居酒屋の白髪老人
地元の小さな居酒屋を思い浮かべてほしい。カウンターの端に、白髪の常連客が座っている。髪は整っておらず、身なりを見ても、何者なのかをうかがわせる手がかりはない。店主とは顔なじみらしいが、何の仕事をしているのかも、どこで学んだのかもわからない。隣に座った私たちに見えるのは、グラスを傾け、ときどき考え込む、どこにでもいそうな一人の老人だけだ。
その人がふと、「時間は誰にとっても同じ速さで進むわけではない」と話し始める。列車の話や光の話が続くけれど、こちらには理論を検証できる数式も、照合できる資料もない。話し方が少し回りくどければ、変わった人だと思うかもしれない。反対に、落ち着いた口調と自信に満ちた態度があれば、何か深いことを知っている人だと感じるかもしれない。けれど、その場の短い会話だけで、私たちは歴史的な知性を見抜けるだろうか。
おそらく難しい。相対性理論について詳しくなければ、主張の新しさも正しさも判断できない。仮に詳しくても、居酒屋の雑談という課題が、その人の能力を十分に表すとは限らない。必要な道具も、考える時間も、相手が本気で説明する動機も揃っていないからだ。その夜に見えたものは、人物の能力そのものではなく、限られた条件で表に出た、ごく小さな断片でしかない。
ところが翌日、店主から「あの老人はアインシュタインだった」と聞かされたらどうだろう。同じ言葉が急に重みをもち、昨日の間や言いよどみまで、深い思索の徴に見え始める。老人の能力は一晩で変わっていない。変わったのは、評価する側へ加わった文脈である。無名の老人というラベルが、著名な物理学者というラベルへ置き換わっただけで、私たちは過去の会話を読み直す。
この思考実験が照らすのは、天才の孤独ではない。私たちが他者の賢さを、直接見ることはできないという事実だ。見えるのは、答える速さ、話し方、行動、試験得点、文章、肩書、所属、評判といった手がかりである。私たちはそれらを集め、背後にどのような能力があるのかを推定する。つまり「あの人は賢い」という評価には、評価される人だけでなく、何を観察し、何を理解でき、どの情報を信じた評価者なのかが入り込んでいる。
肩書や評判を使うこと自体が、いつでも間違いなのではない。医学的な判断を誰に相談するかを急いで決めるとき、資格や所属は有用な手がかりになりうる。問題は、手がかりを能力そのものと取り違えることだ。流暢な説明が必要な職務もあれば、録音環境や母語の違いによる話しにくさを、思考力の不足と誤認してしまう場面もある。代理となる指標が何と関係し、どう作られ、どの程度操作でき、いつまで有効なのかを問い続けたい。
だからといって、評価されていない人を「隠れた天才」と呼べば済むわけでもない。短い会話で能力が見えなかったことは、高い能力の証明にも、低い能力の証明にもならない。情報が足りないときの誠実な答えは、しばしば「まだわからない」である。その保留は判断から逃げることではない。何を追加で観察すれば確信を更新できるかを考えるための、最初の足場になる。
『賢さの追求』という本を書きながら考えてきたのは、この「まだわからない」を、どうすれば教育、採用、仕事、組織の設計へ持ち込めるかということだった。そして生成AIは、この古くからある認識の問題を、まったく新しい速度で私たちの前へ押し出している。いまや肩書を知らない老人だけでなく、目の前にある見事な文章や企画書についても、それが誰の、どの能力を、どこまで示しているのかがわかりにくくなったからだ。
「賢い」という一語をほどく
そもそも私たちは、何を見て「賢い」と言ってきたのだろう。計算が速いこと。多くの知識を覚えていること。未知の仕組みを少ない説明から学べること。証拠に応じて考えを変えられること。自分の限界を把握できること。新しい案を生み出せること。利害の異なる人々のあいだで実行可能な判断を選べること。そして、与えられた目標を達成するだけでなく、その目標自体が望ましいのかを吟味できること。日常語の「賢さ」には、異なる働きが折り重なっている。
