AIエージェントの能力が四半期ごとに拡大する中、人間とAIの境界線で働く「フロンティア業務」が、歴史上初めて終着点を持たない労働スキルとして登場した。この新しいスキルセットは、境界センシング、シーム設計、障害モデル保守、能力予測、レバレッジ調整という5つの中核的要素から構成され、従来のAIリテラシーやプロンプトエンジニアリングとは本質的に異なる。重要なのは、AI能力の泡が拡大するたびに表面積も増加し、人間の判断が求められる領域も実際には減少するのではなく増大するという点である。この能力を持つ人材が経済的価値を生み出す時代において、組織は従来の研修プログラムではなく実践環境を構築し、知識ではなく較正能力を測定し、フィードバック密度を最大化する必要がある。また、1人チームや5人の小規模ポッドといった新しい組織構造が、従来の20人チームと同等の成果を生み出す現実が既に始まっている。
フロンティア業務という新しいスキル
これまでの歴史において、すべての労働スキルには終着点がありました。完了する地点が存在したんです。でもAIにはそれがありません。
泡を想像してみてください。内側の空気は、今日AIエージェントが確実にできることすべてを表しています。外側の空気は、まだ人間が必要なことすべてです。そして泡の表面、その薄い曲面の膜こそが、まさに今、興味深い仕事が起きている場所なんです。
そこでは、何を委任して何を自分で保持するか、エージェントの出力をどう検証するか、どこで介入するか、その引き継ぎをどう構造化するかを決めることになります。この表面でうまく働くことが、今日の経済において最も価値ある専門能力なんです。
でもここからが重要なんですが、この泡は膨らんでいるんです。モデルがリリースされるたび、能力が飛躍するたび、推論やコンテキストやツール使用が四半期ごとに向上するたび、泡はどんどん大きくなっていきます。
表面にあったタスクが泡の内側に移動して、エージェントができる領域に入ります。そして境界線は外側へと移動し続けるんです。11月の泡の表面で働くことを学んだ人は、今では泡の内側に立って、自分よりもエージェントのほうが上手にこなす仕事をしていることになります。もうAIモデルには存在しない障害モードに対して検証チェックを実行しているわけです。
拡大する泡の表面積
でも他に何が起こるか気づきましたか。これが単純な話の部分です。みんながこれについて話しています。でもその先に進みましょう。
泡が拡大すると何が起こるか注目してください。表面積が増加するんです。AIがより有能になっても、フロンティアは縮小しません。実際には拡大するんです。人間の判断が必要な境界線は減るのではなく、より多くなります。
人間とエージェントの仕事の間の継ぎ目も減るのではなく、増えます。AIエージェントの膜を何が越えて何が越えないかについての判断が増えます。この新しいエッジでの検証の課題が増えます。人間の注意がこれまで必要としなかった価値を生み出す場所についての決定が増えるんです。
これまでのすべての労働スキル、読み書き能力であれ、計算能力であれ、コンピューターリテラシーであれ、コーディングであれ、すべて目的地でした。到達して、習得して、完了です。目標は動きません。
でもAIにおけるこの泡の表面で働くスキルには、固定された目的地がありません。なぜなら表面は常に外側に拡大しているからです。一度学べば終わりではないんです。表面に留まること、拡大するにつれて一緒に動くこと、足元の曲率が変化する中で足場を維持することを学べます。
でもこれは、労働力開発システムがこれまで生み出すよう求められてきたものとは根本的に異なる種類のスキルなんです。
私たちは拡大する表面のスキルセットを、主に固定された目的地の方法で教えようとしています。すべてのカリキュラム、すべての認定、すべての研修プログラムは、目標が静止していると想定してきました。でもこれは違います。
経済が必要とするスキルと私たちが構築してきたインフラとの間のミスマッチは、グローバルな労働力において私が見た中で最も高くつくギャップです。
