Jonathan H. Westover｜教育エバンジェリスト＆起業家｜ウェスタン・ガバナーズ大学 副学部長｜HCI創業者兼CEO。
過去18カ月、私は経営陣がある重要な問いに向き合う姿を見てきた。AIによる自動化は、突然やって来るのか。それとも段階的に進むのか。
これはあらゆるものを左右する。文字通り、すべてをである。
「押し寄せる大波」──特定領域を一気に変えてしまう急激なうねり──であれば、再訓練に割ける時間はほとんどない。現場は右往左往する。しかし「満ち潮」ならどうか。広範で緩やかな向上が続くため、体系的に適応していける。
MITの最新研究が、これまでで最も明確な答えを示している。そしてこの知見は、AI時代の人材戦略を根本から見直すきっかけになるはずだ。
エビデンスが実際に示していること
包括的な研究でMITの研究者は、現実の職場における3,000以上のタスクでAIの性能を評価し、関連する職務経験を持つ労働者から17,000件超の評価を収集した。AI開発者自身に自分たちのシステムを採点させるのではなく、実務家に対し「AIのアウトプットが仮想の上司にとって受け入れ可能か」を問うたのである。これは実務上、実際に重要となる基準だ。
中核的な発見はこうだ。AIの能力は、狭い領域に集中して伸びるのではなく、広範に拡大している。研究者は「タスク所要時間が10倍になると、成功の対数オッズは0.31低下するだけである」（p.5）と見いだした。驚くほどフラットな関係である。言い換えれば、タスクが数分で終わる場合でも数時間かかる場合でも、AIの出来は大きく変わらない。
これは、ソフトウェアエンジニアリングのような狭い領域に焦点を当てた専門ベンチマークが示す、はるかに急峻な能力曲線とは対照的である。それらの研究は、職業全体が一夜にして自動化可能になる事態が起こり得ることを示唆していた。だがMITのエビデンスは異なる像を示す。多くの領域で同時に、段階的な改善が進むというのだ。
これが実務ではどのように見えるか。同じMIT研究によれば、2024年半ば時点で、AIモデルは人間なら3〜4時間かかるタスクを成功率およそ50%で完遂していた。2025年後半には、それが概ね65%まで上昇した。進歩は速い──だがそれは目に見える進歩であり、孤立した領域での突然の跳躍ではなく、複数の職種ファミリーにまたがって起きている。
組織にとっての意味
私のコンサルティングの現場では、AI導入に際して組織が犯しがちな誤りを2つ見てきた。1つ目は、完全な見通しが立つのを待つあまり動きが遅すぎること。2つ目は、急ぎすぎて高くつく失敗を生むことである。
満ち潮のパターンは、その中間の道を示唆する。体系的な実験に取り組む時間はある。しかし、その時間は無限ではない。
1. 正直な評価から始める
私が見てきた中で最も効果的な実装は、透明性から始まっていた。私が関わったあるプロフェッショナルサービス企業では、経営陣が社内チームに対し、実際の顧客向け成果物でAIの性能を評価するよう依頼した。きれいに整えた例ではなく、雑然とした複雑さを含む、実際の業務サンプルそのものだ。
その結果、AIは定型的な部分は十分にこなせる一方で、エッジケース、通常とは異なる顧客要件、関係性のマネジメントを要する状況では苦戦することが分かった。正直な評価によって、AIが量を担い、シニアスタッフが複雑性と顧客対応に集中するハイブリッドなワークフローを設計できた。
MITの方法論は、ここでのひな型となる。ITだけではなく、領域の専門家に、現実的な品質基準に照らしてAIのアウトプットを評価させるのだ。理想化されたシナリオではなく、代表的な業務で検証する。
2. 職ではなく、タスクに注目する
満ち潮のパターンが示すのは、「AIがどの職をなくすのか？」という問いをやめ、「AIがどのタスクを担うのか？」と問うべきだということだ。
多くの職務は、自動化可能性の異なるタスクの束から成る。金融アナリストの仕事には、データ収集、計算分析、解釈、ステークホルダーへのコミュニケーション、関係性のマネジメントが含まれる。AIは最初の2つでは卓越し得るが、残りでは苦戦するかもしれない。
