AIの限界は、こちらが先に決めている – 人間の難易度表を捨て、AIの能力境界を経営する

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。

AIを使っていると、ときどき妙な瞬間があります。

これはさすがに無理だろう。専門家が何時間もかける仕事だし、AIには荷が重い。そう思って、半分ダメ元で投げてみる。すると、数分後にはかなり使える形で返ってくる。

逆もあります。こんなの簡単だろうと思った仕事で、平然と間違える。

このズレは、AI活用を考えるうえでかなり面白い。というより、仕事の設計、投資判断、経営判断までつながる話です。

なぜなら、私たちは普段、仕事に値札を付けているからです。この仕事は難しい。この資料は半日。この分析は専門部署。この確認は人間がやるもの。そうやって時間、人員、外注費、専門性を配分している。

ところが、その値札が人間だけを前提に作られているなら、AIが入った瞬間に原価計算が崩れます。

この記事を読むと、AIに何を任せるべきかという小さな話だけでなく、なぜ人間の直感ではAIの得意不得意を読み違えるのか、どうすればAIの能力を引き出せるのか、そして過信せずに経営や投資へ組み込むには何を見るべきかが分かります。

会計でいえば、前提条件の見直しです。
投資でいえば、企業の競争優位の再評価。
経営でいえば、人的資本とAIの再配置。
日常でいえば、自分でやるしかないと思っている作業の棚卸し。

AIの性能以上に、人間側の世界モデルが問われています。

人間とAIは、同じ難易度表を見ていない – 難しい仕事ほど人間向き、という常識が崩れる

人間は仕事を、だいたい一本の物差しで見ます。

簡単な仕事、中くらいの仕事、難しい仕事。

経験を積むほど上へ行き、複雑な仕事を任される。会社の等級も、報酬も、かなりの部分がこの発想で作られています。

AIは、この階段をきれいには登りません。

AIの能力は、滑らかな階段ではなくギザギザしている

Dell’AcquaらがBCGのコンサルタント758人を対象に行った実験は、この違和感をかなり鮮明に示しています。

GPT-4の能力範囲内にある18の実務的な課題では、AIを使った参加者は、使わなかった参加者より12.2％多くの課題を完了し、平均25.1％速く作業を終え、成果物の品質も高まりました。(doi.org)

ここだけを見ると、AIは優秀な部下です。

ところが、AIの能力境界の外側に置かれた別の経営課題では、結果がひっくり返ります。AIを使わないグループの正答率が約84.5％だったのに対し、AI利用群は60％と70.6％。二つのAI利用群を合わせると、正答率は対照群より19ポイント低下しました。(doi.org)

しかも厄介なのは、間違った答えでも文章の説得力や整合性は高く見えたことです。(doi.org)

会計屋には、この怖さがよく分かると思います。

足し算を間違えている資料なら、すぐ止められる。
怖いのは、数字も文章もきれいで、ロジックもそれらしく見えるのに、前提だけが間違っている資料です。

AIの失敗も、こちらに近い。

簡単な仕事ほどAI向き、ではない

ここで人間の難易度感覚が邪魔をします。

大量の文章を読み、論点を整理し、比較表を作り、仮説を何十個も出す。人間なら面倒で時間のかかる仕事をAIは短時間でこなすことがあります。

一方で、前提の微妙な違い、社内固有の例外、数字の定義、文脈の裏にある暗黙知を取り違える。

つまり、AIの得意不得意は、単純な難しい・簡単では切れません。

Dell’AcquaらはこれをJagged Technological Frontier、ギザギザした技術的フロンティアと表現しました。同じ業務フローの中に、AIが非常に強い場所と急に弱くなる場所が隣り合って存在する。(doi.org)