そしてこのスキルに名前をつけましょう。「フロンティア業務」と呼びます。泡の表面がフロンティアです。その上で働くこと、それがどこにあるかを感知すること、AIと人間の間の引き継ぎを構造化すること、現在のエッジでエージェントがどう失敗するかのモデルを維持すること、表面が次にどこに拡大するかを予測すること、自分の注意がどこで最大の価値を生み出すかを決めること。
それがフロンティア業務です。それが最高のフロンティアAI業務なんです。
これはAIリテラシーではありません。それは単に言語モデルが何か、プロンプトの書き方を知っているだけです。アルファベットを教えて読者と呼ぶようなものです。
プロンプトエンジニアリングでもありません。それは実践の一要素内の一つのテクニックです。手術をメス操作と呼ぶようなものです。
そして仕事の未来についての多くの基調講演を埋め尽くす、人間の判断についての曖昧な身振りでもありません。なぜならほとんどの人は判断が重要だと正しく認識していますが、それに名前をつけることと教えることが同じだと誤って想定しているからです。
この急速に変化する世界において、フロンティア業務とは、誰もが指し示しているけれども構築している人がほとんどいない、具体的で実践可能でアクセスしやすいバージョンのスキルなんです。
これには構成要素があります。実践を通じて発展します。維持しなければ劣化します。そしてこれは、歴史上初めて、およそ四半期サイクルで期限切れになる労働スキルです。つまり、労働スキルの教え方について私たちが知っているすべてが、このスキルにはあまりうまく機能しないということです。
フロンティア業務の5つの要素
では、箱の中には何があるんでしょうか。フロンティア業務と名付けましたが、曖昧に指差して立っているだけで素晴らしいと言うつもりはありません。
フロンティア業務には5種類あります。世界をAI能力の拡大する泡として想像すると、これはかなり正確だと思いますが、その泡の拡大する表面積全体にわたって持続する5種類のスキルがあります。
最初のものは「境界センシング」と呼んでいます。特定の領域について、人間とエージェントの境界線がどこにあるかについて、正確で最新の運用的直感を維持する能力です。
これは静的な知識ではありません。モデルがリリースされるたび、能力が飛躍するたび、エージェントが長いコンテキストやツール使用をどう扱うかの微妙な変化ごとに更新されます。
Opus 4.5は長い文書の深い部分から情報を確実に取得できませんでした。3か月後、Opus 4.6は256,000トークンでの取得において93%のスコアを記録しました。11月のモデルに対して境界センスを較正して、2月のモデル用に更新していない人は、今、過度に信頼するか、十分に使用していないかのどちらかです。そしてどちらのエラーも非常に高くつきます。
ですからスキルとは、較正を維持することであって、一度持つことではないんです。
これは実際にはどのように見えるでしょうか。プロダクトマネージャーにとって、良い境界センシングとは、エージェントに信頼できる競合分析のドラフトを作成させることですが、同じエージェントが、観察したことも文脈を与えられたこともない2人の幹部間の政治的ダイナミクスを見逃すことを理解しています。
だからプロダクトマネージャーは分析全体をエージェントに渡しません。市場規模と機能比較の部分をエージェントに渡します。これらは今やAIの泡の中に安全に入っているタスクです。そしてプロダクトマネージャーはステークホルダーのダイナミクスのセクションを自分のために残します。
前四半期はその泡がより小さく、機能比較は少なくとも半分手動で更新されていたかもしれません。もうそうではありません。更新されたんです。
マーケティングディレクターだとしましょう。エージェントが堅実な最初のドラフトキャンペーンコピーとABテストのヘッドラインバリエーションを生成するように見えるかもしれません。でもブランドボイスのコピーが3回目か4回目のバージョン後に微妙にトーンから外れるかもしれません。
アイデアの創出にはエージェントを使います。最初のドラフトにはエージェントを使います。声は自分で編集して、バージョン2を超えて反復を求めないようにします。
