AIに仕事を奪われる人と残る人の違いは「評価関数」である

AI を使っているのに，なぜか成果が出ない人がいる．

少し前まで，自分は AI にかなり冷めた見方をしていた．便利なのは分かる．コードの補助にもなるし，文章の下書きも出せるし，速く説明を返してくれる．でも心のどこかでは，「結局，過去データからそれっぽく出しているだけでしょ」と思っていた．AI は学習データに依存している．だから，本当の意味では創造していない．そう考えていた．

この文章を書こうと思った直接のきっかけも，そこにある．AI に可能性を感じていた友人に対して，自分は「AI はデータ依存だから大したことはできない」と，少し突き放すようなことを言ってしまった．そのときは，自分の中では正しいと思っていた．でもあとから考えると，その言い方はかなり乱暴だったと思う．この記事は，その友人に送った文章を元にしている．つまり，誰かを論破した話ではなく，自分の粗い理解をあとから回収する話である．

ただ，実際に AI を使って文章を書き，開発を進め，ポートフォリオを作っていく中で，その見方に少しずつ違和感が出てきた．AI が出す案は，たしかに過去のデータに依存している．でも，自分が書く文章や，自分が作るアプリのアイデアは，本当に過去のデータに依存していないのか．そんなことはない．読んだ本，触ったアプリ，うまくいかなかった開発，検索しても誰にも見つけてもらえなかったポートフォリオ，そういう経験が混ざっている．それらが頭の中で組み替えられて，ある瞬間に「これは書けるかもしれない」「これは作れるかもしれない」と思う．

ここで自分の中の問いが少し変わった．AI がデータ依存なのはその通りだ．でも，だから創造できない，と言い切ってしまっていいのか．そう考えると，そこには少し飛躍がある気がした．人間もかなりデータ依存で創造している．ここを見ないまま，「AI はデータ依存だから創造できない」と言うのは，少しナンセンスだと思った．人間を守るために，人間の創造だけを神秘化している感じがする．もちろん，AI と人間が同じだと言いたいわけではない．違いはある．ただ，その違いは「データ依存かどうか」ではなく，もっと別の場所にあるはずだ．

自分は大学 4 年で人工知能を学んでいる．だからこそ，AI を過大評価したくもないし，逆に雑に切り捨てたくもない．机の上で AI 論を回したいわけではなく，実際に使ってみたときに，どこで人間の判断が残るのかをもう少し丁寧に考えたい．その中で今の自分がかなりしっくりきているのが，「創造とは idea の生成と評価の掛け算であり，AI 時代に差がつくのは評価関数の方ではないか」という見方である．

AIは創造できない，という議論は少し粗い

AI は創造できない，という主張には，それなりに正しい部分がある．AI は過去のデータから学習する．確率分布に基づいて出力する．人間が与えた目的や評価基準の中で最適化する．だから，AI が自分の人生から価値基準を作っているわけではない．この点は無視できない．

ただ，この議論は，「データ依存であること」と「創造できないこと」を直結させすぎている．ここが粗い．作家も，エンジニアも，デザイナーも，完全な無から何かを出しているわけではない．過去に見たもの，学んだこと，失敗したこと，腹が立ったこと，憧れたものの上で考えている．人間の創造も，かなり泥臭い再利用である．綺麗に言えば編集だが，少し意地悪く言えば，過去の入力を都合よく組み替えている．

では，人間と AI の違いはどこにあるのか．自分は，「何を良いとするか」を自分の経験に照らして更新できるところに，大きな違いがあると思っている．AI も候補は出せる．かなり速く，かなりそれっぽく出せる．でも，どの違和感を掘るか，どの案を捨てるか，どの方向に賭けるかは，人間側が決めるしかない場面がまだ多い．

AI によって，候補生成のコストは一気に下がった．記事タイトルを十個出す．UI の改善案を出す．コードの実装案を複数出す．事業の切り口を出す．時間がかかった作業が，今は数秒でできる．この変化は大きい．でも，候補が増えたことと，成果が出ることは別である．むしろ候補が増えたぶん，選べない人はさらに迷う．候補生成のコストが下がった時代に，成果を分けるのは候補の量ではない．評価できるかどうかである．

