AIが「解く」時代、リーダーは何をするのか？問い・判断・責任から考える新しいリーダーシップ
AIが情報を集め、論点を整理し、企画案を出し、資料をつくり、コードまで書くようになりました。
これまでリーダーや管理職が時間をかけていた仕事の多くを、AIが短時間で処理し始めています。そうなると、当然のように一つの疑問が浮かびます。
AIが高度になれば、リーダーの役割も小さくなるのでしょうか。
私は、むしろ逆だと考えています。
AIによって「答えをつくる作業」が安くなるほど、何を問うのか、どの答えを採用するのか、何を選ばないのか、誰が結果を背負うのかが重くなるからです。
AI時代にリーダーが不要になるのではありません。
相対的に価値が下がるのは、情報を集め、指示を伝え、進捗を確認するだけのリーダーです。これから価値が上がるのは、見るべき現実を示し、問うべき問いを定め、進む方向を選び、人が自分の足で歩ける状態をつくるリーダーです。
この記事では、安宅和人氏の「AI時代のリーダーシップ：導くとは何か」を起点に、Microsoftの2026 Work Trend Index、McKinseyによる組織変革・リーダー育成の分析、AIによる能力低下を扱った研究などをつなぎながら、AI時代のリーダーシップを実務の言葉で考えます。
AI時代にも、リーダーが必要だと考える理由
先に結論を示します。
AI時代のリーダーシップとは、答えを知っていることではありません。答えらしきものが溢れる状況で、何を問い、何を選ばず、何を人間が背負うかを決めることです。
AIは、情報収集、整理、比較、要約、仮説生成、資料化、文章化といった「解く作業」を急速に担い始めています。
しかし、次のことは同じ種類の作業ではありません。
何を目指すのか
何を問題として扱うのか
誰の痛みを優先するのか
どの品質を良しとするのか
何をやらないのか
どのリスクを引き受けるのか
失敗したときに、誰が説明するのか
AIは選択肢を出せます。質問案も生成できます。異なるシナリオを比較することもできます。
その意味では、「AIには問いを立てられない」と言い切るのは正確ではありません。AIも、与えられた情報から問いの候補や反論、見落とされた論点を提示できます。
人間に残るのは、どの問いを本当に問うべきかを決めることです。
その問いを組織の中心課題として採用するのか。限られた資源を投じる価値があるのか。誰にとって望ましい未来なのか。判断の結果を誰が引き受けるのか。
ここには、価値判断と責任が含まれます。
リーダーシップを「役職」ではなく「機能」として考える
リーダーについて考えるとき、私たちはつい、社長、管理職、プロジェクト責任者といった肩書きを思い浮かべます。
しかし、役職を与えられただけで、人を導けるようになるわけではありません。反対に、正式な肩書きがなくても、方向を示し、周囲を動かしている人はいます。
安宅氏は、リーダーを「人」ではなく、「リーダーシップという機能」として見る必要があると述べています。
その整理に使われているのが、McKinsey社内でシニアマネージャー以上の評価・育成に使われていたという「Five Leadership Model」です。
Thought leadership
目指す先を定め、解くべき問いを示す機能です。
単に詳しい人、正解を知っている人ではありません。組織が向き合うべき問題を定め、「そもそも何を考えるべきなのか」を示します。
People leadership
才能を見つけ、意欲を引き出し、育てる機能です。
仕事を割り振るだけではなく、その人が自分なりの判断基準を持ち、自分の足で動けるようにします。
Client leadership
顧客やステークホルダーとの関係を安定させ、育てる機能です。
相手の要望をそのまま受け取るのではなく、本当に解決すべき問題や、避けられている意思決定を見極めます。
Collaborative leadership
人、部門、組織など、既存の境界を越えて価値を生む機能です。
AI時代には、人間同士をつなぐだけでは足りません。AI、データ、業務プロセス、外部パートナーを含む仕組み全体を動かす必要があります。
Entrepreneurial leadership
これまでになかったことを仕掛け、現実にする機能です。
アイデアを出すだけでなく、既存事業を動かしながら未来の可能性に資源を配分し、事業や制度として定着させます。
このように分けると、AIが代替しやすいものと、そうでないものが見えてきます。
AIは各機能を支えるタスクを代替できます。
