AIと始める、最先端の趣味的副業
キオクシアの株価が暴落した。
何が起きたのか気になって、ChatGPTに聞いてみた。
しばらく話しているうちに、なぜかファーストリテイリングの成長可能性を調べ始めていた。
企業が大きくなるほど、成長率を維持するのは難しくなるのではないか。高い利益率を支えているものは何なのか。
そのうち、海外の消費者が衣料品にいくら使っているのかまで気になり始めた。
気がつけば、世界各国の家計調査を集めようとしていた。
半導体から衣料品へ。
最初に何を調べようとしていたのか、少し怪しくなっている。
もっとも、今回は私一人で調べているわけではない。
ChatGPTと話し、Codexにデータを集めてもらっている。
ずいぶん便利な時代になった。
以前、不動産の市場調査に関わっていた。
市場調査という仕事は、なかなか面倒である。
何かを知りたいと思ったら、まず資料を探す。統計を見つけても、必要な項目があるとは限らない。ようやく見つけた数字が、去年と今年で分類方法が違っていることもある。
統計ごとに様式が違う。集計単位も違う。PDFの表をExcelに移し、数字を揃え、ようやく比較できるところまで持っていく。
そうして一日が終わる。
肝心の「なぜそうなったのか」を考える時間は、翌日に持ち越される。
もちろん、調べる過程で発見することもある。だから資料を読むこと自体が無駄なのではない。
ただ、数字を別の場所に移す作業と、数字の意味を考える作業は、同じではない。
私は後者に時間を使いたかった。
最近、二つの調査を始めた。
一つは、日本のリボ払い残高と返済困難の関係について。
もう一つは、ファーストリテイリングの今後について。
どちらも、最初から立派な研究計画があったわけではない。ニュースを読んで、少し気になっただけである。
まずChatGPTと話す。
「これって、どういうことなんだろう」
すると、考えられる理由や、確認すべき数字がいくつか出てくる。
こちらはそれを眺めながら、別の疑問を思いつく。
「それなら、こっちの数字も必要じゃないか」
やがて、データが必要になる。
そこでCodexの出番である。
調査対象と期間を指定し、できるだけ一次資料から数字を集めてもらう。出典のURLや集計条件も残す。必要ならプログラムを書いて表にまとめ、再実行できる形にしておく。
結果が返ってきたら、またChatGPTと話す。
「この数字で、何が言えるだろう」
「そもそも、比較してよい数字なのだろうか」
「別の説明は考えられないか」
人間が問いを出し、AIと考え、別のAIが資料を集める。
ただし、これはAIに任せきりにする仕組みではない。
AIは間違える。存在しない資料を見つけたと言うこともあるし、異なる定義の統計を平然と並べることもある。
だから、数字だけでなく、出典、取得日、定義、加工方法、そして判断を保留した理由も残しておく。
後から別のAIに検証させることもできる。もっとも、AIが二人で同じ勘違いをする可能性もある。
調査員が二人増えたからといって、調査責任者まで二人増えたわけではない。
それでも、以前なら相当な労力が必要だった調査を、個人で始められるようになった。
しかも、調査員は給料を要求しない。
利用料金は請求してくるが。
リボ払いの調査では、日本の信用残高と返済困難に関する統計を追いかけた。
物価が上がり、生活が苦しくなれば、借入が増えるのではないか。返済できなくなる人も増えるのではないか。
そう考えるのは自然だと思う。
実際、2022年と2025年を比較すると、調査したカード会社の一部ではリボ残高が増加していた。クレディセゾンでは約28%、楽天カードでは約15%増えている。
信用情報機関CICの包括クレジットにおける異動情報の登録人数も、同期間の12月度比較で124万人から153万人に増加していた。
ここで、Geminiに軽く意見を聞いてみた。
「物価上昇によって経済的に厳しい人が増えた時期ですね」という趣旨の答えが返ってきた。
実に自然な説明である。
自然すぎて、困った。
調べた会社の中には、リボ残高が減少していた会社もある。
そもそも、リボ残高と信用情報機関の異動情報登録人数は、同じものを測っているわけではない。
信用取引の利用者数が変わったのかもしれない。集計対象や制度が違うのかもしれない。
数字が似た動きをしていることと、その理由がわかったことは別である。
結局、当初期待していたような、面白い結論には至らなかった。
