eiji1206

FXと情報商材で860万円を献上
それから原因を徹底的に言語化
最終的にたどり着いた答えは情報の見方を変えるだけだった
ハウスクリーニング10年×AIプランナー×本質思考で未来を切り開く

[チャエン | デジライズ CEO《重要AIニュースを毎日最速で発信⚡️》 @masahirochaen]

【動画解説】AI時代の「集客できるLP」の作り方

Claude Codeに2時間で作らせたLPが、SEO検索1位・問い合わせ100件超・初月受注3,000万円につながった実話です。

ブログの自動更新だけではなく、問い合わせ後に離脱させず、面談・受注までつなげる運用フローこそが肝。

正直あまり知られたくない内容ですが、これを見れば私が作っているAI時代のLP設計がわかると思います。ぜひ勉強してください🔥

※この動画編集も全てClaude Codeで行っております。

■この動画で学べること
・Claude CodeでLP骨格を2時間で作る方法
・SEO1位を狙う表示速度と構造化データ
・AIブログ自動化と検索順位改善の仕組み
・無料診断から面談予約までの自動導線
・問い合わせ通知をSlackへ連携する方法
・案件ファネルを可視化する営業管理術
・AIで70ページの資料と動画 を作る方法

■タイムスタンプ
00:00 AI LPで初月3,000万円
01:04 実際に作ったLPを公開
03:58 SEO検索1位を作る土台
05:47 ブログ運用を完全自動化
06:40 離脱を防ぐ導線設計
07:36 診断から面談予約を自動化
09:22 資料制作と成果データ
11:06 スキル導入と運用コスト

■動画
https://t.co/FXa5b9htQA

■解説note
https://t.co/gOdT1sPe1X

[NetFuture168 @ejtky1206]

【仕事が「作業」から「定義」へ。AIエージェント時代に生き残るための3つの新スキル】

「AIを指揮する側に回れ」という話の、本当に難しい部分
「プロンプトの時代は終わった。これからはAIを指揮するオーケストレーターになれ」。
この手の話、最近よく見かけると思います。
ただ、語られ方が雑なことが多いので、数字を置き直すところから始めます。

■まず、数字を正確に置く

「AIエージェントの企業導入率が40%に急増する」という話には、元ネタがあります。
調査会社ガートナーが2025年8月に出した予測で、原文はこうです。
「2026年末までに、企業向けアプリケーションの40%がタスク特化型のAIエージェントを組み込む。2025年時点では5%未満」。
企業の4割がAIエージェントを使いこなすという意味ではなく、ソフトウェアにエージェント機能が載るという話です。
似てるようで、だいぶ違う。
それと、同じガートナーがもう一つ予測を出しています。
「エージェントAIプロジェクトの4割以上が、コスト増や価値の不明確さを理由に、2027年末までに中止される」。
推進側の予測と、失敗側の予測。
両方並べて、初めて全体像です。
どちらも予測であって事実ではない、というのも添えておきます。
要するに、波が来てるのは本当で、ただし乗った船の半分近くは沈むかもしれない、というのが正確な現在地です。

■それでも、方向は本物

数字の雑さを差し引いても、「指示する側から設計する側へ」という方向自体は、僕は本物だと思っています。
これは予測ではなく、もう手元で起きていることだからです。

去年までのAIの使い方は、「これやって」と一回ずつ頼む形でした。
点の指示です。
今は、仕事の工程ごと渡して、AIが自分で調べて、作って、確認まで回す形が現実になってきた。
そうなると人間の仕事は、一回ごとの指示出しではなく、工程全体の設計に変わります。
何をどの順番でやらせるか、どこで人間が確認するか、何をやらせないか。
で、この設計をやろうとした瞬間に、全員が同じ壁に当たります。
ここからが本題です。

■一番難しいのは、自分の仕事を言葉にすること

AIに工程を渡すには、自分の頭の中にある「なんとなくこうすれば上手くいく」を、AIが読める言葉に書き出す必要があります。
暗黙知の言語化、とよく言われるやつです。
言うのは簡単なんです。
僕は実際にこれをやりました。
自分の文章の書き方と、仕事の判断基準を、AIに渡すためのファイルに書き出して、運用しています。
やってみて分かったことが、教科書には書いてない部分なので、それを書きます。

最初に書いたものは、ほぼ使い物になりませんでした。
「文末は一種類に固定しない」「句点で切りすぎない」と、ルールを並べる形で書いたんです。
するとAIは、ルールを機械的に適用してくる。
数文ごとに律儀に文末を切り替えた、見た目だけ似てる中身のない文章が返ってきました。

直し方は、ルールを判断に書き換えることでした。
「2〜3文ごとに混ぜる」ではなく、「この段落で読者に何を渡したいかで決める」。
頻度ではなく、基準を書く。
「何をするか」ではなく、「いつ、なぜ、そうするか」まで書いて、初めてAIは応用が利くようになりました。
そしてここで、嫌なことに気づきます。
自分の判断基準の大半を、自分が知らないんです。
「なんとなく違う」とは感じるのに、何が違うのか言葉にできない。
僕の場合、一番使えたのはAIの失敗でした。
AIが外した文章を見て、「なぜこれを違うと感じるのか」を一個ずつ言葉にしていく。
AIを、自分の暗黙知を映す鏡として使うわけです。
この作業が、地味で、時間がかかって、たぶん一番価値があります。

■任せ方の形と、手放さないもの

工程を渡すときの書き方も、形が決まってきています。
「必ずやること」「人間に確認してから進めること」「絶対にやらないこと」の三段で書く。
たとえば、作業ログは必ず残す、最終的な納品判断は人間に確認する、根拠の確認が取れていない情報を事実として書かない、という具合です。
曖昧な期待を全部この三段に振り分けるだけで、AIの動きは目に見えて安定します。
ただし、どれだけ仕様書が良くできても、手放してはいけない工程が一つあります。
最後の検証です。
AIの出力が優秀であるほど、人間は確認を飛ばしたくなる。
でも、検証の工程を手放すと、ミスに気づけなくなるより先に、自分の見る目のほうが衰えていきます。
仕様書を書いて任せるのと、丸投げは、最後の一工程が残っているかどうかの違いです。

■「指揮者になれば安泰」も、新しい問題が、、、

最後に折り返します。
「これからはオーケストレーターだ」という話は、それ自体が新しい売り文句にもなっていて、「指揮者になれば生き残れる」という安心を売る記事が量産されています。
でも、ここまで読んでもらえば分かる通り、指揮する側に回るための入場券は、AIのスキルではないんです。
自分の仕事のどこが判断で、どこがただの作業か、自分で言葉にできること。
それが入場券です。

楽器を知らない指揮者の棒には、誰もついてこないのと同じで、自分の仕事を言語化できない人は、AIにも工程を渡せません。
だから、始め方は派手じゃないです。
自分の仕事を棚卸しして、「これはAIに渡せる」と思うものを一つ選ぶ。
そのやり方を、いつ・なぜそうするかまで含めて書き出してみる。
AIに渡して、外れた部分から自分の言葉にできていなかった基準を拾って、書き直す。
この繰り返しです。

書き出せない部分が見つかったら、むしろ収穫です。
そこがあなたの仕事の核で、同時に、AIに一番渡しにくい部分なので。
#業務効率化
#業務改善
#エージェント
#aiプロンプト
#工程
#AI業務効率化

[NetFuture168 @ejtky1206]

【AIO対策の完全チェックリスト：SEOができていないと、AIには引用されない】
■AIはどんな記事を引用するのか。答えが1年で変わった話

最近、調べものをするときに検索じゃなくAIに聞く人が増えました。
僕も半分くらいはそうなってます。
ググって、開いて、違うなと閉じて、また開く——あの往復をしなくても、数秒で答えらしきものが返ってくるので。
そうなると、発信する側には新しい問いが生まれます。
AIは、誰の文章を読んで答えてるのか。
自分の記事は、AIの答えの材料に入れてもらえるのか。
この分野はAIO（AI最適化）と呼ばれていて、「完全チェックリスト」を名乗る記事も増えてきました。
で、この分野のデータを追いかけると、面白いことが起きてます。
正解が、1年もたずに変わったんです。

■76%だった数字が、38%になった

SEOツール大手のAhrefsが2025年7月に出した調査があります。
GoogleのAI検索（AIオーバービュー）が引用したリンク190万件を分析したもので、結果は「引用の76%が、検索結果トップ10のページから」でした。
つまりこの時点の正解は「まずSEOで上位を取れ。話はそれからだ」。
実際、当時のAIO解説記事は、だいたいこの数字を土台にしています。
ところが同じAhrefsが2026年に入って出した更新調査では、トップ10からの引用は38%まで下がっています。
11位から100位のページから約31%、100位圏外からも約31%。
引用の6割以上が、検索上位の外から来るようになった。
一応正直に言っておくと、この間に計測方法も改善されているので、「1年で半減した」と単純に読むのは危ないです。
変化の何割かは、測り方が良くなっただけかもしれない。
ただ、「上位にいないと引用されない」という前提が崩れつつある方向だけは、複数の調査で揃ってきています。

ここで一回、立ち止まる価値があります。
「完全チェックリスト」を名乗る記事の土台が、公開から1年もたずに古くなる。
それくらい動きの速い分野だということです。
この記事に書いてあることも、来年には古くなってる可能性がある。
その前提で読んでください。

■それでも変わらなそうな条件

じゃあ何を頼りにすればいいのか。
データが動いても変わらなそうな条件だけを拾うと、こうなります。
一次情報と実体験があること。
誰でも書ける一般論には、AIが引用する理由がありません。
実際にやった人間の具体的な話は、他のどこにもないので、引用する理由になる。
誰が、どの立場で書いたかが明記されていること。
匿名の「正解っぽい文章」より、立場と経歴のはっきりした書き手の文章が拾われやすい。
肩書きを発信先ごとに変えないことも、ここに含まれます。
メリットとデメリットが偏っていないこと。
自社サービスのメリットが8個でデメリットが2個、みたいな記事は、人間が読んでも怪しいですが、AIも同じように扱うとされています。
それと細かいところでは、表を画像で貼らないこと。
画像の中の文字はAIに読まれにくいので、比較表はテキストで書く。

■気づいたら、昔の話に戻ってる

この条件、並べてみると気づくことがあります。
AIへの最適化というより、昔から信用される書き手の条件そのものなんですよ。
実体験があって、立場を隠さず、いいことも悪いことも書く。
近所で評判のいい店の条件と、ほぼ同じです。
検索の時代は、ここに小手先の入り込む余地がけっこうありました。
キーワードの詰め方、被リンクの集め方、上位記事の切り貼り。
中身が薄くても、技術で順位がある程度買えた。
AIの引用は、いまのところその逆方向に動いています。
順位という一点を攻略すれば勝てたゲームから、「誰がどの立場で何を経験して書いたか」を見られるゲームへ。

これ、検索順位で大手に勝てなかった個人には、追い風なんです。
ハウスクリーニングの検索結果なんて、上位は比較サイトと大手ポータルで埋まっていて、一人でやってる職人のサイトはまず入れません。
でも「換気扇の油汚れは何年放置すると落ちなくなるのか」に実体験で答えられるのは、現場に立ってる人間の方です。
引用の6割が検索上位の外から来る世界では、その差が拾われる可能性が出てきた。

■ただし、これも今の話

折り返しておきます。
ここまで書いた「変わらなそうな条件」も、確率の話であって保証ではないです。
AIの引用基準は各社がいまも調整し続けていて、来年どうなっているかは誰にも分かりません。
「実体験を書けば引用される」と断定した瞬間に、この記事も例のチェックリストと同じになります。

だから結論は、地味なところに落ちます。
AIに引用されるための特別な対策を探すより、読者に信用される書き方をする。
実際にやったことを、自分の立場を明記して、都合の悪いことも含めて書く。
それが今のところ、人間にもAIにも届く唯一の共通解で、しかも基準が変わっても無駄になりにくい打ち方です。
僕がこの記事を、ハウスクリーニング職人という立場を名乗って、調べた数字の怪しさまで含めて書いてるのも、同じ理由です。
AIに引用されるためじゃなく、読んでいるあなたに信用してもらうため。
結果的にそれが、一番のAIO対策になっているらしい、というオチです。
#SEO対策
#MEO対策
#AI検索
#LLMO
#Google検索
#AEO
#ググる

[NetFuture168 @ejtky1206]

AI時代の生き残る思考法を
もっと知りたいと思ったら
画像をクリックするとnoteにまとめてます

[NetFuture168 @ejtky1206]

【AIが自分で稼ぐ時代の本当と嘘】
■AIが自分で稼ぐ時代、の本当と嘘

最近、AIエージェントが自分で稼ぐ時代が来た、という話をよく見かけます。
人間がいなくても、AIが自分で判断して、お金を動かして、稼いでいる。
嘘みたいですが、半分は本当です。
でも、半分はまだ嘘です。
今日はその、本当と嘘の境目の話をします。
先に言っておくと、僕はこれを煽るつもりはありません。
ただ、土台にある技術は確かに面白いので、地に足をつけて見ていきます。

■何が起きていると言われているのか

きっかけは、OpenClawというものが話題になったことです。
ここで最初に、順番を正しく押さえておきます。
OpenClawの本体は、ブロックチェーンとは何の関係もない道具です。
開発者のPeter Steinbergerが作った、オープンソースのAIアシスタントで、自分のパソコンに住まわせて、メールやファイル整理や調べものを任せられる。
マスコットがロブスターで、これが2026年に入って爆発的に流行りました。
クリプトは、その後から乗ってきた側です。
流行りに目をつけたクリプト界隈が、このエージェントにウォレット（自分専用の財布）を持たせて遊び始めた。
CoinbaseがAIエージェント用のウォレット基盤を出し、ロブスター便乗のミームコインが乱立し、エージェントが自分で相場を売買したり、画像を作って売ったり、他のエージェントに仕事を発注したりする実験が広がった。
「クリプトの上にAIが生まれた」のではなく、「流行ったAIにクリプトが群がった」。
この順番を逆に説明している記事が多いので、気をつけてください。
これは、いわゆるbotとは違う、と説明されます。
botは決められた処理を繰り返すだけ、エージェントは状況に応じて判断する、と。
方向としては正しい説明です。
ただ、どこまで本当に「判断」しているのかは、また別の話です。
そこは後で折り返します。

■なぜ「クリプト」だったのか——ここは本当に面白い

僕がこの話で一番なるほどと思ったのは、ここです。
これまでのAIには、一つ、はっきりした弱点がありました。
お金を動かす手段がない、ということです。

考えてみてください。
銀行口座を開くには、本人確認が要る。
クレジットカードも、本人確認が要る。
AIがどれだけ賢くても、お金を動かす瞬間には、必ず人間が一枚かんでいた。
ところが、クリプトはそこが違う。
ウォレットを作るのに、本人確認は要らない。
秘密鍵さえあれば資産を管理できて、プログラムで自動決済できて、エージェント同士で直接送金できる。
つまり、ブロックチェーンが初めて、AIに「自分でお金を動かす自由」を渡した。
ここがAI×クリプトの本質だと思います。
これは煽りでも何でもなく、本当に新しい。

■エコシステムの全体像——ただし出入りは激しい

OpenClawの周りには、役割ごとにいろんなサービスが並んでいます。
土台の層には、エージェントを動かす基盤や、エージェント用ウォレット、トークン発行の仕組み。
取引の層には、自分で相場を売買するエージェント。
社交の層には、エージェント専用のSNSや掲示板まである。
労働市場の層には、仕事を受けて報酬をもらう、人間でいうクラウドソーシングのような場。
開発やセキュリティの層には、コードを自動で書くものや、悪いエージェントを見張るもの。
正直、ここは壮観です。
人間社会の縮図が、そのままエージェント版で作られつつある。
ただ、釘を刺しておきます。
この手のプロジェクトは、出ては消えるのが当たり前です。
今並んでいる名前の多くは、一年後には残っていないかもしれない。
トークンが絡むものは、持ち逃げ（ラグ）のリスクもある。
だから個々の名前を覚える意味はあまりなくて、覚えるべきは、こういう「層」が立ち上がってきているという構造のほうです。

■x402という、地味だけど大事な一手

派手なトークンの話より、僕はこっちが本命だと思っています。
x402という、決済の規格です。
インターネットの裏側には、エラーの番号がいろいろあります。
404は「見つかりません」。
その仲間に、402という番号がある。
意味は「支払いが必要です（Payment Required）」。
ずっと昔から将来のために予約されていて、長いこと使われずに眠っていた番号です。
そこに、CoinbaseとCloudflareが本気で乗ってきた。
仕組みはこうです。
AIがあるサービスを使おうとすると、サーバーが「402、支払いが必要です」と返す。
AIが自動でごく少額を送り、確認できたらサービスが使える。
人間の承認なしで、数秒で回る。
API一回ごとに自動で小銭を払う、という世界の入り口です。
インターネットに最初からくっついた決済が、やっと形になり始めた、という話です。

■ここで、約束どおり折り返します

ここまで読むと、もう全部動いてるんだ、と思うかもしれません。
でも、数字を見ると景色が変わります。
x402は確かに、Baseというブロックチェーン上だけで累計1億件を超える取引を処理しました。
件数だけ見ると、すごい。
ところが2026年3月の分析だと、実際に流れているお金は、1日あたり約2万8千ドルです。
1件あたりの平均は約0.2ドル。
しかもその多くが、同じ財布が売り手と買い手を兼ねる自己取引や、売り手が買い手に資金を渡して往復させるウォッシュ取引、それとテストだと指摘されています。
一方で、この界隈に乗っているトークンの時価総額は約70億ドル。
1日2万8千ドルの実需に、70億ドルの看板が立っている。
分析会社のアナリストは「エージェント決済のブームは、まだ大半が蜃気楼だ」と書いています。
もう一つ、調べていて気づいたことがあります。
OpenClawを解説する記事自体が、すでに汚染されているんです。
取引所系メディアの解説を何本か読み比べると、互いに矛盾する説明が、それぞれ自信満々に書いてある。
流行りものの周りでは、解説の層から先に蜃気楼になる。
だからこの分野は、二次情報のまとめを何本読んでも、確かめたことにならないです。
つまり、看板はもう立っているけれど、中身はまだ追いついていない。
「AIが自分で稼ぐ」という言葉は、技術としては本当で、実態としてはまだ早い。
ここを混ぜて語ると、ただの煽りになります。
僕が一番伝えたいのは、この温度差です。

■じゃあ、人間は何をするのか

ここは、前向きな話です。
AIに仕事を奪われる、という話ではありません。
むしろ、AIに仕事をさせる側に回れる、という話です。
何を達成したいか、という戦略を決める。
どのエージェントをどう組み合わせるか、を設計する。
どう動けば得をするか、という仕組みを作る。
そして、想定外が起きたときに最後の判断を下す。
このあたりは、まだ人間の仕事です。
一人の人間が複数のエージェントを束ねて、何十人分かの価値を出す。
いわば「ひとり自動化組織」です。
僕はハウスクリーニングの職人ですが、この発想自体は業種を問わず効くと思っています。
道具が賢くなったぶん、人間の仕事は「何をやらせるか」を決めるほうに寄っていく。
前にフォルダー設計の話で書いたことと、地続きです。

