要約：AIの時代において、測定されるものは自動化されます。モデルがより強力になるにつれて、スプレッドシートの分析からセラピーのセッションに至るまで、データに変換可能なあらゆるタスクが自動化の射程内に入ってきています。その根底にある戦略は明確です。タスクを定義し、データを与え、報酬を設定し、計算能力を適用するのです。AIが測定コストを大幅に削減することで、ささいな活動でさえ経済的に自動化可能になり、ほぼすべての産業へとAIの影響範囲が広がります。防御可能なまま残るのは、あいまいさ、創造性、あるいは不確実性によって特徴づけられるタスクです。つまり、結果を容易に定量化できない領域、あるいは人間の判断が依然として優位な領域です。リーダーにとっての課題は、測定可能なものと測定不可能なものの両方を管理すること、そして自動化に投資するだけでなく、AIがまだ再現できない「センス」「信頼」「ビジョン」「適応力」といった無形資産にも投資することです。
経済を覆すためにAIはSF的なアップグレードを必要としません。現在のモデルや、すでに開発中でより安価かつ高性能な後続モデルが、労働市場のほぼあらゆる分野を混乱させる体制を整えています。テキスト、画像、動画にまたがる驚異的な性能は、ライター、デザイナー、写真家、建築家、アニメーター、ブランド広告担当者などのクリエイティブ層だけでなく、金融アナリスト、コンサルタント、会計士、税務申告担当者などのスプレッドシート業務に従事する層の仕事のやり方すら変えようとしています。法曹、医学、学術といった資格が求められる拠点ですら、安全圏ではありません。AIは膨大なコンテンツをふるいにかけ、個別化された助言や教材を現在のコストの一部で提供することができ、しかもその品質は急速に追いついてきています。
AIツールがどれほど強力になるのか、そしてそれがいつ訪れるのかについては、大きな疑問があります。AnthropicのDario Amodei氏やOpenAIのSam Altman氏は、汎用人工知能（AGI）は1年か2年以内かもしれないと述べています。一方でMetaのYann LeCun氏はより懐疑的です。彼は、現行モデルには物理的な理解力、持続的な記憶、一貫した推論力、戦略的な先見性が欠けていると主張しています。Appleもまた、新しい研究を発表し、現在のモデルは訓練データの範囲内でしか性能を発揮できないとしています。それでも、仮に明日すべての進歩が止まったとしても、混乱はすでに始まっているのです。
この新たな状況を乗り越えるためには、リーダーは自動化が自社にどのような影響を与えるのかを理解し、計画しなければなりません。そのためには、どの業務や責任が最も圧力を受けやすいのかを見極め、企業を知能価値チェーンの上流へと導く道筋を描く必要があります。
自動化のリスクがないものとは何か
学術研究者や実務者の間では、どの職種や業務が自動化の脅威にさらされているかについて、広範な議論が行われてきました。いくつかの脅威は明白です。自動運転車は、ライドシェア、バス、トラックの運転手を何百万人も代替できる位置にすでに近づいています。その一方で、言語翻訳、大量のクリエイティブライティング、デザイン、さらには日常的なコーディングさえも、AIに引き渡されつつあります。
2月には、Anthropicが示唆に富む利用統計を共有しました。チャット形式は本来、人間の補助を促すように設計されていますが、実際にはすでに全やりとりの約43%が何らかの形の自動化に該当しており、ユーザーがAIに「手伝ってもらう」のではなく、「直接タスクを実行させる」ようになっていました。この割合は今後さらに上昇することが見込まれています。モジュール型AIエージェントが労働力として参入し、MCPのようなプロトコルを通じてデータをやり取りし、タスクを調整し始めているからです。法律、税法、コンプライアンスの規定、あるいはセンサーデータのストリームのように、広範に測定または体系化されている環境は、機械に引き渡される可能性が最も高いのです。
AI研究の先駆者であるAjay Agrawal氏、Joshua Gans氏、Avi Goldfarb氏は、2018年の論文で、AIが進化するにつれて人間の最後の優位性は「判断力」になると主張しました。すなわち、不確実性のもとで選択肢を比較し、意思決定を行う能力です。しかしその洞察は、私たちに不可能な宿題を突きつけます。それは、「ある時点で、何が判断に該当するのかを正確に定義すること」です。
