note: 本書はAIで「速くなった」のに「成果が増えない」矛盾を、 ①本質的複雑性が残る（アムダールの法則） ②「次の一手」が設計されていない（消える生産性） ③競争は相対優位で決まる（赤の女王） という3層で読み解きます。

背景をリセット

背景をリセット

note: 【メッセージ1-15】 AIエージェントの普及で体感速度は上がった。 しかし体感の速さ≠価値の増加。 この矛盾を「本質的複雑性」「消える生産性」「相対優位」の3つのレンズで解剖する。

note: メッセージ1-2: AIエージェントは知識を返すだけでなく、ツールを使って行動できる存在として普及し始めた。 しかし、期待どおりの生産性向上が実現しない現実がある。

note: メッセージ3-6: 私たちは「作業が速くなった」という体感を得やすい。 しかし体感の速さは、そのまま「価値の増加」を意味しない。 価値は最終成果（売上・利益・顧客価値）としてしか確定しない。 だから「速くなったのに成果が増えない」という矛盾が起きる。

note: メッセージ7-9: この矛盾は、AI技術が期待外れだからではなく、構造的な理由がある。 ①本質的複雑性が残る、②生産性が消える、③競争は相対優位で決まる

note: エンジニアリングの本質に立ち戻り、複雑性の構造を理解する。

note: フレッド・ブルックスの名著から。 本質的複雑性はAIでも高速化が困難、偶有的複雑性はAIが大幅に高速化できる。

note: ブルックスは本質的複雑性を4つの性質に分解した。 複雑性、同調性、可変性、不可視性。 これらはどれも技術的手段だけでは解消できない。 AIが高速化できるのは偶有的複雑性であり、この4つは残り続ける。

note: メッセージ46-50: この限界を説明するのが、並列化の限界を示すアムダールの法則である。 並列化できない部分が一定割合残る限り、全体の高速化には上限ができる。 開発で並列化できない部分には、要件定義・設計判断・レビューが含まれる。 したがって「コード生成が10倍速い」だけでは、全体は10倍にならない。 この上限を無視すると、期待と現実のギャップがストレスになる。

note: メッセージ49の具体例: したがって「コード生成が10倍速い」だけでは、全体は10倍にならない。 シリアル部分（要件・設計・レビュー）が10%でも、全体は約5倍が上限。 シリアル部分が50%なら、全体は約2倍程度に収まる。

note: AIは仕事の密度を上げる。それは意思決定と不確実性への対峙である。 意思決定はHPではなくMPを削る。しかし人間のMPはそうそう変わらない。 これまでと同じ仕事を高速にこなそうとするのではなく、仕事そのものを再定義する必要がある。

note: 偶有的複雑性をAIで高速化しても、確認・判断の連打で認知負荷が増大する。 「速くなったのに疲れる」という逆説が起きる。

note: HBR（2026年2月）の記事「AI Doesn't Reduce Work—It Intensifies It」を解説。 UC BerkeleyのRanganathanとYeが、米テック企業約200名を8ヶ月間調査した結果、 AIは作業削減どころか、3つの次元で仕事を強化（intensify）することが明らかになった。

note: 頻繁なフィードバック要求と意思決定の連続が認知負荷になる。 AIが5分動く→確認・指示→AIが5分動く…の繰り返しでは疲弊する。

note: AIの自律性を高めることで、人間の介入頻度を下げ、AIを長時間動かせるようにする。 長時間動かせると、複数のAIを並列に走らせることも可能になる。

note: そのために必要なのが、AIの自律性を高める設計である。 自律性を高める設計は、AIが迷わないための文脈（コンテキスト）提供から始まる。

note: 本質的複雑性への対処として、2つのアプローチを提示。

note: アーキテクチャと設計の力で本質的複雑性の比率を下げる。

note: 問題解決プロセス自体をAIエージェント化することで本質的複雑性に向き合う。

note: 【メッセージ66-85】 AI導入で効率が上がっても、組織成果が伸びないことが起きる。 その矛盾自体が「消える生産性」の本質である。 次の一手が空白だと、空いた時間は組織の慣性に吸収される。

note: メッセージ66-68: AI導入で個人・チームの作業効率が上がっても、組織成果が伸びないことが起きる。 その矛盾自体が「消える生産性」の本質である。 消える生産性は、効率化をどう使うかという"次の一手"が設計されないときに起きる。

note: メッセージ69-72: 次の一手が空白だと、空いた時間は組織の慣性に吸収される。 吸収の一形態が、価値の低い仕事が増える「ブルシット・ジョブ」の増殖である。 ブルシット・ジョブが増えると、忙しさが成果の代替指標になる。 その結果、「速くなったのに、手応えがない」という感覚が強まる。

note: Faros AIが1,255チーム・10,000名以上の開発者データを分析。 チーム単位ではタスク完了21%増・PR数98%増だが、企業レベルのスループット・DORA指標・品質KPIには有意な相関なし。 レビューキュー膨張・採用の偏り・浅い活用が原因。アムダールの法則が組織に当てはまる。

note: UC BerkeleyのGrudaとAeonが、AIと生産性に関する通説を実証研究で検証した論文。 広く信じられている「神話」に対して、メタ分析や大規模レビューで反証を示している。

note: ペンシルベニア大学ウォートンスクールの予算モデルによる推計。 2025年時点でのAIによるTFP成長寄与は0.01ポイントにすぎない。 2032年にピーク（0.2ポイント）に達するが、歴史的なIT革命と同様、浸透には時間がかかる。 GDPレベルで見ても、2035年までに+1.5%、2055年までに+3%程度。

