会計

頭のいい人より、現実を動かせる人へ – AI時代に人間性が知性になる理由

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で立派な分析が作れるようになったのに、仕事はちっとも前に進まない。説明は筋が通っている。でも、相手は動かない。現場では例外が起きる。会議が終わると、また同じ場所で止まっている。

この違和感を整理すると、これから自分が何を学び、どんな人と働き、何をもって成果とするかが見えてきます。投資でも、経営者の説明のうまさと、事業を立て直す力を分けて考えられるようになる。

知識や思考の一部を外へ任せられるほど、賢さの評価は、世界について語る力から、世界とうまく関わる力へ重心を移していく。私はこの見方に可能性を感じます。ただし、人柄がよければ専門知識はいらない、という話にすると、一気に危ない。

弱さを認める。人を尊重する。目の前の事実から逃げない。これらが仕事の役に立つのは、道徳の点数が高いからではありません。自分に足りない情報を取り込み、間違いを修正し、他人と一緒に結果を作るためです。

答えが手に入っても、判断は終わらない – 知識の価値はどこへ移るのか

たとえば、予算未達の原因をAIに分析してもらう。販売数量、単価、原価、為替。要因はきれいに並ぶ。でも、その表だけでは、来月誰が何を変えるのかまでは決まりません。

私たちは、もともと頭の外で考えている

計算は電卓へ、予定はカレンダーへ、細かな手順はマニュアルへ。人は以前から、頭の中だけで仕事をしてきたわけではありません。外部の道具を使って認知の負担を減らすことを、認知的オフローディングと呼びます。RiskoとGilbertのレビューは、こうした行動を記憶など複数の領域から整理しています。[1]samgilbert.net

だから、AIに頼ること自体を知性の敗北と捉える必要はない。連結精算表をすべて暗算で作る人がいても、まずExcelを渡したくなる。能力の使いどころが、少しもったいない。

変わるのは、外に任せられる範囲です。記憶や計算だけでなく、説明のたたき台や比較、反論の候補まで手に入る。すると、文章を作れたことと、その文章の中身を理解し、使えることの距離が広がります。

これは、人間の価値が消えるという予言ではありません。成果物が出たところを、仕事の終点にしてよいのかという問いです。

AIは、できる課題の隣で間違える

BCGのコンサルタント758人を対象とした実験では、AIが得意な範囲の課題で、利用者は平均25.1％短い時間で課題を終え、完了数も増えました。一方、AIの能力の外側に置かれた別の課題では、正しい答えに到達する割合が下がりました。[2]Organization Science

同じ道具でも、使いどころで結果が逆になる。これが厄介です。いつも雑な答えなら疑いやすい。かなり役立つからこそ、次の答えも信じたくなる。

ただし、この実験は当時のGPT-4と特定の業務課題を扱っています。将来のすべてのAIの限界を確定したものでも、人間なら必ず正しいと示したものでもありません。

実務で引き出したいのは、性能の順位ではなく、確認の仕方です。この答えはどんな情報に依存しているのか。入力していない事情はないか。誤ったときに何が起きるか。資料がよくできているほど、その外側を点検したい。

たとえば、分析上は在庫を減らすのが合理的でも、その商品だけ納期が長ければ、削減の仕方を変える必要があります。欠品を避けたい営業と、資金を寝かせたくない財務では、守りたいものも違う。答えを適用するには、その違いを見える形にして、どのリスクを誰が引き受けるか決めなければならない。正しい式が見つかることと、仕事の条件がそろうことには、まだ距離があります。

知識は、答えを疑うためにも必要になる

では、専門知識はAIに預けて、人間は人間関係に専念すればいいのでしょうか。

ここは違うと思います。たとえば、利益が増えたという説明を受けたとき、売掛金や在庫の動きを知らなければ、現金が増えていない理由を問いにできない。会計の基礎は、答えを出すためだけでなく、抜けている問いに気づくためにも働きます。

知識労働者319人を対象としたLeeらの調査では、AIへの自信の高さと、批判的に考える努力の少なさに関連が見られました。同時に、思考の仕事が、情報収集から検証、回答を実務へ組み込む作業などへ移る様子も報告されています。[3]microsoft.com

これは自己申告の調査で、AIが人を愚かにしたという因果関係の証明ではありません。それでも、任せた後に何を考えるか、という問いは残る。基礎知識まで手放すと、任せてよい範囲を判断する足場も弱くなるのです。

新人育成でも、完成した資料だけを評価すると、本人がどこまで理解したかを見落とします。別の条件でも説明できるか。例外を一つ挙げられるか。AIを使った後に、根拠を自分の言葉でたどれるか。使わせないことで守るより、使った後にも残る理解を、仕事の中で確かめたい。上司の側にも、そのための時間を確保する役割があります。

