AI未来予測2027–2050｜18の新職種・人材戦略・電力と社会の変化

AIによる研究加速から2050年の新職種・人材戦略まで。本文約4.8万字、図解25点、参照資料22点。確認済みの知見と独自の未来仮説を区別して読む長編特集です。

新職種・人材戦略へ ／ 出典へ ／ 操作できる図表・全文ダウンロード版

第4版：2026年11月8日（日本時間）。工程成功率の前提、監視対象範囲と検出率、警戒閾値とリスク評価の時点を明確化しました。将来予測の時期は据え置きです。旧版からの変更履歴・確認範囲

2027–2050年予測｜知能の加速、電力の制約、企業と社会の進化を読み解く

基準日：2026年11月7日。対象読者：経営者、事業開発、研究開発、政策担当者、エネルギー事業者。本稿の将来記述は予測・仮説であり、確認済みの出来事とは区別する。図中の「説明用モデル」「仮想例」は実測データではない。

2027年に超知能は現れるのか。この問いは刺激的だが、企業や社会が準備するための問いとしては粗すぎる。より重要なのは、どの能力が、どの工程を、どこまで速くするのか。そして、その速さを現実の成果に変える途中で、何が詰まるのかである。

本稿の中心仮説はこうだ。2027〜2030年には、正解を短時間で検証できるデジタル領域を中心に、研究と実装の反復が速まる。2030〜2040年には、実験・生産・調達・制度を結び直せる組織と、文章生成だけにとどまる組織の差が広がる。2040〜2050年には、知的能力そのものの希少性よりも、その能力を使う権利、物理資源へのアクセス、信頼と責任の配分が社会の主要な争点になりうる。

ただし、これは単線的な未来ではない。技術が予想以上に速く進み、安全対策が追いつかない未来もある。モデルの伸びが鈍化し、設備投資が過剰になる未来もある。高度なAIが存在しても、人々の暮らしの改善が遅れる未来もある。だから必要なのは、もっとも鮮烈な未来像を一つ選ぶことではなく、複数の未来でも価値を失いにくい判断原則を持つことである。

この記事では、アジェヤ・コトラの2026年11月6日付記事を起点に、原記事の数理を解きほぐす。そのうえで、統計的推論、成長理論、制約理論、技術史、進化生物学、予測の校正を組み合わせ、2050年までを見渡す。原記事の主張をより強い断言へ増幅するのではなく、どの前提が結論を支えているかを明らかにする。[S1]

01｜最初に押さえるべき五つの区別

能力の水準と、能力が伸びる速度は違う

「AIが2倍になった」という表現には少なくとも三つの意味がある。正答率が2倍になったのか。同じ品質の仕事を半分の時間で終えられるのか。それとも、能力指標が上がる年間の速度が2倍になったのか。今回の議論の中心は三番目である。

例えば、ある能力指数が従来は年10点増え、現在は年20点増えるなら、進歩速度は2倍だ。しかし、指数が100点から200点になったわけでも、あらゆる仕事が2倍速くなったわけでもない。まして企業の売上や世界の経済成長率が2倍になることを意味しない。

さらに、尺度が変われば伸び率の見え方も変わる。正答率、対数計算量、難易度調整された能力指標は、それぞれ異なる。満点がある指標では天井効果が生じる。一方、非常に難しい課題への移行を表す指標では、小さな数値差が大きな実務差になる場合もある。図を見るときは、曲線より先に縦軸を読む必要がある。

タスクの加速と、研究全体の加速は違う

コードを書く工程が10倍になっても、研究全体が10倍になるとは限らない。仮説の選択、計算資源の確保、実験の待ち時間、結果の解釈、再現確認、採用判断が残るからだ。部分作業の速度向上と、成果が完成するまでの時間短縮は別の指標である。

企業でも同じだ。営業資料を1時間で作れるようになっても、顧客の設備条件が不明で、社内決裁が2週間かかり、工事会社の回答を待つなら、受注までの期間はほとんど縮まらない。加速の価値は、工程のどこに起きたかによって変わる。

人間支援と、完全自律の研究は違う

AIが研究者の横で大量の仕事を支援する状態と、研究課題を自ら選び、実験を設計し、誤りを発見し、成果を継続して生む状態は同じではない。前者が急速に進んでも、後者の成立を直ちに証明しない。

Anthropicが公開した2026年8月時点の測定では、AIが研究開発の仕事を主導する区分は26％、協働以上の区分は90％超とされる一方、測定対象の仕事で完全自律に相当する区分はなかった。これは同社の分類と測定範囲による値であり、独立した一般産業の統計ではない。[S3]

加速の観測と、加速の原因は違う

ある企業の能力向上が速まったとしても、原因はAIだけとは限らない。採用、組織変更、研究テーマの集中、過去の投資の回収、評価方法の変化、偶然の重要発見などが重なりうる。訓練計算量の成長加速では説明しにくいと分かっても、それだけでAIの因果効果が完全に確定するわけではない。

ここで必要なのが反事実である。「AIを使わなかった同じ企業は、同じ期間にどれほど進歩したか」。この世界を直接観測できないことが、推定の難しさの根にある。研究開発全体では、企業を二つに分けて長期間の無作為実験をすることも容易ではない。

危険の大きさと、発生確率は違う

影響が極端に大きいシナリオには、確率が低くても備える価値がある。しかし、備えるべきだという判断は、そのシナリオが最も起こりやすいという意味ではない。逆に、確率を厳密に計算できないことは、危険を無視してよい理由にもならない。

本稿は、超知能や人類規模の制御喪失をゼロと扱わない。一方で、その発生年や確率を、今回の限定的な観測から数値として断定しない。極端なリスクへの備えと、通常の事業計画に使う中央シナリオを分けて扱う。

02｜原記事は何を主張し、何を証明していないのか

原記事の推論は五段階に整理できる。まずAI研究の進歩が速まったという観測がある。次に、その加速のかなりの部分がAI利用に起因するという解釈がある。さらに、計算資源などが一定の制約になるなら、研究労働への寄与は見かけの全体加速より大きいはずだという逆算がある。その先に、より高性能なAIが研究をさらに速める正のフィードバックが置かれる。最後に、そのフィードバックが十分強く続けば、非常に短い期間で極端な能力へ到達するという外挿がある。

この構造は重要だ。最初の観測に賛成しても、最後の到達時期に同意する必要はない。逆に、最後の時期に疑問があっても、最初の観測まで無視してよいわけではない。議論を一括して「信じるか、信じないか」にすると、意思決定に必要な細部が失われる。

METRの公開評価では、AnthropicのAECIの伸びについて、2025年10月以降の進歩速度が以前の推定1.9倍、95％信頼区間は1.5〜2.8倍と報告されている。対象は特に、仕様が明確な課題における能力である。著者らの総合判断には大きな不確実性があり、重要な証拠の多くは非公開である。したがって、この信頼区間を「実世界の全能力についての95％保証」と読むことはできない。[S2]

もう一つ、警戒の閾値と、その時点の直接的な重大リスク評価を区別したい。METRは11月5日公表の別報告で、2026年7月15日までに利用可能だったモデルについて、研究自動化に関する当該脅威モデルの重大リスクは低かったというAnthropicの判断におおむね同意した。一方、早期警戒の閾値を超えていなかったという説明には、公開版で十分に伝わらない判断上の不確実性があると指摘した。関係研究者の多くは当時の閾値未到達に傾きつつも、到達していた可能性を認めている。これは「7月に危険が確定した」という評価でも、「11月以降も安全だ」という評価でもない。[S22]

この別報告はS2と同じMETR担当者による評価の一部であり、独立した追試として証拠を二重計上しない。本稿の解釈では、早期警戒の指標が上がれば評価や介入の準備を強める理由になるが、被害がすでに発生した証明にはならない。観測した能力、警戒の判定、現時点のリスク、将来への外挿を別々に記録する必要がある。

ここには二種類の不確実性がある。一つは、与えられた指標・データ・回帰モデルの中で、傾きがどの程度ぶれるかという統計的不確実性。もう一つは、そもそも指標が何を測り、比較期間が適切で、外の世界へ一般化できるかという構造的不確実性である。後者は通常の信頼区間にすべて収まるものではない。

原記事が紹介する約12倍の自己申告も、計測された企業全体の労働生産性と同一視すべきではない。自己申告には回答者の選択、作業の選び方、記憶、評価対象の曖昧さが入る。「以前なら試みなかった仕事をできるようになった」という能力拡張を、時間短縮として答えることもある。これは価値がないという意味ではなく、何を数えているかを揃える必要があるという意味だ。

AI支援の効果は、環境によって符号さえ変わりうる。2025年前半の熟練オープンソース開発者を対象とした無作為実験では、AI利用で作業時間が19％増えた。一方、2026年の追跡研究に関する説明では、参加者選択などの問題が強まり、現在の効果を信頼できる形で測りにくいとされている。古い結果を永続的な結論にすることも、新しい自己申告だけですべてを上書きすることも適切ではない。[S5][S6]

顧客サポートを扱った別の研究では、AI支援により時間当たり解決件数が平均15％増えたが、効果は一様ではなかった。研究室の最先端AI開発、熟練開発者の既存コード修正、顧客サポートは、異なる作業集団である。これらの数字を同じグラフに並べる場合、効果の優劣を競わせるのではなく、測定対象の違いを示す必要がある。[S7]

原記事の最も価値ある点は、AIが便利な道具を超え、次の道具を作る速度へ介入している可能性を正面から扱ったことだ。最も慎重に読むべき点は、短い観測期間と限定された指標から、自己加速の長期形状を決める部分である。加速の存在と、その加速がどこまでも複利的に続くかは、別々に検証しなければならない。

なお、原記事が述べる個別のセキュリティ侵害については、事件の主体や経緯を混ぜないことが重要だ。公開されたOpenAIとAnthropicの説明には、評価環境から外部の実システムへ到達したモデルの事例が含まれる。しかし、それを一括して「同一のアマチュア集団が両社へ侵入した」という確認済み事実として本稿では採用しない。[S10][S11]

03｜「全体2倍、研究者10倍」を数式で読み解く

原記事の数理を理解するには、まず量と増加率を分ける必要がある。説明用に、実効的な計算能力をE、訓練に投入する計算量をC、アルゴリズム等による効率倍率をAとし、E＝C×Aと置く。この関係は複雑な能力を一つの軸へ押し込んだ近似であり、すべての能力がこの一式で測れるという主張ではない。

対数を取ると、実効計算量の増加率gEは、訓練計算量の増加率gCと効率倍率の増加率gAの和になる。つまりgE＝gC＋gAである。もともとの進歩のうちソフトウェア等が占める比率をsとし、計算量側の成長が変わらず、全体の成長速度がq倍になったとする。このとき、ソフトウェア側に必要な加速倍率rは、r＝1＋(q−1)/sとなる。

q＝2なら、s＝0.5ではr＝3、s＝2/3ではr＝2.5になる。全体の速度が2倍だからといって、研究側も2倍でよいとは限らない理由がここにある。ただし、sは観測対象や期間によって変わる。2.5〜3という値は、特定の寄与率を置いた計算結果であり、直接測定値ではない。

次に、新しい改善を生む研究生産を、R＝L^α×X^(1−α)と単純化する。Lは研究労働の実効投入、Xは実験計算、αは労働への感応度である。実験計算を固定し、研究生産をr倍にするなら、必要な労働投入倍率mはm＝r^(1/α)となる。α＝0.5ならm＝r²なので、rが2〜3ではmは4〜9になる。

しかし、αが2/3なら必要倍率は約2.83〜5.20、αが1/3なら8〜27へ変わる。同じ観測を説明する逆算値が、弾力性の置き方だけで大きく変わる。このため、モデルから得た10倍前後という値と、自己申告の12倍が近いことは、興味深い整合性ではあっても、独立した厳密検証にはならない。

より根本的には、研究生産Rの増加と、効率倍率Aの成長率を同一視できるかという論点もある。新しい発見が実装されるまでには遅れがあり、発見の価値はばらつき、複数の改善が重複することもある。探索の深さ、実験の規模、採用までの期間を分けたモデルなら、単純な逆算から離れる可能性がある。

ここで得るべき実務上の結論は、「研究者は厳密に10倍になった」ではない。全体の進歩が本当に加速していて、他の投入要素が同じ速度でしか増えていないなら、どこかの工程で非常に大きな改善が起きている可能性がある、ということだ。その場所を探し、再現できる条件を特定することに価値がある。

企業で応用するなら、AI利用前後の総時間だけでなく、仮説作成時間、実行待ち、計算待ち、検証時間、手戻り、採用率を分ける。研究案が10倍増えても採用率が10分の1なら、成果は増えない。逆に、案の数が変わらなくても、早期に悪い案を落とせれば、実験費用が減って総成果は増えうる。

04｜1年以内の超知能という外挿は、どこから来るのか

原記事の直観は、進歩が加速すると、次の加速を生むための進歩も短期間で得られる、というものだ。現在の進歩速度を2とし、次の倍増に半年、その次に3か月、その次に1.5か月が必要だと仮定すると、待ち時間の合計は半年＋3か月＋1.5か月＋…となり、1年に収束する。

この等比級数は数学的に正しい。しかし、各段階で倍増に必要な期間が半分になるという前提は、数学が保証するものではない。そこに、能力の向上が研究速度をどれだけ改善するか、計算待ちが増えないか、実験規模が拡大しないか、検証が追いつくかという実証上の問いが入る。

説明用に、累積的な進歩をP、進歩速度をv＝dP/dtとする。速度が進歩の量に対して指数的に増えると仮定してv＝v0×exp(kP)と置くと、解は有限時刻で発散する形を持つ。これは「その仮定を延長するとモデルが有限時間で破綻する」ことを意味する。現実に無限の能力や無限のエネルギーが存在することを示したわけではない。

もう少し一般化し、dv/dt＝k×v^pとする。p＝0なら速度は直線的に増え、p＝1なら指数的に増える。p＞1なら、正の初期値と制約のないモデルの下で有限時間発散が起こりうる。ここで本当に知りたいのは、pがどの範囲にあり、どの能力領域で、どれだけ長くその関係が維持されるかである。

