ドミトリー・ザイツェフは、Dandelion Civilizationの創設者兼CEOです。Dandelion Civilizationは、行動インテリジェンスと人間のAI対応性に焦点を当てたワークフォース変革会社です。彼は、組織がAI時代のために仕事、学習、才能システムを再設計する方法について書いています。
企業が自動化するタスクを決定するとき、通常、時間、コスト、エラー率、出力量を測定します。ただし、タスクが行う人に何を教えるかを測定することは稀です。その省略は重要です。なぜなら、繰り返しまたは非効率的なように見える多くのタスクは、人々が有能な専門家になるための見えない徒弟制度の一部でもあるからです。初めてモデルを構築するジュニアアナリスト、基本的なバグを追跡する開発者、一般的な苦情に対応するサポートエージェント、初期の調査メモを準備する弁護士はすべて仕事をしています。彼らはまた、情報がどのように組み合わさるか、どの詳細が重要か、ミスがどこで発生するか、いつ通常のパターンが適用されないかを学んでいます。AIがタスクを除去して学習プロセスを置き換えなければ、組織は今日の速度を得るかもしれませんが、将来必要な専門知識を弱めることになります。したがって、ワークフォースに関する質問は、AIがエントリーレベルの採用を減らすかどうかということよりも大きいです。リーダーは、経験のない従業員がインテリジェントなシステムを判断、修正、監督できる人になるために使用していた練習ループが何が起こるかを尋ねる必要があります。専門知識は修正を通じて構築される専門知識はしばしば知識として説明されますが、知識だけでは十分ではありません。経験豊富な人々は、弱い信号を認識し、通常の組み合わせに気付き、標準的な答えが安全でないときに理解するのに十分なケースに遭遇しています。その判断は、仕事を試み、フィードバックを受け、エラーを修正し、決定の結果を見て繰り返すサイクルを通じて発達します。多くのジュニアタスクは、価値があるのはそれらがこれらのサイクルを作成するからです。分析の最初のバージョンを書くことは、誰かが何が関連しているかを決定することを強いられます。データをクリーンアップすることは、実際の情報がどれほど不完全であるかを明らかにします。一般的な顧客ケースを処理することは、通常のパターンを教え、それが後に異常なケースをより簡単に認識できるようにします。専門家の完成した出力をレビューすることは、難しい選択がすでに行われて隠されているため、同じ深さを作成しません。AIはこれらのサイクルを圧縮できます。従業員が問題を定義する前に、最初の草案が到着します。開発者が故障を追跡する前に、コードアシスタントが解決策を提案します。分析者が情報源を比較する前に、研究ツールが証拠を要約します。出力はより良いものかもしれませんが、従業員は正しい理由を理解する機会が減ります。AIは学習を加速できるが、設計が重要リスクは避けられません。仕事におけるジェネレーティブAIに関する最も強い証拠の1つは、参加の代わりにガイダンスとして使用された場合、ジェネレーティブAIが、経験のない従業員がより迅速に学習するのに役立つことを示しています。NBERの 5,179人のカスタマーサポートエージェントに関する研究では、ジェネレーティブAIアシスタントへのアクセスにより、生産性が平均14パーセント向上し、初心者および低スキル労働者では34パーセント向上したことがわかりました。研究者は、システムがより強いエージェントの慣行を普及させ、ニューウォーカーをより迅速に経験曲線に沿って移動させるのに役立つことを示唆する証拠を見つけました。その仕事の設計が重要です。エージェントは実際の顧客会話中に提案を受け取りましたが、状況を解釈し、どのように応答するかを選択し、結果を観察する必要がありました。学習ループは完全に維持されました。AIは、従業員を決定から完全に除外することなく、専門家のパターンへのタイムリーなアクセスを追加しました。これは、システムがタスクを完了し、従業員が最後に簡単な承認を行うワークフローとは異なります。人々が診断、選択、結果に積極的に参加している場合、AIはコーチとして機能できます。人々が完成した出力を承認するだけに減らされた場合、テクノロジーは短期的な生産量を増やしながら、長期的な能力にはあまり役に立たない可能性があります。