同僚、プロジェクトリード、部門横断のパートナー）
   • いつレビューしますか？（外部に共有する前、意思決定の前）
   • 何を確認しますか？（正確性、網羅性、根拠の引用）
3. チームに共有し、賛同を得ます

フェーズ 2：エビデンスの基準を定める（第 2 週）

1. AIには情報源を引用させます（ハルシネーションを防ぎます）
2. 「私はそう思います」や「そう見えます」と述べる出力は却下します
3. 「[情報源]によると、[事実]」という形式を必須にします
4. チーム運営ドキュメントに追加します

フェーズ 3：意思決定権限を定義する（第 3 週）

1. AIは提案し、人間が決定することを明確にします
2. AIの提案を覆す権限を持つ人（PM、チームリード、部門横断の合意）を文書化します
3. エスカレーション経路を作成します（AIと人間の意見が食い違った場合の対応）

フェーズ 4：心理的安全性を築く（第 4 週）

1. チーム演習：自分が見つけたAIの誤りを共有します（誤りを見つけることを当たり前にします）
2. 批判的思考を称賛します（「そのAIのハルシネーションによく気づきました！」）
3. 「どうしてAIを使わなかったのですか？」と責めるのは避けます

成功基準：

• ✅ レビューの基準が文書化され、チームが遵守している
• ✅ エビデンスの基準が明文化されている
• ✅ 意思決定権限が明確になっている
• ✅ チームがAIの出力に気兼ねなく異議を唱えられる

関連スキル：

• problem-statement.md — エビデンスに基づく課題設定
• epic-hypothesis.md — 検証可能で、エビデンスに裏付けられた仮説

---

優先事項＝戦略的差別化の場合

目標： 単なる効率向上ではなく、持続可能な競争優位性を築きます。

フェーズ 1：競争優位の機会を特定する（第 1 週）

1. 次のように問いかけます：「人員を増やすだけでは競合他社が再現できない、AIを活用した取り組みには何がありますか？」
   • 新たな顧客向け機能（例：「AIアドバイザーがパーソナライズされたロードマップを提案する」）
   • ワークフローの再構築（例：「プロダクトのアイデアを3週間ではなく2日で検証する」）
   • 経済性の転換（例：「AIによる自動化で、エンタープライズ向け機能をSMB向けの価格で提供する」）
2. 候補を5つ挙げます
3. 模倣困難性に基づいて優先順位を付けます（模倣するのはどれほど難しいですか？）

フェーズ 2：AIを活用した能力を設計する（第 2 週）

1. 最有力候補を選びます
2. エンドツーエンドのワークフローを設計します：
   • 顧客にはどのような体験が提供されますか？
   • 裏側でAIは何をしますか？
   • どのような人間の判断が必要ですか？
3. MVP（実用最小限の競争優位）の概要を描きます

フェーズ 3：構築してテストする（第 3～4 週）

1. プロトタイプを構築します（本番環境向けではなく、PoLプローブでも構いません）
2. 5人の顧客でテストします
3. 測定します：競合他社には対抗できない価値が生まれていますか？

フェーズ 4：競争優位性を検証する（第 5 週）

1. 次のように問いかけます：「競合他社はこれをどのように再現するでしょうか？」
   • 答えが「人員を増やす」なら、競争優位とは言えません
   • 答えが「組織全体を再設計する」なら、競争優位を築けています
2. 競合分析を文書化します
3. 判断します：完全版を構築する、方向転換する、または中止する

成功基準：

• ✅ 競合他社が簡単には模倣できない、AIを活用した能力を少なくとも1つ特定している
• ✅ 顧客で検証済み（顧客が価値を認めている）
• ✅ 模倣困難性を確認済み（競合分析）

関連スキル：

• positioning-statement.md — AIを活用した差別化を明確に伝える
• jobs-to-be-done.md — 顧客がAIの機能に何を期待しているかを理解する