ここで悪いのはどんな感じでしょうか。マーケティングディレクターがすべてを信頼してハルシネーションに焼かれるか、何も信頼せずにすべてを手動で行うかです。最も一般的なのは、マーケティングディレクターがおそらく6か月前に較正して、境界が移動したことに気づいていないことです。
マーケティングディレクターには境界センシングがスキルセットとしてありません。
2番目のスキルセットは「シーム設計」です。人間とエージェントのフェーズ間の移行がクリーンで、検証可能で、回復可能になるように作業を構造化する能力です。
これは非常にアーキテクチャのスキルです。優秀なエンジニアリングマネージャーがシステム境界について考える方法に近く、個々の貢献者が自分のタスクについて考える方法とは異なります。
シーム設計を行う人は、このプロジェクトを7つの異なるフェーズに分解した場合、どの3つが完全にエージェントで実行可能か、どの2つが人間をループに入れる必要があるか、どの2つがまだ還元不可能に人間的かを尋ねています。各フェーズ間で何の成果物が渡されるか。各移行時に何を見れば物事が順調だとわかるか。
これが非常に明確なスキルであり、単にトレンチコートを着たプロジェクト管理ではない理由は、能力が変化するにつれて答えが変わるからです。
前四半期に適切な場所にあったシームは、今四半期は間違った場所にあります。ですからスキルは一度きりの設計にあるのではなく、エージェント能力が変化するにつれて再設計する能力にあるんです。
ソフトウェアエンジニアリングリードが、チケットトリアージと作業ルーティングをエージェントに渡すように引き継ぎを構造化するように見えるかもしれません。
アーキテクチャの決定は人間のままで、この2つの間の境界は特定の成果物によって定義されます。チケットの内容、コードベースの構造、組織図です。そして引き継ぎがクリーンであることを保証するために、そのシームで特定の検証チェックを行います。
これらがなければ、エージェントの実行をエンドツーエンドで行って、それを確実に行うための検証インフラがまだ整っていないか、エージェントが今では自分たちよりうまく処理することを人間が手動でレビューすることになります。
もう一つはコンサルティングエンゲージメントマネージャーかもしれません。戦略プロジェクトを、人間が定義したスコープでエージェント主導の調査と、エージェントが生成した最初のパスフレームワークで人間主導の統合と、エージェントが生成したスライドドラフトで人間主導のクライアントプレゼンテーションに分解するとしましょう。
調査と統合の間のシームは構造化された成果物です。人間が数分でスポットチェックできるソース引用付きのファクトベースです。
数か月前、そのシーンにはすべてのデータポイントに対する手動のファクト検証が含まれていたでしょうが、エージェントの引用精度が劇的に向上したため、コンサルティングエンゲージメントマネージャーがシーンを移動することは理にかなっていました。
3番目のスキルは「障害モデル保守」です。エージェントがどう失敗するかについて、正確で現在のメンタルモデルを維持する能力です。失敗するということではなく、現在の能力レベルでの失敗の特定のテクスチャと形状です。
これは本当に重要です。初期の言語モデルは非常に明白に失敗しました。文字化けしたテキストがありました。間違った事実があるかもしれません。一貫性のない推論があるかもしれません。
現在のフロンティアモデルは非常に微妙な方法で失敗します。誤解された前提に基づいて構築された正しく聞こえる分析があります。ハッピーパスを処理してエッジケースで壊れるもっともらしいコードがあります。98%正確な調査要約がありますが、残りの2%は、ドメインをよく知らない限り正確な部分と区別するのが非常に難しい方法で自信を持って作り出されます。
ですからここでのスキルは、AI出力に懐疑的であることではありません。それは必要ですが、特に有用ではありません。手術のスキルは慎重であることだと言うようなものです。
スキルは実際には差別化された障害モデルを維持することです。タスクタイプAの場合、エージェントの障害モードはXであり、ドメインでそれをよくチェックする方法はこうだと知っています。
