産業革命は、労働における最も危険な部分を人間の身体から切り離して機械に委ね、それから2世紀にわたり、その取引は明らかに素晴らしいものに見えた。工業国における平均寿命は2倍以上に伸び、生存に伴う身体的負担は目に見える形で減少した。この「測定可能性」こそが重要だった。肥満率は1990年以降に2倍以上に増加しており、その数値が顕在化して初めて、公衆衛生機関や雇用主は具体的な対策を講じることができたのである。
AIも、より速く、より深いレベルで同じ約束を果たそうとしている。AIは、思考における最も労力を要する部分を人間の頭脳から切り離し、わずか数秒で答えを導き出す。しかし、認知能力における「BMI（体格指数）」に相当する指標を構築した者はまだ誰もいない。そのため、知的資本へのダメージは、すでに構造的な問題に発展するまで四半期報告書に表れることはない。警告サインを無視して生産性の数値に目を奪われている指導者たちは、かつて気づくまでに何十年もかかった過ちを繰り返している。そしてその影響は、ツールに頼る前に、自力で問題と格闘することをいまだに許されているのが誰であるかという点に、真っ先に現れる。
技術への習熟より「経験」が勝る理由。若手の採用削減を懸念すべき根拠
多くの企業は直感的に、テクノロジーに最も精通している従業員、つまり大抵は最も若い世代がAIから最大の価値を引き出していると考えがちだ。しかし、データは異なる事実を示している。学術誌『Management Science』に掲載された研究によると、AIは専門知識を代替するのではなく補完するものであり、出力された結果を解釈する人物がすでにその問題を理解している場合に最も高い価値を生み出すという。また、ハーバード・ビジネス・スクールの研究では、関連する専門知識に近い実務家ほど、AIの出力の不備を見抜き、自身の判断力でそれを補うことができる一方で、その領域から遠い実務家は、同じモデルを使用しても同等の品質に達しないことが明らかになった。スタンフォード大学の研究者らはさらに踏み込み、AIは明文化された知識（形式知）を代替することは得意だが、長年の実践経験によってのみ培われる暗黙知を代替することは困難であると指摘している。
この事実は、エントリーレベル（新卒・未経験層向け）の採用を凍結している経営陣にとって懸念材料となるはずだ。AIの影響を受けやすい職種におけるエントリーレベルの求人は2023年1月から2025年6月にかけて35％減少し、22歳から25歳の開発者の雇用は2022年のピークから20％近く減少した。その一方で、同分野の中高年層の雇用は増加している。つまり、AIを価値あるものにするために必要な「専門知識」を育てるための育成を、企業は放棄しつつあるのだ。知的資本を守るためには、この人材パイプラインを枯渇させないことが第一歩であり、そのためには3つの具体的な転換が求められる。
AIの「利用量」ではなく「利用方法」を測定する
多くの企業は、他のソフトウェアの導入時と同様に、利用率やクエリ（検索・質問）の数、ログイン回数といった指標でAIの普及状況を追跡している。しかし、これらの数値は、ツールが従業員の判断力を研ぎ澄ましているのか、それとも判断力を代替しているのかを教えてはくれない。マイクロソフトとカーネギーメロン大学が319人のナレッジワーカーを対象に行った調査では、従業員がAIを信頼すればするほど、出力結果を検証する際の批判的思考（クリティカルシンキング）が低下することが示された。また、学術誌『Societies』に掲載された666人を対象とする別の研究では、頻繁なAIの使用と批判的思考との間に負の相関関係があることが明らかになった。これは、AIを思考のパートナーとして並行して活用するのではなく、思考プロセスそのものをどれだけAIに丸投げしたかによって生じる現象だ。
ダッシュボード上では、検証せずに50回クエリを実行した従業員も、まず自分で問題を考えてから5回クエリを実行した従業員も、全く同じように見えてしまう。より優れた評価指標は、ツールを使ったかどうかではなく、出力された結果がなぜ正しいのかを説明できるかどうかだ。一部の企業では現在、AIに問い合わせる前に自らの推論を文書化し、AIの回答とどこが異なっているかを明記することを従業員に求めている。これにより、単なる利用ログを、実際の「判断力の検証手段」へと転換させている。
AIを「依存先」ではなく「スパーリングパートナー」として使う訓練をする
AIから最も恩恵を受けるのが誰であるかというデータは、研修やトレーニングがどうあるべきかを明確に指し示している。深い専門知識を持つ人がより多くの価値を引き出せるのは、優れたプロンプト（指示文）を入力できるからではない。何が「間違った答え」であるかを最初から知っているからだ。AIに関する実証研究のレビューによると、経験豊富な会計士はAIモデルの確信度スコアを、自らの検証作業の焦点を絞るために活用しており、出力を鵜呑みにすることはなかった。つまり、プロフェッショナルとしての判断力が、テクノロジーに対する制御メカニズムとして機能していたのである。
この習慣を身につけるには、意図的な訓練が必要だ。納期に追われると、ついAIに問いかけてそのまま先に進みたくなるのが人間の本能だからだ。例えば、若手アナリストはAIに相談する前に自ら推奨案のドラフトを作成し、その後にAIを使い、両者の意見の相違点についてマネジャーに口頭で説明するようにするとよい。目的は、答えを出すスピードを上げることではない。答えのどこが間違っているかを見抜く力を養うことである。それこそが、AI単独では再現が極めて困難であると研究者たちが指摘するスキルなのだ。
問題解決の文化における基準を高く保つ
AIはそれらしく仕上がったアウトプットを作成するのが非常に得意だ。そのため、厳密さよりもスピードを尊ぶ組織文化にとっては危険な存在になり得る。前述のマイクロソフトとカーネギーメロン大学による研究でも、従業員は自らの業績評価に最も関係のないタスクにおいて、AIの出力を検証する頻度が最も低かった。つまり、誰も見ていない仕事から真っ先に基準が低下していくのだ。これを放置すれば、侵食は一部のタスクだけに留まらなくなる。
対策はツールを禁止することではない。ツールが登場する前に判断力を培っていた「儀式」を維持することだ。AIの助けを借りずに行う事例（ケース）討論、真っ白な紙から始めるブレインストーミング、単に結論が正しいかだけでなく、そこに至るプロセスを問い直すピアレビュー（相互評価）などがこれに該当する。一部の企業では現在、建築分野に倣った「スタジオ型」のモデルを採用している。これは、若手スタッフが未完成の思考プロセスを発表し、先輩社員が自分なら同じ問題にどうアプローチするかを順を追って解説するというものだ。この徒弟制度のようなアプローチは、AIに下書きを作らせるよりも時間がかかる。しかし、この「遅さ」こそが、AIには再現できないことがデータで証明されている「暗黙知の専門性」を構築するのだ。
産業革命は最終的に、社会に行動を促すことになる数値（肥満率など）を生み出した。しかし、肥満が無視できない問題になったときには、その解決策には多大なコストがかかり、その恩恵の分配にも偏りが生じていた。AIがそれと同等の明確な数値を、近いうちにダッシュボードに示してくれることはない。その沈黙を「見守るのをやめてもよいという許可」だと見なす組織は、10年後、自社の中に「AIモデルがこれまでに見たことのない問題を解決できる人間が誰も残っていない」という事実に直面することになるだろう。