現在、人間の判断が求められているタスク、たとえば医療処置の選択、法的契約の精査、時代の精神をとらえた映画の脚本なども、モデルがより豊富なデータと計算能力を活用するようになれば、AIが担うようになる可能性があります。さらに、最近の研究によれば、人々が常に人間のセラピスト、カウンセラー、または仲介者を好むと仮定することもできません。AIの代替者は、24時間稼働し、コストはごくわずかで、そしてわずかな人間のスーパースターを除いて、より一貫した品質を提供する可能性があるのです。
では、AIが次に自動化するタスクと、それを実現するにはAI技術の新たなブレークスルーが必要となるタスクを、どのように区別すればよいのでしょうか。その答えを見つけるには、原点に立ち返り、すべてが始まった場所を再訪する必要があります。
研究室のコンテストから産業革命へ
2000年代半ば、コンピュータビジョン分野において──すなわちコンピュータに「見る」能力を与え、画像を解釈させることを目指す領域において──Fei-Fei Li氏は、あるボトルネックが存在していることを見抜きました。アルゴリズムが「ピクセル飢餓」に陥っていたのです。つまり、人間レベルの性能に達するには、視覚データの取り込み量があまりにも少なすぎたのです。彼女の解決策は、驚くほど力技でした。彼女はImageNetを構築したのです──Amazon Mechanical Turkの協力を得て構築された、膨大で綿密にラベル付けされた画像の宝庫です。しかし、彼女の真の天才的な一手は2010年に訪れました。彼女はこのデータセットにグローバルなリーダーボードを追加したのです。これにより、画像認識の課題は、研究者同士の競技会へと変貌しました。
最初の2年間は、年次リーダーボードの進歩はわずかなものでした。
ところが2012年、Alex Krizhevsky氏、Ilya Sutskever氏、Geoffrey Hinton氏の3人が、競争相手を一気に突き放しました。トロントのこのチームは、市販のNVIDIA GTX 580グラフィックスカード2枚を使い、わずか数日で画期的な畳み込みニューラルネットワークを学習させることに成功したのです。これは、大学院生の予算規模でも、コンピュータビジョンの歴史を変え得るということを証明する画期的なアプローチでした。
この瞬間は、数十年にわたるAI冬の時代に終止符を打ち、ニューラルネットワークを進歩の中心に据え、そして現在もAI分野が採用し続けている戦略書を明らかにしました。まず、関連するデータを集める──ImageNetの場合は、約1,400万件のラベル付き画像でした。次に、進歩を定量化し推進するための指標に依拠する。そして最後に、モデルにデータとGPUのパワーを注ぎ込んで自己学習させるのです。この公式は、物体の分類から流暢な文章の生成、そして最近では推論、計画、外部ツールの使用といった、現在出現しつつある「思考する」システムに至るまで、AIの進歩を牽引してきたのです。
データ・報酬・計算力
画像認識のブレークスルーをもたらしたフレームワークは、実はほとんどの人が想像する以上に汎用的です。この枠組みは、以下の条件が整っている場合には、いつでも適用することができます。 a）タスク環境を定義し、それに関するデータを集約できること──たとえば、テキストコーパス、画像や動画のリポジトリ、運転ログ、ロボットのセンサーからのストリームなど。 b）ターゲットとなる報酬を明示または暗黙的に設定できること──「次の単語を予測できたか？」というような明示的なものでも、人間の行動から推定される暗黙的なものでもかまいません。 c）システムが反復処理を行えるよう、十分な計算資源を提供できること。
この3つの要素を積み重ねれば、汎用的な自動化エンジンが完成します。現在では、2つのデータ動向がこの「フライホイール効果」をさらに加速させています。 1つ目は、モデルが無限に近い数の合成データ例を生成できるようになってきたことです。たとえば、仮想的な「運転距離」を生成することで、現実世界のドライバーが遭遇しないような極端なシナリオも網羅できるようになります。 2つ目は、AIがさまざまなデバイスやセンサー上で活用されつつあることです。スマートフォン、車載デバイス、その他の端末に組み込まれたAIが、以前はコストや実用性の面で測定不可能だった現実世界の信号を、安価に測定・定量化しているのです。