---

ステップ 9：進捗を追跡する（任意）

エージェントからの提案：

AIを活用した変革の進捗トラッカーを作成しましょうか？

トラッカーに含まれる項目：

• 現在の成熟度レベル（ベースライン）
• 目標とする成熟度レベル（目標状態）
• アクションプランのマイルストーン（ステップ 8 から）
• レビュー頻度（毎週、毎月）

選択肢：

1. はい、トラッカーを作成してください — [エージェントがMarkdownチェックリストを生成]
2. いいえ、別途追跡します — [エージェントが概要を提示]

---

例

例1：創業初期のスタートアップ（AI ファースト → 成長段階）

状況：

• チーム：PM 2 名、エンジニア 5 名
• AI の利用状況：PRD の作成に ChatGPT を使用し、Copilot も時折使用
• 目標：大手の競合よりも速く進む

評価結果：

• コンテキスト設計：レベル 1（構造化されたコンテキストなし）
• エージェントのオーケストレーション：レベル 1（単発のプロンプト）
• 成果の加速：レベル 1（ドキュメント作成は速くなったが、学習サイクルは変わらない）
• チームと AI の連携：レベル 2（チームで AI を使っているが、共通ルールはない）
• 戦略的な差別化：レベル 1（効率化のみ）

推奨事項： まずコンテキスト設計に注力します。

アクションプラン（第 1〜4 週）：

• 第 1 週：制約事項のレジストリを作成する（技術的制約 10 件）
• 第 2 週：運用用語集を作成する（用語 15 件）
• 第 3 週：エビデンス基準を確立する
• 第 4 週：コンテキストを CLAUDE.md ファイルに追加する

成果： 4 週間後、コンテキスト設計がレベル 3 になります。これにより、次の四半期にエージェントのオーケストレーションに取り組めるようになります。

---

例2：成長段階の企業（移行期 → AI 主導）

状況：

• チーム：PM 10 名、エンジニア 50 名、デザイナー 5 名
• AI の利用状況：リサーチに Claude Projects を使用し、独自のワークフローが生まれつつある
• 目標：IPO 前に、他社が容易に模倣できない AI の優位性を築く

評価結果：

• コンテキスト設計：レベル 3（構造化されたコンテキストはあるが、網羅的ではない）
• エージェントのオーケストレーション：レベル 3（一部のワークフローはあるが、引き継ぎは手作業）
• 成果の加速：レベル 2（一定の効果はあるが、体系的ではない）
• チームと AI の連携：レベル 3（共通ルールが生まれつつあるが、明文化されていない）
• 戦略的な差別化：レベル 2（新たな能力はあるが、模倣可能）

推奨事項： 成果の加速に注力します（基盤は整っているため、今度は学習サイクルを短縮します）。

アクションプラン（第 1〜4 週）：

• 第 1 週：ボトルネックを特定する（ディスカバリーサイクルに 3 週間かかる）
• 第 2 週：実現可能性の確認を一晩で実行する AI ワークフローを設計する
• 第 3 週：1 つの取り組みで試験運用する（サイクルを 5 日に短縮）
• 第 4 週：3 つの取り組みに拡大する

成果： 学習サイクルが 5 倍速くなり、競合との戦略的な差が生まれます。成果の加速はレベル 4、戦略的な差別化はレベル 3 になります。

---

例3：大企業（AI ファースト、利用状況が分散）

状況：

• チーム：PM 50 名、エンジニア 300 名
• AI の利用状況：各 PM がさまざまなツールを使っており、一貫性がない
• 目標：AI の利用を標準化し、部門横断型のワークフローを作る

評価結果：

• コンテキスト設計：レベル 2（ドキュメントはあるが、AI 向けに構造化されていない）
• エージェントのオーケストレーション：レベル 1（共有ワークフローなし）
• 成果の加速：レベル 1（効率化のみ）
• チームと AI の連携：レベル 1（個人での利用のみで、共通ルールはない）
• 戦略的な差別化：レベル 1（優位性なし）

