会計

100個作って3個当てる人は、なぜ強くなるのか – AI時代の競争力は生成量ではなく歩留まりで決まる

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。

生成AIが普及して、何かを100個作ること自体は驚くほど安くなりました。文章、広告案、企画、画像、営業メール。以前なら人手と時間が必要だったものが、一気に並ぶ。けれど、ここで少し嫌な問題が出てきます。

100個作れることと、100個の中に価値があることは、まったく別です。

この話はSNS運用だけではありません。仕事なら企画の精度、経営なら新規事業の打率、投資なら銘柄選択、日常なら意思決定そのものにつながります。大量に試せる時代ほど、差がつくのは生成力ではなく、何を残し、何を捨て、そこから何を学ぶかです。

会計っぽく言えば、見るべきは売上高ではなく粗利です。工場なら総生産量ではなく良品率。投資なら取引回数ではなく、リスクを取った後にどれだけ超過収益が残ったか。アウトプットも同じで、総数だけを誇っても意味がない。

では、質の高いものを大量に作れる状態はどう設計するのか。

研究を追うと、答えは意外に泥くさいです。大量に探索し、当たり候補を拾い、その理由を言葉にし、別の試行で再現できるかを確かめる。そして再現したものだけを型として残す。

私はこの構造を、創作というより歩留まり改善の問題として捉えた方が分かりやすいと思っています。

この見方に立つと、才能論から離れられます。毎回90点を出せる特別な人になる必要はない。60点を100個並べ、そこから90点の条件を抽出し、次の100個のうち90点以上が10個になるよう工程を変える。これはセンスの話というより、管理会計に近い。成果を分解し、差異を見つけ、次の配分を変える話です。

量は質の敵ではない – 傑作を狙うより、まず分母を増やした方がいい

良いものを作ろうとすると、私たちはつい一発で正解を出そうとします。企画会議でも、投資判断でも、文章でもそうです。最初から80点を出したい。

でも創造性研究を見ると、この感覚は少し怪しい。

量を増やすと、上位の質も上がりやすい

Jungらは246人を対象に発散的思考を調べ、出したアイデアの数と第三者が評価した創造性の間に強い関連を確認しました。相関係数は0.73です。もちろん、これだけで100個作れば必ず名作が出るとは言えません。ただ、少なくとも量と質を完全な対立概念として扱うのは無理があります。(frontiersin.org)

ここで大事なのは、平均点だけを見ないことです。

10個しか作らない人と100個作る人がいて、1個あたりの平均品質が同じだったとしても、100個作る側の方が極端に良い1個に出会う確率は高い。これは投資のポートフォリオにも似ています。ベンチャー投資では全案件をホームランにする必要はなく、一部の大きな成功が全体収益を押し上げます。

ただし、創作と投資には違いもあります。投資は100案件に資金を張れば100案件分の損失リスクを負いますが、SNSやデジタルコンテンツは追加試行の限界費用がかなり低い。だから探索回数を増やす戦略と相性がいい。

苦しくなってから出る案に価値がある

量産というと、薄い案を乱発するイメージがあります。

ところがLucasとNordgrenの7研究では、人は創造的課題で、もう少し続けたときにどれだけ成果が出るかを一貫して過小評価していました。アイデアが出にくくなると、人はもう枯れたと判断しやすい。実際には、その先にも成果が残っている。(pubmed.ncbi.nlm.nih.gov)

これ、仕事でもよく起きます。

最初の数案は、誰でも思いつく。市場シェアを上げる、コストを下げる、SNSを強化する。問題はそこからです。簡単な答えを使い切った後に、そもそも売上を増やさず利益を上げられないか、顧客を増やすのではなく解約の構造を変えられないか、と問いが変わっていく。

量を出すことには、単に抽選回数を増やす効果だけでなく、ありきたりな答えを先に吐き出してしまう効果があります。

ただ作るだけなら、学習は起きない

ここで注意したいのが、AIによる大量生成です。

生成ボタンを押して100案を得ることはできます。でも、それを眺めず、比較せず、何が違うかも考えないなら、本人の能力はほとんど変わりません。

Di Stefanoらの研究は、経験を積むだけでなく、その経験を振り返り、得た教訓を言語化することが学習を促すことを示しています。量の価値は、経験が貯まることではなく、経験から規則を抽出できることにあります。(papers.ssrn.com)

