GTDが良いのは「書けば消えない」というところ

一箇所に「気にするべきことが全部入ってる」と思うことによって安心する

今のAIに(単にコンテキストに入れる形で)タスク管理を任せて安心できないのは消えるから

Multi-Head Attentionの本数がボトルネックなのだと思う

「AIにKJ法を教える」実験でも、コンテキストの中で扱う方法では消えてしまうのが問題だった

LLMだけに任せてるとインプットの取りこぼしがある

LLMが(そして人間も)無意識に無視してしまう

これはプログラムでチェックして取り込むまで何度も突きつけるのがKJ法的かなと考えた

AIが「消えないメモリ」を備え、抽象的タスクを具体化し、関連タスクの組み合わせを最適化することで、GTD的な安心感と実行効率を高められる。具体的には、

永続的な記録：外部データベースやノートツールと連携することで、LLMコンテキスト外でもタスクやアイデアを保持・追跡可能。

LLMコンテキスト外という場の存在

具体化支援：AIはユーザーが入力した曖昧なアイデアから、行動可能なステップ群や明確な成果目標を生成・提示し、実行までのハードルを下げる。

タスク関連性分析：自然言語処理やクラスタリング手法で、複数タスク間の共通性・依存関係を発見し、まとめて処理すれば効率化できる箇所を特定する。

反復的改善：実行状況やフィードバックを踏まえて再度タスクを再編成・再抽象化することで、常に最適な行動計画を維持可能。

こうした機能が組み合わされることで、単なる「タスクの列挙」を超えた、実用的で動的な「消えないAI管理システム」が構築できる。

パーソナル情報管理（PIM）：

William Jonesによる「Keeping Found Things Found」(2007) は、個人情報管理ツールや手法が、ユーザーに対してどのように情報の蓄積・再利用を助けるかを概観しており、GTD的な「消えない」記録や再利用性を考える上で参考になる。

AIプランニング・スケジューリング：

Ghallab, Nau, & Traverso 「Automated Planning: Theory & Practice」(2004) は、抽象的な目標を具体的な行動計画に落とし込むAI技術を整理している。これらの枠組みやアルゴリズムは、抽象的タスクを行動可能なステップへと変換する仕組みづくりに参考になる。

アイデア整理・知識クラスタリング：

KJ法をコンピュータ支援する研究（例：情報クラスター化、ナレッジグラフ自動生成）を扱ったHCIや情報科学領域の論文は、ばらばらのメモやタスクを構造化し、関連性を発掘する際に有用な示唆を与える。