創造を評価関数で考える

ここで，自分の中でかなり整理しやすかった見方を置いてみる．少しラフなモデルだが，考える道具としては便利だった．

$$\text{Creativity} = \arg\max_{\text{idea}} U(\text{idea} \mid \text{experience}) \cdot P(\text{idea})$$

急に数式が出ると身構える人がいると思うので，先に日本語で書くと，言いたいことはかなり単純である．
「思いつける案の中から，自分にとって価値が高いものを選ぶ」
創造をかなり大胆に分解すると，これだけである．

文系の方で，ここで少し背筋が寒くなった人は，この節をいったん雰囲気で読んでもらってもいいし，最悪あとで戻ってきても大丈夫である．いきなり記号が出てくると，「急に選別が始まったのか」と感じるかもしれないが，言っていることはそこまで怖くない．
逆に理系の皆さんであれば，このへんから少し楽しくなってくるかもしれない．人間の創造性について書いていたはずなのに，急に数式が出てきて，しかも完全には厳密でない．この雑さ込みで楽しんでほしい．

まず，$P(\text{idea})$ は「そのアイデアが出てくる出やすさ」だと思ってほしい．どれだけ多く候補を出せるか，どれだけ遠い組み合わせを思いつけるか，どれだけ案の幅があるか．これは生成側の力で，AI はここがかなり強い．人間が一つ考えている間に，AI は十個も二十個も候補を出す．

次に，$U(\text{idea} \mid \text{experience})$ は「そのアイデアを，自分の経験込みで見たとき，どれだけ価値があると思えるか」である．同じ案でも，ある人には退屈で，別の人には切実に見えることがある．過去に何で失敗したか，何に困ったか，何を恥ずかしいと思ったか，何に救われたか．そういうものが評価関数を作る．式の $\mid \text{experience}$ は，まさに「経験込みで見る」という意味である．

そして $\arg\max$ は，「いちばん値が大きくなる案を選ぶ」という意味である．最大値そのものではなく，「どの案を採用するか」を返す記号だと思えばいい．つまりこの式は，「たくさん候補がある中で，出てきやすさと，自分にとっての価値の両方を見て，一番いい案を選ぶ」という話である．

たとえば，記事の切り口として次の二案があるとする．

• A案: 「AI は創造できない」というありがちな批判を正面から論じる

• B案: 「AI 時代に人間に残るのは評価関数だ」という少し抽象的だが，自分の実体験に近い話を書く

ここで，A案は世の中でよく見かけるので出てきやすい．だから $P$ は 0.8 くらいあるかもしれない．でも，自分の実感としては少しありきたりで，書く価値は 0.4 くらいだとする．すると 0.8 × 0.4 = 0.32 になる．
一方で B案は，少し抽象的で書きにくいので，ぱっとは出てきにくい．だから $P$ は 0.5 かもしれない．でも，自分の経験に強く接続していて，読者にも少し見方の転換を渡せそうだと思えるなら，$U$ は 0.9 くらいあるかもしれない．すると 0.5 × 0.9 = 0.45 になる．
このとき選ぶべきなのは B案である．出てきやすい案より，自分にとって価値が高い案の方が，最終的には上に来る．

逆に，P が 0.8 で U が 0.7 の案があれば，かなり強い．たとえば，ポートフォリオの改善で「トップページの世界観をさらに凝る」ではなく，「名前検索でちゃんと見つかるようにメタデータと導線を整える」という案がそれに近い．これは AI でも人間でも割とすぐ出せる案なので P は高い．しかも実際の問題にかなり効くので U も高い．こういう案は派手ではないが，掛け算すると強い．創造というと珍しい案ばかりを想像しがちだが，実際には「ちゃんと効く，そこそこ出しやすい案」を拾えることもかなり重要だと思う．

理系っぽく言えば，この見方は少し内積にも似ている．ここで「ついにベクトルが出てきた」と喜ぶ人と，「もう帰っていいですか」と思う人がきれいに分かれそうだが，話はそこまで難しくない．
idea を特徴ベクトル，experience を通じてできた自分の好みや問題意識を重みベクトルだと思えば，評価とは「どの特徴にどれだけ重みが乗るか」を見ることに近い．自分が最近 SEO の詰まりに強く困っていたなら，「検索される」「名前が伝わる」「目的のページに迷わず飛べる」といった特徴の重みが大きくなる．すると，同じポートフォリオ案でも，派手なアニメーションより導線改善の方が高く評価される．もちろん，ここで書いている式は厳密な数理モデルではないし，内積そのものではない．でも，「案の特徴」と「自分の経験からできた重み」が噛み合ったときに価値が上がる，という感覚はかなり近いと思う．理系の人なら，ここは少し楽しいところかもしれない．