note: メッセージ80-84: つまり生産性向上は、単体では成果にならない。 成果にするには、効率化と同時に価値創造を設計する必要がある。 価値創造を設計するとは、やる仕事を増やすのではなく、やめる仕事を決めることでもある。 価値創造を設計するとは、成果指標を忙しさから価値へ置き換えることでもある。 価値創造を設計するとは、学習と適応へ時間を再投資することでもある。

note: 【メッセージ86-100】 競争の勝敗は「絶対的に速いか」ではなく「相対的に有利か」で決まる。 AIツールが広く手に入るほど、速度向上は"みんなが持つ前提"になる。

note: メッセージ16-18: 競争の勝敗は「絶対的に速いか」ではなく「相対的に有利か」で決まる。 AIツールが広く手に入るほど、速度向上は"みんなが持つ前提"になりやすい。 すると「速くなった」は差別化ではなく、参加資格（テーブルステーク）に近づく。

note: AI活用があまりできていない人ほど、自分のAI活用レベルを過大評価する傾向がある。 これはダニング・クルーガー効果として知られる認知バイアスの一種。 実際にAIを深く活用している人ほど、まだ活用しきれていない領域の広さを自覚している。

note: MIT Sloan Management Review（2025）とBCG（2024）の調査が示す二極化構造。 MITはAIが均質化の力であり持続的優位を生まないと主張。 BCGは1,000名のCxO調査で、AIから価値を出せている企業は26%、うち本格的に成果を出しているのはわずか4%と報告。

note: メッセージ6-9: 競争は人と人・企業と企業の比較だから、AIが配られた後は"相対差"がすべてになる。 AIは世界中の誰もが同条件で触れる道具になりつつあるから、道具の有無では差がつかない。 「自社だけ速くなった」という前提は崩れやすく、気づくと周りも同じ速度で上がっている。

note: メッセージ25-28: 相対位置を変える鍵は、ツール導入よりもワークフロー変化の学習速度にある。 学習速度が遅い組織は、効率化しても競争上の距離を詰められない。 学習速度が速い組織は、同じAIでも相対優位を積み上げる。 したがって「生産性が上がったか」は「相対的に前進したか」で検証されるべきである。

note: 【メッセージ36-65】 エンジニアリングの本質は、不確実性を減らす営み。 AIが「How」を肩代わりすると、人間は「What/Why」に集中する。 しかしそこは「遅い・迷う・揉める」領域である。

note: メッセージ36-38: エンジニアリングの本質は、不確実性を減らす営みとして捉えられる。 プログラミングが既知の解法での実装だとすれば、エンジニアリングは未知の問題を探索する。 AIが「How（実装）」を肩代わりすると、人間は「What／Why」に認知資源を振り向ける。

note: メッセージ39-41: すると、人間の仕事は実装中心から意思決定中心へ移っていく。 意思決定中心になるほど、仕事は"遅い・迷う・揉める"領域に寄っていく。 その領域は、AIが現時点で完全代替しにくい長期の判断や創造性を含む。

note: メッセージ86-88: 自動化が進むほど、ボトルネックは上流の暗黙知と文脈へ移動する。 暗黙知とは、言葉にされていない判断基準や経験則の集積である。 暗黙知を取り出し、AIが扱える形に変換することが新しいエネルギー源になる。

note: 3つの問題構造を理解したら、新しい正しさを獲得する必要がある。 これまでの常識を問い直し、知の探索へシフトする。

note: AI時代には、これまでの常識を問い直す必要がある。 8つのアンラーニング項目のうち前半4つ。

note: 8つのアンラーニング項目のうち後半4つ。

note: 12のアンラーニング項目のうち最後の4つ。

note: 【メッセージ86-100】 自動化が進むほど、ボトルネックは上流の暗黙知と文脈へ移動する。 エンジニアの役割は、コードを書く人から、問題定義と文脈設計を担う人へ進む。

note: メッセージ87-88の詳細: 暗黙知とは、言葉にされていない判断基準や経験則の集積である。 - 優秀な営業の「顧客対応の勘」 - 熟練エンジニアの「問題解決の直感」 - 経験豊富なマネージャーの「状況判断力」

note: メッセージ53-55: 鍵になるのは「問い」で、問いが暗黙知を引き出す入口になる。 経営者が自分でAIを使うほど、判断基準が形式知化されて組織に伝播しやすくなる。

note: メッセージ89-92: 暗黙知と形式知の往復を説明する枠組みとしてSECIモデルがある。 SECIとAIエージェントを統合すると、暗黙知の形式化が現実的なテーマになる。 形式化は、議論・レビュー・現場の会話を"意味単位"で扱い直すところから始まる。 AIエージェントは、収集・構造化・統合によって知識創造サイクルを支援できる。

note: メッセージ77-79: 知識創造では、人間が提案を承認しつつ、AIが継続的に改善を回す形が強い。 人間はオーケストレーターになり、AIは実行と提案を担う分業が成立する。 "生産性"は、手を動かす量ではなく「知が増える速度」へ置き換わる。

note: 企業システムは「記録」→「つながり」→「洞察」→「知識創造」へと進化する。 SoK（System of Knowledge）は、AIエージェントが知識創造サイクルの触媒となる次世代のシステムである。

note: メッセージ98: するとエンジニアの役割は、コードを書く人から、問題定義と文脈設計を担う人へと進む。

note: 議論の問いを行動に変換。個人・チームで実践できるアクション。

背景をリセット