すでに承知のとおり（そしてその話を聞くのにうんざりしているかもしれないが）、人工知能（AI）は仕事を、そしてほぼあらゆるものを作り替えつつある。AIを過大評価だと見るにせよ、過小評価だと見るにせよ、あるいはその両方だと見るにせよ、AIの軌道が最終的に漸進的なものになるのか指数関数的なものになるのかにかかわらず、実務上の現実として、好むと好まざると、気づいていようといまいと、さらには関心があろうとなかろうと、組織はすでにAIの影響を受けている。
実際、今日この瞬間にAI開発が停滞したとしても（その可能性はきわめて低いが）、企業はAIが組織にもたらした衝撃を管理するために、なお数年にわたる調整を迫られるだろう。現世代のツールは、ほとんどの組織が吸収または扱いきれないほどの複雑性をすでに持ち込み、企業に以前にも増して高い速度での変革を強いている。
これが、今日見られるおなじみのパターンを説明しているのかもしれない。導入に苦戦する企業がある。導入はできても価値の実現に結びつけられない企業もある。エントリーレベルの職を廃止すべきかどうかの判断に迷う企業もある。大胆に自己変革へ踏み出そうとする企業もある。AIの投資対効果を実現するうえで重要なのは、技術そのものというより、人材、リーダーシップ、そして仕事の設計（アーキテクチャ）を再考することだという認識が、ますます広がっている。
とはいえ、リーダーがAIをどう実装し、戦略のどこに位置づけるかを決めている間に、より差し迫った変化がすでに起きている。AIが、意思決定のあり方そのものを作り替えているのだ。
意思決定、意思決定、意思決定
AIについての意思決定が十分に重大であるかのように、AIはいまや意思決定というプロセスそのものに影響を及ぼしている。問題は、AIが意思決定を改善するかどうかだけではない。意思決定の背後にある認知的・組織的メカニズム、さらには最も重大な意思決定が行われる場であるリーダーシップの本質を、AIがいかに変えるのかである。この点で、いくつかの傾向が際立っている。
1. 遅い思考の自動化
行動科学の数十年にわたる研究、とりわけダニエル・カーネマンとエイモス・トベルスキーの仕事は、2つの思考モードを区別する。システム1は速く、直感的で、努力を要しない。システム2は遅く、熟慮的で、努力を要する。人間は合理的な分析と意思決定を行う能力を十分に持っているが、認知エネルギーを節約するためにメンタルショートカットに頼りがちでもある。
進化の観点から見れば、これは理にかなっている。脳は代謝コストが高い。リサ・フェルドマン・バレットが主張するように、脳の主要な機能は哲学的な意味で「考える」ことではなく、効率的に予測し、調整することにある。簡単に言えば、脳は思考のためではなく、努力を最小化する形で世界を効率的に予測するよう設計されている。
テクノロジーは常にこの傾向を増幅してきた。車輪から計算機に至るまで、イノベーションは、より少ない努力でより多くを成し遂げることを可能にしてきた。だがAIは、さらに急進的な転換である。初めて、思考を拡張するだけでなく、思考の代替になり得るツールを私たちはつくり出した。事実上、私たちはシステム2思考の側面を、必要なときに、スケールさせて、私たちの代わりに実行する仕組みを設計したのである。しかも、同等のアウトプットを得るために本来必要な精神的努力を伴わずに。結果として生じるのはパラドックスだ。卓越した推論能力を持つ種が、推論の頻度を下げられる機械を発明したのである。
リスクは即時の衰退ではなく、緩やかな萎縮である。この不安には歴史的前例がある。ソクラテスと同時代の人々は、文字の発明が人間の記憶と知的鍛錬を損なうのではないかと懸念した。実際、ソクラテス自身は、外部記録への依存が精神を弱めることを恐れ、何も書き残さなかった。振り返れば、その恐れは誇張だった。文字は思考を破壊しなかった。思考を変容させたのである。