もし、ある現象を数値に落とし込めるのであれば、AIはそれを学習し、大規模に再現することができます──しかも、こうした変換のコストは技術進歩により急激に低下し続けており、測定作業自体がより安価に、迅速に、そして私たちのあらゆる接点に静かに織り込まれつつあります。より多くの物事が「カウント可能」になり、循環が再び動き出し、モデルはさらなるデータを取りに戻ってきます。 これはすなわち、測定可能なあらゆる仕事は──理論上──自動化可能であることを意味します。
計測できないほど安い
経済学者ズビ・グリリチェスによる1957年の画期的な研究は、ハイブリッド種のトウモロコシ導入に関して、今後を見通す鋭いレンズを提供します。農家たちはまず、その高価な種を最も収穫効率のよい畑にのみ植えました──そこでは収量の増加が、追加費用や新製品使用の学習コストを容易に上回ったからです。やがてハイブリッド品種が改良され、その利点が広まると、利益率の低い畑でも費用対効果のラインをクリアするようになりました。
AIにおいても、「現実をデータに変換するコスト」が高い場合、企業は通常、目立つ用途──クレジットカード詐欺検出、アルゴリズムによる市場取引、ジェットエンジンの予測診断など──にしか投資しませんでした。しかし今では、AIが高精度な測定のコストを劇的に引き下げつつあり、連続的かつ詳細なセンシングが標準になりつつあります。軽量なモデルはセンサーのすぐそばで動作し、帯域幅と遅延を削減します。また、現実世界でのデータ取得が遅かったり扱いにくかったりする場合は、合成データがそのギャップを埋めるのです。
小数点以下の誤差がわずかに減るだけでも、その積み重ねが数百万件単位のAI駆動意思決定に波及すれば、すぐに莫大な利益に転換されます。精度の高い測定がより安価になることで、これまで経済的に見合わなかったほどの微細な利益ストリームでさえ、採算ラインに乗るようになります。そして、かつては「監視対象にすらならなかった」ようなタスクまでもが、自動化の網に取り込まれるのです。
私たちは、知能が「計測し放題」になる未来に近づいているだけでなく、世界のますます多くの部分を測定し、拡張し、そして継続的にアップグレードしていく過程にすでに突入しています。私たちはすでに「人工指標知能（artificial-metrics intelligence）」の時代に生きているのです──そこで定量化できるすべてのものは、自動化の列に速やかに並ばされます。
未知の未知を乗り越えて繁栄する
人間は進化的に見て汎用的な存在であり、「未完成の地図」を手にして進むことを前提として選ばれてきました。私たちは単に「未知の未知」に耐えるだけではなく、それによって繁栄してきたのです。このレジリエンスこそが、私たちの決定的な強みです。数世代にわたり、私たちは声帯と社会的な脳を微調整し続け、やがて言語が出現しました。これによって、蓄積された知識、抽象的な推論、象徴的思考の扉が開かれました。そしてその後、私たちは生物学的限界を超えていきました。すなわち、感覚を拡張し、記憶を拡張し、能力を倍加させるような道具を作り出したのです。
しかし、その優位性の中心にあるのは、高い可塑性を持ち、密に配線された前頭前皮質です。この神経中枢は、無限の「もしも」を想定し、反事実的な未来をシミュレーションし、状況が変わった瞬間に戦略を転換することを可能にします。真のシンギュラリティが到来しない限り、たとえ量子コンピュータであっても、このようなオープンエンドで領域を超えた反事実的な計画能力に匹敵するのは困難です。
AIが進歩を加速させるにつれて、新たな「未知の未知」が次々と生まれ、私たちの地図は再び描き直され続けます。その一方で、AIは予測可能なことを定型化してくれます──ちょうど機械化された農業が私たちを自給自足生活から解放してくれたように──そして、私たちの反事実的な思考力のより高次な問題への適用を可能にしてくれるのです。
