メインコンテンツへスキップ
DEFINITIONPillar 1 ─ AX for Revenueとは

Crazy Intelligence とは何か｜とっぴな発想と PI における役割

Published
Updated
Reading
9 min
  • Crazy Intelligence
  • クレイジー・インテリジェンス
  • とっぴな発想
  • PI
  • Primal Intelligence
  • 内発的飛躍
  • 異分野転用

AI が学習できる領域はインターネット上のテキストや画像という、すでに言語化された知の集積である。その範囲のなかでなら、AI は人間より速く、正確に、安価に処理する。しかし、その範囲の外側に「跳ぶ」ことはできない。Crazy Intelligence は、まさにその外側に存在する知性のかたちである。

「AIは効率化から、収益の創造へ」というブランドメッセージの核心は、ここに接続する。効率化は AI が学習した範囲の内側で起きる。新しい売上の創造は、その外側に降りなければ起きない。本記事では、PI（Primal Intelligence）を構成する2要素のうち、Crazy Intelligence の輪郭を整理する。

Crazy Intelligence の定義

Crazy Intelligence は、PI（Primal Intelligence）を構成する2要素の片方である。もう片方の Field Intelligence が「現場の身体感覚と経験に宿る、まだ言語化されていない情報」を指すのに対し、Crazy Intelligence は「論理的に導出できず、現場観察からも導かれない、内発的な飛躍」を指す（麻生要一『AI収益進化論』第4-3章）。

ここで重要なのは、Crazy Intelligence が「天才のひらめき」ではない、という整理である。書籍は、Crazy Intelligence を「特別な天才だけが持つものではない。むしろ新人や、業界の外から来た人や、子どものように発想する人のほうが、しばしば持っている」と整理する。

つまり Crazy Intelligence は、能力の話ではなく思考の型の話である。業界の論理から意図的に距離をとり、別の論理の系から発想を引き寄せる態度。AI 時代において、この態度を持った人間が経営の判断軸に関与しているかどうかが、収益進化AI と効率化AI の分かれ目になる。

PI（Primal Intelligence） は、Crazy Intelligence と Field Intelligence の2要素の総体として定義される。どちらか一方だけでは、PI の機能は発揮されない。

Crazy Intelligence の3つの典型形

書籍 第4-3章は、Crazy Intelligence が現実に立ち現れる典型形を3つに整理している。

異分野からの強引な転用

ある業界で当然のように使われている技術や発想を、まったく別の業界に持ち込む発想。元の業界では「あって当たり前」のものが、別の業界では「誰も思いつかなかった」発明として機能する。

業界常識からの意図的な逸脱

「この業界ではこうするのが当たり前」という共通認識を、意図的に裏返す発想。共通認識は通常、業界に長くいる人ほど強く内面化されるため、業界外の視点を持つ人間のほうがこの逸脱を起こしやすい。

無関係な2つの強引な結合

論理的なつながりがない2つのものを、強引に接続する発想。つなぎ目に必然性がないからこそ、競合がそこに先回りすることもない。

3つの典型形に共通するのは、いずれも「業界の論理だけを正確に追っていれば、絶対に出てこない」という性質である。AI が学習データから推論する答えは、業界の論理を正確に追った先に出る。Crazy Intelligence は、その推論経路の外側にしか存在しない。

世界的事例 ―― ダイソン、SpaceX、3M ポストイット

ダイソン ―― 工場の集塵機を、家庭の掃除機へ

ジェームズ・ダイソンが家庭用サイクロン掃除機を構想したとき、ヒントになったのは家電業界の中ではなく、工場の集塵機（産業用のサイクロン技術）であった。製材所などで木屑を空気から分離するために使われていた巨大な装置の原理を、そのまま家庭用掃除機にスケールダウンして持ち込む、という発想である。

家電業界の論理だけを追っていれば、紙パック方式の精度をどう上げるかという問いに収束していく。産業用集塵機という「まったく無関係な業界」の技術系を持ち込んだ瞬間に、紙パックそのものを不要にする商品が成立した。これは典型的な「異分野からの強引な転用」である。

