AIを「自己観察の鏡」として使う：自分の判断の癖を可視化する運用

Claude Code を使って実装が捗るのは当然として、最近もう1つ意外な使い方に気づきました。AI を「自分自身を観察する鏡」として使う運用です。「私の判断の癖を指摘して」「最近のセッションで偏ったパターンは？」と問いかけると、自分でも気づかなかった盲点が見えてきます。

書籍やコーチングと違って、自分の実データ（会話ログ・memory ファイル・コミット履歴）に基づく指摘が得られるのが強みです。今回はこのメタ認知的な使い方を整理します。

なぜ AI は「鏡」として機能するのか

自分のデータを横断して読める

人間が自分のセッションログを振り返る場合、覚えている範囲か、せいぜい直近数件しか見られません。一方、AI は過去数ヶ月分のセッションログを横断して、共通パターンを抽出できます。

これは個人ジャーナリングや週次振り返りでは到達できない密度の自己分析です。「自分はいつも◯◯のときに迷う」「××のシーンで結論を急ぐ」のような反復パターンは、データを横断しないと見えません。

第三者視点で読める

自分の文章を自分で読み返すと、思い入れや記憶バイアスが入ります。AI は初見の第三者として読むので、感情を排した観察ができます。

「あなたはこのテーマで何度も同じ表現を使っています」「決定の前に必ず3案を比較する傾向があります」といった、自分では気づきにくい癖を冷静に指摘してくれます。

改善提案までセットで出る

書籍やコーチングは指摘までで終わることが多いですが、AI は改善案も同時に出せます。「この癖を直すには、こういう問いを自分に投げると良い」のような、行動可能な提案までセットで返ってきます。

自己観察に使える3つのデータソース

データソース1: 会話ログ（.jsonl）

Claude Code の会話履歴は ~/.claude/projects/ 配下に .jsonl で保存されています。これを AI に読ませると、自分の質問の癖が見えます。

「この期間の私の質問を読み、共通する傾向を5つ挙げてください」と聞くと、こんな指摘が返ってきます。

• 「実装に入る前に過剰に確認質問をする傾向があります」
• 「決定の前に必ず3案比較を求めますが、選択肢を減らせないか検討した方が良いです」
• 「同じテーマで3回以上同じ質問をしているケースが見られます」

データソース2: memory ファイル

私は Claude Code の auto memory 機能で、過去のフィードバックや好みを蓄積しています。これを AI に読ませると、自分の優先順位の癖が見えます。

「私の memory ファイル群を読んで、感じる傾向を教えてください」と聞いた結果、こんな返答がありました。

• 「『失敗を恐れる』系のフィードバックが多く、新しい挑戦に保守的になっている可能性」
• 「『時間効率』への言及が多いが、『学習機会』への言及が少ない」
• 「特定の技術スタックへの愛着が強く、他選択肢を検討しない傾向」

これは自分一人で memory を読み返しても気づきにくい指摘です。

データソース3: コミット履歴・PR履歴

git log や PR のタイトル・本文を AI に渡すと、自分の作業パターンが見えます。

• 「週末にリファクタリング系コミットが多く、平日は機能追加に偏っています」
• 「コミットメッセージに『TODO』が含まれる比率が高く、後で対応する意図が放置される傾向」
• 「PR説明が短い時は、後でレビュー時に追加質問が発生しています」

定量的な観察なので、感覚論では出てこない発見があります。

実際に効いた自己観察プロンプト

プロンプト1: 直近1ヶ月の判断パターン

1
以下の会話ログ（直近1ヶ月分）を読み、私の判断パターンに
2
ついて分析してください。
3

4
【観察してほしい項目】
5
1. よく出てくる迷い・躊躇のパターン
6
2. 結論を急ぐタイミング
7
3. 同じ議論を繰り返している箇所
8
4. 言語化が曖昧な領域
9
5. 感情的な反応が出ている箇所
10