ここ、経営上はかなり大きな話です。

従来の業務分担は、経理、人事、営業、法務のように職能で切られています。しかしAI導入では、その切り方が粗すぎる可能性があります。

会計現場では、職種ではなく工程で切る

たとえば経理業務を、AIに任せられるか、任せられないかで丸ごと判断すると失敗します。

資料収集、勘定科目のマッピング案、前年差異の洗い出し、開示例の検索、説明文の初稿、チェックリスト作成。こうした工程はAIとの相性を試しやすい。

一方、会計方針の最終判断、重要な見積り、例外取引の解釈、経営者の意図を踏まえた判断は、入力情報が不完全だったり、正解が外部に存在しなかったりします。

同じ決算業務でも、AIのフロンティアは工程ごとに違うわけです。

これは原価計算に似ています。

製品単位で儲かる・儲からないを見るだけでは粗い。工程別、顧客別、チャネル別まで分解すると、どこでコストが発生しているかが見えてくる。

AIも同じです。職種という大きな箱ではなく、タスクまで細かく砕かないと、本当の採算が見えません。

だから、AI導入の最初の問いを、経理はAIに置き換わるか、営業はAIに置き換わるか、にすると議論が雑になります。

見るべきは仕事そのものではなく、その仕事を構成する工程です。

人間とAIは、そもそも同じ難易度表を持っていない。この前提に立つだけで、業務改革の見え方はかなり変わります。

AIの性能はモデルだけでは決まらない – 依頼設計が、見えない能力を表に出す

AIが一度失敗したとき、私たちはすぐ評価を下げます。

やっぱり使えない。
まだこの仕事は無理だ。

でも、それは人間でいえば、新入社員に資料も権限も渡さず、説明もせず、最初の仕事で失敗したから能力がないと決めるようなものかもしれません。

できないと、一度で判定するのは早すぎる

AI評価を行うMETRは、モデルの能力を測る際にcapability elicitation、つまり能力をどこまで引き出せているかを重視しています。

同じモデルでも、適切なツール、長いタスクを扱う仕組み、追加の推論、より良い足場を与えることで、観測される能力は変わり得る。だから素の状態で一度失敗した結果だけで、そのモデルの上限とはみなさない。(evaluations.metr.org)

実務に置き換えると分かりやすいです。

財務分析を頼むなら、数字を貼るだけなのか、過去5年の財務諸表を渡すのか、競合比較もさせるのか、一次資料へアクセスさせるのか、計算ツールを使わせるのかで結果は変わります。

AIの能力不足と、仕事の渡し方の不足は別物です。

この区別をしない会社では、AIのPoCが大量に生まれ、そして大量に死にます。使えそう、微妙だった、で終わり、なぜ成果が出なかったかが資産として残らないからです。

プロンプト術より、仕事の分解と道具の設計

ここで、うまい呪文を書けばいいという話に行くと、またズレます。

ZhouらのLeast-to-Most Promptingの研究では、複雑な問題を小さな問題へ分解し、順番に解かせることで性能が大きく改善する例が示されました。特定のSCANベンチマークでは、当時のモデルと条件で、Chain-of-Thoughtの16％に対し99％以上の精度に達しています。(mlanthology.org)

もちろん、この数字を現在のあらゆる業務へそのまま一般化はできません。

それでも、示唆は強い。

人間でも、連結決算をやって、とだけ言われるより、パッケージ収集、整合確認、換算、内部取引消去、資本連結、税効果、開示確認と工程を切った方が管理できます。

AIも、仕事を分解すると急に強くなることがある。

つまり、AI活用能力とは文章力だけではなく、業務を構造化する力です。ここは経理、管理会計、BPRをやってきた人ほど強みを出しやすい領域だと思います。

生産性向上は、熟練をどう再配分するかの話になる

NoyとZhangの実験では、453人の高学歴専門職が文章作成タスクに取り組み、ChatGPTを使ったグループは平均作業時間が40％短くなり、成果物の品質が18％上がりました。(doi.org)

Brynjolfssonらの顧客サポート研究でも、5,172人のデータでAI支援により生産性が平均15％上昇。特に経験や技能が低い層の改善が大きく、高技能層では効果が小さく、一部の品質指標では小幅な悪化も観測されています。(doi.org)