SpaceX ―― ロケットを、使い捨てから再利用へ

宇宙開発業界における長年の前提は、「ロケットは使い捨てるもの」であった。打ち上げのたびに高価な機体が海に落ちて失われる、という構造を、業界全体が当然のものとして受け入れていた。

SpaceX は、この前提そのものを覆した。ロケットを再利用する、つまり打ち上げた機体を着陸させて再び飛ばす、という設計思想は、業界の常識からの徹底した逸脱である。逸脱の根拠は、業界内の最適化議論からは導けない。「そもそも、なぜ使い捨てなければならないのか」という、業界の前提自体を疑う問いの側に根拠がある。

3M ポストイット ―― 失敗作の接着剤を、栞へ

3M の研究者が強力な接着剤を開発しようとして、結果として「すぐ剥がれる、弱い接着剤」ができてしまった。業界の論理に従えば、これは失敗作であり、捨てられるべきサンプルである。

別の社員が、賛美歌集に挟んだ栞がよく落ちて困っている、という個人的な不満をきっかけに、この弱い接着剤と栞を結合させた。「強力な接着剤の開発失敗」と「栞が落ちる」という、本来まったく接続するはずのなかった2つが結ばれた瞬間に、ポストイットという市場が立ち上がった。これは「無関係な2つの強引な結合」の代表例である。

Field Intelligence との違い

Crazy Intelligence と Field Intelligence は、ともに PI を構成するが、起源も担い手も引き出し方も異なる。混同しないために、5つの軸で整理する。

軸Crazy IntelligenceField Intelligence
起源内発的な飛躍。発想者の頭の中から立ち上がる外側からの観察。現場の身体感覚と経験のなかに宿る
性格論理的に導出できない、業界の論理からの逸脱まだ言語化されていない、断片的な現場の情報
蓄積方法蓄積するものというより、特定の瞬間に「発火する」もの日々の業務のなかで、自然に堆積していく
担い手業界外から来た人、新人、異業種転職者、外部アドバイザー現場の最前線で長く働いている人、顧客接点を持つ人
引き出し方業界の論理から意図的に距離を取る場の設計経営者が現場に降りて、信頼関係のもとで聞き取る作業

両者は性格が異なるが、組み合わさって初めて PI として機能する。Crazy Intelligence だけでは、現場の重力を欠いた空想で終わる。Field Intelligence だけでは、現状の延長線上の改善に留まる。AI が辿り着けない領域に経営を運ぶには、両方が必要になる。

詳細な対比は Field Intelligence の解説記事を参照してほしい。

Crazy Intelligence は誰が持っているか

書籍 第4-3章の整理に従えば、Crazy Intelligence は「業界に深く染まっていない人」のほうが持ちやすい。

具体的には、業界外から転職してきた人、別業界からの顧問やアドバイザー、まだ業界の論理を内面化していない若手、業界の常識を相対化できる海外経験者、子どもの視点に近い発想を保っている人、などが挙げられる。

逆に、業界に20年以上いて、業界の合理性を完全に内面化している人ほど、Crazy Intelligence は出にくい。これは能力の問題ではなく、思考の型が「業界の論理を正確に追う」方向に最適化されているため、その外側に飛ぶ動作そのものが選択肢に入らない、という構造の話である。

ここに、AI 時代の経営の論点がひとつある。多くの企業の AI 推進プロジェクトは、業界の論理に深く精通したベテランによって牽引される。論理に精通していること自体は重要だが、Crazy Intelligence の供給源としては機能しにくい。経営者の役割は、業界の論理を熟知した人材と、業界の論理から距離を取れる人材を、意図的に同じ場に置くことにある。

AX for Revenue Loop の Step 3（PI Injection）では、この Crazy Intelligence をどう AI に注ぎ込むかが問われる。書籍が定める原則は、「これまで見過ごされてきたが、じつは大きな可能性を秘めたアイディア」だけを選び取って AI に注ぎ込む、というものである。なんでもかんでもを注ぐと、AI の出力は逆に揺らぎ、収益進化の経路を見失う。

