会計

AIがゴミを量産する時代、価値はどこへ逃げるのか – 原石を発掘し、選び、磨く人が強くなる理由

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を使えば、文章も画像も資料も、驚くほど簡単に作れるようになりました。仕事でも同じです。企画案を10本出す、競合を整理する、会議資料のたたき台を作る。以前なら半日かかったことが、数分で終わる場面が増えています。

便利です。これは間違いない。

でも、少し厄介なことも起きています。作るコストが下がりすぎると、世の中に出てくるものの総量が一気に増える。質の高いものだけではありません。似た文章、似た企画、似た分析、もっともらしいけれど何も言っていない資料まで増えていく。

ここで発想を変える必要があります。

AI時代に希少になるのは、作る能力ではないのかもしれない。大量の候補から何を拾い、何を捨て、何を磨き、どこに自分の経験を混ぜるか。その判断能力の方が、むしろ価値を持つ。

これはコンテンツ制作だけの話ではありません。

投資なら、数千銘柄から何を残すか。会計なら、膨大な数字からどの異常値を見るか。経営なら、無数の施策候補のどこへ人と金を張るか。日常なら、情報の洪水の中で何を信じ、何を無視するか。

この記事では、創造性研究と生成AI研究を手がかりに、なぜ大量生成の時代ほど発掘・選別・加工が重要になるのかを掘ります。読み終えたとき、AIの使い方だけでなく、仕事の見方、投資先の選び方、自分の経験の扱い方まで少し変わるはずです。

作る力がコモディティ化すると、選ぶ力が資産になる – 情報が増えたのに、価値は増えない理由

生成AIの登場で、私たちは生産性という言葉を少し雑に使うようになりました。出力が10倍になれば、生産性も10倍。つい、そう考えたくなる。

ところが経理屋の感覚では、ここに違和感があります。

仕訳件数が10倍になったからといって、決算の価値が10倍になるわけではない。レポートが10倍出たからといって、経営判断が10倍良くなるわけでもない。アウトプット量と価値は別物です。

限界費用が下がると、供給は増える

Columbia UniversityのInstitute of Global Politicsは2026年、AI slopを単なる低品質コンテンツではなく、安価なAI生成、アルゴリズムによる配信、エンゲージメント型の収益構造が組み合わさった情報環境の変化として整理しました。(igp.sipa.columbia.edu)

ポイントは、AIが悪いという話ではありません。制作コストが劇的に下がったことです。

文章を1本作るコストが100から1になれば、同じ予算で100本作れる。企業なら企画書、営業メール、調査メモ、社内資料まで同じことが起きます。供給制約が外れた瞬間、次に詰まる場所が変わる。

工場なら製造能力を増強したのに検品ラインを増やしていない状態です。

製品は流れてくる。でも、どれが良品かを見る人が足りない。

AI時代の情報環境は、かなりこれに近い。

生産性ではなく、仕掛品が増えているだけかもしれない

会計で考えると分かりやすいです。

工場で大量に作ったものが、売れずに倉庫へ積み上がったらどうなるか。生産量は増えています。でもキャッシュは増えていない。在庫が増え、保管費がかかり、場合によっては評価損まで出る。

情報も同じです。

AIで100ページの分析資料を作った。見た目は立派。けれど読む側が3時間かけて、結局使えるのは2ページだった。この場合、作成者側では時間短縮でも、組織全体では読むコストが増えています。

ここ、かなり危ない。

AI活用のKPIを生成件数や作成時間だけで測ると、情報の仕掛品を量産しているだけなのに、生産性向上と誤認する可能性があります。

本当に見るべきなのは、意思決定までの時間、手戻り、修正回数、採用率、判断精度です。

投資家が見るべきは、生産能力よりボトルネック

企業を見るときも同じです。

新技術が導入されると、投資家は売上成長やコスト削減に目を奪われます。しかし、生産能力が増えたときに価値が移る先はどこか、まで見た方がいい。

半導体が大量に作れるようになれば、電力やデータセンターが制約になる。商品が大量に作れるなら、物流や販売網が重要になる。コンテンツを無限に作れるなら、人間の注意、信頼、編集、選別が制約になる。

