【AIは若手の仕事を奪うのか、それとも成長の起点を変えるのか】
0
senryakuken

AIによって新人や若手が担ってきた業務を自動化すれば、短期的には生産性が上がり、コストも抑えられます。一方、その仕事が人を育てる場でもあったなら、組織は将来必要となる能力の形成機会を失う。この状態は「能力債務」と呼ばれています。

しかし私は、終身雇用の崩壊とAIの登場は、「若手・新人」という概念そのものを変えると考えています。

これまで若手は、ベテランの仕事を見て、指示を受け、失敗を繰り返しながら、長い時間をかけて暗黙知を身につけてきました。ベテランの価値は、教科書には書かれていない経験知を保有していることにありました。

ところがAIは、その暗黙知のうち、言語化・構造化できる部分を形式知へ変換し、経験の浅い人にも提供します。過去の事例、判断基準、注意点、失敗のパターンを、若手は特定の上司の経験や指導力に依存せずに学べるようになります。

そうであれば、若手が従来と同じ「何も知らない状態」から出発する必要はありません。AIから形式知を効率的に習得し、それをスタート地点として実務に臨む。そこで例外や失敗、予測できない状況に直面し、形式知だけでは処理できない新しい暗黙知を獲得する。その暗黙知を再び言語化し、AIを介して組織の形式知として蓄積する。この循環によって、能力形成は従来より速く、深くなる可能性があります。

もちろん、状況判断、身体感覚、人間関係の機微など、すべての暗黙知をAIが形式知に変えられるわけではありません。だからこそ、人にしか得られない経験を意図的に設計する必要があります。

問題は、新人業務をAIに委ねることではありません。AIで省略した下積みの代わりに、どのような実践機会を用意するかです。単純作業だけを残すのではなく、AIの回答を検証し、例外を考え、意思決定に参加させる。そこに新しい育成の場があります。

これからのベテランの役割も、知識を一方的に教えることから、AIでは捉えきれない判断の揺らぎや失敗の意味を伝えることへ変わります。

AIは若手の成長機会を奪うとは限りません。奪うのは、従来の育成経路をなくしたまま、新しい経路を設計しない組織です。問うべきなのは「どの仕事を人に残すか」ではなく、「AIを起点として、どのように次の経験と暗黙知を生み出すか」なのだと思います。

「もっと賢いAI」は、本当に答えなのか？
0
senryakuken

生成AIの競争は、より巨大なモデル、より多くの計算資源、より高度な推論能力へと進んでいます。しかし、医学データの解析において、本当に必要なのは「もっと賢いAI」なのでしょうか。

DSA＋DAGが提示するのは、少し違う考え方です。

「医学データを解析して、因果関係まで全部考えてください」

そもそも、この仕事をLLMに任せること自体が適切なのか。

観察データに未解決の交絡があり、データから因果効果を識別できないのであれば、8Bのモデルを70B、700Bへ巨大化しても、識別不能という事実は変わりません。むしろAIが賢くなるほど、もっともらしい「答えらしきもの」を生成する危険さえあります。

DSA＋DAGでは、解析と判断をLLMに委ねません。

Data → DSA → DAG → Claim Gate → Governed Result

ここまでは凍結されたPythonによる、AI非依存の処理です。そして、その確定した結果を人間が読める文章に変換する段階で初めてLLMを使います。LLMは分析せず、因果推論せず、結論を決めません。

これは「小さなAIで巨大AIに対抗する」という話でもありません。

その判断をAIにさせる必要があるのか。

ここを問い直しています。

この構造なら、ローカルLLMに求められるのはモデルの巨大さではなく、確定結果を変更しない忠実性、禁止された主張を追加しないこと、再現性、そして文章品質です。条件を満たせるなら、8Bや14Bのモデルでもよい。場合によってはテンプレート生成によって、LLMすら使わない選択肢があります。

現在のAI競争は、「AIに何を考えさせられるか」を拡大する競争です。

DSA＋DAGは逆方向から問いかけます。

「何をAIに考えさせてはならないのか。」

AIが巨大化するほど、この境界線を定義する技術の価値は、むしろ大きくなるのかもしれません。

【AIが速くなるほど、「正しさ」の監査が必要になる】
0
senryakuken

NVIDIAが医療画像解析を500枚／秒まで高速化する——。この進歩によって、画像診断AIの課題は解決へ向かうのでしょうか。

結論は逆です。AIが高速化し、大量の画像を自動処理するほど、DSA＋DAGによる監査の必要性は高まります。

NVIDIAが提供するのは、GPUやCUDAなどを基盤とした圧倒的な「計算能力」です。しかし、500枚を処理できることと、500枚を医学的に正しく理解できることは同じではありません。

