会計

人類はすでにAIより巨大な知性を動かしている – 文化・常識・会計がつくる、見えない社会OSの正体

みなさん、おはようございます！こんにちは！こんばんは。Jindyです。 

AI同士が会話し、互いの出力を評価し、少しずつルールらしきものをつくる。そんな実験結果が出るたびに、世界はざわつく。

AIが社会をつくり始めた。
AIが独自の文化を持つかもしれない。
人間には理解できない集団行動が生まれるかもしれない。

たしかに興味深い。警戒も必要だ。

ただ、その話をする前に、一度だけ足元を見たほうがいい。

人間はすでに、何十億もの個体が、ほとんど全体像を理解しないまま協力する巨大なシステムを動かしている。

電車に乗る。会社で会議をする。決算書を読んで株を買う。

どれも、一人では成立しない。

運転士、駅員、電力会社、金融機関、行政、投資家。見えないところで膨大な人がつながり、共通の記号とルールに従う。全体を説明できる人はいない。

それでも社会は、だいたい動く。

こちらのほうが相当おかしい。

この記事を読むと、文化、常識、信仰、流行を、単なる雰囲気ではなく、社会を動かす認知インフラとして捉え直せるようになる。

すると、会社の見え方も変わる。

優秀な人を集めても組織が賢くならない理由。投資家が同じ銘柄へ集まる理由。会計ルールが現実を変える理由まで見えてくる。

AIの危険性も、違った角度から見えてくる。

怖いのは、AIが人間のようになることではない。

人間とAIが同じ情報を読み、同じ評価軸で判断し、社会全体の誤差が同じ方向へそろうことだ。

個人が便利になるほど、集団が脆くなる。

ここが、この話の怖さである。

人間社会は、巨大な分散型の知性である – 知性は頭の中だけにある、という思い込み

私たちは知性を、個人の能力として見がちだ。

頭の回転、記憶力、数字への強さ。だから組織の能力も、優秀な人の能力を足せば決まるように思える。

でも、実際の仕事はそんなにきれいではない。

優秀でも、情報が届かなければ判断できない。役割が曖昧なら作業が重なり、記録がなければ同じ議論を繰り返す。

組織の知性は、人、道具、記録、手順の接続で決まる。

会社は人間を部品にした一つの認知装置

分散認知という考え方では、認知を個人の脳内だけで捉えない。

人間、道具、記号、手順を含むシステム全体が、記憶し、計算し、判断すると考える。エドウィン・ハッチンズは船の航海業務を分析し、位置の把握や操船が、乗組員、海図、計器、報告手順の組み合わせで実行されることを示した。[1]

企業も同じだ。

たとえば月次決算。

売上、在庫、為替、異常値を確認する人。そこにERP、勘定科目、締切、証憑が加わる。

最終的な利益は、誰か一人が知っていた答えではない。

組織という計算機が吐き出した結果だ。

ここで重要なのは、計算機の性能が個々の担当者の能力だけでは決まらないこと。

入力が遅い。マスタが汚い。責任分界が曖昧。例外処理が口頭でしか残らない。

これだけで、優秀な組織も簡単に壊れる。

会社の競争力は、人と人の間にある配線の質で決まる。

会計は経済を記録する言語ではなく、経済を動かすコード

会計は、起きた取引を後から記録するだけの仕組みだと思われやすい。

実際には逆方向の力も持っている。

何を資産と呼び、いつ収益を認識し、どこまで連結するか。

定義が変われば経営者の行動が変わる。投資家の評価、融資条件、役員報酬にも波及する。

つまり会計基準は、現実を撮影するカメラであると同時に、経営者が進む道に線を引くナビでもある。

短期利益を求める評価制度では、研究開発、人材育成、設備保全のような、すぐ利益にならない支出が削られやすい。数字は中立に見えて、行動の向きを変える。

これが社会的な認知アプリの力だ。

人は毎回、企業価値とは何かをゼロから考えない。売上高、利益率、ROE、キャッシュフローといった共通の記号を使う。そのおかげで比較できる。

ただし、比較できるものだけが価値あるものに見え始める。

ここ、会計の便利さに潜む落とし穴だ。

測定は現実を整理する。同時に、測れないものを視界から消す。

集団知は、人を増やせば増えるわけではない

集団には、個人の知能とは別の性能がある。

Woolleyらの研究では、複数の課題に対するグループの成績を説明する集合知の因子が報告された。興味深いのは、最も頭の良い人を一人入れれば集団が賢くなる、という単純な話ではなかった点だ。