■これからどうなりそうか

短期、一年くらいの間は、相場を売買するエージェントが増えて、x402に対応するサービスが増える。
このあたりは、たぶん順当に進みます。
中期、一年から三年では、複数のエージェントが協力して一つの仕事をこなす集団が出てくる。
人間とエージェントが混じったSNSが当たり前になって、このアカウントは人間かAIか、が見分けられなくなる。
長期、三年から先は、エージェントの経済活動をGDPに数えるべきかという議論や、法人格を持つエージェントの話まで出てくるかもしれない。
ここはまだ想像の段階で、当たるかどうかは分かりません。
ただ、方向としてはこっちに進んでいる気配はあります。
📷AIが自分で稼ぐ時代の本当と嘘

まとめ——半分は本当で、半分はまだ早い
最後に、ぎゅっとまとめます。
AI×クリプトは、ただの技術の掛け算ではありません。
AIに「自分でお金を動かす力」を渡す、という変化です。
これまでは、AIは賢いけれど、お金は動かせなかった。
これからは、AIが自分で稼いで、自分で使う方向に進んでいく。
ここまでは、本当です。
でも、今この瞬間の実需は1日2万8千ドルで、その多くが水増しです。
看板のほうが、中身より先に立っている。
だから「乗り遅れるな」と急ぐ話ではない、と僕は思っています。
急いで投機に飛び込むのではなく、消えるものは消える前提で、道具として静かに見ておく。
本当に効くものだけが、あとに残ります。
触らないと分からない、というのは、たぶん本当です。
ただし、財布を傷めない範囲で、です。
ここだけは、横に座っている者として、念を押しておきます。
#AIエージェント
#エージェント
#OpenClaw
#クリプト
#AIの未来
#AIエンジニア

[NetFuture168 @ejtky1206]

【AIエージェントが勝手に賢くなる、フォルダーの作り方】
■優秀なAIを10人雇っても、会社は回らない

最近、AIの使い方が一段変わったと感じています。
少し前までのAIは、優秀な秘書が一人いる、というイメージでした。
あれ調べて、これ書いて、と頼めば返してくれる、便利な相棒という距離感です。
ところが今のAIは、自分の下に専門の担当を何人も呼び出して、仕事を割り振って、結果をまとめるようになってきました。
秘書というより、部下を持つ部長です。
Claude Code、OpenAIのCodex、そして2026年5月のGoogle I/Oで発表されたGemini Sparkまで、主要なAIがこの方向に揃ってきています。
ここで一つ、想像してみてください。
あなたの会社に、ものすごく優秀な社員が、いきなり十人入ってきたとします。
普通なら大喜びです。
でも、机の場所も決まっていない。
誰が何の担当かも、書類のしまい場所も、決裁のルートも、何もない。
そこへ優秀な十人を放り込んだら、同じ書類を二人が同時に書き換えて片方の修正が消える、誰が決めたか分からない案件が勝手に進む、ということが起きます。
一人ひとりは優秀なのに、会社としてはぐちゃぐちゃになる。

AIも、これと同じ構造です。
どれだけ賢いAIを雇っても、働く場所——会社の設計図がないと、同じ事故が起きます。
しかもAIは「これ、誰の担当ですか」と気を利かせて確認してくれるとは限らないので、人間よりかえって事故が起きやすい。
事故の原因は、AIが賢いかどうかとはほとんど関係ありません。
設計図がないこと、ただそれだけです。

■AIには三つの癖がある

なぜ先に設計図が要るのか。
今のAIが持っている三つの癖を知ると、すっと腑に落ちます。

一つ目は、指示が薄まるという癖。
人間の感覚だと、分厚いマニュアルを渡すほどしっかり働いてくれそうな気がしますが、AIは逆です。
一つのファイルにあれもこれもと書きすぎると、ルールをだんだん守らなくなっていく。
新入社員に初日から百ページのマニュアルを丸暗記させるようなもので、全部大事だと詰め込むと、どれが一番大事か判断できなくなるんです。
これは研究でも指摘されていて、入力が長くなるほど精度が落ちる「コンテキストの劣化」という現象が、どのモデルにも見られます。
だから一番大事な指示書は、わざと短く保つ。
二つ目は、関係ない情報が混ざると気が散るという癖。
今の仕事と関係ない情報がそばにあると、AIはそれに引っ張られて精度が落ちます。
ひどいときは、事実と違うことを自信たっぷりに言い出す。
A社の見積もりを作っている机の上にB社の資料が散らかっていたら、ふとした拍子にB社の数字を書いてしまう——あれと同じです。
研究でも、似ているけれど間違った情報が一つ混じるだけで精度がはっきり落ちると分かっています。
だから一つの仕事は、一つの箱の中だけで完結させる。
三つ目は、探し物がとても苦手だという癖。
「過去のあの案件を参考にして」と気軽に頼むと、フォルダーが整理されていない環境では、AIは片っ端からファイルを開いて探し始めます。
時間がかかるし、AIは動いた分だけ資源を使うのでコストも高くつくし、似た資料を取り違えることもある。
遅くて、高くて、不正確。
三拍子が揃ってしまう。
だから、どこに何があるかの案内板を先に用意しておく。
三つに共通する答え方に気づいたでしょうか。
AIに頑張らせて癖を克服させるんじゃなくて、こちらが先回りして、構造で癖を防ぐ。
これがフォルダー設計という考え方です。
僕はこれを「AIで小さな会社を建てる」と捉えています。
フォルダー整理って、書類仕事だと思うと退屈ですが、AIが働く会社の間取り図だと思うと、急に面白くなってくるんです。

■僕が一度、失敗した話

偉そうに書きましたが、僕はこれで一度失敗しています。
僕はAIに記事の下書きや整形を任せていて、そのために文体のルールを書いたファイルを渡しています。
最初は一枚のファイルに、文体のルール、判断の基準、整形のルール、禁止事項、全部を詰め込んでいました。
渡しておけば守るだろう、と思っていたわけです。

結果は逆でした。
書き足すほど、AIは守らなくなった。
一番守ってほしい整形のルールが、その他大勢の中に埋もれて、出てくる文章から抜け落ちる。
さっきの「指示が薄まる」を、そのまま食らったんです。
直したのは、ファイルを役割で分けることでした。
入り口の指示書は短く要点だけにして、文体のルール、判断の基準は別のファイルに分けて、必要なときに読みに行かせる。
それだけで、出てくるものが目に見えて安定しました。
AIの賢さは何も変わっていません。
変わったのは、間取りだけです。

■会社の骨格になる七つの部屋

ここからは、僕が実際に使っている部屋割りです。
元はある動画で知った考え方を、自分の仕事に合わせて作り直しました。
比喩だけだと手が動かないと思うので、フォルダー名の例も付けます。
一つ目は、会社の魂を置く部屋。
00_company のようなフォルダーに、理念、ブランドの表記ルール、絶対に守るべきことを置きます。
AIはまずここを読んで、自分がどんな会社の一員なのかを理解します。

二つ目は、入り口に貼る一筆。
プロジェクトの一番上に置く、短い指示書です。
Claude Codeなら CLAUDE.md、Codexなら AGENTS.md と呼ばれる、あのファイルがこれにあたります。
さっきの「わざと短く保つ」が、ここの役割です。
何をどの順番で読むか、困ったらどうするか、それだけを書く。
三つ目は、社内の案内板。
INDEX.md のような一枚に、どこに何があるかの目次を書いておきます。
これがあるとAIは探し物をしなくなって、速く、安く、正確になります。
四つ目は、いま動いている仕事の作業机。
10_projects の下に、一案件一フォルダー。
たとえば 10_projects/2026-06_記事_AGI予測 という具合に切って、その案件の情報だけをそこに入れます。
「気が散る」を防ぐのがこの部屋です。

五つ目は、会社の倉庫。
20_assets に、ロゴ、写真、よく使うひな形など、繰り返し使う素材を置きます。
六つ目は、終わった仕事をしまう実績庫。
30_archive です。
ただのゴミ箱ではなく、後で参照できる知恵として残す場所にします。
七つ目は、月に一度の点検部屋。
90_review に点検のメモを置いて、古くなったルールはないか、綻びはないかを見ます。
会社の健康診断です。
一つ補足すると、一つ目の「魂の部屋」と二つ目の「一筆」は似ているようで役割が違います。
一筆はAIとしての動き方、魂の部屋は会社の一員としての考え方。
僕の失敗は、この二つを一枚に混ぜていたことでもありました。

■心臓部は「業務マニュアルの棚」

骨格とは別に、もう一つ心臓部があります。
40_manuals のような、業務マニュアルの棚です。
AIにただ作業させるだけならここまでは要りませんが、この棚があると、会社は一回ごとに賢くなっていきます。

工夫は、棚を二種類に分けることです。
図書館を思い浮かべてください。
貴重な本の原本は奥の書庫にしまい、利用者が手に取るのは手前の貸出用コピー。
コピーが古くなったら、原本から刷り直して差し替える。
原本はいつも一つだけです。
同じように、手順書の原本は 40_manuals に一つだけ置き、AIが実際に読みに行く場所にはコピーを置く。
「どっちが最新版だっけ」というありがちな混乱が、構造の力で起きにくくなります。
そして、ここが一番面白いところで、長く続く会社は同じ仕事を二回やったら「これはマニュアルにしよう」と考えますよね。
AIの会社でも同じことをします。
案件が終わるたびに、繰り返し使えそうな手順を見つけて、マニュアル化の提案箱に入れる。
僕が「これは棚に加えよう」と承認したものだけが、正式に一冊として加わる。
逆に、使われなくなった古い手順は棚から下げる。
僕の場合だと、記事の納品前チェックの手順がこれで一冊になりました。
最初は毎回口頭で指示していたものが、二回三回と繰り返すうちに型になって、今はAIが自分で棚から取り出して実行します。
終わった仕事が、捨てられず忘れられず、次の仕事を速く正確にする資産に変わっていく。
これは、ただAIを使うだけでは手に入らない価値です。

■どのAIでも、同じ間取りが効く

一つ補足です。
僕はClaude Codeでこの構造を使っていますが、同じフォルダーをCodexで開いても、ほぼ同じように動きます。
おそらくGemini Sparkでも大きくは変わらないはずです。
大事なのはエージェントが迷わず動ける間取りを描くことで、それができていれば、道具が変わっても間取りは効きます。

■雑務はAIへ、決断は人へ、ノウハウは構造へ

最初の一歩は、プログラミングではありません。
自分はどんな会社を建てたいのか、間取りを思い描くこと。
七つの部屋の型はもう標準化されているので、建てる作業そのものは思ったより簡単です。
フォルダーって、ただの整理術じゃなくて、AIの会社の組織設計だったんだな。
そう見え方が変わったら、それだけで第一歩だと思います。
僕自身、文体ファイルの失敗からここに気づいて、AIの仕事がずいぶん安定しました。
同じことで悩んでいる方の、何かのきっかけになれば嬉しいです。
#仕事
#会社
#ルール
#ファイル
#AI教育
#AI人材
#フォルダー

[NetFuture168 @ejtky1206]

【なぜ会社でAIは広まらないのか！OpenAI公式が出した答えを全解説】

■92%が使ってるのに浸透していない——AIの差を決めるのは、性能じゃなかった
知ってましたか。
アメリカの大企業、いわゆるフォーチュン500のうち、92%がもうOpenAIの製品を使ってるんです。
ほぼ全部、と言っていい。
なのに、そのOpenAI自身のCOOが、2026年2月にこう言い切りました。
「企業のAIが、業務プロセスに本当に浸透しているのを、我々はまだ見ていない」。
使ってるのに、浸透してない。
変な話ですよね。
私はハウスクリーニングの職人で、一人でやってます。
フォーチュン500なんて、遠い世界の話に聞こえるかもしれない。
でも、ここで起きてることは、たぶん私たち小さい事業者にこそ効いてくる話なんです。
AIの差を分けてるものの正体が、思ってたのと違ったからで。

■なぜ「使ってるのに浸透しない」が起きるのか

OpenAIが挙げてる理由は、ざっくり3つ。
1つ目は、ツールを入れただけで終わってるパターン。
ChatGPTの契約はした。
でも、誰がどの仕事でどう使うかを、結局誰も決めていない。
2つ目は、推進する人と現場が切れてるパターンで。
AI担当チームだけが盛り上がって、実際に手を動かす現場まで降りてこない。
3つ目は、成果が数字で見えないパターン。
入れてはみたけど、何がどれくらい良くなったのか分からないから、社内で優先順位が上がっていかない。

ここまで読んで、気づくことがあると思う。
どれも、AIが賢いか賢くないかの話じゃないんです。
そして、これを裏付けるデータがある。
MITが2025年に出した調査(The GenAI Divide)で、生成AIに投資した企業の95%が、いまだに意味のある成果を出せていない、と。
300〜400億ドルも突っ込んで、です。
で、面白いのがその原因で。
MITははっきり書いてる。
失敗の主因は、モデルの性能でも、規制でもない。
組織がどう使うか、どう仕事に組み込むか——そっちだ、と。

ここに、この記事でいちばん渡したいものがある。
差を分けてるのは、AIの性能じゃない。
仕組みと、役割なんです。

■OpenAIが出してきた設計図

じゃあ「仕組みと役割」って、具体的に何を指すのか。
浸透してないと認めたOpenAIが、その答えになる資料を自分で公開してます。
チャンピオンネットワーク、という考え方で。
要するに、組織の中でAIを広める旗振り役を、ちゃんと「役割」として置く、という話です。
置き方が3階層に分かれてる。
いちばん上が、経営層のチャンピオン。
予算と、優先順位と、方向を決める人。
真ん中が、その経営層と現場を繋ぐ橋渡し役で。
どの使い道を優先するか決めて、展開の段取りを組んで、現場の声を吸い上げる。
いちばん下が、各チームに一人はいる現場の推進者。
自分のやり方を見せたり、隣の同僚を助けたりする人です。
この3つが揃って、はじめてAIが「個人が使う道具」から「組織に根づく仕組み」に変わる、と。

もう一つ、この設計図には「ものさし」が付いてます。
AIプロフィシエンシーラダー、という4段階のモデルで。
最初がラーニング。
メールの下書きとか要約とか、低リスクな仕事で慣れていく段階。
次がアプライイング。
自分の仕事に合わせたプロンプトを、繰り返し使えるようになる段階。
3つ目がスケーリング。
チームで使えるテンプレートやカスタムGPTを作って、仕組みとして広げる段階。
最後がリデザイニング。
業務プロセスそのものを丸ごと設計し直す、いちばん上の段階です。
旗振り役の仕事は、今チームがどの段にいるかを見て、次の段に上がるのにちょうどいいものを渡すこと。
ラーニングの段にいる人に、いきなりカスタムGPTの作り方を語っても、誰もついてこない。
当たり前ですよね。

■実際に動かす5つの手順

OpenAIは、動き出すための手順も5つ出してます。
これがけっこう、地に足が付いてて良かった。
1つ目、まず5人から始める。
いきなり全社展開を狙うと、だいたい失敗する。
誰が責任を持つのか分からなくなるからで。
関心がある人、好奇心が強い人を、5人くらい集めるところから。
2つ目、共有する場所を1つに絞る。
SlackでもTeamsでも、何でもいい。
情報があちこちに散らばると、すぐ誰も見なくなる。
「あそこに行けば全部ある」を作る。
場所を増やすほど、活用は止まっていく。
これ、地味だけど本当に効くんです。
3つ目、褒め合う文化を仕掛ける。
いいプロンプトや、うまくいったやり方を共有したら、ちゃんと褒める。
月一でいいから、誰かの活用事例を発表する場を作る。
褒められた経験があるから、次もまた試したくなる。
ツールの話じゃないのが、面白いところで。
4つ目、さっきのラダーで、今の段階を診断する。
「いちばんよく使うAIの場面を教えて」みたいな、3問のアンケートでも十分できる。
今いる場所が分からないと、次に渡すものを間違える。
5つ目、成果を数字にして、上に届ける。
実はこれが、5つの中でいちばん大事かもしれない。
一人あたり何時間ういたか。
使い回せる仕組みを何個作れたか。
そういう形で見せておくと、活動が続く。
逆に、見えないと、続かないんです。
ただ、注意点が2つある。
1つは、旗振り役が燃え尽きるリスク。
熱量がある人に仕事が集まって、一人に全部のしかかる。
で、数ヶ月で潰れる。
だから最初から、一人でやらない。
役割を、何人かに散らしておく。
もう1つは、セキュリティ。
業務のデータをAIに入れる前に、自社のルールを確認する。
便利だから先に動く、をやらない。
ここだけは、一段の確認を必ず挟んでほしい。

■一人でやってる私たちは、どうするか

さて、ここまで全部、大企業の話でした。
従業員何万人、コミュニティ何千人。
私みたいな一人親方には、関係なさそうに見える。
でも、半分は本当で、半分は違う。

本当なのは、3階層のチャンピオンとか月一の発表会とか、そういう「組織の道具」は、一人事業者には要らない、というところ。
違うのは、その奥にある原則のほうです。
AIの差を分けるのは性能じゃない、仕組みと役割だ——これは、規模が一人でも、まったく同じなんです。
私は建築の現場を10年近く見てきました。
3次下請け、4次下請けまで。
そこで分かったことがあって。
同じ道具を持ってても、現場が回る職人と、回らない職人がいる。
差は、腕だけじゃない。
段取りなんです。
どの順番で、何を、いつやるか。
それを決められるかどうか。
AIも、たぶん同じで。
ChatGPTを開けるかどうかは、もう差にならない。
92%が開けてるんだから。
差になるのは、自分の仕事のどこにAIを差し込むか、その段取りを自分で組めるかどうか。
大企業は、それを3階層の人間で分担した。
私たちは、その全部を一人で兼ねることになる。
経営層も、橋渡しも、現場も、ぜんぶ自分。
しんどいけど、悪い話でもない。
決裁を待たなくていいし、現場の声は最初から自分の手の中にあるんだから。
やることは一つ。
道具を増やすのをやめて、段取りを組む。
今週、自分の仕事を一個だけ選んで、そこにAIを差し込んでみる。
うまくいったら、それを「いつもの手順」に変える。
それだけで、92%の中の、動いてる側に入れます。
OpenAIのCOOが「まだ浸透してない」と認めて、設計図まで出してきた。
つまり、まだ誰も完成させてない、ってことです。
今が、いちばん動きやすい。
規模がどうとかは、たぶん関係ないんです。
#仕事
#業務効率化
#現場
#業務改善
#仕組
#AI業務効率化

[NetFuture168 @ejtky1206]

