AI時代、知識の値段は下がる – それでも経験からしか生まれない知性が高くなる理由

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がここまで賢くなると、ひとつ不安になることがあります。

知識を持っていることに、これからどれだけ価値が残るのか。

昔は、詳しい人が強かった。会計基準を覚えている。業界知識を持っている。企業の歴史を知っている。投資なら過去の相場や指標を頭に入れている。知識量そのものが、かなり大きな競争力でした。

でも今は、知らないことをAIに聞けば数秒で説明が返ってくる。文章も要約も比較表も作れる。ここだけを見ると、物知りであることは急速に値崩れしているように見えます。

では、人間側には何が残るのか。

私は、ここで見るべきなのは知識量ではなく、知識がどこまで自分の中に沈んでいるかだと思っています。

知っている。
理解している。
使える。
違和感に気づく。
判断できる。
そして、必要なら説明できる。

同じ知識でも、この深さはまるで違います。

この記事では、認知科学の技能獲得研究、熟練者の意思決定、暗黙知、生成AIによる生産性研究をつなぎながら、AI時代に本当に価値が上がる知性を考えます。

仕事では、どんな能力を鍛えるべきか。投資では、なぜ情報量より判断の質が効くのか。経営では、AI導入によって誰の価値が上がり、誰の価値が薄くなるのか。日常では、AIを使いながら自分の頭を弱くしないために何を残すべきか。

かなり実務的な話です。

なぜなら、これからの差はAIを使うか使わないかではなく、AIで浮いた時間を何に再投資するかで生まれるからです。検索を速くしただけで満足するのか。その時間で現場を見るのか、数字を掘るのか、仮説を検証するのか。同じAIを持っていても、ここで数年後の能力差はかなり開くはずです。

知識は「持っている」だけでは資産にならない – 価値は頭の中でどう加工されたかで決まる

知識は同じ形のまま人の中に置かれているわけではありません。最初は言葉として覚えたものが、使ううちに判断や動作へ変わっていく。

ここを理解すると、勉強が仕事に結びつかない理由も、経験豊富な人の判断が速い理由も見えてきます。

知識は、使われることで手続きに変わる

認知心理学者John R. Andersonは、技能獲得を、事実やルールを理解する宣言的な段階と、それが実際の手続きとして使えるようになる段階に分けました。知っていることが反復によって手続き化され、毎回ルールを思い出さなくても処理できるようになる、という考え方です。(eric.ed.gov)

これは会計で考えると分かりやすい。

減損会計の定義を言えることと、実際の事業計画を見て減損の兆候に気づけることは別物です。連結会計の仕訳を書けることと、子会社から上がってきた数字を見て「この利益、どこか変だな」と感じられることも違う。

試験では前者でも点が取れることがあります。

現場でお金になるのは後者です。

知識が現実の取引、数字、失敗、修正と結びつくことで、頭の中の知識は単なる説明文ではなく判断装置に変わっていきます。

熟練者は、全部を計算してから動いているわけではない

Gary KleinらのNaturalistic Decision Making研究では、現実の複雑な環境において、経験豊富な人は状況を素早く分類し、有望な行動を認識することが示されています。熟練者は毎回すべての選択肢を並べて比較しているわけではありません。経験によって、状況の形そのものが見える。(journals.sagepub.com)

投資でも似ています。

決算短信を開いて、売上高が増えた、営業利益が増えた、EPSが伸びた。それだけなら数字を読んでいるだけです。

でも長く企業を見ている人は、利益率の変化、在庫の膨らみ、営業キャッシュフローとのズレ、セグメント別の温度差などから「利益の質」を見始める。

数字は同じです。

違うのは、数字の後ろに何が見えているか。

経理の現場でも、売上高100億円という数字そのものに意味はほとんどありません。その100億円が、どの契約から、どのタイミングで、どんな見積もりを通して計上され、どの程度キャッシュになっているか。数字を作る側では、そこまで見て初めて数字になります。

