普通のエンジニア、英雄的な発明家ではない

1980年代、日本は半導体、家電、コンピュータハードウェアで世界をリードし、これらの産業が次の経済大国を決めると誰もが考えた。しかし日本はこれらの分野で勝利したものの、その後の情報革命で米国を追い越すことはできなかった。ジョージ・ワシントン大学の政治学者ジェフ・ディンは著書『テクノロジーと大国の台頭』で、第一次・第二次産業革命と情報革命の歴史を振り返り、誰が勝ち誰が負けるのかを説明している。彼の理論は国家だけでなく企業にも当てはまり、現在のAIの軌跡にも大いに当てはまる。

ディンは、技術革命が経済力をどう再編するかについて二つの理論を対比する。従来の理論は「リーディングセクターモデル」と呼ばれる。新しい技術が鉄鋼、鉄道、自動車、半導体といった急成長産業を生み出し、その分野で発明を主導した国が独占的利益と経済的連関を獲得するというものだ。この論理に従えば、リーディングセクターで勝てば時代に勝つことになる。これは今日のAI産業とその周辺の国家戦略の明らかな仮説であり、最大かつ最高のモデルを持つ企業や国が勝ち、他の追随を許さないという考え方だ。

ディンは「普及理論」という別の説明を提示する。蒸気機関、電気、コンピュータといった汎用技術は単一産業に莫大な利益と生産性向上をもたらすだけでなく、経済全体に広がっていく。国家の経済的リーダーシップは新しいセクターを発明することからではなく、ライバルよりも速く広く汎用技術を普及させることから生まれる。これには数十年を要する。勝利は技術を広範な普通の生産作業に最もうまく埋め込んだ者に与えられる。これが米国が日本に追い越されずにリードを維持した方法である。

普及を可能にする大きな要素は、ディンが「スキルインフラ」と呼ぶものであり、技術を実際に扱える人々のプールを広げる教育・訓練システムである。広範な採用を優先する場合、重要なのは大規模にエンジニアリングスキルを育成し、ベストプラクティスを標準化し、研究と産業を結びつける制度である。ディンはこう書いている：「GPT普及理論はGPTスキルインフラの重要性を強調する。GPTに関連するエンジニアリングスキルと知識のプールを広げる教育・訓練システム。GPTの広範な採用を優先する場合、重要なのは英雄的な発明家ではなく、普通のエンジニアである。」これはまさに現在のAIの物語とは異なる。誰もがラボ、フロンティアモデル、有名研究者に注目している。そしてその注目が企業戦略を形作る。多くの企業ではAI戦略が調達決定となっている：どのモデル、ベンダー、フラッグシップツールを選ぶべきか。あるいはラボを立ち上げ、印象的なデモを構築し、有名な開発者を雇うというムーンショットである。どちらのアプローチもAIを獲得すべきセクターとして扱っている。ディンの主張は、ブレークスルーセクター自体が国家権力の長期的価値が存在する場所ではないということであり、企業の成功にも同じことが当てはまると私は信じている。価値は技術が現在雇用している人々の仕事にどれだけ広く、どれだけうまく埋め込まれるかにある。金融、サポート、法務、営業、オペレーションといったあらゆる地味なプロセスに、そして製品やエンジニアリングにもAIを活用する企業は、競合他社を凌駕し、自社の業界を前進させる。

普及には時間がかかる。それは組織の問題であり、技術の問題ではないからだ。ポール・デイビッドは1990年の有名な論文で、工場が最初に電化したとき、蒸気機関の代わりに巨大な電動機を取り付け、同じシャフトとベルトのシステムを維持したため、生産性はほとんど向上しなかったことを示した。利益は数十年後、新しい世代の起業家、工場設計者、電気技術者が、電気が実際に可能にしたことに基づいて工場を再設計し、多くの小型モーターがそれぞれの機械を駆動し、作業の流れに合わせて工場のレイアウトを変更したときに初めて現れた。この歴史的類似性は、未来がますます大きくスマートな集中型AIモデルではなく、何百万もの専門タスクに適したサイズの分散型AIネットワークになる可能性を示唆している。しかし、技術を専門タスクに適合させることだけが話のすべてではない。その周りで仕事を再編成するノウハウは、一人ひとり、一工場ずつ積み上げられていかなければならなかった。新しい技術を適用する方法に関するこの漸進的でボトムアップの知識の成長は、私の好きな本の一つ、ジェームズ・ベッセンの『Learning by Doing』のポイントでもあり、アーサー・ハーマンの『Freedom's Forge』の重要なメッセージでもある。

これはまさに現在のエンタープライズAIの全体像である。最新かつ最大のモデルは広く利用可能である。発展に時間がかかるのは、その周りで仕事を再設計する組織的ノウハウである。そのノウハウのほとんどはモデルを訓練したラボには存在せず、普通の実践者の中にあり、デイビッド、ベッセン、ディンが記述したように、人々が自分たちの業界や仕事の具体的な文脈で技術が何に適しているかを理解するにつれて、一人ひとり、チームごとに蓄積される。

企業レベルでのスキルインフラとは、社内のスキル普及と学習の複利化のための仕組みである。大多数のエンタープライズAI変革プログラムの問題は、AIを教えるべき科目として扱い、構築すべき能力として扱っていないことだ。トレーニングは一部だが、一部に過ぎない。より難しいのは、AIをビジネスの実際の問題に適用し、その後それぞれの新しい発見を捉えて組織全体が使えるものに変え、学習が何千ものプライベートワークフローに隠れるのではなく複利化されるようにするメカニズムのセットである。『私たちが知るプログラミングの終焉』で、私はAIが現在構築している人々を置き換えるのではなく、誰が構築できるかを拡大すると主張した。これは、企業の最良の応用研究開発の源は、現在雇用している人々の日常的な実験であることを意味する。その実験を見える化し、共有可能にし、報われるようにすることが仕事である。これはまた、O'ReillyのエンタープライズAI変革プログラムに組み込んでいるフレームワークでもある。

私たちは効果的なAI変革に関するアイデアを、ウォートン・スクールの教授イーサン・モリックとAIセキュリティ企業Trail of BitsのCEOダン・ギドから部分的に得ている。モリックはエンタープライズ変革には三つの要素が必要だと提案する：自らAIに取り組むことで良い例を示すリーダーシップ、個人の発見を全員が使えるツールに変えるラボ、そしてほとんどの応用的発見が実際に起こる日常業務を行う「群衆」である。ギドはさらに、ツールチェーンの標準化、ルールの明文化、能力ラダーの構築など、AI変革戦略に多くの要素を追加する。彼は強調する：「AIは機能する。ほとんどの企業は間違った使い方をしている。彼らはシステムを変えずに人々にツールを与えている。それがAIアシストとAIネイティブのギャップだ。一方はツールであり、もう一方はオペレーティングシステムである。」この「オペレーティングシステム」を構築するためには、標準化、明確なポリシー、能力の段階的向上が不可欠である。これらが現在、企業がAIを効果的に採用するために必要な実践である。