私たちは、役に立ちそうな情報を保存します。本を読み、記事を記録し、会議の内容を残し、写真やメモを蓄えます。デジタル化によって保存できる量は大きく増え、AIを使えば大量の記録から必要な情報を探すことも容易になりました。それでも、「持っているのに使えない知識」はなくなりません。保存したこと自体を忘れていたり、見つけても現在の問題とどう関係するのか分からなかったりするからです。
知識の意味は、それが置かれた関係によって変わります。以前読んだ「小さく試してから広げる」という考え方が、そのときは仕事の方法としてしか見えなかったとします。後になって地域の活動を始めるとき、その考えが参加者を少人数から集める方法と結びつくかもしれません。知識の文章は変わっていなくても、新しい問いと接続されたことで別の価値を持ちます。知識は保存された瞬間だけで価値が決まるわけではありません。
このことは、知識を整理する方法にも影響します。テーマ別に分類することは便利ですが、同じ知識が複数の問いに関係することがあります。健康についての研究が働き方の設計に役立つこともあれば、交通についての事例が地域の公平性を考える材料になることもあります。一つの棚へきれいに収めるだけでは、こうした横断的な関係は見えにくくなります。必要なのは分類をなくすことではなく、分類を越えて再接続できる余地を残すことです。
AIは、この再接続を助けることができます。現在の問いを手がかりに、以前の記録や別分野の知識から関係しそうなものを探し、人間が比較できる形で提示できます。しかし、AIが「関連している」と判断しただけで意味のある知識になるわけではありません。表面的に似た言葉が使われていても、条件が違えば参考にならないことがあります。逆に、言葉は違っていても、問題の構造が似ている場合があります。接続には、検索以上の検討が必要です。
さらに、知識は使われることで更新されます。ある考えを実際の問題へ適用してみると、うまくいく条件とうまくいかない条件が見えてきます。その結果を元の知識と結びつければ、次に使うときには以前より豊かな文脈を持てます。知識を完成した答えとして保存するだけなら、この変化は残りません。問い、適用、判断、結果まで関係づけることで、知識は経験とともに育つことができます。
Sai＊aus Laboが知識を孤立した記事だけとして扱わず、関係の網として考える理由もここにあります。一つの記事が別の記事へ単純にリンクされているだけではなく、どの問いが共通し、どこで見方が異なり、どの条件で以前の理解を更新する必要があるのかをつなげられれば、過去の知識は次の問いの材料になります。人間が新しい判断をするたびに、その関係も更新される余地があります。
この循環では、知識の量が増えることだけが成長ではありません。古い知識と新しい知識の関係が明確になったり、以前は別々だと思っていた問題の共通点が見つかったり、反対に似ていると思っていたものの条件差が分かったりすることも成長です。保存量が同じでも、接続の仕方が変われば、そこから生まれる理解は変わります。
知識は、持っているだけでも可能性を持ちます。しかし、その可能性が現実の理解へ変わるのは、新しい問いと出会い、別の知識や経験と結びついたときです。AIが知識を扱う時代には、「どれだけ覚えているか」だけでなく、「必要なときにどの関係を作り直せるか」が重要になります。未来の問いをまだ知らなくても、知識同士を再び結びつけられる余地を残しておく。その設計が、保存された情報を生きた知識へ変えていきます。
答えではなく、理解を。