これは、成果がなかったという意味ではない。
しかし、大発見だったという意味でもない。
今回のデータと方法では、問いに十分な答えを出せなかった。それだけである。
以前なら、何日もかけて資料を集め、表を作り、グラフを描いた末に「よくわかりませんでした」では、報告書として少々寂しい。
今回は違った。
「ああ、これではわからないのか」
それで一度、調査を閉じることにした。
続きを調べたくなれば、出典や集計方法が残っている。別の仮説からやり直すこともできる。
何もわからなかったことまで、再利用可能になった。
一方、ファーストリテイリングの調査は、まだ続いている。
企業は大きくなるほど、高い成長率を維持するのが難しくなるのではないか。
利益率はどうか。投下資本に対して、どれだけ利益を生み出しているのか。競争相手が参入できる市場で、なぜ利益を出し続けられるのか。
国内の衣料品市場では、消費者の節約志向も気になる。
では、海外はどうなのか。
国によって衣料品への支出は違うだろう。所得に対する割合も違うはずだ。しかも、それが時系列で変化しているかもしれない。
そこで、海外の家計調査を集めてみることにした。
最初の疑問からは、ずいぶん遠くまで来た。
普通、調査というものは、最初に目的を決め、必要なデータを揃え、結論を導くものだと考えられている。
目的が明確なら、当然その方がよい。
ところが、今回は目的そのものが変わっていく。
企業の株価から始まった疑問が、いつの間にか各国の消費者行動に移っている。
しかも、調べている間にも別の疑問が湧いてくる。
これは効率的なのだろうか。
調査の効率だけを見れば、ずいぶん遠回りをしている。
しかし、以前なら、新しい疑問を思いつくたびに、調査にかかる手間と時間を考えなければならなかった。
今は、その負担が小さい。
だから、疑問を途中で捨てずに済む。
一方で、自分の期待する結論に出会うまで、問いを変え続けることも容易になった。
その意味では、AIが調査を簡単にした分、調査する人間の判断が重要になったともいえる。
便利になったのは確かだが、正しくなった保証はない。
ところで、私はいったい何をしているのだろう。
趣味だろうか。副業だろうか。それとも仕事なのだろうか。
今回の調査では、まだ一円も稼いでいない。
むしろ、AIの利用料金を払っている。
立派な赤字である。
個人事業を営む人間にとって、最大の目的は自分が食べていくことだ。
そのために、今すぐ収入になる仕事をしながら、将来収入になるかもしれないことも試している。
何が経済的な価値になるのかは、始める前にはわからない。
私は以前、ダリアを栽培していた。
球根を植えるのが好きだった。
まだ雑草の生えていない圃場に、球根を一つずつ植えていく。
どんな花が咲くだろうか。
きれいに咲くだろうか。
売れるだろうか。
そんなことを考えながら、土をかぶせる。
今回の調査も、少し似ている。
面白い結果が出るかわからない。誰かの役に立つかわからない。お金になるかどうかもわからない。
それでも始めてみる。
違うのは、疑問には畑が要らないことである。
市場調査という仕事は、昔からある。
統計を集める方法も、比較する方法も、特別新しいわけではない。
新しいのは、それを誰ができるようになったか、ということである。
以前なら予算や人手が必要だった調査を、今では個人が思いつきで始められる。
しかも、採算が合うかどうかもわからない疑問のために。
昨日まで一部の人にしかできなかったことが、今日は普通の人にもできるようになる。
その境界にいることを、私は最先端と呼んでみたい。
もちろん、調査ができることと、商売になることは別である。
今は生活費を稼ぐ仕事をしながら、いくつかの可能性を試している。うまくいきそうなら力を入れ、そうでなければ別のことを試す。
時々刻々、足の置き場を変えていく。
今回の調査にも、まだ商品はない。顧客もいない。
それでも、何かが始まっている。
まだ何者でもない事業なのだから。
昔は、調べるだけで一日が終わった。
今は、調べてもらっている間に、次の疑問を考えられる。
何もわからなかったこともある。それでも、確かめたい疑問は次々と生まれてくる。
調査が楽になれば、少しは暇になると思っていた。
畑を手放したのに、植えるものが増えてしまった。
このコラムは、筆者とAIの対話をもとに制作しました。文章の構成と執筆はAIが担当しています。