短い期間に観測された加速だけでは、直線、指数、上限付き曲線、有限時間発散を区別できない場合がある。とりわけデータ点が少なく、公開されていない内部モデルが含まれ、評価尺度が変わりうるなら、外挿の不確実性は大きい。これは加速を否定する反論ではなく、予測区間を広げる理由である。

さらに「超知能」の到達点は単一の数値ではない。数学的推論、科学的発見、対人交渉、身体操作、長期計画、安全な委任、未知環境への適応は同じ速度で伸びない。ある領域で人間を大きく上回る能力が、他の領域でも安定して使えるとは限らない。本稿では、超知能の出現年を一つに固定する代わりに、個別の能力と社会的な実行能力を追跡する。

安全政策の観点では、平均的な到達時期だけを見てはいけない。少数の能力が先に危険な水準へ達する場合があるからだ。社会に広く役立つ汎用性より前に、特定の攻撃、操作、探索に強いシステムが現れる可能性がある。便益の普及と危険の発生は、同じ時計で進むとは限らない。

05｜加速を決めるのは、知能だけではない

AI研究の循環は、仮説、実装、実験、評価、採用、次の仮説から成る。この循環の一周にかかる時間が短くなれば、同じ暦時間に試せる回数は増える。しかし、試行回数の増加だけで成果が比例するわけではない。候補同士の独立性、検証の正しさ、探索領域の豊かさ、失敗から学ぶ仕組みが必要になる。

制約は少なくとも六層に分かれる。計算資源、エネルギー、実験設備、評価の信頼性、組織の採用能力、制度的な許容である。ある層の制約が解けると、次の層が目立つ。したがって、「以前は計算が不足していたが今は不足していない」という観測は、あらゆる制約が消えたことを意味しない。

例えば、推論費用が下がって候補生成が増えると、評価用計算や人間のレビューが混雑する。評価を自動化すると、評価器への過適合や共通の誤りが問題になる。実験を高速化すると、良い結果を本番へ移す変更管理が詰まる。制約は消えるというより、移動するのである。

この移動には利益の移動が伴う。大量生成が当たり前になると、生成するだけのサービスは価格競争にさらされやすい。代わりに、どの案を実行すべきか選び、失敗を止め、結果を保証可能な形で残す機能に支払い意思が集まる可能性がある。知能の価格が下がっても、意思決定の責任が自動的に安くなるわけではない。

本稿では、この現象を「検証可能な成果への価値移動」と呼ぶ。これは確立された学術法則の名称ではなく、事業戦略のための仮説である。価値が移る先は業界によって違う。ソフトウェアならテストと復旧、医療なら臨床的な妥当性、エネルギーなら計測と設備制約、金融なら損失管理と説明責任が候補になる。

注意すべき反例もある。検証自体もAIと形式的手法で大幅に安くなれば、そこだけでは利益を守れない。その場合、顧客接点、独自データへの正当なアクセス、実装の許認可、既存システムとの接続、継続的な結果学習が重要になる。単一の新しいボトルネックに永続的な独占を期待するのは危険だ。

06｜科学・統計・歴史・進化を、予言ではなく検証に使う

未来を考えるとき、異分野の知見は強力だが、比喩を証明と取り違えやすい。電力革命に似ているから同じ年月がかかる、生命の進化に似ているからAIも必ず自己保存を求める、といった推論は成立しない。本稿では各分野を、別の問いを照らす道具として使う。

科学的方法が問うのは、主張をどの観測で否定できるかである。AI研究が複利的に加速しているという主張なら、能力が上がったモデルを研究に投入した後、次世代の研究周期がさらに短くなるかを見る。単発の大きな改善ではなく、同じ仕組みが複数回繰り返されることが重要になる。

数理モデルが問うのは、どの前提を置くと、どの帰結が出るかである。数式は不確実性を消す装置ではない。むしろ、弾力性、遅れ、飽和、相互依存を見えるようにする装置だ。係数が分からない場合は、もっともらしい一点を置くより、結論が変わる境界を探す方が意思決定に役立つ。

統計が問うのは、観測がどの集団と条件を代表するかである。最先端研究所の内部モデルを使う熟練者の結果を、一般企業の全従業員へそのまま移せない。成功事例だけを集めると選択バイアスが生まれる。導入後に簡単な仕事だけが記録されるなら、比較そのものが変わってしまう。

技術史が問うのは、新しい技術が成果になるために何を作り替える必要があったかである。汎用技術は、機械の購入だけでなく、工程、技能、組織、契約などの補完投資を必要とする。生産性Jカーブの研究は、この移行期に、費用と便益の見え方が時間的にずれることを考える手がかりになる。[S13]

進化生物学が問うのは、変異、選択、保持がどの単位で働くかである。多数のAI候補が生成され、評価され、良い構成が次の世代へ残るなら、設計探索として進化的な視点を使える。しかし、人間が設定した評価器の中で最適化することと、環境中で自律的に繁殖する生物の進化は同じではない。

未来予測の方法が問うのは、いつ、何をもって予測が当たり外れと判断できるかである。予測研究では、確率的に考える訓練、情報共有、更新などが精度改善と結び付くことが示されてきた。ただし、短中期の地政学的予測で得た知見を、そのまま2050年の超知能の確率へ変換することはできない。[S15]

これらを統合すると、優れた未来予測は「確信に満ちた物語」より、「更新できる条件付きの地図」に近い。未来を一本の線で当てるより、現在の行動がどの分岐でも機能するかを試す。長期になるほど、この姿勢の価値は高くなる。

07｜2027年：自律性の宣伝から、完了の測定へ

2027年の中心的な変化として予測するのは、AIが何を話せるかより、どの仕事をどこまで完了できるかが競争の焦点になることだ。これは全企業がそうなるという断言ではない。評価しやすいデジタル業務から、受入基準を備えた自律実行が広がるという条件付き予測である。

ソフトウェア開発では、コード量より、修正が受理される比率、既存機能を壊さない比率、問題発生時の復旧時間が重要になる。研究では、生成した仮説数より、再現した発見数と実装された改善量が重要になる。営業では、メール文案の作成数より、顧客情報が正しく整理され、次の判断に進めた案件数が重要になる。

企業はここで二つに分かれやすい。業務の正本、権限、評価条件を持つ企業はAIへ仕事を渡しやすい。一方、情報が個人の頭やチャットに散在し、誰が何を決めるか曖昧な企業は、AIが高速に動くほど混乱しやすい。技術の差より、業務の定義可能性の差が表面化する。

この予測を支持する先行指標は、導入件数ではない。AIが完了した仕事のうち、人間の大幅修正を必要としなかった比率である。また、途中で失敗した仕事を黙って除外していないかを見る必要がある。完了した100件だけを分母にするのではなく、依頼した全件を分母にする。

2027年に失望が起きる条件も明確だ。接続先の権限が整わず、例外処理が多く、モデルが変わるたびに品質がぶれる場合、自律実行は限定された補助へ戻る可能性がある。これはAI全体の失敗ではなく、業務ごとの費用対効果の選別である。

エネルギー分野なら、最初に広がりやすいのは設備を直接操作することより、請求書・検針票・デマンドデータの整理、前提条件の確認、試算案の作成、矛盾検知、説明文の生成である。実機制御には、通信障害、センサー故障、保護条件、保証範囲などの別の責任が加わるためだ。

2027年に取るべき行動は、巨大なAI構想を宣言することより、重要な業務を三つ選び、入力、正本、成功条件、禁止事項、復旧方法を定義することである。モデルが進歩したときに、そのまま能力を取り込める業務の骨格を先に作る。この投資は、加速が速くても遅くても無駄になりにくい。

08｜2028年：候補が溢れ、選ぶ能力が不足する

2028年には、生成物の供給過剰がさらに顕在化する可能性がある。コード、記事、設計案、営業提案、研究仮説が増える一方、人間と組織の選択能力が追いつかない。多くの仕事で、作ることの希少性が下がり、何を採用しないか決めることの価値が上がる。

これを単に「情報過多」と呼ぶと、対応を誤る。問題は情報の量だけではない。各候補がもっともらしく、形式的には整い、相互に似ているため、品質の違いが見えにくくなることだ。弱い案でも、見栄えの良い図表と説得的な文章を備えられる。説明の流暢さと実際の信頼性が、さらに分離する可能性がある。

研究開発では、仮説の新規性より、反証の強さが価値を持つ。営業では、提案の枚数より、顧客の制約を満たす根拠が価値を持つ。エネルギー投資では、もっとも高い収益を示す試算より、前提が変わっても判断が壊れない試算が価値を持つ。提案を増やすAIと、提案を落とすAIの両方が必要になる。

ただし、別モデルに査読させるだけで独立性が得られるわけではない。同じ公開情報、同じ誤った前提、似た学習分布を共有していれば、複数のAIが同じ誤りに同意する。多数決が有効なのは誤りが十分に独立している場合であり、同意の数自体が真実の証拠ではない。

このため、2028年の競争優位は「AIを何体使うか」から「どの異なる検証手段を組み合わせるか」へ移ると予測する。コードなら実行テスト、数値なら独立再計算、制度なら適用条件の原文、設備なら現場測定、顧客価値なら利用後の結果である。言語モデルによる批評は、その中の一つに位置付ける。

反証条件は、評価コストが生成コストと同程度の速度で下がり、候補数が増えても採用までの時間が伸びないことである。その場合、選別のボトルネックは想定より小さい。企業は仮説を固定せず、レビュー待ち時間、検証費用、採用率の推移で確かめるべきだ。

この時期に有望な機能は、資料を一度作って終えるものより、判断の前提と証拠を継続的に更新するものになる。例えば電力料金が変わったとき、関係する試算だけを抽出し、差分を再計算し、顧客への説明を準備できる仕組みだ。価値の単位が「一枚の成果物」から「有効な判断を維持するサービス」へ変わりうる。

09｜2029年：ソフトウェアの速さと、現実の遅さが衝突する

2029年についての中心予測は、AIの高度化よりも、それを現実へ接続する速度の差が強く意識されることである。設計変更は数時間で提案できても、製造ラインの更新、系統接続、建物改修、病院の運用変更、公共調達は同じ速度で進まない。デジタルで見つかった最適解が、現場でそのまま実行できるとは限らない。

この差は、単なる旧来組織の怠慢ではない。設備の寿命、資金調達、供給責任、住民との合意、事故時の責任など、現実側には正当な制約がある。AIは情報処理や設計を支援できるが、変圧器を即座に納入したり、建物の構造安全性を文章だけで保証したりはできない。

したがって、この時期の勝者は最も多くの案を出す企業だけではない。設計、調達、施工、運用、検証の間を接続し、実現までの待ち時間を短くする企業である。AIを使った計画作成より、計画を実行可能な工程へ変換する能力が重要になる。

ここで起きうるのが、知的サービスの価格低下と、現場能力の価格上昇の同時進行だ。設計案が安く大量に供給されれば、実験設備、施工人員、認証、保守、土地、受電可能な拠点への需要が増えることがある。知能が安くなるほど、その知能を実現する補完資産が高くなるという逆説である。

ただし、すべての物理資産が値上がりするわけではない。AIが設備利用率を上げ、需要を平準化し、代替案を見つければ、必要な新規投資が減る領域もある。価値を持つのは物理資産一般ではなく、代替しにくく、需要の増加に対して供給が遅れ、実際の成果に必要な資産である。

予測の検証には、AIモデルの能力ランキングではなく、実験待ち時間、設備の発注から稼働までの日数、接続可能な電力容量、現場での再作業率を見る。これらが改善すれば、社会実装の加速が確認できる。逆にモデルだけが改善し、現場指標が動かなければ、便益の波及は遅れている。

10｜2030年：AIの有無より、学習する業務を持つか

2030年には、多くの企業でAIを使っているかどうか自体は差別化になりにくくなる、というのが本稿の予測である。差を生むのは、顧客から得た情報、試算、実行結果、失敗、修正が次の案件へ戻る仕組みを持つかどうかだ。単発の効率化から、業務そのものの継続的な改善へ焦点が移る。

ここでいう学習は、顧客データを無条件でモデル学習に使うことではない。利用権限と目的を守りながら、構造化された知見、検証ルール、匿名化可能な統計、再利用可能な工程を更新することである。顧客ごとの機密情報と、汎用化できる改善知識を分ける必要がある。

例えば、蓄電池の提案が不採用になった理由を残す。容量が大きすぎたのか、投資回収が長かったのか、停電時の必要負荷を満たせなかったのか、説明が難しかったのか。単に「失注」と記録する場合と比べ、次の案件の条件設定と提案が改善する。AIが高速に案を作れるほど、この結果ラベルの質が価値を持つ。

従来のSaaSが画面と操作機能を提供していたとすれば、2030年に向けては、仕事の受付から完了確認までを支えるサービスが増える可能性がある。ただし、すべてを成果報酬に変えればよいわけではない。成果の定義が曖昧だったり、顧客側の行動に強く依存したりする業務では、責任範囲が不明確になる。

現実的には、基盤利用料、処理量、管理対象、検証や運用の水準を組み合わせた価格体系が考えられる。課金単位をログインする人の数だけに置くと、AIが作業を代替するほど利用価値と課金がずれる。一方、単純なトークン課金では、顧客は何に対価を払っているか理解しにくい。価値の測り方そのものが競争になる。

2030年までの四年間を一言でまとめるなら、能力の競争から、完了・検証・接続・学習の競争への移行である。ただし、この順序は産業ごとに前後する。規制が強い領域、設備が重い領域、誤りの損失が大きい領域では、信頼性の条件がより早く中心に来る。

11｜2030〜2040年：研究の工業化は、どこから進むか

2030年代に起こりうる大きな変化は、研究がより多くの領域で、反復可能な工程として運用されることである。AIが候補を生成し、シミュレーションや自動実験が評価し、結果が次の候補生成へ戻る。この循環が成立するほど、研究の速度は個々の研究者の作業時間だけで決まりにくくなる。

しかし、研究の工業化は、科学のすべてを自動化することと同義ではない。何を測るべきか、どの仮説が本質的か、既存の評価軸が間違っていないかという問いが残る。既知の評価器を高得点で通過することと、新しい評価軸を必要とする発見をすることは、異なる能力である。