タスクタイプBの場合、障害モードはYであり、それには別のチェックがあります。
企業の弁護士が、契約を見直すエージェントが定型的な問題を捉えるが、免責条項や非標準的な終了言語を見逃し、特定の責任上限とセクション7との相互作用と別紙に埋もれたカーブアウトを見逃すことを知っているように見えるかもしれません。
ですから今の障害モデルは、定型的なスキャンを信頼し、責任規定と別紙間の相互参照を手動でレビューすると言うかもしれません。これは全体をもう一度読むのとは非常に異なるチェックです。そして時間がはるかに少なくて済み、仕事でより正確になり、より効率的になることができます。
データサイエンティストは、データ分析用のPythonを生成するエージェントが、pandasの変換と標準的な統計テストを非常に確実に処理するが、データに混合データ形式や暗黙のnullや、データセットの途中で意味が変わる列のような厄介なエッジケースがある場合、やや妥当に聞こえるナンセンスを生成することを知っているかもしれません。
ですから障害モデルは、データクリーニングステップと列のセマンティクスに関する仮定を検証してから、クリーニングが正しければ下流分析の多くを信頼すると言います。
ここで悪いのはどんな感じでしょうか。悪いのは、すべてに同じ一般的な懐疑論を適用することで、これは非常に非効率的です。6か月前から記憶された障害パターンを想定していますが、実際には正しくありません。
4番目のスキルは「能力予測」です。AIの泡の境界が次にどこに移動するかについて非常に合理的な短期予測を行い、それに応じて学習とワークフロー開発に投資する能力です。
これはAIの未来を予測することではありません。実際には長期的な展望で非常に確実にできる人はいません。
これは軌道を十分に読んで、何がエージェント領域になりそうかについて非常に賢明な6から12か月の賭けをすることです。
海の波を読むようなものだと考えてください。サーファーは次の波が正確にどのように見えるかを予測しませんが、優秀なサーファーは海を読み、この特定のブレイクで床がどのように波を形成するかを理解し、次に乗れる波が最も形成されそうな場所に自分を配置します。
そしてそのスキルは非常に確率的なポジショニングであって、線形予測ではありません。
2025年初頭に優れた能力予測を持つ人は、コーディングエージェントの軌道、30分の持続的自律性を見て、そこからどのようにスケールするかを見て、単なる生のコーディングではなく、コードレビューと仕様スキルへの投資を開始できるかもしれません。
一方、エージェントが調査設計と質的コーディングで上手になるのを見ているUXリサーチャーは、解釈的統合への投資を開始できます。コード化されたデータをロードマップを変えるプロダクトインサイトに変えるスキルです。
コーディングは泡の中に移行しています。コーディングの「だから何」が新しい表面が起こる場所です。
ここで悪いのはどんな感じでしょうか。すべての新しいツールを追いかけることで、これは疲弊させ、複利リターンを本当に生み出しません。または次のモデルが変化して、そのプラットフォームの利点が蒸発するか、そのプラットフォームが独自に提供できないレバレッジを提供するまで、開発を無視することかもしれません。
特定のプラットフォームを学ぶことに大きく投資し、次のモデルがシフトしたときにそのプラットフォームの優位性が蒸発するか、ワークフローのその部分を削除するか、そのプラットフォームが独自に提供できないレバレッジを提供することに大きく投資することのように見えるかもしれません。
大規模言語モデルがより多くの能力空間を食い尽くすにつれて、私たちはAIでこれを何度も何度も見てきました。
そしてスキル番号5は「レバレッジ調整」です。エージェントが豊富な環境で今や最も希少なリソースである人間の注意をどこに費やすかについて、非常に高品質な決定を下す能力です。
エージェント能力が増加し続けるにつれて、ボトルネックは物事を成し遂げることから、どの物事が人間の注意に値するかを知ることへと移行します。