他者の感情を読む力や、発言が一部へ偏りすぎないことが、集団の成果と関連していた。[2]

会議でも同じことが起きる。

一番詳しい人が話し続け、他の人は反論せず、責任者がまとめる。全員が納得した顔で部屋を出る。

見た目はスムーズだ。

でも、それは集合知ではなく、集合沈黙かもしれない。

投資でも、多数の分析を集めれば精度が上がるとは限らない。全員が同じ決算資料、同じニュース、同じSNS投稿を見ていれば、人数が増えても情報源は一つだ。

十人の意見ではない。

一つの意見を十個の口が繰り返しているだけである。

組織を見るなら、人ではなく接続を見る

組織の賢さを知りたければ、スター社員の経歴より、情報がどう流れているかを見たほうがいい。

誰が異論を言えるのか。
失敗が記録されるのか。
現場の情報が上に届くのか。
数字の定義が部門ごとに違わないか。

知性は人の中にある。

だが、組織の知性は人と人の間に宿る。

文化・常識・信仰・流行は、社会に自動生成されたアプリである – 誰も設計していないのに、全員を動かすもの

会社には就業規則がある。国には法律がある。

では、エレベーターで奥から詰めることや、会議で上司より先に帰りにくいことは、どこに書いてあるのか。

多くは書かれていない。

それでも人は、周囲の視線を読み、場に合う行動を選ぶ。

文化や常識は、中央の設計者なしに、多数の行動を同期させる。本人は動かされていることに気づきにくい。[3]

便利で、強力で、ときどき厄介だ。

常識は、社会の取引コストを下げる圧縮ファイル

社会生活で、すべてを契約書に書くことはできない。

挨拶を返す。列に並ぶ。借りたものを返す。

こうした共通理解があるから、毎回細かな条件交渉をせずに済む。

常識は、膨大な状況判断を短いルールへ圧縮したものだ。

経済的には、取引コストを下げる。

相手も同じルールを守ると予想できれば、監視、交渉、確認が減る。信頼できる市場ほど、契約は速く回る。

ただし、圧縮には情報の欠落がある。

昔は合理的だった慣習が、環境が変わっても残る。
多数派の経験が、全員の常識として扱われる。
説明できないルールが、空気という名前で強制される。

常識は社会を軽くする。

同時に、考えることをやめさせる。

信仰と物語は、数字では処理できない不確実性を引き受ける

人間は、確率だけでは生きられない。

病気、災害、死、報われない努力。確率は計算できても、感情までは処理できない。

信仰や共同体の物語は、事実の説明だけでなく、不確実性に意味を与える。

儀礼や規範には、集団への参加を確認し、信頼を高める機能があるとする研究もある。負担のある行動が、口先ではない参加意思を示すという説明だ。[10]

企業にも似た構造がある。

創業者の言葉。
社是。
過去の危機を乗り越えた物語。
この会社らしさという曖昧な感覚。

財務諸表には載らない。だが、危機で人が残るか、短期利益を捨てて品質を守るかは、こうした物語に左右される。

投資家は無形資産という言葉を好むが、本当に強い無形資産は貸借対照表に乗らないことが多い。

逆に、物語が強すぎる会社は危ない。

業績悪化を一時的な試練と呼び、失敗を挑戦と呼び、撤退判断を先送りする。信仰は人を支えるが、減損テストの代わりにはならない。

流行と相場は、同じ回路で増幅する

流行は、誰かが良いと思ったものが広がるだけではない。

多くの人が選んでいるという事実が、次の人の選択理由になる。

情報カスケードの理論では、人は他者の行動を見て、自分の情報より多数派の判断を優先することがある。周囲のほうが詳しいかもしれないからだ。[4]