また、AIが苦戦する領域も存在します。それは、測定がほとんど不可能な領域です。たとえば、イベント・ホライズン・テレスコープが単一のブラックホールの画像を撮影するために、何十年にもわたって世界中で取り組んだ努力がそうです。極端スケールの物理学、地球のマントル深部や深海底、あるいは人間の脳内での生細胞の相互作用の探査といった、いまだ解決されていない課題も同様です。
さらに、プライバシー、倫理、規制によって測定が制限される領域や、社会が説明可能な推論を必要とする領域でもAIは後れを取ります（少なくともモデル解釈性が追いつくまでは）。また、人々が単純に「人間らしさ」を好む領域においても、AIは劣勢となります。それでも、ハイブリッドトウモロコシの導入と同様、将来の世代はこれらの領域における費用対効果の計算式を再評価し、私たちとはまったく異なる結論に達するかもしれません。
しかし、測定可能性の限界に関する決定的な区分がひとつあります。それは、結果の確率を本質的に知ることができないため、定量化そのものができないタスクです。これこそがナイト的不確実性（Knightian uncertainty）の領域であり、リスク自体が定義されていないため、いかなる確率も割り当てることができません。スタートアップの拡大、資本や人材を極めて不確実な事業に配分すること、新たな病原体の封じ込め、金融制度が転換期にあるときの中央銀行政策の策定、AI倫理の草案作成、新しい芸術メディアの創出、ファッショントレンドの創出、あるいはジャンルを横断する新しいブロックバスターの制作──いずれも確率が消失するゾーンにあります。
一部の創造的な行為や発見は、既知のものを巧みに組み合わせたにすぎないこともありますが、本当に野心的な挑戦は、まったく新しく複雑な反事実的世界を想像するという、私たち人間だけが持つ特性にかかっているのです。
結論
このリストは流動的です──一つのタスクは、測定可能になった瞬間に自動化のリストから外れ、また新たなタスクがすぐに現れます。このような変化のたびに、経済的・社会的な痛みを伴う調整が必要になり、より多くの仕事が、創造性・才能・資本の頂点に報酬が集中する「スーパースター経済」へと押し込まれていきます。
それでもAIは、逆説的な贈り物をもたらします。それは、教育を民主化し、誰もが使える個人用コパイロットとして機能することによって、かつてなく多くの人々に「頂点に到達するための道具」を提供するのです。職業そのものは進化し続け、未知を可視化し、測定可能なものへと変えるあらゆるブレークスルーは、すぐに拡張され、ミームのような速度で模倣されていきます。
激動の移行期に組織を導くリーダーにとって、スプレッドシートの向こう側にあるものとは何でしょうか？ それはセルに収まらないすべてのこと──数値化を拒むスキル、確かな前例がないオープンエンドの問題、「信頼」「センス」「品質や経験の繊細な次元」、そして、あらゆる指標が「待て」と告げていても前進するという確信です。
測定可能なことだけを管理していたら、測定できないものを育むライバルに、最も価値ある領域を譲り渡すことになります。Bose Corporationを創業した音響工学者アマー・ボーズ氏は、まさにその点を証明しました。他社がスペック表の数字を崇拝していたとき、彼は実際の部屋で音楽がどう聴こえるかという、既存のいかなる指標でも捉えられない「人間の感覚」に焦点を当て、それによって音響業界のルールを書き換えたのです。
進むべき方向性は明快です。ROI（投資対効果）が曖昧でも、ワイルドカード的な賭けを支援し、問題を再定義し、不確実性に飛び込むチームを報いるのです。そして、研究開発、新市場、複雑な顧客・パートナー・政策とのやりとりといった領域において、不確実性に向き合う役割へと人材を循環させましょう。さらに、スラックタイム（余白の時間）を意図的に設け、チーム間の衝突を設計し、偶然の発見やアイデアの再結合を誘発するのです。こうした「計画的なあいまいさ」の領域を、リスクではなく、戦略的資産として扱うことが必要です。
次なる転換点が訪れたときに備えるには、「測定可能なもの」に注目するだけでなく、「どうしても測定できないもの」にも注意を向けているリーダーだけが、準備が整っているのです。