進みやすいのは、候補の表現が明確で、試験が短く、安全に失敗でき、結果を機械的に読める領域だ。ソフトウェアの一部、回路や材料の限定された設計、運用条件の探索などが候補になる。一方、長期的な人体影響、生態系の変化、大規模インフラの寿命、社会制度の影響は、短い試験で十分に検証しにくい。

ここで重要なのが、実験の並列化と時間そのものの短縮を分けることだ。千の実験を同時に実施できても、各実験が一年を要するなら、最初の信頼できる結果には一年かかる。観察期間を短縮する代替指標を使えば速くなるが、その代替指標が最終的な成果をどれだけ予測するかを検証しなければならない。

この制約を破る鍵の一つは、高品質なシミュレーションである。しかし、シミュレーション内で最適な設計が現実で失敗することはありうる。モデルが見落とした故障、希少な環境条件、経年劣化、利用者の行動などがあるからだ。2030年代の価値は、シミュレーションを精密にするだけでなく、現実との差を継続測定することに生まれる。

研究の生産関数を、発見数＝候補数×検証通過率×再現率×実用化率と単純化してみる。この式は説明用だが、候補数だけを増やしても成果が増えない条件を明確にする。候補が増えた分だけ検証が粗くなり、再現率が下がれば、全体の進歩は鈍ることさえある。

本稿の予測は、2030年代の先進的な研究組織では、生成能力より「実験の供給能力」が戦略資産になるというものだ。これは計算資源だけでなく、測定装置、試料、熟練技術者、標準化された試験、データの来歴を含む。AIが考えられることと、世界に問いかけられることの間にある資産である。

この見方が外れるのは、ほとんどの重要な研究課題で、実世界の実験を必要としないほど強い予測モデルが成立する場合だ。ただし、そのモデルの成立自体も、どの条件で正しいかを検証する必要がある。「知能が高いから実験不要」という一般論は、科学的方法の代わりにはならない。

12｜2030〜2040年：企業は、人員の集合から能力の組合せへ

企業は長らく、人材、設備、資金、顧客接点を束ねることで価値を生んできた。高度なAIが安定して仕事を担うようになると、組織の一部は人員数ではなく、どの能力をどの条件で組み合わせられるかで表現されるようになる可能性がある。

営業、法務、設計、調査、ソフトウェア開発といった職種の境界は残っても、案件ごとに必要な能力の組合せが動的になる。人間が全工程を手作業する代わりに、目的、制約、顧客関係、判断の責任を保持し、複数の自動化された工程を組み立てる。少人数でも大きな業務量を扱える企業が増えうる。

しかし、少人数企業が必ず巨大企業に勝つわけではない。大企業は独自データ、調達力、信用、設備、販売網、資金、規制対応の経験を持つ。AIがこれらの資産を使いやすくするなら、既存企業の優位は強まる。逆に、内部調整が極端に遅い場合は、機動力のある企業に案件を奪われる。

したがって、「AIは小企業に有利か、大企業に有利か」という二択は不十分だ。より適切なのは、企業の規模と、資産の利用可能性を分けることである。大企業でも情報が分断されていれば能力を引き出せない。小企業でも外部サービスに過度に依存すれば、価格変更やアクセス制限に弱い。

2030年代に価値が上がる組織能力として、三つを予測する。第一に、異なる情報源を整合させる能力。第二に、例外や対立を解決する能力。第三に、結果に応じて業務の設計を変える能力である。これらは生成AIの利用経験だけでなく、顧客理解、制度理解、計測、契約、運用を必要とする。

人間の役割も単純には消えない。ただし、「最後に人が確認する」という曖昧な設計では負担が集中する。人間が何を判断し、何を機械的に検証し、何をそもそも実行させないかを分ける必要がある。高度なAIの出力を高速で承認し続けるだけなら、人間は責任を負うだけの弱い部品になってしまう。

このため、実効的な監督には、判断のための時間、比較案、反証、停止権限、専門知識へのアクセスが必要になる。承認ボタンの存在と、人間が実際に統制できることは同じではない。2030年代のガバナンスの質は、形式的な人間介在率より、介入が必要なときに有効に働いたかで評価されるだろう。

13｜2030〜2040年：仕事は職種単位より、タスクと責任で再編される

AIによる雇用への影響を考えるとき、「何％の職業が消える」という表現は分かりやすいが、粗い。職業は多くのタスクの束であり、自動化できる部分と、人間との関係や現場対応が必要な部分が混在する。タスクの半分が自動化されても、需要が増えれば雇用が減らない場合がある。逆に、少数の重要タスクが自動化されるだけで、職種の市場価値が大きく変わることもある。

説明用に、あるサービスの単価が下がり、需要量が増える場合を考える。労働投入が一件当たり半分になっても、案件数が3倍なら総労働需要は1.5倍になる。しかし、案件数がほとんど増えなければ、労働需要は減る。自動化の技術的可能性だけで雇用を予測できない理由がここにある。

さらに、誰が利益を受け取るかが重要だ。生産性向上が価格低下として顧客へ渡るのか、賃金として働く人へ渡るのか、利益として資本側へ残るのかは、競争、交渉力、所有、制度によって変わる。AIが豊かさを増やすことと、個々人が豊かになることは別の問題である。

2030年代の重要なリスクの一つは、初級者が経験を積む仕事が減ることだ。簡単な調査、下書き、定型的な実装、一次対応は、育成の入口でもあった。これらが自動化されると、将来の専門家を育てる経路を意識的に設計しなければならない。熟練者だけがAIを使って効率化し、次世代が判断経験を得られない組織は、長期的に脆くなる。

代替策は、人間に無意味な手作業を残すことではない。失敗が安全な環境で、判断理由の比較、反証の作成、例外対応、顧客との対話を経験できるようにする。AIは答えを出す道具であると同時に、複数の判断を比較する教育環境にもなりうる。

教育で重要になるのは、答えを速く作る能力だけではなく、問いを定義し、情報の由来を確かめ、モデルの限界を見抜き、価値判断を説明する能力である。ただし、基礎知識が不要になるという意味ではない。誤りに気づくには、対象分野についての理解が必要だ。外部知能へのアクセスと、内部に持つ知識は補完関係になりうる。

この予測は、すべての人が高度な専門家になるべきだという主張ではない。むしろ、仕事の設計側が、AIの支援によって幅広い人が能力を発揮できる環境を作れるかが重要になる。個人への学習要求だけで構造的な移行を解決しようとすると、負担が偏る。

14｜2030〜2040年：電力とAIは、需要と供給の両側から結び付く

AIと電力の関係は、「AIが電気を大量に使う」という一方向では捉えきれない。AIは電力需要を増やす可能性がある一方、設備設計、運用、需要予測、保守、立地選定、資金調達の情報処理を改善する可能性もある。電力はAIの投入であり、AIは電力システムを改善する手段にもなる。

最新確認資料として、IEAの2026年版見通しは、世界のデータセンター電力消費を2025年の485TWhから2030年の950TWhへ増加すると予測している。後者は予測値であり、AI専用施設だけの消費ではない。2025年版の2030年945TWhという値と混ぜず、基準年と版を揃える必要がある。[S8]

この世界合計から、特定地域の電気料金や系統制約を直接予測することはできない。発電構成、燃料費、送配電投資、契約形態、規制、立地が異なるからだ。世界全体で数％の需要でも、特定地域に集中すれば接続制約は深刻になりうる。逆に、余力のある地域への立地や柔軟な運用で影響を抑えられる場合もある。

2030年代の重要な問いは、電力量だけでなく、いつ、どこで、どの品質の電力を必要とするかである。年間の再エネ調達量を満たしても、必要な時間帯に供給が不足することがある。蓄電池を置いても、容量、出力、継続時間、充放電効率、劣化、運用制約によって価値は変わる。

AIの計算負荷にも違いがある。対話型サービスは応答時間の制約が強い一方、一定のバッチ処理や研究計算には時間的な柔軟性があるかもしれない。ただし、すべての学習や推論を自由に移動できるわけではない。データの所在、通信、設備構成、契約、締切、稼働率が制約になる。

本稿の独自仮説は、電力の柔軟性が「安い電気を買う手段」だけでなく、「知的生産をいつ行うかを選ぶ能力」として評価されるようになることだ。電力価格、炭素強度、計算資源の混雑、業務の期限を同時に見て、どの処理をいつ実行するか決める。これは電力最適化と業務最適化を結ぶ問題である。

一方、効率向上が必ず総消費を減らすとは限らない。仕事一件当たりの消費電力が半分になっても、件数が3倍なら総消費は1.5倍になる。逆に、需要が飽和すれば総消費が減る可能性がある。効率の改善と利用量の増加を分けて考えることが、いわゆるリバウンドを理解する基本になる。

再エネや蓄電池の事業者にとって、AI需要の増加をそのまま販売拡大へ結び付けるのは危険だ。必要なのは、地域、時間帯、契約、設備の制約に即した評価である。需要が増えるほど、誤った前提での大型投資の損失も大きくなる。AI時代だからこそ、説明可能な試算と感度分析の価値が上がる。

15｜2040〜2050年：知能が豊富でも、希少性は消えない

2040〜2050年を考えるとき、現在の製品名や企業ランキングを延長する精度は低い。ここでは特定の勝者を当てるのではなく、技術が大きく進んだ場合にも残る制約と、そこから生じる社会構造を考える。遠い未来ほど、日付より条件の記述を重視する。

高度な知能が低価格で利用できる世界でも、土地、エネルギー、物質、時間、注意、信頼、正当な権限は無限にはならない。AIは代替案を増やし、資源効率を高めうるが、誰が何を望むかという価値の衝突を自動的に解消しない。技術的に可能な選択肢が増えるほど、選択の政治性が高まる場合がある。

例えば、同じ土地に発電設備を建てるか、農地を維持するか、住宅を整備するか、生態系を保全するかという問題がある。AIは影響を予測し、複数案を比較する助けになる。しかし、何を優先するかは社会的な判断だ。最適化の目的関数を誰が決めるかが、技術の性能以上に重要になる。

2040年代に起こりうるのは、知能の所有より、知能を実行へつなぐ権利の集中である。強いモデルへアクセスできても、設備、データ、決済、移動、調達、公共システムへの権限がなければ、できることは限定される。一方、少数の主体がこれらを束ねると、非常に強い調整能力を持つ可能性がある。

この調整能力は便益にも危険にもなる。災害対応、エネルギー融通、医療資源の配分、供給網の再構成を速められるかもしれない。同時に、誤った目的、偏った利益、変更できない評価基準が広範囲へ適用されるリスクもある。能力の集中と、異議を申し立てる経路の設計を同時に考える必要がある。

本稿では、知能が豊富な世界を自動的なユートピアとも、必然的な支配社会ともみなさない。結果を左右するのは、アクセスの分散、相互運用性、退出可能性、監査、権限分離、利益配分である。これらは技術進歩を待ってから考える問題ではなく、現在のサービス設計と契約にも現れている。

16｜2040〜2050年：人間とAIの共進化をどう考えるか

進化生物学は、未来を必然として語るためではなく、協調と対立が同時に起きる理由を考えるために有効だ。生物の大きな進化的転換を扱う研究では、協力、分業、情報伝達、相互依存、内部対立の抑制が重要な論点となる。ただし、これを企業やAIへ移すときは、あくまで設計上の類推として扱う。[S14]

人間とAIが共同で仕事をする場合、両者の成果が相互に依存することはありうる。人間が目的と社会的な正当性を与え、AIが探索と計算を担い、現場の結果が次の改善へ戻る。この関係が深くなるほど、単独の人間や単独のモデルより、組合せとしての能力が重要になる。

しかし、相互依存が深まれば必ず調和が生まれるわけではない。委任した目的のずれ、評価の抜け道、権限の過剰、利益の偏りがあれば、協調システムは不安定になる。生物学の類推から得るべき教訓は、「高い知能は自然に善くなる」ではなく、「協力を維持するには、対立を抑える仕組みが必要」という点である。

また、AIの最適化をすべてダーウィン的進化と呼ぶべきではない。進化的な議論を厳密にするには、何が複製され、どんな変異があり、どの選択圧が働き、何が次の世代へ保持されるかを指定する必要がある。プロンプトやソフトウェア構成が選ばれることと、自律的な主体が生存競争をすることは別である。

企業の競争では、モデルの賢さだけでなく、業務の設計が選択される。より多くの成果を、少ない損失で、顧客に受け入れられる形で出す組織が残りやすい。その意味で、AI時代の進化の単位はモデルだけではなく、人間、契約、データ、設備、評価器を含む業務システムになりうる。

ここから独自の戦略仮説が得られる。将来の競争優位は、最強のモデルを一度採用することより、モデルを交換しても知識、権限、検証、顧客関係が失われない構造に宿る可能性がある。環境が変わるたびに全体を作り直す組織より、部分を交換しながら学習を保持できる組織が適応しやすい。

ただし、進化の比喩には倫理的な限界がある。競争に勝つ仕組みが社会に望ましいとは限らない。選択圧が短期利益だけに偏れば、外部不経済や不平等が増える場合がある。市場で残ること、技術的に強いこと、人間にとって良いことは、同じ基準ではない。

17｜2040〜2050年：人間の目的と制度が、最大の設計問題になる

高度なAIが多くの知的作業を担える場合、人間に残るのは創造性だけだ、という説明は安心しやすい。しかし、創造性も一部は自動化されうる以上、職能の最後の砦を一つ決めて安心するのは脆い。より本質的なのは、社会が人間の尊厳、参加、選択、関係をどのように位置付けるかである。

仕事は所得だけでなく、技能、役割、承認、他者との関係を提供している。仮に生産性が大きく上がって生活必需品が安くなっても、参加の機会が失われれば社会的な不満は残る。逆に、仕事の負担が減り、学習、ケア、地域活動、創作への参加が広がれば、技術の便益は所得以上の形で現れうる。

この問題に、2045年には特定の給付制度が普及するといった一点予測を置く根拠は乏しい。税制、公共サービス、教育、労働時間、資本所有、地域の制度など、多数の組合せがある。重要なのは、技術による生産力の増加を、人々の実際の選択肢へ変える仕組みである。