これは非合理とは限らない。

問題は、全員が同じ推測をしている可能性があること。

株価が上がり、注目と資金が集まる。業績が追いつく前に、上昇そのものが優良企業の証拠になる。

バブルは、全員が愚かだから起きるのではない。

一人ひとりが、他人の判断を合理的に参照した結果として起きる。

Lorenzらの実験では、他人の回答を知った参加者の推定は似通っていったが、必ずしも正確にならず、自信だけが高まる場面が確認された。[5]

投資でいちばん危険なのは、間違っていることではない。

同じ理由で間違っている人が多く、その人数を根拠に自信を深めることだ。

文化は賢い。だからこそ、疑う必要がある

文化や常識は、人間社会が長い時間をかけてつくった高性能な協働装置だ。

全部を疑っていたら、生活は一歩も進まない。

でも、長く使われていることは、現在も正しい証明にはならない。

社会のアプリには、自動更新がない。

違和感を言葉にする人が、更新ボタンを押す。

AIの本当のリスクは、反乱よりも社会の均質化にある – AIが怖いのではない。同じAIに寄りかかる社会が怖い

AI同士がルールを形成すると聞くと、機械の文明を想像したくなる。

その映像は派手だ。

ただ、現時点でより現実的な問題は、そこではない。

人間がAIを使い、その出力がWebや社内文書へ混ざり、次の人間とAIが学ぶ。このループはすでに始まっている。

しかも静かだ。

便利なので、止める人も少ない。

AI集団は、人数が多くても多様とは限らない

LLMエージェントを相互作用させる実験では、中央の指示がなくても共通の命名規則が形成され、個々のエージェントでは目立たない偏りが集団レベルで現れる例が報告されている。[6]

興味深い。ただ、人間の文化と同じものが誕生したと見るのは早い。

人間は、異なる家庭、身体、仕事、損得、記憶を持つ。AIエージェントは、役割設定が違っていても、同じ基盤モデルを共有している場合がある。

五つのAIに議論させても、五人の専門家にはならない。

同じ教育、同じ資料、同じ癖を持つ五人に近いかもしれない。

会計監査で考えると分かりやすい。

作成者、承認者、監査人が、全員同じAIの推奨ロジックを使っていたら、形式上は三重チェックでも、実質は一つの判断だ。

統制が増えたように見えて、共通原因故障のリスクが高まる。

AIがAIを学ぶと、珍しい現実から消えていく

生成AIの出力を次のAIの学習データに使い、さらにその出力を次へ戻す。

この再帰的な学習では、元のデータ分布にあった珍しい事例が失われ、モデルの出力が狭くなるモデル崩壊が研究されている。[7]

消えやすいのは平均ではない。

分布の端にいる例外だ。

会計で言えば、通常仕訳は残る。消えるのは、年に一度しかない特殊契約、異常な商流、説明しにくい例外処理である。

でも、事故や不正は平均からではなく、端から起きる。

投資も同じだ。

典型的な値動きをきれいに学ぶほど、過去に少なかった危機や制度変更を軽く見る可能性がある。

ただし、合成データを使えば必ず崩壊するわけではない。元の実データを保持し、生成データを追加する設計では崩壊を回避できるとする研究もある。[8]

結局、問題はAI製か人間製かではない。

原本を残しているか。
少数例を捨てていないか。
現実から新しい入力が入り続けるか。

これは、完全に会計と同じ話だ。

加工データだけを回し続けず、証憑と取引実態へ戻れるようにする。

AI時代に価値が上がるのは、もっともらしい要約ではない。

一次情報への帰還可能性である。

個人の生産性向上が、社会全体の創造性を削る

生成AIの支援で個々の作品評価が上がる一方、作品同士は似やすくなったという実験結果がある。[9]