全体のAUCが高くても、AIが疾患ではなく撮像装置や施設の違いを学習しているかもしれません。軽症例や稀少病型、特定の年齢・人種が全体平均に埋没している可能性もあります。画像単位の性能を、患者単位の診断能力へ読み替えているかもしれません。

処理速度が500倍になれば、こうした偏りも500倍の速度で再生産され得ます。

DSAは、AUCや感度・特異度という一つの指標へ圧縮される前に、データの分布構造を確認します。「全体として高性能」という評価の背後に、異なる装置、施設、病型、重症度、画質からなる集団が隠れていないかを検証します。

DAGは、画像と診断・転帰の関連が、本当に病態を反映しているのか、それとも交絡、選択、測定過程によって生じたのかを検証します。AIがトリアージや追加検査、治療選択を動かすようになれば、AIの判定自体が、その後に生成される医療データを変えてしまいます。

したがって、監査は開発時の性能確認だけでは足りません。承認・導入前には「性能から臨床的有用性への主張が成立するか」を検証し、導入後には施設、装置、患者構成、撮像条件の変化を継続的に監視する必要があります。

NVIDIAは、500枚／秒で解析できる世界をつくります。

DSA＋DAGは、その500枚／秒の判断を、どの条件まで信用してよいかを明らかにします。

AIの価値の中心は、速度や精度の競争から、「信頼性を継続的に証明できるか」へ移り始めています。高速化は監査を不要にするのではありません。監査すべき判断の量と、その社会的影響を拡大するのです。

「普通のPC＋クラウドAI」がAI民主化の本質
0
senryakuken

AIの民主化というと、「誰でも生成AIを使えるようになったこと」が語られがちです。しかし、本当の変化はもっと深いところにあると思います。

それは、普通のPCしか持たない個人でも、かつて大企業や大学、研究機関にしかなかった知的資源へアクセスできるようになったことです。

これまでの、ディープテックの事業化には高い壁がありました。新しい技術を思いついても、専門家を集め、エンジニアを雇い、計算環境を整え、文献を調査し、プログラムを書き、知財戦略を考え、論文や事業計画を作る必要がありました。アイデアがあっても、実装までたどり着ける人は限られていたのです。

クラウドAIは、この前提を変えてしまいました。

手元にあるのが一般的なノートPCでも、AIと対話しながらコードを書き、アルゴリズムを検討し、シミュレーションを行い、結果を解釈できます。さらに文献調査、特許の論点整理、論文作成、事業計画、プレゼンテーションまで、従来は異なる専門家が担っていた領域を横断できます。

重要なのは、PCそのものが高性能になったことではありません。普通のPCが、クラウド上の巨大な知的・計算資源への入口になったことです。

その結果、変わったのはAI利用が身近になっただけではありません。

ディープテックには「成功するか分からない」という大きな不確実性があります。初期段階から多額の資金や人材を必要とすれば、多くのアイデアは検証される前に消えてしまいます。普通のPC＋クラウドAIは、この最初の検証に必要な固定費を大きく引き下げました。

AIの民主化とは、誰でもAIに質問できることだけではありません。

「組織を持つ者が研究開発する」から、「アイデアを持つ個人が研究開発を始められる」への転換。

次のディープテックは、巨大な研究所ではなく、誰かの普通のノートPCから始まるのかもしれません。

家電AIから考える、ローカルAIの構築
0
senryakuken

最近、ローカルAI環境を構築したいと考え、いろいろと調べています。

機密性の高いデータを扱うため、クラウドにデータを送らず、手元のコンピュータでAIを動かす必要があります。しかし、いざ構築しようとすると簡単ではありません。

どのLLMを使うのか。どの程度のパラメータ数が必要なのか。メモリは何GB必要なのか。GPUはどうするのか。モデルをどう更新するのか。

最近発売されたMacの情報を調べれば調べるほど、ローカルAIとは「自分の手元に小さなChatGPTを作ること」のように思えてきます。

そういえば、家電製品にも「AI搭載」と書いてある。あれは、どんなAIなのでしょう。

エアコン、冷蔵庫、洗濯機、掃除機。いまや多くの家電に「AI」という言葉が使われています。

もちろん、エアコンの中で巨大な生成AIが動いているわけではないでしょう。

考えてみれば、昔はこうした製品に「マイコン搭載」と誇らしげに書かれていました。

その後、「デジタル制御」「インテリジェント」「IoT」、そして今は「AI搭載」。

もちろん単なる名称変更ではありません。従来のプログラムを実行することを基本としていたのに対し、機械学習ではデータから分類や予測の規則を獲得できます。

現在「AI」と呼ばれている機能のすべてが、生成AIのような高度なものではありません。ルールベースの制御、統計モデル、機械学習、センサー処理などを組み合わせたシステムも少なくありません。