マッキンゼーでさえ、2から5人の人間が50から100のエージェントを監督してエンドツーエンドのプロセスを実行するフレームワークを持っています。そしてこれはマッキンゼーだけではありません。業界全体でさまざまなエージェント的パターンが収束しています。
およそ10対1の比率は、注意の数学を非常に非常に明確にします。100のエージェント出力のストリームと1日8時間がある場合、すべてを同じ深さでレビューすることはできません。スキルは自分自身の注意をリアルタイムでトリアージすることです。
これは5つのチームにわたるエージェント支援開発を監督するエンジニアリングマネージャーのように見えるかもしれません。その人は階層的な注意配分を開発します。
ほとんどのエージェントが生成したコードは自動化されたテストスイートを通過し、独自にリントされます。請求やデータパイプラインのようなより小さなサブセットは、人間のコードレビューのためにフラグが立てられるかもしれません。クロスシステム変更におけるアーキテクチャの決定のみが、深い人間の関与のためにフラグが立てられるかもしれません。
優秀なマネージャーはこれらのしきい値を毎月再調整するでしょう。なぜならエージェントはルーチン層でどんどん上手になり、中間のような人間のタッチ層に属する新しいカテゴリーを見つけ続けるからです。
エージェント処理されたサポートチケットを監督するカスタマーサクセスの責任者は、エスカレーションと解決されたチケットのランダムサンプルをレビューして品質を確保するかもしれません。しかし、ルーチンのパスワードリセットの解決はレビューしないでしょう。
エージェントがアカウント変更ツールにアクセスしたすべてのチケットをレビューします。そしてそのしきい値はリスクに合わせて調整され、エージェントの彼女の特定のチケットシステムでツールを使用する能力がどんどん向上するにつれて調整されます。
さて、ここで悪いのはどんな感じでしょうか。すべてを同じ深さでレビューすることで、ボトルネックが生じ、人間の燃え尽きが生じるかもしれません。または何もレビューしないことで、意図的にダークファクトリーフロアシナリオを試験している場合にのみそうするでしょう。そして技術的には今日可能であっても、それに準備ができているチームは非常に非常に少ないです。
これらはチェックリストではありません。これらは同時的で、統合された、継続的な5つの業務です。運転がステアリングとスピード管理とルート認識とハザード知覚をすべて同時に含むようなものです。
フロンティアでの業務とは
どんな瞬間でも、フロンティアで業務を行っている人は現在の境界を感知しています。その周りにシームを設計しています。更新された障害モデルに対して検証しています。境界がどこに移動するかについて賭けをしています。そのシステム全体に注意を配分しています。
統合がこれを実践にするものであって、カリキュラムではないんです。各コンポーネントを個別に教えることはできますが、5つすべてに個別に優れていて、それらを同時に実行しない人は、まだフロンティアで業務を行っていません。なぜならそれらのスキルを実践に移すことについて考えているのであって、ビジネスの方法として、働き方として、AIと人間のコラボレーションの未来として、シームレスに一緒にそれらを行っていないからです。
このスキルギャップは構造的です。他のすべてのAI隣接スキルは最終的に技術自体に吸収されるかもしれません。プロンプト技術はシステムのデフォルトに組み込まれ始めており、プロンプトは意図エンジニアリングのようなものへと上のレベルに移動しています。
統合パターンは製品化されていますが、フロンティアAI業務は、実際には自動化できません。なぜなら定義上、AI能力の表面があるからです。タスクがAIの泡の中に移行すると、表面は外側に拡大するだけで、表面で業務を行う人はそれと一緒に動きます。スキルは自分自身の陳腐化に対して構造的に抵抗力があるんです。
構造的ギャップが複合することも指摘しておきます。このスキルセットを同僚より6か月早く開発する人は、単に6か月のリードスタートがあるだけではありません。同僚が持っていない6か月の更新された較正があります。能力が加速しているため、較正された人と較正されていない人の間の距離は、モデルがリリースされるたびにどんどん広がっていきます。