しかし、方向を定める、人を育てる、異なる利害を束ねる、リスクを引き受けるといった機能まで、そのまま自動的に成立するわけではありません。
AIが代替するのは、リーダーシップではなく途中のタスク
たとえば、経営会議に向けて市場情報を集め、競合を比較し、複数の戦略案をつくるとします。
以前なら、多くの人が何日もかけていた仕事です。現在は、AIを使えばかなりの部分を短時間で進められます。
ただし、AIが戦略案を10案出したとしても、経営判断が終わったわけではありません。
むしろ、選択肢が増えたことで、次の判断が必要になります。
どの市場へ進むのか
何を自社の強みとみなすのか
どの顧客を優先するのか
どのリスクを許容するのか
どの事業を縮小・撤退するのか
誰に資源を配分するのか
AIは判断材料を増やします。
しかし、その材料が十分か、前提が正しいか、組織としてどの道を選ぶかまでは、自動では決まりません。
安宅氏は、AIが圧縮するのは、調べる、整理する、比較する、叩き台をつくる、文章にする、可視化するといった途中工程であり、人間には「何を問うか」と「最後に何を良しとするか」が残ると整理しています。
この関係は、次のように表せます。
現実を見る
→ 問いを定める
→ AIで探索・整理・試作する
→ 人間が評価する
→ 選び、捨てる
→ 結果を引き受ける
→ 現実を見て問いを更新する
AIが強くなるほど、人間の仕事がゼロになるのではありません。
途中工程が圧縮され、入口の問題設定と、出口の評価・責任が相対的に重くなるのです。
AI時代の差は「作業量」ではなく「判断密度」に出る
ここからは、私の整理です。
AI時代には、作業資本が急速に安くなります。
調査メモ、比較表、企画案、文章、資料、コード、プロトタイプ。これらをつくる速度と量は大きく増えます。
しかし、判断資本は自動では増えません。
判断資本とは、たとえば次のような蓄積です。
現実のどこを見るべきかを知っている
問いの設定がずれていることに気づける
一見よい案の副作用を想像できる
何を捨てるべきかを決められる
相手の言葉と本当の問題の差を見抜ける
不確実な状況でも暫定的な決断を下せる
失敗を認め、方向を変えられる
AIを使うことで、この判断資本が増える場合もあります。
反論を出させる。別の視点を得る。過去事例を調べる。判断基準を言語化する。AIは判断を補助する強力な道具になります。
一方で、AIのもっともらしい出力をそのまま採用し続けると、判断する機会そのものが減る可能性があります。
したがって、AI活用の成果を見るときには、生成量や短縮時間だけでなく、人間の判断がどれだけ濃くなったかを見る必要があります。
Microsoftの2026 Work Trend Indexでは、AIがより多くの仕事を担うほど重要になる人間の能力として、回答者の50％が「AI出力の品質管理」、46％が「批判的思考」を挙げています。同レポートは、AIやエージェントが実行を担うほど、人間には仕事を方向づけ、判断し、結果を所有する余地が広がると整理しています。
ここで注意したいのは、「AIを使う人ほど必ず判断力が高くなる」という意味ではないことです。
Microsoftの調査は、回答者が何を重要だと認識しているかを示したものであり、AI利用によって実際の批判的思考能力が向上したことを直接証明するものではありません。
それでも、AI活用が進むほど、品質管理と判断の重要性が意識されていることは確認できます。
良いリーダーは、答えではなく問いの質を変える
AIは、与えられた問いに対して、多くの答えを生成できます。
そのため、既存の問いに早く答えるだけでは、差別化が難しくなります。
たとえば、次の問いを考えてみます。
どうすれば、この業務をAIで効率化できるか。
この問いに対して、AIはツール、ワークフロー、導入手順を大量に提示できます。
しかし、より重要な問いは別にあるかもしれません。
この業務は、そもそも残す必要があるのか。
顧客にとって、本当に必要な価値はどこにあるのか。
効率化によって、失われる判断や信頼はないか。
この業務を前提としない事業モデルをつくれないか。
AI時代のThought leadershipは、難しい質問を思いつくことだけではありません。
組織が当然だと思っている前提を問い直し、現実に効く問いへ変えることです。
ただし、「よい問い」は会議室の中だけでは生まれません。
顧客の行動を見る。
現場の混乱を見る。
想定どおりに使われなかったプロダクトを見る。
成果が出なかった理由を聞く。