投資とは、成長市場を探すゲームであると同時に、次のボトルネックを探すゲームです。

生成AIで供給能力が上がるほど、希少性は別の場所へ逃げていく。その移動先を見つけられる投資家は強い。

だから、AI時代を単純に生産性革命と呼ぶだけでは足りません。正確には、生産能力の急増によって、価値のボトルネックが移動する革命です。

作ることが安くなれば、作った後の検品が高くなる。情報が増えれば、注意が高くなる。平均点の文章が増えれば、一次情報や実体験が高くなる。

会計で言えば、売上高だけを見て利益率を見ないようなものです。大量生成の時代ほど、量ではなく、最終的に何が価値へ転換されたのかを見る必要があります。

原石は、考えてから出すのではなく、出した中から見つかる – 駄作を恐れる人ほど当たりを失う

では、情報が多すぎるなら、最初から質の高いものだけ作ればいいのでしょうか。

話はそんなに簡単ではありません。

創造性研究を見ると、良いアイデアを生む人ほど、最初から正解だけを出しているわけではない。むしろ、多くの候補を出すこと自体が、当たりに遭遇する確率と関係しています。

量は質の敵ではなく、探索の母数になる

Jungらの2015年の研究では、246人に発散的思考課題を行わせ、出したアイデアの数と創造性を第三者評価で比較しました。その結果、アイデア数と創造性の間にはr=0.73という強い関連が確認されています。(frontiersin.org)

もちろん、100個出せば必ず名案が出るという意味ではありません。

ここで見るべきなのは確率です。

投資でも、たった1社だけ見て最高の企業を当てるのは難しい。スクリーニングし、候補を広げ、その後に絞るから比較ができます。研究開発も同じ。仮説を一つに決め打ちするより、複数の仮説を走らせた方が思い込みを減らせる。

創造性も、完成品を一発で当てる競技ではなく、探索のゲームとして捉えた方がいい。

量を出すことの価値は、駄作を減らすことではありません。当たりが含まれる母集団を作ることです。

自分でも、どれが当たりになるか分からない

Sinatraらが2016年にScienceへ発表した研究では、科学者のキャリアにおける高インパクト研究の出現位置を分析し、大きな成果は論文系列の特定時期に固定されず現れ得るというrandom-impact ruleを示しました。(pubmed.ncbi.nlm.nih.gov)

これは科学研究についての結果なので、そのまま仕事や創作全般に拡張するのは慎重であるべきです。

それでも、示唆は強い。

人は後から成功物語を作りたがります。あの経験があったから成功した。準備が整ったから当たった。そう説明すると気持ちがいい。

でも現実には、本人ですら事前にどれが最大の成果になるか完全には分からない。

投資でも同じです。買った瞬間に10年後の大化け株だと確定している銘柄は存在しません。だからポートフォリオを組む。将来の勝者が分からないから、複数の可能性を持つわけです。

自分のアイデアにも、ポートフォリオ思考が要ります。

完璧主義は品質管理ではなく、探索停止になる

ここで陥りやすいのが、完成度の低いものを出したくないという感覚です。

気持ちは分かります。

ただ、生成段階で厳しい品質管理をかけすぎると、まだ形になっていないアイデアまで消します。会計で言えば、起票前の仕訳候補を証憑不備だけで全部捨てて、後から取引そのものが記録されていなかったと気づくようなものです。

生成と評価は、役割を分けた方がいい。

生成するときは広げる。
評価するときは厳しく見る。

この二つを同時にやると、頭の中の監査人が早すぎる段階で否定意見を出してしまいます。

AIはここで便利です。雑なメモ、違和感、思いつきから候補を増やすことには向いている。一方、それをそのまま外へ出すとノイズになる。

つまりAIは、公開装置というより探索装置として使う方が面白い。

大量生成の問題は、量を出すことではありません。量をそのまま完成品だと思って流すことです。

100個考えて、100個投稿する必要はない。100個考えて、10個残し、3個磨き、1個出せばいい。内部では乱雑でいい。外部では編集する。この非対称性が、これから効いてきます。

