あなたの研究こそが、あなたの強み（堀）です。

大手製薬会社は、数十年にわたり何百億ドルもの資金を投じて実験を行い、データを生成し、特定の分子が特定の文脈でどのように振る舞うかについて、独自の理解を築き上げてきました。その蓄積された知識こそが、各社の競争力の核心です。最近、AI研究ラボがこれらの企業にアプローチし、特化型モデルをトレーニングするために独自データを提供するよう求め、見返りとして早期アクセスや曖昧な独自優位性を提示した際、ほぼすべての企業が断りました。

誰かがそれを説明すると、その理由は明白でした。競合他社のデータも取り込む共有モデルに自社の独自データを提供することは、まさに自社を差別化している要素そのものをコモディティ化することになるからです。長年にわたる高コストで苦労して得た理解が、誰でも購入できる汎用ツールの機能の一つになってしまいます。優位性は消え去り、自らお金を払ってそれが失われるのを見届けることになります。

製薬会社はこの力学を明確に見抜くことができます。なぜなら、利害が数十億ドル単位で測定され、知的財産について考えることだけを任務とする法務チームを抱えているからです。しかし、これと同じ論理は、蓄積された知識こそが仕事の価値を生み出しているすべての人に、あらゆる規模で当てはまります。

個人版

コンサルタントの競争優位性は、長年のクライアントとの関わりを通じて開発してきた分析フレームワーク、最初の2週間で新しい組織で何が起きているかを見抜くパターン認識、そして特定の業界が実際にどのように機能しているかについて築き上げてきた組織的知識です。その知識の蓄積には何年もかかり、コンサルタントが読んだものと同じ本や記事を読むだけでは再現できません。なぜなら、その多くは経験、つまり理論を実践に適用したときに何が起こるかを見て、理論がどこで破綻するかに気づくことから得られるからです。

研究者の優位性も同様です。未発表の仮説、論文には掲載されなかった実験結果、何を試してなぜうまくいかなかったかの研究ログ、長年問題に寄り添うことで得られる「どの方向性が有望か」という直感などです。発表された論文は氷山の一角にすぎません。その下にある氷山、すなわち研究キャリアで蓄積された文脈こそが、次の洞察を生み出すのです。

弁護士の訴訟戦略、起業家の市場の隙間に対する理解、投資家の何百もの案件にわたるパターン認識、執筆者の蓄積されたメモや未完成のアイデア。これらはすべて、時間の経過とともに複利で増大していく独自の知識資産です。1年ごとの仕事が翌年の仕事をより良くします。文脈が豊かになり、パターンマッチングがより鋭くなるからです。

これは、個人のAIコンテキストを価値あるものにするのと同じ複利の力学です。180日目の知識は、1日目の知識とは質的に異なります。問題は、その複利から誰が利益を得るかということです。

リスクが潜む場所

何年にもわたって蓄積された思考を、あなたの職種を製品化する可能性のある企業が管理するツールに投入することは、製薬会社が求められたことと同じことを行っていることになります。あなたは、あなたと競合する製品の開発にそれを使用するかもしれないシステム、あるいは少なくとも、同じサブスクリプションを支払うすべての人に同等の分析品質を提供できるシステムに、独自の知識を提供しているのです。

プラットフォームの捕食パターンがこれを具体的に示しています。CursorはAnthropicの最大のAPI顧客の一つになり、コーディングアシスタント市場が巨大であることを証明しました。するとAnthropicはClaude Codeを立ち上げました。Cursor上でワークフローを構築していた開発者たちは、事実上、インフラプロバイダーに対して商業的機会を実証していたことになります。最先端のラボが各カテゴリーで垂直統合型の製品を立ち上げるにつれ、これと同じパターンがデザイン、法務、財務分析、科学研究の分野でも展開されています。

個人の知識労働者にとって、リスクはそれほど劇的ではありませんが、構造的には全く同じです。最先端ラボのツール内に、ケース分析、戦略的フレームワーク、クライアントへの洞察の豊かなライブラリを構築したコンサルタントは、そのラボに対して、コンサルティングが詳細なレベルでどのように行われているか、どのユースケースが最も価値があるか、そしてその仕事の製品化バージョンに何が含まれるべきかについて、詳細な理解を与えたことになります。彼らはその特定のコンサルタントをターゲットにした製品は作らないかもしれませんが、何千人ものコンサルタントが投入したデータの集計に基づいて、そのカテゴリー全体をターゲットにした製品を作るでしょう。

ナレッジ監査

製薬会社が自らに問いかけた質問を、自分自身にも問いかけてみる価値があります。「もし、AIツールやメモアプリ、研究データベースに蓄積された独自の思考をすべて抽出して山積みにしたとしたら、あなたの競争優位性のどれくらいがその山の中に存在しているでしょうか？」

多くの知識労働者にとって、その答えは「ほぼすべて」です。学位や資格はあなたをその部屋に導いてくれました。しかし、実際の仕事をどのように行うかという蓄積された知識こそが、あなたをその場所にとどまらせているのです。そして、その知識の少なからぬ部分が、現在、あなたが管理していないシステムに保存され、読んだこともない利用規約に支配され、次の製品発表があなたの仕事を真っ向からターゲットにしているかもしれない企業からアクセスできる状態にあります。

