生成AIを導入する会議では、しばしば「何人分の業務を削減できるか」が最初の議題になります。人件費や作業時間への影響は無視できませんが、エンジニアでテクノロジー論の執筆者でもあるベンカテシュ・ラオ氏は、その見方だけではAIがもたらす変化を捉え損ねると指摘しています。注目すべきなのは、人間の仕事が減るかどうかだけではなく、これまで一部の専門家に限られていた知的能力を、どれほど多くの人が利用できるようになるかという点です。



たとえば、調査、要約、比較、文章作成、簡単な分析を短時間で補助できれば、従来は費用や人手の制約で見送られていた企画にも着手しやすくなります。これは、既存業務の効率化にとどまりません。「考えたいことはあったものの、調べ切れなかった」「顧客ごとの提案を作りたかったものの、工数が合わなかった」といった未実現の需要が、実行可能な仕事へ変わる可能性があります。AIは知的作業を代替する道具であると同時に、知的作業そのものを増やす道具にもなり得ます。

この視点に立つと、企業が測るべき成果も変わります。削減できた時間だけを追えば、空いた時間で新たに試された企画や、従来より深く検討できた課題を見落としかねません。AI導入を単なる省力化として扱うのか、社員が利用できる知的能力を広げる投資として扱うのかによって、権限設計、教育、評価指標は異なるでしょう。ラオ氏の議論が投げかけている中心的な問いは、仕事が残るか消えるかではなく、強力な知能を誰が、どの条件で使えるのかという問いです。

ラオ氏は、AIをめぐる不安を説明するために「重商主義」を引き合いに出しています。重商主義とは、資本主義が広がる以前に影響力を持った経済思想で、土地や金などの限られた富を国家や支配層が確保することを重視しました。この見方では、富は新しく生み出されるものというより、奪われないように管理し、競争相手より多く保有するものとして理解されます。一般の人々は、富を利用して新たな活動を起こす主体というより、労働力として数えられがちでした。



ラオ氏によれば、現在の一部の有力者は知能を同じように扱っています。高度な知能は希少で危険な資源であり、専門家が管理し、価格を高く保ち、競争相手には渡さないほうがよいという発想です。この前提に立てば、誰でも利用しやすいAIモデルは秩序を乱す脅威に見えます。AIが広く行き渡ることで事故や悪用の余地が生じるという懸念だけでなく、専門知識を保有する組織の優位性が薄れるという利害も絡みます。

ここで区別したいのは、安全管理と囲い込みが同じではないという点です。利用者の認証、データ保護、出力の確認、用途ごとの制限には合理的な理由があります。しかし、安全という言葉だけで利用者や競争相手を排除すれば、誰の安全を守り、誰の優位を維持しているのかが曖昧になります。企業に求められるのは、AIへのアクセスを無条件に開放することでも、経営層や専門部署だけに閉じることでもありません。具体的な危険に応じた統制を設けながら、現場が能力を使える範囲をどう広げるかという設計です。

技術が安くなると、その技術に関わる仕事も減ると考えがちです。ラオ氏は、この直線的な予測に異議を唱えています。AIによって一つの知的作業に必要な時間や費用が下がれば、企業や個人は知的活動を減らすのではなく、以前より多くの課題に取り組むかもしれません。文章の下書きが速くなれば作成本数を減らすとは限らず、対象顧客や用途に合わせた複数案を検討する余裕が生まれます。分析の準備が容易になれば、分析担当者を不要にするだけでなく、これまで勘で済ませていた判断にも分析を求めるようになるでしょう。



ラオ氏は、その類比として初期資本主義における消費の変化を挙げています。人々は茶や砂糖などを購入するため、年間約250日ではなく約300日働くことを自ら選ぶようになったという説明です。選べる商品や実現したい生活が増えると、生産性の向上が単純な労働時間の短縮にはつながらず、新たな需要と活動を生むという例です。AIでも、実行可能なプロジェクトの範囲が広がれば、考える量が減るのではなく増えるというのが同氏の見立てです。

企業でこの変化が起きるかどうかは、余剰時間の使い方に左右されます。AIで短縮した時間を削減対象として回収するだけなら、需要の拡大は起こりにくいでしょう。現場が追加の顧客調査、試作品の検討、業務改善の提案などへ時間を再配分できれば、今まで表面化しなかった課題が新たな仕事になります。評価指標も処理件数や削減時間だけでは足りません。着手可能になった案件、比較できた選択肢、改善された意思決定などを確かめることで、AIが知的需要を生み出したかを捉えやすくなります。

誰でも入手しやすいAIモデルは、知能へのアクセスを広げる象徴です。大規模な設備を持たない企業や個人でも、用途に合わせてモデルを試し、仕組みを検証できる可能性があります。そのためラオ氏は、オープンに利用できるモデルを脅威とみなす動きを、知能の希少性を維持しようとする発想と結び付けています。一部のAI企業経営者が安全への恐れを政治的影響力の獲得に利用しているというのも、同氏が示す批判の一つです。



ただし、この主張は「安全性への懸念はすべて口実である」という意味にはできません。モデルが自動化された業務に組み込まれれば、誤った出力、機密情報の漏えい、意図しない操作といった問題への備えが必要です。能力の高いモデルを広く利用できることと、あらゆる用途を無審査で認めることも別の話でしょう。議論を前に進めるには、抽象的な危険を繰り返すのではなく、想定する被害、発生条件、責任主体、軽減策を具体化する必要があります。