それでも、このアナロジーは示唆に富む。現代の生活様式が、身体活動の減少を補うために意図的な運動を必要とするように、未来には意図的な「認知トレーニング」が必要になるかもしれない。狩猟採集民の祖先は、食生活が健全で環境が身体的負荷を要求したため、ピラティスを必要としなかった。対照的に、知識労働者はまもなく、その知的同等物を必要とするのかもしれない。つまり、心のためのピラティスだ。ソーシャルメディアの台頭が、ソーシャルメディア・デトックスやサバティカルへの需要を生んだように、AIの台頭は「思考リトリート」の必要性を生むのかもしれない。生成AIでは答えられない無意味な質問を互いに投げかけ合い、眠っている精神の筋肉を鍛えるために。
2. 専門性なき判断
2つ目の変化は、判断と経験の切り離しである。AIシステムは、知識へのアクセスと統合のコストを劇的に下げる。そうすることで、初心者から（見かけ上の）専門家に至るまでの道のりを圧縮する。とりわけ非専門家の目にはそう映る。かつては何年もの学習蓄積を要したタスクが、少なくとも表面的には、最小限の努力で実行できるようになった。もちろん、これはまったく新しいことではない。検索エンジンやWikipediaのようなプラットフォームは、すでに知識への障壁を下げていた。だが生成AIはさらに先へ進む。情報を首尾一貫した物語、推奨、意思決定へとパッケージ化する。単に答えを提供するのではない。理解をシミュレートするのだ。
結果として生まれるのは、「経験なき判断」と呼べるものだ。個人は、基盤となる専門性を持たなくても、専門家の推論に似たアウトプットを生み出せる。基礎的能力から中級レベルへの進行は、速く摩擦がない。しかし真の熟達への道のりは、経験、文脈、暗黙知に依存したままだ。さらに、少しばかりの知識や専門性があるがゆえに、AIとのやり取りが意図せず最適化され、私たちが必要とする答えではなく、私たちが望む答えを得る方向に向かうこともある。AI（少なくとも多くの消費者向けLLMプラットフォームの形態）は、教育するより喜ばせることに関心が高いおべっか使いの同僚になぞらえるのが適切だろう。したがって、AIを使って意思決定を最適化し、自分自身のバイアスや信念を複製したり再確認したりすることは、意思決定の客観性と合理性を高める最善の道ではない。組織でデータ中心性を高めるためにAIを活用するという当初の意図からは、大きく外れてしまう。
3. 「イベント」ではなく「プロセス」としての意思決定
もう1つ有用な見方は、組織の意思決定を単一の離散的な瞬間として扱うのではなく、段階に分解することだ。実のところ、私たちが通常「意思決定」と呼ぶものは、仮説を立て、情報を集め、パターンを見いだし、その意味を解釈し、最後に行動するという旅路や連鎖の終点にすぎない。ここでAIの影響はより明確になる。
この意味で、うまく使われる限り、AIは意思決定を排除するのではなく、再編成する。より具体的には、プロセスの前半段階を圧縮する。情報の探索、構造化、パターンの特定といった、かつて時間と労力の大半を占めた作業が、いまやほぼ瞬時に、しかもスケールして実行できる。何時間もの分析を要したことが、プロンプト数秒で済むようになる。
一見すると、これは純粋な効率化に見える。だがより深い含意は構造的である。意思決定のフロントエンドが速く安くなると、バックエンドの相対的重要性が増す。言い換えれば、解釈、判断、実行は人間に残るだけでなく、ボトルネックになる。これは機会でもあり、リスクでもある。
機会は明白だ。リーダーはデータを集めて組み立てる時間を減らし、それが実際に何を意味するのかを考える時間を増やせる。原理的には、これは意思決定の質を高めるはずである。組織はデータ制約から判断制約へと移る。リスクはより微妙だ。初期段階の作業をAIに外注すると、人々は基礎となる素材への関与を弱める可能性がある。結論だけを見て、その結論を生み出したプロセスを経験しない。時間が経つにつれ、前提を疑い、異常を見抜き、あるいは何かがおかしいと気づく能力が衰える。要するに、出来合いの冷凍食品を電子レンジで温めるように、理解を育てずに答えだけを受け取るのだ。