会計で言えば、仕訳を100本切ったこと自体より、なぜこの取引は資産で、こちらは費用なのかを説明できる方が次の案件に強い。原価計算でも、差異が出たという事実だけでは弱い。価格差異なのか数量差異なのか、構造に分解して初めて改善につながります。

だから、最初の100個は作品ではなくデータでもあります。

1個1個に愛着を持ちすぎない。100個の総量を誇らない。見るべきは、その100個から何を学び、101個目の期待値が上がったかです。

大量生成の目的は当たりを拾うことではありません。自分の中に、当たりが出やすい生産工程を作ることです。

本当のボトルネックは選別にある – AI時代ほど、作る人より見抜く人が強い

100個作れるようになると、次の問題が出ます。

どれが良いのか。

ここが、かなり厄介です。人間は自分が作ったものを公平に採点できるほど器用ではありません。

人は良い案より、安心できる案を選びやすい

Rietzschelらは、アイデア生成後の選択を調べ、人が独創性より実現可能性や望ましさを優先しやすいことを示しました。つまり、尖った案を大量に作っても、最後の選考で無難な案だけ残すことがある。(bpspsychub.onlinelibrary.wiley.com)

会社で考えると分かりやすい。

新規事業案を50個集めたのに、役員会に上がる頃には既存事業の延長線しか残っていない。生成段階では探索していても、評価段階が保守的なら、最終成果は保守的になります。

数字を作る側の仕事も似ています。管理会計は、データを集めるだけでは経営管理になりません。売上、粗利、在庫回転率、ROIC、キャッシュフロー。どの指標を経営判断に採用するかで、組織の行動が変わる。

コンテンツでも同じです。生成能力より評価関数の方が上流にある。

生成AIは、この評価問題をむしろ大きくします。DoshiとHauserの実験では、生成AIのアイデア支援を受けた短編小説は創造性などの評価が上がる一方、作品同士の類似性も高まりました。つまりAIは平均点を底上げする半面、みんなを似た方向へ寄せる可能性がある。100個生成しても、実質的に同じ発想を言い換えただけなら、探索したことにはなりません。量産時代には、平均点だけでなく分散まで管理対象になります。(science.org)

SNSの数字は、品質そのものではない

SNSは便利です。投稿すれば、反応が返る。低コストで仮説を試せます。

ただし、ここに大きな罠があります。

反応が良かったものを、そのまま高品質と認定してはいけません。

Salganikらは1万4千人超が参加した人工的な音楽市場の実験で、他人の人気情報が見える環境では、成功の格差が拡大し、どの曲が成功するかの予測可能性が低下することを示しました。社会的な影響が入ると、品質だけでは順位が決まらない。(pubmed.ncbi.nlm.nih.gov)

SNSなら、投稿時間、初速、フォロワーの構成、話題性、引用、アルゴリズムなどが混ざります。

会計でいえば、特別利益込みの最終利益だけを見て、本業が強くなったと判断するようなものです。

伸びた。だから正しかった。

このロジックは危ない。

当たりは、利益ではなく含み益かもしれない

投資の視点を入れると、さらに分かりやすくなります。

ある銘柄を買った翌日に10％上がった。それだけで投資仮説が正しかったとは言えません。相場全体が上がったのかもしれない。テーマ株に資金が流れただけかもしれない。短期の需給かもしれない。

投稿も同じです。

一度バズった型を勝ち筋と認定するのは、含み益を実現利益だと思い込むのに近い。

BermanとVan den Bulteは、商用A/Bテスト基盤で行われた2,766実験、4,964の効果を分析し、5％の有意水準でも、有意とされた結果のうち実際には効果がないと推定される割合が18〜25％だったと報告しています。(pubsonline.informs.org)

つまり、実験を増やすと当たりが増えるだけではなく、偽物の当たりも増える。

ここで評価設計が効いてきます。

SNSなら、いいね数だけでなく、表示回数に対する反応、保存、プロフィール遷移、フォロー、ブログへの送客など、目的によって見る数字を変える。経営なら売上ではなく限界利益を見る場面もある。投資ならリターンだけでなく、取ったリスクと比較する。