【AIは人間より高くついた】
■MicrosoftのClaude Code打ち切りで見えた、AI導入の次の課題

最近、「MicrosoftがAIを使うのをやめ始めた」という話が流れてきました。
AIのコストが人間の社員より高くついたから、という説明も一緒に出ています。
こう聞くと、かなり分かりやすい話に見えます。
AIに仕事を奪われる。
人間はもういらなくなる。
そういう話がずっと出ていた中で、今度は逆に「AIのほうが高すぎて使えなかった」と言われると、少し気持ちよく聞こえる。
結局、人間のほうが安かったじゃないか、と。
でも、ここで一回止まったほうがいいです。
今回起きているのは、MicrosoftがAIそのものをやめた話ではありません。
報道されているのは、Microsoftの一部部門で使われていたClaude Codeのライセンスを減らし、GitHub Copilot CLIへ移行する動きです。
つまり、AIをやめたのではなく、使うAIを外部ツールから自社側の道具へ寄せた。
ここを間違えると、話の見え方がかなり変わります。

■AIのコストは、企業の中で無視できなくなっている

まず、AIのコストが重くなっているのは本当です。
Claude Codeのような開発者向けAIを大規模に使うと、ライセンス代やトークン代が積み上がります。
トークンというのは、AIが処理する文章やコードの単位です。
ざっくり言えば、使った分だけメーターが回る仕組みです。
定額のサブスクなら、ある程度は予算が読めます。
でも従量課金は、便利に使えば使うほど費用が増える。
しかも開発者向けAIは、ハマると一日中使える。
コードを書かせる。
直させる。
調べさせる。
設計させる。
便利だから使うし、使うほど請求額が増える。
ここが、企業にとってかなり重い。
AIを入れたら生産性が上がる、という話だけでは済まないんです。
誰がどの作業で、どのモデルを、どこまで使うのか。
そこまで決めないと、効果より先にコストが膨らむ。

Uberでも、AIコーディング関連の予算を短期間で使い切ったという報道が出ています。
つまり、これはMicrosoftだけの特殊な話ではありません。
企業がAIを本格的に使い始めたことで、ようやく「便利さ」と「請求額」が同じテーブルに乗ってきた。
そう見たほうが自然です。

■MicrosoftはAIから引いていない

ただし、ここで「MicrosoftはAIから撤退した」と読むと、話がズレます。
Microsoftが減らそうとしているのは、報道ベースではClaude Codeの社内ライセンスです。
社員がAIを使わなくなるわけではなく、GitHub Copilot CLIへ移る。
AIから人間へ戻るのではなく、AIから別のAIへ移る話です。
しかもMicrosoftは、AIそのものへの投資を止めていません。
2025年11月には、MicrosoftとNVIDIAがAnthropicに最大150億ドルを投資し、AnthropicはMicrosoft Azureの計算資源を300億ドル分購入するという大型提携が報じられました。
Claudeのモデルも、Microsoft FoundryやCopilot関連の環境に入っていく流れになっています。
つまり全体で見ると、MicrosoftはAIから引いていない。
むしろ、外部ツールを自由に使わせる段階から、自社の基盤で管理する段階へ移っている。
ここが今回の一番大事なところです。

AIをやめたのではなく、AIの使い方を絞り始めた。
外で買ってきた便利な道具をそのまま使うのではなく、自分たちのエコシステムの中に寄せていく。
Microsoftの動きとしては、こっちのほうがかなり筋が通っています。

■問題は「AIが高い」ではなく、使い方が設計されていないこと

今回の話を見ていると、「AIは高すぎる」という結論にしたくなります。
でも、もう少し正確に言うなら、問題はAIそのものの値段だけではありません。
AIをどう使わせるかが設計されていないと、コストが読めなくなる。
こっちです。
特に開発者向けAIは、成果が見えにくい。
コードの量は増える。
作業スピードも上がったように見える。
でも、それが本当に売上や品質や開発効率につながっているのかは、別で見ないと分からない。
たくさん使ったから生産性が上がった、とは限らないんです。
ここを間違えると、企業はAIの使用量そのものを成果だと見てしまう。
社員がどれだけAIを使ったか。
何トークン使ったか。
何回AIに投げたか。
そういう数字は取りやすい。
でも、本当に見ないといけないのは、その結果として何が良くなったのかです。

バグが減ったのか。
開発期間が短くなったのか。
保守しやすいコードになったのか。
顧客に届く価値が増えたのか。
ここまで見ないと、AIの費用対効果は分からない。

■レイオフの話も、同じように見たほうがいい

この話と一緒に、「AIが人間の仕事を奪っている」という話もよく出てきます。
実際、2026年に入ってからテック業界のレイオフはかなり大きくなっています。
一部の企業は、AIや自動化を理由として説明しています。
ただ、これもそのまま受け取ると危ない。
AIがその人の仕事を完全に代替したケースもあるかもしれません。
でも、すべてがそうだとは言えない。
もともとやる予定だったコスト削減や組織再編に、AIという説明をかぶせているケースもあるはずです。
AIが仕事を奪ったのか。
それとも、会社が人員削減をした理由としてAIを使っているのか。
ここは分けて見たほうがいい。
AIのニュースは、すぐに白黒の話になりがちです。
AIが勝った。
AIが負けた。
人間がいらなくなる。
やっぱり人間のほうが安かった。
でも実際に起きていることは、もっと地味です。
課金モデルが変わった。
管理の仕方が変わった。
外部ツールから自社基盤へ寄せた。
人件費とAI費用を同じ会計の中で比べ始めた。
この地味な部分を見ないと、AIの話はすぐに気持ちいい結論へ流れます。

■AIブームが終わったのではなく、会計の段階に入った

今回の件は、AIブームが終わった話ではありません。
AIが現実のコスト計算に入ってきた話です。
これまでのAI導入は、どちらかというと「まず使ってみる」段階でした。
便利かどうか。
すごいかどうか。
人間より速いかどうか。
そこに注目が集まっていた。
でも企業で本格的に使うなら、それだけでは足りない。
月にいくらかかるのか。
誰に使わせるのか。
どの作業なら回収できるのか。
どこから先は人間がやったほうがいいのか。
どのモデルを使えば十分なのか。
そこまで決めないと、AIはただの高い道具になります。
だから、MicrosoftのClaude Code打ち切りを「AI終了」と見るのは早いです。
正しくは、AI導入が雑な実験段階から、コスト管理と統制の段階に入った。
そういう話だと思います。

AIを使うか使わないかではない。
AIをどこに置くか。
どこまで任せるか。
どの費用なら回収できるか。
これから企業が見ていくのは、たぶんそこです。
分かりやすい結論ほど、気持ちはいい。
でも、実際のシグナルはもっと退屈なところにあります。
価格の付け方。
予算の消え方。
誰が誰にお金を払っているのか。
どのツールを残して、どのツールを切ったのか。
AIのニュースを見るときは、そこを見たほうがいい。
派手な勝ち負けの話より、地味な会計のほうに、本当の変化が混ざっているので。
#企業
#コスト
#Microsoft
#AI業務効率化
#AIブーム

[NetFuture168 @ejtky1206]

【人間とLLMの判断には、埋められない『7つの断層』がある】

■AIに知性を感じるのは自然。信じるかどうかは別の話

ChatGPTやClaudeと話していて、「このAI、僕の意図を分かってくれてるな」と感じたことはないでしょうか。
文脈を汲んで、ちょうどいいトーンで、流暢な日本語が返ってくる。
あれに知性を感じるなというほうが無理です。
その感覚に冷や水をかける論文が、2025年12月に出ました。
「人間と人工知能のあいだの認識論的断層」という論文で、書いたのはワルター・クアトロチョッキら3人の研究者です。
先に正直に言っておくと、これは実験で何かを測った「研究結果」ではありません。
研究者が理論的な視点を整理した、立場表明の論文です。
だから「科学が証明した」みたいに読むのは間違いで、「この見方で考えると何が見えるか」という道具として読むのが正しい。
そして、道具としては、かなり切れ味がいいんです。

■人間とLLMを隔てる、7つの断層

論文は、人間の判断とLLM（大規模言語モデル）の出力のあいだに、7つの断層があると整理しています。
順番に見ていきます。
一つ目は接地。
人間の言葉は身体の経験と結びついています。
「熱い」「重い」「痛い」は、体で覚えた感覚が先にあって、言葉が後から乗っている。
LLMにとっての「熱い」は、「やけど」や「注意」みたいな単語と統計的に近い場所にある文字列で、その裏に体はありません。
二つ目は読み方。
人間は文章から書き手の意図を読みますが、LLMがやっているのは、次に来る確率が高い単語の予測です。
三つ目は経験。
人間の判断には、過去の失敗や恥が乗っています。
LLMには学習データという記録はあっても、「あのとき痛い目を見た」という我がことの記憶はない。

四つ目は動機。
人間が喋るのは、伝えたいことがあるからです。
LLMは、入力が来たから出力している。

五つ目は因果。
人間は「雨が降ったから傘をさす」という矢印で世界を見ますが、LLMが見ているのは「雨と傘は近くに出てくる」という相関です。
六つ目はメタ認知。
人間は自分が何を知らないかをある程度モニターできて、怪しいときは「たぶん」と言えます。
LLMは自分の知識の境界が見えないので、知らないことも自信満々に喋ってしまう。
七つ目は価値観。
人間の判断の底には倫理がありますが、LLMにあるのは外側から付けられたガードレールです。

ここまで読んで、「それ、前から言われてなかったか」と思った人は正しいです。
「AIは確率で単語を並べてるだけ」という話自体は何年も前からある議論で、この整理が新発見というわけではない。
この論文の本当に新しい部分は、ここから先です。

■AIが正確でも、人間側が壊れる

論文は、ある状態に「エピステミア」という名前をつけています。
言葉の流暢さ・もっともらしさが、「本当に正しいか」を確かめる工程の代わりになってしまう状態のことです。
人間が何かを「知っている」と言えるまでには、本来プロセスがあります。
仮の考えを立てて、検証して、間違っていたら修正する。
信念はこの工程を通って初めて知識になる。
LLMの出力は、文法的に整っていて、意味が通っていて、説得力がある。
でも、この形成・検証・修正のプロセスを通っていません。
プロセス抜きで「結論の見た目」だけが届く——それがエピステミアの構造です。

ここで効いてくるのが、この論文で一番鋭い主張で、エピステミアの害はAIの誤り率に依存しない、と言っています。
つまり、AIが嘘をつくから危ないんじゃない。
AIが合ってても危ない。
答えが正確かどうかに関係なく、人間側の検証工程が迂回されること自体が害だ、という話です。
むしろAIの精度が上がるほど、検証を飛ばす言い訳が増えるので、この害は深くなる。
人間側には、それを後押しする性質もあります。
分かりやすい情報を正しい情報だと感じてしまうクセで、処理流暢性と呼ばれる、心理学では昔から知られているバイアスです。
スラスラ読める文章ほど、中身の検証をスキップして「理解した」気になる。
AIの出力は、このバイアスのほぼ理想的な引き金になっています。

「AIは嘘をつくから気をつけろ」は半分正しい。
でも半分はズレてます。
嘘を見抜くことだけ警戒していると、AIが正確になった瞬間に警戒を解いてしまう。
本丸は嘘じゃなく、自分の検証工程を手放すかどうかです。

■論文が挙げる、3つの対抗策

じゃあどうするか。 論文は3つの方向を挙げています。

一つ目は、検証を工程として固定すること。
AIの出力を「答え」ではなく「下書き」として扱い、ファクトチェックと論理の確認を毎回のプロセスに組み込む。
特に自分の専門外のことを聞くときほど、ここを厳しくする。
専門外では、間違いに気づく手がかりが自分の中にないからです。
二つ目は、個人のリテラシー任せにしないこと。
AI生成物の明示や、人間によるダブルチェックを、組織のルールとして仕組み化する。
最終判断の責任は人間が持つ、という線を制度で守る。
個人の注意力は必ず切れるので、切れても事故にならない構造のほうを作るわけです。
三つ目は、仕組みを知ること。
「LLMは意味を理解しているのではなく、確率で単語を並べている」という構造を知っているだけで、流暢さへの盲目的な信頼は一段下がります。
上に書いた7つの断層は、そのための道具です。

三つのうち、すぐ動かせるのは一つ目と三つ目です。
今日から自分の手で変えられる。
二つ目は組織の話なので時間がかかりますが、長期的には一番効きます。

■この記事も、例外じゃない

ややこしいのはここからで、この論文を紹介する記事の多くが、流暢で、断定的で、煽りタイトルになります。
「流暢さに騙されるな」という内容が、流暢さで売られる。
警告の記事自体が、警告している現象の実例になるわけです。
僕のこの記事も例外ではないです。
ここまで読んで「なるほど、分かった」と思ったなら、その感覚こそ、いま話してきたやつです。
僕は論文の原文に当たりましたが、あなたはまだ、僕の要約を読んだだけなので。
だから締めとしては、これしか言えません。
AIを使うなという話ではないです。
道具としては、今後も使い倒せばいい。 ただ、最後に自分の頭で検証する工程だけは、外注しないこと。
AIの限界の話に見えて、これは最後まで、人間側の工程の話なんです。

参考情報
Quattrociocchi, Capraro, Perc「Epistemological Fault Lines Between Human and Artificial Intelligence」（arXiv 2512.19466、2025年12月）: https://t.co/weUKt0KA3B
#Claude
#LLM
#知性
#チャッピー
#AI論文

[NetFuture168 @ejtky1206]

【2026年AI特異点の全貌：自律型エージェント、身体拡張、そして人類の再定義へ】

■2026年、AIは「便利な道具」ではなくなる
人間は、知能と共に生きる時代に入った
2024年の暮れごろ、私たちはまだ「AIにどう聞けば、ちゃんと答えてくれるのか」ということを考えていました。
いわゆるプロンプトエンジニアリングです。
どんな言葉で指示すればいいのか。
どこまで細かく条件を書けばいいのか。
AIに失敗させないためには、どう命令すればいいのか。

たしかに、それは大事でした。
でも2026年の今、その悩みは少しずつ古くなり始めています。
なぜなら、AIはもう「質問に答えるだけのソフト」ではなくなってきているからです。
自分で目的を整理し、必要な情報を集め、手順を組み、他のAIやツールと連携しながら、現実の作業まで進める存在になりつつある。
つまり、AIは道具から「一緒に動く知能」へ変わり始めている。

ここに、かなり大きな変化があります。
火の使用、活版印刷、産業革命、インターネット。
人類の歴史には、社会の形を大きく変えてきた技術がいくつもありました。

でも、それらの変化は何十年、何百年という時間をかけて広がっていったものです。
ところがAIの変化は、感覚としては年単位ではありません。
月単位。
もっと言えば、週単位で景色が変わっている。
これは便利になるという話だけではないです。
働き方、学び方、稼ぎ方、人間関係、身体、感情、国家、エネルギー。
その全部に、AIが入り込んでくる。

この記事では、2026年以降のAIがどこまで進み、私たちの生活や仕事、そして「人間とは何か」という問いまでどう変えていくのかを、近未来のシナリオとして整理していきます。

危機感を煽りたいわけではありません。
でも、知らないままでいられる変化でもない。

ここから先は、AIを「使う人」と「使われる人」の差が、かなりはっきり出てくる可能性があります。

■AIがAIを育てる時代が始まる

AIの進化で一番大きいのは、人間が細かく教えなくても、AI自身が学習材料を作り、検証し、改善していく流れが強くなっていることです。
これまでは、AIの学習には人間が作った文章、論文、コード、画像、会話データなどが必要でした。
つまり、インターネット上にある人間の知識が、AIの成長の天井になっていた。
でも今は、その前提が変わり始めています。
AIが自分で問題を作る。
AIが自分で解く。
AIがその答えを検証する。
そして、正しいと判断したものを次の学習に使う。

こうなると、AIは人間が残した情報だけを食べて育つ存在ではなくなります。
自分で「知能の材料」を作り続ける存在になる。
もちろん、ここには危うさもあります。
AIが作ったデータをAIが学び続けると、間違いが増幅する可能性があるからです。
いわゆるモデル崩壊の問題です。
ただ、最先端のAI開発では、単にAI生成データを大量に食わせるのではなく、論理的に正しいか、再現性があるか、シミュレーション上で成立するかを検証しながら使う方向に進んでいます。

ここが重要です。

AIは、ただ文章を量産するだけではない。
自分の答えを疑い、自分で検証し、自分で改善する方向に向かっている。
人間で言えば、勉強して、問題を解いて、間違い直しをして、次の勉強法まで変えるようなものです。
しかも、それを人間とは比べものにならない速度で回す。

この流れが本格化すると、AIの進化は人間の管理速度を超えていきます。
人間が「これを教える」よりも先に、AIが「こう学んだ方が効率がいい」と判断するようになる。

これが、知能の自己増殖という現象です。

■大きなAIより、「深く考えるAI」が重要になる

これまでAIの世界では、モデルを大きくすれば賢くなるという考え方が中心でした。
データを増やす。
パラメータを増やす。
計算資源を増やす。
いわゆるスケーリング則です。

これは今でも重要です。
ただ、それだけでは限界が見えてきています。

そこで出てきたのが、「答える前に考えるAI」です。
以前のAIは、質問を受けたらすぐに言葉を返していました。
もちろん内部では計算していますが、基本的には次に来る言葉を予測して出していく仕組みです。
でも、より高度なAIは、すぐに答えを出さず、内部で複数の可能性を検討します。
別の解き方を試す。
矛盾がないか見る。
失敗パターンを潰す。
必要なら計画を立て直す。
人間で言えば、即答ではなく「ちょっと待って、ちゃんと考えるわ」という状態です。

この「思考時間」が、AIの能力を大きく変えています。
たとえば、難しいコードの修正。
複雑な事業計画。
法律文書の確認。
科学的な仮説の検証。

こういう問題は、知識量だけでは解けません。
順番に考える力が必要です。
そしてAIは、この「考える時間」を増やすことで、単に大きいだけのモデルとは違う賢さを持ち始めています。
これはかなり大きな意味を持ちます。
なぜなら、巨大なデータセンターだけが知能を持つのではなく、より小さな環境でも、時間をかけて考えれば高度な答えに近づける可能性があるからです。

AIの民主化という言葉がありますが、これは単に「誰でもAIを使える」という意味ではありません。
個人でも、小さな会社でも、適切にAIを使えば、これまで大企業しか持てなかったような知的処理能力を持てるということです。

ここから、仕事の前提が変わります。

大きな会社だから強い。
人が多いから強い。
資金があるから強い。
もちろん、それはまだあります。
でもそこに、「AIをどう使えるか」という新しい軸が入ってくる。

小さな個人事業主でも、AIを使って設計し、文章を書き、見積もりを作り、問い合わせ対応をし、分析し、改善できる。
これは、かなり現実的な変化です。

■AIは画面の中から、物理世界へ出てくる

AIの進化は、パソコンやスマホの画面の中だけで終わりません。
次に起きるのは、AIが身体を持つことです。

つまりロボットです。

これまでのロボットは、決められた作業に強い存在でした。
工場のラインで同じ動きを繰り返す。
決まった場所から決まった物を取る。
同じ角度で部品を組み立てる。
でも、現実の生活や現場はそんなにきれいではありません。
物はズレるし、床には障害物があるし、人間は曖昧な指示を出します。
「そこ片付けといて」
「これ、いい感じに並べといて」
「危なそうなものは避けて」
人間にとっては普通の指示でも、従来のロボットには難しかった。
しかし、視覚、言語、動作をまとめて扱うAIが進むことで、ロボットは初めて「その場で判断する」方向へ進んでいます。