推奨事項： まずチームと AI の連携に注力します（分散したチームでは、インフラを構築する前に共通ルールが必要です）。

アクションプラン（第 1〜4 週）：

• 第 1 週：レビューのルールを定める（AI の出力は下書きとして扱う）
• 第 2 週：エビデンス基準を定める（AI は情報源を引用する必要がある）
• 第 3 週：意思決定の権限を定める（AI が提案し、リードが決定する）
• 第 4 週：3 つのチームで試験運用し、フィードバックを集める

成果： チームと AI の連携がレベル 3 になります。これにより、次にコンテキスト設計とエージェントのオーケストレーションに取り組むための基盤が整います。

---

よくある落とし穴

1. 効率化を差別化と取り違える

失敗パターン：「AI を使って PRD を 2 倍速く書けるようになった。これで AI 主導だ！」

結果： 競合は 3 か月以内に模倣でき、持続的な優位性は得られません。

対策： 次のように問いかけます。「競合がこの取り組みに 2 倍の人員を投入したら、私たちに追いつけるだろうか？」答えが「はい」なら、それは差別化ではなく効率化（最低限必要な水準）です。

---

2. コンテキスト設計を飛ばす

失敗パターン： 長期的に使えるコンテキストがないまま、エージェントのオーケストレーションのワークフローを構築する。

結果： AI ワークフローが脆弱になる（コンテキストが変わるとすべてが壊れる）。

対策： コンテキスト設計は基盤です。飛ばさないでください。まず制約事項のレジストリ、用語集、エビデンス基準を作成します。

---

3. 個人での利用にとどまり、チームを変革できない

失敗パターン：「私は AI 主導だが、チームはそうではない。」

結果： 拡大できず、あなたが休暇を取るとワークフローが機能しなくなります。

対策： チームと AI の連携を優先します。個人の生産性より、共通ルールを重視します。

---

4. ワークフローではなくツールに注目する

失敗パターン：「Claude と ChatGPT、どちらを使うべきでしょうか？」

**結果：**ツールについての議論により、組織の再設計から注意がそれます。

**対策：**重要なのはツールではなく、ワークフローです。どの AI を使うかではなく、仕事の進め方をどう再設計するかに注目してください。

---

5. 学習よりスピードを優先する

失敗パターン：「AI のおかげで、より速くリリースできます！」

結果：（学習サイクルを短縮していない場合は）間違ったものをより速くリリースしてしまいます。

**対策：**成果の加速とは、より速く構築することではなく、より速く学ぶことです。仮説を数週間ではなく数日で検証してください。

---

参考資料

関連スキル

• context-engineering-advisor（インタラクティブ） — **コンテキスト設計の能力を深く掘り下げます：**コンテキストの詰め込みを診断し、メモリーアーキテクチャを実装し、Research→Plan→Reset→Implement のサイクルを活用します
• problem-statement（コンポーネント） — エビデンスに基づく問題の枠組み作り（コンテキスト設計）
• epic-hypothesis（コンポーネント） — エビデンスの基準を満たす検証可能な仮説
• pol-probe-advisor（インタラクティブ） — AI を活用して検証サイクルを短縮します（成果の加速）
• discovery-process（ワークフロー） — AI によって形作られた原則をディスカバリーに適用します
• positioning-statement（コンポーネント） — AI を活用した差別化を明確にします（戦略的差別化）

外部フレームワーク

• Dean Peters — AI-First Is Cute. AI-Shaped Is Survival.（Dean Peters の Substack、2026年）
• Dean Peters — Context Stuffing Is Not Context Engineering（Dean Peters の Substack、2026年）— コンピテンシー #1（コンテキスト設計）を深く掘り下げます

さらに読む

• Ethan Mollick — Co-Intelligence（AI を置き換えではなく、共同知能として捉えることについて）
• Shreyas Doshi — AI による PM の判断力強化に関する Twitter スレッド
• Lenny Rachitsky — AI を積極的に活用する PM へのニュースレターインタビュー