B2Bの利用では、モデル自体が公開されているかどうかだけでなく、社内で誰が何に使えるかが実質的なアクセスを決めます。高額な契約を一部部署だけが利用する状態や、承認手続きが複雑すぎて現場が試せない状態も、知能の囲い込みになり得ます。安全部門と事業部門を対立させるのではなく、低リスクの用途は迅速に試し、顧客データや外部操作を伴う用途には厳しい確認を設けるなど、危険に比例した管理が必要です。アクセスの公平性と安全性を同時に設計できるかが、企業のAI活用を左右します。

ラオ氏の議論は、人間がAIを道具として使う場面だけでは終わりません。一定の自律性を持つAIエージェントも、自らのプロジェクトを追求し、知能に対する新しい需要を生み出す可能性があると述べています。AIエージェントとは、質問に一度答えるだけでなく、与えられた目的に沿って作業を分解し、情報を集め、複数の処理を進める仕組みを指します。単純な命令の実行装置より広い役割を持つため、どこまで判断を任せるのかが問題になります。



同氏は、自律的なAIにはガードレールが必要だと認めながら、命令に従うだけの存在に限定すべきではないと考えています。これは、制約をなくすという提案ではありません。許可された範囲で選択肢を探し、見落としていた課題や実行案を提示できる余地を残す考え方です。人間が最初から全手順を指定するのであれば、AIが探索できる範囲は狭くなります。反対に、目的だけを与えて無制限に動かせば、意図しない行動や費用が発生するおそれがあります。

企業が応用する際には、目的、権限、予算、停止条件、確認地点を明確に分ける必要があります。たとえば情報収集と下書きは自律的に進めても、顧客への送信や契約に関わる操作は人間が承認するという設計が考えられます。重要なのは、自律性を一つのオン・オフ設定として扱わないことです。行動の影響に応じて段階を設ければ、AIによる提案や探索の利点を残しつつ、管理可能な範囲に収められます。AIエージェントが新しい知的需要を生むという見方は、こうした統制との組み合わせによって現実味を帯びます。

日本企業にとって直接的な示唆は、AI導入の成否を契約したモデルの性能だけで判断しないことです。高性能なサービスを導入しても、利用者が限られ、承認に時間がかかり、何を入力してよいか分からなければ、現場が使える知能は増えません。反対に、利用範囲だけを急速に広げても、機密情報や顧客情報を扱う基準がなければ、安心して業務へ組み込めないでしょう。アクセスと統制は、一方を選ぶ関係ではなく、同時に整えるべき運用上の条件です。



実務では、職位ではなく用途とリスクに基づいて利用条件を分ける方法が考えられます。公開情報の要約やアイデア出しは広く認め、社内文書を扱う処理には承認済み環境を使い、外部への送信やシステム操作には人間の確認を求めるといった区分です。教育も、一般的なプロンプトの書き方だけでは不十分です。利用できるデータ、出力を検証する責任、問題が起きた際の報告先まで共有してこそ、社員は過度に萎縮せず利用できます。

公平なアクセスは、全員に同一のツールを配ることとも限りません。業務内容に応じた機能や支援が提供され、現場から利用範囲の改善を提案できることが大切です。知識部門だけがAIを管理すると、顧客対応、営業、調達、管理業務などに潜む需要を拾えないかもしれません。小さな実証を複数部署で行い、削減時間に加えて新しく着手できた仕事を記録すれば、囲い込みを避けながら統制を改善できます。AIを誰に使わせるかという判断は、IT調達ではなく組織設計の課題として扱う必要があります。

AI投資を評価するとき、削減額だけを示すと、経営判断は人員の代替へ偏りやすくなります。ラオ氏の見方を企業経営へ引き寄せるなら、確認すべきなのはAIによって新しく可能になった活動です。これまで作れなかった顧客別提案、検討できなかった複数案、調査費用のため見送っていた市場仮説などが生まれたのであれば、AIは既存作業を圧縮しただけではありません。組織が利用できる知的能力の総量と、その使い道を広げたことになります。



その効果を確かめるには、導入前後の作業時間だけでなく、「着手できる案件数が増えたか」「意思決定で比較する案が増えたか」「利用機会が特定部署へ偏っていないか」を見る必要があります。AIの出力をそのまま成果として数えるのではなく、人間による検証を経て業務や判断に利用された結果を追うことも欠かせません。量だけが増えて品質確認が追い付かなければ、知的需要の拡大ではなく、確認作業の滞留を生むためです。

最初の一歩として、現在のAI利用者と用途を棚卸しし、使えない理由を「安全上の制約」「費用」「権限」「知識不足」に分けてみるとよいでしょう。そのうえで、低リスクながら未着手の需要が多い領域を一つ選び、利用範囲を広げた際に何が新しく実行されたかを測ります。雇用を守るかAIを進めるかという二択ではなく、社員が扱える知能をどのように増やし、その成果と責任をどう配分するかを問うことが、経営に求められる判断になります。

- AI elites might hoard intelligence like mercantilists hoarded gold