「うまく説明できない」は、必ずしも理解不足ではない

熟達すると、判断の一部は自動化されます。

FisherとKeilは、専門家ほど自分の説明能力を高く見積もりやすい一方、実際に詳しい説明を求められると、自分の理解の限界に気づく現象を報告しています。専門性が高いことと、説明が完全であることは同じではありません。(pubmed.ncbi.nlm.nih.gov)

ここがおもしろい。

仕事ができる人に、なぜそこを確認したのかと聞くと、「なんとなく気になった」と返ってくることがあります。

もちろん、本当に何となくのケースもあります。

ただ、熟練者の場合、その何となくの中に、過去の失敗、似た案件、正常値の幅、相手の説明の癖、前月との差、数字の並びなどが圧縮されていることがある。

言葉になる前に、違和感が先に立つ。

この感覚は、単なる知識検索では作りにくい知性です。

ただし、ここで「説明できないほうが高度だ」と勘違いすると危ない。

説明できない知識は、本人の中では武器でも、組織ではブラックボックスになります。

強い実務家は、直感で異常を察知し、そこから証拠を集め、最後は他人が検証できる言葉に戻せる。

つまり、理想は「説明できない人」ではありません。

言葉を超えて判断できるのに、必要なときにはもう一度、言葉と数字へ戻せる人です。

AIは「知識の価格」を下げる – しかし専門知識そのものを不要にはしない

生成AIによって、知識の市場価格はかなり変わりました。

以前は、調べる、整理する、要約する、文章にする、それぞれに人の時間が必要でした。今はその多くをAIが高速で処理します。

だから「知っているだけ」の価値が下がるのは自然です。

ただし、ここから「専門知識はいらない」と飛ぶと話が逆になります。

AIは平均点を急速に押し上げる

NoyとZhangの実験では、453人の大学教育を受けた専門職が文章作成課題に取り組み、ChatGPTを使ったグループは平均所要時間が40％短くなり、成果物の品質が18％向上しました。しかも、もともとの能力が低い参加者ほど恩恵が大きく、成果の格差も縮まりました。(pubmed.ncbi.nlm.nih.gov)

Brynjolfsson、Li、Raymondが5,172人のカスタマーサポート担当者を分析した研究でも、生成AI支援によって1時間当たりの問題解決数は平均15％増加しました。特に経験の浅い人や技能の低い人の改善幅が大きく、経験豊富な人の改善は小さかったと報告されています。(doi.org)

経営側から見れば、これは衝撃的です。

以前なら数年かけて覚えていた定型業務の一部を、AIが横から補助してくれる。新人とベテランの成果差が、一部の仕事では縮む。

すると、会社が払ってきた「知識を覚えている人へのプレミアム」は薄くなります。

ここはかなりシビアです。

コモディティ化するのは「答えを出す力」の一部である

会計で考えてみます。

会計基準の概要を調べる。英文資料を要約する。論点を一覧化する。仕訳案を複数出す。会議メモから論点を抽出する。

このあたりはAIとの相性がいい。

投資でも、決算資料を要約する、競合比較を作る、過去数年のKPIを整理する、といった作業はかなり速くなっています。

つまり、情報を集め、一定の型で加工して、もっともらしい答えを出すこと自体は差別化しにくくなる。

しかし、投資家が本当に欲しいのは要約ではありません。

その数字を信じていいのか。
市場が織り込んでいる前提は何か。
利益成長は数量なのか価格なのか。
一過性なのか構造変化なのか。
経営者の説明とキャッシュフローは整合しているのか。

ここから先は評価です。

AIによって生産コストが下がるほど、評価能力の値段は上がります。

AI時代の知識は「答えるため」より「疑うため」に必要になる

2025年のCHI論文では、319人の知識労働者から936件の生成AI利用例を集めたところ、生成AIへの信頼が高いほど批判的思考への投入が少なく、自分自身の課題遂行能力への自信が高いほど批判的思考が多い傾向が確認されました。また、AI利用時の批判的思考は、情報を生み出すことから、検証、統合、監督へ重心が移っていました。(microsoft.com)

これ、仕事の構造をかなり正確に表しています。

AI以前は、専門知識は自分で答えを書くために必要でした。

AI以後は、それに加えて、AIが書いた答えを疑うためにも必要になる。

会計基準を知らなければ、AIが作った会計処理の誤りを見抜けません。事業を知らなければ、AIが作った投資分析の前提がおかしくても気づけない。経営を知らなければ、もっともらしい戦略案と実行不能な机上論を区別できない。

