AIを人間向けシステムに「後づけ」しても、生産性は向上しない
HBR Staff using AI
サマリー：AI導入による生産性向上は、既存の組織構造に技術を後づけするだけでは限定的な効果に留まる。かつて電力が工場の設計を根本から変えたように、AIの真価を引き出すには、人間向けの「配線」をAIエージェント仕様へと組み替える必要がある。本稿では、AIが過小評価される理由とその潜在力を解放する具体的な方策を紹介する。

AIが生産性に及ぼす効果が過小評価されている理由

　かつて工場に初めて電力が導入された時、経営者たちが建物を再設計することはなかった。中央蒸気機関が電動モーターに置き換わっただけで、施設全体に動力を届けるためのベルトやプーリー、シャフトのシステムは以前と変わらず、電力導入による改善は限定的だった。

　電力に秘められた能力を引き出すためには、従来の多層階工場（重力を利用した動力伝達のために背の高い建物が必要だった）を取り壊し、作業のニーズに応じて機械を自由に配置できる単層の工場を新たに建設する必要がある──製造企業がこの点に気づくまでに、何十年もかかった。

　人類は現在、AIをめぐって同様の転換点に立たされている。AIエージェントへの期待が高まっているにもかかわらず、大半の組織はかつての工場経営者と同じ過ちを犯している。人間向けに設計されたシステムにAIを後づけし、なぜ期待した結果が得られないのかと首をかしげているのである。

　ノーベル経済学賞を受賞したダロン・アセモグルは「今後10年間でAIが生産性に及ぼす効果はわずか0.5％」と指摘したが、広く引用されているこの推計が実際には大幅な過小評価である可能性が高いのも、そうした過ちのせいだ。アセモグルのモデルは、既存の構造の枠内でAIを取り入れ、タスクを自動化することを前提としている。0.5％の生産性向上は、何も変えずにAIを導入した場合の下限であり、実現可能な上限ではない。

　では、「何かを変える」ためには何が必要なのか。重要なのは、ソフトウェアや組織構造、ワークフローが人間の労働者向けに設計されていること、そして、その前提が現代企業の運営のあらゆるレイヤーに組み込まれていることを認識することだ（開示事項：筆者はAIエージェント向けパーソナライゼーションを開発するプレミアムAIの共同創業者である）。

情報システム

　組織は長年にわたり、人間が利用することを前提に設計されたフォーマットで知識をコード化してきた。視覚的にレイアウトされたウェブサイト、整形された表を含むPDF、チャートを含むスライド資料、見出しや箇条書きを含む文書などである。

　データは単に人間が理解しやすい形で表示されるだけでなく、保存の際にも人間向けの形式で保存される。ジョンズホプキンズ大学AIエージェントラボの共同ディレクターである筆者は、それを実感してきた。学内では、従業員ハンドブックから人事マニュアル、ポリシー関連文書まで、あらゆる文書が機械処理向けではなく、人間の目で理解しやすいフォーマットで保存されているのだ。

　AIエージェントラボで、筆者らはこの問題に真正面から取り組んできた。大学のウェブサイトやシェアポイントのフォルダ、PDFリポジトリに散在していた人事関連文書を集め、統一のディレクトリ構造で管理するプレーンテキストのマークダウンファイルに変換したのである。

　この変換は地味に思えるが、劇的な効果をもたらした。現在では、AIエージェントがすべての人事ポリシーを一括で検索し、福利厚生情報と休暇の規定を照らし合わせ、以前なら5種類のシステムを行き来して何十ページもの資料を読まなければ対応できなかった従業員からの質問に回答できるようになった。

　同様のパターンは科学研究の分野でも見られる。スタンフォード大学のバイオミニ・システムは、数百のバイオメディカルツール、データベース、データセットを、AIエージェントがアクセスできる単一のインターフェースに統合した。その結果、従来なら数カ月を要したゲノムワイド関連解析が、20分で完了するようになった。人間の手で3週間かかると見積もられていたタスク──30人から収集した450件以上のウェアラブル・データファイルの解析──も35分で終了した。このシステムはさらに、33万6000の個別細胞における遺伝子の活動を処理し、既知の制御関係だけでなく、人間の研究者なら解明に数カ月はかかるであろう新規の転写因子まで特定した。

　アセモグルの経済モデルが予測した0.5％の生産性向上どころの話ではない。数カ月を要する複雑な分析を数分で完了できるのであれば、それは些細な自動化ではなく、千倍単位の改善を意味する。

