AI時代における「専門性」の再編

GPT-6 AstraとClaude Opus 5.5が、ほぼ同じ時期に登場しました。新しいAIモデルの発表による変化に慣れてしまった人も多いかと思いますが、今回は仕事の前提そのものが、もう一段変わったように感じています。

きっかけはベンチマークではありません。OpenAIが公開したGPT-6 Astraの実務例、特にプレゼンテーション資料を見て、自分でゼロから作る必要のある仕事が大きく減ると感じたからです。

ただし、高性能なモデルがあれば十分というわけでもありません。コンテキスト、資料、テンプレート、ツール、権限、検証まで揃って、初めてAIは実務で使えるシステムになることは今のところ変わらないでしょう。

専門的だった「実行」の汎用化

私は以前、経営コンサルティング会社で働いていました。1枚のスライドに何時間もかけ、何を伝えるか、どう構成するかを上司と議論しながら、その技術を時間をかけて身につけてきました。

その後も、提案書、投資家向け資料、戦略資料、取締役会資料などを数多くのスライドを作成してきました。今後こうした作業を自分の手で行う機会は大きく減ると考えている人は多いと思いますが、私は今回のAstaraとOpus 5.5の登場でそれが思っているよりも早く訪れると直感しました。

重要なのは、AIが箇条書きを考えられることではありません。成果物そのものを、実際の仕事で使える水準まで作り始めたことです。

スライドに限らず専門的だった金融業務でも同じ変化が起きています。OpenAIはAstraによる財務モデリングを、AnthropicはClaude Opus 5.5によるM&A分析からExcelモデル、経営向け資料までの一連の生成を紹介しています。

もちろん、これらはベンダー自身による評価ですが、それでも、調査、分析、モデリング、文書化、プレゼンテーションまでが、一つの連続したワークフローになりつつ、全てが実用品質に近付いているのが現実です。

「専門性」と「実行力」の分離

ここで重要なのは、専門性そのものと、専門家レベルの実行能力を分けることです。AIによって豊富になりつつあるのは、まず「専門家としての実行」だと考えています。

たとえば財務モデリングでは、DCFを作れることだけが専門性ではありません。その手法が適切か、どの前提が重要か、結果をどう解釈するかまで含めて専門性です。

これまでは、自分で何度もモデルを作ることで、実行力と判断力が一緒に育ちました。しかしAIは、「作ること」と「評価して判断すること」を分離し始めています。

だからこそ、過去の経験がすぐに無価値になるわけでもありません。自分で数多くの資料やモデルを作った経験は、AIの成果物の違和感や重要な前提を見抜く力として残ります。

一方で、よく議論されるように、ここには人材育成の問題があります。これまで専門家は、「実行する → パターンを認識する → 判断できるようになる」という過程で育ってきました。

AIが最初の「実行」を担うなら、若手はどこで判断力を身につけるのでしょうか。非効率な作業を残すのではなく、レビュー、比較、誤りの診断などを通じて、育成そのものを意図的に設計する必要があると思います。

実行コストと共に、探索コストが低下

以前、「When the Cost of Execution Falls」で、技術は過去の努力に対して対価を払い続けてくれるわけではない、と書きました。習得に何年かかった能力でも、それだけで希少性が維持されることはありません。

ただ、私はこれを悲観的には捉えていません。PowerPointを操作したり、Excelを埋めたりすること自体が、仕事の目的ではなかったからです。

それらは、会社を理解し、顧客を説得し、資金を調達し、意思決定をするための中間工程でした。AIがその一部を取り除くなら、重要なのは節約できる時間より、その結果として何を新たに試せるかです。

以前ならコストに見合わなかった追加分析や複数の仮説検証も、簡単に実行できるようになります。つまり、好奇心の限界費用が下がっています。

この論点は「Beyond Founder Mode」で書いたことともつながります。一つの問いから複数の調査や実装を並列に走らせられるなら、AIは生産技術だけでなく、探索のための技術になります。

AIの能力は「モデル」ではなく「アーキテクチャ」で決まる

こう考えると、「Astraはスライドを作れる」という説明だけでは不十分です。同じモデルでも、社内情報、ツール、データ、権限、参考資料、検証フローがあるかどうかで、できる仕事は大きく変わります。

能力の単位は、モデル単体ではなく、「人＋モデル＋コンテキスト＋ツール＋データ＋権限＋検証＋ワークフロー」に近づいていると考えています。

Microsoftの2026 Work Trend Indexでも、AI活用の成果には個人の姿勢だけでなく、組織文化、マネージャーの支援、人材施策といった組織要因が強く関連していると報告されています。

最先端モデルそのものは、競合企業も同じような条件で利用できるでしょう。差が生まれるのは、その知能を安定して成果へ変換できる環境を、組織として設計できるかどうかです。

マネジメントは「人の管理」から「システム設計」へ

この変化は、マネジメントにも及びます。最近は、人に仕事を割り振るだけでなく、どの仕事をどのAIに任せ、何を並列化し、どこで人間が介入するかを考える時間が増えています。

California Management Reviewでは、これからの知識労働者を「タスク・アーキテクト」と「AIエージェント・オーケストレーター」として捉えています。

目的を定め、仕事を分解し、委任し、観測し、評価し、必要に応じて介入して統合する。その役割は、従来のマネジメントと同時に、制御システムの設計にも近づいていると思います。

これまで10人を管理していたマネージャーが、将来は数人の人間と数百、数千のAI処理を管理するかもしれません。人を管理する能力が不要になるのではなく、管理する対象そのものが拡張しています。

ボトルネックがどこへ移るか

AIによって8時間の仕事が1時間になっても、残りの7時間がそのまま余るとは限りません。実行コストが下がれば、より多くの分析や選択肢を試すようになり、実行量そのものが増えるからです。

すると制約は、作ることから評価することへ移ります。20の分析を作れるようになれば、何が重要かを判断し、矛盾を解消し、注意を配分し、最終判断に責任を持つ必要があります。

ILOも、AI時代のスキルとして高次の認知能力、社会情動的能力、AIリテラシー、適応力、人間の主体性などを挙げています。

ただし、私は「判断力や創造性だけは最後まで人間に残る」と考えることにも少し慎重です。現在のボトルネックが、将来も同じ場所にある保証はありません。

だから、「AIには何ができないのか」を探すことから始めるべきではないと思います。問うべきなのは、何が新しく可能になったのか、何を自分でやめるべきか、そしてボトルネックがどこへ移ったのかです。

この感覚は、実際にAIを使い続けなければ身につきません。AnthropicのAI利用に関する学習曲線の研究も、利用経験と成果の間に一定の関連を示していますが、同時に因果関係の解釈には注意が必要だとしています。

これまで何千時間もかけて身につけた能力の一部は、これから安価になるでしょう。そして、現在は希少な能力も、いずれ同じように安価になる可能性があります。

過去の努力を守ることに意味がないわけではありません。その経験を使って品質を見抜き、より良い問いを立て、より良いシステムを設計し、次の環境へ適応することに意味があります。

求められるスキルは変わり、使う道具も変わります。ボトルネックもまた移動するでしょう。

重要なのは、これまで身につけてきた希少性を守ることではありません。次の希少性がどこに生まれるのかを見極め、自分の時間と能力をそこへ再配分することだと考えています。