実行が安くなるほど、判断の価値は上がっていく
生成AIについて、どん欲に学ぶ人が増えている。
新しいモデルが出れば性能を調べる。便利なツールを試し、活用事例を集め、自分の仕事に使えないか考える。変化に背を向けず、自分から適応しようとする姿勢は、これからのホワイトカラーに欠かせない。
だが、AIを使う人が増えるほど、「AIを使えること」だけの価値は薄くなっていく。
現在は高度に見える操作も、製品側の改善によってすぐに簡単になる。昨日まで重宝されたプロンプトの工夫が、次のモデルでは必要なくなることもある。モデル名やツールの使い方を覚えることは必要だとしても、それだけを自分の価値にするのは危うい。
これから差がつくのは、AIに何かを作らせる能力ではない。何を作るべきかを決め、仕事を任せ、返ってきた結果を評価し、次の行動を指示できる能力だ。
生成AIを扱う力は、ソフトウェアの操作能力よりも、むしろマネジメント能力に近い。
そしてAIエージェントが普及すれば、一部の管理職だけでなく、ほぼすべての知識労働者が「AIのマネージャー」になっていく。
AIが働くほど、人間がボトルネックになる
これまで、何かを実現するには人を集める必要があった。
人を採用し、仕事を教え、必要な情報を共有する。役割を分け、進捗を確認し、関係者の意見を調整する。実際の作業だけでなく、人間が集団で働くための教育、連絡、合意形成にも大きな時間がかかっていた。
生成AIは、この仕事の経済性を変え始めている。
人を増やすことの優位性が下がる
5,179人のカスタマーサポート担当者を調べた研究では、生成AIによる支援を受けた担当者の生産性は平均14％上がり、経験の浅い層では34％改善した。研究者らは、AIが熟練者の実践知を他の担当者へ広げた可能性を指摘している。
もちろん、この結果をあらゆる職種へそのまま当てはめることはできない。それでも、教育と習熟のあり方が変わり得ることは分かる。人間が長い時間をかけて身につけてきた仕事の型を、AIを介して早い段階から利用できるからだ。
さらに、AIは助言するだけの存在から、自ら工程を進めるエージェントへ変わりつつある。
エージェントは、与えられた目的に対して計画を立て、資料を読み、ツールを操作し、結果を見て次の行動を選ぶ。うまくいかなければ方法を変え、完了するか、人間の判断が必要になるまで作業を続ける。
AIの自律性を測る研究にはまだ対象領域の偏りや不確実性がある。それでも、ソフトウェア開発や調査に関する一定の課題では、AIが自律的に完了できる仕事の長さが伸び続けている。実際の利用も、一問一答の会話から、長時間にわたるエージェント型の作業へ広がっている。
ここで起きるのは、単純な「人間対AI」ではない。
少人数の人間が複数のAIを使い、以前ならチームが必要だった仕事を進める。そのチームと、人数を増やし、会議と連絡を重ねながら仕事を進める従来型の組織との競争になる。
人間の教育には時間がかかる。背景を共有し、経験を積み、失敗から学んでもらう必要がある。人間関係への配慮も欠かせない。一方、デジタル上で完結する反復可能な仕事なら、AIの出力を見てフィードバックし、資料や評価基準を更新する方が低いコストで済む場面が増えていく。AIは同じ作業を繰り返しても疲れず、再実行や並列化もしやすい。
教育や連絡のコストが完全になくなるわけではない。代わりに、コンテキストの整備、出力の検証、権限管理といった新しいコストが生まれる。ただ、人間同士の調整に費やしていた間接コストが縮小すれば、「人数を増やすこと」そのものの優位性は下がる。
待たせるのは、AIではなく人間になる
AIの実行速度が上がるほど、今度は人間の側が仕事を止めるようになる。
目的を決められない。優先順位を選べない。AIが出した案の良し悪しを判断できない。関係者の合意を待っている間に、AIは次の指示を待ち続ける。
仕事のボトルネックが、作業量から判断の速度と質へ移るのである。
AIに仕事を任せるには、コンテキストが要る
生成AIを使い始めた人が最初に関心を持つのは、プロンプトの書き方だろう。
しかし、実務でAIの出力を左右するのは、チャット欄に書いた一つの指示だけではない。
何のための仕事なのか。誰に向けた成果物なのか。どの資料を根拠にするのか。守るべき制約は何か。過去に何が検討され、なぜ却下されたのか。何を満たせば良い結果と呼べるのか。どのツールを使い、どこまで自分で実行してよいのか。
これらを含め、AIがその仕事について参照できる情報環境全体がコンテキストになる。
AIに見えるのは「与えられた世界」だけ
なぜコンテキストが重要なのか。それは、大規模言語モデルの動く原理と関係している。