2月に境界センスが最新だった人と、昨年8月に境界センスが最新だった人は、まったく別の世界で業務を行っています。
これは本当に、プロダクション展開に現れ続けるそれらの巨大なレバレッジ数値の背後にあるメカニズムです。Cursorが少数の人々で収益の観点から驚異的な数字を叩き出しているのを見るとき、lovableが同じことをしているのを見るとき。
振り返るたびにAnthropicチームが出荷しているのを見るとき、AIネイティブ企業での出荷と収益と、従来のSaaS企業での出荷と収益の間のギャップは、より良いツールによって本当に説明されるわけではありません。泡の上にいて、AIが進化し続けるにつれてそれらのツールを確実な出力に変換する運用実践を開発した人々によって説明されます。
このスキルセットは、今後10年間でどのビジネスが成功する傾向があるかだけでなく、どの経済が今後10年間で勝ち始めるかの最大の決定要因であると信じています。
どの経済がモデルを構築するかについてだけではありません。なぜならモデルはインターネット上で移植可能だからです。どの経済がコンピュートを持っているかについてだけでもありません。なぜならコンピュートはレンタルできるからです。
どの経済がAIと人間のフロンティアで業務を行うことに優れた労働者を配置できるかについてです。モデルは商品化し始めています。コンピュートはどこでも構築されています。稀少であり続けるのは、それらのインプットを経済的アウトプットに変換する人間の能力です。そしてその会話は、コンピュートがより豊富になり始めるにつれて、私たちがはるかに多く持つ必要があるものです。
このスキルセットをどう育てるか
このスキルセットを育てようとしている場合、それは実際にはどのように見えるでしょうか。
まず、リーダーとして、コースウェアではなく実践環境を構築すべきです。フライトシミュレーションが飛行を学ぶのに役立つように、サンドボックスでAI環境をシミュレートすることは、AI時代の仕事にとって重要です。これははるかに重要です。
実践環境は、エージェントが異なる能力レベルを持ち、障害モードが現実的で、ルールが変更できるため、実践者が再較正する必要がある場所です。これは、スライドをたくさん見てAIワークショップをやったと言うよりもはるかに実用的です。スキルを身につけるためには、AIに頻繁に触れて触れる必要があります。
リーダーのために指摘したい2番目のことは、知識ではなく較正を測定することです。正しい評価は、良いプロンプトを書けるかどうかではありません。タスクと能力レベルXのエージェントが与えられた場合、エージェントがどこで成功し、どこで失敗し、それに応じてどのように作業を構造化するかを正確に予測できるかです。
これは良いプロンプトを書くよりもはるかに難しいことですが、AIが拡大し続ける中で人間がAIと働く能力を測定するため、はるかにはるかに耐久性のあるスキルです。
3番目は、トレーニング時間ではなくフィードバック密度を最大化することです。スキル開発の速度は、実際には人が単位時間あたりにAIで何サイクル通過するかの関数です。
そしてそれはトレーニング時間の線形関数ではありません。ですから40時間のAIコースをオフサイトで修了して労働力に戻る人でも、軽いChatGPTを超えてAIツールに本当に触れることがなければ、較正サイクルはゼロです。
そのコースをスキップして、1日10の実際のタスクをエージェントに委任し、出力を評価する人は、10日で100のサイクルを持つことになります。
AI露出が実際にチームのフィードバック密度をどのように形成しているかを理解してください。
4番目は、フロンティア業務のための明示的な役割を作成することです。それが単に誰か他の人の仕事の未分化な部分である場合、スキルは発展しません。組織には、境界で業務を行うこと、障害モデルを維持すること、検証プロトコルを更新すること、能力が変化したときにワークフローを再設計することが特定の機能である人々が必要です。
