本動画は、AI時代において最も重要なスキルが「AIの出力を拒否する能力」であることを論じる内容である。AIが生成する膨大なアウトプットの中から、表面的には正しく見えても実際には不十分な成果物を見極め、なぜそれが不適切なのかを明確に説明し、その判断基準を組織的に蓄積していくプロセスこそが、真の競争優位を生み出すと主張している。単なるプロンプト技術や生成能力ではなく、ドメイン専門知識に基づいた「拒否」とその理由の体系化が、AIを効果的に活用する上での核心的能力であり、この「味覚」を組織資産として符号化し継承することが、AI時代の人材育成と企業の持続的優位性の鍵となるという視点を提示している。
AIに対して「ノー」と言う勇気
あなたにとって最も価値あるAIスキルは、実は「ノー」と言うことなんです。最後にAIに対して「ノー」と言ったのはいつでしたか。私は常に「ノー」と言っています。AIを使わないという意味ではなく、質の低いAI出力に対して「これでは不十分だ」と言うことです。
実は私、受け入れるAI生成物よりも拒否するAI生成物の方がはるかに多いんです。なぜなら、フレーミングが間違っていたり、論理が雑だったり、一見自信満々に見える分析が実際にその分野を理解している人と接触したら崩壊してしまうようなものだったりするからです。
私はそれを送り返します。そして理由を説明します。ちなみに、これは必ずしも超高度なプロンプティング技術の話ではありません。本当に上手にプロンプトを書いていても、自分の専門分野を深く理解していて高い審美眼を持っていれば、やはり頻繁に「ノー」と言うことになるんです。
誰かがAIに精通しているかどうかを確認したいとき、私はその人がどれだけ「ノー」と言っているかをチェックします。
拒否を繰り返すことの意味
そして私は再び「ノー」と言います。なぜなら、前回私が与えた説明によってモデルの出力が90%から95%に改善されたかもしれませんが、私の基準はもっと高いからです。「ノー」と言うことを学ぶのは、誰もが漠然と「判断力」とか「センス」というカテゴリーで表現している、見過ごされがちなスキルの一つだと信じています。
これは必ずしもプロンプティングの話ではありません。ワークフロー設計の話でもありません。もちろんそれらも価値はあります。モデル選択の話ですらないんです。AI出力を見て「これは間違っている。そしてこれがその理由だ」と言える能力こそが、品質を見極める上での大きな要素なんです。
だから私は、拒否こそが真のAIスキルとして扱われるべきだと主張したいんです。熟練した拒否は一つ一つが、それまで存在しなかった組織的知識を生み出すものだと主張したいんです。そして私たち個人として、またチームとして、これらの拒否をもっと永続的な制約へと積み上げていくことができる。もし私たちがそれに注意を払い始めれば。でも今まで誰もそうしてこなかったんです。
拒否のパターンを記録する重要性
おそらくあなたは、自分が「ノー」と言うパターンを追跡していないでしょう。でもパターンは存在するんです。もしパターンを記録し始めたら、自分の「ノー」をスケールさせる方法を見つけ始めたら、拒否という行為の様々な側面をコア・コンピテンシーとしてマッピングし始めたら、何かが悪いと認識することが体系的にどのようなものか考え始めることができます。
何かが悪いものについて何を変える必要があるかを明確に示すことが、体系的にどのようなものか考えられるようになります。そしてそれをシステムに符号化して、AIに渡せるようになるんです。「これは前にも言ったことだ。もう二度と言う必要はない。なぜなら今、あなたは私の『ノー』をシステムとして理解しているから」と。それはどのようなものでしょうか。そうです、これからその話をしていきます。
センスはスケール可能な資産です。みんなこう言うのが好きですよね。でも誰も話さないのは、もしそのセンスが人間の脳の中に閉じ込められたままだと、結局あなたを疲弊させてしまうということなんです。なぜならAI生成出力の山が10倍、100倍、1000倍に増えていくのを見て、「わからない。この全てに対してセンスを持つべきなんだろうけど、それって一体どういうことなんだろう」と思うからです。
何が悪いのかを拒否する方法を学び、その拒否を体系化して少しずつスケールさせる方法を学ばなければ、そこには到達できません。あなたの拒否は、あなたのプロンプトよりも価値があるんです。はい、言いましたよ。
拒否の瞬間に何が起きるか
では、この拒否の瞬間に何が起きるのでしょうか。AIが持っていない専門知識を適用する人が、「これは正しく見える」ということと「これは実際に正しい」ということの間にある特定のギャップを識別できるんです。そして彼らは、それを言葉にするまでは明示的なルールではなかった制約を明確に表現できるんです。