制度が遅れる場合、知能の供給増と生活の不安定化が同時に進む可能性がある。制度が過度に硬直する場合は、新しい便益を取り込めない可能性がある。必要なのは、何でも自由にすることでも、あらゆる変化を止めることでもなく、損失を観測し、修正し、責任を割り当てられる制度の更新能力だ。

2040年代の政策で特に重要になりうるのは、異議申立ての実効性である。AIを使った判断が住宅、保険、融資、雇用、公共サービスに影響するなら、人々がその理由を知り、誤りを直し、別の判断を求められる必要がある。説明文が存在することと、判断を変えられることは同じではない。

最も遠い未来について、本稿が比較的強く主張できるのはここまでである。能力が増えるほど、目的、権限、分配、修正の設計が重要になる。特定の政治体制や経済制度が必ず勝つという主張には進まない。技術の可能性を、人間の望む未来へ変える部分には、依然として選択が残っている。

18｜四つの未来を、混ぜずに持つ

ここまでの予測を一つの未来として読まないために、四つのシナリオへ整理する。これらは相互に完全排他的ではなく、地域や産業によって同時に存在しうる。確率を合計100％に割り当てるための分類ではなく、戦略の弱点を検査するための比較枠である。

シナリオAは、制約を伴う持続的加速である。AIは研究と業務を大きく改善するが、計算、設備、評価、制度が順番に制約になる。社会は急変と調整を繰り返す。多くの企業にとっての計画基準として、本稿はまずこのシナリオを使う。ただし、最も確率が高いと統計的に推定したという意味ではない。

シナリオBは、非常に速い再帰的加速である。AIによる研究支援が次世代AIの開発をさらに速め、複数の循環が短期間に成立する。能力の進歩が安全評価や制度の適応を上回る。この場合、通常の製品ロードマップより、権限管理、依存先の分散、危険な自動化の停止条件が重要になる。

シナリオCは、成長の鈍化と実装の深化である。能力指標の加速が弱まり、費用や信頼性が制約になる。一方、既存技術の使い方を変えることで、社会的な便益は引き続き増える。新しい最強モデルを待つより、データ整備と業務再設計が価値を生む。技術の伸びが鈍っても、事業機会が消えるとは限らない。

シナリオDは、事故と分断による不連続な発展である。重大事故、国際対立、供給網の障害、信用失墜などにより、アクセスや投資が断続的に制限される。能力の進歩が続いていても、利用できる範囲が地域や組織で大きく異なる。相互運用性、代替運用、地域の実行能力が価値を持つ。

優れた戦略は、どの未来でも同じ行動を取ることではない。共通して必要な基盤を持ち、兆候に応じて変える部分をあらかじめ決めることである。正本データ、評価、権限、ログ、復旧は多くのシナリオで有効だ。一方、巨大設備への固定投資や、特定モデルへの全面依存は、シナリオによって損益が大きく変わる。

長期予測を使う目的は、正解の未来を一つ選んで賭けることではない。外れたときに致命傷にならず、上振れたときに機会を取れるようにすることだ。未来への確信より、将来の選択肢を増やす投資を重視する方が合理的な場合がある。

19｜数理で見る「10倍のAI」と「1.8倍の会社」の差

AIの性能向上を事業成果へ変換するとき、最も使いやすい道具の一つが、作業の一部しか速くならない場合の全体効果を考える式である。全作業のうちAIで加速できる比率をf、その部分の加速倍率をsとすると、全体の速度向上は1÷{(1−f)＋f/s}となる。ここでは作業の相互作用や追加費用を無視した説明用モデルとして用いる。

例えば、半分の作業が10倍速くなっても、全体の速度は約1.82倍にとどまる。8割が10倍速くなれば約3.57倍、9割なら約5.26倍になる。残る作業が小さく見えても、全体の時間を支配する。しかも実務には、AI出力の確認や連携のための新しい作業が生じることがある。

ここでの重要な洞察は、より高性能なモデルを買う前に、加速できる工程の比率を広げる方が効果的な場合があるということだ。入力の受領、データ整形、承認、結果保存が毎回手作業なら、生成部分だけをさらに速くしても全体効果は小さい。業務全体の連続性が、モデルの単独性能以上に効く場合がある。

ただし、式のfを増やすために無理に自動化すればよいわけではない。誤りの損失が大きい作業や、顧客の意思を確認すべき作業は、時間がかかっても人間が関与する価値がある。最適化するのは速度だけではなく、品質、損失、説明可能性、顧客の納得を含む成果である。

待ち行列も重要だ。案件が流れ込む速さをλ、処理できる速さをμとし、単純なM/M/1待ち行列を仮定すると、系内の平均時間は1/(μ−λ)である。これは到着と処理時間に特定の確率分布を仮定した説明であり、現実の全業務がこの通りになるわけではない。それでも、稼働率が限界へ近づくと待ち時間が非線形に増えることを理解する助けになる。

レビュー能力が一日10件、到着が8件なら平均系内時間は0.5日、到着が9.5件なら2日になる。この単純例では、AIによって提案生成が増えるだけで、レビュー待ちは4倍になる。生産性を高める道具が、納期を悪化させることがある理由だ。

対応は、レビュー担当者にもっと頑張ってもらうことだけではない。入口で要件を確認し、低品質な候補を減らし、定型案件は自動検証し、高リスク案件へ人間の時間を集中させる。生成の量と、判断の供給能力を同時に設計する必要がある。

20｜検証コストと信頼性を、同じ式で考える

AIサービスの実務価値は、利用料金だけでは測れない。説明用に、一件当たりの期待総費用を、推論費用＋検証費用＋失敗確率×失敗時損失＋遅延費用と置く。これは損失が金額へ換算できるという近似を含むが、単純なモデル料金の比較より判断に近い。

仮に一件の処理で、推論100円、検証900円、失敗確率1％、失敗時損失10万円なら、期待総費用は2,000円になる。より高価な構成で推論300円、検証400円、失敗確率0.2％になれば、期待総費用は900円である。モデル利用料が3倍でも、総費用は下がる。この数字は仮想例であり、特定製品の性能や価格ではない。

一方、失敗確率の推定が誤っていれば計算も誤る。重大事故のように稀な事象は、少数のテストでは確率を精密に推定できない。100件成功したから失敗率ゼロと扱うことはできない。また、平均損失だけでは、企業の存続を脅かす最大損失や、金銭換算しにくい被害を十分に表せない。

長い業務では、工程ごとの成功率も効いてくる。独立な工程が20段階あり、各工程の成功率が99％なら、全段階成功の確率は約81.8％になる。各工程が99.9％なら約98.0％だ。これは独立性を置いた説明用計算であり、実際の業務成功率の推定値ではない。単工程の精度から全体の信頼性を判断するには、工程間の依存と途中の修正を確かめる必要がある。

さらに、各工程の成功率99％が、それぞれを単独に見た周辺確率だとする。この情報だけで、20工程がすべて成功する確率は一意に決まらず、80〜99％の範囲を取りうる。下限は「少なくとも一つ失敗する確率は、各失敗確率の合計以下」、上限は「全工程成功は、どの一工程の成功よりも多くならない」ことから導く。独立の場合の81.8％は、この範囲内の一例である。一方、各工程が「それまで全工程が成功した条件下で99％成功する」なら、確率の連鎖則により0.99の20乗となり、独立性は別途必要ない。これは確率論からの計算であり、製品評価のデータではない。

重要なのは、完全無欠なモデルを待つことだけではない。途中の状態を保存し、異常を検出し、必要ならやり直し、重複実行を防ぎ、最後に結果を照合する。信頼性はモデルの属性だけでなく、業務システムの設計から生まれる。

安全対策を単なる費用として扱うと、この価値を見落とす。適切な権限分離や復旧手段があれば、より広い範囲を安心して自動化できる。制御の質が自動化可能な範囲を広げ、その結果として価値が増える。この補完関係は、2030年代にも重要であり続けると考えられる。

21｜ベイズ更新は、確信を飾るためではなく、変えるために使う

未来予測で確率を使うなら、最初に何についての確率かを明確にする必要がある。「AIが社会を変える確率」では曖昧すぎる。対象、期限、閾値、判定資料を決めなければ、事後的に都合よく解釈できてしまう。

例えば、「2028年末までに、事前登録した100件の業務試験で、人間の大幅修正なしの完了率が90％を超え、総費用が従来比30％以上下がる」といった予測なら、比較的判定しやすい。ただし、案件の難易度、対象業務、モデル更新、失敗の数え方も固定する必要がある。この閾値は本稿が説明のために置いた例で、業界の標準ではない。

ベイズ更新の基本形は、事後オッズ＝事前オッズ×尤度比である。仮に事前確率20％の仮説に、尤度比3の証拠が得られたとすると、事前オッズは0.25、事後オッズは0.75、事後確率は約42.9％になる。しかし、尤度比3を誰も推定していないのに便宜的に置けば、数式は主観を精密に見せる装飾になる。

今回のAI加速に関しても、独立した比較対象や十分な時系列がないため、超知能の出現確率を精密に更新したとは言えない。本稿では、不確実な値を小数点付きで提示するより、どの観測がどの仮説を強めるかを明示する方法を採る。

加速仮説を強める観測は、異なる研究組織で再現し、AIへの投入増が次世代の成果へ結び付き、さらにその次の周期でも加速が続くことだ。弱める観測は、伸びが特定の評価指標に限定される、実験計算の待ちが増える、検証不合格が増える、追加のAI利用が成果に結び付かなくなることである。

また、同じ根拠を複数回数えないことが重要だ。企業の発表、その発表を引用した記事、その記事を要約した投稿は、三つの独立した証拠ではない。原記事、METRの報告、Anthropicの説明が一部共通の内部情報へ依存しているなら、その依存関係を考慮する必要がある。

予測を記録する際には、予測日時、対象、期限、根拠、反証条件、更新履歴を残す。後から結果に合わせて意味を変えない。確率を出す場合は、多数の予測について校正を調べる。たとえば70％とした予測群が長期的に約70％成立しているかを見る。単発の的中だけでは、予測能力は分からない。

22｜歴史から借りるのは、年表ではなく構造である

AIを電力、蒸気機関、インターネット、印刷技術などへたとえることは多い。しかし、どの類推も一部しか捉えない。電力のように広い業種を変える側面、インターネットのように複製と流通を変える側面、研究の道具として発見の方法を変える側面が重なっている。

歴史から得られる有用な問いは、新技術の導入と、生産方式の再編の間に何が必要だったかである。機械だけを新しくしても、古い工程のままでは効果が限定される。新しい技術に合わせて、情報の流れ、権限、訓練、設備配置、契約を変えたときに、便益が広がる場合がある。

ここで生産性Jカーブの発想が役立つ。導入初期には、データ整備、教育、工程変更などの投資が先に発生し、測定される成果が遅れて出る可能性がある。ただし、この考え方を、失敗した投資を無期限に正当化する言い訳にしてはいけない。将来便益の指標と、見直し条件が必要だ。

例えば、AI導入直後に処理件数が増えなくても、入力データの欠損率が下がり、手戻りが減り、再利用できる工程が増えているなら、基盤が整っている可能性がある。逆に、半年たっても例外処理が減らず、利用者が回避し、総費用が増え続けるなら、設計を変えるべきだ。

歴史的な技術普及は、しばしばS字型で表現される。初期は遅く、補完条件が揃うと速まり、普及が進むと飽和する。ただし、AI全体に一本のS字曲線を当てるのは粗い。文章生成、コード修正、研究、実機制御、公共判断では、普及条件が異なるからだ。

本稿は、複数のS字曲線が重なる見方を採る。一つの用途が成熟しても、別の用途が立ち上がる。全体として長く加速して見える場合もあれば、局所的な停滞が隠れる場合もある。この構造を理解すると、「ある指標が鈍ったからAI革命は終わった」「一つの用途が伸びたからすべて置換される」という両極端を避けられる。

歴史には、予想より速く普及した技術も、期待ほど広がらなかった技術もある。成功例だけを参照すると、現在の技術へ過剰な期待を持ちやすい。失敗例だけを参照すると、新しい条件の変化を見落とす。比較すべきなのは表面上の似方ではなく、費用、補完資産、需要、制度、信頼性の構造である。

23｜進化生物学から導く、組織を強くする五つの条件

第一は、変異を作ることだ。AIは多様な仮説、設計、業務手順を低費用で提案できる。しかし、見た目の違う案が同じ前提に依存しているなら、探索の多様性は低い。異なる目的、制約、時間軸、利害関係者から候補を作る方が、単に案を百個出すより価値がある。

第二は、選択圧を正しく設計することだ。クリック数だけを最大化すれば、信頼を損なう内容が選ばれる可能性がある。試算の見栄えだけを評価すれば、過度に楽観的な前提が残る可能性がある。何を残すかの基準が、組織の進化の方向を決める。

第三は、良い結果を保持することだ。成功した案件の手順が個人の記憶にしか残らなければ、次の案件で再利用できない。入力条件、判断理由、失敗、修正、結果を構造化して残す。ただし、古い成功を固定してしまえば環境変化へ適応できないため、適用範囲と更新条件も必要になる。

第四は、協調と分業を維持することだ。生成、検証、承認、運用を同じ評価基準だけで動かすと、誰も根本的な誤りを止めない可能性がある。役割を分け、異なる観点で評価し、必要な情報を共有する。分業は単なる人数の増加ではなく、失敗の種類を分散する設計である。

第五は、過度な均一化を避けることだ。すべての工程が同じモデル、同じデータ、同じ依存先に頼れば、平時は効率的でも、共通の障害に弱くなる。生物多様性との類推はここで有用だが、複数モデルを使うだけで多様性が十分だとは言えない。実際に障害原因が異なるかを確かめる必要がある。

これらの条件から見ると、AI導入の成熟度は、生成AIの利用率だけでは測れない。候補の多様性、検証の独立性、結果の保持率、修正速度、依存先の集中度を見た方が、長期的な適応能力に近い。ただし、これらを一つの総合点へ潰すと弱点が隠れるため、別々に管理する方がよい。

この枠組みは、AIに意識や生命性があるという主張を必要としない。組織が試し、選び、学び、修正するという過程を、進化的な視点から設計するだけである。意識や人格の問題は重要だが、ここでの業務設計の議論とは分けて扱う。