そう考えると、ローカルAIに対する見方が少し変わります。

ローカルAIは、巨大なAIをローカルに持ってくることである必要はない。

そもそも家電は、何でもできるAIを必要としていません。

エアコンに小説を書かせる必要はありません。洗濯機に世界史を質問する必要もありません。必要なのは、その製品に求められる限定された仕事について、必要な入力を受け取り、必要な判断を行う能力です。

たとえば、データ処理や数値計算はPythonに任せる。明確に定義できる判定はルールベースで実行する。データベースから必要な情報を検索する。そして、人間の言葉を理解したり、結果を説明したり、文章にまとめたりする部分だけを小型のLLMに担当させる。

つまり、

「すべてをAIにやらせる」のではなく、「AIが必要なところだけAIにやらせる」。

この発想なら、必要な計算資源は大きく変わります。

ローカルAIを考えると、つい「どれだけ大きなモデルを自分のPCで動かせるか」という競争に目が向きます。

しかし、重要なのはAIの大きさではなく、仕事に対して必要十分な知能をどう配置するか。

そう考えれば、パーソナルPCで十分にローカルAIは構築出来そうです。そうなればAIは一部の巨大企業や専門家だけのものではなくなります。

もしかすると、これから面白くなるのは「より巨大なAI」だけではなく、特定の仕事のために設計された、小さく、閉じたAIなのかもしれません。

日本は、いつから「憧れられる側」ではなくなったか
0
senryakuken

私が子供の頃、日本は世界最大のトランジスタ生産国でした。

ソニー、日立、東芝、松下、NEC。日本のメーカーの名前が世界中で知られ、日本製のテレビやラジオ、オーディオ機器は「高品質」の代名詞でした。Made in Japanは、信頼と憧れを意味する言葉へと変わっていきました。

ウォークマンをはじめ、日本から世界の生活を変える製品も生まれました。

ところが、いつからでしょうか。

気がつけば、私自身がAppleの新製品に憧れるようになっていました。仕事ではWindowsを使い、検索はGoogle、買い物はAmazon、SNSはMeta。日常生活のあらゆる場所が、いわゆるGAFAMのサービスに囲まれています。

日本の技術力が突然なくなったわけではありません。

今でも日本には、素材、精密機器、センサー、製造装置、医療機器、ロボティクスなど、世界的な競争力を持つ技術が数多く存在しています。

では、何が変わったのでしょうか。

「世界のイノベーションの勝ち方」が変わったのです。

かつての日本が得意だったのは、優れた技術を取り込み、改良し、高品質にし、小型化し、安定して大量生産することでした。

技術 → 改良 → 製造 → 品質 → 製品

このチェーンを極限まで磨き上げることで、日本は世界を席巻しました。

しかし、デジタル化によって競争の中心が変わりました。

重要になったのは、必ずしも最高品質の「モノ」を作ることだけではありません。

新しい市場をつくり、OSやプラットフォームを押さえ、そこに利用者と企業を集め、データを蓄積し、さらにサービスを成長させていく。

技術 → 市場 → プラットフォーム → データ → エコシステム

という新しいチェーンです。

Appleが作ったのはスマートフォンだけではありません。iPhoneを中心に、OS、アプリ、決済、コンテンツ、クラウドまでをつなぐ「世界」そのものを作りました。

日本は技術を失ったのではなく、優れた技術を持っているだけでは勝てない時代になったにもかかわらず、その技術をつなぎ、価値を増幅させる仕組みを作ることへの転換が遅れたのです。

