AIネイティブは仕事の再設計から始まる

AIネイティブであることは、AIの専門用語に詳しいことでも、より多くのTokenを使うことでも、あらゆるWorkflowにAgentを加えることでもない。

AIによって変わったコストと制約を見極め、それに合わせて仕事を組み直すことだ。目指すのはAIを多用することではない。結果に責任を持ちながら、よりよい成果を生み出すことである。

実際に必要な成果から考える

データ分析は、実際に何をもたらすのか。SQLやDashboard、Modelではない。何を修正し、誰に届け、どこに投資し、いつ中止するかという、よりよい意思決定だ。

AIで分析が10倍速くなっても、次に何をすべきか誰にもわからなければ、中間工程を速めただけである。AIは明確さを増幅する一方、混乱も増幅する。

多くのBest Practiceは、過去のコストを反映している。Codeが高価だったから再利用し、すべてを観察するのが高価だったからSampleを取り、実行が高価だったから引き継ぎを増やした。そのコストが変わったなら、それを前提にしたProcessも見直す必要がある。

だからAIネイティブな仕事は、Toolではなく問いから始まる。

現在の能力とコストを踏まえると、この仕事を進める最善の方法は何か。

専門家は古い制約を手放さなければならない

初心者は何が有効かを知らない。専門家は、以前は何が有効だったかを知りすぎていることがある。

経験には、長く通用する判断力と、過去の制約から生まれた習慣が混在している。AIネイティブな専門家は両者を切り分ける。品質とRiskへの理解は保ちながら、前提だった制約が消えた習慣を見直す。

それは簡単ではない。使い捨てのCodeより再利用可能なCodeのほうがよく聞こえる。Agentに経路を選ばせるより、Processをすべて定めるほうが安全に思える。自動Checkより自分で確認するほうが責任ある態度に見える。どの直感にも知恵はあるが、何のRiskを抑えるためのものかを見極める必要がある。

Codeを使い捨てられるとき

あるEngineerが、大規模なLabel付きDatasetの修正を検証するとする。従来なら、何時間もかけて確認Toolを作るか、一部だけを調べて確度の低下を受け入れるしかなかった。

AIは第三の選択肢を生む。Agentに、データの比較、絞り込み、検索ができる小さなSiteを作らせる。Engineerは分布全体を確認し、問題のあるCategoryを特定したら、Siteを捨てられる。

Codeが安く、判断の誤りが高くつくなら、使い捨てのSoftwareは合理的になり得る。残すべきなのはCodeではなく、よりよい判断である。

ただし、金銭、Identity、権限、長期的なBusiness Ruleを扱うSoftwareには当てはまらない。CodeにはInfrastructureもあれば、一時的な道具もある。長く使えることが、常に正しい価値基準とは限らない。

Processの確実性から成果の確実性へ

責任を持つために、常にすべての工程を管理する必要があるとは限らない。

自動翻訳を考えてみよう。従来のWorkflowでは、文書の分割と結合、用語の統一、欠落の検出、失敗時の再試行、中断したJobの再開を行う。失敗のたびにRuleが増え、やがて翻訳品質の改善よりOrchestrationの保守に時間を取られる。

Agentic Runtimeでは、AgentがFileをもとに作業し、出力を確認し、誤りを直して再試行できる。人が「完了」の条件を定め、Scriptが書式、用語、欠落を検証する。

重要なのは、何によって確実性を得るかである。

従来のSoftwareは、しばしばProcessの確実性を求める。すべての分岐を事前に設計し、信頼できる結果を目指す。

Agenticな仕事では、成果の確実性を求められる。経路は変わっても、結果は明確な基準を満たし、その証拠を示さなければならない。

Security、権限、支出、取り消せない操作には、引き続き厳格な制御が要る。それ以外では、目標、境界、評価、Feedbackに管理の重点を移せる。合格基準が明確なら、柔軟なProcessでも責任を保てる。

AIを管理することは昇進に似ている

専門家はしばしば、初めてManagerになった人のようにAIを使う。未熟な仕事を見ると自分で引き取り、自らがBottleneckになる。

AIを有効に使うには、役割を変える必要がある。

すべての成果を自分で作る役割から、よい成果を繰り返し生み出せる仕組みを作る役割へ移る。

品質管理も出力に合わせて拡張しなければならない。同じ作業を人が繰り返すのではなく、Test、不変条件のCheck、Sourceとの比較、Riskに応じたReviewなど、独立した証拠を探す。人の注意はArchitecture、Riskの高い判断、例外に向ける。

委任の方法も変わる。弱い指示は手順を並べる。強い指示は成果、Context、境界、完了に必要な証拠を定める。Agentには作業の余地を与え、成果が有用で安全かどうかは専門家が責任を持つ。

判断力が希少資源になる

実行が安くなるほど、何を実行するかが重要になる。

AIは、人が確認できる量を超えて成果物を生み出せる。どんな意思決定に使うのかが明確でなければ、生成が安くなっても、もっともらしい成果物が積み上がるだけだ。

希少資源になるのは判断力である。問題を定義し、重要な制約を見極め、信頼できる評価を設計し、証拠が十分かを判断する力だ。AIは、よい判断の価値と、悪い判断を大規模に適用するコストの両方を高める。

本当の判断基準

使っているToolだけで、その人がAIネイティブかどうかを判断してはいけない。その人が組み直した仕事を見るべきだ。

• その仕事が生み出すべき成果を理解していたか。
• 消えた制約を補うために残っていた古いProcessを見つけたか。
• 中間成果物を速く作るだけでなく、判断の質を高めるためにAIを使ったか。
• 新しい方法が優れていると示す、信頼できる証拠を得たか。
• Systemが失敗したときや証拠が不十分なときも、責任を持ち続けたか。

初心者は判断力を育てなければならない。専門家は、判断力と受け継いだ習慣を切り分けなければならない。誰もが、何を残し、何を手放し、新しい制約のもとで仕事をどう組み直すかを知る必要がある。

AIを導入するたびに、上の五つの問いで一度振り返ればよい。変化がツールと生産速度にしか現れていないなら、仕事の方法はまだ組み直されていない。制約、証拠、責任の配分まで変わったとき、AIは初めて仕事の設計に入ったと言える。