知識の価値は、保有量だけでは測りにくくなる。必要なときに取り出し、現実の条件と照らして使えるかが問われます。検索できることと、何を検索すべきか分かることは、同じではありません。

分析の供給が増えれば、何を採用し、何を確かめ、どこで判断を保留するかが仕事になる。知性の出番はなくなるどころか、答えを受け取った後にも続いています。

人間性は、判断材料の届き方を変える – 弱さと信頼を仕事の能力として見る

どれだけ優れた分析力があっても、必要な情報が入ってこなければ判断を外します。ここで、知性と人間性がつながる。話は、感じのいい人になりましょう、では終わりません。

分からないと言える人には、補う道がある

分からないことを認めるのは、案外しんどい。立場が上がるほど、今さら聞けないことも増える。ところが、分かっているふりをすると、周囲は説明を省きます。本人が隠した穴を、全員が存在しないものとして進んでしまう。

たとえば、システム変更の会議で、データがどこから来ているのか理解できていないとします。そこで必要なのは、自分は詳しくないので全部お任せします、と降りることではありません。

入力元は確認できているが、修正履歴がどこに残るかは分からない。そこを担当者と確認したい。こう言えれば、助けてほしい範囲が具体的になる。弱さの開示が、そのまま仕事の分担につながります。

謙虚さを、いつも自信なさそうに振る舞うことと混同したくない。分かる部分には責任を持ち、分からない部分には確認相手を探す。自分の能力を小さく見せるより、境界を正確に示すほうが、周囲も協力しやすい。

悪い知らせを持ってきた人を、敵にしない

在庫の評価に懸念がある。回収が遅れている取引先がある。プロジェクトの工数が予定を超えそうだ。こうした話は、報告する側にも負担があります。

そのたびに、なぜもっと早く言わない、と相手を詰めたらどうなるか。次の報告をためらわせるかもしれない。数字を正しく把握したい人が、自分の反応で情報を遠ざける。なかなか皮肉です。

Edmondsonの1999年の研究は、製造企業の51チームを調べ、心理的安全性と学習行動の関連を報告しました。[4]Amy Edmondson, 1999 これだけで、優しい上司ほど業績がよいと断定はできません。ただ、質問や失敗の報告を対人関係の危険として感じるかどうかは、組織が学ぶうえで無視できない論点です。

人間性を仕事の能力として見るなら、聞こえの悪い事実を受け取れるかが試される。報告してくれたことへの対応と、問題そのものの検証や責任の整理は、分けて進められます。

ただ、本人の愛想だけで情報が集まるわけでもありません。報告しても改善されない、相談すると仕事だけ増える。そんな経験が重なれば、穏やかな上司にも話しにくくなる。聞いた後に何をするかまで含めて、信頼は作られます。耳を傾ける姿勢と、問題を放置しない運用。その両方が必要です。

嫌われないことを、正しさの基準にしない

ただし、他人から嫌われない人が賢い、と言い切るのは危うい。不正を指摘した人、無理な納期を断った人、採算の悪い事業の見直しを提案した人が、反発されることもある。嫌われたという結果だけでは、その人の判断を採点できません。

必要なのは、全員の機嫌を取る才能よりも、意見が違っても検討を続けられる関わり方です。相手の人格を傷つけずに、前提を問い直す。反対意見に条件を示す。自分の説明が足りなければ補う。

もちろん、こちらが誠実に話しても、対話に応じない相手はいます。そういうときまで、自分の人間性が足りない、と背負う必要はない。記録を残す、第三者を入れる、関係から距離を取る。関わり方を変える判断も含まれます。

協力する力は、相手に従う力ではありません。必要な対立を扱いつつ、問題を解くための情報と行動を確保する力です。ここを外すと、人間性の話が、我慢できる人に仕事を集める口実になります。

経理の視点で言えば、どんな分析も入力される情報に左右されます。ところが、情報を集める仕組みを考えるとき、システムの入力欄は点検しても、報告を受ける人の態度は見落としがちです。

悪い事実を話せる関係があるか。助けを求めても能力不足の烙印を押されないか。こうした条件を整えることも、判断の質を支える仕事です。個人の勇気だけに任せず、評価や報告の仕組みまで変える必要があります。

賢さは、現実から直せるかに表れる – 説明のうまさを成果へつなぐ方法

人と関係を結ぶだけでは、まだ足りません。仲のいいチームでも、間違った前提を共有すれば一緒に間違える。最後に向き合う相手は、都合よく答えてくれない現実です。

立派な説明と、実際に起きたことを分ける

たとえば、経理業務の改善で、AIを使えば資料作成が速くなると見込んだとします。試すと、下書きは確かに早い。でも、数字の照合や例外の修正に時間がかかる。現場への問い合わせも増えた。