そして今、AIによって再び競争のルールが変わろうとしています。

日本には、まだ技術があります。現場があります。そして、そこから生まれるデータがあります。

必要なのは、それらを個別に磨き続けることだけではありません。

技術とデータをつなぎ、AIによって知識へ変え、信頼できる意思決定へつなげることです。

かつて日本が「製造と品質」で世界の技術を価値に変えたように、次は「デジタルとAI」で日本の技術をつなぎ直す。

日本がもう一度、世界から憧れられる側に戻れるかどうか。

その勝負は、もう始まっています。

「伝えたいこと」だけでは足りない時代
0
senryakuken

法務省と厚生労働省が、相次いで民間作品とのコラボレーションキャンペーンを取り下げました。

法務省は、更生保護への理解を促すため、過去に非行や犯罪に関わった若者の「生き直し」を描く番組とタイアップしました。しかし、犯罪被害者やその家族から見れば、加害経験が物語として消費され、美化されているように感じられる可能性があります。

厚労省は、AYA世代のがん患者が利用できる支援制度を周知するため、闘病と死を描いた映画を起用しました。しかし、そのポスターが掲示されるのは、実際に治療を受けている患者や家族が訪れる医療機関です。支援制度を知らせるという善意の発信が、受け手に死への恐怖を想起させる結果になりかねません。

いずれも、発信した側の意図だけを見れば理解できます。問題は、「何を伝えたいか」は検討されていても、「誰が、どこで、どのような状況で受け取り、どう感じるか」まで十分に検討されていなかったことです。

作品そのものの価値と、行政機関が特定の目的・場所で使用することの妥当性は別問題です。また、発信者の善意と、受け手に生じる効果も同じではありません。

これは、弊社のDSA＋DAGによる監査の考え方にも通じます。

データ解析では、解析者が示したい結論と、そのデータから実際に主張できる範囲は必ずしも一致しません。相関が確認されたからといって因果関係まで主張できるとは限らず、全体の平均だけを見れば、内部に存在する異質な集団を見落とすこともあります。だからこそ、データの分布構造、対象集団、交絡、選択、適用条件を確認し、その結論まで進んでよいのかを外部から監査する必要があります。

広報も同じです。発信者が伝えたいメッセージだけでなく、受け手の属性、経験、置かれた状況、接触する場所によって、意味も効果も変わります。送り手の意図から「理解が深まる」「支援につながる」と結論づけることは、ある意味では因果的な過剰主張です。

これからの発信に必要なのは、表現を美しく整えることだけではありません。公開前に、誰が傷つく可能性があるのか、どのような誤解が生じるのか、本当に期待する効果につながるのかを検証する「発信前監査」です。

自分が主張する自由と、その主張が受け手に受け入れられることは別です。何を伝えたいかだけでなく、それがどのように届くのかまで考える。今回の取り下げは、発信にもClaim Gateが必要な時代になったことを示しているのだと思います。

そのデータから、そこまで言えるのか？――HPVワクチン研究に見る「結果」と「主張」の距離
0
senryakuken

科学論文を読むとき、数字が正しいかだけでなく、「その数字から、どこまで主張してよいのか」を見ることが重要です。

最近『Vaccine』に掲載された研究では、HPVワクチン未接種の10～19歳を対象に、接種後の有害事象として報告されてきた「多様な症状」の有病率を調べています。

結果は0.15％。つまり重要な発見は、HPVワクチンを接種していない青少年にも、同様の症状が存在するということです。

ここまではデータから直接言えます。

しかし、論文の結論では、この結果が「日本の青少年におけるHPVワクチン接種率の改善を支援し得る」と述べられています。さらにHighlightsでは、ワクチンへの信頼を再構築するための継続的な安全性監視を支持する研究として位置づけられています。

ここには少し注意が必要です。

この研究には、HPVワクチン接種者との比較群がありません。

したがって、

「未接種者にも症状がある」

ことは示せても、

「接種によって症状が増えない」

ことは、この研究だけでは示せません。

仮に未接種者の有病率が0.15％でも、接種者が0.15％なのか、0.10％なのか、0.30％なのかは、このデータからは分からないからです。

つまり、

未接種者にも症状が存在する
→ ワクチンとの因果関係は証明されない

までは合理的です。

しかし、

→ ワクチンの安全性への信頼が高まる
→ 接種率向上を支援する

となると、記述疫学の結果から政策・行動方向へclaimが拡張されています。

もちろん、HPVワクチンが安全か危険かという議論とは別です。

問題にしたいのは、研究デザインが許容する主張の範囲です。

興味深いことに、この研究のタイトル自体は「未接種者における有病率を調べた記述研究」と正確に限定しています。研究目的も未接種者の背景発生率の把握です。

だからこそ、結論部分で政策的含意まで進むと、「データが直接示したこと」と「著者がその結果に与えた意味」を分けて読む必要があります。

これはHPVワクチンに限った話ではありません。

論文には、正しい数字が並んでいても、その数字から導かれる主張が同じ強度で正しいとは限りません。

データは何を示したのか。
そして著者は、そこから何を主張したのか。

この二つの間にある距離を見ること。

科学を読むうえで、本当に必要なのはそこなのではないでしょうか。

推進教育だけが先行すると危うい
0
senryakuken

組織のAI活用を現場でリードし、その効果や活用方法を周囲へ広げる人材を育成する講座が増えています。

AI活用が一部の専門家にとどまっている現状を考えれば、こうした人材は必要です。しかし、AIそのものが急速に変化している過渡期に、推進教育だけが先行することには危うさもあります。