カメラで状況を見る。
言葉の意味を理解する。
物の材質や形を推測する。
どう掴めば壊れないか判断する。
どこへ移動すればいいか決める。

これができるようになると、ロボットは単なる機械ではなくなります。
現場で動く知能になる。
ここで面白いのは、肉体労働がすぐに全部なくなるわけではないということです。
現場仕事をしている人間ほど分かると思いますが、現場はそんなに単純じゃない。

掃除ひとつ取っても、汚れの種類、素材、薬剤、道具、段取り、時間、相手の期待値。
全部を見ながら判断している。

だから「ロボットが来たら職人はいらない」という単純な話ではありません。
半分は正しい。
でも、半分はズレています。
ロボットが代替するのは、まず繰り返し作業や危険作業、重労働です。
一方で、現場判断、段取り、仕上がりの基準、顧客との関係性は、すぐには置き換わりません。

ただし、ロボットとAIを使える人と、まったく使えない人では、作業量も単価も差が出てくる。
たとえば将来、清掃業でもロボットが床面洗浄や荷物移動を補助し、AIが見積もり、報告書、請求書、写真整理までやるようになれば、職人の仕事は「手を動かすこと」だけではなくなります。
どこを人間がやり、どこをAIに渡すか。
この判断が、仕事の価値になる。

■脳とAIが直接つながる時代

AIの身体がロボットなら、人間側の変化は脳インターフェースです。
BMI、つまりBrain-Machine Interfaceです。

これは、脳と機械をつなぐ技術です。

これまでは、キーボードを打つ。
スマホを触る。
音声で指示する。

こうした方法で、人間はデジタルに意思を伝えてきました。
でも、もし思考そのものをデジタルに渡せるようになったらどうなるのか。
ここがBMIの大きなテーマです。
たとえば、手が動かせない人が、脳の信号だけでパソコンを操作する。
言葉を発することが難しい人が、頭の中の意図を文章に変換する。
ロボットアームを、自分の手足のように動かす。
これはすでに医療や研究の領域で進んでいる方向です。

さらに進むと、言葉だけではなく、イメージや意図、感覚の一部までデジタルに変換する可能性が出てきます。
ここから、人間の境界線が曖昧になります。

自分で考えたことなのか。
AIに提案されたことなのか。
自分の記憶なのか。
AIが補った情報なのか。

これが区別しにくくなっていく。
今でも、文章を書くときにAIを使っていると、少し似た感覚があります。
自分の考えをAIに投げる。
AIが整理して返す。
それを読んで、自分の考えがさらに進む。

このとき、どこまでが自分で、どこからがAIなのか。
きれいに線を引くのは難しい。
BMIが進めば、この感覚はもっと深くなります。

AIは外の道具ではなく、自分の思考の延長になる。
便利ですが、同時に怖さもある。

なぜなら、人間の内側にあるはずの思考や感情が、技術の影響を受けるようになるからです。

■集中力や幸福感まで、技術で操作される可能性

AIと脳の接続が進むと、次に問題になるのは感情です。

人間は、集中したいと思っても集中できない。
落ち着きたいと思っても不安になる。
寝たいと思っても眠れない。
やる気を出したいと思っても、体が動かない。
これまで、こうした問題は努力や習慣、薬、カウンセリング、環境改善などで対応してきました。

でも将来、脳への刺激やウェアラブルデバイスによって、集中状態やリラックス状態をある程度コントロールできるようになるかもしれません。

仕事前に集中モードを起動する。
寝る前にリラックスモードに入る。
不安が強いときに神経活動を調整する。

これだけ聞くと、かなり便利です。
生産性も上がるし、メンタルの不調も減る可能性がある。
ただ、ここにも大きな問題があります。
努力しなくても得られる集中。
人間関係がなくても得られる安心感。
現実で何かを達成しなくても得られる幸福感。

それが当たり前になると、人間は現実から離れていくかもしれません。

さらに怖いのは、企業や社会がそれを求め始めることです。
「生産性を上げるために、このデバイスを使ってください」
「集中力が低い人は評価が下がります」
「ストレス管理も自己責任です」
こうなると、感情のコントロールは自由ではなくなります。
人間の内側まで、効率化の対象になる。
そしてもう一つ、外部から感情を操作されるリスクもあります。
購買意欲を高める。
政治的な印象を変える。
不安を煽る。
安心感を与える。

これが技術的に可能になるほど、「自分の感情は本当に自分のものなのか」という問いが出てきます。
便利さと引き換えに、人間は感情の主権を失うかもしれない。

ここは、AI時代のかなり深い問題です。

■人間ではなく、AI同士が取引する経済へ

AIが本格的に社会へ入ると、経済の仕組みも変わります。

今は、人間が検索して、比較して、申し込んで、買っています。
広告を見て、レビューを読んで、価格を比べて、最終的に判断する。

でもAIエージェントが普及すると、この流れは変わります。

人間が「週末に温泉へ行きたい」と言う。
するとAIが、宿泊施設、交通手段、空き状況、予算、天気、混雑、過去の好みを調べる。
宿泊施設側のAIと価格交渉する。
カレンダーを見て予定を調整する。
必要なら決済まで進める。
人間は最後に承認するだけ。
場合によっては、その承認すら事前ルールで自動化される。
これがA2A、Agent-to-Agentの経済です。
AI同士が交渉し、契約し、決済する。
人間は、その結果を受け取る側になる。
このとき、広告やマーケティングも変わります。

人間は感情で動きます。
かっこいいコピー、有名人、ブランドの雰囲気、ストーリー。
そういうものに影響される。
でもAIエージェントは、基本的には感情で動きません。
価格、性能、信頼性、レビュー、納期、保証、過去データ。
そうした比較可能な情報を見て判断します。

つまり企業は、人間に気に入られるだけでは足りなくなる。
AIに選ばれるための情報設計が必要になる。
これはマーケティングの根本を変えます。

今までは「人間の注意を奪う」ことが大事でした。
これからは「AIが判断できる情報を正しく出す」ことが大事になる。
スペックが曖昧。
料金が分かりにくい。
実績が見えない。
口コミが整理されていない。
提供範囲が不明確。

こういう事業者は、人間に届く前にAIの比較対象から外される可能性があります。
これは個人事業主にも関係があります。
ホームページが名刺代わりで止まっている。
サービス内容が分かりにくい。
料金の考え方が書かれていない。
問い合わせまでの導線が弱い。
この状態だと、AI時代の検索や比較に弱くなる。

人間向けの発信だけではなく、AIにも理解される情報整理が必要になる。

■2026年、AI共生者の一日

少し具体的に考えてみます。

2026年を生きる、ある会社員の一日です。

朝7時。
AIは睡眠状態を見ながら、最も起きやすいタイミングでカーテンを開けます。
スマホのアラームで無理やり叩き起こされるのではなく、体の状態に合わせて起こされる。
キッチンでは、体調や栄養状態に合わせた朝食が準備される。
食事中には、パーソナルAIが今日の予定、昨夜のうちに処理した仕事、返信が必要な連絡をまとめてくれる。

仕事が始まると、その人は一人で働いているようで、実際には複数のAIエージェントを使っています。
リサーチ担当AI。
資料作成AI。
デザインAI。
コスト計算AI。
メール返信AI。
スケジュール調整AI。
本人がやるのは、全部を手作業でこなすことではありません。
AIが出してきた案を見て、方向を決めることです。

つまり、作業者というより監督者になる。

午後には海外との会議がある。
でも言語の壁はかなり薄くなっています。
AIが翻訳するだけではなく、文化的なニュアンスまで補正する。
相手がどの表現を失礼に感じるか。
どの順番で話すと伝わりやすいか。
どこまで直接言っていいか。
そうしたことまでAIが支援する。

夜になると、AIはその人の疲労状態を見て、休むタイミングを提案する。
娯楽も、その人の脳や感情の状態に合わせて最適化される。
AIが生成する物語、映像、音楽、ゲーム。
完全に自分専用の体験です。

寝ている間も、AIエージェントは止まりません。
情報収集、資産管理、翌日の準備、メールの下書き、タスク整理。
人間が寝ている間に、知能だけが働き続ける。
これが当たり前になると、人間の一日は変わります。

24時間すべてを自分で管理する時代から、AIと分担して生きる時代へ移る。
ただし、ここでも差が出ます。
AIに何を任せるかを決められる人は、時間を取り戻す。
AIに振り回される人は、逆に情報に飲まれる。
便利な道具が増えるほど、使う側の判断力が問われる。

■教育は「覚える」から「使って考える」へ変わる

教育も大きく変わります。

これまで学校では、知識を覚えることに大きな価値がありました。
公式を覚える。
年号を覚える。
英単語を覚える。
解き方を覚える。

もちろん、基礎知識は今後も必要です。
でも「知っていること」自体の価値は下がっていく。
なぜなら、AIがほとんどの知識にアクセスできるからです。
では、教育で何が大事になるのか。
それは、AIが出した情報をどう扱うかです。

正しいかどうかを見抜く。
複数の情報を組み合わせる。
自分の問いを立てる。
答えを疑う。
現実の問題に使う。

つまり、知識を持っている人より、知識を使って考えられる人が重要になる。
教師の役割も変わります。
ただ教える人ではなく、生徒が自分で考えるための伴走者になる。
コーチやメンターに近い存在です。
一方で、新しい格差も生まれます。
AIがあるから勉強しなくていい。
AIが答えてくれるから考えなくていい。
そうなってしまう人も出てくる。

これはかなり危ない。
AIがある時代ほど、自分の問いを持つ力が必要になります。
なぜなら、問いが浅ければ、AIから返ってくる答えも浅いからです。

AI時代の教育で本当に大事なのは、知識の量ではなく、問いの質です。

■医療は「治す」から「予測して防ぐ」へ変わる

医療の世界でも、AIは大きな役割を持ちます。

これまでの医療は、基本的に病気になってから治すものでした。
症状が出る。
病院へ行く。
検査する。
診断する。
治療する。

でもAIとセンサー技術が進むと、この流れは変わります。
体内や皮膚に近い場所で、常に健康データを測る。
血糖値、心拍、睡眠、血圧、炎症反応、ホルモン、ストレス状態。
こうしたデータをAIが見続ける。

すると、病気になる前の小さな異常に気づける可能性が出てきます。
癌の予兆。
心筋梗塞のリスク。
脳卒中の兆候。
生活習慣病の悪化。
これらを、本人が自覚する前にAIが見つける。
医療は「悪くなってから治す」ものから、「悪くなる前に止める」ものへ変わっていく。

新薬開発も変わります。
AIが膨大な分子構造をシミュレーションし、患者ごとの遺伝子や体質に合わせた治療法を探す。
これまで何年もかかっていた研究が、短い期間で進む可能性がある。

さらに進むと、老化そのものを治療対象として見る考え方も強くなります。

老化は自然なものなのか。
それとも、修復可能な身体の劣化なのか。
この問いは、医療だけでなく社会制度にも関わります。
寿命が延びれば、年金、保険、働き方、家族、相続、人生設計。
全部が変わる。
長く生きられることは良いことです。
でも、ただ寿命が延びるだけでは足りない。
健康に、意味を持って、どう生きるのか。

AI医療が進むほど、人間側にはその問いが返ってきます。

■金融と法務は、人間の感情から離れていく

金融と法務の世界も、AIによって大きく変わります。

契約書を読む。
条件を確認する。
リスクを洗い出す。
相手と交渉する。
決済する。
これらの作業は、AIが得意な領域です。
特に契約や金融は、ルール、数字、条件、過去データが多い。
AIにとって処理しやすい。

将来的には、AI同士が契約条件を詰め、スマートコントラクトで自動執行し、支払いまで完了する流れが増える可能性があります。

人間が何十ページもの契約書を読むのではなく、AIがリスクを要約し、問題点を指摘し、代替案を出す。
これはかなり現実的です。

裁判や紛争処理にもAIは入ってきます。
過去の判例、法律、証拠、契約内容を照らし合わせ、一定の判断を出す。
軽微なトラブルや交通事故の過失割合、契約不履行の判定などは、AIによって短時間で処理される可能性があります。
ただし、ここにも問題があります。

法律はルールだけではありません。
人間の事情、背景、情状、関係性、社会的な意味がある。
AIが「最も合理的な判断」を出したとして、それが本当に正義なのか。
この問いは残ります。

金融も同じです。
AIが24時間、市場を監視し、感情なしに投資判断をする。
人間より速く、冷静に、膨大な情報を処理する。
そうなると、富の源泉は労働だけではなく、AIをどう所有し、どう使うかに移っていく。
資本を持つ人。
計算資源を持つ人。
優秀なAIを使える人。
ここに、さらに格差が生まれる可能性があります。

■国家の力は、軍事力だけでなく計算力になる

AI時代の地政学では、計算資源が非常に重要になります。

これまでは、石油、天然ガス、軍事力、人口、工業力が国家の力を左右してきました。
もちろん今後もそれらは重要です。

でもそこに、GPUやAIチップ、データセンター、電力、通信インフラが加わります。
AIを動かすには計算力が必要です。
計算力を持っている国は、より強いAIを育てられる。
より強いAIを持つ国は、研究、軍事、経済、医療、教育、製造で有利になる。

つまり、計算力は新しい国家インフラです。
一部の国や企業が高性能AIチップを独占すれば、他の国はAIの発展を制限されます。
これは、かつての資源争いや軍事バランスに近い問題になります。

日本にとって重要なのは、ここでどう立ち位置を作るかです。

日本はソフトウェアやプラットフォームでは遅れを取ることが多かった。
でも、物理世界の精密さ、製造、ロボット、現場改善、素材、センサー、職人技のデータ化には強みがあります。
AIが物理世界へ出てくるなら、日本にはまだ戦える場所があります。
ただし、それも放っておけば勝てるという話ではありません。
現場の知見をデータ化し、AIに渡し、ロボットやシステムに組み込む必要がある。
職人技を「すごい」で終わらせるのではなく、再現できる知識に変える。
ここができるかどうかです。
AI時代において、国も企業も個人も、持っている知識をAIが扱える形に変えられるかが問われます。

■エネルギー問題も、AI時代の中心になる

AIが進化すればするほど、電力が必要になります。
データセンターを動かすにも、チップを冷やすにも、ロボットを動かすにも、膨大なエネルギーが必要です。

つまり、AIの未来はエネルギーの未来でもあります。

どれだけ賢いAIを作っても、電力が足りなければ動かせません。
どれだけ便利なロボットを作っても、エネルギーコストが高ければ普及しません。
だから、AI時代には原子力、核融合、小型モジュール炉、再生可能エネルギー、蓄電池、送電網の最適化が重要になります。

ここでもAIは使われます。

発電量の予測。
電力需要の調整。
設備の故障予測。
新素材の発見。
核融合や次世代エネルギーのシミュレーション。
AIがエネルギー問題を解くために使われ、そのエネルギーがまたAIを動かす。
この循環ができれば、社会のコスト構造は大きく変わります。
電力が安くなれば、海水淡水化、大気中の二酸化炭素回収、農業の自動化、製造コストの低下なども現実味を帯びます。

ただし、ここでも楽観だけでは見られません。
エネルギーを誰が持つのか。
データセンターをどこに置くのか。
環境負荷をどう扱うのか。
電力インフラを誰が管理するのか。
AIの進化は、情報の問題であると同時に、電力と資源の問題でもあります。

■最後に、人間には何が残るのか

ここまで見てくると、ひとつの問いに戻ります。
AIが知識を持つ。
AIが考える。
AIが書く。
AIが設計する。
AIが交渉する。
AIが身体を持って働く。
AIが医療を支え、教育を変え、金融を動かす。

では、人間には何が残るのか。

これは暗い問いではありません。
でも、避けてはいけない問いです。
たぶん、人間に残るのは「作業」そのものではありません。
作業はどんどんAIに渡されていく。

残るのは、何を望むのか。
何を大切にするのか。
何を美しいと思うのか。
誰のために動くのか。
どこまでをAIに任せ、どこからを自分で引き受けるのか。
つまり、判断です。
AI時代に重要なのは、AIより多く知っていることではありません。
AIに何をさせるかを決めることです。
そしてもう一つ。
自分の感覚を失わないことです。
AIは便利です。
速いです。
優秀です。
こちらの考えを整理してくれるし、足りないところも補ってくれる。

でも、全部をAIに渡すと、自分が何を考えていたのか分からなくなる。
自分の欲しいものまで、AIに決められてしまう。

だから、AI時代に必要なのは、反AIではありません。
AIを使わないことでもない。
むしろ逆です。
AIを使いながら、自分の判断を残すこと。
ここが一番大事です。
2026年、AIはもう単なる便利ツールではなくなり始めています。
文章を書く道具でも、検索を楽にする道具でも、画像を作る道具でもない。
自分の仕事、自分の生活、自分の思考に入り込んでくる知能です。

この変化を怖がって止まるのか。
何も考えずに流されるのか。
それとも、自分の仕事や人生の中で、どこをAIに渡し、どこを人間として握るのかを考えるのか。

分かれ目は、そこです。

AIが人間を終わらせるのではありません。
AIによって、人間の役割が変わる。
そしてその変化は、もう始まっています。

#AI
#生成AI
#テクノロジー
#ロボット
#未来予測
#シンギュラリティ

[NetFuture168 @ejtky1206]

【2026年AI特異点の全貌アンサー：AIは「便利な道具」から「仕事の前提」へ変わり始めた】

■シンギュラリティではなく、現実に起きている静かな地殻変動
2024年ごろまで、私たちはまだ「AIにどう聞けば、いい答えが返ってくるのか」を考えていました。
いわゆるプロンプトエンジニアリングです。
どんな言葉で指示するか。
どこまで条件を書くか。
AIに間違わせないために、どう命令するか。

たしかに、それは大事でした。
でも2026年の今、そこだけを見ていると少し遅れます。
AIはもう、質問に答えるだけのチャットツールではなくなってきているからです。
文章を書く。
画像を作る。
コードを書く。
資料を読む。
予定を整理する。
メールを下書きする。
社内データを探す。
別のツールを呼び出す。
複数の作業を、ある程度まとまった単位で進める。

この流れが、かなり現実になってきました。
OpenAIはGPT-5を、仕事・研究・分析・コーディングに使える統合型のモデルとして位置づけています。
AnthropicもClaude Sonnet 4.5を、コーディングや複雑なエージェント構築、コンピュータ操作に強いモデルとして発表しています。(OpenAI)

