Waza：手を動かすためのAIコーチ

AIは人間の仕事を自動化してしまうのでしょうか。するとしたら、どれほど速く進むのでしょうか。そして社会はその移行にどう向き合うべきでしょうか。今いちばん声高に交わされている議論は、この3点に集中しています。今月初め、経済学者やノーベル賞受賞者、テック企業の経営者たちが「We Must Act Now」と題した書簡に署名し、大規模な雇用喪失に警鐘を鳴らしました。先週にはJensen Huangが、AIは「仕事ではなくタスクを消す」と反論し、その恐れは問題をまるで逆さまに捉えていると断じました。どちらに転ぶかは重大な問題ですし、誰が正しいのか、分かったふりをするつもりはありません。ただ確かなのは、この2か月で、恐れることがずっと少なく、得るものがずっと多いAIの一角にたどり着いたということです。自分の手でできることを、自信を持って広げていく領域です。

その自信は、ずいぶん前から縮み続けています。知識労働のせいで、起きている時間の大半を画面の前で過ごすようになり、生活の物理的な側面は、ひとつずつ専門家の手に渡してきました。料理は誰かがやってくれます（レストランや作り置きの宅配サービス）。8分で終わる作業のために配管工を呼びます。棚は便利屋が取り付けます。ひとつひとつの外注はどれも合理的です。しかし積み重なると、物理的な世界に対処する力は静かに衰えていき、ぽたぽた垂れる蛇口が、業者に電話をかける案件に見えてきます。実際には、たいてい20分で片づく修理なのに。

このまま進み続ける必要はありません。Waza（技）は、その流れを押し戻そうとする試みです。こちらと同じものを見て、目の前の作業をコーチしてくれるAI。この記事では、Wazaが今できること（デモ動画つき）と、この先どこへ向かうと考えているかを紹介します。iPhoneを使っていてMetaグラスを持っているなら、最後に招待があります。

今ぶつかる壁

例の蛇口に挑むとしましょう。今の技術で頼れる先は2つありますが、どちらも違う形で力不足です。チャットアシスタントは修理の手順を説明してくれますが、こちらの手元がまったく見えていません。蛇口を見せるには作業を止めて手を拭き、写真を撮らなければなりませんし、返ってくる指示は言葉のままです。本当に欲しいのは、やって見せてもらうことなのに。YouTubeが抱えるのはその正反対の問題で、すべてが実演、しかもやっているのは腕に覚えのある人ですが、動画にはこちらが見えないので、どこを間違えているかは教えてくれません。作りかけのものがバラバラのまま転がる横で、チュートリアルの同じ15秒を何度も見返したことのある人なら、この壁を知っているはずです。

代わりに欲しいのは、『マトリックス』でネオがカンフーを頭に読み込む、あのシーンのようなものです（運動野への瞬間ダウンロードは抜きでいいとして）。スキルを読み込むと、コーチが作業を見守り、すでに知っていることに合わせて調整し、文章ではなく映像で正してくれます。人間はテキストより動画のほうがはるかに速く吸収できるからです。誰かがタイヤを交換するのを実際に見るのと、グローブボックスに入った説明書を読むのとの違いです。

そんなコーチがチャットウィンドウに収まるはずがありません。手をふさがずに付き添い、ちらりと目をやれば映像が視界に入る位置に出してくれる必要があります。その体験を支える技術は、おそらく段階を踏んでやってきます。まずは作業の横に立てかけたスマホがクリップを再生します。次は、ディスプレイ付きグラスのレンズに同じクリップがピクチャー・イン・ピクチャーで映ります（第1世代はすでに店頭に並んでいます）。そしてフルARグラスが広く普及すれば、作業中のものの上に直接ヒントが描かれるようになります。段階が進むごとに、フィードバックは目に近づいていきます。

Wazaが今できること

そこで6月に立てた問いはこうです。このうちどこまでが今すぐ作れるのか。やってみると、かなりの部分が作れました。WazaはMetaグラス（なければスマホでも）とペアリングするiOSアプリで、一人称視点の映像をAIコーチにストリーミングします。コーチはスキルの各ステップを声で案内し、質問には1秒ほどで答えます。

スキルの各ステップには、取るべき動作を実演する短い一人称視点クリップが付いていて、コーチがちょうどいいタイミングで、ちょうどいいクリップを再生します。ステップを見せてと頼んだり、手元でしくじったりすると、クリップがスマホに表示されます。スマホは近くに立てかけておけばよく、ちらっと目をやるだけで、両手は作業から離さずに済みます。これが、しゃべるチュートリアルとコーチの分かれ目です。カタログにはまず12種類ほどのスキルが並びます。ネクタイの結び方から、配線のはんだ付け、ステーキをフライパンで焼くコツまで。

（すでにMetaグラスを持っていて自分で試したい人は、招待まで読み飛ばしてもらって構いません。）

一度録れば、ずっとコーチ

コーチの価値はスキルカタログ次第なので、スキル作りは簡単でなければなりません。実は、最近の動画理解モデルを使うと、これがほぼ自動になります。スキルを作るには、実況しながら作業を一度通しで撮り、その映像をアップロードするだけでいいのです。パイプラインが映像をステップに分割し、各クリップをトリミングし、要所にズームし、ステップごとのコーチング用プロンプトを書き上げます。10分のデモが2分半ほどで、誰の手も借りずに、コーチ付きの完全なスキルになります。