認知能力、学習能力、知識や専門性、合理性、メタ認知、創造性、社会的・実践的判断、目的・価値判断。これらは、賢さを問い分けるための八つの観点になる。ただし、八種類の独立した知能を漏れなく並べた分類ではない。知識のように獲得されるものもあれば、証拠への向き合い方のような思考習慣もあり、目的の吟味のように複数の能力が重なる判断領域もある。重要なのは、数を八つに揃えることではなく、一つの総合点へ押し込めると消えてしまう違いを見えるようにすることだ。
本書では、賢さを、限られた情報、時間、資源のなかで状況の構造を捉え、学習し、予測し、誤りを修正し、目的と制約に応じて判断や行動を選ぶ能力として捉えている。ここには、最初から何でも知っていることだけでなく、わからない状態から学ぶこと、外れた予測を直すこと、条件が変わったときに別の方法へ切り替えることが含まれる。
けれど、この定義だけで、何を目指すべきかが自動的に決まるわけではない。ある目的を効率よく達成する能力と、その目的が誰に利益を与え、誰へ損失を押しつけ、長い時間のなかで何を壊すのかを考えることは、重なりながらも区別する必要がある。目的の吟味を賢さから完全に外せば、間違った方向へ速く進む能力まで無条件に称賛しかねない。一方で、価値判断を持ち出せば認知能力の差を無視できるわけでもない。
さらに難しいのは、人物について推定される能力と、目の前で観察された成果が一致しないことだ。そこで、賢さをめぐる出来事を五つの層に分けてみる。第一は、その人物にあると推定される「人物側の能力仮説」。第二は、課題、時間、体調、動機、道具などの条件のなかで発揮された能力。第三は、文章や判断や製品として表現された成果。第四は、それを見た他者に認識された賢さ。そして第五は、報酬、地位、権限へ変換された社会的価値である。
この五層は、階段のようにまっすぐつながってはいない。高い能力があっても、課題との相性が悪く、時間も権限もなければ成果へ届かない。よい成果が出ても、共同作業や既存資料やAIの寄与が大きければ、それを一人の能力へ還元できない。優れた成果が評価者に理解されるとは限らず、反対に、よく知られた所属や巧みな自己演出が高い評価を生むこともある。さらに、市場で高く報われる能力は、希少性や需要や制度に左右され、人間的な価値の総量を示さない。
たとえば、採用候補者が非常によくできた事業計画を提出したとする。その成果は、その人を含む制作システムが、与えられた条件でよい計画を作れた証拠にはなる。しかし、候補者が前提を理解しているか、数字の誤りを見つけられるか、条件の違う事業へ考え方を移せるか、計画が失敗したときに学び直せるかは、別に確かめる必要がある。完成品から人物側の能力仮説までを、一度に飛び越えることはできない。
ここでいう能力仮説は、評価されなくても常に保存される神秘的な本質ではない。関係する複数の課題で再現するか。時間を置いても保持されるか。条件が変わっても応用できるか。フィードバックを受けて学べるか。誤りを自分で発見し、修正できるか。そうした観察が重なれば確信を上げ、十分な機会があっても繰り返し示されなければ確信を下げる。能力を固定的なラベルから、証拠によって更新する仮説へ戻すのである。
すると、賢さは人の内側だけにある属性でも、状況がすべてを決める現象でもなくなる。人の能力、課題の形、道具、環境、評価者、社会制度の関係から、ある部分が成果として現れ、認識され、価値づけられる。居酒屋の老人が別の場所、別の相手、別の課題では違って見えるように、同じ人物の賢さも、観察の条件によって異なる輪郭を取る。それでも人物間の能力差が消えるわけではない。差を確かめる方法には、一回の印象より慎重さが要るということだ。
