30秒サマリ

  • 鍵は「プロンプト設計」ではなく「背景情報の設計」——自分の判断軸・過去の意思決定・目的をシステムプロンプトに埋め込み、汎用AIを「自分専用AI」に変換する
  • BridgewaterはRAG（外部データをリアルタイムで検索しながら回答を生成する仕組み）＋二重検証エージェント、unicodeveloperは毎朝GitHub Actionsで大統領ブリーフィング相当を自動生成、Karpathyは個人MarkdownノートをLLMの専用知識ベース化
  • Perplexity＋NotebookLMの組み合わせで調査時間60〜80%削減の実績報告が複数
  • NavalRavikantは逆張りで「特定ツールを習得しない」——AIの進化速度が人間の学習速度を上回るため
  • AI情報キュレーション市場は2024年→2025年で47%成長（52.3億ドル→77.1億ドル）

背景と知識地図

このセクションでは、なぜ今「AI×情報収集設計」が重要になったかを理解できる。

現代の知識労働者は平均3分おきに新着通知を受け取る。業務時間の3割以上を「必要な情報を探す」行為だけに費やしているとわかった。投資家や起業家にとってこの問題は特に致命的だ。情報の優劣が直接リターンに反映される職種だからだ。

こうした背景から「情報の取捨選択」という考え方が生まれた。つまり、何を取り込み、何を遮断するかを意図的に設計する発想だ。2020年代前半に注目され始めたが、手作業による情報管理には限界があった。2024〜2025年にかけてAIエージェント（自律的にタスクを実行するAIシステム）が実用化された。その結果、このアプローチは根本から変わった。

個人の知識管理の分野では、収集→整理→蒸留→発信の4ステップ（CODE）が長年の標準だった。あわせて4種類に分類する整理法（PARA）も広く使われてきた。

ところが2025〜2026年のAI進化で状況が変わった。「整理」と「蒸留」の2工程はほぼAIが自動化できるようになった。「人間は何を入力するかと何をアウトプットするかだけに集中すべき」という再定義が起きた。このメソッドの提唱者も2026年に「Second Brain」をAIとの協働モデルに刷新すると発表した。

設計思想の核心はAIに渡す「背景情報」をどう設計するかにある。プロンプト設計（指示文の最適化）が単一の命令文を磨くことだとすれば、背景情報の設計は上位概念だ。AIエージェントが「どの情報を・どの順番で・どの粒度で受け取るか」を設計する。

AIには一度に処理できる情報量の上限がある。この上限は有限だ。だから必要な情報と不要な情報の比率を高める設計が、エージェントの出力品質に直結する。

具体的な仕組みとして注目されているのがRAG（外部データをリアルタイムで検索しながら回答を生成する仕組み）だ。これに「ペルソナ固定型エージェント」（個人の判断軸・好み・過去の意思決定をシステムプロンプトに埋め込んだエージェント）を組み合わせると、汎用AIでは得られない「自分の状況に合った回答」が実現する。

投資家の間では、生成AIが初期段階の起業家の「情報の非対称性（自分だけが知らない状況）」を大幅に縮小できると言われている。

一方でAIによる情報絞り込みには構造的リスクもある。自分好みの情報だけが増幅されて偏る現象への傾斜だ。もうひとつはAIが事実と違う内容を自信満々に答えることだ。学習データに存在しない最新情報をそれらしく補完してしまう。ある調査では、大企業向けアプリケーションの40%が2026年末までにタスク特化型AIエージェントを組み込むと見込む。ただし「適切な管理なき自律性」を最大のリスクとして挙げている。

データ・数値

このセクションでは、情報過多の規模とAI導入の効果を数字で確認できる。

知識労働者は週の28%、約13時間をメール・情報収集に費やす。リーダー層はさらに悪く、答えを探す作業だけで就業時間の25%を失っているとわかった。情報過多を訴える労働者の割合は、2020年の60%から2026年には80%へ拡大した。一度中断した集中を完全に回復するまで平均23分15秒かかる。年間コストは世界経済全体で約1兆ドルと推計されている。