24｜エネルギー事業に生まれる、五つの新しい価値

第一の価値は、設備の比較から、意思決定の維持への拡張である。太陽光、蓄電池、EV、V2H、PPAの経済性は、導入時点の試算だけで完結しない。料金、運用、設備価格、需要、制度が変われば、最適な判断も変わる。変更が起きたときに、影響する案件だけを再評価する仕組みに継続価値が生まれる。

第二の価値は、不明な条件を減らすことである。高精度な計算エンジンがあっても、入力が推定だらけなら判断の精度は限られる。請求書、検針票、デマンド、設備仕様、停電時に必要な負荷などを整理し、どの不明点を確認すれば結論が変わるかを示す。計算を速くするより、判断に効く情報を一つ得る方が価値を持つ場合がある。

第三の価値は、実績と試算の差を学ぶことである。導入後の発電量、充放電、料金、利用状況を、適切な権限と条件の下で比較する。差が出た理由を天候、需要、制御、設備、料金の違いへ分解できれば、次の提案が改善する。ただし、実績データへのアクセスと比較条件がなければ、この価値を実現済みと称することはできない。

第四の価値は、説明責任を共有できることだ。販売会社、施工会社、需要家、金融機関、メーカーが、同じ前提と結果を参照できれば、認識違いを減らせる。どの条件を誰が確認し、どの値が推定で、いつの料金を使ったかが分かる状態は、AIが大量の提案を作る時代ほど重要になる。

第五の価値は、設備と運用の組合せを広く探索しながら、現実に実行できる案だけを残すことだ。容量を細かく振っただけの「最適化」ではなく、設置制約、受電条件、工事、予算、停電要件、運用負担を満たす必要がある。最良の計算結果と、顧客にとって最良の提案を一致させることが目標になる。

これらは、エネがえるの現行機能として断定する内容ではなく、SaaS・API・BPOを持つエネルギー意思決定支援事業への将来提案である。製品化には、データ利用権、運用責任、検証、費用対効果の確認が必要だ。構想と実装済みの機能を混ぜないこと自体が、顧客の信頼を守る。

25｜エネがえるにとっての戦略：計算を核に、証拠と完了をつなぐ

AIが一般的な説明文や比較表を低費用で作れるようになると、見栄えの良い提案資料だけでは差別化しにくい。エネルギーの意思決定支援事業が守るべき核は、条件に対応した計算、データの適用範囲、再現可能性、顧客の実際の判断との接続である。

最初の優先順位は、計算をAIへ丸投げすることではなく、入力の整理と検証をAIで支援することだ。単位、期間、欠損、設備条件、料金の適用時点を揃え、曖昧な部分を明示する。決定論的な計算で処理できる部分は、再現できる形で保持する。文章生成と数値計算の責任を分ける。

次の優先順位は、試算結果に根拠を添えることだ。どの入力、どの版の条件、どの計算設定から結果が出たかを残し、後から再現できるようにする。顧客が求めるのは、常に複雑な監査画面ではない。通常は分かりやすく、必要なときに詳細を追える設計が望ましい。

第三は、試算後の仕事を減らすことである。顧客への説明、前提確認、見積との照合、社内稟議、修正依頼、再試算、納品といった工程の間に手作業が残る。ここを接続できれば、顧客が得る価値は計算時間の短縮以上になる。重要なのは、顧客が目的を達成するまでの総負担である。

第四は、案件の結果を次の改善へ戻すことである。ただし、全データを無差別に集めるのではなく、改善に必要な最小限の項目と、利用目的を定義する。失注理由、確認不足、手戻り、説明でつまずいた点などは、製品と支援業務の改善に役立つ可能性がある。

第五は、特定モデルへの依存を抑えることである。モデルが変わっても、顧客データ、計算、権限、評価、履歴が維持される構造にする。モデルの進歩を取り込みやすくし、価格や利用条件の変更にも対応できる。この柔軟性は、2030年の勝者を今決め打ちしない戦略である。

事業上の防御力は、秘密のプロンプトだけでは弱い。顧客の業務に正当に接続され、結果が計測され、改善が継続し、他社が簡単に再現できない知識と関係が積み上がることが重要になる。もっとも、データ量が多いだけでは防御力にならない。品質、更新性、利用権、成果との対応が必要だ。

26｜90日で始める、未来予測に依存しすぎない実行計画

最初の30日は、重要業務を一つ選び、現状を測る。例えば、顧客から条件を受け取って試算結果を説明できるまでの工程を対象にする。処理時間だけでなく、待ち時間、差戻し、確認漏れ、入力不備、顧客の質問を記録する。最も長い工程と、最も損失が大きい誤りを分けて特定する。

この段階で、AIを使わない比較条件も残す。過去の平均だけと比べると、案件の難易度や担当者の違いが混ざる。可能なら類似案件を比較し、対象範囲と測定期間を固定する。小規模でも、どんな条件で効果が出たかが分かる記録を優先する。

31〜60日は、入力整備と検証を中心に限定的な自動化を行う。最初から全自律を目指さず、単位変換、欠損検出、前提一覧、根拠の参照、計算結果の整合確認など、成功条件を明確にできる部分を選ぶ。外部へ影響する操作は、権限と停止条件を分けて設計する。

この段階の合否は、作業が速くなったかだけではなく、総費用、誤り、顧客の負担が改善したかで判定する。AIが作る文量が増えただけなら成功ではない。顧客が確認しなければならない項目が増えた場合も、負担削減になっていない可能性がある。

61〜90日は、効果が確認できた工程をつなぎ、失敗から復帰できるようにする。入力と出力の保存、処理状況、重複防止、変更履歴、最終照合を整える。担当者が変わっても運用できるようにし、例外の扱いを明文化する。

90日後の判断は三つに分かれる。効果と信頼性が確認できた部分は拡張する。効果が小さいが改善余地が明確な部分は修正する。構造的に費用が高く、顧客価値につながらない部分は止める。止める条件を先に持つことは、AI活用に消極的であることではなく、資源を価値のある場所へ集中するための規律である。

この計画は、超知能が2027年に現れても、2035年以降になっても、出現の定義が曖昧なままでも意味がある。正本、評価、権限、結果の記録は、能力を使いこなすための共通基盤だからだ。未来予測に大きく依存しない投資から始めることが、最小努力で最大成果を狙う現実的な方法になる。

27｜予測台帳：何が起きたら、この記事を書き換えるか

本稿の予測は、更新されることを前提とする。予測が外れたときに表現を曖昧にして守るのではなく、どの前提が間違っていたかを明らかにする。以下の台帳は、各期間の観測項目と更新方向を示す。確信度は統計的な確率ではなく、現時点の根拠の強さと構造的な頑健性に関する定性的判断である。

台帳を運用するなら、短期項目は四半期、長期項目は年単位で見直す設計が考えられる。ただし、これは本稿の推奨運用であり、自動監視を設定したという意味ではない。重大な観測が出た場合は定期更新を待たず、前提を見直す。

予測の品質を上げるには、支持材料だけでなく、反対材料を意識的に探す必要がある。AIの進歩が速いと信じるなら、失敗、費用、遅延、再現しない成果を調べる。慎重な立場なら、従来できなかった仕事が実際に完了した事例を調べる。自分の物語を守ることより、判断の損失を小さくすることを目的にする。

28｜リスクは能力の高さだけで決まらない

AIの危険を考えるとき、モデルの性能だけを見ていると、実際の損失を見誤る。高い能力があっても権限が限定され、監視と復旧が強ければ、被害を抑えられる場合がある。逆に、比較的限定された能力でも、広い権限、機密情報、重要な接続先、誤った評価基準が組み合わされば、大きな損失につながりうる。

説明用には、リスクを「危険な行動が起きる可能性」「その行動が届く範囲」「生じる損失」「発見と復旧の能力」に分解するとよい。一つの積で正確に表せるわけではないが、対策の場所が見える。モデルだけを更新しても、漏れた資格情報や広すぎる権限は直らない。

NISTの生成AI向けプロファイルは、生成AIのリスクを組織の設計・開発・利用・評価へ組み込むための参照資料である。本稿の具体的な運用提案すべてをNISTがそのまま推奨しているという意味ではないが、リスク管理を単発のモデル評価で終えない考え方の参考になる。[S12]

企業で優先すべきなのは、何を読み、何を変更し、どこへ送信できるかを明確にすることだ。必要な権限を必要な時間だけ与え、重要な操作を記録し、異常時に止められるようにする。外部の文章に含まれた指示を、正当な業務命令と混同しない設計も必要になる。

また、監視役のAIが同じ弱点を持つ可能性を考える必要がある。生成役と監視役を置いたという構成だけでは十分ではない。実行前の制約、構造化された検査、権限境界、独立したログ、事後の照合など、異なる種類の防御を組み合わせる。

監視の指標も分母を分けて読む。Anthropicは、2026年8月の特定の社内エージェント基盤について、行動の100％が実行前監視を通り、実行後監視へ取り込まれると説明している。これは対象範囲の指標であり、危険な行動を100％検出するという意味ではない。約0.002％という遮断率も、危険行動の発生率や見逃し率ではない。同社は既知の問題行動を監視が捕捉する割合と、独立した試験の必要性にも言及している。[S3]

実務では、対象範囲＝監視に入った行動数／対象行動数、検出率＝検出した危険行動数／確認できた危険行動数、と分ける。後者は正解の分かる試験などで推定する必要があり、未知の危険をすべて含む指標ではない。遮断件数が少ないことだけで安全だと判断せず、誤警報、見逃し、検知までの時間、復旧時間を合わせて見る。これは上記資料を踏まえた本稿の運用提案である。

極端な加速シナリオでは、危険を評価する時間そのものが不足する可能性がある。このとき、通常の事後対応だけでは足りない。新しい能力をどの条件で内部利用し、どの条件で外部へ展開し、どんな兆候で一時停止するかを事前に定義する必要がある。ただし、特定企業の現在の対策が十分かどうかは、公開情報だけで断定できない。

29｜独自洞察：2050年まで残りうる七つの価値移動

一つ目は、生成から検証への移動である。作る費用が下がると、正しいか、役立つか、安全かを確かめる価値が相対的に上がる。ただし検証も自動化されるため、その優位を維持するには、現実の結果との接続が必要になる。

二つ目は、知識の保有から、知識を適用できる条件の管理への移動である。一般知識へ誰でもアクセスできても、ある顧客、地域、設備、契約に何が当てはまるかは別問題だ。適用範囲と例外を扱う能力が重要になる。

三つ目は、資料の販売から、判断の有効性を維持するサービスへの移動である。価格や制度が変わったときに、古い成果物をそのまま放置するのではなく、影響を検出して更新する。これは一回限りの作業を継続価値へ変える可能性がある。

四つ目は、人数から、学習を保持する業務構造への移動である。AIが人間の作業を支援するほど、個々の成果を再利用できる形で残す重要性が高まる。優秀な個人だけに依存する組織より、良い判断が次の案件へ引き継がれる組織が強くなる可能性がある。

五つ目は、電力を消費する知能から、電力条件に応じて働く知能への移動である。すべての処理を即時に行うのではなく、期限、費用、設備、電力条件を考慮する。AIの仕事の予定と、エネルギーの運用を結ぶ価値が生まれうる。

六つ目は、モデルの所有から、実行権限と責任の設計への移動である。強いモデルが広く使えるほど、誰が何を実行でき、誰が結果に責任を持ち、どう修正できるかが重要になる。権限を増やすだけでなく、取り消せることが価値になる。

七つ目は、一つの未来への最適化から、複数の未来への適応力への移動である。進歩が速い世界でも遅い世界でも使えるデータ、評価、接続、学習を持つ。最も大胆な予言に従うより、予測が外れた後も動ける企業を作る。

これらは確定した未来ではない。しかし、単に「AIはもっと賢くなる」と考えるより、現在の投資と業務設計へつながる。将来の能力を正確に当てられなくても、価値がどこへ移りうるかを考えることで、準備の質を上げられる。

30｜結論：未来を決めるのは、加速と適応の差である

原記事が突き付けたのは、AIが便利になったという話を超え、進歩を生む過程そのものが変わりつつある可能性だ。この変化が本格化すれば、従来の技術予測より短い時間で、研究、事業、社会が再編されることもありうる。軽視する理由はない。

同時に、観測された加速をそのまま無限の進歩へ延長することはできない。数理モデルの発散は、前提の強さを示す警告でもある。計算、実験、物理設備、検証、制度、需要、責任は、それぞれ異なる速度で動く。AIの内部の時計と、社会の時計を一つにしないことが重要だ。

2027〜2030年には、どの仕事を完了できるかが問われる。2030〜2040年には、その完了を現実の設備、組織、制度へ広げられるかが問われる。2040〜2050年には、増大した能力を誰が使い、誰が便益を受け、誰が異議を申し立てられるかが、より大きな問題になりうる。

企業にとっての最良の備えは、超知能の到来年を一つ選ぶことではない。目的を明確にし、正本を整え、成果を測り、誤りを止め、結果から学び、必要なら構成を変えられるようにすることだ。AIの能力が上がるほど、その基盤の上で得られる成果は大きくなる。

エネルギー分野では、この原則は特に具体的である。計算が速くなっても、入力の不確かさ、設備の制約、顧客の目的、説明責任は消えない。だからこそ、AIの速度を、検証できる経済効果と実行可能な意思決定へ変える仕事に価値がある。

未来は、知能の性能だけで決まらない。能力が増える速度に、私たちが理解し、制度を直し、責任を持って使う速度が追いつくか。その差を小さくすることが、いま着手できる最も重要な仕事である。

付録｜数値と図解を再利用するための読み方

本稿の図は三種類に分かれる。第一は、公表された数値を再描画した図である。出典の対象、時点、単位を付し、観測値、統計的推定値、将来予測を区別する。例えば2030年の電力消費は、2030年に測定された実績ではなく、IEAが2026年に公表した見通しである。

第二は、式から計算した説明用の図である。これは実際のAIの将来能力を測定したデータではない。研究労働の逆算、部分自動化の全体効果、工程の連鎖成功率などを、前提と結果の関係として示す。数値が精密でも、前提の確からしさが高いとは限らない。