自動化は人間の資本を構築するタスクに到達しているAIが低スキル、繰り返しの仕事だけを除去するという仮定は簡単です。現在の証拠はより複雑なパターンを示唆しています。Anthropicの 2026年1月経済指数では、Claudeによってカバーされたタスクは、経済全体の平均よりも高い教育が必要であることがわかりました。実験的推定では、研究者は、これらのAIカバーされたタスクを職業から除去すると、多くのカバーされたタスクが役割の高等教育コンポーネントを表していたため、職業に第一のデスキリング効果が生じる可能性があると推定しました。Anthropicは、これが予測ではないことを強調しました。職業は進化し、新しいタスクが現れる可能性があるためですが、この発見は企業が自動化について考えるべきことを変えるべきです。ルーチンと開発は反対ではありません。分析の準備は経験豊富な従業員にとってルーチンになるかもしれませんが、ジュニアにとっては必須の練習です。標準契約の作成、一般的なエラーのデバッグ、予測の準備、顧客ヒストリーのレビューは自動化可能かもしれませんが、従業員は職業の構造に触れます。これにより、戦略的な問題が生じます。自動化できる最も簡単なタスクは、新しい従業員が後に難しいタスクを扱うために必要なコンテキストを学ぶタスクである可能性があります。検証パラドックス多くの組織は、人々が生産から検証へと移行するだろうと応じます。AIが仕事を生成し、人間が精度を確認し、コンテキストを適用し、責任を負うというものです。これは妥当ですが、パラドックスを含んでいます。検証自体は、自動化された仕事で助けてくれた専門知識を必要とします。Microsoft Researchの 研究 では、319人の知識労働者とジェネレーティブAIの使用例936件を調査し、AIに対する信頼性が高いほど、批判的思考への努力が少なくなっていることがわかりました。研究では、AIが批判的思考を検証、統合、タスク管理に向けてシフトさせていることもわかりました。これらの活動は価値がありますが、誰かが何かが欠けているかどうかを認識するのに十分なドメイン知識がないと、うまく検証することはできません。経験のない従業員は、答えが明らかに一貫性がないか、サポートされていないかどうかを確認できます。分析が間違ったフレームを使用したか、運用上の制約を無視したか、ありそうにない結論に達したかどうかを認識することははるかに難しいです。完成したAI出力は、従業員がそれを疑問視するための判断を開発する前に完全に見えるため、理解の欠如を隠すことができます。「 にらみ合い技術のフロンティア」に関する研究は、問題をより具体的にします。758人のコンサルタントを対象に実施された実験では、AIユーザーが技術の能力フロンティア内でのタスクを25.1パーセント速く完了し、40パーセント以上の品質の高い結果を生み出したことがわかりました。しかし、フロンティア外のタスクでは、AIユーザーは正しい解決策に到達する可能性が、AIなしで作業した参加者よりも19パーセント低かったことがわかりました。重要な能力は、単にAIを使用することではありません。システムが信頼性のあるパフォーマンスの境界外で動作しているかどうかを認識することです。その境界はほとんど明らかではなく、成功と失敗の両方での経験を通じて学ぶ必要があります。隠れた後継リスク世界経済フォーラムの 2030年の仕事の未来レポートでは、雇用主は、労働者の39パーセントのコアスキルが2030年までに変化することを予想していることがわかりました。また、すでに63パーセントの雇用主がスキルギャップを変革の主要な障害として見なしており、77パーセントが従業員をスキルアップさせ、41パーセントがAIがタスクを自動化するにつれて労働力を削減する予定であることもわかりました。これらの戦略は、組織が仕事の大部分を除去しすぎる場合に矛盾する可能性があります。スキルが形成される仕事を除去すると、会社はジュニアの採用を削減し、シニアの従業員にAIの監督を頼り、数年間は生産性が強いと報告するかもしれません。しかし、弱点は後に現れます。経験豊富な人々が去ったり、需要が拡大したり、システムが見たことがない状況に対処できる従業員が必要になったりします。シニアの専門家も新しい運用上の制約になる可能性があります。