ここで取り除かれる手間こそが肝心です。人に見てもらえるレベルのYouTubeチュートリアルを作るのは、いまやちょっとした映像制作です。台本、撮り直し、照明、そしてFinal Cut Proのような編集ソフトに費やす何時間も。そのハードルが、実際にスキルを持っている人たちの大半をふるい落としています。Wazaが求めるのはワンテイクだけで、編集はアプリ側が引き受けます。生の声がそのまま公開されることはなく（コーチを導くのは言葉の中身だけです）、演技をする必要もありません。料理、DIY、手芸、プロの技術、何であれ、やり方を知っている人なら、カメラの前で一度やって見せるだけで教えられます。

タップするものがない

アプリは今も親指を前提にしています。メニュー、検索バー、詳細ページ、どれもタップするために作られていて、タップこそ、濡れた手、油まみれの手、ふさがった手ではできないことです。Wazaでは、コーチがアプリまで操作してくれます。カタログを検索して、カテゴリーを見せて、スキルのページを開いて、と頼めば、手は作業から離さないまま、画面のほうが動きます。スキルの読み込みも、セッションの開始も一時停止も、すべて声で済みます。

こういうことは、少し前まで現実的ではありませんでした。OpenAIのGPT-Realtime-2.1のような音声モデルは、会話の途中でツールを呼び出せるようになりました。つまり、ステップをコーチしている同じモデルが、アプリのボタンも押せるということです。音声操作はとっくに、「『メニュー』と言ってください」式の融通の利かない体験ではなくなり、スマホを手に持ってくれている人と話すのに近いものになっています。今年のテックで最も見過ごされている変化のひとつだと思いますし、両手がふさがっているときほどそれが効く場面はありません。

カメラ付きグラスにふさわしい仕事

カメラ付きグラスの評判は今のところ芳しくありませんし、理由がないわけでもありません。世間に広まるのは、撮られることに同意していない他人にカメラを向ける装着者の話で、その不安は2013年のGoogle Glass以来、このカテゴリーにつきまとっています。

コーチングは、その正反対の使い方です。セッション中のカメラが捉えるのは、自分の作業台やコンロの上にある手元の物であって、他人に向くことはまずありません。しかも、この形は作業のためにあつらえたようにぴったりです。手は自由なままで、カメラは自分と同じ角度から対象を見て、そのまわりを動いても視線と一緒についてきます。アプリひとつでカメラ付きグラスの評判が持ち直すわけではありませんが、こういう使い方が積み重なれば、いつかは変わるかもしれません。

この先の話

次の一歩は、Wazaが現場で本当に役に立つのか、どこで力不足になるのかを確かめることです。短期的にやることは2つ。体験をなめらかにする機能を出していくこと（たとえば、コーチにスキルの追加や修正を頼めるようにしたり、自分でスキルを撮影するときの案内をしてもらったり）と、みんながスキルを試し、自作し、人に伝えていくのに合わせてカタログを育てることです。このループが一周するたびに、コーチはさらに役に立つようになっていきます。

繰り返し考えてしまうのは、ユーザーとスキルが臨界質量に達したときに何が起きるかです。スキルはステップでできていて、ステップは組み替えられます。後輪がパンクした電動アシスト自転車を思い浮かべてみてください。チューブにたどり着くには、まずモーターのケーブルを処理する必要がありますが、そのものずばりのスキルはまだカタログにないとしましょう。それでも、自転車整備士のパンク修理スキルと、電子工作好きのケーブルコネクタスキルの両方がカタログにあれば、AIはそれぞれのステップをつなぎ合わせて、誰も書いたことのない修理ガイドを組み立てられます。これがコンポーザビリティ（composability）で、カタログの価値をスキルの総和以上のものにします。グラスをかけて「これを直したい」と言えば、その場で自分向けのスキルが、視覚的なヒント付きで組み上がります。

規模が大きくなれば、人間の側も変わります。試してみたい場面のひとつが、組織的なトレーニングです。すでに実技を教えている場所が、セッションを遠隔で運営し、AIが行き詰まったらすぐ人間のガイドが引き継ぎ、数百人が同じスキルに同時に取り組みます。この引き継ぎの部分は、今のWazaですでに動いています（この話はまた別の記事で）。

そういう未来を作るためになら、喜んで時間を使いたいと思います。より多くの人が（子どもも含めて）、AIが仕事を片づけるのを画面に張りついて待つのではなく、やり遂げられるだけの導きを受けながら、現実の世界で実際に物を作り、直していく未来です。作る価値があるかどうかを教えてくれるのは、ユーザーだけです。下の招待はそのためにあります。カンフーの読み込みはまだ無理でも、みんなのためのコーチングなら、もう手の届くところにあるのかもしれません。

招待

初期テスターの小さなグループを集めています。求めているのは、この種の技術を面白がれて、粗削りな部分も受け入れられる人たちです。どのみち小さく始めるしかありません。Metaは2026年に公開が解禁されるまで、アプリごとのグラステスターを100人程度に制限しているからです。メインのスマホがiPhoneで、Metaグラス（Ray-BanまたはOakley）を持っていて、写真と音楽以外の使い道を探しているなら、連絡してください。TestFlightのビルドと、グラスのテスター枠を用意します。グラスは持っていないが気になるという人には、ストアのリンクをどうぞ（紹介料もアフィリエイトも一切なし）。

それから、近いところで何か（リアルタイムの案内、一人称視点動画、スキルの記録、実技の指導全般）を作っていたり教えていたりするなら、ぜひ情報交換したいです。同じ連絡ページから、取り組んでいることを教えてください。