高品質を大量生産したいなら、生成モデルを鍛える前に採点表を鍛えた方がいい。AIで作る速度が上がるほど、ここは効いてきます。

当たりを型にするには再現性が要る – 100個の次にやるべきことは、もう100個ではない

では、100個の中から3個の当たりが見つかったとします。

ここでやりがちなのが、その3個を眺めて共通点を言語化し、即座に成功法則へ昇格させることです。

半分正しい。でも半分危ない。

成功理由は、あとからなら何とでも言える

たとえば、数字を入れたから伸びた。冒頭を短くしたから伸びた。逆張りだったから伸びた。

説明はいくらでも作れます。

問題は、その説明が原因なのかどうかです。

経営でも同じで、業績が伸びた後なら顧客志向が効いた、組織文化が良かった、経営者の決断が正しかった、と物語を作れる。でも、円安だったのかもしれない。原材料価格が下がっただけかもしれない。競合が勝手に崩れた可能性もある。

だから、言語化したものは答えではなく仮説として扱うべきです。

Camuffoらは116のイタリアのスタートアップを対象としたランダム化比較試験で、仮説を明示し厳密に検証する科学的アプローチを教えた企業の方が、直感中心の対照群より良い成果を示し、別のアイデアへ方向転換する可能性も高かったと報告しています。研究者らは、科学的な検証が見込みの薄い案を追い続ける誤りを減らす方向に働くと解釈しています。(pubsonline.informs.org)

成功を説明する力より、説明を壊しにいく力の方が強い。

平均点を上げるとは、歩留まりを上げること

このテーマを会計と製造業の言葉に置き換えると、かなりクリアになります。

100個作って3個当たる状態は、ヒット率3％です。

次の100個でも3個なら、たまたま当たりを拾えているだけかもしれない。ところが、仮説を使って次の100個で8個、さらに検証して15個と増えていくなら、生産工程そのものが改善している。

見るべきKPIは最高得点ではなく、良品率です。

これは企業分析でも同じです。単年度だけ巨大案件が利益貢献した会社と、複数事業で投下資本利益率をじわじわ上げている会社は、利益額が同じでも質が違う。

コンテンツでも、一度の100万表示より、一定水準を超える投稿を繰り返し作れる方が資産価値は高い。

Koningらは高成長スタートアップにおけるA/Bテスト導入を分析し、導入企業では1年後のパフォーマンスが30〜100％改善したと報告しています。彼らが強調するのは、単発テストの効果より、実験が組織学習につながり、有望な案を見つけて拡大し、悪い案を早く捨てられる点です。(pubsonline.informs.org)

大量生成のゴールは、ホームランではなく打率の改善です。

当たった型だけを回すと、やがて枯れる

もう一つ罠があります。

勝ちパターンを見つけると、人はそれを繰り返したくなる。

経営学の古典でMarchは、未知を探す探索と、既に分かったものを深掘りする活用の緊張関係を論じました。活用だけなら短期効率は上がる。しかし探索を止めると、新しい可能性を見つける機会も細くなります。(pubsonline.informs.org)

Liuらが芸術家、映画監督、科学者のキャリアを調べた研究も面白い。高い成果が連続するHot Streakの前には幅広い探索が見られ、始まった後には特定領域への集中が見られました。因果関係まで証明した研究ではありませんが、探索から活用へ移る順序が3領域で共通して観測されています。(nature.com)

投資でも、過去5年の勝ち組だけを買い続ければ安全とは限らない。企業でも、稼ぎ頭だけに資本を寄せ続ければ次の事業が育たない。

コンテンツも同じです。

勝ち筋は使う。でも一定割合は外す。

質の高いものを大量生成する仕組みは、探索と活用の往復運動です。

100個作る。その中から3個を拾う。3個から共通項を仮説化する。次の試行で再現性を見る。再現できた要素は型にする。その型で平均点を引き上げながら、一部ではまた全然違うものを試す。