成果物が、能力の証明ではなくなる
生成AIがもたらした最も目立つ変化は、知的に見える出力を作る費用が下がったことだ。文章、要約、翻訳、企画案、画像、コード、質問への応答。以前なら一定の知識や訓練や時間が必要だった成果物を、短時間で整えられる場面が増えた。これは生産の道具として大きな利点である。表現が不得意だった人が考えを伝えやすくなり、経験の浅い人が最初の足場を得て、専門家が反復作業を減らせる可能性がある。
ただし、「AIが仕事を奪う」あるいは「AIが人間を賢くする」と職業や人物の単位で語ると、何が変わったのかを見誤る。一つの仕事は、目的を決め、情報を集め、信頼性を確かめ、候補を作り、比較し、関係者と調整し、採用し、実行し、結果を監視する複数の工程からできている。AIの効果は、そのすべてに同じように現れるわけではない。モデル、時点、課題、利用者の経験、導入方法によっても変わる。
初稿が十分で作れるようになっても、数字の確認や法務審査や関係者の承認に三週間かかるなら、仕事全体が同じ割合で速くなるわけではない。むしろ出力が増えたことで、読む、比較する、検証する、捨てるという工程が新しいボトルネックになることもある。百の案を一瞬で作れることと、そのなかから現実に作用させる一案を選べることは、別の問題である。
AI支援によって、これまで成果の差が大きかった人々が、一定の品質帯へ集まりやすくなる場面もあるだろう。だが、支援下の成果差が縮まったことは、支援を外したときの能力差が消えたことを意味しない。高品質な文章を提出できたという事実は、その条件で高品質な文章を作れた証拠である。それ以上でも、それ以下でもない。本人が内容を理解しているか、別の問題へ応用できるか、もっともらしい誤りを見抜けるかまでは、完成品だけでは証明できない。
成果物が嘘をついているのではない。私たちが成果物に、あまりに多くのことを証明させてきたのである。整った文章から思考の深さを、正しい答えから理解を、速いコードから設計能力を、魅力的なプレゼンテーションから将来の実行力を推定する。その推定は以前から不完全だった。生成AIは、表現された成果と人物側の能力仮説のあいだにあった隙間を、見過ごせない大きさまで広げた。
では、誰が書いたのかを判定すればよいのだろうか。著者性も、AIを使ったか使わなかったかの二択では捉えにくい。誰が問題を設定したのか。どの資料を選んだのか。どんな指示を与えたのか。生成された候補の何を捨て、何を残したのか。事実を誰が検証し、最終版を誰が承認したのか。一つの成果物のなかに、発案、生成、編集、検証、決定という異なる寄与が重なっている。
AIらしい文章を検出するだけで、能力評価の問題が解けるわけでもない。検出に誤りがあれば、本人が書いた文章を不正と判断する危険がある。たとえ利用の有無を正しく判定できても、適切にAIを使って成果を高めたのか、内容を理解せず出力を提出したのか、そこからはわからない。必要なのは、道具の使用を暴くことではなく、何を評価したいのかに応じて、本人単独の能力、人とAIの協働能力、条件付きで得られた成果を分けて観察することだ。
ここで、市場価値と人間的な価値も分けて考えたい。文章生成の費用が下がれば、定型的な文章に支払われる価格や必要な人数が変わる可能性はある。けれど、自分で文章を書くことが、考えを整理し、記憶をつなぎ、経験へ意味を与える営みとして無価値になるわけではない。市場で希少でなくなることと、人が学び、表現する意味が消えることは同じではない。
AIが低コスト化したのは、賢さ全体ではない。まず、賢さの徴として見えていた出力の一部である。だから問われるのは、人間に何が「残る」かだけではない。どの工程を委ねるのか、どの能力を本人へ残すのか、何を成果として評価し、どの推定をそこから行ってよいのか。出力が豊富になるほど、私たちの側に、観察と推定を混同しない言葉が必要になる。