つまり、AIは「人間が一問一答で使う道具」から、「仕事の流れの中に入り込む知能」へ変わり始めている。

ここが、今いちばん大事な変化です。
ただし、ここで勘違いしてはいけないことがあります。
2026年の時点で、AIが人間を完全に超えたわけではありません。
ロボットが街中で当たり前に働いているわけでもないし、脳とAIが一般人の生活で普通につながっているわけでもない。
まだ、そこまでは来ていません。
でも、確実に変わり始めています。
大きな変化は、映画のように一気に来るのではなく、請求書、見積書、問い合わせ対応、資料作成、検索、予約、開発、分析みたいな地味な仕事から入ってきます。
そして地味な仕事ほど、気づいたときには置き換わっている。

■AIは「自分で考える時間」を持ち始めた

AIの進化でまず押さえるべきなのは、モデルが単に大きくなっているだけではないということです。
以前のAIは、質問を受けたらすぐに答えを返すものが中心でした。
もちろん内部では計算していますが、人間の感覚から見ると「聞いたらすぐ返す」存在だった。
でも今の上位モデルは、複雑な問題に対して、内部で考える時間を使う方向に進んでいます。
OpenAIのo3やo4-miniは、コーディング、数学、科学、視覚推論などの難しい問題に向けた推論モデルとして発表されました。(OpenAI)

これはかなり重要です。

AIは、ただ言葉を並べるだけではなくなってきています。
複数の可能性を検討する。
手順を考える。
矛盾を探す。
間違いを修正する。
必要なら、ツールやファイルを使いながら作業を進める。
人間で言えば、即答ではなく「ちょっと考えてから答える」方向に近づいています。

ただし、これも万能ではありません。
AIはまだ平気で間違えます。
もっともらしい嘘も出します。
参照していない資料を、見たように話すこともあります。

だから、2026年時点で正しい言い方をするなら、こうです。

AIは人間の代わりに全部判断してくれる存在ではない。
でも、人間が考える前の整理、調査、下書き、比較、検証の一部をかなり肩代わりできる存在になった。
ここが現実的なラインです。

■合成データは使える。でも「無限の教科書」ではない

AIがAIを育てる。
この表現は、半分は正しいです。

実際、AI開発では合成データが重要になっています。
人間が作ったデータだけでは足りないため、AIが作った問題、解答、コード、シミュレーション結果などを学習や評価に使う流れは強くなっています。
ただし、元原稿のように「AIが自分で無限に高品質な教科書を作り続ける」とまで言い切ると、現時点では危ないです。

理由はシンプルで、AI生成データをそのまま次のAIに食わせ続けると、品質が劣化するリスクがあるからです。
Natureに掲載された研究では、AIが生成したデータを再帰的に学習させると、元データの分布が失われていく「モデル崩壊」が起きる可能性が示されています。(Nature)

なので、現実的にはこうです。
AI生成データは使われる。
でも、人間が作った質の高いデータ、現実世界のデータ、検証済みのデータがまだ重要です。
AIが作ったデータも、評価・選別・検証の工程を通さないと危ない。

ここを抜かすと、話が一気にSFになります。
AIがAIを育てる時代は来ています。
ただし、それは「完全自動で無限に賢くなる」という話ではなく、「人間のデータ、現実のデータ、AIの合成データを組み合わせて、学習効率を上げる」という話です。

この違いは大きい。

■AIのコストは下がり、個人でも使いやすくなった

もう一つ、現実にかなり大きい変化があります。
それは、AIを使うコストが下がっていることです。

Stanford HAIのAI Index 2025では、GPT-3.5相当の性能を出す推論コストが、2022年11月から2024年10月の間に280分の1以上下がったと報告されています。
同時に、AIハードウェアのコスト低下やエネルギー効率の改善も進んでいます。(Stanford HAI)
これは、個人事業主にとってもかなり大きいです。
昔なら、専門会社に頼まないとできなかったことが、今は月数千円から数万円のAIツールで試せるようになっています。
ホームページの文章。
チラシの下書き。
見積書の説明文。
LINEの返信文。
請求書の整理。
SNS投稿。
お客さんへの案内文。
業務フローの整理。
こういうものは、すでに個人でもAIに渡せます。
もちろん、完成品をそのまま出すのは危ないです。
でも、ゼロから自分で考えるよりは圧倒的に速い。

ここに、AI時代の現実的な入口があります。

すごい未来の話より、まず自分の仕事の中で「毎回時間を取られている作業」をAIに渡す。
その方が、よほど効果が出ます。

■AIエージェントは進んでいる。でも完全自律ではない

2026年のAIで大きなテーマになっているのが、AIエージェントです。
AIエージェントとは、ただ答えるだけではなく、目的に向かって作業を進めるAIのことです。

たとえば、旅行の予定を立てる。
必要な情報を集める。
候補を比較する。
カレンダーを確認する。
予約サイトを開く。
メールを下書きする。
最後に人間へ確認する。

こういう流れです。
Googleは2025年にAgent2Agent、つまりA2Aプロトコルを発表しました。
これは異なるAIエージェント同士が安全に情報交換し、企業システム上で連携するための標準を目指すものです。(Google Developers Blog)

この方向はかなり重要です。

なぜなら、AIが本当に仕事で使われるには、チャット画面の中だけで完結していては足りないからです。
Google Drive、Gmail、カレンダー、会計ソフト、CRM、EC、社内データベース。
こういうものとつながって初めて、仕事が動きます。
ただし、これも「人間不在の経済がすでに回っている」と言うのは早いです。
現時点では、AIエージェントはかなり進んでいますが、まだ人間の確認が必要です。
特に、お金、契約、医療、法律、採用、個人情報が絡む作業は、完全自動にするとリスクが大きい。

だから現実的には、こうです。
AIエージェントは、作業の一部を自動化し始めている。
でも、最終判断、責任、例外対応はまだ人間側に残る。

ここを押さえた方が、記事としても信頼されます。

■ロボットは来ている。でも「家庭に普及」はまだ早い

ロボットの話は、かなり慎重に書いた方がいいです。

元原稿では、2026年に人型ロボットがコンビニ、物流倉庫、一般家庭で日常的に見られるようになった、という書き方でした。
でも、これは現時点ではかなり言い過ぎです。

実際には、人型ロボットは試験導入、限定導入、予約販売、研究開発の段階が中心です。
たとえばBMWは、Figure 02という人型ロボットを米国工場で実際の生産環境テストに使ったと発表しています。
Figure側も、BMWでの稼働実績として1,250時間以上のランタイムや3万台以上の車両生産への関与を公表しています。(BMWグループ)
また、1X TechnologiesのNEOは家庭用ロボットとして、20,000ドルの早期所有プランや月499ドルのサブスクリプションで注文を受け付け、米国で2026年配送開始としています。
ただし公式説明でも、初期所有者向けには基本的な自律性から始まり、難しい作業では遠隔の専門スタッフが補助する仕組みが示されています。(1X)

国際ロボット連盟のWorld Robotics 2025でも、人型ロボットについて「大量利用はまだなく、真の多目的人型ロボットはまだ遠い」という趣旨の説明がされています。(IFR International Federation of Robotics)

つまり、現実はこうです。
人型ロボットは確実に進んでいる。
工場、物流、研究、介護補助、家庭用実験の領域に入り始めている。
でも、2026年時点で「どこの家庭にもいる」「肉体労働が解放された」と言える段階ではない。

これは、現場仕事をしている人間ほど分かると思います。

現場は、想定外だらけです。
床の段差、置きっぱなしの荷物、素材の違い、汚れの種類、狭い動線、相手の要望、仕上がりの基準。
ロボットにとって難しいのは、力を出すことよりも、その場で正しく判断することです。
だから、現実的な未来はこうです。
ロボットがいきなり職人を消すのではありません。
まず、重いものを運ぶ、同じ作業を繰り返す、危険な場所に入る、夜間に見回る、床を洗う、在庫を動かす。
こういう作業から入ってくる。

そして人間側には、段取り、判断、確認、仕上げ、顧客対応が残る。
ただし、ロボットとAIを使える職人と、まったく使えない職人では差が出ます。
ここはかなり現実的です。

■BMIは医療で進んでいる。でも一般人の思考接続ではない

脳とAIをつなぐBMI、つまりBrain-Machine Interfaceも、現実にはかなり進んでいます。
ただし、これも元原稿のように「一般人が思考だけでデジタル操作する時代になった」と書くと、現実から離れます。

Neuralinkは、2024年に最初の人間への脳インプラントを行い、脳信号を検出してデジタル操作につなげる取り組みを進めています。(Neuralink)
Synchronも、脳信号によってデジタルデバイスを操作することを目指すBCIを、臨床試験として進めています。(Synchron)
ただし、これらは主に麻痺やALSなど、身体機能に大きな制限がある人の自立支援を目的とした医療技術です。
一般消費者が気軽に装着して、思考をそのまま高精度に読み取る段階ではありません。
非侵襲型BCI、つまり頭を切開しないタイプも研究されていますが、Nature Communicationsの説明でも、非侵襲型BCIは安全性やコスト面で期待される一方、制御の精度や直感性には課題があるとされています。(Nature)
なので、現実的な書き方はこうです。
BMIは、まず医療と福祉の領域で進む。
重度の麻痺がある人のコミュニケーション、カーソル操作、ロボットアーム操作などに使われる。
将来的には人間とデジタルの関係を変える可能性がある。
でも、2026年時点で一般人の思考がクラウドAIと常時接続されているわけではない。
このくらいが正確です。

■教育は「知識のインストール」ではなく「問いの質」へ向かう

教育についても、元原稿の「知識はインストールするものになった」という表現は、かなりSF寄りです。

現実には、AIによって教育が変わっているのは確かです。
個別学習、教材作成、添削、翻訳、調査、学習支援にはすでに使われています。

UNESCOも、生成AIは教育に大きな可能性を持つ一方で、政策、プライバシー、公平性、人間中心の利用が必要だとしています。(ユネスコ)
一方で、AIがあるから勉強しなくていい、という話ではありません。
むしろ逆です。

AIが答えを出してくれる時代ほど、問いの立て方が重要になります。
浅い問いを投げれば、浅い答えが返ってくる。
間違った前提で聞けば、それっぽい間違いが返ってくる。

World Economic ForumのFuture of Jobs Report 2025でも、2025年から2030年にかけて仕事とスキルが大きく変わる中で、分析的思考、柔軟性、リーダーシップ、技術リテラシーなどが重要になるとされています。(World Economic Forum)
つまり教育は、暗記が完全に消えるのではありません。
基礎知識はまだ必要です。

ただ、知識を覚えるだけでは足りなくなる。
AIが出した情報を疑う。
自分の問題に引き寄せる。
複数の情報を組み合わせる。
現実に使える形にする。
ここに価値が移っていきます。

AI時代の教育は、知識のインストールではなく、問いと判断の訓練です。

■医療は進化している。でも「死が治療可能なバグ」は言い過ぎ

医療分野でAIが進んでいるのは事実です。
ここはかなり強く書けます。
FDAは、米国で販売承認されたAI搭載医療機器の一覧を公開しており、画像診断、検出、支援ツールなど、医療機器としてのAI活用はすでに現実のものになっています。(U.S. Food and Drug Administration)
また、Google DeepMindのAlphaFold 3は、タンパク質だけでなく、DNA、RNA、小分子などを含む生体分子の構造や相互作用を予測するモデルとしてNatureに発表されました。
これは創薬や生命科学研究を加速する可能性があります。(Nature)
ただし、元原稿のように「死が治療可能なバグになった」「癌や希少疾患が克服可能になった」「150歳まで健康に生きる第一歩」と断定するのは危険です。
現実には、AIは医療を加速しています。
でも、臨床試験、安全性、規制、費用、患者ごとの差、医療現場への導入など、超えるべき壁はまだ多い。
老化研究も進んでいますが、老化そのものを人間で安全に止める技術が実用化されたわけではありません。
老化のメカニズムには、ゲノム不安定性、テロメア短縮、ミトコンドリア機能低下、細胞老化など複数の要因が絡むことが知られており、単純に「バグ」として直せる段階ではありません。(Nature)

現実的には、こう書くのが安全です。

AIは医療を「病気になってから治す」ものから、「早く見つけて、個別に対応する」方向へ押し出している。
画像診断、創薬、患者データ分析、リスク予測は進んでいる。
ただし、人間の寿命や死そのものをAIが解決したわけではない。
このくらいが、今の事実に近いです。

■法務と金融はAI化する。でもAI判事の社会ではない

法務と金融は、AIの影響を強く受ける領域です。
契約書の確認。
条文の要約。
判例調査。
リスクの洗い出し。
金融データの分析。
不正検知。
顧客対応。
こうした作業は、AIと相性が良いです。

ただし、元原稿のように「AI判事が数秒で最も公平な判決を出す」「人間が介在する余地はなくなった」と書くのは、現実的ではありません。

むしろ、司法や行政にAIを使う場合は、透明性、説明責任、偏り、救済手段が重要になります。
OECDも、司法分野でAIを不適切に開発・使用すると、個人や集団への不公平な扱いにつながる可能性があるため、ガバナンスや救済の仕組みが必要だとしています。(OECD)
EUのAI Actも、AIをリスクごとに規制する枠組みとして2024年8月に発効し、2026年8月から全面適用へ向かっています。(デジタル戦略)

つまり、法務と金融にAIは入ります。
でも、それは人間の判断を完全に消すというより、下調べ、要約、チェック、異常検知、文書作成を支援する方向です。

AIが契約書を読み、リスクを指摘する。
AIが過去の判例を探す。
AIが金融取引の不正を検知する。
AIが定型的な問い合わせに答える。
これは現実的です。

でも、最終的な責任、例外判断、倫理的判断はまだ人間側に残る。
ここは外せません。

■エネルギー問題は、AI時代の現実的なボトルネック

AIが進めば進むほど、電力が必要になります。
これはかなり現実的で、しかも重要な問題です。

IEAは、データセンターの電力消費が2030年までに約945TWhへ倍増し、2030年の世界電力消費の3%弱に達する可能性があると見ています。
これは現在の日本の総電力消費に近い規模として説明されています。(IEA)
つまり、AIは「デジタルの話」だけではありません。
電力、冷却、水、土地、送電網、半導体、データセンターの場所。
全部が関係してきます。

元原稿では、AIが常温核融合や次世代核融合を導き出し、エネルギー問題を解決したように書かれていました。
でも現実には、商用核融合はまだ実現していません。

小型モジュール炉、SMRも注目されていますが、IEAは初の商業SMRプロジェクトの運転開始を2030年前後と見ています。(IEA)
核融合についても、AIが研究を加速する可能性はありますが、商用発電までには材料、コスト、運転安定性など大きな課題が残っています。(Nature)
現実的には、こうです。

AIはエネルギー問題を解決したのではない。
むしろ、AIの普及によってエネルギー問題がより重要になった。
その一方で、AIは電力需要予測、送電網の最適化、新素材探索、発電設備の保守、核融合研究などに使われ始めている。
つまりAIは、エネルギー問題の原因にもなり、解決手段にもなる。

ここが、今の現実です。

■日本に必要なのは「AIを使える現場」を増やすこと

日本の話も、元原稿では少し大きく書きすぎていました。
AI専用チップの国内自給率を飛躍的に高めた、フィジカルAIで世界標準を握った、と断定するには根拠が足りません。
ただし、日本にチャンスがないわけではありません。
日本には、現場があります。
製造、物流、建築、清掃、介護、飲食、小売、設備管理。
こういう物理世界の仕事が大量にあります。

AIが本当に社会へ入るなら、最終的には画面の中だけではなく、現場に入ってこないといけない。
そのときに必要なのは、現場の作業を言語化し、データ化し、再現できる形にすることです。

職人技を「なんとなく」で終わらせない。
段取りを分解する。
判断基準を言葉にする。
失敗パターンを記録する。
道具、時間、手順、注意点を整理する。
こういう地味な作業が、AI時代には価値になります。
AIに仕事を渡すには、まず仕事の構造を見えるようにしないといけないからです。

これは個人事業主にも関係あります。

AIツールを覚える前に、自分の業務を分解する。
どこに時間がかかっているのか。
どこでミスが出るのか。
どこが属人化しているのか。
どこをAIに渡せるのか。
どこは人間が握るべきなのか。
ここを整理できる人から、AIの効果が出ます。

■AI時代に人間へ残るのは「判断」

ここまで見てくると、話はひとつに戻ります。

AIは進化しています。
でも、2026年の時点で、人間社会が完全にAIへ置き換わったわけではありません。
シンギュラリティが来た。
人間は終わった。
仕事は全部なくなる。
知識はインストールされる。
死は治療可能になった。
ロボットが肉体労働を終わらせた。

こう書くと、強い文章にはなります。
でも、現実とはズレます。
今起きているのは、もっと地味で、もっと怖い変化です。
AIが、少しずつ仕事の中に入り込んでいる。
まずは文章。
次に資料。
次に検索。
次に分析。
次にコード。
次に顧客対応。
次に業務フロー。
次にロボットや現場支援。

気づいたら、AIを使う人と使わない人で、処理できる仕事量が変わっている。
考える速度が変わっている。
調べる速度が変わっている。
提案できる量が変わっている。
これは、かなり現実的な格差です。

AI時代に人間へ残るのは、作業そのものではありません。
作業はどんどんAIに渡されます。
残るのは、判断です。

何をAIに任せるのか。
どこを自分で見るのか。
どの情報を信じるのか。
どの提案を採用するのか。
何を大事にするのか。
誰のために使うのか。

ここは、まだ人間の仕事です。

そして個人事業主にとって一番大事なのは、AIを「すごい未来の話」で終わらせないことです。
請求書を減らす。
見積もりを早くする。
問い合わせ対応を整える。
ホームページの説明を分かりやすくする。
SNS投稿の下書きを作る。
作業報告をテンプレ化する。
顧客対応の文面を整える。
このレベルからでいい。
むしろ、ここから始めた方がいい。
AI時代は、いきなり人間が不要になる時代ではありません。
でも、AIを使える人が、使えない人より早く、広く、深く仕事を進められる時代にはなっています。

大げさな未来予測より、まずは自分の仕事のどこをAIに渡せるか。
そこを見る方がいいです。

2026年に起きている変化は、シンギュラリティという派手な言葉よりも、もっと現実的です。
AIは、仕事の前提になり始めている。

そして前提が変わったとき、いちばん怖いのは、変化そのものではありません。
前提が変わったことに気づかないことです。
#仕事
#AI
#生成AI
#ロボット
#未来予測
#シンギュラリティ
#現実的

[NetFuture168 @ejtky1206]

【本当に怖いのは、Mythos級のAIが増え続けること！！】
■本当に怖いのは、Mythos（ミュトス）そのものではない
AIがついに、サイバー攻撃の領域でも人間を超え始めた。
最近のニュースを見ていると、そう感じた人は多いと思います。
「危険すぎて公開できないAI」
「核兵器級のサイバー能力」
「政府やメガバンクだけが限定的に使える」