　データのサイロ化に伴うコストについて、組織は何十年も前から把握していた。だが、サイロを行き来するのが人間だけだった時代には、統合は「実現すれば便利」という位置づけで、時間を節約し、フラストレーションを減らし、意思決定を多少は改善できる、という程度だった。

　しかし、AIエージェントが台頭したいま、統合は劇的な変革をもたらす。統合データにアクセスできるAIエージェントは、単に作業を高速化するだけではなく、領域横断的な関連づけという、人間には試みる余力がない作業を担うことも可能になる。

　セールスフォースやSAPのようなベンダー製ソフトウェアをみずから再設計できる組織はほとんどないが、ポリシーや手順、組織的知識の保存方法であれば自前でコントロールできる。PDFやシェアポイントフォルダは不可避なものではなく、選択肢の一つにすぎなくなる。

　もっとも、問題はデータのフォーマットだけではない。情報が適切に構造化されている場合でも、AIエージェントの活動にはさらなる障壁が立ちはだかる。連携の取れていないシステム、コマンドによる指示ではなくクリック操作を前提に設計されたアクションインターフェース、人間がリクエストを行うことを前提とした認証システムなどである。

　現行の回避策（AIに画面を「見せて」、ボタンをクリックさせるツール）は、この不一致の根深さを示している。コンピュータに、コンピュータを利用する人間の振りをさせているのだから。

　その解決策となるのが、システムの機能をAPIなどのプログラム用インターフェースとして外部に提供することだ。AIエージェントがポータル内を「クリック」して回るのではなく、直接的なチャネルを通じて、AIエージェント自身が認証し、データを要求し、アクションを実行できるシステムが必要なのである。

　新しいツールを評価する際には、APIを前提に設計されたアーキテクチャを「あれば便利」な存在ではなく、必須要件と位置づけるべきだ。旧来のシステムであっても、そこにAIエージェントがアクセス可能なインターフェースを追加することは可能だ。MCPのようなプロトコルは標準化に向けた初期段階の一歩ではある。だが、本当の意味で推進力となるのは、組織の「配線」の組み換えをいち早く行うことで、人間向けインターフェース経由でAIエージェントを使っている組織を上回る成果を挙げる企業である。

人間のレイヤー

　ソフトウェアの根本にある「人間の能力には限界がある」という前提は、組織構造にも反映されている。システムは人間の限界を前提に設計されてきたが、AIエージェントにはそうした制約は存在しない。そして、この前提は組織の構造にさらに深く入り込んでいる。

　企業内に階層構造が存在するのは、相互に関連する2つの理由のためだ。第1に、人間の情報処理能力には限界がある（ハーバート・サイモンはこれを「限定合理性」と呼んだ）。この認知的制約を回避するために、組織は複雑な問題を扱いやすいパーツに分割し、複数の階層に責任を分散させている。

　第2に、ノーベル経済学賞を受賞したロナルド・コースが論文“The Nature of the Firm”（邦題「企業の本質」）で示したように、調整にはコストが伴う。情報を探すのにも、合意に向けて交渉するのにも、パフォーマンスを監視するのにも、時間と費用がかかる。組織は階層構造によって、こうした活動を内部化している。そのほうが、そのつど、市場に委ねるよりもコストを抑えられるからだ。

　AIエージェントは、この2つの根拠に揺さぶりをかける。AIは部門を横断して瞬時にデータにアクセスし、不整合を調整し、パターンを特定し、数秒でレポートを生成する。人間の認知的制約に対処するために階層構造が設計されたが、AIには、そうした制約がないのだ。さらに、AIならゼロに近い限界費用で情報を調整できるため、中間管理層の存在を正当化してきた調整コストも崩壊する。

　ここで一つの問いが浮上する。AIエージェントが調整役と実行役の双方を担えるのなら、人間は何をすべきなのか。

　答えは「何もしない」ではない。人間が担うべきは、AIエージェントにはできない、あるいは行うべきではない業務だ。具体的には、成功とは何かを定義すること、価値観やトレードオフを伴う判断を下すこと、通常のパラメータから外れる例外を処理すること（高度なAIモデルも、例外的なケースの処理については人間の判断から大きく逸脱する場合がある）、信頼とプレゼンスが必要な関係性を構築すること、問題が生じた際に責任を負うことなどである。