例えば、戦略パートナーがAI生成の競合分析を送り返して、「顧客の切り替えコストに関する当社独自の洞察はどこにあるんですか。同じモデルにアクセスできる企業なら、ここで見ているフレーミングを誰でも作れたはずです」と言うかもしれません。
そうやって、その企業の仕事を汎用的な出力から差別化しているわけです。あるいは、契約条項追跡プロトタイプを拒否する融資担当者は、「債務返済カバー率と最低純資産要件を同じように扱うことはできません。これらには全く異なる監視トリガーがあるんです」と言うかもしれません。そうやって、どんな要件定義書にも記載されないビジネスロジックを明確にしているわけです。
編集者は草稿をボツにして、「論旨が第4段落に埋もれている。挑発的な内容で始めなきゃダメだ」と言うかもしれません。これで編集基準を符号化しているわけです。
ここで私が幅広い例を挙げていることに気づいてください。テクノロジーの話から始めませんでした。融資担当者を含めました。戦略パートナーを含めました。編集者を含めました。なぜならこれは知識労働の話だからです。コンピューターを使って行うあらゆることについての話なんです。
拒否は知識創造のイベント
こうした種類の拒否は無ではありません。空虚でもありません。実際には知識創造のイベントなんです。私たちはほとんど捉えていませんが、そうなんです。
そして誰も言っていないことがあります。それは、「これらをどうやってスケールさせるか。どうやって拒否の瞬間を、AIワークフローの中でスケールする価値ある瞬間にするか」ということです。なぜならその瞬間に創造された知識、つまり制約、ルール、符号化されたセンスは、あなたが許せば積み重なっていくからです。
でも今のところ、ほぼ全員にとって、それは蒸発しています。メールのスレッドの中に残る。チャットウィンドウの中に残る。Slackメッセージの中に残る。誰も本当には捉えていません。誰も積み重ねていません。だから明日、デッキが戻ってきたときに同じ拒否が起こって、戦略パートナーが「顧客の切り替えコストに関する当社独自の洞察が欠けています」と、また同じことを言うんです。
生成スキル市場の盲点
AIスキル市場のほとんどは生成スキルに焦点を当てています。コースを受講すれば、全て「あなたの生成AIスキルは何ですか」という内容です。プロンプトを書けますか。ワークフローを設計できますか。ツールを選択できますか。マルチモデル・オーケストレーションかもしれません。そして通常、目指すのは「もっと多く生成できるか。もっと速く生成できるか」ということです。
でも、生成はもう解決済みなんです。そういうスキルは必要ですが、根本的にそれがボトルネックではありません。AIは昼食前に戦略デッキや競合分析、製品仕様、動作するアプリケーションを生成できます。生成の側面は今や事実上コモディティ化しているんです。
OpenAIのGDP valは、実際の知識労働に対する最も厳密な測定方法ですが、フロンティアモデルが平均14年の経験を持つプロフェッショナルを打ち負かすか同等の成績を収めることを示しています。直接比較で70%の確率で、しかも100倍速く、コストは1%未満で実現しています。
これらのタスクはそうしたプロフェッショナルによって作成され、二重盲検法でプロフェッショナルによって評価されています。それでもモデルはほとんどの比較で勝っているんです。そして誰もがこれをAI能力の物語か、労働力衰退の物語として読む傾向があります。
残りの30%と見かけ上の70%
どちらもはるかに面白みのない解釈です。もっと面白い解釈は、もしAIが明確に定義されたタスクであなたの最優秀人材の出力と70%の確率で一致するなら、残りの物語を決めるのは何かということです。表面的には正しく見えるけれども、ラボを出て正しく本番環境に適用されない70%はどうなるのか。AIが完全に外す30%はどうなるのか。
答えはどちらの場合も同じです。誰かが出力を見て、判断しなければならないんです。そして出力を見て判断する方法は、「ノー」という言葉をたくさん言うことだとわかります。製品仕様を見て「これはビジネス意図を確実に符号化していない」と言うことです。「このコードは見事にデモできるけど、本番環境では実際に動かない。そしてこれがその理由だ」と言うことです。
「この分析は技術的には正しいけれど、『だから何』がない」と言うことです。これはAI能力を測定する良い指標が存在しないものなんです。もしあなたがそのフロンティアで活動しているなら、AIを実際にどう適用できるか把握しようとしているなら、拒否に注目してください。「ノー」をスキルとして見てください。そして複数の次元に分解できる能力として見てください。
拒否スキルの三つの次元
ほとんど誰もこれを見ていないし、意図的に測定していません。まず、認識能力をチェックしてください。何かが間違っていることを検出する能力です。これは専門知識に依存する部分です。これを近道するのは難しい。ジュニアアナリストは、シニアアナリストが持つ深い経験なしには、欠陥のある規制上の前提を捉えられないでしょう。