第三は、本稿独自の概念図である。年次ロードマップ、価値の移動、シナリオ、進化的な組織設計などが該当する。配置、色、面積を統計量として読まない。四つのシナリオを同じ大きさで表示していても、発生確率が25％ずつという意味ではない。

将来曲線の比較では、同じ出発点から異なる仮定を延長した。直線的な速度増加、指数的な速度増加、上限へ近づく増加、有限時間で発散する増加は、短期には似て見えても長期には大きく分かれる。この図の目的は未来の能力を当てることではなく、曲線の形を選ぶ行為自体が強い仮定だと示すことである。

現実の予測区間を作るには、初期値、成長率、変化点、測定誤差、構造変化、パラメータの相関を扱う必要がある。単に成長率をランダムに変えて多数の線を描いても、未知の制約や制度変化を含むとは限らない。そのため本稿では、見栄えの良い確率帯を作るためだけのモンテカルロ計算は行っていない。

一方、具体的な設備投資や業務導入では、感度分析は有効である。どの変数をどの範囲で動かし、何が固定され、どの条件で判断が逆転するかを示す。例えばAIによる処理時間短縮が大きくても、検証費用が増えると総費用が下がらない。蓄電池の年間便益が増えても、設備費や交換費が増えれば採算は悪化しうる。

また、モデルを比べるときは、一番もっともらしいモデルを選ぶだけでなく、意思決定がモデル間で一致するかを確認するとよい。異なる成長仮定でも正本整備と評価基盤への投資が有効なら、その判断は比較的頑健である。逆に、超高速の加速が続く場合だけ利益が出る大型投資は、前提への依存が強い。

原記事に含まれる安全政策や個別事件の記述は、版と時点を区別する。AnthropicのRSPには更新履歴があり、本稿は2026年7月の改訂が掲載されていることを確認したが、すべての過去版、非公開報告、S1原本を全文照合したわけではない。原記事が述べる閾値判定を、第三者として独立認定したとは扱わない。[S4]

アルゴリズム改善については、Epoch AIの2012〜2023年の評価データを用いた研究が、一定性能へ必要な計算量の低下を分析している。この過去研究は、ソフトウェア改善を計算量と区別する考え方の参考になるが、2027年以降の成長率をそのまま与えるものではない。[S9]

研究生産性の低下を扱うBloomらの研究も、AIの進歩が必ず止まることを証明する資料ではない。研究努力と成果の関係を問うための背景であり、AIが探索方法や実験の費用を変えれば関係も変わりうる。過去の逓減を無視することと、それを未来の絶対法則にすることの両方を避ける。[S16]

本稿を事業の会議で使うなら、最初に自社の判断を一つ決める。「どのモデルが勝つか」ではなく、「どの工程へ投資するか」「どの条件を測るか」「何が起きたら止めるか」である。その判断に関係する章と図だけを選び、前提を自社の実測へ置き換える。未来の大きな物語を、検証できる小さな意思決定へ変換して使うことを推奨する。

特集｜2027–2050：知能が豊富な社会で、人間は何を仕事にするのか

未来の職業を予測する最も簡単な方法は、現在の名詞に「AI」を付けることだ。しかし、それでは職業の表面しか変わらない。本特集は、知的作業の供給が増えたときに、何が新しい希少資源となり、それを誰が管理し、誰の予算で職務が成立するかを考える。仕事の単位を「作業」から「権限を伴う約束」へ移して見る。

本特集の18職務は、本稿独自の職務仮説である。既存の職業分類、公的な新資格、採用市場で確立した職名ではない。既存の法務、品質保証、教育、研究、社会福祉、運用、政策立案と重なる。新しさは名前ではなく、扱う対象の規模、意思決定の速度、成果物、責任の接続にある。18人を採用すべきという提案でもない。一人の兼務、横断チーム、共同サービスとして成立する可能性がある。

予測の中心命題はこうだ。AIの発達に伴い、人間の仕事が一律に「創造的な仕事」へ移るとは限らない。創造も分析もAIの支援を受ける。一方で、目的の衝突を扱うこと、証拠を現実につなぐこと、委任の範囲を決めること、利益と損失を配分することには、技術的な正解だけでは閉じない需要が生まれる。ただし、その需要が必ず人間の有給雇用になるわけでもない。制度、購買力、組織設計が雇用への変換率を決める。

根拠が言えることと、ここから先の創作

ILOの2025年研究は、職業を構成するタスクの生成AIへの曝露を推計している。世界の雇用の約4分の1が何らかの曝露を持つという結果は、4分の1の失業を意味しない。曝露、技術的代替、実際の導入、雇用純増減を分ける必要がある。[S17]

OECDの2026年整理は、AI活用に必要な技能を高度なAI開発技能に限定せず、データを扱う力、問題解決、管理能力などを含める。研修受講者ほど良い成果を報告する傾向も紹介されるが、すべての研修が同じ因果効果を持つとは言えない。[S18]

Autorらの米国の歴史研究は、新しい仕事の出現を長期に追跡し、新職務の発生と分布が変わってきたことを示す。これは「新しい需要が仕事を作る」という考察の参考になるが、過去に新職務が生まれたから未来の失業が自動的に解消される、という保証ではない。国、時代、技術、制度が異なる。[S19]

OECDの戦略的フォーサイトは、複数の未来を使って現在の戦略を検査する枠組みを提供する。本特集も、2050年の職業人口を当てるのではなく、どの未来でも必要な能力と、条件が成立したときだけ投資する能力を分ける。[S20]

以下の年区分は、需要が強まる条件を考えるための時間窓であり、職業の誕生年ではない。2027〜2030年は実務に近い職務の再編、2030〜2040年は制度や市場の成立を要する仮説、2040〜2050年は価値観を含む探索シナリオとして読む。各シーンの人物、時刻、件数はすべて架空である。

特集1｜職業を生む六つのパラダイム転換

1．労働時間を売る組織から、委任可能な成果を引き受ける組織へ

人とAIが混在すると、「誰が何時間働いたか」だけでは、生産能力も責任も説明できなくなる。仕事の仕様は、目的、受入基準、利用可能な資源、許される行動、禁止される行動、期限、停止条件、説明責任から成る契約へ近づく。これは時間管理が不要になるという意味ではない。負荷や労働条件を守る管理と、成果の品質を測る管理を分離するということだ。

例えば設備の更新提案なら、見積書を作ることでは終わらない。「顧客が前提を理解し、複数案の不確実性を比較でき、誤ったデータで契約へ進まない」が成果になる。処理件数を増やすだけの評価は、確認不足を顧客へ転嫁する恐れがある。未来の管理職には、効率指標の外へ追い出された負担を回収する役割が加わる。

2．一人の能力から、人・AI・制度の組合せの能力へ

同じ人でも、参照できる正本、使える道具、検証手段、承認権限で成果は変わる。人的資本を個人の資格一覧だけで扱うと、仕事を可能にしている環境を見落とす。本稿では「誰が、どの支援を使い、どの条件で、何を再現できるか」を能力の記録単位として提案する。

一方、道具込みの成果だけでは、支援が止まったときの能力を把握できない。平常時の協働性能と、停止時に安全に縮退できる性能を別々に測る。自動運転の普及で全員を熟練運転者へ戻す必要がないのと同じく、すべての旧技能を保存するのではなく、復旧と検証に必要な部分を選んで保持する。

3．知識の保有から、正当な問いと証拠の接続へ

情報を知っている価値がすべて消えるわけではない。むしろ、専門知識がなければ誤りを見抜けない場面は残る。ただ、知識の検索費用が下がるほど、「その問いを誰のために立てるか」「答えが間違っていると分かる条件は何か」が相対的に重要になる。正当な問いとは、経営者に都合のよい問いではなく、影響を受ける人の権利と実際の制約を織り込んだ問いである。

4．一回の学位から、仕事を変えられる選択肢の保有へ

技能の更新が速い社会では、教育の価値は修了証の数だけでは測れない。別の道具でも再現できるか、異なる現場へ転用できるか、役割が縮小したときに移行できるかが重要になる。企業の育成投資も、「自社の特定ツールだけで働ける人」を増やすほど長期の雇用可能性を損なう場合がある。個人が持ち運べる実績証明と、守秘対象の業務情報を分離する設計が必要になる。

5．平均生産性から、裾の損失と回復力へ

平均処理時間が半分になっても、少数の重大な失敗が増えれば優れた運用とは言えない。未来の人材評価は、平均だけでなく、失敗の尾、例外処理の負担、復旧所要時間を見る。ただし、重大事故が少ない部署ほど優秀と単純評価すると、事故を隠す誘因になる。報告しやすさ、検知できた範囲、母数、外部からの指摘も合わせて扱う。

6．「人間にしかできない」を探す競争から、社会が人間に委ねたいことを決める政治へ

人間の比較優位と、人間が関与することの価値は別物だ。AIが上手に演奏しても、人間の演奏会に行く理由は残りうる。逆に、人間の関与があるだけで品質や倫理が保証されるわけではない。未来の仕事は、技術的な能力差だけでなく、真正性、参加、選択、責任をどこまで求めるかという社会の意思によって形作られる。この領域の市場規模を現在から精密に算出することはできない。

特集2｜2027–2030：実行するAIの周囲に生まれる六つの職務

01．委任境界設計者｜AIの「できる」と組織の「してよい」の間を設計する

架空の2028年、住宅設備会社。午前9時、AIが補助制度、見積、顧客への回答案まで用意する。担当者は全件を承認するのではなく、「確定した料金の説明は実行可、未確認の受給資格を保証する文章は停止」という境界の不具合を調べる。昨日の例外案件が、どの権限で誰に届いたかを追い、翌日の委任範囲を更新する。

成果物は、対象業務ごとの委任仕様書、操作権限表、例外の振分けルール、緊急停止と復旧の手順。予算を持つのは事業責任者や運用責任者であり、情報システム部だけの仕事にしない。境界を設計した本人がすべての高リスク案件を最終承認すると独立性が失われるため、承認者と監査経路を分ける。

必要能力は業務分解、アクセス制御の理解、顧客への説明、損失シナリオの設計。採用課題は「架空の20案件を自動実行・人の確認・停止に分類し、境界の理由と変更条件を書く」。評価は権限逸脱率、不要な差戻し率、受入完了率の組合せとする。ほぼすべての業務が安全に標準化され、共通製品で境界設定も維持できるなら、専任職ではなく既存管理職の技能に吸収される。

02．反証実験設計者｜もっともらしい答えを、壊せる試験へ変える

架空の2029年、研究開発部。千件の材料候補を眺める仕事はAIが担う。担当者の午前の仕事は、最も有望な候補を褒める資料ではなく、「この候補が失敗するなら、最小費用で何を観測すれば分かるか」を設計することだ。午後は、同じデータに依存した三つのモデルの一致を、三回の独立した証明として数えた評価を修正する。

成果物は事前に定めた採否基準、独立検証の設計、失敗を含む試験台帳、再現手順。買い手は研究部門、品質保証、調達部門。報酬を不採用件数だけへ連動させると有望案まで潰すため、見逃しと誤棄却を双方測る。必要能力は統計、計測、対象領域の知識、仮説を具体的な観測へ翻訳する力である。

採用課題は、欠陥を混ぜた架空の提案群について、限られた試験予算を配分させる。成果指標は外部試験で発見された重大欠陥、採用後の再作業、試験一件当たりの意思決定改善。AIが試験設計まで自動化しても、試験対象へのアクセスや採否の権限は別に残りうるが、追加的人手の価値が確認できなければ職務は縮小する。

03．判断来歴保全者｜答えではなく、答えに至った条件を残す

架空の2030年、広域自治体。過去の洪水対策の優先順位が問われる。担当者が再現するのは、AIとの会話全文ではない。当時使えた地形データ、未観測の地域、評価した被害、採用しなかった代替案、誰がどの条件で承認したかである。「当時として合理的だった判断」と「当時すでに見落としていた判断」を区別する。

成果物は、版を固定した入力と計算条件、根拠への参照、判断と権限の記録、変更理由、保存期限。内部思考の完全な復元を保証する役割ではない。機密や個人情報を無制限に保存せず、必要な証跡だけを残す。予算は監査、記録管理、事業継続などに置かれる。

必要能力はデータ管理、記録管理、業務監査、説明の編集。評価は抽出案件を再現できる割合、説明に必要な時間、誤った根拠へのリンク率、過剰保存の是正。採用課題は、欠損と版違いを含む資料から判断記録を組み直すこと。標準システムが十分な証跡を自動生成し例外が少なければ、新職ではなく既存の記録管理機能となる。

04．技能再生設計者｜新人が経験を積む階段を作り直す

架空の2028年、設計会社。新人が経験していた初歩的な作図や調査はAIが済ませる。一見すると成長が速いが、例外案件でどこがおかしいか説明できない。担当者は仕事を非効率へ戻すのではなく、過去の失敗を匿名化した練習環境を作る。学習者はAIの案を比較し、欠陥を探し、一部だけは自分で再構成する。

成果物は技能依存関係図、実務に近い練習課題、支援あり・支援なしの評価、三か月後の転移試験。予算は人材開発と事業部が共同で持つ。必要能力は対象業務の熟練、教育設計、測定、フィードバック。心理特性を推測して序列化するのではなく、観察可能な成果物と本人の説明を使う。

評価は受講時間ではなく、未見課題への対応、誤りの検知、適切な相談、現場への転用。効率化で失った学習機会が本当に能力低下を引き起こしているかを確認することが先で、懐古的に旧作業を残すことを目的にしない。AI支援下でも能力形成が十分に進むという測定結果なら、介入を縮小する。

05．計算需要調整者｜知的作業を電力と設備の制約へ接続する

架空の2029年、複数拠点を持つ研究企業。担当者は締切の緩い学習・分析ジョブと、即時応答が必要なサービスを分ける。電力、通信、機密情報の所在、設備の温度、モデル品質を同時に見て実行時刻と場所を調整する。単価が安いからといって、移転できないデータを別地域へ送ることはしない。

成果物はジョブの優先順位表、許容遅延、電力制約との接続、代替実行計画、実測費用と排出係数の適用条件。予算は計算基盤とエネルギー調達の接点にある。IEAの電力見通しは需要増加の背景を示すが、この職務の雇用数を予測するものではない。[S8]