例えば、マーケティングディレクターがAIに1000万ドルの予算最適化を依頼し、確信に満ちた理屈とともに洗練された配分案を即座に得たとする。彼女は数分で承認する。そこから消えるのは、かつて判断を育てていた作業である。異常値を掘り下げ、外れ値を疑い、なぜ特定チャネルが好調／不調だったのかを理解する作業だ。彼女は、前四半期の結果が一過性の急増に歪められていたことや、重要セグメントが静かに悪化していることに気づかない。意思決定は速くなるが、システムへの理解は薄くなる。やがて彼女は、違和感を見抜く力が弱まり、十分に問い詰められないアウトプットへの依存が増し、基礎的理解がないまま自信だけを強めていく。これこそが真のリスクである。意思決定が悪くなることではない。意思決定者が弱くなることだ。
ここで「人工的確実性」が定着する。アウトプットが洗練され即時に得られるため、権威あるものに感じられる。そして利用者が中間ステップで苦闘していないため、それを疑う備えが乏しい。結果として、誤りの所在が移る。ミスはもはや貧弱な分析からではなく、無批判な受容から生じる。逆説的だが、AIが意思決定の初期段階でより有能になるほど、後段での人間の懐疑はより価値を増す。AIの恩恵を最大化する組織とは、人間の関与を排除する組織ではない。低付加価値の処理から高付加価値の解釈へと、人間の関与を意図的に再配分する組織である。別の言い方をすれば、機械が考えるとき、人間はより多くを判断しなければならない。
4. 経験を自動化で消し去る世界で、経験をどう獲得するか
ここには、より深い長期的な懸念がある。AIが初期段階の能力獲得を加速する一方で、専門性が形成される経路を同時に浸食する可能性があるからだ。多くの組織はすでにエントリーレベルの職の必要性を問い始めている。効率の観点からは、こうした職をなくすことは合理的に見え得る。だがエントリーレベルの職は、アウトプットだけが価値だったことは一度もない。見えない徒弟制度である。個人をパターンに触れさせ、失敗を経験させ、健全な判断を支える暗黙知を蓄積させる。組織がこうした踏み石を取り除けば、能力の空白を生み出すリスクがある。ジュニアが減れば、将来の専門家も減るかもしれない。長い目で見れば、トップの意思決定の質を弱める。
パラドックスは単純だ。AIは経験を迂回することを可能にするが、それは組織が最終的に依存する専門性そのものを損なう。
5. 人工的確実性
もう1つの、より微妙な変化は自信に関わる。AIシステムは並外れて流暢だ。誤っているときでさえ、首尾一貫し、構造化され、確信に満ちた答えを提示する。これが新たな認知リスク、人工的確実性を生む。人間のバイアスに由来する従来の過信とは異なり、これはテクノロジーによって媒介される。利用者が根拠となる証拠を精査したからではなく、提示の説得力ゆえに、しばしば利用者側の専門性の乏しさと相まって、AIアウトプットを権威あるものとして扱うときに生じる。初めて、テクノロジーが「もっともらしさ」をスケールして製造できるようになった。
危険なのは、単に誤誘導されるリスクではない。そこに生まれる理解しているという錯覚である。推論が完結して見えるため、利用者は疑う必要性を感じにくくなり、さらに重要なことに、自身の限界を自覚しにくくなる。短期的データパターンに整合する戦略が、それらのパターンが安定しているのか見せかけなのかを吟味されないまま受け入れられる。候補者が、過去の成功に合致するプロフィールだという理由で推奨され、モデルが過去のバイアスを再生産していることが見落とされる。あるいはCEOがM&A仮説をAIで圧力テストし、洗練された肯定的検証を受け取ることで、システムが真実ではなく内的整合性を最適化しているにすぎない点を見過ごす。
結果として生じるのは、とりわけ陰湿な失敗モードだ。意思決定は誤っているかもしれないが、意思決定者はそれを認識する能力を欠き、AIは誤りを正すどころか、もっともらしい事後の合理化を生成してしばしばそれを補強してしまう。無知が最も危険なのは、それが見えないときである。この意味で人工的確実性は、テクノロジーで増幅されたダニング＝クルーガー効果に似る。個人が誤った結論に到達するだけでなく、その結論が健全だと体系的に安心させられてしまうのだ。
より有用な問い：「これはどの種の意思決定か？」