段階3、すなわち AI 推進プロジェクトを動かしているのに売上が動かない経営者にとって、PoC 地獄から抜け出す鍵のひとつは、ここにある。効率化AI のチューニングを続けても、AI の学習範囲の内側を磨いているにすぎない。Crazy Intelligence を AI に注ぎ込む構造を作って初めて、AI は学習範囲の外側へ「跳ばされる」。

よくある質問

Q1. なぜ業界に深く染まっている人は Crazy Intelligence が出にくいのですか？

業界に長くいると、その業界固有の論理や合理性が思考の型として内面化される。内面化された論理は、無意識に「ありえる答え」と「ありえない答え」を分けるフィルターとして働く。Crazy Intelligence は本来「ありえない答え」の側に存在するため、フィルターが強い人ほど発想の俎上に上がらない。能力の問題ではなく、思考の最適化方向の問題である。

Q2. Crazy Intelligence と、単なる思いつきの違いは何ですか？

両者の見た目は似ているが、構造が異なる。単なる思いつきは、業界の論理を理解しないまま発される発想で、後の検証に耐えないことが多い。Crazy Intelligence は、業界の論理を一度通過した上で、そこから意図的に距離を取った発想である。だからこそ、ダイソンや SpaceX のように、後から事業として成立する。両者を分けるのは、業界の論理に対する理解の深さと、そこから離れる意図の有無である。

Q3. Crazy Intelligence は AI に学習させて生成できますか？

できない、というのが現時点での整理である。AI の学習データはすでに言語化された知の集積であり、Crazy Intelligence は「まだ誰もその接続を言語化していない発想」を指す。AI は学習データの内側で組み合わせを生成できるが、学習データの外側に内発的に跳ぶことはしない。AI に Crazy Intelligence を発させたいなら、人間が外側からその発想を注ぎ込む（PI Injection）必要がある。

Q4. Crazy Intelligence は組織のなかでどう守ればよいですか？

組織の通常の評価基準は、業界の論理に基づく合理性で発想を測る。Crazy Intelligence はその基準では「ありえない発想」として却下されやすい。守る方法は、評価基準そのものを切り分けることである。既存事業の意思決定ラインとは別に、Crazy Intelligence を試行できる場（実験予算、別評価軸の組織、別ルールの場）を設ける。書籍 第10章で論じられる「攻めの層を別ルールで動かす場」の発想に接続する論点である。

Q5. Crazy Intelligence は意識的に鍛えられますか？

直接的に鍛えるのは難しいが、出やすい環境を作ることはできる。業界外との接触頻度を増やす、別業界の事例を学ぶ習慣を持つ、自社の常識を一度疑う問いを定期的に投げる、業界外の人材を意思決定の近くに置く、などである。鍛える対象は能力そのものではなく、Crazy Intelligence が発火しやすい状況設定である。

Q6. Crazy Intelligence と Field Intelligence は、同じ人が両方持つことはありますか？

ありえる。ただし稀である。Field Intelligence は現場に深く入り続けることで蓄積され、Crazy Intelligence は業界の論理から距離を取れる位置にいることで発火しやすい。両者は要求する立ち位置が逆方向のため、同一人物に両方を期待するより、異なる立ち位置の人材を意図的に組み合わせる設計のほうが現実的である。

関連概念

Crazy Intelligence は、効率化AI の射程の外側にしか存在しない。AI が業界の論理を正確になぞる時代だからこそ、業界の論理から意図的に離れる発想の価値が、これまでとは比較にならないほど高まる。AIを効率化から、収益の創造へと運ぶ経路は、ここから始まる。

発行: 株式会社アルファドライブ

References

出典

  1. Microsoft Research / CAS (Chinese Academy of Sciences) / William and Mary「Large Language Models Understand and Can be Enhanced by Emotional Stimuli」(2023)https://arxiv.org/abs/2307.11760
  2. Microsoft Research「Textbooks Are All You Need」(2023)https://arxiv.org/abs/2306.11644
Related

関連記事