これは創作論というより、資本配分そのものです。時間、注意、AI、発信枠という有限資源を、既知の勝ち筋と未知の可能性へどう振り分けるか。その設計が、長期の成果を決めます。

結論　価値があるのは、100個作れる人ではなく、101個目を変えられる人

AIによって、生成の原価は限りなく下がっていきます。

だからこそ、量そのものの価値も下がります。文章を100本作った。画像を1,000枚作った。企画を300案出した。それだけでは、いずれ何の差別化にもならない。

会計で考えると分かります。

売上が増えても、売上を作るための費用が同じだけ膨らめば企業価値は増えません。利益が出ても、運転資本と設備投資に全部吸われれば現金は残らない。数字は量ではなく、変換効率まで見なければ意味がない。

生成も同じです。

入力した時間やAIの計算資源が、どれだけ学習へ変換されたか。試行錯誤が、どれだけ次の判断精度へ変換されたか。ここに、本当の生産性があります。

投資家が見るべきなのも、一度の大勝ちではなく、再現可能な資本配分能力です。経営者が見るべきなのも、今年のヒット商品ではなく、次のヒットを生み出せる組織能力です。仕事でも、偶然うまくいった一件より、そこから原理を取り出して別案件へ移植できる人の方が強い。

人生も、たぶん似ています。

失敗を減らすことだけを目的にすると、試行回数が減る。試行回数が減れば、学ぶ材料も減る。でも、ただ数をこなしても変わらない。

必要なのは、昨日と同じ100回を繰り返すことではありません。

100回やったあと、101回目の打ち方が少し変わっていること。

質の高いものを大量に生み出せる人とは、天才的に毎回正解を出せる人ではない。外れを安く引き、当たりを冷静に疑い、理由を仮説に変え、もう一度市場にぶつけられる人です。

ガラクタを作るコストがゼロに近づくほど、この差は大きくなる。

最後に残る競争力は、作る力ではなく、学ぶ力なのだと思います。

このテーマをさらに深く読むための5冊

1．『失敗の科学　成長する組織の条件』マシュー・サイド

大量に試せば、当然ながら失敗も増えます。そこで差がつくのが、失敗を個人の能力不足で片づけるのか、それとも次の改善につながるデータとして扱うのか。本書は航空や医療などの事例を通して、失敗を隠す仕組みと、失敗から学習する仕組みの違いを掘り下げています。この記事で扱った100個作って3個当てるという発想の先にある、外れをどう資産へ変えるかを考えるのに直結します。経営管理や業務改善、内部統制まで含め、失敗の発生件数より学習速度を見たい読者に向く一冊です。


2．『両利きの経営（増補改訂版）　「二兎を追う」戦略が未来を切り拓く』チャールズ・A・オライリー、マイケル・L・タッシュマン

当たった型を磨くほど効率は上がります。しかし、それだけを続ければ次の当たりを探す力が細っていく。この矛盾を経営の言葉で整理するのが、探索と深化を扱う本書です。既存事業を磨きながら、新しい事業を実験する企業は、限られた人材と資本をどこへ配分すべきなのか。この記事で触れた探索と活用を、個人の創作論ではなく組織設計と資本配分の問題として理解できます。5冊の中では、SNSやAI活用の話を経営戦略、事業ポートフォリオ、企業価値へ接続したい読者に最も相性があります。


3．『「原因と結果」の経済学　データから真実を見抜く思考法』中室 牧子、津川 友介

伸びた投稿には共通点があった。利益が伸びた会社にはある施策があった。株価が上がった企業にはこの指標があった。ここから、その共通点が原因だったと結論づけるところに大きな落とし穴があります。本書は相関と因果をどう区別するかという因果推論の考え方を、数式中心ではなく身近な例から説明します。この記事の伸びたから正しかったとは限らないという論点を、もっと厳密に理解するための土台になります。SNSの分析だけでなく、決算数字や経済ニュースを見て因果関係を早合点したくない投資家や実務家にも使いやすい視点です。