この式で大事なのは，P と U を分けたことである．多くの人は創造を「思いつく力」だと考える．でも，思いつくことと選ぶことは違う．候補を大量に出せても，何を選べばいいか分からなければ，それは創造ではなく散らかったメモである．逆に，評価基準が鋭くても，候補が少なすぎれば選べるものがない．創造は，生成と評価の掛け算である．

AI は P が強い．人間は U を持てる．ここに分担がある．AI は，与えられた評価基準の中で最適化するのは得意だ．でも，「何を良いとするか」を，自分の人生経験から作り直すわけではない．人間はそこが違う．昨日まで良いと思っていたものを，今日の失敗で低く見ることがある．逆に，今までどうでもいいと思っていたものが，ある経験をきっかけに急に重要になることがある．これは単なる好みの変化ではなく，評価関数の更新である．

恋愛の例，評価関数は変わる

評価関数という言葉は少し硬いので，まず直感的な例で考える．恋愛では，何を魅力的だと思うかが変わることがある．若い頃は少し不安定で，何を考えているか分からない人を魅力的だと思うことがある．返信が遅い．急に優しい．機嫌が読めない．そういう予測不能性を「ドキドキ」と評価してしまう．その時点の評価関数では，不安定さに高い点数がついている．

でも，時間が経って，安心できる関係や，話をちゃんと聞いてくれる人の価値に気づくと，過去の見え方まで変わる．あれは魅力ではなく，不安に振り回されていただけではないか，と思う瞬間がある．ここで変わったのは，相手そのものではなく，自分の評価関数である．何を良いとするかが変わったから，同じような行動への評価も変わる．

この例を主役にしたいわけではない．ただ，人間は経験によって U を更新できる，ということは感覚的に分かりやすいと思う．AI は，この変化を自分の体験としては持たない．「刺激を高く評価する」のか，「安定を高く評価する」のか．その基準は人間が与える必要がある．

開発の例，評価軸は外に出すと変わる

この記事でいちばん書きたいのは，開発の話である．自分はポートフォリオを作り，その中で Terraplot というプロダクトの導線も考えていた．Terraplot はまだリリース前で，成功例として語れる段階ではない．むしろ，作って外に出してみる中で，自分の評価軸が何度も変わった例として書きたい．

最初は，とにかく見た目や面白さが重要だと思っていた．普通のポートフォリオではなく，少し変わったものにしたい．動きがある．余白がある．一目で印象に残る．そういう方向に評価の重心があった．これは悪いことではない．

でも，外に出してみると別の問題が見えてきた．名前で検索しても出ない．日本語表記が伝わりにくい．Terraplot への導線が思ったほど素直ではない．冷静に書くとかなり基本的な話だが，作っている最中は意外と見えない．「いい感じに作った」つもりだったのに，伝わる設計になっていなかった．

ここで，自分の評価関数が変わった．最初は，「見た目が面白い」「自分らしい」「少し変わっている」に高い点数をつけていた．でも外に出して確認すると，「検索される」「名前が正しく伝わる」「迷わず目的のページに行ける」という評価軸の重要度が上がった．作っている最中には見えなかったが，外に出した瞬間に初めて見えるズレがある．

AI はこのとき，かなり役に立つ．SEO の改善案を出す．メタデータの文言を考える．名前の表記ゆれを整理する．英語と日本語で URL を分ける案を出す．リンクの置き方を提案する．言語切替 UI の見せ方をいくつも出す．こういう候補生成は速い．自分一人で考えていたら，もっと時間がかかっていたと思う．

でも，AI が出した候補を全部採用すれば良いわけではない．言語切替を大きく見せるべきか，控えめなトグルにするべきか．Terraplot の紹介ページを自分のサイト内に作るべきか，実際のアプリへ飛ばすべきか．日本語名を前面に出すべきか，英語名のデザインを優先するべきか．こういう判断は，AI が勝手に決めてくれるものではない．AI は案を出せる．でも，何を優先するかは自分が決める必要がある．