これは、人件費削減だけで読むと浅いです。

企業価値の観点では、熟練者の暗黙知をどこまで組織へ拡散できるかという話だからです。

月次決算で毎回同じ人しか分からない。
特定子会社の論点だけベテランに集中する。
引継ぎすると品質が落ちる。

こうした属人性は、会計上の貸借対照表には載りません。でも経営上は明確なリスクです。

AIがベテランの判断を完全に代替する必要はありません。ベテランが20回説明していたことをAIが15回肩代わりし、残り5回だけ人間が見る。それだけでも、組織の能力配分は変わります。

AI投資のROIを、何人減らせるかだけで計算すると、本来の価値を落とします。

見るべきは、処理時間、品質、教育時間、属人化、再作業、判断待ちまで含めた総コストです。

そして面白いのは、AIを使うほど、人間側に必要になるのが業務知識だということ。仕事をうまく分解するには、そもそも仕事の構造を知らなければならないからです。

本当のAIリテラシーは、信じることではなく見切ること – 投資・経営・内部統制は同じ問題を見ている

AIについては、楽観か悲観かで話されがちです。

使わないと遅れる。
いや、間違えるから危険だ。

この二択は、経営の言葉に翻訳するとかなり変です。

新しい設備に対して、全面的に信用するか、まったく使わないか、とは普通考えません。期待収益とリスクを測り、統制を置いて使います。

AIも同じです。

AIを使わないコストも、使うリスクも数字にする

Mehrotraらのシステマティックレビューは、人間とAIの関係では、単純に信頼を高めるのではなく、実際の能力に見合ったappropriate trustが論点になると整理しています。(doi.org)

経理で言えば、内部統制そのものです。

AIが作った仕訳案を誰が承認するのか。
根拠資料へ追跡できるか。
金額的重要性の高い項目は人間が再計算するか。
どの領域ではAIの回答をそのまま使わないか。

AIを信用するかではなく、どの条件で、どこまで依拠するかを決める。

一方で、統制を厚くしすぎれば、AIを使っているのに全部人間が再実施するという笑えない状態になります。

統制にもコストがあります。

だからAI導入は、精度だけでなく、誤りが起きたときの損失額と、検証にかかるコストをセットで見る必要があります。

投資家は、AI導入率より学習速度を見る

投資の視点でも同じです。

AIを導入しています、全社員にアカウントを配りました、という説明だけでは企業価値への影響はほとんど読めません。

問いたいのは、その会社がAIの能力境界をどれだけ速く学習しているかです。

どの業務で効果が出たのか。
どの業務では失敗したのか。
その失敗を次の設計へ反映したか。
浮いた時間を本当に高付加価値業務へ移せたか。
AIによって意思決定速度や教育コストまで変わったか。

これは設備投資を見るときと似ています。

高い設備を買った事実より、稼働率、歩留まり、単位原価、投下資本利益率を見る。

AIも導入額ではなく、運用能力が差になります。

生成AIは多くの企業が同じような基盤モデルへアクセスできます。だとすれば、モデルそのものより、業務データ、仕事の分解、検証プロセス、改善速度の方に企業固有の差が残りやすい。

投資家として見るなら、私はここをかなり気にします。

世界モデルは、固定資産ではなく毎期減損テストする

人間は一度作った常識をなかなか捨てません。

AIは文章要約くらい。
画像は苦手。
長い資料は無理。
複雑な分析は専門家の仕事。

その判断が半年前には正しかったとしても、今も正しいとは限らない。

2026年のAnthropic Economic Indexでも、利用者の多くが速度、仕事の範囲、品質で生産性向上を自己申告している一方、報告書自身が自己評価データであり技能低下などを排除できないと留保しています。(anthropic.com)