AIが意思決定をどう作り替えるかを理解するには、抽象的な論争を超えて、より実務的な問いを立てることが役立つ。いま私たちが扱っている意思決定は、実際にはどのような種類のものなのか。残念ながら、AIに限らず組織の意思決定について、単一の普遍的に受け入れられた分類法は存在しない。しかし、この目的のために統合できる、頑健な科学的基盤はある。それは、プログラム化された意思決定と非プログラム化意思決定を区別するハーバート・サイモンの古典的区別、トベルスキーとカーネマンの二重過程理論、そして定型業務と非定型業務といったタスク特性に関する研究に依拠する。これらの視点を、AIが実際に得意とすることと組み合わせると、シンプルでありながら強力なフレームワークが立ち上がる。
最も重要なのは3つの次元である。
構造：意思決定がどれだけ反復可能で、定義が明確か：構造化された意思決定は、明確なルール、安定した入力、予測可能な出力に従う。頻繁に繰り返され、明示的な手順に分解できる。まさにここでAIは最も力を発揮する。意思決定が判断というよりプロセスに近いほど、エンコード、標準化、自動化は容易になる。逆に、意思決定が新規で、定義が曖昧で、絶えず変化する場合、構造は崩れ、それとともに純粋にアルゴリズム的アプローチの信頼性も崩れる。実際、客観的に定義可能で、明確で、アルゴリズム的で、事実として正しい答えが存在する度合いが小さいほど、AIは利用者の望ましいバイアスや信念に合う答えをでっち上げやすくなる。
データの豊富さ：過去データの利用可能性と信頼性：AIは本質的にパターン認識システムであり、パターンにはデータが必要だ。大量の高品質で関連性が高く代表性のあるデータが存在する場合、AIは正確な予測と推奨を生成できる。しかし多くの組織の意思決定は、不完全で偏っていたり、急速に陳腐化するデータに依存している。その場合、見かけの精密さが基盤の脆弱性を覆い隠すことがある。良質なデータの欠如は、AIが答えを出すことを妨げない。確信をもって誤るリスクを高めるだけである。
判断の強度：曖昧さ、倫理、人間的文脈をどれだけ要するか：意思決定の中には、技術的であるだけでなく解釈的なものがある。そこにはトレードオフ、競合する優先順位、倫理的配慮、社会的ダイナミクスの理解が含まれる。こうした文脈では、「正しい」答えが客観的であることは稀で、しばしば争点となる。判断強度が高いほど、経験、文脈認識、説明責任が重視される。これらは依然として人間が機械を上回る領域である。意思決定が明確な目的の最適化ではなく曖昧さの航行を要する度合いが高いほど、組織はAIに委任することに慎重であるべきであり、AIは人間の経験、判断、そして深い専門性によって拡張される必要がある。
これらの次元が、AIが自動化すべきか、拡張すべきか、あるいは制約されるべきかを決める。
組織はどこで誤り、どうすれば正せるのか
以上を踏まえると、組織にとって最大の誤りはAIの過少使用ではなく、意思決定の誤分類であることが明らかになる。実務では、失敗の大半は、適切な技術を不適切な問題カテゴリに当てはめることに起因する。とりわけ次の点だ。
判断負荷の高い意思決定の過度な自動化
最も重大な誤りは、本質的に曖昧で判断を要する意思決定を、あたかも最適化問題であるかのように扱うことだ。採用、リーダー選抜、戦略、さらにはカルチャー介入までもが、予測と効率のために設計されたモデルに押し込められがちである。これは客観性の錯覚を生むため魅力的だ。アルゴリズムは候補者を順位づけし、潜在力をスコア化し、戦略的手を精密に推奨する。その精密さは科学的に感じられる。だがこの精密さはしばしば見当違いだ。これらの領域は、不完全なデータに規定されるだけでなく、目標が変化し、基準が争われ、人間の解釈が不可欠だからである。
結果として生じるのは、「アルゴリズム的凡庸さ」と呼べるものだ。意思決定は弁護可能になるが、刺激に欠ける。組織は似たプロフィール、似た戦略、似た結論へと収斂していく。最適だからではなく、統計的に安全だからである。バイアスと主観性を取り除こうとする中で、企業は差別化と判断まで取り除いてしまうことが多い。失われるのは繊細さだけではない。平均から離れた、大胆で、文脈に敏感な意思決定を行う能力である。