AIは人を賢くするのか、賢く見せるのか
AIは人を賢くするのか、それとも賢く見せるだけなのか。この問いも、二つに割り切ると現実を取り逃がす。AIは、知らなかった概念への入口を作り、別の説明を示し、練習相手になり、フィードバックを返すことができる。一方で、考える前に答えを出し、理解していない内容でも流暢に語れるようにし、自分の確信だけを高めることもある。多くの場合、学習と代行は同じ画面のなかで少しずつ起きる。
たとえば、二人の社員がAIを使って、同じ水準の市場分析を完成させたとする。一人は最初に自分で仮説を立て、AIへ反対意見を求め、出典へ戻り、数字の不一致を修正した。もう一人は出力をほぼそのまま整えて提出した。完成品だけを見れば差がないかもしれない。だが、前提が変わったとき、誤ったデータが混ざったとき、AIが使えないときに、二人が同じように対応できるとは限らない。
その場でできたことと、本人に獲得された能力を区別する必要がある。獲得された能力とは、支援がなくなったあとにもある程度保持され、条件の違う課題へ移され、誤りに直面したときに自力で修正できる能力である。AIとの協働でよい成果が出たなら、それは価値のある遂行だ。ただし、その成果を学習の証拠として使うなら、時間を置き、支援を外し、課題の形を変えて初めて、その違いが見える。
もちろん、何でも自力で覚え、何でも自分だけで処理することが理想なのではない。人間は昔から、紙、計算機、検索、同僚、専門家へ認知作業を外部化してきた。外部化は、限られた資源を別の判断へ振り向ける合理的な選択になりうる。問題は外部化そのものではなく、どこへ戻れば根拠を確かめられるかを失い、誤りを検知できず、道具が使えないときに代替手段もなくなることだ。
何を委ねるかは、教科や職種だけでは決められない。間違えたときの損失は大きいか。AIの答えを安く検証できるか。処理を元に戻せるか。使えないときに代替できるか。その知識は別の問題を理解する土台になるか。同じ作業でも、個人の日記を整える場合と、患者の治療方針へ影響する場合では、必要な確認と保持能力が違う。
AIを使えば賢くなる、という楽観だけでも、AIを使えば考えなくなる、という悲観だけでも足りない。大切なのは、学習と代行が分かれる条件を設計することだ。まず本人が試みる。必要に応じて段階的なヒントを得る。なぜその答えになるかを自分の言葉で説明する。時間を置いて思い出す。条件を変えた問題へ移す。もっともらしい誤答を見抜き、修正する。AIを学びの近道ではなく、学習過程を往復するための道具へ変えるのである。
答えをつくることから、選び、確かめることへ
答えを作る費用が下がるなら、人間には問いを作る仕事が残る。よく語られるこの分担は、方向としては理解できるが、境界線としてはきれいすぎる。AIも問題候補を生成し、問いを言い換え、反対意見や検証案を示せるからだ。人間だけが問いを作り、AIだけが答えるという安定した役割分担を前提にすれば、次の技術変化で再び足場を失う。
それでも問題設定の重要性が下がるわけではない。むしろ候補を大量に作れるほど、どの問題に時間、資金、権限を配るかという選択が重くなる。生成することと、現実の問題として採用することは違う。採用には、誰が影響を受けるのか、何を成功とするのか、ほかの課題を後回しにする価値があるのか、失敗したときに戻せるのかという判断が伴う。
たとえば病院から「患者の待ち時間を短くしたい」と相談されたとする。AIは予約枠の最適化、事前問診、診療科の振り分け、自動案内など、多数の案を出せるだろう。しかし、診察を急いで見落としが増えたり、時間のかかる患者を予約から遠ざけたり、そもそも来院を諦めた人を統計から外したりすれば、平均待ち時間という数字だけは改善しても、患者の状態がよくなったとは言えない。