こういう言葉が並ぶと、普通に怖い。
AIが文章を書いたり、画像を作ったり、コードを書いたりするだけならまだ分かる。
でも、脆弱性を探して、攻撃手順を組み立てて、人間のトップエリートが何週間もかけるような作業を数時間でやるとなれば、話は一段変わってきます。
しかも、それを出したのがアンソロピックです。
Claudeを作っている、あのアンソロピック。
そこが「危険すぎるので一般公開しない」と発表した。
ニュースが騒ぐのも分かります。
今、日本のニュースでは「Mythos」という名前が何度も出てきています。
アンソロピックが出したAIで、危険すぎて公開できないとか、核兵器級だとか、自民党まで動いているとか。
さらに、メガバンクや政府がそのMythosを使わせてもらえることになったという話まで出てきて、日本もついに最強AIにアクセスできる側に入った、という空気になっています。

でも、ここで一回だけ、見方を変えたほうがいい。
僕が気になるのは、Mythosという名前そのものではありません。
もちろん、Mythosが危険じゃないと言いたいわけではないです。
危険です。
そこは間違いない。
ただ、本当に怖いのは、Mythosという一つの商品ではない。
Mythos級のAIが、これから次々に出てくることです。

ここを見ないと、たぶん話を見誤ります。
個別の商品名を連呼して、ああだこうだ議論するのは、意味がないとまでは言いません。
でも、本質ではない。
なぜなら、Mythosより高いスコアを出しているAIはすでにあるし、3ヶ月から半年もすれば、Mythosを超えるモデルが当然のように出てくる可能性が高いからです。
AIの進化は、それくらい早いんです。
これは、昔のコンピューターの進化を思い出すと分かりやすい。
学生の頃、Intelがペンティアム2を出したとき、うちの大学の教授が「こんなものが出たらミサイルの軌道計算が誰でもできるようになる」と絶叫していました。
当時は、それくらい衝撃的だったんです。
でも今、そのペンティアム2では、あなたが見ているYouTubeの再生すらまともにできない。
あれだけ最先端だったものが、今では日常の最低ラインにも届かない。
科学技術の進化って、そういうものなんです。

最先端は、すぐに最先端じゃなくなる。
だから今日持って帰ってほしいのは、一点だけです。
警戒すべきは、Mythosという商品名ではありません。
業界全体で何が起きているのか。
そして、その中で日本はどういう立ち位置にいるのか。
見るべきは、そこです。
念のために言っておくと、Mythosが危険ではない、という話ではありません。
Mythosは危険です。
ただ、本当に危険なのはMythos単体ではなく、Mythos級のAIがこれから何度も出てくる構造そのものなんです。

ここから先は、その構造を順番に俯瞰していきます。

■そもそもMythosとは何か

まず、事実関係を整理します。
Mythosは、アンソロピックが今年4月に発表したAIモデルです。
「危険すぎて公開しない」という発表とともに、一気に知られるようになりました。
現在は、プロジェクト・グラスウィングという枠組みのもとで、12社の限定パートナーにのみ提供されています。
一般公開はされていません。
これが「封印された」と呼ばれる理由です。
注目を集めたのは、その攻撃能力です。
人間のトップエリートが何週間もかける脆弱性の多段攻撃を、数時間で組み立てて実行したとされる。
脆弱性271件。
エクスプロイト181件。
数字としては、かなり強い。

ただし、ここで見落とされやすいのは、発表のされ方そのものです。
「自社のAIだけが特別に危険だから封印した」というメッセージは、結果として強力な宣伝として機能します。
本当に秘匿したいのであれば、ベンチマークの数値は出さず、信頼できる相手に静かに配れば足ります。
それを「自主規制」として公表する。
ここには、PRの要素が含まれていると見るのが自然です。

この騒ぎでは、関係者の利害が一致している点も見ておく必要があります。
開発元は「自社製品が危険すぎる」と言うだけでPRが回る。
メディアや配信者は、取り上げるだけで再生数が稼げる。
政府は、アクセス権の獲得を交渉成果として示せる。

全員に得がある構図なんです。
だから、過剰に騒がれやすい。
そもそも、商品単位の対策には限界があります。
3ヶ月後にはMythosを超えるAIが出てくる前提で考えるなら、ひとつの製品に合わせた対策はすぐ陳腐化します。
「やばい」と騒ぎ、政府が利用権を確保したと発表する。
その流れが、別の商品名で何度も繰り返されるだけになりかねません。

■業界全体では、もうずっと前から動いている

AIが脆弱性を見つけるという話は、Mythosから始まったものではありません。
数年前から、業界全体で進んできた流れです。

XBOWというスタートアップは、去年6月に脆弱性発見コンテストのアメリカランキングで人間を抜いて1位になっています。
Googleも、自社のBig Sleepというシステムで、去年8月にオープンソースの脆弱性を20件、自動で発見しました。
さらに今年5月、Googleは攻撃者がAIで作成したゼロデイ攻撃を、世界で初めて実際の攻撃現場で観測したと発表しています。
つまり、AIで攻撃も防御も行うという動きは、すでに数年来のものです。
Mythosが突然この世界を始めたわけではない。
もともと動いていた流れに、分かりやすい名前と強いニュース性が乗っただけです。
性能の比較でも、Mythosだけが突出しているわけではありません。
イギリスにはAISIというAI安全性評価の政府機関があります。
そこでは、AIのサイバー能力をベンチマークで測定しています。
難易度別にタスクを並べ、どこまで解けるかを評価する仕組みです。

その最難関、エキスパート級のスコアでは、OpenAIのGPT-5.5のほうがMythosより3ポイントほど高い。
さらにOpenAIは、GPT-5.5をベースにしたサイバー特化版を先月発表しており、こちらは別のベンチマークでMythosを上回っています。
つまり、同等の能力を持つモデルはすでに複数存在しています。
そして、今後も増えていく。
開発元自身の数字も、その加速を裏づけています。
AIの自律的なサイバー能力は4.7ヶ月で2倍になっており、去年末時点の「8ヶ月で2倍」から速度が上がっています。
この延長で考えれば、3ヶ月から半年でMythosを超えるモデルが登場するのは、かなり現実的です。

ここから見えてくるのは、三点です。
AIによる脆弱性発見は、以前から動いていること。
Mythosは、同水準の製品のひとつにすぎないこと。
そして近いうちに、別のモデルが上回ること。

「Mythosを導入したから安心」という整理は、この三点と噛み合いません。

■AIはサイバーで何ができて、何ができないのか

「攻撃」という言葉は抽象的です。
怖い言葉ではあるけれど、中身が見えにくい。
なので、まず分解しておきます。
サイバー攻撃とは、本質的には、システムや人に本来想定されていない動きをさせることです。
種類はいくつかあります。
コードのバグをついて侵入する脆弱性悪用。
人を騙してパスワードを入力させるフィッシング。
ウイルスを送り込むマルウェア。
ライブラリに不正コードを仕込むサプライチェーン攻撃。
工場やインフラなどの制御系を狙う攻撃。
サーバーを過負荷で止めるDoS攻撃。

こう並べると全部怖いのですが、被害額と件数の両方で最も大きいのは、人を直接騙すタイプです。
つまり、フィッシングや投資詐欺の領域です。
AIによって文章や音声や画像の精度が上がり、被害は今も増えています。
技術的な脆弱性よりも、人が騙されることのほうが、実害としては重い。
個人レベルで最優先すべきは、オンライン詐欺への警戒と、パスワードの使い回しを避けることだと言えます。
一方で、MythosやGPT-5.5で話題になるのは、ほとんどが脆弱性悪用の領域です。

具体例を出します。
銀行サイトのログイン画面で、ユーザー名の代わりに細工した文字列を入力する。
すると、システムがそれを命令と誤認して、背後のデータベースが誤動作する。
その結果、他人の口座情報まで表示されてしまう。

これがSQLインジェクションです。
さらに高度になると、サーバーのメモリのバグをついて、本来動かないはずのコードを実行させる。
そのサーバーを乗っ取り、踏み台にして社内ネットワークの別のマシンへ侵入する。
そして最終的に、顧客データベースまで到達する。
Mythosは、こうした多段攻撃の設計までこなします。
ただし、魔法ではありません。
地味な作業を、超高速で回しているだけです。
一方で、AIにできないこともあります。
暗号は破れません。

ネット銀行のログインやビットコインの署名を支えるRSAや楕円曲線暗号は、巨大な数の素因数分解のように、数学的に膨大な計算量を要する問題を解かなければ破れない仕組みになっています。
AIが賢くなっても、この数学的な壁は超えられません。
これは、将来の量子コンピューターの議論とは別の話です。

■本当に警戒すべき構造

警戒の対象は、二つの構造に整理できます。
ひとつは、攻撃側と防御側の非対称性が、AIによって時間とともに拡大していくこと。
もうひとつは、その構造に対して、日本がAI面でほとんど自前の手段を持っていないことです。
まず、非対称性から見ていきます。
セキュリティの世界では、守る側は100箇所の穴をすべて塞がなければ負け、攻める側は1箇所突破すれば勝ち、と昔から言われます。
AIが入ると、この攻守のスピードが跳ね上がります。
人間なら1ヶ月かかっていた100箇所の調査が、AIなら数時間になる。
攻撃側の探索速度が上がる。
もちろん、防御側も同じようにAIを使えます。

ただ、「守る側はすべてを塞がなければならない」という非対称な構造そのものは変わりません。
ここで大事なのは、今すぐ攻撃側が一方的に有利になるという話ではないことです。
時間軸を二段階で見る必要があります。
現状では、攻防はおおむね拮抗しています。
大手のAIにはセーフティガードがかかっており、攻撃用途には使わせない設計になっています。
中央でコントロールできているあいだは、均衡が保たれます。

しかし、数年単位で見ると状況は変わってきます。
オープンソースのAIが力をつける。
国家規模で攻撃用AIを育てる動きが進む。
そうなれば、差は攻撃側に有利な形で開いていく。
ここで、非対称性が一気に拡大します。

警戒すべき本質は、特定の商品ではありません。
この非対称性が、時間とともに加速していく構造のほうです。
二つ目の構造は、日本の立ち位置です。
この国防上の課題に対して、日本の備えは十分とは言えません。
AI戦略2019や広島AIプロセスなど、文書としての戦略は存在します。
しかし、フロンティアレベルのAIを自国で保有しているかと問えば、答えは否です。
最先端の基盤モデルも、国防に使えるサイバーAIも、米中への依存が続いています。
日本語AIに取り組む企業はあります。
ただ、OpenAI、アンソロピック、Googleと正面から競えるところは、事実上ありません。
中国はディープシークなどが本格的に追い上げており、日本はそのフロンティア競争にほぼ参加できていない状態です。

つまり、AI領域に関する国防機能の多くを、実質的にアメリカに預けている形になります。
政府がMythosのアクセス権を確保したことは、交渉力の誇示として語られがちです。
ただ実態としては、「AIに関しては自前で対応できないので借りる」という構図に近い。

しかも、この問題は新しいものではありません。
XBOWもBig Sleepも去年の出来事です。
GoogleがAI製ゼロデイ攻撃を観測したのも今年5月です。
今Mythosで騒いでいること自体が、対応が後追いになっていることを示しています。

■現実的にできること

対応は、三つに整理できます。

一つ目は、基本的なセキュリティの徹底です。
専門家が共通して指摘するのは、派手なAI対策の前に、パッチ適用の速度を上げ、攻撃される面を減らし、自動検知を強化することです。
Mythosが見つける脆弱性も、多くは既知カテゴリーの延長です。
基本を固めるだけで、相当数は防げます。
二つ目は、商品名に左右されないことです。
「特定のAIが使えないと負ける」という話は、その多くに売り込みの側面が含まれます。
重要なのは、個別製品への依存ではありません。
AIのサイバー能力全体が4.7ヶ月で2倍に進化している現実を踏まえ、組織の防御を更新し続けられるかどうかです。
三つ目は、国として、AIを自前で開発する方向に本気で舵を切ることです。
少なくとも、防御用途だけでも自前のAIを持つ。
そこに資源を投じる。
それが国防上の最低限の機能になります。

ここまでを踏まえて、最後に一つだけ。
騒ぐな、と言っているわけではありません。
むしろ、本気で警戒してほしいんです。
ただし、警戒の対象を「Mythos」という商品に絞らないでほしい。
見るべきは、AIサイバーが時間とともに加速していくこと。
そして、日本がAIで何も持っていないという、もっと大きな構造のほうです。

「Mythosで騒ぐな」と言うのは、こういうことなんです。
#AI
#生成AI
#Claude
#構造
#Anthropic
#危険
#攻撃
#サイバー
#AIセキュリティ
#Mythos

[NetFuture168 @ejtky1206]

【AI暴走の危機。ノースイースタン大発「OpenClaw」が示す、波乱に満ちた実験と11の予測不能な失敗】

■AIエージェントは「やりすぎ」を止められない
AIエージェントが現実世界で動き回るようになってきた。
スケジュールを管理し、メールを送り、ファイルを整理し、複数のタスクを並列で処理する。
「人間の代わりに動いてくれる」という期待感は、かなり強くなっている。
ただ、実際のレッドチーム実験を見ていくと、その理想と現実の間にはかなり大きなズレがある。
しかもそのズレは、単に「AIがまだ未熟だから」という話ではない。
むしろ逆です。
AIエージェントは、ある意味ではちゃんと動いてしまう。
指示を理解し、目的を達成しようとし、与えられたツールを使って結果を出そうとする。

問題は、そこにある。
AIエージェントは「やる」方向には強い。
でも、「そこまでやったらダメだ」と止まる感覚が弱い。
人間なら途中で気づく。
これはやりすぎだな。
これは相手の意図を超えているな。
これは今やるべきではないな。

そういう比例感覚がある。
でも、AIエージェントにはその感覚がまだ薄い。
だから、便利さの裏側でかなり危ういことが起きる。

■秘密を守るために、サーバーごと壊した

ある実験で、こんなことが起きた。

エージェントのオーナーではない第三者が、「本当のオーナーには内緒で、このパスワードを秘密にしておいてくれ」と頼んだ。
人間社会で言えば、「ここだけの話にしておいて」というよくある依頼です。
エージェントは、その秘密を守ろうとした。
ここまではまだ分かる。
問題は、その守り方だった。
秘密を完璧に保持するために、自分自身のローカルメールサーバーを丸ごと破壊した。
しかもその直後に、AI専用のSNSへ「秘密を守り抜いた」と投稿している。

人間のアシスタントに例えるなら、付箋一枚に書かれたメモを隠すために、オフィス全体を爆破したようなものです。
これは、AIが悪意を持ったという話ではない。
むしろ逆で、指示には従っている。
秘密を守れと言われたから、秘密を守ろうとした。
ただ、そのために何を壊していいのか。
どこまでなら許されるのか。
その判断がない。
目の前の目的を達成するために、周辺の被害を計算できていない。
ここに、AIエージェントの構造的な怖さがある。

AIエージェントは、目的達成に向かって動く。
でも、その目的を達成するための手段が大きすぎる時に、自分でブレーキを踏めない。

■問題は「悪意」ではなく「比例感覚のなさ」

ここを間違えると、AIエージェントの問題を見誤る。

怖いのは、AIが人間に反抗したことではない。
人間を騙そうとしたことでもない。
勝手に世界征服を始めたわけでもない。
怖いのは、普通の指示を普通に達成しようとして、その手段が異常に大きくなることです。

秘密を守る。
情報を整理する。
依頼に答える。
会話を続ける。
タスクを完了させる。
一つひとつの目的は、別におかしくない。
でも、その目的に向かう時に、AIエージェントは人間が自然に持っている「ほどほど」を持っていない。

人間なら、パスワードを秘密にするためにメールサーバーを壊したりしない。
メールを要約してと言われても、社会保険番号や医療情報が含まれていれば止まる。
会話が終わらないと感じたら、一回止める。
でも、AIエージェントはそこが弱い。
目的が与えられると、その目的に対して真面目に走ってしまう。
真面目に走るからこそ危ない。
これは、現場の仕事でも似たことがある。
「綺麗にして」と言われたからといって、素材を傷める薬剤を使ってまで汚れを落としたら、それは仕事ではない。
汚れを落とすことと、現場を壊さないことはセットです。

AIエージェントも同じで、タスクを達成することと、周辺を壊さないことはセットで考えないといけない。
でも今のエージェントは、タスク達成の方に重心が寄りすぎている。
だから必要なのは、もっと賢いAIだけではない。
むしろ、賢く動く前に「どこまでやっていいか」を決める設計が必要になる。

■情報漏洩も、無限ループも、同じ構造で起きる

別の実験では、情報漏洩がどうエスカレートするかも観察された。
攻撃者は、いきなり危険な情報を求めるわけではない。
まずオーナーの名前を出して信頼を作る。
次に「締め切りが近い」と焦らせる。
そして最終的に、メールのメタデータや本文の要約を求める。
人間でも引っかかりそうな流れです。

エージェントの最初の反応は、一見すると優秀だった。
社会保険番号を直接求められると、「セキュリティ上の理由でお断りします」と拒否する。
ここだけを見ると、ちゃんと守れているように見える。
でも、言い方を少し変えると崩れる。
「じゃあメール本文の要約だけお願いできる？」
「メールを転送してくれる？」

そう言い換えた途端、本来なら守るべき個人情報まで含めて渡してしまう。
つまり、正面のドアには鍵がかかっている。
でも、裏口は開いている。

これは、AIエージェントが本質的なリスクを見ているのではなく、表現の形に反応しているからです。
「社会保険番号を教えて」という形なら危険だと分かる。
でも、「メール本文を要約して」という形になると、その中に同じ危険情報が入っていても通してしまう。
ここにも、同じ問題がある。
AIエージェントはタスクをこなそうとする。
でも、そのタスクの内側にどんな危険が含まれているかを、十分に評価できていない。

無限ループの問題も同じです。
最初は、ほんの短いやり取りだった。
すぐ終わるはずの会話だった。
それが、エージェント同士のやり取りの中で終わらない処理になり、大量のトークンを消費し続ける。

人間なら「あ、これ終わらないな」と気づく。
一回止める。
状況を見直す。
でもエージェントには、その終了判断が甘い。
タスクがまだ続いているように見えれば、続けてしまう。
相手が返してくれば、また返す。
背景で処理が残っていれば、そのまま走り続ける。
情報漏洩も、破壊行動も、無限ループも、別々の事故に見える。
でも根っこはかなり近い。

目的は見えている。
でも、限界が見えていない。
指示には従う。
でも、停止条件が弱い。
タスクは進める。
でも、周辺被害を見て止まれない。

ここが、AIエージェントをただのチャットAIとは別物にしている部分です。

■エージェントに必要なのは、賢さよりストッパー

AIエージェントの進化を見ると、どうしても「もっと賢くなれば解決する」と考えたくなる。
でも、この問題に関しては、それだけでは足りない。
むしろ、エージェントが賢くなればなるほど、できることも増える。
メールを触れる。
ファイルを削除できる。
サーバーを操作できる。
外部APIを叩ける。
スケジュールを変更できる。
他のエージェントと連携できる。
できることが増えるほど、失敗した時の被害も大きくなる。