定型業務の過少自動化
反対の極では、多くの組織が明らかに自動化可能なものを自動化できていない。人間が反復的で低付加価値なタスクに縛られ続ける。レポートの体裁整え、データの取りまとめ、情報の要約、予測可能な分析の実行などである。これは技術的制約であることは稀だ。むしろ、惰性、プロセス設計の拙さ、コントロールへの見当違いの懸念、そして変化への抵抗を反映していることが多い。伝説的なマーク・トウェインの有名な言葉を借りれば、「この世で変化が好きなのは、おむつが濡れた赤ん坊だけだ」。
コストは非効率にとどまらない。認知の誤配分である。高度なスキルを持つ従業員が、判断をほとんど要しないタスクに不釣り合いな時間を費やし、真に価値を生む仕事に向ける時間とエネルギーが減る。この意味で、過少自動化は単なる無駄ではない。戦略的に後退である。本来なくすべきところに労力を温存し、最も必要なところの注意力を圧迫する。
スピードを質／正確性／厳密さと混同すること
おそらく最も微妙な失敗モードは、速い意思決定ほど良い意思決定だと見なすことだ。AIは情報処理とアウトプット生成の速度を劇的に高める。これが速度を優先したくなる強い誘惑を生む。意思決定はより迅速になり、レポートはより頻繁に作られ、アウトプットは増殖する。だがスピードは質の代理指標ではない。多くの場合、組織は以前と同じことを、より速く、より少ない労力で行うだけで終わる。基盤となる意思決定は改善しない。ただ加速するだけだ。これは現代版の生産性パラドックスである。活動は増えるが、成果は増えない。節約された時間は、より深い思考、より良い問題設定、より慎重な実行に再投資されることは稀である。
むしろそれは、追加のアウトプット、さらなる会議、表層的な仕事に吸収されがちだ。組織は生産的になったと感じるが、必ずしも有効になったわけではない。ピーター・ドラッカーの有名な言葉を借りれば、「やるべきでないことを効率的に行うほど無用なものはない」。この言葉は1960年代のものだが、今日ほど時宜を得たことはない。AIはしばしば、無関係なものを効率化し、無用なものを自動化し、実際には「ブルシット・ジョブ」を浮き彫りにしながら生産性の錯覚を生むツールとして誤用されているからだ。
ユビキタスなAI時代の差別化と説明責任
AIがユビキタスになるにつれ、それはインフラに似てくる。使わないことは無能のシグナルであり、使うことはほとんど何も示さない。誰もが、似たデータで学習した似たモデルにアクセスできるようになると、アウトプットは収斂していく。分析は似通い、推奨も似た響きになる。競争優位の源泉は、答えへのアクセスから、問いの質、解釈の厳密さ、洞察を行動に変換する力へと移る。要するに、差別化は判断の関数になる。
これに関連する課題は説明責任である。意思決定がアルゴリズムに情報提供されると、「誰が決めたのか」という問いは単純ではなくなる。責任は人間、モデル、データへと拡散する。解決策は、AIを意思決定から排除することではなく、役割を明確にすることだ。AIは助言者、あるいは思考のパートナーとして機能すべきであり、意思決定者であってはならない。人間の説明責任は維持されなければならない。
AIがより有能になるほど、人間の関与を残余と捉えたくなる誘惑がある。だが現実には、それはより集中する。AIが意思決定の定型的側面を引き受けるほど、人間の貢献はより重要になる。人間が計算に優れるからではない。好奇心、判断、曖昧さを乗りこなす力といった、なお再現が難しい資質を持ち込むからである。組織にとっての課題は、これらの能力が萎縮するのを許すのではなく、涵養することにある。
結局のところ、AIは人間の意思決定の必要性を消し去らない。その性質を変える。思考を避けるためにAIを使う者は、より効率的になるかもしれないが、より有能ではなくなる。思考を高めるためにAIを使う者は、逆説的だが、知的機械の時代がこれまで以上に人間の知性へプレミアムを与えることに気づくかもしれない。