ここで、作成時間だけを成果にすると、改善したことになる。仕事全体の時間や、誤りが起きた場合の影響まで見ると、別の結論になるかもしれません。

評価する対象を、ツールがした作業から、業務がどう終わったかへ広げる。人が判断に使える状態になったか。手戻りは減ったか。空いた時間は、本当に別の仕事に使えたか。これはAIだけでなく、外注でもシステム導入でも同じです。

もっとも、成果が出なかったから、その人が不誠実だったとは限りません。権限不足、予算、人員、偶然も結果を左右する。真摯さは成功の保証ではなく、結果を見て説明や行動を変える姿勢に表れます。

費用を見るときも、利用料だけでは足りない。担当者の確認時間、修正の手間、教育に使う時間を含めて考えると、導入前の印象が変わることがあります。逆に、すぐに時間が減らなくても、属人化が和らぎ、引き継ぎやすくなる価値もある。何を良くしたかったのかを先に言葉にしないと、都合のいい数字だけで成功を説明できてしまいます。

小さく試すなら、やめる条件も決めておく

現実に向き合う、と言われても、何から始めればいいのか。壮大な改革より、確認できる単位まで仕事を小さくすると動きやすくなります。

一つの報告書で試す。過去の資料を使い、正解と照合する。通常の処理だけでなく、間違いやすい例外も含める。そして、何が起きたら利用範囲を狭めるか、誰が止められるかを先に決めておく。

試行の後には、予想と実績の違いを一つ残したい。なぜ時間が浮かなかったのか。入力が足りなかったのか。確認の設計が悪かったのか。それとも、そもそも任せる仕事を間違えたのか。

大きな損失や、やり直せない影響がある仕事では、気軽に試せばよいとはいきません。検証用の環境や、資格を持つ専門家の確認が先になる。小さく試すとは、責任まで小さく扱うことではなく、学べる範囲にリスクを収めることです。

判断の記録には、結論だけでなく、見直すきっかけになる事実も残しておく。後から方針を変えるときの、共通の足場になります。

経営者の語りより、予想の直し方を見る

この見方は、企業を見るときにも使えます。将来の市場を流暢に語れることと、足元の事業を動かせることは別の能力です。説明が魅力的でも、前提を確認する作業は省けません。

たとえば、利益の増加を説明する企業なら、在庫や売掛金、営業キャッシュフローの動きにも目を向ける。単年度のずれだけで良し悪しを決めず、事業の構造や過去からの変化と合わせて考える。説明と数字の間に疑問があれば、その理由を探します。

さらに、当初の見通しから外れたとき、何を変更したかを追う。原因を外部環境だけに置いていないか。投資や人員配置の修正はあるか。不確実な部分を不確実なまま説明しているか。

経営者の感じのよさだけで企業価値は判断できません。誠実な説明も、財務分析や事業理解の代わりにはならない。それでも、都合の悪い結果をどう扱ったかを時系列で読むと、一回の華やかな説明では見えない、判断の癖に近づけます。

現実と関係を成立させる、とは、思いどおりに相手を動かすことではないのでしょう。相手の事情を知り、制約を引き受け、ときには目標や自分の理解のほうを変える。そうやって関わり続けることです。

もし仕事の振り返りに一つ問いを足すなら、今日はどれだけ説明できたか、よりも、今日は何を確かめて、どの判断を直したか。すぐに答えが出なくても、その問いは、明日の行動を少し具体的にしてくれます。

結論　知性を、完成品ではなく関わり続ける力として持つ

賢い人でいたい、と思うと、間違いを見せることが怖くなる。ところが、現実のほうは、こちらの自尊心に合わせてくれません。昨日の正解が、今日も使える保証はない。説明が上手な人にも、知らない事情はある。

だから知性を、自分の中に完成させて保管するものとして持つと、少し苦しくなるのだと思います。足りないところを人や道具で補い、判断を現実に当て、合わなければ作り直す。そんな使い方なら、間違いも次の仕事につながります。

これは、人の価値を成果だけで決める話でもありません。弱さを認められない日も、人とうまく話せない日もある。そういう自分がいても、確認できる道や、頼れる相手を用意しておける。個人の立派さに頼り切らない仕組みも、人間の知性の使い道です。

対話や検証も、AIがさらに支えてくれるかもしれません。ここで挙げた能力を、人間だけに永遠に残る専売特許と決めるつもりはない。道具の性能が変わっても、自分の判断を確かめられる相手や手続きを持つことには意味がある。