問いの質は、現実との接触によって更新されます。
AIへ質問を繰り返しているだけでは、問いが深まっているように見えても、閉じた情報空間の中を回っている可能性があります。
AIで「作れるから作る」状態を避け、目的と手段を区別する考え方については、別記事「AI時代、『作る力』より『目的を見失わない力』が重要になるのではないか？」でも詳しく整理しています。
顧客が言う「課題」を、そのまま解かない
AI時代のClient leadershipにも、同じ問題があります。
顧客が「問い合わせ対応をAI化したい」と言ったとします。
その要望をそのまま受け取り、チャットボットを導入することはできます。しかし、本当の問題は別かもしれません。
商品説明が分かりにくく、問い合わせが増えている
社内の情報が整理されておらず、担当者も答えられない
顧客対応の権限が曖昧で、確認に時間がかかる
顧客が困っているのではなく、サービス設計自体に欠陥がある
問い合わせ件数を減らすことと、顧客満足度を上げることが混同されている
AIは、提示された課題を解くことには強い。
しかし、提示された課題が本物かどうかを確かめるには、顧客の行動、組織内の事情、避けられている決断まで見る必要があります。
だからこそ、AI時代の顧客支援では、選択肢を増やすだけでなく、相手が本当に決めなければならないことを一緒に見つける力が重要になります。
AIが定型的な分析や提案を担うほど、顧客が本当に向き合うべき課題を見極めるClient leadershipの価値は、相対的に高まるという安宅氏の整理にもつながります。
人だけでなく、AI・データ・業務を束ねる
従来のCollaborative leadershipは、部門間の調整や、異なる専門職をつなぐことが中心でした。
AI時代には、そこへ新しい参加者が加わります。
生成AI
AIエージェント
社内データ
外部データ
業務システム
自動化された承認処理
外部パートナー
人間の専門家
これらを単に接続するだけでは、組織は動きません。
誰が目的を定めるのか。
AIはどのデータを使えるのか。
どこまで自動実行してよいのか。
どの条件で人間へ戻すのか。
誰がAI出力を確認するのか。
失敗時にどう停止し、復旧するのか。
こうした責任分界を設計する必要があります。
McKinseyの2025年のグローバル調査では、生成AIから収益面の効果を得るうえで、ワークフローの再設計が強く関係する要素として報告されています。一方、生成AIを利用する組織のうち、少なくとも一部のワークフローを根本的に再設計したと答えた割合は21％にとどまりました。
この結果は、「AIツールを導入すれば組織が自動的に変わる」という見方を支持しません。
AIから価値を得るには、既存業務の一部を高速化するだけではなく、意思決定、役割、承認、評価、フィードバックの流れを見直す必要があります。
2026年のMcKinseyの分析でも、AI導入の速度に対してリーダー側の準備が追いついておらず、リーダー自身がAIを使いながら、仕事の単位や責任のあり方を理解する必要があると指摘されています。
これは、リーダーの仕事が減るという話ではありません。
リーダーの設計対象が、人間の組織だけでなく、人間・AI・データ・権限・評価を含む運用システム全体へ広がるということです。
アイデアを出す力より、現実に定着させる力
AIによって、アイデアや試作品をつくるコストは下がりました。
新規事業案、商品コンセプト、LP、アプリ、提案資料。以前なら専門家やチームが必要だったものも、個人が短時間で形にできるようになっています。
これは大きな変化です。
ただし、つくれることと、価値になることは同じではありません。
現実の価値へ変えるには、少なくとも次の工程が必要です。
アイデア
→ 問題設定
→ 仮説
→ 要件化
→ 試作
→ 評価
→ 顧客検証
→ 運用
→ 改善
→ 定着
AIが試作を速くするほど、試作品の数は増えます。
その一方で、使われない機能、検証されない企画、運用できないシステムも増える可能性があります。
AI時代のEntrepreneurial leadershipは、アイデアをたくさん出すことではありません。
何が新しく可能になったのか
どの前提が壊れたのか
誰にどんな価値を生むのか
どの仮説から検証するのか
何を途中で捨てるのか
どう事業や組織へ定着させるのか
これらを見極め、実行することです。
McKinseyも、AIは既存パターンから有力な案を生成できる一方、組織にとって本当に突破口となる出力を見極め、挑戦的な目標や制約条件を設定する役割は、リーダーに残ると論じています。