AIを活用した情報選別・要約の仕組みを導入すると、月間30時間超の節約が報告されている。AIニュースレター要約ツールはメール処理時間を30〜50%削減する。PerplexityとNotebookLMを組み合わせたリサーチワークフローは調査時間を最大60〜80%削減する。「数時間かかっていた作業が45分に」という実績報告が複数ある。

採用率の面では、2025年時点でAIを少なくとも1業務に活用する組織の割合は55%から78%へ急伸した。2026年初頭には88%に達した。知識管理チームのうちAIを導入済みの割合は38%だ。2025年末までに70%がAI型知識管理システムを採用するとの予測もある。

ただし経営層の実態には温度差がある。6,000人の経営幹部を対象にした2026年2月の調査では、AIを使っているのは全体の約1/3にとどまった。使用者でも週平均1.5時間にすぎない。80%超の企業が「AIによる生産性向上をまだ実感していない」と回答した。個人ワークフローへの組み込みと組織レベルの成果の間には、明確なギャップがある。

Perplexityはリサーチ特化型AIとして2025年に月間クエリ数7億8,000万件・前月比20%超の成長を記録した。アクティブユーザーは2025年初頭の2,200万人から4,500万人超へ倍増した。AI駆動型知識管理市場は2024年の52.3億ドルから2025年に77.1億ドルへ47.2%成長した。2029年には358.3億ドルへ達する見通しだ。

実事例

VC投資家

Bridgewater Associates / AIA Labs（2024〜2025年）

このセクションでは、世界最大ヘッジファンドのAI情報処理設計がわかる。

世界最大のヘッジファンドがClaudeを使った「Artificial Investment Associate（人工投資アシスタント）」を構築した。Amazon Bedrock上でClaude Opus 4を稼働させる。Amazon Textract（PDF解析API）で財務報告書をMarkdown化し、RAGのパイプラインに流す。設計哲学は「最良のプロンプト設計者はエンドユーザーである投資家本人」だ。"Blueprint"と呼ぶ複数ステップ構造で、単一プロンプトでは解けない複雑な分析に対応する。体現している側面は、その分野の専門家が直接プロンプトを設計する「人間が判断に介在するワークフロー」の最高峰事例だ。

Bessemer Venture Partners（2025年）

このセクションでは、投資業務全体をAIで再設計した事例がわかる。

内部AI統合でアナリスト一人あたり234時間/年を回収したと報告した（Affinity社レポート引用、Bessemer直接公表数値は未確認）。投資先候補の発掘からLPレポーティングまでAIを基盤インフラとして再設計した。「AI Agent Autonomy Scale（AIエージェント自律性スケール）」という独自フレームワークを公開し、ユースケースの成熟度を可視化している。体現している側面は、投資業務の全フェーズをエージェント化し「AIをツールではなくインフラ」として捉える思想的転換の事例だ。

GoingVC / VC Lab（2025〜2026年）

このセクションでは、複数のAIエージェントを対立させてバイアスを除去する設計がわかる。

Decile HubというVC専用AIプラットフォームを軸に、投資先候補の発掘→投資前の詳細調査→LP管理→ポートフォリオ監視の全工程をエージェント化した。特徴的なのが「Devil's Advocate Agent（悪魔の代弁者エージェント）」設計だ。1人目のエージェントが投資テーゼを構築する。2人目の別エージェントが同じ資料を読んで「最強の反対論」を生成する。この二重チェック構造でバイアスを除去する。Telegram/Discordから自然言語でクエリ可能だ。体現している側面は、複数AIエージェントの対立構造によるバイアス除去という高度な設計哲学の実装だ。

