AIと共存するには、スキルセットではなくマインドセットに焦点を当てよ

最近、ある上級銀行家から次のような質問を受けました。「AIが急速に能力を高める中、私の仕事のうち、AIが決して代替できない10%に集中すべきでしょうか？」これは多くの専門家の不安を反映しています。過去数年間で、AIは単純なタスクには優れ、複雑なタスクには苦手だった状態から、単純タスクには秀で、複雑タスクにもかなり対応できるようになりました。OpenAIのベンチマークGDPvalによれば、最先端モデルに基づくAIエージェントは80%のケースで人間と同等かそれ以上のパフォーマンスを示し、6ヶ月前の50%から上昇しました。この傾向は、企業と労働者双方に明らかな問題を提起します。すなわち、私たちがキャリアを通じて培ってきた多くのスキルが、近い将来AIエージェントによって実行される可能性があるということです。

不確実性の中、人々は慣れ親しんだ安全な領域を求め、最も信頼する習慣に固執するのが自然です。しかし、私のアドバイスはこうです。その10%を手放しなさい。古い習慣を捨てる勇気を持ち、職業的に再生し、新しい100%を受け入れなさい。たとえそれが過去に学んだこととまったく異なっていても。職業によって影響の受け方や時期は異なりますが、GDPvalレポートで最も影響を受けやすいと特定された職業（開発者、弁護士、不動産管理者など）に従事している場合、適応方法は喫緊の課題です。好奇心を持ち、オープンマインドで、最も成功した職業習慣さえも手放す意志を持ちながら、変わらない人間の資質（直感、判断力、価値観）にしがみつくことが重要です。

過去1年で、生成AIはGoogle検索と同様にユーザーの時間を節約するチャットボットから、人間の推論を模倣し、計画を立案し、行動を起こす技術へと進化しました。現在では、人間の介入を最小限に抑えてタスクをAIエージェントに委任することが可能になりつつあります。企業環境では、これらのエージェントは人間との相互作用や内部評価ベンチマークからのフィードバックを通じて改善します。この進化には、人間ユーザーのマインドセットの転換が必要です。エージェントを信頼し、いつ制御を放棄するかを選択的に学び、オペレーターから監督者へと移行することが求められます。根本的には、自身の習慣を深く見直す必要があります。

銀行家へのアドバイスは、ピッチデッキのすべての行を直接作成するなど、すべてのステップを直接制御したいという衝動を手放すことでした。彼の新しいタスクは、エージェントが目標に向かって効果的に機能するよう明確な指示を提供し、適切な管理が体系的かつ一貫して適用されるようにすることです。個人貢献者から監督者兼メンターへ。これが新しい100%です。

異なる視点から考えてみましょう。馬に乗る経験豊富なライダーが車の運転を学ぶ場合、馬術のスキルのうち、運転を習得するために保持すべき10%は何でしょうか？おそらく何もありません。優れたドライバーになるために適応すべき100%のスキルは何か？反射神経と直感です。銀行家は顧客から複雑な質問を受けることに慣れています。例えば、「最近発表された関税が私のポートフォリオの企業にどのような影響を与え、このリスクをどのようにヘッジすべきか？」といった質問です。意味のある回答には、情報収集、検証、戦略立案、顧客との議論が必要で、質問から数時間または数日後（t+1またはt+2）に行われます。将来、エージェントがバックグラウンドで働くことで、顧客が質問する前（t-1）に回答できるかもしれません。銀行家の付加価値は、提案をレビューし、判断を下し、チームやエージェントと議論し、顧客が連絡してくる前に電話をかけることです。これは、経験豊富なドライバーが悪天候の山道をトラクションコントロールとアシストブレーキを駆使して進むようなものです。

新たな課題は、単に最適化するだけでなく、役割や会社を再考することです。スキルを再習得するだけでなく、スキルを再想像し、新しい習慣を構築しましょう。エージェントと人間のハイブリッドな労働力を新たな標準と捉え、この前提に基づいて会社を再編成しましょう。これにはいくつかの基本的な要素が必要です。

リーダーシップ：古い習慣を手放すことは自然には起こりません。強力なリーダーシップと、変革に対して人々に責任を負わせるトップダウンのアプローチが必要です。これは最も困難な課題です。AIを適用して古いプロセスを効率化し、同じことをより速く行うことは一時的な救済をもたらしますが、長期的には目標を大きく外すことになります。実践的には、このような大規模な変革管理には、最高レベルのリーダーが、働き方の抜本的な変革なしには不可能なレベルの変革にコミットすることが必要です。開発者の習慣を変えたいなら、20%の生産性向上ではなく、3倍の生産性向上を求めましょう。面接でのAIカンニングを防ぎたいなら、AIの熟達なしには実行できないほど難しいタスクを出しましょう。例えば、3時間でExcelの動作クローンを作成するなど。調達から支払いまでのプロセスを効率化したいなら、タッチポイントの20%削減ではなく、90%削減を目指しましょう。たとえ途中までしか達成できなくても、チームが少なくとも最適化ではなく抜本的な再考のプロセスを経たことがわかります。

目標と成果の明確化：何が良い状態かを知らなければ、人間もAIも成功への正しいステップを踏めません。評価とベンチマークにこだわる必要があります。ほとんどの企業はタスクを一連のステップバイステップのアクションと見なし、標準運用手順に体系化し、その上に管理を重ねます。現実には、組織のプロセスと意思決定は「ゴミ箱問題」のように、混沌としており、偶然的で非線形です。ゴールドマン・サックスでは、クライアントのオンボーディングのような長年にわたる全社的なプロセスにAIを適用する際、まず何が良い状態かを定義することに集中し、プロセス品質指標や経験豊富なオペレーターの意思決定から学び、エージェントAIの出力を望ましい成果と比較する評価セットを作成しました。適切なフィードバックループを導入することで、AIは出力が目標に一致するまで自己改善します。これは、地図アプリに「橋を避けて最速ルートで目的地に案内して」と指示し、左折や右折の回数を指定せず、旅行終了時にフィードバックを提供するのと同じです。段階的な厳格なルールベースのプロセス実行から、人間がループ内で監督する、結果ベースのエージェントシステムへ。

自社データの掌握：エージェントはコンテキストなしでは機能できず、チャットボットに戻ります。データはコンテキストの生命線であり、組織の真実の地図です。この真実がなければ、明確な方向性はありません。私の経験では、AIの変革はデータの変革に従います。逆ではありません。多くの企業では、データが散在し、複数の無相関なオントロジー（図書館で本が著者別、主題別、ISBN番号別に混在しているような状態）にマッピングされ、重複しており、古くなっています。AIには究極の「ゴミを入れればゴミが出る」問題があり、ゴミ出力ももっともらしく見えます。したがって、リーダーはデータが整うまで、大規模なAIプロジェクトの実装を遅らせるべきかもしれません（現在では非常に不人気な概念ですが）。これには数ヶ月から数年かかる可能性があり、データの準備状況は、AI変革のどのユースケースを優先するかの有用なインプットとなります。

これは習慣の変化にどう影響するか？AIの出力を額面通りに受け取る誘惑に抵抗しましょう。出典を確認し、出力を監督・検証するか、今まで自分の作業のみに頼ってきたなら、その方法を学びましょう。エージェントの未来は、全員がある種のマネージャーになることを要求します。それがこのすべての教訓です。個人の変化はさらに困難です。自分の信頼する習慣を手放し、新しい完全な職業的アイデンティティを受け入れる勇気を持つことは、今日働くすべての人にとって最大の課題の一つです。