これはAI活用の矛盾をよく表している。

一人で見れば速く、読みやすく、一定水準を超えやすい。

全体で見ると、似る。

会社の資料もそうだ。

誰もがAIで整った文章を書けば、誤字は減る。説明も読みやすくなる。

ただし、全部が同じ構成、同じ論点、同じ結論になると、組織は違和感を失う。

アルゴリズムが同じシグナルを追えば、平時は効率化する。だが、出口では全員が同じ方向へ走る。

効率は、余白を削る。

余白は、平時には無駄に見える。

危機のとき、その無駄が逃げ道になる。

AI導入を削減時間や作成件数だけで測るのは危ない。見るべきは、判断根拠の多様性、独立した検証経路、一次情報へ戻れる人の数だ。

生産性KPIだけでは、組織の脆さは測れない。

必要なのは、AIを止めることではなく異論を残すこと

AIを使わない組織は、たぶん遅れる。

だからといって、全員が同じAIを使い、同じ答えへ収束する組織が強いわけでもない。

必要なのは、異なるモデル、異なるデータ、人間による反証、現場からの入力を残すこと。

効率化しながら、完全にはそろえない。

その中途半端さが、これからの内部統制になる。

結論　文明を動かしてきたのは、答えではなく違いだった

人間は、一人では驚くほど弱い。

電気の仕組みも、食べ物が届く経路も、お金がなぜ価値を持つのかも完全には説明できない。

それでも生きていける。

誰かの知識を借り、過去の言葉を使い、知らない人が守るルールを信じているからだ。

文化も、常識も、会計も、文明がつくった外部脳である。

私たちは、自分の頭だけで考えているつもりで、実際には無数の他者と一緒に考えている。

だからこそ、AIがその輪に入ること自体を恐れる必要はない。

新しい道具は、これまでも社会の知性を広げてきた。

恐れるべきなのは、考える主体が増えたように見えて、考え方が一つに減っていくことだ。

全員が同じニュースを読み、同じAIに問い、同じ指標で会社を評価し、同じタイミングで株を買う。

それは、高度な知性ではない。

精巧につくられた巨大な思い込みである。

決算書には、数字をそろえる力がある。

監査には、その数字を疑う役割がある。

市場には、価格を一つにする力がある。

投資家には、その価格と違う未来を見る自由がある。

社会も同じだ。

協力するために共通言語は必要だ。

けれど、進化するためには、共通言語で異論を言う人が必要になる。

文明を前へ進めてきたのは、全員が同じ答えを出した瞬間ではない。

誰かが静かに、少し違うのではないかと口にした瞬間だ。

AIがどれほど賢くなっても、その小さな違和感まで手放してはいけない。

人間の価値は、AIより速く答えることではない。

皆が同じ方向を向いたとき、別の景色が見えていると伝えることにある。

この記事を、もう一段深く考えるための5冊

ここまで読んで、人間社会の知性は個人の頭の中だけにあるわけではない、と感じた人もいると思う。

文化、道徳、組織、同調、AI。

一見すると別々の話に見えるが、すべてに共通するのは、人間が他者との関係の中で何を信じ、どう判断するのかという問いだ。

このテーマは、一冊ですべて理解できるほど単純ではない。

だからこそ、今いちばん引っかかった論点から選んでほしい。AIをもっと考えたいのか。人間が同調する理由を知りたいのか。それとも、組織が同じ失敗を繰り返す構造を見抜きたいのか。