Granola × VC業界（2025年）

このセクションでは、会議をそのまま知識ベースに変換する設計がわかる。

VCコミュニティで最も口コミが広がったツールだ。参加者のプライバシー保護のためボット参加ゼロで会議音声をローカル処理する。ファウンダーとの全会話を検索可能なアーカイブに自動変換し、フォローアップ・アクション項目を自動生成する。2025年に$43M調達、評価額$250Mに達した。体現している側面は、「情報収集ではなく会話から知識を蓄積する」という非同期型の設計の代表例だ。

テック起業家・エンジニア

Andrej Karpathy（元Tesla AI責任者、2025〜2026年）

このセクションでは、情報「消費者」から情報「指揮者」への転換がわかる。

2025年12月以降、自分でコードを一行も書いていないと公言した。最大20個のAIエージェントを並列稼働させ、自身は「意図・文脈・方向性の管理者」として機能する。「アイドル状態のトークンはボトルネックがあなた自身だという証拠」と述べた。

また「LLM Wiki」を提唱した。個人のメモをプレーンMarkdownで整備し、LLMがそのファイルを読む。一般インターネットではなくユーザー固有の知識から回答する個人知識ベース設計だ。体現している側面は、情報「消費者」から情報「指揮者」へのパラダイムシフトの象徴的事例だ。

Olatunde Alabi（"unicodeveloper"、2025年）

このセクションでは、毎朝自動で大統領ブリーフィング相当の情報を届ける設計がわかる。

Claude CodeとValyu DeepSearch API（SEC申告書・PubMed・arXiv・FRED・株価データ等36以上のソースへの統合アクセス）を組み合わせたモーニング・ブリーフィング・エージェントを構築した。コアプロンプトはこうだ:

"Research the latest developments in [topic] using Valyu's DeepSearch.
Synthesize key findings into a structured report with executive summary,
3-5 key findings, and implications.
Create a Google Doc, email the link."

設定ファイル（daily-research.md）でトピックを指定し、GitHub Actionsで毎朝自動実行する。Google Docs作成→Gmail送信まで全自動だ。体現している側面は、ローコードで「大統領のデイリーブリーフィング」相当の情報収集を個人レベルで再現する仕組みの具体実装だ。

AIMaker Substack著者（2025年）

このセクションでは、既知ソースの監視ではなく「未知ソースの発見」に特化した設計がわかる。

Make.com + Perplexity API（Sonar Proモデル、Max Tokens 10,000）+ OpenAI + Google Sheetsの4層構造を構築した。

  • シナリオ1: Mailhookトリガー→Perplexity DeepResearch実行→Sheetsに「ソース・日付・トピック・関連度スコア」をメタデータ付きで蓄積
  • シナリオ2: Sheets蓄積データ→OpenAIが週次サマリーをメール生成

従来のRSS（ウェブサイトの更新情報を自動配信する仕組み）との違いは明確だ。「既知ソースのモニタリングではなく未知ソースからの情報発見」と明言している。$5のAPIクレジットから開始可能だ。体現している側面は、RSSの「プッシュ型」をPerplexityの「探索型」に置換したハイブリッド情報収集の仕組みだ。

研究者・思想家

Andrew Ng（DeepLearning.AI創設者、2025年5月）

このセクションでは、学術論文レビューをエージェントで自動化した設計がわかる。

「Agentic Reviewer」を週末プロジェクトとして構築し公開した（paperreview.ai）。仕組みはこうだ:

  1. PDF→Markdown変換
  2. 学術論文であることを確認
  3. 検索クエリ生成（ベンチマーク・類似問題・関連技術など複数粒度）
  4. Tavily API経由でarXiv検索
  5. 独創性/重要性/根拠/健全性/明確性/価値性/文脈化の7軸でスコアリング
  6. 構造化レビュー生成

ICLR 2025レビューでAIと人間のレビュー精度を比較した結果、AIがほぼ人間と同等の精度を出したとわかった。従来6ヶ月かかっていたフィードバックループを時間単位に短縮した。体現している側面は、エージェントによる反復的探索（arXiv検索→要約→統合）という「アジャイル型研究フィードバック」の具体実装だ。