ただし、ここでも「人間だけが創造できる」と過度に単純化するべきではありません。
AIは、人間が思いつかなかった組み合わせや選択肢を提示できます。人間の創造性を拡張することもできます。
それでも、どの可能性を現実へ持ち込み、限られた資源を投じ、途中で撤退し、事業や制度として定着させるかは、組織の判断として残ります。
私は、AI時代の競争力は「つくる速さ」だけではなく、間違いに気づき、問いと行動を更新する速さに移ると考えています。
AIが出した企画をAIに評価させ、さらにAIに修正させるだけでは、閉じた改善ループになります。
顧客、現場、売上、利用状況、失敗、離脱といった現実の情報を戻し、仮説を更新しなければいけません。
問いと判断は、どこから生まれるのか
ここまで、「人間には問いと判断が残る」と書いてきました。
ただし、これだけでは少し精神論に聞こえます。
では、よい問いや判断はどこから生まれるのでしょうか。
安宅氏は、その基盤を、身体を通じた経験や、その人固有の知覚に求めています。人と向き合い、思いどおりにならない現実に触れ、失敗し、違和感を抱いた履歴が、見立ての土台になるという考え方です。
AIは、情報を補い、視野を広げ、仮説を出し、言語化を支援できます。
しかし、本人に代わって顧客から拒絶されることはできません。組織内の信頼を失う痛みも経験しません。自分の判断で資金や時間を失うこともありません。
AIには大量の事例がありますが、本人の人生として引き受けた経験はありません。
ただし、「身体経験がある人間の判断は常に正しい」と考えるのも危険です。
人間の経験には、思い込み、記憶の歪み、成功体験への固執、狭いサンプルからの一般化が含まれます。
したがって、身体経験や現場感覚は、それだけで正しさを保証するものではありません。
その価値は、データやAIの分析を否定することではなく、データに表れていない兆候や、モデルが前提としていない例外に気づくための追加情報になることです。
人間の価値は、すべての場面でAIより高い平均点を出すことではありません。
AIやデータが捉えていない局所的な例外に気づき、必要なら判断を更新できることにあります。
AIが便利になるほど、人が育たなくなる危険もある
AIは、人の能力を拡張します。
一方で、使い方によっては、人から学習機会を奪う可能性もあります。
安宅氏は、辛い途中工程をAIに肩代わりさせ続けると、もっともらしい答えは出せても、その人自身の「裸の知覚」が育たないと警告しています。AIで人を拡張しながら、人を無力化させないことが育成の核心になるという指摘です。
この懸念は、医療分野の研究でも扱われています。
2025年に『Artificial Intelligence Review』へ掲載された混合研究法レビューでは、AIによる意思決定支援への過度な依存が、身体診察、鑑別診断、臨床判断、医師と患者のコミュニケーションなどに影響する可能性が整理されました。
ただし、この結果を「AIを使うと必ず能力が低下する」と一般化することはできません。
同研究の系統的レビュー部分が扱った文献は22本であり、著者自身もこの領域を研究途上のテーマとして位置づけ、長期的な実証研究や継続的なモニタリングの必要性を述べています。
つまり、確認されているのは、デスキリングが無視できないリスクだということです。すべての職種やAI利用へ同じ強さで当てはまると確定したわけではありません。
それでも、次のような状態には注意が必要です。
AIで文章は書けるが、論点を構造化できない
AIで資料はつくれるが、相手の意思決定を設計できない
AIでコードは書けるが、設計意図や障害原因を説明できない
AIで調査はできるが、一次情報の信頼性を判断できない
AIに修正は頼めるが、完成条件を決められない
この状態では、AIが使える間だけ、高い能力があるように見えます。
AI活用とAI依存の境界は、人間がどれだけ手作業をしたかではありません。
目的、評価基準、採否、停止、復旧、責任を人間が保持しているかどうかです。
この点については、「『AIを使える人』と『AIに依存する人』の境界はどこか？」で、より詳しく整理しています。
AIを使わないことが正解なのではない
ここで誤解してはいけないのは、能力低下を避けるために、AIを使わなければよいという話ではないことです。
AIを使わず、すべてを人間が処理することにも問題があります。
調査や制作に時間がかかる
参照できる視点が狭くなる
単純作業に能力を消耗する