入口によって、見える景色はかなり変わる。

1．『AI人類学　生成AI時代の超倫理』西垣通

AIを、便利な道具か人類を脅かす存在かという二択で語ることに、少し疲れてきた人に読んでほしい。

この本が向き合うのは、AIをどう使うかという操作方法ではない。

そもそも知性とは何か。
機械は意味を理解しているのか。
生命と機械は、どこで分かれるのか。

生成AIの議論は、性能比較や業務効率化へ流れやすい。だが、その前提となる人間の知性を説明できなければ、AIが人間を超えたかどうかも本当は判断できない。

AIに肯定的か否定的かという陣取り合戦から一度降り、人間と機械の違いを根元から考え直せる一冊だ。

AI企業の成長物語を追う投資家にとっても、技術の進歩と、技術を語る物語を切り分ける補助線になる。派手な未来予測より、長く残る問いが詰まっている。


2．『MORAL　善悪と道徳の人類史』ハンノ・ザウアー

なぜ人間は、正しいことをめぐって争うのか。

道徳は人を協力させる。
同時に、集団を分断する。

この矛盾を、人類の長い歴史からたどる本だ。

私たちが善悪だと思っているものは、個人の心の中から自然に湧き出したものではない。集団で生き残るために形成され、社会制度や宗教、政治、SNSの中で姿を変えてきた。

とくに面白いのは、道徳をきれいな理念だけで終わらせていないところだ。

正義感は協力を生む。だが、正義が強くなりすぎると、異論を許さない攻撃装置にもなる。

会社でも同じだ。

ルールを守ることが目的になり、取引の実態が置き去りになる。内部統制という正しさが、現場から考える力を奪う。数字が合っていることと、判断が正しいことは別なのに、いつの間にか混同される。

なぜ正しい人同士が、ここまで激しく対立するのか。

その理由を知りたい人には、かなり刺激の強い一冊になる。

[商品価格に関しましては、リンクが作成された時点と現時点で情報が変更されている場合がございます。]

MORAL　善悪と道徳の人類史 [ ハンノ・ザウアー ]
価格：2,750円（税込、送料無料) (2026/7/16時点)