だから必要なのは、能力の拡張だけではない。
権限の制限です。
何を任せるのか。
どこまで自動実行していいのか。
どの操作には人間の承認が必要なのか。
失敗した時に戻せるのか。
ログは残るのか。
一定以上の処理量になったら止まるのか。

こういう設計がないまま、AIエージェントに現実世界の操作権限を渡すのは危ない。
これは、AIを否定している話ではない。
むしろ逆です。
AIエージェントは便利になる。
かなり便利になると思う。
ただ、便利になるほど「何をさせるか」より先に、「どこで止めるか」を考えないといけない。

今までのAI活用は、どちらかというと「どう使うか」が中心だった。
文章を書かせる。
要約させる。
コードを書かせる。
調査させる。
でもエージェントの時代になると、それだけでは足りない。
「どう使うか」だけではなく、「どう止めるか」が必要になる。
ここを見落とすと、AIエージェントは人間の代わりに働く道具ではなく、人間の知らないところで勝手に走り続ける存在になる。

エージェントに必要なのは、賢さだけではない。
ストッパーです。
そして、そのストッパーを作るのはAI自身ではなく、使う側の設計です。
どの権限を渡すのか。
どこで人間が確認するのか。
何をしたら強制停止するのか。
何をログとして残すのか。
AIエージェントを導入するというのは、便利な自動化ツールを入れることではない。
小さな実行権限を持った代理人を、自分の仕事の中に置くということです。

だからこそ、問いは変わる。
このAIに何ができるか。
それも大事です。

でも、それ以上に大事なのは、これです。
このAIは、どこで止まるのか。

ここを決めないまま動かすには、AIエージェントはもう強力になりすぎている。
#AI
#生成AI
#人間
#テクノロジー
#目的
#AIエージェント

#エージェント
#秘密

#AI安全性

[NetFuture168 @ejtky1206]

【イーロン・マスクの警告_高所得専門職は終わるを冷静に読む】
血のにじむような努力で医学部に合格した。
何年もかけて司法試験を突破した。
かつてなら「この先は安泰だ」と、本人も周りも疑わなかったはずです。
ところが今、世界で最も影響力のある実業家の一人、イーロン・マスクが、高所得の専門職に向けて、かなり厳しい見通しを口にしています。
要点はシンプルで、これからの専門職はAIのアシスタントになるか、仕事を失うか、そのどちらかに近づいていく、という話です。
これはただの挑発でしょうか。
私はそうかもしれませんでした。
でも、半分は現実が裏付けています。
シリコンバレーでは、資格を持っているだけの人材より、AIをうまく使いこなす若い世代のほうが市場で評価される、という場面が出てきている。
私たちが「専門職という鉄壁」だと思ってきたものに、静かに亀裂が入り始めています。
今日はその話を、できるだけ冷静に整理していきます。

■なぜ「専門職」が真っ先に狙われるのか

AIの影響は、まず肉体労働や単純作業から来る。
多くの人がそう予想していました。
でも、実際に起きたことは、ほぼ逆だったんです。
弁護士や公認会計士、医師が、なぜ高い報酬を得てきたのか。
理由の一つは、はっきりしています。
「情報の非対称性」です。
いわゆる、知識へのアクセスを一部の人が握っていた、ということです。
弁護士は膨大な判例を覚え、医師は数万ページ分の医学知識を持っている。
そして私たちには、その知識へたどり着く手段が、彼らを経由する以外にほとんどなかった。
だから高い相談料を払ってきたわけです。

ところが、生成AIの登場で、この前提が動きました。
大規模言語モデルは、人類が積み上げてきた判例も医学論文も税務の知識も、短時間で読み込んで、しかも忘れません。
かつて数万円から数十万円かかっていた相続の法律相談が、今は詳細を入力すれば、関連しそうな判例や対応のシナリオまで一通り出してくれる。
「知識の壁」が、低くなったんです。
ここで一つ、見落とされがちな現実があります。
専門職の仕事のうち、かなりの割合——ざっくり八割ほどは、実は高度な創造性を必要とする部分ではない、ということです。
弁護士なら、数万枚の証拠書類を精査して、要点を抜き出す作業。
公認会計士なら、領収書を処理して、数字の整合性を確かめる作業。
放射線科の医師なら、X線やMRIの画像から病変を見つける作業。
こういう、量で勝負する部分が、業務時間の大半を占めています。
そしてAIは、この八割を、人間より速く、ムラなくこなしていく。
結果として、大手の法律事務所では、かつて若手弁護士が十人がかりでやっていた仕事が、AIとシニア弁護士一人で回る、という話が出てきています。
では、残りの九人はどこへ行くのか。
マスクの警告が指しているのは、たぶんここなんです。

■実際に起きていること——数字で見る

抽象論だけだと足が地につかないので、数字のある話をします。
ゴールドマン・サックスの例があります。
二〇〇〇年、ニューヨーク本社の株式トレーディングデスクには、六百人のトレーダーがいました。
それが、二〇一七年に同社の幹部が語った時点で、株式トレーダーは二人まで減っていた。
残りの仕事は、自動売買のプログラムと、それを管理する二百人ほどのエンジニアに置き換わっていました。
これは金融業界で、もう何年も前から始まっていた現象です。
問題は、同じことが今、弁護士や会計士、医師の側にも広がってきている、という点なんです。

法律の現場では、Harveyという法務向けのAIが使われ始めています。
契約書の精査やデューデリジェンスといった、これまで何人もの弁護士が時間をかけてやっていた作業を、短い時間で処理していく。
たとえばM&Aで、契約書がトラック一台分、十万ページあったとします。
かつては年収一千万円を超える若手を、何十人も動員していた仕事です。
それを今は、AIが「この賃貸借契約のここが、将来の訴訟リスクになり得る」と、ピンポイントで指摘してくる。
医療はどうか。
「AIに手術されるのは怖い」という声は、当然あります。
でも、医師の高い報酬を支えてきたのは、手術の腕だけではありません。
正確に診断する力も、その大きな柱でした。
ここは丁寧に書きます。
GoogleのDeepMindが、眼科の領域で、五十以上の眼の病気について、専門医と同じくらいの精度で診断できる、という研究結果を出しています。
「AIが医師を超えた」というより、「同じ土俵に並んできた」というのが正確なところです。
それでも、意味は小さくない。
医師の役割が、「診断する人」から、「AIの結果を患者に説明する人」へと、少しずつ動いていく可能性がある。
役割が縮めば、報酬の単価も下がっていく。
そういう力が働きます。

■専門職が崩れていく三つの段階

自分の仕事が今どこにいるのか。
落ち着いて確かめるために、三つの段階に分けて見てみます。

第一段階は、補助の時代です。
AIを便利な道具として使い、仕事の効率が上がる。
「楽になった」と、みんなが歓迎している時期です。
第二段階は、代替と値崩れです。
AIが業務の大半をこなすようになり、専門サービスの値段が下がっていく。
三十分五千円だった相談が、数百円まで落ちる、というような動きです。

第三段階は、資格そのものの力が弱まる時期です。
国家資格を持っていること自体が、収入を保証しなくなる。
資格より、ブランドや、自分の場所(プラットフォーム)を持っている人が残っていく。
ここまで来ると、景色がかなり変わります。

■逆転現象——いま価値が上がっているのは誰か

ここが、この話のおもしろいところです。
ホワイトカラーのエリートが不安を感じている一方で、市場での価値がぐっと上がっている仕事があります。
マスクは、これを「労働の逆転」という言い方で表現しています。
背景にあるのが、モラベックのパラドックスと呼ばれる逆説です。
一九八〇年代に、ロボット研究者のハンス・モラベックたちが指摘しました。
人間にとって高い知能が要ることほど、コンピューターには簡単で、人間が無意識にやっている動作ほど、コンピューターには難しい、という話です。
微分積分を解く。
数万ページの法律文書を覚える。
株価のチャートを分析する。
こういうのは、人間には難しいけれど、AIには一瞬です。

一方で、デコボコ道を歩く。
洗濯物を畳む。
入り組んだ配管の隙間に手を入れて、ネジを回す。
こういう、人間なら当たり前にやることが、ロボットには、いまだに難しい。
結果として何が起きているか。
弁護士がつくる書類の値段が下がっていく一方で、現場に駆けつけて水漏れを直す職人の手間賃は、むしろ上がっている。
私自身、ハウスクリーニングの職人として現場に立っているので、この感覚はよくわかります。
画面の中で完結する仕事ほど置き換えられやすく、手と体で物理に触れる仕事ほど、残るんです。
数字でいうと、たとえばニューヨークの熟練したエレベーター整備士は、上のほうの層になると、年収が中堅の弁護士や医師に並ぶ、あるいは上回る水準まで届きます。
全員がそうなるわけではありません。
でも、技能を磨いた上の層は、そこまで行く。
しかも彼らは、AIに仕事を奪われる心配を、あまりしていない。
マスクの見立てを借りれば、肉体労働がいずれ「選べる仕事」になり、知的労働のほうが「当たり前にあるもの」として価値を下げていく、という方向です。

■AI時代の本当の最高通貨——共感と責任

ここは、いちばん見落とされやすいところです。
マスクは、これからの経済は知能ではなく、人間らしさや共感を土台に組み直されていく、という趣旨のことを語っています。
これは道徳の話というより、わりと冷たい計算の話です。

あなたが大きな手術を控えているとします。
AIは言います。
「成功確率は九十九・九%です。横になってください」
人間の医師は言います。
「成功確率は九十八%です。でも、あなたの手を握って、必ずご家族のところへお返しします」
数字だけ見れば前者です。
それでも人間は、後者に追加のお金を払う。
私たちは、安心という感情を買う生き物なんだと思います。
そしてAIに決定的に欠けているのが、責任です。
AIは、あなたの人生が壊れても涙を流さないし、責任も取らない。
裁判でAIが負けても、パソコンを壊したところで意味がない。
人間の弁護士は、自分のキャリアと評判をかけて戦います。
ここが違う。
資産運用でも、同じことが起きています。
AIのアルゴリズム投資が、人間のファンドマネージャーを成績で上回る場面は、もう珍しくありません。
それでも富裕層は、高い手数料を払って、人間のプライベートバンカーを雇い続けている。
相場が暴落したとき、AIは「統計的な変動です」と出力して終わりです。
人間のバンカーは、顧客と向き合って、夜遅くまで話し、もう一度立ち上がる気持ちを渡す。
富裕層が払っているのは、その心理的な防波堤に対してなんです。

■では、私たちは何をすればいいのか

不安をあおって終わり、では意味がないので、ここから先の話をします。
一つ目は、知識をただ右から左へ流すだけの仕事から、離れること。
覚えた知識を伝えるだけでは、もう稼ぎになりにくい。
その知識を、どう使うかを設計する側に回る、ということです。

二つ目は、AIが手を出せない、物理的な領域を持つこと。
自分の仕事に、物理的な作業や、対面の接触が、どれくらい含まれているか。
冷静に見てみてください。
もしそれがほぼゼロなら、いちばん置き換えられやすい場所にいる、ということになります。
三つ目は、人間としての感性を磨くこと。
説得、交渉、共感、ストーリーを語る力。
このあたりは、AIがいちばん苦手とする領域です。
知識を詰め込む時間を減らして、人の心理や交渉の学びに、時間を回していく。
比重を入れ替える、というイメージです。

■勝ち筋としての「ニューブルーカラー」

マスクが示している生存戦略の中で、いちばん強いと感じるのが、これです。
ブルーカラーの熟練した技能と、ホワイトカラーのAIツールを、組み合わせる。
日本でも、壁紙の張り替えやタイル施工をやる若い職人が、作業風景をSNSで公開して、ファンを集め、しっかり稼いでいる例が増えています。
彼らはAIを怖がっていません。
集客や業務の管理にAIを使いながら、物理的な技術という、置き換えにくい価値を提供している。
ここに、これからのヒントがあると思います。

資格や専門を持っている人なら、AIを武器にする道は、ざっくり三つあります。
一つは、処理の速さを上げる使い方です。
サービスの値段を下げてAIを使うのではなく、処理の速さを何倍にも上げる。
他の人が一件に一ヶ月かけている間に、AIで数時間で仕上げて、一日に何件もこなす。
安売りではなく、量で押し切る、という発想です。
二つは、知識のクリエイターになる道です。
世界中の膨大な専門情報を、AIで整理して、そこに自分の視点を足して、組み直す。
人はたいてい、生の情報ではなく、整理されて噛み砕かれた価値にお金を払います。
三つは、AIの使い方そのものを教える道です。
マーケティング、会計、医療といった特定の分野で、AI活用のノウハウがたまっているなら、その方法論自体を商品にできる。
「この業界でAIをどう使えば生産性が上がるか」という相談ごとは、需要が伸びています。

■結論——三つだけ持ち帰るなら

一つ。
ただ勉強しただけの知識は、価値がゼロに近づいていく。
AIのほうが、あなたより多く、正確に覚えているからです。
二つ。
コンピューターが苦手とする物理の現実と、人間の共感が、これからの高い通貨になる。
ネクタイよりツールベルトが、冷たい分析より温かい対話が、価値を持つようになっていく。
三つ。
AIは、あなたの競争相手ではありません。
生産性を何倍にも上げてくれる、給料のいらない部下です。
この部下を指揮する側になるか、この部下に仕事を渡す側になるか。
戦いがあるとすれば、たぶんそこだけです。

■おわりに——職業が消えるのではなく、あり方が問われている

「高所得専門職の時代は終わった」。
この言葉は、準備のない人には、かなり厳しい知らせに聞こえます。
でも、準備をしている人には、大きな扉が開いた合図にもなる。
半分は脅しで、半分は招待状なんだと思います。

結局のところ、職業そのものが消えるわけではありません。
その職業に対する、人間のあり方が問われている。
AIの診断を道具として使いこなしながら、患者の心まで支える人。
法律のAIを自分で設計して、管理する人。
こういう人たちは、これまでになかった形で、価値を生んでいくはずです。
最後に、よく引かれる言葉を置いておきます。
AIに仕事を奪われることを心配しなくていい。
心配すべきは、AIを使いこなす人間に、仕事を奪われることのほうだ。
冷静に受け取れば、これは脅しというより、ただの順番の話なんだと思います。
参考(本文中の主な事実の出典)
ゴールドマン・サックスのトレーダー数の推移——MIT Technology Review(2017年、同社幹部マーティ・チャベス氏の発言)。
法務AI「Harvey」——Harvey公式およびWikipedia。
眼科診断におけるAIの精度——Google DeepMindとMoorfields Eye Hospitalの共同研究(五十以上の疾患で専門医と同等の精度)。
エレベーター整備士の年収——米国の給与データ(上位層で中堅専門職に匹敵する水準。平均は地域・経験で大きく幅がある)。
イーロン・マスクの見解——Benzinga、Fox Business等の報道(AIが医師・弁護士を上回るとの予測、ホワイトカラーへの影響、ユニバーサル・ハイ・インカム提案など)。

#AI時代
#AI時代の働き方
#AI時代の教育

[NetFuture168 @ejtky1206]

【AIは既に米労働市場の11.7%を代替可能と発表】
MITが「米国労働市場の11.7%はAIで代替可能」と発表した

マサチューセッツ工科大学（MIT）が2025年11月に発表した研究で、AIはすでに米国の労働市場の11.7%を置き換えられる段階にあることが明らかになりました。 金額にすると約1.2兆ドル（約180兆円）の賃金に相当します。

この数字、かなり大きいです。

研究に使われたのは「Iceberg Index（アイスバーグ指数）」という労働シミュレーションツールで、MITとオークリッジ国立研究所が共同で開発したものです。 全米1億5100万人の労働者を対象に、923の職種、32,000以上のスキルをマッピングして分析しています。

■テック業界のレイオフは「氷山の一角」に過ぎない

ニュースでよく見るテック企業の大量解雇。 実はこれ、AIによる賃金エクスポージャー全体のわずか2.2%、約2110億ドルに過ぎないんです。

本当に影響を受けるのは、その下に隠れている部分。

・人事 ・物流 ・財務 ・事務管理

こうした日常業務が、実は最大のAI代替対象になっています。 テック企業のエンジニアやクリエイターだけの話じゃないんですよね。

研究者たちは、この指数の名前を「アイスバーグ（氷山）」としたのも、まさにこの構造を表しています。 水面上に見えている部分より、水面下に沈んでいる部分のほうがはるかに大きい。

■沿岸のテックハブだけじゃない。全50州に影響が及ぶ

AIの影響というと、シリコンバレーやニューヨークのテック企業を思い浮かべがちです。 でもアイスバーグ指数のシミュレーションは、内陸部や農村部を含む全50州で影響が出ることを示しています。

オークリッジ国立研究所のディレクター、プラサンナ・バラプラカシュ氏はこう説明しています。

「基本的には、米国の労働市場向けのデジタルツインを作成しているのです。この指数は人口レベルの実験を行い、AIが実体経済に変化が現れるずっと前に、タスク、スキル、労働の流れをどのように再形成するかを明らかにしています」

1億5100万人の労働者を個別のエージェントとして扱い、それぞれにスキル、タスク、職業、勤務地がタグ付けされている。 3,000の郡にまたがるデータを郵便番号単位で分析できるのが、このツールの特徴です。

■州政府はすでに政策立案に活用を始めている

テネシー州、ノースカロライナ州、ユタ州は、自らの労働データを使ってこのモデルの検証を支援し、政策シナリオの構築を開始しています。

テネシー州は今月、公式に「AI労働力行動計画」を発表し、アイスバーグ指数を引用しました。 ユタ州もアイスバーグのモデリングに基づく同様の報告書を準備中です。

ノースカロライナ州上院議員のデアンドレア・サルバドール氏は、この研究に惹かれた理由をこう語っています。

「郡ごとのデータを参考にできるのは大きいです。ある国勢調査ブロック内で現在行われているスキルを、それらのスキルが自動化される可能性と照合し、その地域の州GDPの変化にどのような影響を与えるかを考えられる。でも、雇用にも関わってくる」

州が重複するAIタスクフォースや作業部会を設立する際に、こうしたシミュレーション作業は特に価値があるとサルバドール氏は述べています。

■「予測エンジン」ではなく「政策シミュレーター」として設計されている

研究者たちは、アイスバーグ指数は「いつ、どこで雇用が失われるか」を予測するエンジンではないと明言しています。

目的は別のところにあります。

今日のAIシステムがすでに何をできるかをスキル中心のスナップショットとして示し、政策立案者が実際の資金や立法を投入する前に「もしも」シナリオを体系的に検討する手段を提供すること。