試行回数が減る
学習速度が遅くなる
一部の専門家に業務が集中する
問題はAIを使うかどうかではなく、AIを使いながら、人間に何を考えさせるかです。
たとえば育成では、次のような順序が考えられます。
まず人間が、自分の仮説と判断基準を書く
AIに、異なる案や反論を出させる
人間の案とAIの案の差分を比較する
根拠とリスクを確認する
人間が採用・不採用の理由を説明する
現実の結果を確認する
判断基準や業務ルールを更新する
AIを答えの自動販売機として使うのではなく、思考を広げ、判断を鍛える相手として使う。
これなら、AIは熟達を妨げるだけでなく、熟達を加速する装置にもなり得ます。
「守破離」はAI時代にどう変わるのか
安宅氏の記事では、日本の育成モデルとして「守破離」が扱われています。
守：型を学び、守る
破：型を理解したうえで変える
離：型を超え、自分なりの形をつくる
AIは、多くの型を学習しています。
そのため、初心者でも完成度の高い文章、資料、デザイン、コードを生成できます。AIは「守」を速め、「破」の試行回数も増やします。
しかし、「離」は自動的には生まれません。
型を理解しないまま異なる形を出すことと、型を自分の経験によって乗り越えることは別だからです。安宅氏は、AIが「守」と「破」を支援・圧縮する一方、本人固有の「離」は外部装置からそのまま得られるものではないと論じています。
AIによって初心者が早く成果物を出せることは、基本的にはよい変化です。
問題は、成果物の見た目と、本人の能力が乖離することです。
成果物は中級者に見える。
しかし本人は、なぜその構成なのか、どこが危険なのか、何を変更すべきか説明できない。
この状態を防ぐために、必ずしも昔と同じ長い修業を課す必要はありません。
必要なのは、守をなくすのではなく、短く濃くすることです。
基本原理を理解する。
AIの案と自分の案を比較する。
失敗原因を説明する。
採否理由を言語化する。
AIなしでも最低限の復旧ができるようにする。
AIに型を教えてもらいながら、人間は型の意味を理解する。
それが、AI時代の「守」の設計ではないでしょうか。
越境経験の価値は、むしろ高くなる
AIを使えば、自分とは異なる立場の意見をシミュレーションできます。
顧客役、投資家役、批判者役、専門家役として、AIに反論させることもできます。
これは非常に有用です。
ただし、シミュレーションと、実際に自分の前提が通用しない場へ行くことは同じではありません。
現実の相手は、こちらが用意した文脈どおりには反応しません。
説明が伝わらない。
信頼してもらえない。
こちらが重要だと思うことに関心を示さない。
合理的に見える提案が、組織の事情で動かない。
こうした経験は、自分の型を壊します。
安宅氏が越境経験を重視するのは、単に視野が広がるからではありません。所属、役割、文脈の外に出て、自分の前提が通用しない現実と向き合うことで、その人固有の知覚が鍛えられるからです。
だから、AI時代の人材育成では、AI研修だけでは不十分です。
顧客へのヒアリング
異なる職種との共同プロジェクト
現場業務への参加
社外コミュニティでの活動
異なる地域・文化・産業への接触
自分が詳しくない領域での実践
こうした、予定調和ではない経験を意図的に組み込む必要があります。
AIで事前準備と振り返りを支援し、現実の場で前提を壊され、再びAIを使って経験を言語化する。
AIと越境経験は対立するものではありません。
組み合わせることで、学習サイクルを強くできます。
AI時代のPeople leadershipは「教える」から「自立を設計する」へ変わる
これまでの育成では、上司や専門家が正解を教え、部下が覚える形が中心でした。
しかし、AIが多くの知識を即座に提示できる時代には、知識を伝えるだけの役割は小さくなります。
代わりに重要になるのは、次の設計です。
何をAIに任せるか
定型的な調査、整理、変換、叩き台、反復作業はAIへ任せやすい領域です。
何を人間に残すか
目的設定、品質基準、例外判断、関係構築、倫理的判断、最終承認は、人間が明確に保持すべき領域です。
どの能力を失ってはいけないか
AI停止時の復旧能力、基礎原理、誤りを見抜く能力、説明責任、現場への理解などを明確にします。
何をもって成長とするか
作成速度だけでなく、採否理由、問題設定、評価能力、検証行動、再発防止まで評価します。
研修やOJTのゴールを「AIで完成物を出せる」にすると、見かけの生産性だけが上がる危険があります。
より妥当なゴールは、次の状態です。