AIがよくできた答えを返すようになるほど、その答えを手にした自分は、誰に何を確かめ、どんな行動を取るのかが残る。

世界について語れることは、今後も楽しいし、価値がある。その言葉を持って、目の前の人や仕事に、もう一度近づけるか。知性の手触りは、そこに出るのだと思います。

知性を、仕事と人間関係から考え直すための5冊

1．『知ってるつもり 無知の科学』スティーブン・スローマン、フィリップ・ファーンバック

自分では理解していると思っていても、仕組みを説明しようとすると言葉が止まる。本書が扱うのは、そんな知識の錯覚と、人が他者や道具に支えられて考える仕組みです。目次には、体と世界、他者、テクノロジーを使って考えるという論点が並びます。今回の記事の、知性を一人の頭の中に閉じ込めない見方を、認知科学から掘り下げたい人向けです。AIで調べた内容を自分の理解と取り違えていないか、仕事で詳しい人に頼ることと丸投げはどう違うのか。そうした疑問を考える入口になります。組織の運用へ進む前に、そもそも私たちは何を知っているのか、という足元を見直せる一冊です。


2．『恐れのない組織 「心理的安全性」が学習・イノベーション・成長をもたらす』エイミー・C・エドモンドソン

悪い知らせや小さな疑問が、なぜ会議で出てこないのか。本書は、対人関係への不安と組織の学習を、心理的安全性の研究や企業などの事例から考えます。記事で触れた、必要な情報が届く関係を、個人の性格だけでなく職場の条件として捉えたい人に向いています。話しやすい雰囲気を作れば仕事がよくなるのか、失敗を報告しやすくすることと責任を求めることは両立するのか。そんな疑問を持ちながら読むと、職場で点検したい場所が具体的になります。人柄のよい上司を探す話にとどめず、チームとして率直に話し、学べる環境をどう作るかへ進むための一冊です。経理の報告経路を考える際にも接点があります。


3．『人を助けるとはどういうことか 本当の「協力関係」をつくる7つの原則』エドガー・H・シャイン

助言をしたのに相手が動かない。手伝ったつもりなのに、かえって話がこじれる。本書は、日常にある支援の場面から、協力関係が成り立つ条件を考えます。目次では、支援の種類、控えめな問いかけ、チームワーク、リーダーの支援などを扱っています。記事の、弱さを認めて助けを求めるという論点を、支援する側と受ける側の両方から見直せる本です。正しい答えを渡せば役に立つはずだ、という前提を一度離れ、相手の事情をどう知るかを考えたい人へ。認知科学や組織制度を扱う本とは異なり、目の前の一人とのやりとりに焦点を合わせられます。後輩への説明、他部署からの相談、業務改善の協力依頼にもつながる問いです。


4．『失敗の科学 成長する組織の条件』マシュー・サイド

失敗したという事実があっても、そこから学習が始まるとは限りません。本書は、医療や航空など複数の領域を取り上げ、失敗の扱い方と組織が学ぶ条件を考えます。目次には、失敗のマネジメント、単純化の罠、犯人探しのバイアスといった論点が並びます。記事の、小さく試して結果を見直すという提案を、失敗後に何が妨げられるかという角度から補う一冊です。改善策を決めたはずなのに同じ問題が起こる、報告書は増えるのに仕事は変わらない。そんな違和感を持つ人に向いています。個別の事例を自社へそのまま当てはめるより、どんな情報を記録し、どんな説明を疑い、次の行動をどう変えるかという問いを持って読みたい本です。


5．『具体と抽象 世界が変わって見える知性のしくみ』細谷功

現実に向き合うことを、目の前の出来事だけを見ることだと捉えると、別の場面で使える学びが残りにくくなります。本書は、具体と抽象の往復、関係性や構造、法則とパターン認識などを扱い、議論がかみ合わない理由を考える本です。記事の主張に対して、抽象的に考える力もやはり必要ではないか、という問いを持つ読者に向いています。実行と理論を対立させず、個別の失敗から何を取り出し、次の仕事へどう応用するかを考えられます。会議では全体像を話しているのに、相手は個別の処理を気にしている。そんなすれ違いを整理する補助線にもなるでしょう。他の四冊を読みながら、理解の粒度を見直す役割を持つ一冊です。


AIと自分の理解の境界が気になるなら『知ってるつもり』から。職場で悪い情報が出てこないなら『恐れのない組織』、目の前の相手との協力に悩むなら『人を助けるとはどういうことか』が入口になります。改善が繰り返し空回りするなら『失敗の科学』へ。経験を別の仕事にも生かしたい人は、『具体と抽象』を合わせて読むと、現実から学ぶという言葉をもう少し細かく捉えられます。

それでは、またっ！！

引用論文・参考文献

  • [1] Risko, E. F. & Gilbert, S. J.（2016）Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688. 著者公開PDF
  • [2] Dell’Acqua, F. et al.（2026）Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. 論文
  • [3] Lee, H.-P. et al.（2025）The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI ’25. 著者機関公開PDF
  • [4] Edmondson, A.（1999）Psychological Safety and Learning Behavior in Work Teams. Administrative Science Quarterly, 44(2), 350–383. 論文・抄録

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。