これはAIの使用をやめる理由にはなりません。AIはあらゆる形態の知識労働の生産性を劇的に向上させ、豊かな個人コンテキストの複利効果は現実的かつ極めて重要です。問題は、そのコンテキストがどこに存在し、アクセス条件を誰が管理しているかです。

自分のものであり続ける堀（モート）を築く

構造的な解決策は、エンタープライズ規模で機能するものと同じであり、それを個人や小さなチーム向けに適応させたものです。

自分が管理するインフラに研究内容を保存する。 あなたのメモ、注釈、研究ログ、文献レビュー、そして蓄積された思考は、AIプロバイダーのデータベースではなく、自分が所有するストレージに置くべきです。「自分のストレージを持ち込む（Bring-your-own-storage）」とは、データがあなたのS3バケットやR2アカウントに存在し、それと対話するために使用するツールは、コンテナそのものではなく、その上のレイヤーになることを意味します。

あなたを吸収することなく、あなたに役立つモデルを使用する。 オープンソースモデルは、サードパーティのトレーニングパイプラインにデータを流すことなく、データを処理できます。モデルを自分で選択することは、単一のプロバイダーに依存しないことを意味し、あなたのデータが、受けているサービスの対価として裏で支払われることもなくなります。

AIにコンテキストを明け渡すことなく、それを増幅させる。 セマンティック検索を備えたナレッジライブラリを使用すると、蓄積された研究内容が検索システム自体の所有物になることなく、AIを活用した検索と統合のメリットを最大限に享受できます。AIは、トレーニングデータとして取り込むのではなく、制御されたプロトコルを介して、あなたの条件でライブラリを読み取ります。

複利効果を自分に有利に働かせる。 注釈を付けたすべての記事、自分の言葉で書いたすべてのメモ、予測と実際の結果を記録したすべての研究ログのエントリは、個人のコンテキストを豊かにし、AIとの対話をより有用にするデータポイントとなります。その複利効果はあなたに利益をもたらすべきであり、それを確実にする方法は、コンテキストを自分が管理するシステムに保持することです。

時間の優位性

これには見落とされがちな時間的な側面があります。データ提供を拒否した製薬会社がそうしたのは、トレードオフを明確に見抜いていたからです。ツールへの早期アクセスと引き換えに、数十年にわたり蓄積された優位性がコモディティ化されてしまうという点です。現在、同じトレードオフを明確に見抜き、自分が管理するシステムでコンテキストを構築することを選択した知識労働者も、同様の計算を行っています。

コンテキストは毎日複利で成長します。今日から管理されたインフラで個人のナレッジライブラリを構築し始める研究者は、早送りすることも、購入することも、複製することもできない、6ヶ月分の蓄積されたコンテキストを手にすることになります。そのコンテキストにより、あらゆるAIとの対話がより有用になり、すべての検索がより具体的になり、すべての統合が実際の仕事にしっかりと根ざしたものになります。そして、それが自身のストレージに独自の条件で存在するため、複利効果のメリットはすべてその人に還元されます。

あるいは、あなたと利益が相反する可能性のある企業が管理するシステムで、同じ深さのコンテキストを構築することは、蓄積されたコンテキストが価値を持てば持つほどリスクが高まる「信頼」への賭けとなります。

よくある質問

私は個人ですが、本当に当てはまりますか？ 蓄積された知識があなたの仕事の価値を生み出しているなら、イエスです。製薬会社の例は規模こそ劇的ですが、原理的には、フリーランスのコンサルタントのクライアントへの洞察、博士課程の研究者の文献メモ、独立系アナリストの業界理解とまったく同じです。質問は同じです。「あなたが知識を蓄積しているシステムは、あなたの利益に資するものですか、それとも最終的に他の誰かの利益に資する可能性のあるものですか？」

すでにプロバイダーのツールに何年分もの作業を投入してしまっている場合はどうすればよいですか？ すべてを遡って抽出しようとするのではなく、これから先に向かって始めましょう。新しいキャプチャ、新しいメモ、新しい研究は、自分が管理するシステムに入れていきます。既存の素材もその場所で引き続き役立ちますし、その多くは、面倒な手動移行を必要とせず、連携機能を通じて新しいライブラリに接続できます。

データを自分で所有すると、AIのパフォーマンスは低下しますか？ オープンソースモデルは、ほとんどのタスクにおいてパフォーマンスの差が無視できるレベルに達しています。そして、AIが豊かな個人コンテキスト（あなたの研究内容、メモ、注釈）にアクセスできる場合、出力の関連性は、最先端モデルがコンテキストなしでゼロから生成するものを上回ることがよくあります。

関連記事： AIの優位性はモデルではなく、メモリにある、 知性をレンタルするな、 あなたの知識はどこに存在するか？、 実際に研究を行う方法、 研究ログについて。関連ガイド： リサーチワークフロー、 文献レビュー、 人々がFabricをどのように使用しているか。