融資担当者は、十分な案件を見ていなければ、契約条項のロジックエラーを見つけられないかもしれません。わかりますよね。認識は何年もの実践の産物なんです。そしてこれが、経験豊富な専門家の価値が減少しているのではなく、増加している理由です。AIが組織を大量の出力で溢れさせるにつれて。
2000件の案件をレビューし、何かがおかしいと感じ取れる人が、AIにもかかわらずではなく、AIのおかげで、建物の中で最も重要な人物になっているんです。そして認識は、AIによって最も強化される次元です。非常に強い認識力とAIツールへのアクセスを持つ専門家は、以前の10倍の出力を評価できます。
レバレッジは非常に乗数的ですが、それは専門知識の境界内でのみ機能します。その境界内では、AIは力の乗数ですが、境界外では、AIは専門知識ではなく自信を増幅させます。そしてそれはより悪いんです。
明確化は、この大きな拒否スキルセットにおけるもう一つの重要なスキルです。それは、何かが間違っている理由を、使用可能な制約を生み出す形で説明する能力です。
「これは正しくない」。それはただの拒否です。「これは正しくない。なぜなら、あなたはこれらの要件を全て同じように扱っているけれど、PRDは実際にはこのように構造化される必要があるから」。それが制約です。誰かの頭の中にとどまるセンスと、私たちが符号化し、チームと共有し、スケールで適用し始められるセンスとの違いです。
これは学習可能なスキルですが、ほとんど誰も教えていません。皮肉なことに、GDP valの方法論がなぜこれが重要かを示しています。GDP valの全てのタスクは5回の専門家レビューを経ました。各レビューには拒否イベントがありました。専門家がタスクを見て「これは十分に代表的でない」または「これは評価に十分明確でない」と言うんです。
拒否を通じた反復的な改善が、ベンチマークを興味深く有用なものにしたんです。したがって専門家のセンスは、AIを評価しただけでなく、評価インフラを構築したんです。明確化は、センスを個人的な属性から、組織が資産として使えるものへと変えるものです。
符号化は、その制約を拒否の瞬間を超えて持続させる実践です。これがこのクラスターのもう一つのスキルです。これが今、全てが崩壊する傾向にある場所です。なぜなら、誰かが制約を明確にして、それがメールの中に残り、次の四半期に別のチームが同じ間違いを犯すからです。制約が永続的な場所に捉えられなかったため、推論をゼロから再構築しなければなりません。
そしてあなたが費やしている時間が、AIとの同じ戦いに何度も何度も費やされているんです。Andrej Karpathyの枠組み、つまり成功を検証できるところでAIシステムが最も速く改善するという考えは、ここで非常に直接的な意味を持ちます。AI改善を可能にする検証インフラは、魔法のように現れるわけではありません。
それは構築されるんです。多くの場合、符号化された拒否から。複数の受け入れ基準を持つテストスイートがあるとき、品質ゲートがあるとき、機能するシステムにビジネスルールがあるとき、あなたは出力を見て十分な精度で「ノー」と言っているので、「ノー」を永続的にできるんです。
拒否をスケールさせる
あなたがする必要があるのは、優れたAI実践者が今日毎日行っている拒否の日常的実践にそれをスケールすることを考えることです。
ここから面白くなります。もしこれを始めたら、拒否を適切に符号化して永続的で再利用可能な制約にし始めたら、今あなたはフライホイールを構築しているんです。専門家をスケールさせているのではなく、専門家判断の符号化された残余をスケールさせているんです。人間の判断の出力をスケールさせているんです。
そしてこれは組織の範囲全体で複利的に積み重なり始めます。もしあなたが何千もの契約全体でパートナーの拒否を符号化するコンサルティング会社なら、同じAIモデルAPIに加入するだけでは競合が複製できない、その会社における反復可能な組織的品質基準を効果的に構築しているんです。
もしあなたがメディア会社なら、何千もの作品全体で編集判断を捉え、個々の編集者が注意をスケールさせるのに役立つセンスを開発し始められます。これを何年も、多くの場合非公式に行ってきた企業は、すでに市場を支配する傾向があります。
Epic Systemsは、より優れた技術を持っていたからヘルスケアで勝ったわけではありません。何十年もかけて何千もの病院から臨床ワークフローを深く統合されたプラットフォームに符号化することで勝ったんです。そして数十年後の結果は非常に明確です。
臨床ワークフローは常に発見しやすかったわけではありません。Epicの開発チームは現場に行き、医師に影を落とし、ワークフローを観察し、臨床医が必要とするシステムを構築するために領域制約を吸収しなければなりませんでした。