11
各項目につき、具体的な引用と頻度を添えてください。
12
建設的でも批判的でも構いません。

「建設的でも批判的でも構いません」が重要です。これがないと AI は遠慮して、当たり障りのない指摘ばかり返してきます。

プロンプト2: 盲点の発見

1
以下のテーマについて、これまでの私の発言を踏まえ、
2
私が言及していない・検討していない論点を5つ挙げてください。
3

4
【テーマ】
5
{テーマ}
6

7
【観察対象】
8
直近3ヶ月の関連セッションログ
9

10
【出力】
11
- 私が言及していない論点とその重要度
12
- なぜ私が言及していないと思うか（推測）
13
- 検討すると有益な理由

「検討していない論点」を出させるのが効きます。自分が何を考えていないかは、自分では絶対に気づけません。

プロンプト3: 改善提案つき振り返り

1
以下のセッションログから、私の作業効率を下げている習慣を
2
3つ挙げ、それぞれに対する改善案を提示してください。
3

4
【出力フォーマット】
5
1. 習慣: {何が問題か}
6
   根拠: {ログのどこから判断したか}
7
   影響: {何分くらい無駄になっているか}
8
   改善案: {具体的にどう変えるか}

「何分くらい無駄になっているか」を聞くと、改善の優先順位がつきやすくなります。「30分の無駄を生む習慣」と「3分の無駄を生む習慣」では対処の緊急度が違います。

実例：自分の癖を指摘されて変わったこと

指摘1: 「Plan mode に入る前に Plan mode 突入の判断で迷う」

会話ログから「Plan mode を使うかどうかをメインセッションで議論し始め、5〜10分かかる」傾向を指摘されました。

改善: 「3ステップ以上の作業 → 即 Plan mode」のルールを CLAUDE.md に明記。判断時間がほぼゼロになりました。

指摘2: 「実装後の振り返りが薄い」

memory ファイル分析で「失敗の振り返り memory は多いが、成功の振り返り memory が少ない」と指摘されました。

改善: 成功要因も同じフォーマットで memory に残すよう運用変更。再現性のある成功パターンが蓄積され始めました。

指摘3: 「同じテーマでセッションを跨いで同じ説明を AI に繰り返している」

「過去5セッションで同じ前提を AI に説明し直しています」と具体的なログ引用つきで指摘されました。

改善: 頻出する前提は CLAUDE.md やプロジェクト memory に集約。説明コストが大幅に減りました。

これらは自分一人では気づけませんでした。データを横断して第三者視点で読むことで、初めて見える種類の癖です。

エンジニアにとっての価値

1. 自分の盲点が定期的に可視化される

人間は自分の盲点を自分で見ることができないのが構造的な限界です。AI を鏡として使うと、月1回程度の頻度で盲点が更新できます。

2. データに基づくセルフコーチング

書籍やコーチングは一般論ベースですが、AI 自己観察は自分の実データに基づきます。「自分の場合は」が常に主語になるので、提案の確度が高くなります。

3. 振り返りの密度が上がる

週次・月次の振り返りで「最近どうだった？」と自問しても、印象論しか出ません。AI に分析させると、頻度・引用・具体例つきの観察が得られます。

落とし穴と対処

落とし穴1: 鏡の指摘を「正解」と扱う

AI の指摘は仮説であって、正解ではありません。「言われてみればそう感じる」かを必ず自分で確認します。違和感がある指摘は採用せず、保留します。

落とし穴2: ネガティブな指摘ばかりに偏る

「批判的に見て」と頼むとネガティブ指摘が並び、メンタルが消耗します。ポジティブな観察も同時に依頼するとバランスが取れます。「強みになっている習慣も3つ挙げてください」を併記します。

落とし穴3: 個人情報が含まれるログを安易に出す

会話ログには社内の機密情報や個人名が含まれることがあります。事前に匿名化してから分析に出す運用を徹底します。匿名化スクリプトを準備しておくと、毎回の手間が減ります。

落とし穴4: 観察を一度きりで終わらせる

1回観察して「面白い」で終わると、習慣化されません。月1回の定期観察として運用すると、変化の経時観察ができます。「先月の指摘が改善されているか」を毎回チェックする回り方が効果的です。

適用範囲

この使い方が効くシーン：

• 自分の作業パターンを改善したい時
• 個人開発で1人で振り返るしかない環境
• 同じミスを繰り返している自覚がある時
• 月次・四半期の自己レビュー
• AI を「実装ツール以外」にも使ってみたい時

効きにくいシーン：

• データが少ない時（ログが数日分しかない初期段階）
• 短期的な成果を急ぐ時（観察と改善には時間がかかる）
• 機密性の高い業務（匿名化コストが高い）

まとめ

AI は実装ツールだけでなく、自己観察ツールとしても優秀です。書籍やコーチングと違って、自分の実データに基づく指摘が得られるのが圧倒的な強みです。月1回の定期観察として運用すると、自分でも気づかなかった盲点が継続的に可視化されます。盲点を消し続けるサイクルが回り始めると、技術力以上に自分の使い方が上達していくのを感じます。