4．『THINK AGAIN　発想を変える、思い込みを手放す』アダム・グラント

仮説を作ること以上に難しいのが、自分で作った仮説を捨てることです。一度うまくいった方法、一度利益を出した投資、一度評価された仕事ほど、人はそこに自信を持ちます。本書が扱う中心テーマは、知っているつもりから離れ、既存の考えを再検討する力です。この記事で書いた当たりの理由を言語化して終わらず、その説明自体をもう一度疑うという姿勢と重なります。他の4冊より個人の認知や対話に焦点があり、過去の成功体験が次の判断を邪魔していないか、自分の思考習慣から見直したい読者に向いています。


5．『これからのAI、正しい付き合い方と使い方 「共同知能」と共生するためのヒント』イーサン・モリック

AI時代の大量生成を考えるなら、技術の使い方だけを覚えても足りません。本書はAIを単なる自動化ソフトではなく、人間と組み合わせて使う共同知能として捉え、仕事、創造性、教育などへの関わり方を整理しています。特に、AIは大量に案を出すことに強く、人間にはそこから何を残すかという役割があるという論点は、この記事の中心テーマそのものです。AIで生産量を増やした後、人間はどこで価値を出すのか。その境界を考えたい人に向いており、5冊の中では最も直接的に現在の生成AI環境へ接続できます。


実験と失敗から学ぶ仕組みを最初に掴みたいなら『失敗の科学』、会社や事業の資本配分まで視野を広げたいなら『両利きの経営』から入ると理解しやすいです。数字を見て原因を早合点する癖を減らしたいなら『「原因と結果」の経済学』、自分の成功体験や確信そのものを疑う力を鍛えたいなら『THINK AGAIN』が合います。そして、そもそもAIによって生成コストが急落した世界で人間の役割を考えたいなら『これからのAI、正しい付き合い方と使い方』へ。5冊を通して読むと、量を増やす技術ではなく、試し、選び、疑い、学び、資源を再配分するところまで一つの循環として見えてきます。

それでは、またっ！！

引用論文・参考文献

  • Jung, R. E., Wertz, C. J., Meadows, C. A., Ryman, S. G., Vakhtin, A. A., & Flores, R. A. (2015). Quantity yields quality when it comes to creativity: a brain and behavioral test of the equal-odds rule. Frontiers in Psychology, 6, 864. (frontiersin.org)
  • Lucas, B. J., & Nordgren, L. F. (2015). People underestimate the value of persistence for creative performance. Journal of Personality and Social Psychology, 109(2), 232–243. (pubmed.ncbi.nlm.nih.gov)
  • Di Stefano, G., Gino, F., Pisano, G. P., & Staats, B. R. Learning by Thinking: How Reflection Can Spur Progress Along the Learning Curve. Harvard Business School NOM Unit Working Paper No. 14-093. (papers.ssrn.com)
  • Rietzschel, E. F., Nijstad, B. A., & Stroebe, W. (2010). The selection of creative ideas after individual idea generation: Choosing between creativity and impact. British Journal of Psychology, 101(1), 47–68. (bpspsychub.onlinelibrary.wiley.com)
  • Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10. (science.org)
  • Salganik, M. J., Dodds, P. S., & Watts, D. J. (2006). Experimental study of inequality and unpredictability in an artificial cultural market. Science, 311. (pubmed.ncbi.nlm.nih.gov)
  • Berman, R., & Van den Bulte, C. (2022). False Discovery in A/B Testing. Management Science, 68(9), 6762–6782. (pubsonline.informs.org)
  • Camuffo, A., Cordova, A., Gambardella, A., & Spina, C. (2020). A Scientific Approach to Entrepreneurial Decision Making: Evidence from a Randomized Control Trial. Management Science, 66(2), 564–586. (pubsonline.informs.org)
  • Koning, R., Hasan, S., & Chatterji, A. (2022). Experimentation and Start-up Performance: Evidence from A/B Testing. Management Science, 68(9), 6434–6453. (pubsonline.informs.org)
  • March, J. G. (1991). Exploration and Exploitation in Organizational Learning. Organization Science, 2(1), 71–87. (pubsonline.informs.org)
  • Liu, L., Dehmamy, N., Chown, J., Giles, C. L., & Wang, D. (2021). Understanding the onset of hot streaks across artistic, cultural, and scientific careers. Nature Communications, 12, 5392. (nature.com)

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。