決算も似ています。裏側では膨大な仕訳、調整、照合が動いている。でも外に出る財務諸表は整理されている。価値は、処理量ではなく、複雑さを意味のある形へ圧縮したところに宿ります。

本当の差は、生成ではなく選別と加工でつく – AIが90点を量産するほど、人間の癖が価値になる

では、大量に候補を作れば、あとは一番良いものを選べばいい。

ここにも罠があります。

人間は、良いアイデアを選ぶことが案外うまくありません。しかもAIが平均点を上げるほど、その弱点は目立ちます。

人は独創的な案より、説明しやすい案を選びやすい

Rietzschelらの研究では、参加者はアイデアを選ぶ際、独創性よりも実現可能性や望ましさを重視しやすく、その結果、創造的な案をうまく選べない傾向が示されました。(bpspsychub.onlinelibrary.wiley.com)

企業の会議を想像すると分かりやすい。

少し変わった案が出る。
面白い。
でも説明が難しい。
前例もない。
数字もまだ粗い。

すると、無難な案が勝ちます。

なぜなら、無難な案は承認しやすいからです。

これは投資でも起きます。誰もが知る優良企業は説明しやすい。一方、まだ評価が定まっていない企業は説明責任が重い。だから組織では、リターン最大化より説明可能性最大化が起きることがある。

会計の世界でいう保守主義と、創造の世界でいう保守性は別物です。ここを混ぜると、新しい価値を生む前に削ってしまう。

選別とは、捨てる作業ではなく、価値を作る作業

Boudierらの2023年の研究は、専門家によるアイデア評価を単なる採否のゲートではなく、デザインの過程として捉えています。専門家は評価しながら、アイデアの要素を変形し、補足し、組み替えていました。(cambridge.org)

この視点は実務にかなり効きます。

良いアイデアは、発見した瞬間から良い形をしているとは限りません。

例えば、AIで経理を自動化するという案だけなら広すぎる。でも、どの判断がルール化でき、どこに例外が集中し、どこで人が手戻りしているかを重ねると、急に具体性が出る。

価値は、原案の中に完成品として埋まっているのではない。

知識をぶつけることで、価値へ変換されます。

数字を作る実務家が強いのもここです。数字の定義、締め切り、統制、例外処理、監査証跡。外からは見えない制約を知っている。それらは一見地味ですが、AIが持つ一般論を実装可能な案へ変える加工設備になります。

AIは個人を底上げするが、全体を似せることがある

DoshiとHauserの2024年の実験では、生成AIからアイデア支援を受けた短編作品は、より創造的で、文章が良く、楽しいと評価される傾向がありました。特に、もともとの創造性が低い参加者への効果が大きかった。

一方で、AIを使った作品同士は似やすくなりました。(pubmed.ncbi.nlm.nih.gov)

ここがAI時代の面白い逆説です。

個人の平均点は上がる。
でも市場全体では差が縮む。

投資で言えば、優れたスクリーナーが全員に配られた状態です。同じ財務データ、同じ指標、同じモデルを見る人が増えれば、そこだけでは超過収益を取りにくくなる。

では何が差になるのか。

その人だけが持つ現場知識、時間軸、問い、失敗の蓄積です。

LinkedInも2026年、低労力で大量生成された一般的なAIコンテンツへの対応を強め、実体験や独自の視点、専門性を重視する方針を明示しました。これは学術研究ではありませんが、供給過剰になった市場でプラットフォーム側が何を希少価値として見始めたかを示す材料にはなります。(news.linkedin.com)

AIに自分らしさを書いてもらうだけでは、たぶん足りません。AIが知っている自分らしさは、言語化済みの情報だからです。

本当に差が出るのは、まだ文章になっていない違和感、現場でしか気づかない数字の癖、誰も気にしていない失敗、何度も見てきた意思決定のパターン。そういう未整理の材料を拾って、AIにぶつけるところです。

創造性トレーニングについては、SioとLortie-Forguesの2024年のメタ分析が169研究・844効果量を統合し、未補正では0.53標準偏差だった効果推定が、出版バイアス補正後には0.29〜0.32標準偏差へ低下したと報告しています。才能は無限に伸びるという話ではない。でも、磨く余地はある。その現実的な位置づけがちょうどいい。(pubmed.ncbi.nlm.nih.gov)