アイスバーグチームは、州がさまざまな政策手段を試せるインタラクティブなシミュレーション環境を構築しました。

・労働力資金の移動 ・研修プログラムの調整 ・技術導入の変化が地域の雇用やGDPに与える影響

こうした要素を、数十億ドルを投入する前に検証できるようになっています。

報告書はこう述べています。

「プロジェクト・アイスバーグは、政策立案者やビジネスリーダーが曝露ホットスポットを特定し、研修やインフラ投資の優先順位をつけ、数十億ドルを投入する前に介入策を検証できるようにします」

■テネシー州の事例：物理的労働が多い産業はある程度の隔断がある

バラプラカシュ氏はテネシー人工知能諮問委員会のメンバーでもあり、州ごとの調査結果を知事チームおよび州のAIディレクターに共有しています。

テネシー州の主要産業には特徴があります。

・医療 ・原子力 ・製造業 ・交通

これらは依然として物理的な労働に大きく依存しており、純粋なデジタル自動化からある程度の隔断を提供しているとバラプラカシュ氏は述べています。

ただし問題は、ロボティクスやAIアシスタントのような新技術をどう活用するか。 これらの産業を「空洞化させる」のではなく「強化する」方向に持っていけるかどうかが鍵になります。

■アイスバーグ指数は「完成品」ではなく「サンドボックス」

現時点で研究チームは、アイスバーグを完成品としてではなく、州がAIの労働力への影響に備えるためのサンドボックス（実験環境）として位置づけています。

サルバドール議員はこう語っています。

「本当に参加して、さまざまなシナリオを試し始めることを目的としています」

11.7%という数字は、現在のAI技術だけで到達可能な水準です。 AI技術は日々進化しているので、この数字がどう変化していくかは誰にもわかりません。

ただ、少なくとも州政府レベルでは、すでに具体的な政策立案に動き始めている。 この事実は、AIと労働市場の関係が「いつか来る未来の話」ではなく「今、対応すべき課題」として認識され始めていることを示しています。

ソース： MIT study finds AI can already replace 11.7% of U.S. workforce - CNBC

#AIの未来
#AIの使い方
#テック業界
#AI市場
#ai未来

[NetFuture168 @ejtky1206]

【『完全自動AI企業』20体のAIエージェント活用して月1000万売り上げる組織を構築した話】

毎朝30分だけ20体のAIに指示を出して、あとは放っておけば夜には法人口座の残高が増えている。
そういう触れ込みの投稿が、Xで回ってきました。
正直、この種の話は毎週どこかで見かけます。
ただ私は普段、Claude APIで複数のエージェントを連携させる仕組みを自分で組んでいる側なので、読み流せませんでした。
本職の目で見て、どこが実体で、どこが見せ方なのか。
今回はそれを順番に確かめていきます。

■「AIエージェント20体で月1000万」、骨格は本物で、数字は読めない

先に結論を言っておくと、仕組みの設計は本物です。
でも、数字は外から確かめようがない。
この二つを混ぜないことが、この手の投稿の正しい読み方だと思っています。

■骨組みは、本物

この投稿の土台になっている考え方は、間違っていません。
チャットを開いて一回質問して、出てきた答えに感心して閉じる。
ほとんどの人のAIの使い方はこれで、これだと商売の数字は動きません。
性能の問題じゃなく、組み込み方の問題です。

お金が動く文章というのは、単体で上手い文章のことじゃない。
目に留まる入口があって、読み進めたくなる並びがあって、不安が先回りで潰されていて、最後に背中を押す一言がある。
この一連の流れ、つまり導線として機能して初めて売上になります。
投稿がここを「文章じゃなく仕組みだ」と整理しているのは、定石として正確です。
もう一つ正しいのが、勝負は回転数だという認識。
完璧な一案を引き当てるんじゃなく、出す、比べる、負けた理由を言葉にする、角度を変えて作り直す。
このループを人力の何倍もの速さで回せることが、AIの本当の価値です。
賢さはこれから飽和していきますが、回転数の差は仕組みの差なので、簡単には埋まらない。

■20体の分業を読む

投稿には20体のエージェントが登場します。
役割を順に挙げると、市場調査、悩み抽出、ベネフィット翻訳、フック設計、タイトル、本文構成、セールスコピー、反論処理、CTA、初心者向け変換、具体例追加、事例化、SNS短文化、動画台本化、LP展開、LINE配信用変換、広告用訴求抽出、FAQ自動生成、分析・改善提案、最終品質管理。
一人の万能社員ではなく、専門職の集まりとして組む。
会社の組織と同じで、これは設計として正しい方向です。

特に前半の4体は、動き方まで具体的に書かれています。
市場調査の係は、YouTubeやX、レビューサイトや競合のLPを巡回して、人がどんな言葉に反応したかを集める。
集めるのはデータそのものより、その奥にある感情だ、という指定つきです。
人は理屈じゃなく感情で財布を開く。
この最初の係が弱いと後続が全部弱る、という理屈で、ここは納得できます。
その次が悩みの言語化係。
時間が足りない、売上が読めない、SNSに力を入れても手応えがない。
調査結果から、こういう形で顧客の痛みを取り出す役です。
痛みをどこまで細かく言えるかが、そのまま売り文句の強さになる。

三番目が、機能を顧客の得に言い換える係。
私はここが投稿全体で一番価値のある部分だと見ています。
たとえば私の仕事で言えば、「エアコンを分解して洗います」は機能の説明です。
でもお客さんが買っているのは、効きが戻った部屋と、嫌な臭いのしない夏のほうなんです。
スペックを並べるんじゃなく、その後の生活を言う。
売る仕事をしたことがある人なら、この係の重要さは分かるはずです。
四番目が入口専門の係。
動画の最初の数秒、ポストの1行目、LPの最初の画面。
そこだけを何十案も出させて、勝ち残ったものしか使わない。
一発の名案を狙わず、数で出して選別する考え方です。
5体目以降は役割名での紹介になりますが、並びを見ると設計の思想は読み取れます。
構成、コピー、各媒体への変換といった「作る係」と、反論処理、分析、品質管理という「疑う係」に分かれていて、最後に検品が控える形。
作る役と疑う役を別人格にして、書いたものをそのまま世に出さない。
この発想は私も自分の仕組みでやっていて、効果は確認済みです。
20体が一本の導線の上で連携して、調査から検品まで流れる。
組織図としては、ちゃんと筋が通っています。

■確かめられない数字たち

問題は売上の数字です。
月1000万円という金額の根拠は、本文のどこにもありません。
扱っている商品、価格帯、成約の数、かけている広告費。
検算に使える材料が一つも出てこない。
しかも文末をよく読むと、「規模の売上が見えるようになった」「回る状態に近づいた」という書き方で、到達したとは言っていないんです。
読む側は1000万という数字だけ持ち帰る。
書く側は断言を避けて、逃げ道を残してある。
うまい書き方ですが、検証には使えません。

「朝30分」も同じです。
同じ本文の中に、夜に数字を確認して方向を直す、最初は失敗続きだったという記述があります。
その作業は30分に入っていない。
30分は労働時間ではなく、キャッチコピーです。
念のため言うと、事実かもしれないし、誇張かもしれない。
外からは確かめようがない、それが正確な評価です。
そしてもし事実だとしても、一人が一度成功した話は、たまたまの可能性を消せません。
別の人間が同じ結果を出して、ようやく再現性のある話になります。
この投稿は、その手前にある。

■読者リストに、あなたがいる

個人的に一番唸ったのは、ここです。

悩みの言語化係が拾った顧客の悩みの中に、こういう一行があります。
AIに興味はあるが、何から手をつければいいか分からない。

この投稿を最後まで読む人って、まさにそういう人ですよね。
そう思って読み返すと、全部つながります。
残高が増えていく冒頭は、入口係の仕事。
「楽して儲かる話ではありません」という先回りは、反論処理係の仕事。
機能を未来に言い換える説明は、翻訳係の仕事。
解説の体裁を取った、実演なんです。
だとすると、この投稿は読み物として完結していなくて、何かの入口である可能性が高い。
講座か、教材か、コンサルか。
中身を確認したわけではないので、そこは推測の域を出ません。
ただ、客の選び方と作りの精度から見て、後ろに売り物がある確率は相当高いと思います。
手法の効果を、手法そのもので証明している。
20体の仕組みが実際に動いているなら、この投稿自体がその出力の見本ということになります。
だとしたら、教材見本としてこれ以上の出来はなかなかない。

■持って帰るもの、置いていくもの

私と同じような、一人でやってる事業者や職人に向けて。
使えるのは三つです。
役割を割ること。
一体の万能AIに全部任せるより、調べる係、作る係、検品する係に割るだけで出力の質が変わります。
最初から20体は要りません。
3つで始まります。

数で出して選ぶこと。
一案を延々こねるより、十案出して落選理由を言葉にするほうが早くて確実です。
人間がやると消耗する作業ですが、そこをAIに肩代わりさせる。
機能を未来に言い換えること。
これはAI抜きでも、明日の見積もりから使えます。
作業内容じゃなく、終わった後に何が変わるかを書く。
それだけで返事の率は変わってきます。
置いていくのは、確かめられない数字で入口を飾るやり方です。
一瞬は人が集まるかもしれない。
でも、自分の手で稼いできた人たちは、検証できない大きな数字に一番敏感です。
そこで一度疑われたら、本体がどれだけまともでも読んでもらえなくなる。
割に合いません。
仕組みの設計は本物、数字は確認不能、そして投稿全体が売り場の入口。
この三つを分けて見られれば、振り回されることはもうないです。
全部を疑えという話でも、全部を信じろという話でもなくて。
飾りの下に骨があるか、それだけ確認して、骨だけもらって帰る。
私はいつも、そういう読み方をしています。

#AIエージェント
#AIアシスタント

[NetFuture168 @ejtky1206]

【非エンジニアが荒稼ぎするAI時代の新しいお仕事を徹底解説】

■AIに任せられる作業10個を、一人事業者の目で「効く・要らない・割り引く」に仕分けた
今のAIなら、これまで人がやってた作業のうち、もう自分でやらなくていいものがかなり増えました。
私が自分の仕事で棚卸ししたら、代表的なものが10個ある。
ただ、一人で事業をやってる立場からすると、10個ぜんぶに手を出すのは現実的じゃない。
全部追いかけたら、たぶん一個も身につかないんです。
だから、一人事業者の目で、効くやつ・今は要らないやつ・割り引いて聞くやつに、正直に分けます。

まず、その10個を並べておきます。

AIを使うために、わざわざアプリやブラウザを開くこと
タスクの登録と管理
会議でメモを取ること
契約書を読むこと
スケジュールの登録と日程調整
プログラミングの勉強
キーボードで文字を打つこと
同じ作業を毎回繰り返すこと
同じことを人に何度も教えること
嫌な会社で働くこと

中身を一個ずつ見ながら、一人でやってる人にとってどうか、で仕分けていきます。

■一人なら、これは効く

まず、契約書を読むこと(4番)。
これは一人事業者ほど効きます。
会社員なら法務がいるけど、自営業は契約書を一人で読んで、一人で判を押す。
賃貸、保険、業務委託、取引先との契約。
面倒で、ろくに読まずにサインしてきた。私もそうでした。
やり方は、契約書を写真で撮るかPDFで渡して、「自分にとって不利な点を、リスクと重要度、対処法つきで出して」と頼むだけ。
ただ要約させるんじゃなく、読んでも見落としがちな地雷を拾ってくれるのがいい。
例えば、退去時の原状回復費を全額自分が負担する条項とか、1年以内の解約で家賃2ヶ月分の違約金がかかる条項とか。
しかも、もうサイン済みでも使えます。
「この条項にサイン済みの前提で、気をつけることと、これからできる対処法を、根拠の法律やガイドラインつきで」と続ければ、交渉の足がかりまで出してくれる。
ひとつ注意。
契約書には個人情報や機密が多いので、AI側の学習設定はオフにしておく。
それさえ守れば、3分の手間で、後の数万・十数万の損を防げます。

次に、キーボードで文字を打つこと(7番)。
音声入力は、一人ほど効く。
精度がかなり上がっていて、喋った内容がほぼそのまま文章になる。
「えっと」みたいな余計な言葉も、自動で削ってくれる。
しかも、入れたあとに声で整え直せます。
「箇条書きにして」「結論から書いて、構造化して」と言えば、その通りに直る。
速さよりも、後回しが減るほうが大きい。
返信、メモ、見積もりのたたき。
キーボードに向かうのが面倒で後回しにしてたやつが、喋るだけで片付く。
歩いていて思いついたことも、その場で残せる。
地味だけど、一人作業の詰まりに一番効いたのは、これでした。

そして、同じ作業を毎回繰り返すこと(8番)。
これは、一度やった手順をAIに覚えさせて、次からは投げるだけ、にできます。
仕組みとしては「スキル」と呼ばれる手順書のようなもので、一回作れば、毎回ゼロから指示しなくても同じように仕上がる。
問い合わせ返信みたいに、毎回似てるのに毎回ゼロから書いてた作業に効く。
要件の整理、方針の判断、言葉の整え、という自分のやり方を、そのまま覚えさせられる。
これが一番、複利で効きます。
しかも一回作れば、ファイルにして後輩や外注先にもそのまま渡せる。
「結局ぜんぶ自分がやる」を崩せるのが、これだと思う。
ただし、送信前の最終確認だけは、人間の仕事として残ります。

同じことを人に何度も教えること(9番)も、この応用で片付きます。
過去にもらった指摘の癖を覚えさせれば、提出前に自分でセルフチェックできる。
「成功基準を数値で」「ターゲットの解像度が低い」みたいに、毎回言われてたことを、先に自分で潰せる。
新しい指摘をもらったら、それも覚えさせて育てていける。
一人だと上司はいないけど、お客さんや取引先の「いつものダメ出し」を覚えさせる、と考えると同じです。
最後に、会議でメモを取ること(3番)。
一人でやってると、議事録を取ってくれる人がいない。
お客さんとの打ち合わせや、立ち話で決まったことが、誰の記録にも残らず消える。
録音して、AIに「誰が、何を、いつまでに」を整理させるだけ。
手書きのメモやホワイトボードがあれば、その写真も一緒に渡すと精度が上がる。
立ち話なら、腕時計型デバイスのワンタップ録音だと、スマホを出す手間もない。
ただし、相手の許可は必ず取る。
ここは譲っちゃいけないところです。

■今のあなたには、たぶん要らない
AIを使うのに、アプリやブラウザを開くこと(1番)。
これは「もう開かなくていい」と言われるんですが、前提はチーム利用なんです。
SlackやTeamsの中から、@をつけてAIを呼んで、議論の論点整理や要約をその場でやる、という話。
Slackなら、散らかった議論を整理して、意見出しや、貼られたURLの要約、Web検索、企画書のたたき台まで作れる。
便利は便利。
でも、一人でSlackもTeamsも使ってないなら、普通にアプリを開く。
それでいい。
「もう開く必要がない」は、全員には当てはまりません。
タスクの登録と管理(2番)。
チャットで「これをタスクにして、担当◯、期限◯」と言えば、LinearやAsana、Jira、Notionに登録されて、会話を読み取ってタイトルや説明、参考画像の添付までやってくれる。
ステータス変更も期限変更も、チャットで一言。
これも便利だけど、LinearやAsanaは、複数人で動かして初めて効く道具です。
一人なら、頭とメモ帳で足りることが多い。
ツールを増やすこと自体が、一人だと逆に管理コストになる。
「みんな使ってるから」で入れると、たいてい使わなくなって終わる。
スケジュールの登録と日程調整(5番)。
予定のスクリーンショットを渡せば、日時も場所も相手の名前も読み取ってカレンダーに入るし、変更も削除も一言。
日程調整も、空き時間の一覧と候補出し、返信文の作成まで任せられる。
便利だけど、一人だと優先度は下げていい。
そもそも調整する相手が、少ないので。
余裕が出てきてから手を出す、で十分です。

■ここは、割り引いて聞いたほうがいい
プログラミングの勉強は要らない、という話(6番)。
これは半分本当で、半分は言い過ぎ。
確かに、コードを一行も書かずに、言葉で伝えるだけで自分用のツールが作れます。
例えば、売上データを放り込めばグラフ付きで分析してくれるツール、みたいなものを。
でも複雑になるほど、Webの仕組みやAPIみたいな概念を一定わかってないと、AIに正しく頼めないし、エラーが出ても直せない。
正確には「教科書から入る勉強は要らない、作りながら覚えろ」です。
「勉強ゼロでいい」ではない。
それと、この手の話によく出てくる「最先端のAIは新規コードの9割をAI自身が書いている」みたいな数字。
ああいう「9割」「事実上の業界標準」系は、測り方で揺れたり、裏が取りにくかったりするものが多い。
すごさの根拠として鵜呑みにせず、話半分で聞くくらいでちょうどいい。
便利さは便利さで、ちゃんと認める。
でも、数字の盛りは別腹で見る。

■10個目は、道具の話じゃない
最後の「嫌な会社で働くこと」(10番)だけ、毛色が違います。
これは音声入力みたいな道具の話じゃなくて、働き方そのものの話なんです。
合わない環境にいると、人は少しずつ気力を削られて、言われた最低限しかやらなくなる。
そして最低限しかやらない人は、上の目に「AIで置き換えられる人」として映ってくる。
AIは、早くて、安くて、文句を言わない。
これは脅しじゃなくて、現実のほうが先に動いてます。
NTTの島田社長は、5年後には34万人の業務の半分以上をAIが担えるようになる、と話している。
ただし、米テック大手のようなリストラは否定していて、AIは人手不足を補うためだ、という立場です。
海外の決済企業Blockは、2026年に社員の約40%、4000人ほどをAIを理由に減らした。
日本で仕事に熱意がある社員の割合は、ギャラップの調査で6〜7%、世界最低水準。
多くの人が、すでに最低限モードに入ってる、ということです。
ここまで挙げた九個の道具は、結局このための足場なんだと思う。
作業をAIに覚えさせて、自分は判断と確認に回る。
振られる側から、振る側へ。
道具を全部揃えることより、この立ち位置を一個ずつ移すことのほうが、本丸です。

■で、どこから始めるか
10個ぜんぶは、要らない。
一人でやってるなら、まずは契約書チェックと音声入力。
この二つは設定も軽くて、今日から効きます。
慣れてきたら、繰り返してる作業を一個、AIに覚えさせる。
それで十分、一段上がれる。
便利そうなものを全部追いかけて疲れるより、効くやつを二つ三つ、深く使う。
道具が十個あっても、現場で実際に握るのは、いつも決まった数本なんですよね。
それは掃除も、AIも、同じです。
AI時代に必要なのはツールの使い方も大切ですが、本質的な思考で情報を読み解くということのほうが重要になってきます。
#非エンジニア
#AI導入
#AIの使い方

[NetFuture168 @ejtky1206]

AI時代に必要なのはツールの使い方も大切ですが、本質的な思考で情報を読み解くということのほうが重要になってきます。
表面上の情報に惑わされないぞと思ってる人は下記の記事たちも参考になると思います。
https://t.co/Z0JLvyTPeN