この慎重さは参考になります。

AIを礼賛する必要はない。
逆に、昔の失敗体験だけで能力を固定するのも危ない。

会計には減損テストがあります。将来キャッシュフローの前提が変われば、資産価値を見直す。

人間の世界モデルにも、同じ作業が必要なのだと思います。

半年前にできなかったから、今もできない。
昔は人間の仕事だったから、これからも人間の仕事。

その前提、本当にまだ回収可能でしょうか。

AI時代に必要なのは、信者になることでも、懐疑派になることでもありません。

小さく試して、数字を取り、失敗条件を記録し、もう一度試す。その繰り返しです。

投資家が仮説を決算ごとに更新するように、経営者が予算を実績で修正するように、AIに対する認識も実績で更新する。

固定観念を持たないことまで、立派な業務能力になり始めています。

結論　いちばん高くつくのは、古くなった前提を持ち続けること

会計をやっていると、数字そのものより怖いものがあります。

前提です。

売上成長率を少し高く置けば事業価値は変わる。回収可能性を楽観すれば貸倒引当は薄くなる。耐用年数を変えれば利益の見え方も変わる。

数字は客観的に見えて、その奥には必ず世界の見方があります。

AIも同じです。

AIはここまでしかできない。
これは人間にしかできない。
この仕事には専門家が必要だ。

そうした判断は、昨日までは正しかったかもしれない。でも技術が動けば、前提の方が先に古くなる。

投資でも、最初に立てたストーリーへ執着すると危ない。決算が崩れ、競争環境が変わり、前提が壊れているのに、買った理由だけを握り続ければ判断を誤ります。

経営も人生も、たぶん同じです。

強い人は、最初から正しい人ではない。
間違っていた前提を、早く捨てられる人です。

AIに手加減しないという言葉の本質も、AIへ無茶振りすることではないと思います。

自分が勝手に置いた限界を、一度疑ってみることです。

これは無理だろうと思った仕事ほど、一回やらせてみる。
できたら、自分の難易度表を書き換える。
できなければ、どこで止まったかを見る。
半年後、もう一度試す。

その繰り返しで、人間の仕事は少しずつ上へ逃げていく。

AIに仕事を奪われるかどうかだけを見ていると、この変化を見落とします。

本当に問われているのは、AIがどこまで進むかではなく、AIが進んだときに、自分の前提をどれだけ速く更新できるか。

古い前提は、帳簿には載りません。

でも、仕事でも投資でも経営でも、気づかないうちに一番大きな含み損になることがあります。

AIと人間の境界を、もう一段深く考えるための5冊

1．『生成AIで世界はこう変わる』今井翔太

生成AIとはそもそも何なのか、その技術が仕事や社会、人間の創造性をどう変えていくのかを広い視野で捉えるための一冊です。AIを個別の便利ツールとしてではなく、産業や働き方を変える技術として理解したい読者に向いています。この記事で扱った、人間とAIでは能力の形が違うという話を考えるには、まずAI側で何が起きているのかを知る必要があります。実務テクニック中心の本とは違い、技術の進歩と社会変化を一枚の地図としてつかみたいときの入口になります。

生成AIで世界はこう変わる （SB新書） [ 今井翔太 ] 価格：1,100円（税込、送料無料) (2026/9/22時点) 楽天で購入

2．『AIにはできない 人工知能研究者が正しく伝える限界と可能性』栗原聡

AIへできるだけ大きな仕事を渡してみる、というこの記事の発想を、反対側から点検する役割を持つ本です。生成AIの万能論に距離を置き、現在のAIが苦手とする領域、人間との違い、社会へ組み込む際の課題まで扱っています。AIを使い倒すことと、AIを過信することはまったく別です。どこまで任せ、どこから人間が判断するのか。この境界を考えたい読者には特に相性がいいでしょう。他の4冊が活用や経営へ踏み込むのに対し、AIそのものの限界を正面から見るための一冊です。

AIにはできない 人工知能研究者が正しく伝える限界と可能性 （角川新書） [ 栗原　聡 ] 価格：1,012円（税込、送料無料) (2026/9/22時点) 楽天で購入

3．『イシューからはじめよ［改訂版］ 知的生産の「シンプルな本質」』安宅和人

AIへ仕事を渡す以前に、そもそも何を解くべきなのかを人間側が定義できているか。この問いを掘るなら、この本が効いてきます。価値のある問題を見極め、必要な分析へ分解し、答えを組み立てるという知的生産の考え方は、この記事で触れたタスク分解や依頼設計と直結します。生成AIは答えを大量に作れるからこそ、問いが悪ければ無駄なアウトプットも大量生産できてしまう。AI時代に人間へ残る仕事を考えたい人、分析や資料作成が目的化しがちな人に、仕事の入口そのものを見直させる視点を与えてくれます。