結論　自分の中にあるのは、完成品ではなく鉱脈だ

会計では、数字そのものより、その数字がどう作られたかを見ると景色が変わります。

利益が増えた。
でもキャッシュは増えているのか。
売上が伸びた。
でも在庫や売掛金は膨らんでいないか。
生産性が上がった。
でも後工程へ負荷を押しつけていないか。

AI時代も同じです。

生成量だけを見ていると、たぶん本質を外します。

価値があるのは、何個作ったかではなく、どれだけ意味のあるものを残したか。そして残したものに、どれだけ自分にしかない情報を混ぜられたかです。

投資では、すでに価格へ織り込まれた情報だけでは勝ちにくい。経営では、競合と同じツールを導入しただけでは差別化にならない。人生も、他人が整理した正解を集め続けるだけでは、自分の判断軸は育ちません。

だから、自分の中に光る完成品が眠っている、と考えるより、少し違う見方をしたい。

眠っているのは、完成されたダイヤモンドではない。

鉱脈です。

仕事で覚えた違和感。
数字を追っていて引っかかった小さなズレ。
うまくいかなかった判断。
他人にはどうでもよく見える疑問。
何度も繰り返し考えてしまうテーマ。

その段階では、価値があるか分からない。むしろ大半は使えないかもしれません。

それでいい。

投資家は、すべての銘柄が上がると思ってポートフォリオを持つわけではない。経営者は、すべての新規事業が成功すると思って実験するわけでもない。会計は、すべての数字が重要だから見るのではなく、数字の集合から異常や意味を見つけるためにある。

自分の中の材料も同じです。

掘る。
並べる。
捨てる。
残す。
磨く。

この地味な作業を続ける。

生成AIは、その採掘速度を猛烈に上げてくれます。ただし、どの石を持ち帰るかまでは、自分で決めなければならない。

大量生成の時代に、人間の価値がなくなるのではありません。

むしろ逆です。

作ることが安くなればなるほど、何に価値を見いだすかという判断は高くなる。

世界に情報が余るほど、自分の中にある未整理の経験は相対的に珍しくなる。

だから、ゴミが増える時代を悲観する必要はないと思います。

そこには、今まで掘れなかった量の原石も混ざっている。

問題は、掘る手を止めないこと。
そして、拾った石をそのまま売り物にしないこと。

発掘し、選び、磨き、自分の文脈を与える。

その工程こそが、AI時代の仕事であり、投資であり、経営であり、たぶん人生そのものです。

AI時代の「原石」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が何を変えたのかを、技術だけでなく仕事、創作、社会まで広げて理解するための入口です。本文では、AIによって生成コストが下がり、価値のボトルネックが生成から選別へ移ると考えました。本書は、その前提となる生成AIの仕組みや、仕事がどう変わるのか、創作の価値がどう問い直されるのかを扱います。AIを使うべきか使わないべきかという二択ではなく、何が機械側へ移り、何が人間側に残るのかを整理したい読者に向いています。他の4冊が思考法や投資、経営へ踏み込むのに対し、技術変化そのものの地図を持つための一冊です。

[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。]

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) (2026/8/27時点)


2．『アイデアのつくり方』ジェームス・W・ヤング

古典ですが、今回のテーマとの距離はむしろ近い本です。中心にあるのは、アイデアを完全な無から生み出すのではなく、既存の要素の新しい組み合わせとして捉える発想法。本文で触れた、原石は完成品として眠っているのではなく、経験や知識の断片を掘り、組み替え、加工することで価値になるという話につながります。自分には発想力がない、AIが出す案以上のものを思いつけない、と感じる人ほど論点を整理しやすいはずです。生成AIの解説書ではなく、人間が材料をどう集め、咀嚼し、組み合わせるかという創造の原理側から読める点が、ほかの4冊との違いです。