私は、医療システムが臨床文書作成のためにAIを評価する場面に関わった。このとき論点は「AIは医療スクライブを置き換えるか？」ではなかった。「文書作成のどの構成要素をAIが確実に扱えるのか？」である。答えはこうだ。基本的な属性情報の取得や定型的な診察記録──可能。一方で、繊細な臨床推論や家族へのカウンセリング内容の議論──まだ難しい。
タスク単位の捉え方により、重要なところでは人間の専門性を維持しつつ、真の雑務を自動化する形でワークフローを再設計できた。
3. 長く価値が残る能力に投資する
MIT研究は、AIの成功率が広範に改善する一方で、いくつかの能力は自動化に対してより抵抗力があることも示した。すなわち、繊細な判断、ステークホルダーとの関係性マネジメント、予測不能な状況への対処である。
したがって、人材育成戦略は次の「長く価値が残る能力」を重視すべきだ。
・品質差別化スキル：MIT研究は「最低限十分」な品質、すなわち基本基準を満たすために人の介入を要しないアウトプットを測定した。より優れた品質の成功率は、なお大幅に低い。AIが定型版を担うようになっても、卓越した成果を生み出す人材への需要は持続する。
・AI協働コンピテンシー：効果的なプロンプト、アウトプット評価、AIの提案を信頼すべき局面と疑うべき局面の見極めなどを含む。
・関係性と判断の能力：信頼構築、組織内政治の航行、倫理的トレードオフの判断、暗黙のステークホルダー・ニーズの読み取りなどを含む。
4. 品質管理を前提に設計する
あるコンサルティング先は、顧客サービスの問い合わせ対応でAI導入を急ぎ、当初は目覚ましい効率向上を実現した。しかし数週間のうちに、AIがもっともらしいが時に不正確な技術ガイダンスを生成していることが判明した。
MITの研究者は、関連する職務経験を持つ評価者にアウトプットを査定させる重要性を強調している。品質判断には領域の専門性が必要だという認識である。品質保証を後回しにしてはならない。
有効なアプローチとしては、次が挙げられる。
・初期段階では人による並行レビューを行い、AIと人の判断を比較して体系的な誤りを特定する
・リスク水準に応じた品質しきい値を設定する──日常的な社内メモに必要な監督と、規制当局向け提出書類に必要な監督は異なる
・一般管理職による承認だけではなく、領域専門家による検証を行う
適応する組織をつくる
MITは、傾向が続けば、2029年までにテキストベースのタスクでAIが80%〜95%の成功率に到達し得ると予測している。ただしそれは急速な進歩を前提にしており、測っているのは最低限十分な品質であって、実際の雇用代替ではない。
能力と採用の間のギャップは、非常に重要である。私は、技術的には十分に可能なAIシステムが、統合上の課題──品質保証、規制当局の承認、顧客の受容、ワークフロー再設計──により、何年も苦戦するのを見てきた。
成功と失敗を分けるのはテクノロジーではない。文化、変革マネジメント、そして本物の人材投資である。従業員に調整コストを負わせたまま効率だけを搾り取ることではない。
有効な組織には共通点がある。
・機会と混乱についての率直なコミュニケーション
・雇用中のリスキリングへの投資（職を失った後の退職金だけではない）
・影響を受ける従業員を意思決定に関与させる公正なプロセス
・コスト削減を超えた原則へのコミットメント
結論
満ち潮のパターンは、安心材料と切迫感の両方をもたらす。最悪のシナリオが示すほど時間がないわけではない。しかし緩やかな自動化であっても、仕事は数年のうちに根本から変わる。数十年ではない。数年だ。
先回りして適応するための窓は、まだ開いている。自社の文脈でAIの能力を評価し、人材の適応に本気で投資し、代替ではなく協働を前提に設計せよ。
迫り来る職場の変革を主導するか、それとも飲み込まれるか。選ぶのはあなたである。エビデンスは存在する。次に何が起こるかは、それをどう生かすかに完全にかかっている。
