BLOG
AIがすべての「経験」を陳腐化させる中、何が希少価値を持つのか？
オープニング：OpenAI CFOからの問いかけが、「経験」を被告席に送る
9月11日、華爾街見聞がOpenAI CFOのSarah Friarによるある判断を立て続けに報じました：AIがすべての「経験」を陳腐化させる中、企業にとっての希少品とは何か？ 個人にとっての問いはより直接的です――あなたの経験は、まだ値打ちがありますか？
この説はコミュニティで広く伝わっています。なぜなら、それは抽象的な不安を突くものではなく、毎日具体的な場面で起きていることだからです。8年間プログラミングをしてきた人が、新人がAIを使って3日で自分が1週間かかっていたモジュールを書いてしまうのを目にする。10年のコピーライターが、下書きを自分で書く必要がなくなったことに気づく。十数年データ分析をしてきたベテランが、実習生が自然言語を使って直接グラフを出力しているのを見る。コメント欄で最も頻繁に見られたフレーズは「じゃあ、これまでの年月は無駄だったのか？」でした――この問いにパニックになるべきかどうか、今回分解すべき点です。
かつて在職年数を積み重ねて築かれていたこれらの障壁は、今、チャット画面の中で秒単位で取り壊されています。しかし、取り壊されているものと、パニックになって取り壊されていると思っているものは、実は同じではありません。
拾聞：OpenAIのCFOが自ら「経験の陳腐化」と言うとき、あなたの第一反応は賛同ですか、それとも警戒ですか？
永亮：まず警戒し、そして賛同します。警戒するのは、そう言う人には動機があるからです――AIによる人間の代替という雇用方向への道を整えるためです。賛同するのは、立場を除けば、この判断自体が成り立つからです。しかし、「経験」という言葉はあまりに曖昧に使われすぎていて、本当に価値のあるものまで一緒に埋めてしまいそうになっています。
拾聞：それでは徹底的に話しましょう：経験のどの部分が価値を下げているのか、どの部分は下がっていないのか、企業は今後なぜ対価を支払うのか、そして一般人が今どこに力を入れるべきか。
Q1：「経験の陳腐化」という命題は、そもそも成立していますか？
永亮：命題は成立しますが、価値が下がっているのは、AIが出現してから下がり始めた部分ではありません。
私はJava出身で、技術者として17年やってきました。この17年で蓄積したオペレーション型の経験は、もともと期限切れになり続けていました。キャリア初期の自慢だったStrutsの設定スキル、手書きSQLチューニングの定石、EJBコンテナへの理解――これら当時は昇給に結びついたものの、半分以上はすでに博物館行きです。その後の年月で、フレームワークはSSHからSpring全家桶へ、そしてマイクロサービスとクラウドネイティブへと変わるたびに、一批の「経験」が廃止を宣告されました。AIは経験の陳腐化を発明したわけではなく、すでに20年間運転されていたこのプロセスにアクセルを踏み込んだにすぎず、しかもかなり強く踏みました。
自分の経験が陳腐化しているかどうかを判断するにはどうすればよいでしょうか？ 私はある荒っぽい方法をまとめました：SOP（標準作業手順書）として書き出せたり、チェックリストにできたり、新人を3ヶ月訓練して一人前にできる部分は、すべて陳腐化の道にあります。なぜなら、この部分の本質は「パターンマッチング」だからです――十分な数のケースを見ていれば、次に何をすべきかがわかります。そしてパターンマッチングは、モデルが最も得意とすることです。モデルが見ているケースは、あなたより数桁多いからです。
本当に警戒すべきは言い換えです：「経験の陳腐化」が「年数の価値低下」と言われてしまっています。企業がこの文章を「古参社員はもう不要だ」と理解するなら、それは誤読です――価値が下がっているのは、コード化可能で再利用可能なオペレーションの定石であり、判断力や責任感ではありません。この二つは履歴書のスキル欄に書かれたこともなく、賞味期限に入ったこともありません。期限切れのオペレーションスキルと一緒にこれらを捨ててしまうのは、この不安の波の中で最も高くつく間違いです。
Q2：では、本当に価値が下がっておらず、むしろ値上がりしているものは何ですか？
永亮：は「このプランが実装可能か」という嗅覚と、システムにトラブルが起きた時に立ち上がるその瞬間です。
まず判断の嗅覚について。要件を聞いて最初の1分で、落とし穴（坑）がどこにあるかがわかります――この顧客の予算ではこのアーキテクチャは持たない、そのチームではこのプロセスは捌けない、この機能をリリースしても誰も使わない。こうした直感は数百回の失敗したプロジェクトで積み上げられたもので、知識というよりは嗅覚に近く、論理的推論を経ずに結論を直接出します。AIは10個のプランを提示でき、それぞれが構造的に整っていて議論も十分ですが、どれを選ぶか、どれに隠れたコストがあるか、どれが3ヶ月後に爆発するか、この段階はまだ人間が必要です。そして組織環境が複雑になればなるほど、この嗅覚は価値が高まります。なぜなら、落とし穴は往々にして技術的な穴ではなく、人とプロセスの穴だからです。