その結果が、3億件以上の患者記録を処理できるシステムであり、臨床業務に深く組み込まれているため、切り替えコストが構造的になっているシステムなんです。究極の記録システムです。そしてここでの堀は、ソフトウェアではありません。ソフトウェアが正しく理解する必要があることについての符号化された判断なんです。
何千もの病院全体で、拒否ごと、ワークフローごと、失敗ごとに構築されました。これは、サービスとしてのソフトウェアについてパニックになっている人々が学ぶ必要がある教訓です。本質的に大規模な符号化されたセンスから構築され、ビジネスにとって構造的になるまでになったシステムは、取り除くのが非常に難しいんです。
Bloombergは金融データで同じことをしました。ニッチを本当に所有する垂直型SaaS企業があるとき、あなたはこれの何らかのバージョンを行っているんです。新しいのは、AIが符号化サイクルを以前よりはるかに速くすることです。AIは挑発を生成できます。専門家がそれを拒否できます。拒否が符号化されます。ライブラリが成長します。
そして専門家が費やす時間と符号化された制約の比率。そして本質的に、センスの基準は、全ての「ノー」を保存しているので、サイクルごとに改善していきます。でもこれら全てを可能にするインフラは、AI時代には本当に存在していませんでした。
インフラの欠如という問題
私の知る限り、ほとんど誰も自分の「ノー」をどうスケールさせるかについて話していません。これは小さな見落としではありません。AIツールエコシステムにおける最大の構造的ギャップです。AIを使用している全ての組織は、個々のユーザーが常に目にする草の根レベルで拒否を生成しています。そしてそのほぼ全てが例外なく、床に落ちているんです。
そして正しい解決策は別のツールではありません。スプレッドシートでもありません。データベースでもありません。ダッシュボードでもありません。なぜなら人々はコンテキストを切り替えないからです。捉えるべきは、仕事が行われている場所、会話の中で、あなたがすでに行っている拒否の副作用として起こらなければならないと私は信じています。
そして私はそれを強く信じているので、何か作りました。Substackに行けば、私が組み立てた小さなソリューションがあります。これは少なくとも個人レベル、あるいは小規模チームレベルで、チャットツールを離れることなく拒否をログに記録し符号化し始めることを可能にするように設計されています。
どうやってやっているかって。MCPサーバーと素敵なデータベースを使ってです。それほど派手ではありません。きっと自分でセットアップできるでしょう。でも素早くスタートを切りたい人のために、私が用意しました。シンプルです。
個人的に、また他の人々が落としてきたように、これほど多くの拒否を床に落とすのをやめたかったんです。私にとってそれは非常に大きな痛点になったので、何か作らなければなりませんでした。そして周りを見渡したとき、誰もこのように見ていないことに気づいたんです。
人材育成への影響
そしてもしあなたが採用や人材育成に携わっているなら、これには本当に興味深い意味があります。なぜなら、このようなセンスの基準を作り始め、MCPサーバー経由でアクセス可能にすれば、そうでなければ非常にシニアな人のセンスにアクセスできなかった人々を可能にし始めるからです。
彼らはMCPサーバーにアクセスして戻ってくるだけでそれを得られます。その視点を得られます。これは、人々が認識を発展させるジュニアポジションを加速できることを意味します。なぜならジュニアは、これが基準を満たしているかどうかを非常に迅速に感じ取り、先輩が持っているセンスの蓄積されたコンテキスト、明確化する能力の蓄積にアクセスし始められるからです。
そして私たちは過去数年間、人材育成とキャリアラダーでそれを失ってきました。ジュニアが危機に瀕している理由の一つは、様々な分野でジュニアとシニアの間にかつてあったような交流がないことです。そして私たちはそれを修正する必要があります。なぜなら10年後、誰も何も学んでいなかったら、仕事はどうやって行われるのでしょうか。
だから私が制約ライブラリのようなもの、私がこれを呼ぶもので行っていることの一部は、センスはスケール可能であり、センスは学習可能なスキルであり、センスはAIが学べるだけでなく人間も学べるものだという考えを促進しようとしているんです。
センスは通常、特定のチーム、特定の会社に固有のものなので、自分で構築する必要があります。誰もが自分のビジネス内に独自の視点を持っているので、私はあなたに普遍的なセンスライブラリを提供することはできません。でも構築方法を示し、そのためのキットを提供し、迅速にできるようにすることはできます。