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

大量に候補を出せても、自分が最初に良いと思った案へ執着してしまえば、選別は機能しません。本書が扱うのは、自分の確信を疑い、考え直すための知的柔軟性です。本文で紹介した研究では、人は必ずしも創造的な案を上手に選べず、説明しやすさや実現可能性へ寄りやすいことを見ました。その弱点を別角度から考えられます。会議で前例のある案ばかり残る、投資で自分のシナリオに都合のいい情報だけ集めてしまう、といった判断の癖が気になる読者に向いています。アイデアを増やす本ではなく、一度選んだ答えを捨てられるかを問うところが特徴です。


4．『ビジネスエリートになるための 投資家の思考法 The Investor’s Thinking』奥野一成

本文で何度も使った投資家の視点を、企業分析の側から深められる本です。プロの投資家が企業のどこを見て、情報をどう集め、ビジネスの価値をどう判断するのかを扱います。大量の情報から価値のあるものを残すという行為は、アイデア選別だけでなく銘柄選択でも同じです。決算数字やニュースをたくさん読むのに投資判断へ結びつかない、企業を見るとき何を捨てて何を見るべきか分からない、という疑問を持つ読者との相性がいいでしょう。他の本が創造や認知を扱うのに対し、選別能力を実際の企業価値評価へ接続して考えられる点で、今回のテーマを投資へ持ち込む役割を担います。


5．『世界は経営でできている』岩尾俊兵

経営を会社経営だけに閉じず、仕事、勉強、家庭、人生まで広げて捉える本です。今回の記事でいう発掘・選別・加工も、突き詰めれば限られた時間、注意、知識、資金をどこへ振り向けるかという資源配分の問題です。何でもできるAIを手に入れたからこそ、何をやらないかを決める力が必要になる。この視点を日常まで広げたい読者には面白い接続になります。生成AIや創造性そのものを解説する本ではないため、そこが逆に他の4冊との違いです。仕事だけでなく、自分の時間や能力まで一つの経営資源として見ると、原石を掘るという比喩が人生設計の話へ変わってきます。


生成AIそのものの現在地から入りたいなら『生成AIで世界はこう変わる』、発想が生まれる仕組みをシンプルにつかみたいなら『アイデアのつくり方』が入りやすいでしょう。自分の判断や思い込みを疑うところまで踏み込みたいなら『THINK AGAIN』、この記事を投資や企業分析へつなげたいなら『投資家の思考法』が近い。そして、選別や資源配分という考え方を仕事だけでなく人生全体まで広げたいなら『世界は経営でできている』へ進む。この5冊は同じ答えを繰り返すのではなく、AI、創造、判断、投資、経営という別々の入口から、何を残し、どこへ資源を張るのかという一つの問いに戻ってきます。

それでは、またっ！！

引用論文・参考文献

  • Weedon, J., François, C., & Ponak, J. (2026). AI Slop and the Information Ecosystem. Columbia University, Institute of Global Politics. (igp.sipa.columbia.edu)
  • 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. DOI: 10.3389/fpsyg.2015.00864. (frontiersin.org)
  • Sinatra, R., Wang, D., Deville, P., Song, C., & Barabási, A.-L. (2016). Quantifying the evolution of individual scientific impact. Science, 354(6312). DOI: 10.1126/science.aaf5239. (pubmed.ncbi.nlm.nih.gov)
  • 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. DOI: 10.1348/000712609X414204. (bpspsychub.onlinelibrary.wiley.com)
  • Boudier, J., Sukhov, A., Netz, J., Le Masson, P., & Weil, B. (2023). Idea evaluation as a design process: understanding how experts develop ideas and manage fixations. Design Science, 9, e9. DOI: 10.1017/dsj.2023.7. (cambridge.org)
  • Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. DOI: 10.1126/sciadv.adn5290. (pubmed.ncbi.nlm.nih.gov)
  • Sio, U. N., & Lortie-Forgues, H. (2024). The impact of creativity training on creative performance: A meta-analytic review and critical evaluation of 5 decades of creativity training studies. Psychological Bulletin, 150(5), 554–585. DOI: 10.1037/bul0000432. (pubmed.ncbi.nlm.nih.gov)
  • LinkedIn Corporate Communications. (2026). Keeping conversations real on LinkedIn. (news.linkedin.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。