知識は消えません。

役割が変わるのです。

AIは知識の入口を民主化します。

ただ、入口が広がることと、出口の判断が簡単になることは別問題です。

誰でも80点の文章を書ける世界では、80点を書けることの価値は下がる。その代わり、どの20点が足りないのかを見抜ける人が強くなる。

だから、AI時代の専門家は「一番たくさん知っている人」ではなく、「何を疑うべきか知っている人」へ少しずつ変わっていきます。

価値が上がるのは「違和感を持てる人」である – 数字の外側を読む力が最後に残る

AIを使う仕事で怖いのは、AIが間違えることだけではありません。

もっと怖いのは、AIが間違えているのに、人間側がそれを判断できないことです。

ここから先は、知識量というより、自分の中に基準値を持てるかという話になります。

AIの能力境界は、きれいな直線ではない

Dell’AcquaらはBCGの知識労働者758人を対象とした実験で、生成AIが得意な課題と苦手な課題の境界をJagged Technological Frontier、つまりギザギザした技術的境界と表現しました。

AIの能力範囲内の18課題では、AI利用者は非利用者より12.2％多く課題を完了し、平均25.1％速く、品質も向上しました。一方、AIの能力範囲外に設定された複雑な課題では、AI利用者は正解を出す確率が19％低下しました。(pubsonline.informs.org)

ここが落とし穴です。

AIは簡単な問題なら正しく、難しい問題なら間違う、という素直な機械ではありません。

難しそうな仕事を鮮やかにこなした直後、妙なところで転ぶ。

だから人間には、「これは任せてよい」「ここからは危ない」という境界を見る力が要ります。

投資では、情報より「自分の基準値」が資産になる

投資の世界は昔から情報戦に見えます。

でも生成AIによって公開情報へのアクセス差が縮むほど、情報量だけで優位を作るのは難しくなります。

そのとき差になるのは、自分の中に比較の物差しがあるかどうかです。

売上成長率10％を見て高いと感じるか低いと感じるかは、その会社の過去、業界構造、市場成長率、利益率、資本効率によって変わります。PER20倍も、数字単体では高くも安くもない。

数字には必ず分母があります。

会計実務も同じです。

異常値は、正常値を知っている人にしか見えません。

AIは大量のデータから一般的な正常を推定できます。しかし、自社固有の商流、経営者の癖、月末の特殊事情、契約条件、過去の修正履歴まで含めた「この会社なら普通はこうなる」という基準は、現場経験の蓄積が効きます。

ここに、経験知の経済価値があります。

投資家目線では、これは企業価値の見方にもつながります。マニュアル化できる仕事が多い会社はAIで効率化しやすい。一方、顧客との長期関係、現場固有のノウハウ、難しい案件を見抜く人材に利益の源泉がある会社では、その知識をどう継承するかが競争力になる。AI導入率だけを見ても足りません。AIで何を代替し、何を社内に残しているかを見る必要があります。

企業が本当に守るべきなのは、暗黙知ではなく「暗黙知を育てる回路」である

Nonakaは、組織の知識創造を暗黙知と形式知の継続的な相互作用として捉えました。個人の中で生まれた知識を言葉にし、共有し、それを別の人が実践を通して自分の知識に変えていく。この循環こそ組織の知識を厚くします。(pubsonline.informs.org)

AI時代は、この循環が少しややこしくなります。

AIが答えを先に出してくれるからです。

新人が仕訳を考える前にAIへ聞く。分析する前に要約を出す。仮説を持つ前に論点を列挙させる。

成果物は速く作れる。

でも、本人の頭の中に判断基準が残っているかは別です。

経営者がAI導入で見るべきKPIは、単純な作業時間削減だけではないはずです。短期の生産性を上げながら、数年後に自力で判断できる人が育っているか。この二つは分けて管理したほうがいい。