AI自動化リード、委任アーキテクト、フロンティアエンジニアと呼ぶことができます。タイトルは、自動化フロンティアを進化させるこのプロセスが非常に高いレバレッジであり、明確な専門性であり、誰かが集中する必要があるものであることを認識することよりも重要ではありません。そうすることで、ビジネス全体に変更を積極的に社会化できます。
新しい組織構造
プレエージェント時代のために構築された組織図の多くは、アウトプットが人数と共にスケールすると想定しています。より多くの人がより多くのアウトプットに等しいです。
でもフロンティア業務では、これを逆転させています。アウトプットはレバレッジと共にスケールし、レバレッジは少数の人間がその境界でどれだけうまく業務を行うかと共にスケールします。ですから重要な組織単位は小さなポッドのようなものです。
ここで重要な2つの構造が浮上しているのを見てきました。
最初は1人チームです。非常に強力なフロンティア業務スキルセットを持つ単一の人が、ドメイン全体で複数のエージェントワークフローを実行します。その人は境界センシングを行い、シームを盲目にし、障害モデルを維持し、注意を較正します。
その人のアウトプットは、数年前に5から10人のチームが生産したもののように見えます。より一生懸命働いているからではなく、継続的に委任し、インテリジェントに検証しているからです。
これは非常にAIネイティブ企業が、非常に高いレバレッジを持つ1人がいて、単に彼らを解き放てば信じられないほどのことができるという考えの周りで運営している方法です。
人材バーが高い場合に機能します。ドメインがよく理解されています。フィードバックループが非常にタイトで、仕事は探索的なグリーンフィールドか、既知のパターンに対する主に実行に焦点を当てています。
小さなポッドのような5人チームには、しばしばこの深いフロンティア業務スキルセットを持つ1人がいます。そのスキルセットを開発している数人がいるかもしれません。ドメイン専門知識が置き換えられないが運用スキルが構築側で少し少ない数人の専門家がいるかもしれません。
これはすべてAIの時代におけるスペクトラムであることを覚えておいてください。ですからその世界では、フロンティアオペレーターがチームのシームを設定し、障害モデルを維持し、ポッドの注意配分を較正し、他の人はそれらの構造内で多くのAIと共に実行していて、心配しないでください。AIモデルが実践を通じて進化するにつれて、自分自身のフロンティア直感を開発しています。
これは外科チームがどのように運営するかに少し似ています。フィールド全体を見る1人のリードがいて、他の人は一緒にうまく噛み合う補完的なスキル境界によって分離されて、役割で実行しています。
プロダクト開発では、これはプロダクトサーフェス全体で人間エージェントワークフローを所有する1人のフロンティアオペレーター、エージェント支援開発を大量に実行する数人のエンジニア、エージェント支援プロトタイピングとユーザーリサーチを実行してコードもコミットしているデザイナー、分析パイプラインを管理するデータサイエンティストのように見えるかもしれません。
オペレーターがシームを本当に最新に保ち、障害モードを較正しているため、20人チームのペースで出荷しています。そしてそうそう、オペレーターも出荷していて、ポッドの残りは監督なしで実行するのに十分なフロンティアスキルを持っています。
では、これはどのように積み重なるのでしょうか。これについて考える最も簡単な方法は、どこに賭けを倍増させたいかを考えることだと思います。
1人チームがより深いエンゲージメントの機会を効果的に発見でき、5人チームが意味のある製品を構築できる場合、そこから積み重なるチームは本当に2つの領域のいずれかに焦点を当てています。
リーダーとして管理している賭けのポートフォリオがあり、4つか5つの5人チームにそれを分配するか、1つの大きな勝利を探している立場にあり、あなたの領域で探索的作業をしている5人チームまたは1人チームから何かを選び、その大きな賭けに倍増して本当に洗練されたものを生産するために全チームを結集します。