AIがワークロードを増やし、難しい出力を確認することができる人が少ない場合、それらの人々はレビューと修正に更多の時間を費やし、教える時間は減ります。会社は生産能力を得ますが、判断を少数の人に集中させます。どの組織も徒弟制度を自動化して、経験を市場から購入し続けると仮定することはできません。多くの企業が同じ戦略を採用すると、外部の経験豊富な才能のプールは最終的に薄く、より高価になります。仕事の開発価値を測定する自動化する前に、企業はタスクを2つの次元で評価する必要があります。1つは出力価値です。結果がどれほど重要で、コストがかかり、時間がかかるかです。2つは開発価値です。タスクを実行することでどのような能力が構築されるかです。出力価値が低く、開発価値も低いタスクは、完全な自動化の明らかな候補です。ルーチン文書の書式設定やシステム間の情報の転送は、基本的な能力が達成された後にはあまり教えません。出力価値が高いが開発価値が低いタスクは、適切な管理があれば自動化できます。組織は結果が重要であるためガバナンスが必要ですが、手動プロセスを維持することは従業員の成長にほとんど貢献しない可能性があります。最も見落とされるカテゴリは、即時の出力価値が控えめでも開発価値が高いタスクです。ジュニア従業員の最初の草案は商業的に重要ではないかもしれません。シニアがそれを修正するからです。しかし、それを作成することは、初期の推論と専門家のフィードバックの貴重な比較を作成します。そのステップを除去すると時間が節約されますが、練習も除去されます。出力価値と開発価値の両方が高いタスクは、通常、完全に委任するのではなく、強化されるべきです。従業員は研究、オプション、批評のためにAIを使用できますが、問題の枠組み、決定の説明、結果の学習については、重要な責任を維持する必要があります。徒弟制度の層を意図的に構築する開発タスクが特定されると、企業はそれらを再設計できます。従業員が過去のすべての手動プロセスを繰り返すことを目指すのではなく、判断力を構築するために必要な経験をより速く、より意図的に再現することを目指します。1つの選択肢は、最初のパス思考を維持することです。AIの提案を見る前に、従業員は最初の診断、予測、または決定を記録します。システムは代替案を提供できます。従業員は2つのアプローチがどこで異なるか、どのアプローチを使用するかを説明する必要があります。組織はまた、AIの失敗、エッジケース、争いのある決定のライブラリを構築できます。成功した出力だけをレビューすることは、従業員にシステムを信頼するよう教えます。失敗したところを研究することは、エスカレーション、追加の証拠、または人間の介入を必要とする条件を認識するのに役立ちます。マネージャーは、学習がツールを超えて転送されるかどうかを評価する必要があります。従業員は最終的な出力の根底にある推論を説明できますか。間違っている場合に仮定することができますか。コンテキストが変化したり、AIが利用できない場合に適応できますか。这些質問は、使用したプロンプトの数や完了したタスクの数よりも、準備度についてより多くのことを明らかにします。最も重要なことは、ジュニア従業員が依然として実際の責任を必要とすることです。シミュレーションと構造化された練習は役立ちますが、専門知識は結果、フィードバック、リアルな複雑さとの接触にも依存しています。AIはこれらの経験をより安全でより頻繁にし、完全に除去するのではなく、する必要があります。ワークフォースの優位性はより速い専門知識から来る最も強い組織は、ジュニアタスクの最大数を自動化するものではありません。低価値の労力を除去しながら、AIを責任を持って使用、挑戦、監督できる人々の開発を加速するものです。これには、自動化のROIのより広い定義が必要です。時間の節約と出力の生産は重要ですが、リーダーは新しいワークフローが組織の将来の判断の供給を強化するか弱めるかを測定する必要があります。専門家のパイプラインを損なうプロセスは、短期的観点ではのみ効率的です。次の自動化プロジェクトを承認する前に、リーダーは追加の質問を1つ尋ねる必要があります。人々はこの仕事を通じて何を学んだのか、この仕事が自動化された後どこで学習が行われるのか。答えは、AIが単により多くの出力を生産するか、次の世代の専門家を生み出すのに役立つかを決定します。