AIは仕事を奪うというより，仕事の中身を変える

ここから，話は仕事の方につながる．
AI によって案を出すコストは下がった．資料の構成，営業文，LP のコピー，プロダクト改善，分析の切り口，コードの実装案．生成は安くなる．だからこそ，価値は「何を作るべきか判断できること」に移っていく．それっぽい資料を作る人ではなく，その資料が相手の意思決定を進めるかを判断できる人．機能を増やす人ではなく，どの機能がユーザーの摩擦を減らすかを選べる人．そういう人の価値が上がる．

AI の話でよくあるのは，「この職種は消える」という大きすぎる言い方である．でも実際には，職種が丸ごと消えるというより，仕事の中の定型化しやすい部分，既存パターンの組み合わせで回る部分から圧縮されていくのだと思う．ライターなら量産的な下書き，エンジニアなら定型実装，デザイナーならバリエーション出しの一部，そういうところで変化が先に出る．

逆に残りやすいのは，文脈の読み違いが高くつく仕事，責任の所在が重要な仕事，何を作るべきか自体が未確定な仕事である．ここでは，出力の綺麗さより，誰がどう判断したかの方が重い．だから AI は仕事を消すというより，各仕事の中で「生成」と「判断」の比率を変える．この変化は地味だが，かなり大きい．

メディアは不安を煽るが，現実はもっと粘っこい

AI の話で不安が増幅されやすいのは，メディアや SNS と相性がいいからでもある．
「今後 10 年でじわじわ変わる」より，
「この職種は終わりです」の方が読まれる．

でも実際の変化はもっと鈍く，もっとややこしい．会社の業務フロー，法務，顧客対応，既存システム，社内政治，責任の所在，教育コスト，品質保証，そういう泥臭いものが間に入る．技術が可能だからといって，翌日から置き換わるわけではない．むしろ多くの場合，AI は既存業務の上に半端な形で足される．その結果，一時的に速くなる人もいれば，逆に確認作業が増えて遅くなる人もいる．

それに，効率化されたぶんだけ人間の仕事がそのまま減るとも限らない．企業は浮いた時間でじっと休んだりしない．だいたい別のことを始める．資料を増やす．施策を増やす．試作を増やす．顧客ごとの対応を細かくする．つまり効率化は，余暇になるより，別の競争に再投資されやすい．だから「一部の作業は減る」のに「仕事は別に楽にならない」という，かなり現実的で夢のないことが起きる．

一番きついのは，入口が細くなることかもしれない

自分が気になっているのは，ベテランの仕事が全部なくなるかどうかより，初学者や若手の入口がどう変わるかである．AI は，ある程度できる人にとってはかなり便利だ．でも，まだ何が良くて何が悪いか分からない人にとっては，便利さがそのまま学習の近道になるとは限らない．

むしろ逆で，最初にやるはずだった「自分で詰まる経験」が減るかもしれない．エラーの意味を追う前に AI が直してしまう．文章の構成に悩む前に AI が整えてしまう．すると，たしかに目の前の成果物は一応できる．でも，なぜそれで良いのか，なぜそれはダメなのかという感覚が育ちにくい．AI 時代の格差は，「AI を使える人」と「使えない人」の差だけではない．もっと厄介なのは，「AI の出力を評価できる人」と「評価できないまま使ってしまう人」の差だと思う．

自分の中で，雇用の見え方が変わった体験

この話は，机の上だけで考えているわけではない．個人的にかなり印象に残っていることがある．

自分が大学一年のとき，情報分野の教授が，新入生に向けてかなり景気のいいことを言っていた．細かい文言は正確ではないが，「情報分野に入学した諸君は，他の学部などに比べて引く手あまたで，豊かな生活を送れるだろう」というような話だった．それを聞いたとき，自分はかなり嬉しかった．情報分野を選んだことが，将来の安心につながっているように聞こえたからだ．

ところが，ChatGPT が流行りだしたあとの二年生の講義では，その言い方がかなり変わっていた．今度は，「君たちが独り身で生活するなら，十分困ることのない生活はできるだろう」というような，だいぶトーンの下がった言い方になっていた．たった一年で，ここまで空気が変わるのかと思った．