Naval Ravikant（エンジェル投資家・思想家、2025〜2026年）

このセクションでは、ツールを習得しないという逆張り哲学がわかる。

明示的なプロンプト設計をあえて習得しない方針を公言した。「AIのほうが私に適応するスピードが、私がAIに適応するより速い」と述べた。"Boomer queries"（プレーンな完全文での質問）を推奨する。情報消費については「インターネットが注意持続時間を壊した」と述べており、AIによる情報絞り込みよりも深い読書・精選情報を重視するアプローチをとる。体現している側面は、「ツール習得コストの最小化」という逆張り的情報哲学だ。AIの進化速度が速いため、特定ツールへの投資を意図的に回避する設計思想だ。

Obsidian + Claude Code "AI Second Brain"（個人知識管理コミュニティ実践者、2025年）

このセクションでは、10年以上前の個人知識管理の方法論をAIエージェントで動かす設計がわかる。

知識層（Obsidianのローカルmarkdown）→エージェント層（Claude Code CLI）→統合層（MindStudio経由でメール/カレンダー連携）の3層構造だ。重要なのがCLAUDE.mdファイル（エージェント指令書）の中身だ:

  • 役職定義2〜3文
  • フォルダ命名規則
  • セッション開始/終了プロトコル
  • 出力形式の指定
  • 利用可能ツールリスト

セッション間の記憶は/AI/sessions/に構造化ログとして書き出す。次セッション冒頭で読み込む設計だ。4種類に分類する整理法（PARA）をAIエージェントの永続記憶として機能させる。体現している側面は、10年以上前の個人知識管理の方法論をAIエージェントで実行可能な動的システムに昇格させる「知識の自動化」設計パターンだ。

n8nコミュニティ（自動化実践者、2025年）

このセクションでは、RSSとLLMを組み合わせた「フィルター層」設計がわかる。

公開されている投資家向けワークフローテンプレートの代表例を2つ紹介する:

  • Scheduleトリガー（毎朝9時）→4つのRSSソースをフェッチ→OpenAI Assistantが約400語でハイライト生成→Perplexity AIで「金融・経済・政治スタイル」に整形→Gmail送信
  • 株式ポートフォリオ版: Google Sheetsの保有銘柄リストをトリガーに→Perplexity APIでリアルタイムデータ取得→GPT-4でリスクアラートと売買提案を生成

体現している側面は、大量情報を自動収集しAIが要約・評価して届けるパイプラインの標準化だ。

設計パターン整理（本調査から導出）

このセクションでは、一流の実践者に共通する4つの設計パターンを整理する。

パターン1: ペルソナ固定型

自分の判断軸・過去の意思決定・投資テーゼをシステムプロンプトに埋め込む。汎用LLMを「自分専用アナリスト」に変換する。Bridgewater、Obsidian+Claude Codeが典型だ。

パターン2: 対立エージェント型

同じ情報を2つのエージェントに読ませる。一方が推薦し、他方が反論する二重構造でバイアスを除去する。GoingVC/VC Labの「Devil's Advocate Agent」が典型だ。

パターン3: 毎朝自動ブリーフィング型

定時スケジューラー（GitHub Actions/Make.com/n8n）が起動→深い検索→構造化サマリー→配信の流れだ。unicodeveloper、n8nコミュニティが典型だ。

パターン4: 知識ベース蓄積型

情報を捨てずにMarkdown/意味的類似度で検索できるデータベースに蓄積する。次のセッションで「過去の自分の知識」を背景情報として注入する。Karpathyの「LLM Wiki」、Obsidian+Claude Codeが典型だ。

未解明・次の問い

  1. 「背景情報の設計」の品質をどう定量評価するか——「よいシステムプロンプト」の客観的基準はまだ存在しない
  2. 個人AIによる自分好みの情報だけが増幅されて偏る現象の実証データ——偏った情報が増幅されることで投資判断が歪む事例は報告されているか
  3. 日本語環境特有の課題——英語前提で設計されたツール（Perplexity、Tavily等）が日本語情報をどの程度カバーできているか