生成AIのモデルや機能は、数か月単位で更新されます。現在のプロンプト技法やRAG、AIエージェントの活用方法が、来年もそのまま通用するとは限りません。それ以上に難しいのは、「組織でAIをどう使えばよいか」という正解自体が、まだ確立していないことです。

成功事例は紹介しやすい一方、期待した効果が得られなかった事例、運用コストが膨らんだ事例、誤った出力が意思決定に入り込んだ事例は、なかなか表に出ません。その状態でAIを広げる人だけを増やせば、利用率や導入件数が目的化し、「使うべきか」を検討する前に「どう使わせるか」が優先される可能性があります。

AIを推進する能力と、AIの出力を評価する能力は別物です。便利な使い方を説明できても、その回答が正しいか、根拠は妥当か、意思決定に利用できるかを判断できるとは限りません。特に医療、研究、経営、人事などでは、一見もっともらしい誤りが重大な結果につながります。

したがって、AI活用を担う人材に必要なのは、伝道者としての熱意だけではありません。業務を分解し、AIに任せられる部分と、人間が判断すべき部分を区別する。出力の検証方法を決める。責任の所在を明確にする。効果を測定し、価値がなければ中止する。こうした能力まで備えて初めて、組織のAI活用をリードできるはずです。

AIを使える人を増やすだけでは不十分です。同時に、AIを疑い、止め、監査できる人を育てなければなりません。

アクセルを踏む人だけを増やし、ブレーキと計器の読み方を教えない教育は、普及の速度を上げても、安全な変革にはつながらないということです。

人間の暗黙知がAIによって再現可能・複製可能なデジタル資産になったとき、それをどう管理するのか？
0
senryakuken

会社で10年働けば、多くのことを「知る」ようになります。

この顧客は価格より納期を重視する。このトラブルなら、まずここを確認する。この条件なら、この説明から始めた方が商談は進みやすい。

こうした知識の多くは、マニュアルには書かれていません。経験を通じて身についた「暗黙知」です。

従来、暗黙知には大きな制約がありました。

人間の頭の中にあるため、そのまま複製できないことです。

優秀な社員が退職すれば、知識も一緒に会社から失われます。逆に転職した本人も、前職で得た経験を利用できますが、頭の中の知識をUSBメモリのように完全な形でコピーして持ち出すことはできません。

ところが、AIはこの前提を変えます。

社員が日常的にAIへ相談し、顧客対応、失敗、成功、判断理由、業務上の工夫などを蓄積していけば、これまで本人の頭の中にしかなかった知識の一部が外部化されます。

「この場合はどうする？」

と尋ねれば、過去の経験を踏まえた回答を再現できる。さらに、それがデジタル情報として保存されていれば、検索、複製、移転も可能になります。

ここで重要なのは、「AIが知っていることは誰のものか」という抽象的な所有論ではありません。

人間の暗黙知が、再現可能・複製可能・移転可能なデジタル資産へ変わることです。

これは企業にとって大きな機会です。

ベテラン社員の退職とともに消えていたノウハウを組織に残せる。担当者によって異なっていた判断を共有できる。新人が何年もかけて身につけていた知識に短期間でアクセスできるかもしれません。

一方で、これまで存在しなかったリスクも生まれます。

社員が退職するとき、そのAIは誰が使い続けるのか。個人AIなら持ち出してよいのか。そこに顧客情報や営業秘密が含まれていたらどうするのか。

必要なのは「AIの知識は会社か個人か」という二択ではないでしょう。

何がAIに外部化されたのか。どこに保存されているのか。どこまで再現できるのか。誰が複製・移転・利用できるのか。

これを管理する仕組みです。

AIが変えるのは、人間が知識を持つことではありません。

これまで人間の頭から簡単には取り出せなかった「知っている」が、持ち運べる資産になることです。

AI時代の知識管理は、そこから考える必要があるのではないでしょうか。