現在の言語モデルは、与えられた文脈を条件として、次に来る可能性の高い言葉、正確にはトークンを予測しながら回答を組み立てる。中心にあるTransformerでは、Attentionという仕組みによって、入力された情報のどこをどの程度参照するかが計算される。
モデルが学習によって獲得した膨大なパターンは、いわば一般教養や過去の経験に近い。一方、コンテキストは、現在担当している案件の説明、机の上に置かれた資料、直前までの会話に当たる。
一般教養が豊富でも、現在の案件について何も知らなければ、現場に合った判断はできない。
利用者の頭の中にある事業目的も、社内では常識になっている事情も、言葉やデータとして渡さなければAIには見えない。それでもAIは、不足している部分を学習済みの一般的なパターンで補い、もっともらしい回答を作る。
だから厄介なのだ。回答は文章として成立している。露骨に間違っているとは限らない。それでも、自分たちの仕事には使えない。
ここで必要なのは、魔法のようなプロンプトを探すことではない。「このAIには、判断に必要な何が見えていないのか」と考えることだ。
コンテキスト設計とは、AIへ長い説明を書くことではない。目的に必要な情報を選び、不要な情報を外し、仕事を適切な工程に分け、判断基準と権限を与えることだ。
それは、部下に一回の指示を出すことよりも、チームが仕事をできる環境を整えるマネジメントに近い。
フィードバックの質が、その人の実力になる
優れたマネージャーは、部下に細かな命令を出し続ける人ではない。
仕事の目的を共有し、必要な材料と権限を渡す。途中の結果を見て、目的から外れていれば軌道を修正する。最後に成果を評価し、結果への責任を負う。
AIに対しても同じ能力が求められる。なかでも差が出るのが、フィードバックだ。
「もっと深く」はフィードバックではない
「いまひとつだ」「もっと深く考えて」「分かりやすくして」
こうした言葉だけでは、何が基準に届かなかったのか分からない。AIは文章を変えることはできても、事業上の問題を正しく修正できるとは限らない。
例えば、既存顧客向けの施策をAIに考えさせたとする。返ってきた案が目的から外れているなら、良いフィードバックは次のようになる。
今回の目的は、新機能の利用率を上げることではなく、既存顧客の解約率を下げることだ。この提案では、顧客インタビューで確認された三つの解約理由との関係が示されていない。各施策がどの解約理由へ作用するのかを明記し、実施コストと効果を比較できる形に組み直してほしい。
ここまで伝えられれば、AIは何を変えるべきか判断できる。
しかし、このフィードバックは言葉遣いの技術だけでは書けない。
そもそも事業が何を目指しているのか。顧客は何に困っているのか。その業務は何のために存在しているのか。成果を左右する条件は何か。提案のどこに目的とのずれがあるのか。
業務の本質を理解し、結果を評価できて初めて、具体的なフィードバックを返せる。
生成AIは、整った文章や大量の選択肢を作ることに長けている。一方、文章の流暢さは、事実の正しさや事業上の妥当性を保証しない。AIは評価者のような口調で自分の回答を説明できるが、その結果に責任を負うわけではない。
人間は、作業者から判断者、評価者へ移らなければならない。
AIが作る成果物が増えるほど、評価能力の弱い人は大量の「それらしいもの」に埋もれる。反対に、良いものと悪いものを見分けられる人は、AIの生成能力を使って、自分一人では作れなかった量と範囲の成果を生み出せる。
AIへのフィードバック能力は、その人の事業理解と判断力を映す鏡になる。
一つの仕事をする人から、複数の仕事を動かす人へ
エージェント時代には、仕事の進め方も変わる。
あるAIに競合調査を任せながら、別のAIには顧客データを分析させる。その間に、もう一つのAIが提案書の構成を作る。結果が返ってきたら、人間は重要な判断だけを行い、次の作業を走らせる。
これまで一人の人間が順番に処理していた仕事を、並列に進められるようになる。
ここで必要になるのが、広い意味でのマルチタスク能力である。
マルチタスクは、同時作業ではない
ただし、複数の画面を開き、数分おきに注意を切り替えることではない。それでは認知的な負荷が増え、判断の質が下がる。
必要なのは、複数の仕事を非同期で走らせながら、それぞれの目的、現在地、次の確認点を管理する能力だ。
どの仕事をAIに任せているのか。何をもって完了とするのか。いつ人間が確認するのか。あるAIの出力を、次のAIへどう渡すのか。問題が起きたらどこへ戻るのか。
自分で一つの作業を抱えるのではなく、複数の作業を立ち上げ、適切な時点で介入し、全体を前へ進める。