もちろん，教授が急に悲観主義者になったという単純な話ではないと思う．社会全体の期待値が変わったのだと思う．情報分野はまだ強い．でも，以前のように「そこに入れば安心」と無邪気には言えなくなった．AI が仕事を全部奪うからというより，どこまで価値を出せる人材なのかが，より厳しく見られるようになったのだと思う．

AI時代の価値は，選ぶ基準に移っている

ここまでをまとめると，AI 時代に人間の価値が消えるというより，人間の価値の場所が変わっているのだと思う．速く生成する力の価値は，相対的に下がる．なぜなら，そこは AI が強いからだ．一方で，何を良いとするかを決める力，つまり評価関数の価値は上がる．候補が多くなるほど，選ぶ基準が必要になる．情報が増えるほど，何を捨てるかが重要になる．AI が便利になるほど，人間側の判断がむしろ露出する．

ただし，今回書き直しながら思ったのは，評価関数という言葉だけで全部を片づけるのも少し危ないということだ．実際の仕事では，評価基準を持つだけでは足りない．それを言語化し，他人とすり合わせ，外に出して，間違っていたら更新する必要がある．評価関数という言葉は便利だが，実務ではもっと泥臭い．良いと判断するだけではなく，なぜそれが良いか説明し，他人を巻き込み，修正するところまで含めて価値になる．

それでも，中心に残るのはやはり「何を良いとするか」だと思う．AI に記事案を出させることはできる．タイトルも，構成も，導入も，いくらでも出せる．でも，その中で自分の経験に本当に接続しているものはどれか．読者の認識を少しでも変えるものはどれか．ただ綺麗なだけで，誰の痛みにも触れていない文章はどれか．それを判断しなければ，記事はただ整った文章になる．整った文章は，読む側からするとわりと退屈である．

AI を使うほど，逆に自分の経験を掘る必要がある．これは面倒だ．AI に全部任せたいのに，結局自分が問われる．少し詐欺みたいな話だが，たぶんそこが本質である．AI は自分の代わりに候補を出してくれる．でも，自分の代わりに価値基準を生きてはくれない．

これから何を鍛えるべきか

もし今，同じ友人にもう一度返事をするなら，「AI はデータ依存だから大したことはできない」とは言わない．たぶんこう言う．AI は候補を出す力をかなり拡張する．でも，何を良いとするかまでは引き受けてくれない．だから，自分の評価関数を持っていない人ほど，AI を使っているのに前に進めなくなる．

これから人間が鍛えるべきなのは，速く出す力だけではない．選ぶ基準を持ち，その基準を経験によって更新し続ける力である．AI は P を拡張してくれる．しかし，U をどう作り，どう直し，どう言語化するかは，人間の側に残る．AI 時代に価値がある人は，AI を使わない人ではない．AI に丸投げする人でもない．自分の評価関数を持ち，それを外に出し，失敗しながら更新できる人である．

情報系に入れば安泰，という楽観も，AI ですぐ全部終わる，という悲観も，どちらも短絡的だと思う．現実はその間にある．AI に仕事を奪われるかどうかは，職種名だけでは決まらない．どんな基準で働いてきたか，どこまで判断を引き受けてきたかで，かなり変わる．少なくとも今は，そう見ている．

それと，こういう数式や AI 的なものの見方は，別に研究室の中だけで閉じている話でもないと思っている．評価関数の話もそうだし，たとえばベイズ推定のような考え方も，日常生活の中でかなり使い勝手がいい．新しい情報が入ったときに，自分の見方をどう更新するか．最初の思い込みをどこまで引きずるか．そういう話として読むと，案外かなり生活に近い．もし反応があれば，次は「自分の評価関数をどう更新していくか」を，ベイズ推定の話も交えながら書いてみたい．このへんは AI の話というより，むしろ人間がどう考え直すかの話として面白い気がしている．

この記事で書いたような試行錯誤は，実際のポートフォリオ制作や個人開発の中から出てきたものです．
興味があれば，こちらも見てもらえるとうれしいです．
https://koyamasaki.com

#AI #人工知能 #生成AI #ChatGPT #機械学習 #ベイズ推定 #評価関数 #創造性 #文章生成 #プログラミング #情報系 #情報系学生 #大学生 #個人開発 #ポートフォリオ #Web開発 #エンジニア #キャリア #仕事 #note