イシューからはじめよ［改訂版］ 知的生産の「シンプルな本質」 [ 安宅和人 ] 価格：2,200円（税込、送料無料) (2026/9/22時点) 楽天で購入

4．『AI経営講座』東京大学松尾・岩澤研究室、PwC Japan グループ

個人のAI仕事術から一段上がり、企業全体をAI前提でどう設計するかを考えるための本です。競争戦略や組織、人材だけでなく、調達、財務、監査、バックオフィス、ガバナンス、リスクマネジメントまで扱っており、この記事で論じたAI投資のROIや内部統制、熟練者の知識再配分を企業経営の枠組みへ広げられます。AIアカウントを配ればDXが進むわけではありません。どこにAIを埋め込み、どこに人間の判断を残すのか。経営者だけでなく、企画、経理、監査、DX推進など、組織の仕組みを作る側の読者に向く一冊です。

AI経営講座 [ 東京大学松尾・岩澤研究室 ] 価格：2,200円（税込、送料無料) (2026/9/22時点) 楽天で購入

5．『世界は経営でできている』岩尾俊兵

AIの話を仕事術だけで終わらせず、この記事の最後に置いた仕事、投資、経営、人生という線をつなぐなら、この本は少し違った角度を与えてくれます。経営を会社経営だけの技術としてではなく、限られた資源をどう配分し、他者との関係の中で価値を作るかという広い問題として扱います。AIによって時間や能力の制約が変わったとき、浮いた資源を何へ振り向けるのか。そこまで考えて初めて、生産性向上は意味を持ちます。AIそのものを学ぶ本ではありませんが、人間側の世界モデルを更新するという本稿のテーマを、仕事の外まで広げたい読者に面白い視点をくれます。

世界は経営でできている （講談社現代新書） [ 岩尾 俊兵 ] 価格：990円（税込、送料無料) (2026/9/22時点) 楽天で購入

生成AIの全体像から入りたいなら『生成AIで世界はこう変わる』、AIの限界まで含めて冷静に見たいなら『AIにはできない』から入ると理解しやすいでしょう。AIへの仕事の渡し方を磨きたいなら『イシューからはじめよ［改訂版］』、会社としてAIをどう経営へ組み込むかを考えるなら『AI経営講座』が直接つながります。そして、AIで浮いた時間や能力を結局何のために使うのかまで考えたいなら『世界は経営でできている』。同じAIというテーマでも、技術、限界、問題設定、組織、人生まで視点をずらして読むと、AIを見るための物差しそのものが増えていきます。

それでは、またっ！！

引用論文・参考文献

• Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R.（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. DOI: 10.1287/orsc.2025.21838. (doi.org)
• Noy, S., & Zhang, W.（2023）Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. DOI: 10.1126/science.adh2586. (doi.org)
• Brynjolfsson, E., Li, D., & Raymond, L. R.（2025）Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. DOI: 10.1093/qje/qjae044. (doi.org)
• Zhou, D., Schärli, N., Hou, L., Wei, J., Scales, N., Wang, X., Schuurmans, D., Cui, C., Bousquet, O., Le, Q. V., & Chi, E. H.（2023）Least-to-Most Prompting Enables Complex Reasoning in Large Language Models. International Conference on Learning Representations. (mlanthology.org)
• Mehrotra, S., Degachi, C., Vereschak, O., Jonker, C. M., & Tielman, M. L.（2024）A Systematic Review on Fostering Appropriate Trust in Human-AI Interaction: Trends, Opportunities and Challenges. ACM Journal on Responsible Computing, 1(4), Article 26. DOI: 10.1145/3696449. (doi.org)
• METR（2024）Guidelines for capability elicitation. (evaluations.metr.org)
• Massenkoff, M., Lyubich, E., Sacher, S., Hitzig, Z., Zhang, S., Heller, R., & McCrory, P.（2026）Anthropic Economic Index report: Cadences. Anthropic. (anthropic.com)