その部分はできるんです。そして意図的に考えることが本当に重要だと思います。私のキットを使いたいか、自分でやりたいかに関わらず、なぜなら制約について考えていないなら、基本的にAIに「反復的に一緒に作業して、時間を無駄にしてもいいですよ」と言っているようなものだからです。
組織の味覚がAI価値の限界を決める
そしてチームのジュニアに「大丈夫、私たちは本当にあなたを教えるつもりはないし、Zoom通話で浸透圧的に学んでくれることを期待しています」と言っているようなものです。それではうまくいきません。
だからAndrej Karpathyの枠組み、つまり検証できるものは自動化できるというものには、あなたを夜も眠れなくさせるべき相関関係があります。AI価値のフロンティアは、組織のセンスのフロンティアと同一なんです。
品質を検証する能力が及ぶところでは、AIはより多くの価値を創造できます。及ばないところでは、AIはより多くのリスクを生成できます。理論的なリスクではなく、実際のリスクです。組織がますます多く生成しながら理解を減らし、最終的には何が起こっているのかわからなくなるという複利的で静かなリスクです。なぜなら出力は良さそうに見えるけれど、基準がどこにあったかを忘れてしまったからです。
だからあなたの反スロップ戦略は、もっと注意深くなることではありません。人々にもっと講義をすることでもありません。より良いプロンプトを書くことですらありません。人間の拒否スキルを開発し、制度化し、最終的には自動化して、人間の拒否スキルをスケールできるようにすることなんです。
人間がセンスを持たない世界が見えるということではありません。実際には全く逆です。人間が優れたセンスを持つことを私たちは愛しており、彼らに異なる種類の間違いを見るためのより多くの時間を与えたいんです。なぜなら一つ確信していることは、高い品質基準を持つべきことが尽きることはないということだからです。
経営層、マネージャー、個人への提言
もしあなたが経営幹部なら、ここでの競争上の堀は、どのAIベンダーを選ぶかではありません。モデルはコモディティ化しています。堀は、組織の符号化されたセンスの深さと耐久性になるでしょう。あなたの領域でAI出力を信頼できるものにする制約ライブラリです。
それを監査しなければなりませんし、自問しなければなりません。専門家はどこにいるのか。それらの拒否は捉えられているのか。蒸発しているのか。符号化された領域判断を資産クラスとして扱い始めなければなりません。なぜならそれは資産クラスだからです。
そしてもしあなたの仕事がチームを管理することなら、明確化のためのスペースを作らなければなりません。誰かがAI出力を拒否したとき、なぜかを説明できるように挑戦し、そのスキルセットを社会化できるようにすべきです。それは投資ですよね。拒否を明確化できるチームは、プロジェクトを超えて、人事異動を超えて、ツール移行を超えて持続する品質の共有理解を構築しています。
一方、AI出力を黙々と個別に修正しているだけのチームは、実際には全く成長していないんです。そしてもしあなたが個人貢献者なら、最も価値ある専門能力開発は、最新ツールを学ぶことではありません。ツールは変わります。実際には、何かが機能していないときを認識する能力を深めることです。
何が間違っていて、どう修正するかを明確にする能力を実践すること。そしてそのセンスをスケールできるシステムの一部であることを確認するか、立ち上げを支援することです。
そしてもしあなたが起業家なら、私たちがセンスをスケールし始めることを可能にする製品を構築することを考えるよう挑戦したいと思います。これらの拒否を取り上げてスケールさせる方法を見てください。そして、特別な新しいガラス窓であってはいけないと言いたいんです。特別な新しいウェブサイトであってはいけません。私たちはコンテキストを切り替えません。
ツールを切り替えません。これはシームレスである必要があります。注意力がすでに十分希少なので、注意力を消費しないものである必要があります。私たち全員には、新しくより興味深いものに「ノー」と言うことを学ぶ仕事があります。そしてそれは、現在のAI出力の何が間違っているかを高い忠実度で明確にし、それらをどこかに保存し、それらを使ってAI出力を改善し、キャリアパスで若い人々を訓練する仕事があるということを意味します。
結論
それをしなければ、後悔することになります。それが今の仕事なんです。他の多くのことがコモディティ化しています。でも「これが本当に優れたものだ」と言えることは、興奮できることです。なぜならセンスの基準を上げられるからです。
さあどうぞ。それがあなたへの挑戦です。もしどうやって素早くセットアップするか興味があるなら、Substackにキットを用意しました。そして正直に言うと、おそらくこのトランスクリプトをあなたの好きなLLMに入力して、何かコーディングしてもらうこともできるでしょう。それが今の世界がどれほど荒々しいかということです。幸運を祈ります。
コメント