興味深いことに、AIエージェントの利用実態を調べたAnthropicの研究では、経験を積んだ利用者ほど自動承認の割合が高まる一方、必要な場面では自ら中断する傾向も確認されている。逐一操作するのではなく、任せる範囲を広げながら、重要な場面では介入する。これは、マイクロマネジメントから成熟したマネジメントへ移る姿に似ている。
一つの業務を最初から最後まで自分で進める働き方だけでは、AIの並列性を十分に生かせない。これからの知識労働者は、個人の作業者であると同時に、小さなプロジェクト群の運営者になる。
AIに指示する人から、仕組みを作る人へ
AIに一度仕事を頼むことと、AIが継続的に仕事を進められる仕組みを作ることの間には、大きな差がある。
一回ごとに人間が資料を選び、指示を書き、結果を確認している限り、仕事の開始点には常に人間がいる。作業は速くなっても、人間がすべてを起動しなければならないなら、処理できる量には限界がある。
次に必要になるのは、仕事そのものの設計だ。
AIを並べるだけでは、仕組みにならない
例えば市場分析なら、一つのAIに最初から最後まで任せる必要はない。調査を担当するエージェントが資料を集め、分析を担当するエージェントが論点を整理する。別のエージェントが根拠の不足や矛盾を検査し、最後に事業目的と投資基準を踏まえて選択肢を比較する。人間には、重要な論点と判断が必要な箇所だけを返す。
ここで設計するのは個々の指示文ではない。
誰に何を担当させるのか。どの情報を次の工程へ渡すのか。どの条件で仕事をやり直すのか。どこから人間の承認を必要とするのか。AIにどのデータ、ツール、権限を与えるのか。
いわば、AIによる組織を設計している。
ただし、AIを複数並べれば正しさが保証されるわけではない。同じモデルに同じような情報を与えれば、複数のAIが同じ誤りへ到達することもある。「別のAIが確認した」というだけでは、独立した検証にはならない。
事実は原資料と照合する。計算はコードや計算機で再実行する。重要な操作には人間の承認を要求する。利用できる権限を必要最小限にし、失敗回数が一定値を超えたら処理を止める。実行履歴を残し、後から検証できるようにする。
自律性が高いAIほど、間違った意図を高速に実行する危険も大きい。エージェントを実務へ導入する指針でも、高リスクな操作や失敗が続いた場合に人間へ制御を戻すこと、複数の防御策を組み合わせることが重視されている。
ここで求められるのは、プロジェクトマネジメントとエンジニアリングを掛け合わせた能力だ。
仕事を分解し、担当を決め、成果物の受け渡しを設計する。例外が起きたときの処理を決める。同時に、データ、ツール、権限、評価処理を組み合わせ、繰り返し動く仕組みにする。
コードを書けることだけが、AI時代のエンジニアリングではない。人間が毎回つきっきりにならなくても仕事が進み、必要な場面では確実に人間へ戻ってくる構造を作ることも、重要なエンジニアリングになる。
「AIのマネージャー」は役職ではない
全員がAIのマネージャーになるというのは、全員が管理職になるという意味ではない。
営業担当者は、顧客調査、提案案の作成、商談記録の分析をAIに任せる。マーケターは、仮説作り、広告案の制作、数値分析を並列に走らせる。エンジニアは、調査、実装、テスト、レビューを複数のAIへ分担させる。
役職や部下の有無にかかわらず、一人の働き手が複数の実行主体を持つようになる。
そこで成果を分けるのは、AIをいくつ使っているかではない。
何を実現するのかを決められるか。そのための仕事を分解できるか。必要なコンテキストを用意できるか。返ってきた結果を評価し、目的に沿ったフィードバックを返せるか。そして、その流れを一度きりのやり取りで終わらせず、再現可能な仕組みへ変えられるか。
AIについて学び続けることは大切だ。ただし、本当に鍛えるべきものは、ツールの操作方法よりも深い場所にある。
顧客や事業を理解する力。業務の本質を見極める力。何を優先し、何を捨てるかを決める力。成果物の質を判断する力。複数の仕事を編成し、事故が起きない構造を作る力。
AIによって実行のコストが下がるほど、何を実行するかを決める人間の責任は重くなる。少人数の人間が多数のAIを動かせるようになれば、一人の判断が事業へ与える影響も大きくなる。
生き残るのは、判断を引き受けられる人
AI時代に生き残るのは、AIより速く作業できる人ではない。
何をするべきかを考え、その判断をAIが実行できるコンテキストへ変え、結果を評価し、必要なときに責任を引き受けられる人である。さらに、AIの能力を一度の成果物ではなく、継続的に価値を生む仕組みへ変えられる人である。
生成AIを扱う技術とは、AIへ命令する技術ではない。
AIという新しい実行主体をマネジメントし、その能力を事業の成果へ変える技術なのである。