3．『私たちは同調する　自分らしさと集団は、いかに影響し合うのか』ジェイ・ヴァン・バヴェル、ドミニク・J・パッカー

自分は周囲に流されない。

そう思っている人ほど、読んでおきたい。

人間は、意志が弱いから同調するのではない。自分が所属する集団を通して世界を見るようにできている。

会社、学校、国、支持する政党、応援するチーム。

どの集団に自分を重ねるかによって、同じ事実の見え方まで変わってしまう。

これは投資でも避けられない。

ある企業の株を買った瞬間、それまで見えていたリスクが小さく見え始める。好材料は丁寧に読み、悪材料には一時的という説明をつける。

分析しているつもりで、保有者という集団の一員になっている。

この本は、同調をなくそうとは言わない。

集団は人を支え、協力を可能にする。その一方で、エコーチェンバーや過信も生み出す。では、集団の力を残しながら、どうすれば異論を言えるのか。

会議で発言できない理由から、SNSで意見が先鋭化する仕組みまで、一つの線でつながって見えてくる。

自分の判断は本当に自分のものなのか。

ページをめくるたびに、少し居心地が悪くなる。そこが、この本の面白さだ。


4．『協力のテクノロジー　関係者の相利をはかるマネジメント』松原明、大社充

協力しましょう。

会社では頻繁に聞く言葉だ。

ところが、協力という言葉を何度唱えても、部門間の壁は消えない。経理、営業、IT、経営企画。それぞれが自分の正しさを持ち、同じ会社にいながら別の景色を見ている。

この本は、協力を人柄や善意の問題として扱わない。

価値観も利害も異なる人たちが、どうすれば同じ方向へ動けるのか。その仕組みを設計の問題として考える。

ここが実務的だ。

相手を説得するのではなく、それぞれが何を失いたくないのかを確認する。全員を同じ考えに染めるのではなく、違うまま参加できる役割をつくる。

会議が進まない。横断プロジェクトが形だけになる。正論を言うほど反発される。

そんな場面に心当たりがある人には、抽象的な組織論よりも効く。

集合知は、優秀な人を集めれば自然に生まれるものではない。

異なる利害を接続する技術があって、初めて動き始める。人を動かす立場になったとき、何度も戻りたくなる本だ。


5．『多様性の科学　画一的で凋落する組織、複数の視点で問題を解決する組織』マシュー・サイド

多様性という言葉に、少しきれいごとの匂いを感じる人にこそ読んでほしい。

この本が扱うのは、見栄えのよい組織づくりではない。

似た人ばかりを集めた組織が、なぜ重大な情報を見落とすのか。異なる視点が、なぜ失敗を防ぎ、問題解決の精度を上げるのかを、具体的な事例から解き明かしていく。

能力の高い人をそろえれば、強い組織になる。

一見、正しそうだ。

だが、その全員が同じ教育を受け、同じ成功体験を持ち、同じデータを見ていたらどうなるか。

処理速度は上がる。
判断も早い。
そして、同じ場所を全員で見落とす。

投資委員会でも、経営会議でも、AIエージェントの議論でも構造は変わらない。人数が多いことと、視点が多いことは別だ。

平均的で優秀な人材を集めた結果、組織全体が平均的な失敗をする。

この皮肉を、精神論ではなく構造として理解できる。

AI時代に本当に守るべきものが効率ではなく、認知の多様性だと気づかせてくれる一冊である。


この5冊に共通しているのは、人間は一人で賢くなるのではない、という視点だ。

他者の知識を借りる。
集団のルールに支えられる。
ときには、その集団を疑う。

その繰り返しによって、社会の知性は更新されてきた。

AIの時代だから、AIの本だけを読めばいいわけではない。

道徳を知る。
同調を知る。
協力を知る。
多様性が失われる怖さを知る。

そうして初めて、AIが人間社会のどこへ入り、何を強くし、何を静かに壊していくのかが見えてくる。

本を一冊読むことは、自分とは違う頭脳を、意思決定の場に一人招くことでもある。

全員が同じ答えへ向かい始めたとき、その一冊が、流れを止める小さな異論になるかもしれない。

それでは、またっ！！

引用論文・参考文献

[1] Edwin Hutchins, Cognition in the Wild, MIT Press, 1995.
個人の脳ではなく、人、道具、記号、手順を含む活動システム全体に認知が分散するという議論の基礎文献。

[2] Anita Williams Woolley, Christopher F. Chabris, Alexander Pentland, Nada Hashmi, Thomas W. Malone, Evidence for a Collective Intelligence Factor in the Performance of Human Groups, Science, 2010.
699人を対象とした二つの研究から、集団の多様な課題成績を説明する集合知因子を検討した研究。

[3] Cathal O’Madagain, Michael Tomasello, Shared Intentionality, Reason-Giving and the Evolution of Human Culture, Philosophical Transactions of the Royal Society B, 2021.
人間文化の特徴を、共同目標、調整、理由の交換といった共有志向性から論じた研究。

[4] Sushil Bikhchandani, David Hirshleifer, Ivo Welch, A Theory of Fads, Fashion, Custom, and Cultural Change as Informational Cascades, Journal of Political Economy, 1992.
他者の行動を観察した個人が、自分の私的情報より先行者の選択を優先する情報カスケードをモデル化した研究。

[5] Jan Lorenz, Heiko Rauhut, Frank Schweitzer, Dirk Helbing, How Social Influence Can Undermine the Wisdom of Crowd Effect, Proceedings of the National Academy of Sciences, 2011.
社会的影響によって回答の多様性が減少し、正確性が改善しないまま自信が高まる場合を実験で示した研究。

[6] Ariel Flint Ashery, Luca Maria Aiello, Andrea Baronchelli, Emergent Social Conventions and Collective Bias in LLM Populations, Science Advances, 2025.
LLMエージェントの分散的な相互作用から、命名規則や集団レベルの偏りが形成される現象を検証した研究。

[7] Ilia Shumailov et al., AI Models Collapse When Trained on Recursively Generated Data, Nature, 2024.
生成モデルの出力を再帰的に学習データへ利用すると、分布の裾にある情報が失われ、モデル崩壊が起こり得ることを分析した研究。

[8] Matthias Gerstgrasser et al., Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data, 2024.
実データを合成データで置き換える場合と、実データを保持しながら合成データを蓄積する場合を区別し、後者では崩壊を回避できる可能性を示した研究。

[9] Anil R. Doshi, Oliver P. Hauser, Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content, Science Advances, 2024.
生成AIによる支援が個々の作品評価を高める一方、作品間の類似性を高めることを報告した研究。

[10] Richard Sosis, Eric R. Bressler, Cooperation and Commune Longevity: A Test of the Costly Signaling Theory of Religion, Cross-Cultural Research, 2003.
宗教的共同体における負担のある規範や儀礼と、協力・共同体の存続との関係を検討した研究。

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

RECOMMENDこちらの記事も人気です。