AIを使って成果物をつくり、その成果物を疑い、直し、採否を説明し、現実で検証し、失敗時に回復できる。
AI活用を人や組織の成熟度として評価する考え方については、こちらの記事で評価軸と段階モデルを整理しています。
「人間の判断」も無条件に信頼してはいけない
ここまで人間の問い、判断、責任の重要性を述べてきました。
ただし、人間の判断を神聖視するのも危険です。
人間には、次のような弱点があります。
自分の経験を過度に一般化する
権威や多数派に引っ張られる
先に決めた結論を正当化する
都合の悪い情報を無視する
感情や利害を客観的判断と混同する
過去の成功パターンへ固執する
AIより人間が常に優れているわけではありません。
むしろ、定型的な比較、情報量の多い探索、一貫したルールの適用などでは、AIやアルゴリズムの方が優れる場面もあります。
したがって、目指すべきは「人間が全部判断する組織」ではありません。
AIと人間のそれぞれの弱点を補う、次のような仕組みです。
AIには根拠と不確実性を出させる
人間は判断基準と採否理由を記録する
重要判断には複数の視点を入れる
実行前に反証条件と停止条件を決める
結果を計測し、事後評価する
判断履歴を次のAI活用や業務ルールへ反映する
AIを信じすぎない。
人間の直感も信じすぎない。
両方を検証可能な形で運用することが必要です。
AI時代のリーダーが担う5つの仕事
ここまでを実務のフレームにまとめると、AI時代のリーダーには、次の5つの仕事があります。
1. 現実を見る
AIやレポートだけでなく、顧客、現場、利用データ、失敗、違和感に直接触れます。
2. 問いを定める
AIに質問案を出させることはできますが、何を組織の中心課題とするかは人間が決めます。
3. 判断基準を示す
速さ、利益、品質、安全、顧客価値、社会的影響など、何を優先するかを明確にします。
4. 人とAIの役割を設計する
AIへ任せる領域、人間が承認する領域、自動実行を止める条件、失敗時の復旧方法を決めます。
5. 結果を引き受け、学習へ変える
成功も失敗も、AIのせいにせず組織の判断として引き受けます。その結果を、次の問い、業務、評価基準、人材育成へ戻します。
これは、リーダーがすべてを自分で決めるという意味ではありません。
むしろ、現場の知識、専門家の判断、顧客の声、AIの分析を組み合わせ、誰がどの判断を持つべきかを設計することがリーダーの仕事です。
経営者と管理職が、いま見直すべきこと
AI時代のリーダーシップを、抽象的な精神論で終わらせないためには、日々の会議、評価、研修、業務へ落とし込む必要があります。
会議では、答えより先に問いを確認する
AIがつくった資料の説明から始めるのではなく、次を先に確認します。
今回、何を決める会議なのか
その判断で変えたい現実は何か
前提としている仮説は何か
どの情報が不足しているか
どの条件なら判断を変えるか
AI出力の採用理由を残す
「AIがこう言ったから」ではなく、なぜ採用したのか、なぜ却下したのかを記録します。
これが、組織の判断資産になります。
人材評価を生成量だけで行わない
速くつくった、たくさんつくっただけでなく、次も評価します。
問いの設定
根拠の確認
反論への対応
品質基準
採否理由
現実検証
失敗からの更新
再発防止の仕組み化
あえてAIを使わない訓練も残す
すべてを手作業に戻す必要はありません。
ただし、重要能力が失われていないかを確かめるため、AIなしで基礎的な判断や復旧ができる機会を残します。
これは懐古的な訓練ではなく、AIやネットワークが使えないときにも重要業務を継続するためのレジリエンス設計でもあります。
リーダー自身がAIを使う
AI導入を現場や専門部署だけに任せ、経営者や管理職が報告を受けるだけでは、仕事の変化を十分に理解できません。
McKinseyは、AIを活用する組織を導くには、リーダー自身が実際にAIを使い、できること、限界、リスクを体験的に理解する必要があると指摘しています。
リーダーが全員エンジニアになる必要はありません。
しかし、使ったことのないAIについて、導入方針、責任分界、評価制度を決めるのは危険です。
現実との接点を増やす
AIとの対話時間が増えるほど、顧客、現場、異なる立場の人と接する時間を意図的に確保します。
AIが問いを広げ、現実が問いを壊し、人間が問いを更新する。
この循環をつくることが大切です。
AI時代に「導く」とは、答えを教えることではない
AIは、これからさらに多くのことを「解く」ようになります。
集める。
整理する。