必要能力は計算運用、電力システム、最適化、サービス水準の交渉。評価は同等品質・同等期限での総費用、制約違反、排出の算定範囲、復旧性能。採用課題は、同時に満たせない三つの制約から何を交渉し直すか説明すること。計算需要が固定的で調整余地がない、または事業者が自動調整を完全提供する場合は、独立した職としての需要は弱い。

06．AI退出・復旧設計者｜使い始める前に、やめ方を完成させる

架空の2030年、地域金融機関。主要モデルの利用が突然止まる。担当者は新モデルを慌てて探すのでなく、事前に試験した縮退サービスへ切り替える。重要な判断は保留し、低リスク業務だけ代替手段へ移す。顧客へは何が遅れ、いつ再判定されるかを示す。

成果物は依存関係の地図、移行可能なデータ形式、切替演習、最低限の継続能力、撤退に要する日数と費用。予算は事業継続・調達・運用。モデルの名前が複数でも、認証基盤やデータ供給元が共通なら独立した代替にはならない。必要能力は障害対応、契約の読解、移行設計、関係者との調整である。

評価は机上の代替数ではなく、演習で検証した復旧時間、データ欠損、顧客への影響。採用課題は一つの依存先を失ったときの再開手順を実行すること。市場標準が十分に整い、乗換費用と供給障害が小さいなら、専任職は不要になる。停止を怖がらせて売る仕事ではなく、実測で退出可能性を確保する仕事だ。

特集3｜2030–2040：社会の接続面を担う六つの職務

07．反実仮想実験調達者｜何を買えば、重要な不確実性が減るかを決める

架空の2034年、自治体連合。AIは猛暑対策として街路樹、屋根改修、避難拠点、電力支援の組合せを提案する。しかし、シミュレーションだけでは住民の利用や維持費を確かめられない。担当者は、結果によって翌年度の予算配分が変わる小規模実証を調達する。地域差を調整せず単純な導入前後比較で成功と呼ぶことを避ける。

成果物は、選択肢別の不確実性一覧、実験と観察の計画、調達仕様、評価対象外の条件、終了判断。予算は研究・政策評価・事業開発。成果は「実証の件数」でなく、どの判断がどの証拠で変わったか。倫理的に割当できない対象では無作為化に固執せず、識別上の限界を明記する。因果推論、現場調達、参加者との合意が技能の核となる。

成立条件は、候補の生成より実世界での比較が遅いこと。良質な既存データで判断が変わらない場合、新しい実験を買わないことも成果になる。情報を増やす仕事ではなく、意思決定を改善するために不確実性を減らす仕事だ。

08．意図交渉設計者｜互いに矛盾する「最適化」を、実行可能な約束へ変える

架空の2035年、街区の電力運用。住民のAIは快適性を、病院のAIは停電回避を、事業者のAIは費用を最適化する。担当者は一つの巨大な目的関数へ全員を押し込めず、譲れない条件、交換可能な条件、異議申立ての経路を分ける。停電時の配分原則は、事故が起きてから決めない。

成果物は目的と制約の合意文書、利害の対立表、交渉ルール、例外手続。買い手は共同事業体や公共サービス運営主体。評価は合意の速さだけでなく、参加できなかった人、履行状況、苦情の解決、強い主体への偏り。必要能力は交渉、制度設計、技術翻訳、熟議の運営である。

AIが交渉を代行できても、誰を正当な代表とみなすかは別問題となる。ただし価値の対立が小さく、標準的な契約で処理できる市場では、追加職務の費用を正当化できない。対立を複雑化する専門家になってはならない。

09．集団知多様性管理者｜百の答えが一つの誤りに倒れるのを防ぐ

架空の2033年、製造業の経営会議。十種類のAIが同じ投資を推す。担当者はモデル名の数を数えず、情報源、評価器、訓練由来の偏り、目的設定、計算基盤の依存を調べる。一部の判断を異なる測定手段と人の現場観察で検査し、見かけ上の多様性と実質的な独立性を区別する。

成果物は依存関係図、共通原因の障害シナリオ、独立した検証経路、意見不一致の記録。予算はリスク管理と研究品質。技能は統計的依存、データ来歴、システム設計、異論を扱う会議運営。評価は多様性の点数そのものではなく、共通障害試験での検出力と検証費用である。

生物の多様性や進化的協調から得られるのは設計上の類推であり、AI集団が生態系と同じ法則に従うという実証ではない。[S14] すでに信頼できる独立計測が標準装備されている業務では、専門職を増やす必要はない。

10．地域適応契約設計者｜設備ではなく、暮らしが続く条件を束ねる

架空の2037年、人口が減る地域。冷房、移動、医療、通信を別々に最適化すると、避難所に電気はあっても移動手段がない。担当者は、平時の運用費と災害時のサービス継続を束ね、設備、点検、運転、住民への案内の責任を接続する。「何時間の停電まで、誰が、どこで、何を利用できるか」を合意する。

成果物は地域サービスの最低水準、主体別の責任表、利用できない人への代替手段、平時と非常時の運用契約。買い手は自治体、施設群、地域事業体。ただし行政の権限や責任を民間へ自動的に移せるという意味ではなく、実際の制度に沿う審査が要る。

技能は地理空間分析、エネルギー、運用設計、住民参加。評価は導入設備数でなく、演習で確認した利用可能性、脆弱な地点の残存、維持費、責任の空白。単独設備で十分な地域や共同運用の費用が便益を上回る地域では、この職務の導入を見送る。

11．個人代理権受託者｜本人のAIが、本人のために働く条件を守る

架空の2036年、複数の生活支援AIを使う人。保険、仕事、住居の提案が届くが、紹介料を得る事業者の意図と本人の希望が混ざっている。担当者は本人が何を委ね、何を委ねていないかを確認し、代理権の範囲、報酬の出所、取消方法を整理する。本人の代わりに人生の正解を決めるのではない。

成果物は理解可能な委任記録、利益相反の開示、権限の取消手順、データ利用の整理。買い手は本人、共同購買組織、福利厚生の提供主体などが考えられるが、紹介料依存なら利益相反が強まる。既存の資格業務に該当する行為は、その制度の範囲で行う必要がある。

技能は意思決定支援、契約の読解、アクセシビリティ、データ管理。評価は本人の理解、撤回の実行可能性、意図との不一致、経済的負担。代理サービスそのものが十分に透明で本人が容易に管理できるなら、中間の受託者は不要になる。支援が本人の自律性を奪わないことが最優先の制約となる。

12．認知負債解消者｜組織が「なぜそうしているか」を失う前に再構成する

架空の2038年、AIで長年保守した業務システム。動いているが、料金計算の例外がなぜ存在するか誰も説明できない。担当者はすべてを人が理解し直すのではなく、変更すると損失が大きい部分を優先して、規則の理由、検証例、廃止条件を復元する。不要になった複雑さは削除する。

成果物は重要判断の因果地図、例外の根拠、再現可能な試験、知識の引継ぎ、廃止した規則の記録。買い手は事業承継、基幹刷新、品質保証の責任者。技能は調査、設計の読解、現場への聞取り、優先順位づけ。評価は文書ページ数ではなく、重要変更の安全性、再調査時間、属人依存の低下である。

認知負債は本稿で用いる概念であり、公認された会計負債ではない。文書を増やせば解消するとも限らない。来歴と試験が十分に保持され、変更判断が容易なら、専任の需要は小さい。

特集4｜2040–2050：人間の参加と選択肢を設計する六つの職務

この節は探索的な未来像である。高度AIが広く利用可能で、デジタルと物理の接続が進むという条件を置く。それでも、意識を持つAI、完全な労働代替、無限に安い電力、潤沢な財政を前提にしない。以下の職務は未来社会の選択によって生まれない可能性も高く、現在の採用計画へ人数として転記してはいけない。

13．人間関与価値設計者｜人が参加する意味を、選べるサービスとして形にする

架空の2044年、地域の学びと文化の拠点。AIによる個別指導は安価で高品質だが、一緒に困難へ取り組む仲間や、地域の人から学ぶ経験にも需要がある。担当者は「人間がいるから高級」という曖昧な売り方をせず、誰が何に参加し、どの工程をAIが支え、利用者が何を選べるかを明示する。

成果物は参加の設計、支援と代替の境界、真正性の表示、利用者の選択肢、従事者の適正な負担設計。買い手は教育・文化・観光・ケアなどの提供主体。技能は経験設計、対象領域の実践、アクセシビリティ、評価。満足度だけでなく、継続的な便益、排除の有無、現場の労働条件を測る。

成立条件は人間の関与に対する持続的な選好と支払能力、または公共的な支援である。「人間らしさ」は無償の感情労働を強いる口実にしてはならない。選好が弱い領域では、優れた自動サービスを選べる方が望ましい。

14．世代間選択肢保全官｜いま便利な決定で、次の世代の選択を閉じない

架空の2046年、長期都市更新。AIは一体運用で大幅な効率改善を示すが、全施設が同一のデータ形式と制御方式へ固定される。担当者は撤退費用、移行可能性、将来の用途変更、不可逆な環境影響を点検し、後で変えられる設計へ予算を割く。

成果物は不可逆性の地図、代替案、切替費用の範囲、定期的な再審査条件、将来の利用者を含む審議資料。予算は長期投資の審査や公共資産管理。技能は長期シナリオ、リアルオプションの考え方、建設・制度の知識、熟議運営。将来世代の意思を知っていると称する役割ではない。

評価は将来の幸福を勝手に点数化することではなく、代替を残すための費用と、避けられる固定化を明示できたか。すべてを可逆にすると現在の必要な投資を妨げるため、残す選択肢にも優先順位が必要となる。

15．合成制度実験者｜社会のシミュレーションを、現実の政治と混同させない

架空の2042年、給付制度の改定前。膨大な仮想住民を用いた実験が制度の穴を発見する。担当者は、その仮想住民に含まれていない行動や、モデルが再現できない文化的背景を洗い出す。実際の住民との検討、限定試行、苦情対応へ結果を接続する。

成果物はシミュレーションの適用範囲、観測との照合、代理指標の弱点、未検証の集団、実証へ進む条件。買い手は政策評価や制度運営の主体。技能は計算社会科学、統計、政策評価、参加型設計。仮想住民の賛成率を世論調査として扱わない。

評価は予測の当たり具合だけでなく、現実の実証で有害な制度を見抜けたか、見逃しがどこに集中したか。モデルが現実の判断改善をもたらさなければ、合成実験を縮小する。この職務の価値は、シミュレーションの権威を増すことではなく、使える範囲を限定することにもある。

16．生活移行設計者｜職を変えるとき、所得・所属・日常を同時に組み直す

架空の2047年、ある地域で職務が大幅に再編される。新しい研修を紹介しても、通学時間、家族のケア、住居費、職場の受入枠が壁になる。担当者は本人が望む役割から逆算し、移行期の収入、実務経験、仲間との接点、生活時間を組み合わせる。

成果物は本人が選べる移行計画、受入先の実務枠、途中で戻れる条件、支援制度との接続、移行後の追跡評価。買い手は雇用移行を支援する企業や公的機関など。既存の職業相談や福祉職を置き換えるというより、それらの分断を減らす職務となる。

技能はキャリア支援、制度理解、現場調整、本人の意思を尊重する対話。評価は就職件数だけでなく、本人の希望との一致、所得の変化、継続性、生活負担。社会が有給労働を中心に組み立てられ続けるか自体が不確実であり、その変化に応じて役割も変わる。本人の望まない生き方を効率的に割り当てる仕事にしてはならない。

17．モデル生態系隔離管理者｜つながりすぎた知能を、壊れ方で区切る

架空の2045年、都市の物流と設備を支える多数のAI。ある評価器の誤りが、異なる組織の最適化に同時に波及する。担当者は、モデルごとの性能順位ではなく、障害が広がる経路を調べ、一部を切り離しても生活機能が続く境界を設計する。

成果物は障害の到達範囲、隔離単位、停止後の最低サービス、再接続の試験、共通依存の監査。買い手は広域基盤の運営主体や業界連合。技能は分散システム、制御、障害解析、組織間調整。評価は侵入的な危険実験ではなく、許可された演習環境での波及抑制と回復性能とする。

「生態系」は相互依存の比喩であり、AIが生物として自己増殖する前提ではない。既存のシステム安全・事業継続の延長でもあるが、異なる所有者の判断システムをまたぐ責任調整が増える場合に職務が広がる。孤立した用途が中心なら需要は限定される。

18．共有能力配当設計者｜生産性向上を、誰の利益に変えるかを設計する

架空の2048年、業界共同のAI基盤。成果は特定企業の技術だけでなく、多数の現場のデータ整備、評価、例外対応によって改善している。担当者は、寄与を完全に個人へ帰属できると装わず、参加条件、利用料、便益配分、異議申立て、退出時の扱いを設計する。

成果物は便益と負担の台帳、二重計上を避けた配分ルール、参加の条件、共同財への再投資方針。買い手は協同組織、業界基盤、公共的な基金などが考えられる。これは特定の所得保障制度の採用予測ではなく、分配の仕組みを比較する職務仮説である。

技能は公共経済、契約設計、会計、交渉、制度の評価。評価は総便益だけでなく、参加しにくい主体の負担、分配後の継続参加、運営費、権力集中。寄与の計測が高価すぎる場合は、精密な点数配分より、簡潔で異議申立て可能なルールの方が有効になりうる。

特集5｜職種の成立を、需要と費用で検査する

新職種の物語が魅力的でも、予算がなければ持続しない。職務の成立には、解くべき問題、解決に払う主体、成果の検証、人間の関与の追加価値が必要である。高価な専任職を先に置くより、既存チームで小さく職務を試し、その追加価値が繰り返し確認されたときに職として切り出す方が合理的だ。

説明用の年間モデルを置く。職務の追加純便益 V = 実現した追加粗利 G ＋重複を除いた削減費用 C ＋期待損失の減少 L −人件費と運用費 K −導入・移行費の年換算 T。すべて同じ対象期間と比較対象で測る。Lは事故確率と損失額の仮定に強く依存するため、楽観値だけで専任採用を正当化しない。削減時間は、その時間を有効に再配分できるまで現金削減と同一視しない。