そしてそれをどのように配分するかは、ビジネス戦略と製品戦略に大きく依存し、以前よりもはるかに執行部のリーダーシップから遠くに下りてこなければなりません。この時点で、CEOと同じくらい戦略的に情報を得ている4つか5つの5人チームを管理している人々が必要です。
採用とスキル開発
このスキルセットのために採用する際、何を探しますか。必ずしも従来の採用シグナルのケースではありません。資格、経験年数、ツールの熟練度、これらは必ずしも役に立ちません。
代わりに探したいのは、この人は自分のドメインでエージェントがどこで成功し失敗するかを追跡しているか。エージェントが今日何を扱い、どこでうまく扱っていないかを具体的に明確に述べることができるか。
この人は新しい能力を説明して、すぐにワークフローの再設計を始めることができるか。それとも何かが単に興味深いとしてファイルされて、決してアクションされないか。
この人には障害モデルがあるか。一般的な懐疑論ではなく、エージェントがどのタスクでどのように失敗するかについての差別化された理解です。
この人が維持してきた予測の確実な傾向があるか、未来がどこに向かっているかについて本当に良い本能を持っていることがわかるか。
これらの質問に高品質でよく答えられる人が、あなたのフロンティアオペレーターです。まあ、プロンプトが得意ですと答える人は、あなたのフロンティアオペレーターではありません。
このスキルで上達したい場合、それはあなたにとって何を意味するでしょうか。個々の貢献者であれば、境界センスがどこで正しくないかを追跡し始める必要があります。
エージェントがどこであなたを驚かせるかを追跡する必要があります。驚きはシグナルです。意図的に驚きを集めて、それらをログに記録し、専門的本能を構築し始めて、エージェントがどこで動作し、どこで動作し、どこで動作しないかをよりよく理解し始めたいんです。
そしてエージェントが最近あなたを驚かせていない場合、あなたは間違いなく境界で業務を行っていません。
人々を管理している場合、チームがエージェント支援作業全体でどのように注意を配分しているかを見たいんです。すべてを同じ深さでレビューしていますか。デューデリジェンスに偽装されているボトルネックはありますか。何もレビューしていませんか。
正しい答えはドメインに基づいて差別化されますが、ここで人間の注意をどこに配分すべきかを把握するのはあなた次第です。
そしてチームが人間の注意についての哲学を明確に述べられない場合、問題があります。
組織を運営している場合、質問はAIを使っているかではありません。進化するAIエージェントと人間の境界がどこにあり、それが変化するにつれてどのようにワークフローを再設計するかを考えることが仕事である人々がいるかです。
答えが誰かを名指しできない場合、あなたは10年間で最も重要な組織能力決定の1つを偶然に任せています。そして私はそうしないでしょう。
急速な進化への対応
コンテキストウィンドウを見てきました。取得を見てきました。2025年11月から2026年2月の間にモデルがどれだけ能力を獲得したかを過大評価するのは難しいです。
ですから過去60から90日以内に、AIに深く入っている人なら誰でも違いを感じており、Opus 4.6対4.5に触れても感じます。Codex 5.3に触れても感じます。Gemini 3.1 Proに触れても感じます。
これを聞いていて感じられない場合。違いが何かわからない場合、それはあなたが泡のエッジにいないことを意味します。
そしてそれはたった1四半期でした。次の四半期には別のシフトがあります。研究所から見ているすべては、私たちが減速していないことを示しています。
ですからこれらの2月のエージェントがあなたを驚かせていない場所にいる場合、フロンティアに自分を歓迎するためにできる最善のことは、あなたを驚かせる仕事をエージェントに与える方法を見つけることです。
失敗しても、部分的に成功しても、驚かせることを可能にする何かを与えてください。なぜならそうしないと、この拡大する能力の泡を見逃すリスクを冒すからです。
そしてこれが、今後10年間の私たちすべてのキャリアの成功を定義する新しい労働力スキルセットです。
コメント