比較する。
仮説を出す。
書く。
つくる。
動かす。
だからといって、リーダーが不要になるわけではありません。
答えらしきものが大量に出るほど、何を問うかが重要になります。
選択肢が増えるほど、何を選ばないかが重要になります。
できることが増えるほど、何をやるべきか、何を途中でやめるべきかが重要になります。
そして、どれだけAIが高度になっても、現在の組織制度のなかで、AIそのものが経営責任や説明責任を負うわけではありません。
AIの提案を採用し、「こちらへ進む」と決め、その決断によって影響を受ける人へ説明し、失敗を認め、必要なら撤退するのは人間です。
安宅氏は、AI時代の「導く」を、答えへ連れていくことではなく、見るべき現実、問うべき問い、選ぶべき未来、そして人が自分で歩ける状態へ導くことだと表現しています。
私は、この整理に強く同意します。
ただし、AIと人間を単純に対立させるべきではありません。
AIが「解き」、人間だけが「導く」という固定的な分業でもありません。AIは問いを広げ、判断材料を整理し、リスクを指摘し、人間の思考を支援できます。
それでも、何を目的とし、誰の利益を優先し、どの選択肢を採用し、結果をどう引き受けるかは、人間と組織の仕事として残ります。
AI時代のリーダーの価値は、自分だけが正解を知っていることではありません。
人とAIが大量の可能性を生み出すなかで、目的を見失わず、現実から逃げず、判断と責任を引き受け、組織全体の学習を前へ進めることです。
一文に圧縮するなら、こうなります。
AI時代の差は、答えを出す速さではなく、何を問い、何を捨て、何を背負うかに出る。
AIが「解く」時代だからこそ、人間は「導く」という仕事を取り戻さなければなりません。
企業で実行する場合
AI時代のリーダーシップを理念だけで終わらせず、研修、業務設計、人とAIの責任分界、評価制度、AIエージェントの運用へ落とし込むには、組織ごとの設計が必要です。
企業でAI活用を研修だけで終わらせず、業務設計・開発・改善運用まで進めたい場合は、支援内容を以下の記事にまとめています。
出典・参考資料
安宅和人「AI時代のリーダーシップ：導くとは何か」（2026年6月24日）
https://kaz-ataka.hatenablog.com/entry/2026/06/24/224845Microsoft, “2026 Work Trend Index: Agents, human agency, and the opportunity for every organization”（2026年5月5日）
https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organizationMcKinsey & Company, “The state of AI: How organizations are rewiring to capture value”（2025年3月12日）
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-valueMcKinsey & Company, “Developing human leadership in the age of AI”（2026年）
https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/building-leaders-in-the-age-of-aiMcKinsey & Company, “You can’t lead AI from the sidelines”（2026年7月7日）
https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/the-organization-blog/you-cant-lead-ai-from-the-sidelinesChiara Natali et al., “AI-induced Deskilling in Medicine: A Mixed-Method Review and Research Agenda for Healthcare and Beyond,” Artificial Intelligence Review, Vol.58, Article 356（2025年8月27日）
https://link.springer.com/article/10.1007/s10462-025-11352-1