次に責任を取る能力について。冗談に聞こえますが、本気です。システムが深夜に故障したとき、影響範囲を判断し、ロールバックを決断し、上司とカスタマーサポートに状況を明確に説明できるのは誰ですか？ モデルは提案をし、選択肢を列挙できますが、その決定に対して責任を取ることはできません。責任は外注できない希少品です――商業世界にまだ署名する人間が必要で、深夜に電話で起こされる人間が必要な限り、この言葉は成立します。私が採用するときの変則的な基準があります：重大な本番事故に遭遇し、それを処理したことのある人は、優先度を高くしています。なぜなら、そのような人の価値はトラブルを起こさないことではなく、起きたときに被害を押さえ込める点にあるからです。
この二つには共通点があります：それらは「学ぶ」ことで身につくものではなく、「踏み越える（趟）」ことで身につくものです。モデルはコーパスから知識を学習できますが、あなたの代わりに落とし穴を一度踏み越えることはできません。
Q3：反対意見にはどう答えますか――モデルに十分なコンテキストと評価手段を与えれば、判断力も単なる時間の問題ではありませんか？
永亮：時間の問題ですが、「時間の問題」こそが重要なポイントです――なぜなら、暗黙知を形式知化（顕性化）すること自体、まだ人間がやる必要があり、そして目に見えるウィンドウ期間内で、この作業をする人こそが希少品だからです。
私の業界の例を挙げましょう。AIが医療情報化のプランを出します。技術的には不満のないものです：アーキテクチャは合理的、コンポーネントは成熟、パフォーマンス指標も基準を満たしています。しかし、それはその病院のHISシステムが10年前にどのベンダーが作ったものか、データ辞書がどれほど乱雑か、情報科主任と副院長が同じことを推進しているがトーンが不一致であること、院長が本当に望んでいるのは等級取得なのか費用抑制なのかを知りません。これらのコンテキストはドキュメントでは見つからず、人の頭の中にあります。モデルがこの判断を飲み込むには、まず誰かがこれらの暗黙知をすべて形式知化し、モデルが消化できる形に整理して与える必要があります――そしてそれを行うのは、やはり人間です。
評価手段が成熟すれば、モデル自身がプランの良し悪しを検証できると言う人もいるでしょう。問題は、評価が定義された指標しかカバーできないことであり、暗黙の制約恰恰（こっそり/まさに）指標の中にはありません。「副院長と主任のトーンが不一致」をどう評価に書きますか？「院長が望んでいるのは等級取得」をどう単体テストに書きますか？
だから私の答えはこうです：判断力は確かに最終的にはモデルの一部に圧縮されるでしょうが、その圧縮プロセスのすべてのステップで、人間の手による運搬作業が必要です。将来希少になるのは「判断力」という抽象的な言葉ではなく、「暗黙のコンテキストをAIに与えることができる人」です。希少なものは「経験のある人」から「AIを引っ張れる人」へと変わります――この変化は「経験の陳腐化」という4文字よりもはるかに重要です。なぜなら、それが人間がどこに力を入れるべきかを指し示しているからです。
Q4：希少品が変われば、企業が金を使うロジックも変わる――どこが変わるのですか？
永亮：プレミアム（上乗せ額）は「資歴」から3つのものへと移ります：プライベートデータ、業務翻訳能力、説明責任のメカニズム。
企業はこれまで資歴にプレミアムを払ってきました。なぜなら資歴≒経験≒落とし穴が少ない、だからです。経験そのものが安くなった今、お金は3つの新しいターゲットへ流れます。
一つ目は、高品質なプライベートデータです。これはモデルが代替できない堀です――モデルが食べるのは公開コーパスですが、あなたの取引記録、製造パラメータ、顧客履歴、サービス作業票は、モデルが見たことがないものです。誰のプライベートデータが多くてきれいであるかによって、その人のAI導入は一拍速くなります。だから私が企業にコンサルティングをするときの最初のアドバイスはいつもこれです：モデルを導入するのに急ぐな、まずデータ資産を棚卸しなさい。
二つ目は、業務上の問題をAIのタスクに翻訳できる人です。事業側が「リテンション（維持率）を上げろ」と言う、これは需要であってタスクではありません。タスクは「過去90日間の沉默（無アクション）ユーザーをセグメンテーションし、離反確率を予測し、3つのリコール文案を生成し、A/Bテストを設計する」ことです。この間の翻訳層は、今はあまり上手くやっている人がいません――業務用語を理解し、かつモデルの能力境界を理解することが求められるからです。私は採用時にこれを最も重視し、純粋に技術が強い人を見送ることさえあります。