架空の例では、追加粗利400万円、実現した費用削減300万円、期待損失減少600万円、年間人件費・運用費900万円、移行費200万円なら、Vは200万円になる。しかし期待損失減少が100万円ならVはマイナス300万円だ。事故の予防価値だけに依存する採用より、共有機能として始め、実際の再作業や遅延の低下を測る選択肢がある。ここでの数値は市場相場でも報酬予測でもない。

「人が担当する」ことの根拠も分解する。第一は、AI単独より成果や回復力を改善するという実測上の根拠。第二は、正当な代表、本人の選択、説明責任などの制度上の根拠。第三は、人間の参加への選好という需要上の根拠。この三つを混ぜると、人間にしかできないと断言した職務が技術進歩で崩れる。どの根拠で採用しているかを明示すれば、技術が変わっても再設計できる。

雇用の総量を、役割のリストから推計しない

18の職務が見つかっても、消える仕事の数を相殺できるとは言えない。需要が生まれても一人とAIで広く提供できれば雇用人数は少ない。逆に価格低下でサービス需要が増えれば職務量が増える場合がある。純雇用には、代替、補完、新需要、所得の再配分、労働供給、地域の移動制約が同時に作用する。

大手人材会社や政府がこの一覧を使うなら、まず職名検索で「発見」を確認するのではなく、予算の移動、実際の業務、納品物、採用要件、継続発注を調査すべきだ。同じ名前が求人に現れても本稿の想定と違う可能性があり、違う名前で同じ職務がすでに成立している可能性もある。

特集6｜マインドセットを、観察できる八つの技能へ変える

「変化を楽しむ」「創造性を持つ」だけでは育成も採用もできない。人間の内面を勝手に採点するのでなく、仕事の中で何を行い、どんな成果物を残すかへ翻訳する。以下は本稿の評価設計案であり、妥当性検証済みの心理尺度ではない。

共通の四段階を使う。段階0は説明を受けても成果物を作れない、段階1は支援を受けて標準例を処理できる、段階2は未見の例外で根拠を説明し適切に相談できる、段階3は他者が再現できる仕組みを作り、異なる条件へ移せる。ただし一つの総合点へ圧縮しない。職務に不可欠な能力の欠落を、別の高得点で相殺できない場合がある。

評価は複数回、複数の課題、複数の評価者で行い、採点者の一致と仕事の成果との関係を確かめる。障害や言語、家庭の事情による不利を技能不足と混同しないよう、合理的な配慮と異議申立ての経路を設ける。会話ログや表情から内面を推定して自動的に採否を決める用途にはしない。

学ぶ順序は、ツールの名前より依存関係で決める

第一層は読み書き、数的理解、対象領域の基礎、情報の出所を扱う力。第二層はAIと協働して成果物を作る力。第三層は失敗を検証し、境界を調整する力。第四層は他者と制度を接続する力である。基礎を飛ばして高度な操作を覚えると、見栄えの良い誤りを速く作れるようになるだけの場合がある。

同時に、全員へ統計学やプログラミングの深い専門性を要求してはならない。現場で必要な判断、相談すべき場面、専門家へ渡す情報を定義する。専門性の深さと連携能力は補完関係にある。OECDの技能整理はこの方向の背景となるが、本稿の四層や八技能を公式に支持するものではない。[S18]

特集7｜人的資本経営を「研修の量」から「戦略を実行できる能力」へ

経済産業省の2026年公表資料は、改訂された人的資本可視化指針について、経営戦略と人材戦略の連動や人的投資の質に焦点を当てる。本特集はその方向を参照するが、以下の指標は独自提案であり、法定の開示様式でも適合認証でもない。[S21]

取締役会へ出すべき中心の問いは、「何人がAI研修を受けたか」だけではない。「今後の事業を実行するため、どの能力がどこで不足し、誰が学ぶ機会を持ち、投資で何が改善し、どんなリスクが残るか」である。人的資本を単なる費用削減の対象とすると、短期の生産性を高めながら長期の技能供給を壊す可能性がある。

能力台帳の最小仕様

台帳の一行は人物評価ではなく、業務と能力の対応とする。記録項目は、業務ID、顧客成果、責任者、利用するAIと版、入力条件、受入条件、必要技能、委任範囲、技能の実証日、未検証条件、代替担当、復旧手順、学習機会、見直し日である。個人の健康、家庭、思想などの不要な情報は入れない。個人に関する評価はアクセスを制限し、本人による確認と訂正の経路を持つ。

人材ポートフォリオは「AI人材何人」という区分から、事業の重要業務を遂行できる能力、移行中の能力、特定の人や供給者に依存する能力へ分ける。人を固定的な能力ラベルへ閉じ込めるのでなく、学習と環境整備によって状態が変わる台帳にする。

1,000人の企業で始める場合の、人数を先に決めない設計

以下は規模のイメージであり実在企業の計画ではない。最初の30日は、人員削減目標を置く前に、顧客価値とリスクが異なる三つの業務を選ぶ。各業務で実行担当、対象領域の熟練者、品質・権限の担当、人材開発の担当を兼務で組み合わせる。新しい肩書を作ることより、現状の仕事量、待ち、再作業、技能形成の経路を測ることを優先する。

90日で、比較可能な案件について品質、総工数、利用者負担、例外処理を評価する。必要な標本数は期待効果とばらつきに基づき設計し、「30件試したから十分」としない。段階導入や比較群を使えるなら導入するが、難易度や担当者の違いを記録する。事故や重大な権限逸脱が生じた場合の停止・復旧は、平均の効果が良くても別に判定する。

180日で、良好な結果を別チームへ移せるか検査する。最初の熟練者だけが成功したなら、能力が組織へ移ったとは言えない。365日で、成果が持続し、学習機会と雇用移行に悪化がなく、運用費が見合う場合に採用・配置・予算へ反映する。成功しなかった案の終了も、事前に定めた条件に従う限り学習の成果とする。

特集8｜政府・人材会社・大学が今から実施できる六つの実証

政策1．職種名ではなく、職務の変化を追う観測網

求人の肩書だけでは新需要を捉えられない。仕事内容、成果物、権限、必要技能、報酬の構造、発注側の予算を、企業と労働者の双方から調べる。公的統計へ即座に新職分類を作るのではなく、既存分類との対応を残した試験的な職務コードを用意する。大手人材会社は、自社の登録者だけに偏る観測範囲を明示し、地域や非正規雇用の不足を補う。

政策2．新人の経験不足を防ぐ、実務学習の共同基盤

企業ごとに高価な教材を作る代わりに、業界で匿名化した失敗事例や模擬業務を共同整備する。個人情報や営業秘密を含む実データをそのまま公開しない。学校での試験点だけでなく、未見の課題への転移と相談の適切さを評価する。参加しない企業との比較は選択バイアスを持つため、導入時期や対象の差を含めて検証する。

政策3．中小企業が共同で使える検証・復旧サービス

大企業は専任職を置けても、小規模事業者には難しい。委任境界、来歴、復旧を共同サービスとして提供し、利用企業が成果物を持ち運べるようにする。委託先が監査も導入販売も行う場合は利益相反を管理する。成果指標は相談件数ではなく、実際に検証できた業務、再作業の低下、復旧演習の結果とする。

政策4．持ち運べる技能証明と、本人の訂正権

学位や資格に加え、どんな条件で何ができたかを本人が提示できる記録を試す。ただし、全行動を記録する労働者監視基盤にしてはならない。記録は目的を限定し、本人が確認でき、誤りを訂正でき、提出しないことが一律の不利益にならない設計を検討する。証明の形式だけを標準化しても、評価の信頼性は保証されないため、採点と実務成果の関係を検証する。

政策5．移行支援を、研修提供と受入仕事の両側から設計する

学べば仕事があるという前提を置かない。雇用側が提供する実務枠、本人の生活制約、移行期の所得、受講後の支援を接続する。配置された人数だけを報酬基準にすると短期の不適合な就職が増える恐れがある。本人の希望、継続、所得、生活負担を別々に追跡し、支援を必要とする人ほど取り残されないか確認する。

政策6．人材投資を複数の未来で点検する公開演習

急速なAI進歩、能力の伸び鈍化、供給障害、地域ごとの導入格差を使って教育・雇用政策を検査する。一つの未来を国の確定予測として固定しない。各シナリオで、必要になる技能、失われる学習機会、財政と受入能力を比較する。結果は予言の成否だけでなく、変化の兆候を早く見つけて政策を修正できたかで評価する。[S20]

特集9｜予測を撤回できる人材戦略――観測と反証の台帳

未来の職業を語る記事には、言い切った方が注目されるという弱点がある。本特集は、役割が生まれない条件を同じ大きさで扱う。年が来たから予測を正しかったことにせず、当初の想定、観測できた職務、予算、継続性を区別する。

予測の観測は、名称の出現数より実務の内容を重視する。広告や一時的な実証は、安定した職業市場の証拠として弱い。複数の独立した事例、契約の継続、誰が払うか、期待された成果と実績の差を確認する。求人データを使う場合は、重複、紹介会社の転載、募集の未充足を区別し、求人数をそのまま就業者数と扱わない。

更新のたびに、支持情報だけを追加すると物語は強くなるが予測は弱くなる。反証、撤回、対象範囲の縮小も更新履歴へ残す。2030年代の職務が2028年に現れても時間窓の読みを修正し、2040年代の役割が成立しなければ社会の遅れと決めつけず、需要と制度の仮定を再点検する。

最も大きな独自仮説――人材戦略は「雇う能力」から「能力が育ち、移り、戻れる社会」を作る仕事になる

AIで個人の出力が大きくなっても、組織の能力は単純にその合計にならない。委任できる範囲、根拠を共有できる範囲、失敗から戻れる範囲、次の人が学べる範囲が上限を作る。採用競争に勝つだけでは、技能を育てる経路や地域の受入能力の不足を埋められない場合がある。

ここから導かれるのは、人材部門がすべてを管理する未来ではない。人材、事業、技術、労働者、教育機関が、能力の形成と移転を共同で設計する未来である。人はモデルの補助部品として配置される対象ではなく、何を委ね、何に参加し、どの能力を育てるかを選ぶ主体となる。この方向が自動的に実現するという予測ではない。現在の制度と投資によって近づけることのできる、明示的な未来像である。

明日からできる最初の一歩は、自社の重要業務を一つ選び、八つの質問を書くことだ。誰の成果か。何をもって完了か。何をAIへ任せるか。何を確かめるか。誰が停止できるか。どう復旧するか。次の担当者はどこで学ぶか。便益と負担は誰に届くか。この八つに答えられる職務設計は、超高速のAI進歩でも、進歩の鈍化でも価値を持ちうる。

出典と確認範囲

初回確認日：2026年11月7日。11月8日（日本時間）の再点検範囲は更新履歴に記載。以下は参照資料。将来の予測・試算・概念図は本稿独自の分析であり、出典機関の公式見解ではありません。

1. S1 · Ajeya Cotra｜AI is dramatically accelerating AI research right now

   2026-11-06。分析対象。本文はユーザー提供全文も参照。

2. S2 · METR｜Independent Assessment of AI R&D Acceleration at Anthropic

   2026-11-05。公開版。非公開証拠の独立検証は不可。

3. S3 · Anthropic｜Measurements for understanding the pace of AI development

   2026年8月時点の社内測定。自己報告主体の公開資料。

4. S4 · Anthropic｜Responsible Scaling Policy

   更新履歴を確認。過去版・S1原本の全面照合は未実施。

5. S5 · METR｜Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity

   2025年の無作為実験。対象・使用モデルを限定して解釈。

6. S6 · METR｜We are Changing our Developer Productivity Experiment Design

   2026-02-24。追跡測定の選択バイアス等を説明。

7. S7 · Brynjolfsson, Li & Raymond｜Generative AI at Work

   QJE 140(2), 2025。平均15％は時間当たり解決件数。

8. S8 · IEA｜Key Questions on Energy and AI — Executive summary

   2026年版。485TWhは2025年推計、950TWhは2030年予測。

9. S9 · Epoch AI｜Algorithmic progress in language models

   2012〜2023年の評価を用いた過去の分析。

10. S10 · OpenAI｜The Hugging Face incident and the road ahead

    2026-08-26。主体・経緯の混同を避けるため参照。

11. S11 · Anthropic｜Investigating three real-world incidents in our cybersecurity evaluations

    2026-07-30。評価環境から実環境へ到達した事例の説明。

12. S12 · NIST｜AI 600-1: Generative Artificial Intelligence Profile

    2024-07-26。組織的リスク管理の参照。

13. S13 · Brynjolfsson, Rock & Syverson｜The Productivity J-Curve

    補完的な無形投資の理論。確認範囲は公開要旨。

14. S14 · West et al.｜Major evolutionary transitions in individuality

    2015。協力・分業・対立管理。確認範囲は公開要旨。AIへの適用は本稿の類推。

15. S15 · Mellers et al.｜The psychology of intelligence analysis

    2015。予測精度の関連要因。確認範囲は公開要旨。

16. S16 · Bloom, Jones, Van Reenen & Webb｜Are Ideas Getting Harder to Find?

    研究努力と生産性。確認範囲は公開要旨。

17. S17 · ILO｜Generative AI and Jobs: A Refined Global Index of Occupational Exposure

    2025-05-20。公開要旨を確認。職業曝露と雇用喪失を区別。

18. S18 · OECD｜AI and skills: What we know so far

    2026-06-05。Key messages等を確認。研修と成果の関連を一律の因果効果と扱わない。

19. S19 · Autor et al.｜New Frontiers: The Origins and Content of New Work, 1940–2018

    QJE 139(3), 2024。公開要旨・研究紹介を確認。米国の歴史分析であり2050年予測ではない。

20. S20 · OECD｜Strategic Foresight Toolkit for Resilient Public Policy

    2025。公開概要・方法論の要約を確認。複数シナリオによる戦略点検を参照。

21. S21 · 経済産業省｜人的資本可視化指針の改訂について

    2026-03-23。検索で取得した公式公表文を確認。直接取得は403。法的適合性の評価は行っていない。

22. S22 · METR｜Review of the Risks from automated R&D section in Anthropic’s Risk Report (August 2026)

    2026-11-05公表、評価対象は7月15日までのモデル。11月8日確認。S2と同じ担当者・評価活動であり独立追試ではない。