AIに任せるほど、人間は上流へ行ける。

これは半分正しい。

下流工程を経験せずに上流へ上がると、上流で何を見ればいいのか分からない人も生まれます。

数字を作った経験があるから、数字の壊れ方が分かる。失敗した経験があるから、違和感の正体が分かる。説明に詰まった経験があるから、次から確認すべきポイントが増える。

AI時代に守るべきなのは作業そのものではありません。

判断力が育つ経験まで、一緒に外注しないことです。

結論　AIが奪うのは知識ではなく、知識だけで食べられた時代かもしれない

AIによって、知らないことのコストは劇的に下がりました。

これは歓迎すべき変化です。

知識への入口が広がり、文章を書く速度が上がり、初学者でも一定水準の成果を出しやすくなる。仕事も学習も、かなり楽になる。

ただ、人間の価値まで同じ方向に下がるわけではありません。

むしろ逆です。

情報が安くなればなるほど、何を信じるかの値段が上がる。
答えが大量に作られるほど、どの答えを採用するかの値段が上がる。
数字が簡単に分析されるほど、その数字の意味を判断する力の値段が上がる。

投資では、決算資料を全部読んだ人より、前提の崩れを一つ見つけた人が勝つことがあります。

会計では、基準書を暗記している人より、数字のつながりに違和感を持てる人が事故を止めることがあります。

経営では、AIで資料を大量生産できる会社より、現場で何が起きているかを見抜き、決断できる会社のほうが最後には強い。

そして人生でも、似た話なのだと思います。

知識は借りられる時代になりました。

でも、経験は借りられません。

自分で判断して、間違えて、結果を受け取り、修正する。その往復の中でしか作られない基準があります。

たぶん、これから希少になるのは「答えを知っている頭」ではありません。

答えを見る前に違和感を持てる頭です。

そして、もっと強いのは、その違和感を感覚のままで終わらせず、数字と言葉に戻して他人へ渡せる人です。

知っている。
出来る。
見抜ける。
説明できる。

AIが知識の値段を下げるほど、この順番の後ろ側にある能力は、むしろ価値を増していく。

だからAI時代に探すべき知性は、言葉の外側だけにあるのではありません。

言葉の外へ出て、現実に触れ、失敗し、また言葉へ戻ってこられる知性。

その往復運動こそ、人間がこれから磨くべきものなのだと思います。

AI時代の知性を、もう一段深く考えるための5冊

1．『知識創造企業（新装版）』野中郁次郎・竹内弘高

この記事で扱った暗黙知と形式知の関係を、組織経営の側から本格的に掘りたいなら、中心に置きたい一冊です。個人が経験の中で持っている言葉になりにくい知識を、どう組織の共有知へ変え、さらに新しい知識へつなげるのか。そのプロセスを知識創造理論とSECIモデルから捉えます。AIが社内文書を検索できるようになっても、そもそも文書になっていない知識をどう扱うのかという問題は残ります。属人化をなくしたい経営者や、ベテランの経験を次世代へ残したい人に向いています。ほかの4冊が判断や学習を個人側から見るのに対し、これは知識を組織資産へ変える視点を与えてくれます。

知識創造企業（新装版） [ 野中 郁次郎 ] 価格：2,860円（税込、送料無料) (2026/9/26時点) 楽天で購入

2．『生成AIで世界はこう変わる』今井翔太

生成AIそのものについて全体像を押さえたい読者には、ここが入口になります。AIが何をしている技術なのか、仕事や生活、創作にどのような影響を与えるのかをAI研究者の立場から整理した新書です。この記事ではAIによって知識の価格が下がる一方、評価や判断の価値が上がると考えましたが、その前提となる生成AIの能力と限界を理解する助けになります。AIを使ってはいるものの、なぜこれほど急速に仕事の構造が変わるのか腑に落ちていない人に合います。暗黙知や経営理論を扱う本とは違い、変化を起こしている技術側から現在地を確認できるのが特徴です。