三つ目は、結果に対する説明責任のメカニズムです。AIの関与度が高くなればなるほど、アウトプットはそれらしくなり、組織において「署名して責任を取る人間」はより重要になります。監査、レビュー、署名チェーンといった官僚的に聞こえるプロセスは、AIによって重要度が下がるのではなく、むしろ高くなります。逆に、純粋な実行層のポジションは継続的に圧縮されるでしょう――初級コーディング職、下書きのコピーライティング、基礎的なデータ処理、これらのポジションの数と単価は下がり続けています。これは私の予測ではなく、OpenAI CFOのような立場の人がこう言うとき、すでに示唆されている雇用の方向性です。
Q5：働いて5年、スキルがモデルに覆盖されつつあるエンジニアは、今何に投資すべきですか？
永亮：「より熟練する」方向へ過度に競争するのをやめ、「より記述しにくい」方向へ進んでください。
具体的には3つあります。第一に、価値を具体的な状況（コンテキスト）に築くことです：あなたがいる業界、接触した顧客、教科書には書かれていない厄介な後始末をした問題。モデルが得意なのは、標準的な答えがあり、膨大なコーパスがある分野です。具体的な状況こそがあなたの防波堤になります。同じコードを書くのでも、病院の業務フローを理解しているエンジニアとそうでないエンジニアの価格差は、AI時代には縮まるのではなく拡大します。
第二に、毎週実際の問題を持ってAIを試し、答えを写すのではなく、なぜ間違えたのかを振り返ってください。ドキュメントを作成し、どこで思い込みをしたか、どこで制約を見落としたか、どのアドバイスを実行すると問題が起きるかを記録してください。それが間違った場所こそが、人間の価値がどれだけ残っているかの目盛りです。この習慣を半年続ければ、周囲の人よりも早く自分の堀がどこにあるかをはっきりと見ることができ、そして蓄積されたこの「AIの落とし穴アーカイブ」は、それ自体があなたのプライベートデータ資産になります。
第三に、表現力を鍛えることです。将来、人と人の競争は、大きな部分において「誰が問題を明確に説明できるか」という競争になります――あいまいな業務要求をAIが実行可能な命令として説明し、技術的な実現可能性を上司が理解できる意思決定の根拠として説明すること。表現は暗黙知の出口であり、この出口が広ければ広いほど、あなたがAIに与えるコンテキストの品質は高くなり、あなたのレバレッジは大きくなります。
エンディング
拾聞：最後に、今回の内容を一言でまとめると？
永亮：技術の波が「何かが陳腐化する」と叫ぶたび、最終的に本当に陳腐化するのは往々にして「参入障壁」だけです――ドアは低くなりましたが、部屋の中は逆に混雑しています。しっかり立ちたいなら、他人が持ち去れないものをやはり少しは持つ必要があります。
拾聞：この言葉を、皆さんに送ります。また次回。
【技術深掘】なぜモデルは「暗黙知」を食べられないのか：コンテキストエンジニアリングの観点から分解
今回は繰り返し「暗黙のコンテキスト」という言葉を使いましたが、技術者読者のために、なぜこれがモデルの構造的な弱点なのか（一時的な努力不足ではないのか）を分解します。
まずモデルの入力の本質を見てみましょう。 大規模モデルの全入力は、一連のトークンシーケンスです。いわゆる「モデルに十分なコンテキストを与える」とは、実践においては、誰かが頭の中の判断を文字に整理し、ドキュメントを検索し、コンテキストウィンドウに押し込むことを意味します。この「整理—検索—投入」のプロセスこそが、現在業界全体が行っているコンテキストエンジニアリング（context engineering）です。これはまさに私の観点を証明しています：暗黙知が使用されるたびに、まず一度人間による形式知化を経る必要があります。ツールは進化しており、手動ペーストからRAG、そしてエージェントによる自動検索へと至っていますが、「ソースの知識が人間の脳から来る」というステップは一度も変わっていません。
次に、なぜ検索が救いにならないかを見てみましょう。 RAGの仮定は「知識がすでにドキュメントとして書き出されており、かつ埋め込み（embedding）の類似度で見つかることができる」ということです。組織において最も価値のある判断は、まさに書き出されていないものです：なぜ前回B案を選んでA案を選ばなかったのか、どの顧客が口頭で何を約束したのか、どのコードが前任者が残した地雷か。埋め込みが捉えるのは意味的な類似性であり、因果関係や利害関係ではありません――そしてこれらこそが判断の原材料です。
最後に、エージェントの記憶の実際の水位を見てみましょう。 現在のエージェントの長期記憶ソリューション（会話要約、ベクトル記憶、スキルファイル）は「何が起きたか」を覚えることができますが、「なぜそのように決定したか」を覚えるのは難しいです。意思決定のコンテキスト――当時の制約、トレードオフ、リスク選好――はほとんど圧縮保存できません。これが、私が見た大多数の企業AI導入プロジェクトにおいて、ボトルネックがモデルの能力にあるのではなく、知識の形式知化整理に時間を割く人がいないことにある理由でもあります。
一言で言えば：モデルが知識を食べる食欲は無限ですが、ご飯を食べさせるスプーンは常に人間の手にあります。これが「AIを引っ張れる人」が希少であることの工学的な説明です。