　筆者は実務の場面で、人間の役割が「オーナー」と「検証者」に移行しつつある変化を目撃している。

　オーナーとは、成功とは何かを定義する存在である。方向性を定め、価値観やトレードオフを伴う判断を下し、AIエージェントが従うべき制約条件を決める。初動を担う立場であり、機会を特定したり、問題をフレーミングしたり、戦略を選んだりする。

　重要なのは、オーナーの業務には最適化ではなく価値に関する意思決定が含まれるため、オーナーシップをAIエージェントに委任することはできないという点だ。スピードと正確性のどちらを優先すべきか。この市場に参入するのか、別の分野に集中するのか。こうした問いには、客観的に正しい答えは存在しない。

「検証者」は、成果を監査し、例外に対処し、問題が生じた際に責任を負う。AIエージェントが生成したものをレビューし、エラーが拡大する前にミスを検出し、通常のパラメータでカバーできない点について判断を下す。責任を負うのは今後も人間でなければならないため、検証者役をAIエージェントに委任することはできない。何か問題が起きた時に、説明責任を果たせる人物が必要なのだ。

　顧客オンボーディングを例に取ろう。オーナーが「5分以内に完了し、24時間以内に80％のアクティベーション率を達成する」と定めたら、AIエージェントがフローを構築し、その目標に向けて最適化する。そして、検証者が例外的なケースを監査し、「200人のユーザーが途中離脱したのはなぜか」といった問いを立てる。

　次に、CRISPR遺伝子ノックアウト・スクリーニング結果を分析するマサチューセッツ工科大学（MIT）のチーズマン・ラボのケースを見てみよう。ラボディレクターのイアン・チーズマンは、以前はどの遺伝子クラスターを調査すべきかの解釈に手作業で臨み、数百時間を費やしていた。だが現在では、クロードを活用したシステムによってこの分析が自動化され、共通する生物学的プロセスを見極め、追跡調査すべき遺伝子を特定できるようになった。

　ただし、最終的な判断を下すのは、引き続きチーズマン自身だ。2万ドル以上かかる集中的なスクリーニング実験を、どの遺伝子に実施するのか。AIエージェントがパターンを特定し、信頼度のレベルを表示する一方、リソース配分の意思決定は人間が行う。

　注目すべきことに、検証プロセスによって重大な点が浮かび上がった。AIエージェントが、別のAIモデルがノイズとして退けていたRNA修飾経路を特定し、研究者らが見逃していた点を発見したのである。

　人間の役割を「実行」から「委任と監督」へと移行させるこの変化は、人材採用にも即座に影響を及ぼす。筆者自身も、大学院生のリサーチアシスタントを評価する方法を変えた。かつて若手に任せていた煩雑な作業は、AIエージェントが代行してくれる。代わりに筆者が必要としているのは、高い主体性を持つ人材──解決する価値のある課題を見極め、成功とは何かを定義し、AIエージェントの出力が自分たちのビジョンと一致しているかを検証できる人材である。

　これは、ポストを廃止するという話ではなく、ポストに求められる中身が変わってきたという話だ。実行スキルを基準に人材を採用している組織は、そうしたスキルがコモディティ化する一方であることに気づくだろう。一方、オーナーシップと検証能力、つまり、AIエージェントに欠けている判断力を基準に人材を採用する組織は、自社の人材の価値がかつてないほど高まっていることを実感するはずだ。

セーフガード

　あらゆるものにアクセスできるAIエージェントは、同時にあらゆるものを破壊することもできる。それを防ぐうえで役立つのが、官僚的な手続きである。

　組織が拡大するにつれて、エラーを防ぎ、公平性を確保し、調整上の問題を解決する手段として書類作成や承認手続き、レビューの義務づけが広がっていく。いずれも、取り返しのつかない事態になる前にミスを検出するためのプロセスである。

　AIシステムの現状を見れば、この仕組みが重要である理由は明らかだ。適切なチェック体制がなければ、AIによって捏造された引用や事実に基づかない記述が公式の報告書に入り込んでしまう。顧客データや財務システム、業務データベースへの書き込み権限を有するAIエージェントが大規模に稼働すれば、そうしたリスクはさらに増大する。一つの不完全な出力が、一瞬のうちに数千件の取引に影響を及ぼすおそれもある。人間のレビュー工程ではとうてい、ありえない猛スピードで被害が広がるのだ。