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) (2026/9/26時点) 楽天で購入

3．『失敗の科学　成長する組織の条件』マシュー・サイド

経験しただけでは、経験知は増えません。失敗を観察し、原因を検証し、次の判断へ戻して初めて経験は学習になります。本書は、失敗から学習できる組織と、同じ失敗を繰り返す組織の違いを、航空、医療などの事例を通じて考える内容です。この記事で触れた、失敗して結果を受け取り修正する往復運動を深く考えるのに相性がいい。AIで仕事のミスを減らした結果、人間が失敗から学ぶ機会まで失わないかという問いにもつながります。知識を増やす方法より、経験を知恵へ変える条件を知りたい人向けで、5冊の中ではフィードバックと学習の仕組みに最も焦点が当たっています。

失敗の科学　成長する組織の条件 （ディスカヴァー携書　278） [ マシュー・サイド ] 価格：2,200円（税込、送料無料) (2026/9/26時点) 楽天で購入

4．『世界標準の経営理論』入山章栄

実務家の経験や直感を否定するのではなく、それを理論という別のレンズで見直したいときに役立つ本です。SCP理論、リソース・ベースト・ビュー、取引費用理論、知の探索と深化、組織の知識創造、認知バイアス、意思決定など、主要な経営理論を広く扱っています。この記事でいう、感覚で見抜いたものを最後は言葉とロジックへ戻す作業に近い。本書を通すと、自社で起きている現象を単なる経験談で終わらせず、再利用できる思考の型へ変えやすくなります。経営、投資、組織を見る共通言語が欲しい読者に向き、5冊の中では最も広い地図を提供する位置づけです。

世界標準の経営理論 [ 入山 章栄 ] 価格：3,850円（税込、送料無料) (2026/9/26時点) 楽天で購入

5．『超予測力　不確実な時代の先を読む10カ条』フィリップ・E・テトロック、ダン・ガードナー

投資の視点までつなげるなら、予測を才能や勘だけの話にしない本も入れておきたいところです。著者らは、優れた予測成績を残す人々を調べ、その思考の特徴を追っています。未来を当てる魔法ではなく、確率で考える、前提を更新する、大きな問題を分解する、自分の確信を疑うといった姿勢が中心です。これは、この記事で述べた自分の中に基準値を持ちつつ、判断を固定しないという考え方とよくつながります。相場、業績予想、事業計画など、不確実な数字を扱う人に向いています。ほかの4冊が知識や組織を主に扱うのに対し、これは判断の結果を測り、予測精度そのものを改善する方向から迫ります。

超予測力 【電子書籍】[ フィリップ E テトロック ] 価格：1,298円 (2026/9/26時点) 楽天で購入

AIについてまだ全体像がぼんやりしているなら『生成AIで世界はこう変わる』から入り、この記事の中心テーマである暗黙知を掘り下げたいなら『知識創造企業』へ進むと話がつながりやすいでしょう。自分や組織が経験から本当に学べているかを考えたいなら『失敗の科学』、経営現象を理論で整理する力を増やしたいなら『世界標準の経営理論』が合います。投資や事業計画のように正解が未来にしか存在しない世界で、判断そのものを鍛えたいなら『超予測力』。5冊を通して読むと、知識を得る、経験する、学習する、理論化する、未来を判断するという一連の流れが見えてきます。

それでは、またっ！！

引用論文・参考文献

• Anderson, J. R. (1982). Acquisition of Cognitive Skill. Psychological Review, 89(4), 369–406. DOI: 10.1037/0033-295X.89.4.369.
• VanLehn, K. (1996). Cognitive Skill Acquisition. Annual Review of Psychology, 47, 513–539. DOI: 10.1146/annurev.psych.47.1.513.
• Klein, G. (2008). Naturalistic Decision Making. Human Factors, 50(3), 456–460. DOI: 10.1518/001872008X288385.
• Fisher, M., & Keil, F. C. (2016). The Curse of Expertise: When More Knowledge Leads to Miscalibrated Explanatory Insight. Cognitive Science, 40(5), 1251–1269. DOI: 10.1111/cogs.12280.
• 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.
• Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. DOI: 10.1093/qje/qjae044.
• Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, Article 1121, 1–22. DOI: 10.1145/3706598.3713778.
• 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.
• Nonaka, I. (1994). A Dynamic Theory of Organizational Knowledge Creation. Organization Science, 5(1), 14–37. DOI: 10.1287/orsc.5.1.14.