SingleFocusAI理論

現在のAIシステムは、複数のことを一度に頼まれたとき、一貫性のない結果を示すことがあります。

よくある経験

「エラーをチェックし、報告し、修正してください」といった複数の目的を含む指示を出すと、AIシステムは以下のような問題を示します：

• タスクごとの完了度が不均一になる
• 困難なタスクが後回しにされる傾向がある
• システムは成功を報告するが、実際には期待通りの結果が得られない
• 何度もやり直しが必要になる

なぜこうなるのか

これらの現象は、AIシステムの注意分配メカニズムと、システムとユーザー間の評価方法の違いに起因すると考えられます。

SingleFocusAI理論は、人間-AIコラボレーションにおける注意分配と成功評価を説明する3つの基本原理に基づいています。

原理1: 注意散漫仮説

複数のことを同時に頼むと、AIの注意が分散され、各タスクに割り当てられる集中力が減ってしまいます。

この原理は、人間の認知負荷理論をAIシステムに拡張したものです。人間が複数のタスクを同時に行うとパフォーマンスが低下するのと同様に（Kahneman, 1973）、AIシステムも複数の目的を処理する際に同様の劣化パターンを示します。

どのように作用するか

複数目的指示を出すと、注意が分散されます（各目的に約33%の注意）。その結果、簡単なタスクが優先され、困難なタスクは後回しにされます。最終的に、すべての目的が部分的にしか完了せず、AIは成功を報告しますが、ユーザーから見れば完全な失敗となってしまいます。

原理2: 評価不一致仮説

AIシステムとユーザーでは、成功の評価方法が根本的に異なります。

AIは「足し算」で評価します： E_AI = (A + B + C) / n

一方、ユーザーは「かけ算」で評価します： E_User = A × B × C

具体例

例えば、「エラーをチェックし、報告し、修正してください」という指示に対して：

• （タスクA）エラーチェック→OK
• （タスクB）報告→OK
• （タスクC）修正→NG

AIの評価：E_AI = (1 + 1 + 0) / 3 = 67%成功

ユーザーの評価：E_User = 1 × 1 × 0 = 0%の有用性

この違いにより、AIが「67%成功」と報告しても、ユーザーから見れば「0%の有用性」となってしまうのです。

コンテキスト汚染と暴走

AIとユーザーの間に成功率の乖離があることにより、コンテキストが汚染されることが確認されています。AIが成功と判断した不完全な出力がコンテキストに残り、その後の処理に悪影響を与え、最終的に暴走の原因となっています。単一焦点指示により、このコンテキスト汚染を防ぎ、暴走を抑制することができます。

原理3: 単一焦点解決原理

一つの目的に100%の注意を集中することで、成功確率を最大化し、AIとユーザーの評価を一致させることができます。

単一目的指示は、注意散漫と評価不一致の両方を解決します。AIが一つの目的に集中すると、より高い成功率を達成し、成功した場合はユーザーに明確な有用性を提供できます。

単一焦点指示の効果

単一目的指示は、注意散漫と評価不一致の両方を解決します。注意分配モデルによれば：

総注意 = 100% タスクごと注意 = 総注意 / 目的数

目的が増えるほど、各タスクに割り当てられる注意が減り、成功確率が下がります。

実証的検証結果

38,000以上のファイルを用いた大規模な実験において、以下の結果が確認されました：

理論的予測

目的数が増えるほど、成功確率は指数関数的に低下することが理論的に予測され、実際の観察結果とも一致しています。

指示を分解する方法

複数の目的を含む指示を、最適な単一焦点のシーケンスに分解する手順：

1. 目的の識別：指示内の独立した目的を特定する
2. 依存関係の分析：目的間の依存関係を評価する
3. 優先順位付け：困難度と依存関係に基づいて順序を決定する
4. 順次実行：各目的を独立した単一指示として順番に実行する

実践例

複合指示：「このプログラムのバグを直して、説明も書いて、テストも作って」

分解後：

1. 「このプログラムのバグを直して」
2. （完了後）「このプログラムの動きを説明して」
3. （完了後）「このプログラムのテストを作って」

品質の確保

単一焦点指示により、各タスクに100%の注意が割り当てられ、期待される品質の出力が得られます。

貼り付け用プロンプト

以下のプロンプトをAIに貼り付けて、指示文を検証してもらえます：

分散指示は単一指示に比べ、AIの出力結果とユーザー期待値の間に乖離を引き起こします。
SingleFocusAI理論(https://singlefocus.ai/theory/sfai)
この理論に基づき、私の指示文が期待値を満たすものか検証してください。

言語普遍性

SingleFocusAI理論は、特定の言語や文化に依存しない認知原理に基づいています。日本語と英語の両方で実験を行った結果、言語構造の違いに関わらず、単一焦点の効果が確認されています。

理論的基盤

この理論は、以下の普遍的メカニズムに基づいています：

• 注意は有限なリソースである
• 注意が分散されるとパフォーマンスが低下する
• システムとユーザーでは評価方法が異なる

認知心理学の「二重タスクパラダイム」の知見をAIシステムに拡張し、注意分配メカニズムの理論的基盤を提供しています。

実用的意義

この理論は、特別なツールを必要とせず、既存のAIシステムとの相互作用においてすぐに適用できます。実際の使用経験において、エラー率の減少が確認されています。

SingleFocusAI理論は、人間-AIコラボレーションにおける注意分配と成功評価の理論的基盤を提供します。

理論的貢献

1. 注意散漫仮説：複数目的指示におけるパフォーマンス劣化のメカニズムを説明
2. 評価不一致仮説：システムとユーザー間の期待ギャップを数学的に定式化
3. 単一焦点解決原理：最適化された指示設計の理論的根拠を提供

実用的影響

• 学生：研究効率の向上
• 専門家：業務効率の大幅な改善
• 企業：コスト削減と品質向上
• 社会：AIシステムの実用性向上

将来の研究方向

理論は、異なるAIアーキテクチャやタスクドメインでの適用可能性の検証、注意分配メカニズムの詳細なモデル化、評価方法の自動検出と最適化など、さらなる研究の基盤を提供します。

まとめ

SingleFocusAI理論は、AIとの協力をより効果的にするための根本的なアプローチです。複雑な技術を必要とせず、今日から実践可能であり、人間-AIコラボレーションの新たなパラダイムを確立します。