　だからこそ、AIエージェントの利用を前提とする組織には、初期段階から独立した検証プロセスが必要となる。チェックの方法は、入力が同じなら必ず同じ結果が出るシンプルな仕組み（チェックサムによる検証、ルールベースのアラート、承認ゲートなど）から、AI同士が互いに検証しあうシステムまで幅広い。

　その際、重要となるのが独立性だ。検証システムと監視対象のシステムが同じ種類の弱点を共有していてはならない。そして、人間の役割は、AIが検出した例外をレビューし、傾向を調べながら、AIエージェントが人間の監督なしで実行する範囲を調整していくことだ。

システムの「配線」を組み替える実例

　企業の月次財務照合を例に取ろう。現状では、会計担当者が何日もかけて、複数のシステムからデータをダウンロードし、取引を照合し、不一致があれば調査し、報告書を作成している。

　一方、AI向けに「配線」を組み換えた組織では、各財務システムが取引データを直接のチャネルを通じてAIに提供する。AIエージェントはそれぞれの情報源から同時にデータを取得し、財務チームが定めたルールに従って取引を照合し、整合しない項目に目印をつける。会計担当者の役割は、照合作業そのものから、パラメータの設定へと移り、どの程度の差異なら許容できるのか、どの取引タイプに特別な処理が必要なのか、どの不一致に人間によるレビューが必要かを判断する。

　次のケースは、AIエージェントラボでの教員資格の取り扱いに関するものだ。資格の認証に当たって、教員が特定の資格基準を満たしていることを文書で示す必要があった。従来は担当者が履歴書を手作業で見直し、学位の要件や教育活動を照合し、不足している書類を追跡する作業が必要だった。

　だが、配線を組み換えたアプローチでは、教員の資格に関する情報は構造化されたデータになっており、AIエージェントが直接照合できる。AIエージェントは各教員の学術活動や教育活動を特定し、認証要件に照らして資格を確認し、ボーダーライン上のケースに目印をつける。さらに、ボーダーライン上のケースについては、不足している書類を要求する個別のメールも作成してくれる。人間の作業は例外的なケースについて検証し、送信するメールを承認するだけになり、数カ月間かかっていたプロセスが数時間で完了するようになった。

今後進むべき道

　AIエージェント・ファーストの運用に移行するに当たって、大規模な変革は必要ない。必要となるのは、以下の4つの領域での具体的な変更だ。

データ：プレーンテキスト化する

　ポリシー、手順、会議メモ、組織としての知識を、マークダウンのようなプレーンテキスト形式に変換し、検索可能なディレクトリ構造で保存する。PDFや整形済みの文書は人間向けの出力として活用するに留め、AIエージェントにとっての唯一の信頼できる情報源にはしない。これは、多くの組織がすぐに実施できるうえに、極めて効果の高い変更だ。

ツール：AIエージェント用ツールを構築する

　AIエージェントが企業データを照会して、アクションを実行できるプログラム経由のインターフェースを構築する。まずナレッジベースへの閲覧専用アクセスから始め、その後、人間による承認ゲートを伴う書き込み機能を追加する。AIエージェントが直接アクセスできるシステムはいずれも、「クリック」操作を経由する必要がない。

役割：オーナーシップと検証を軸に役割を再編する

　それぞれの役割について、成功の定義や制約条件を決める「責任」（オーナーシップ）、成果物を監査し、例外に対処する「検証」、AIエージェントが担う「実行」のいずれに当たるのかを特定する。人材を採用する際には、テクニカルなスキルだけでなく、主体性を重視する。成功するのは、自分が望む結果を具体的に定義し、それが実現されたかどうかを検証できる人材である。

セーフガード：独立した検証を構築する

　異常を検出するルールに基づいたアラートや、高リスクのアクションに対する承認ゲートといったチェックは、シンプルで、かつ同じ入力に対して常に同じ結果が出るものである必要がある。また、監視対象のAIシステムから独立していなければならない。

　AIエージェント主導システムへの移行を成功させられる組織は、かつて工場経営者が電力について学んだ教訓にあらためて気づかされるだろう。真の成果を生み出すためには、古い技術を新しい技術に置き換えるのではなく、仕事の進め方自体を見直すプロセスが必要だ、という教訓である。それを前提にシステムを再設計できれば、大きな競争優位を得られる。

　組織の「配線」を組み替えて、AIエージェントの潜在力を引き出すのか、それとも蒸気機関時代のベルトの上で電動モーターを動かし続けるのか、その判断が大きな別れ道となる。


"Is Your Workplace Set up for AI Agents?" HBR.org, January 30, 2026.