問題設定には、少なくとも四つの選択が入っている。何を目的にするのか。どこまでを問題の境界に含めるのか。どの言葉で状況を表すのか。何を成功の指標にするのか。「待ち時間を短くする」という表現を、「必要な診療へ安全に到達するまでの負担を減らす」と置き換えれば、見える対象も選ぶ案も変わる。測りやすい数字は必要だが、数字が目的の代理であることを忘れると、現場は数字を改善しながら目的から離れていく。
AIは、この再設定にも役立つ。見落としている関係者を列挙させ、別の指標を提案させ、反対の立場から批判させることができる。だから重要なのは、問題設定を人間だけの神聖な領域として守ることではない。候補のうち何を採り、誰へ影響を与え、どの条件なら実行し、どんな兆候が出たら止めるのかを決める過程へ、知識、権限、説明、異議申立てをどう配置するかである。
下流では、知識を持つことから、知識の流れを統治することへ重心が移る。AIが十個のリンクを示しても、九個が同じ一つの発表を言い換えただけなら、独立した根拠が十個あるわけではない。長い説明が付いていても、主張が真になるわけではない。必要なのは、回答を検証可能な主張へ分け、原資料へ戻り、情報源同士の依存関係を確かめ、相関と因果を分け、不確実性を消さずに次の判断へ渡すことだ。
説明可能なAIなら安心だ、という期待にも注意がいる。説明は検証の入口にはなりうるが、もっともらしい説明が正しさを保証するわけではない。「人間が最終確認する」という一文も、それだけでは制度にならない。確認する人に時間と知識があるのか。元資料へアクセスできるのか。AIの提案を拒否しても不利益を受けないのか。判断を止める権限があるのか。異議を申し立てる人が、どこへ戻れるのか。人間を工程の最後に置くだけでは、確認の形をした追認が増える。
本書では、こうした活動を説明する比喩として「知性のコントロールプレーン化」という言葉を使っている。コンピューターシステムで、処理そのものとは別に、何をどこへ流し、どの条件で止めるかを管理する層があるように、知的な仕事でも、情報と権限の経路を設計する働きを重く見るという意味だ。知識を覚えなくてよいという話ではない。流れてくる情報の意味を理解し、異常を検知するには、基礎知識が必要である。
そして、一つの案を現実へ作用させるところで、責任の問題が現れる。責任を「最後に承認ボタンを押した人」へ集めても、十分には機能しない。誰が結果に因果的に寄与したのか。誰に役割上の義務があったのか。誰が判断根拠を説明するのか。誰が誤りを訂正し、損害を救済するのか。これらは同じではない。比較し、検証し、選ぶことは能力として論じられるが、責任は権限、義務、説明、修復を工程へ対応させる制度でもある。
ここでようやく、「賢さがどこへ移るのか」という問いの意味が見えてくる。人間の能力が、頭のなかのある場所から別の場所へ物理的に移るわけではない。問題設定や検証が、人間だけの仕事として永遠に残ると予測するものでもない。出力生成の費用が下がるにつれて、教育、評価、仕事、組織が重く扱う知的活動を、問題設定、比較、検証、目的の吟味、選択、権限設計へ移していくべきだ、という規範的な提案なのである。
学び方、測り方、配置の仕方を変える
この提案を実務へ移すなら、まず学習を「覚えるか、AIへ任せるか」という二択から外したい。学ぶ対象を、三つの仮の箱へ分けて考える。一つ目は、AIの答えを検証し、非常時に対応し、別の問題を理解するために本人へ残す基礎。二つ目は、失敗時の損失が小さく、結果を安く検証でき、元へ戻せるためAIへ委任する工程。三つ目は、問題設定、証拠評価、転移、確信の調整、誤りの修正、目的の吟味など、これまで以上に深める対象である。
ただし、保持、委任、深化は、教科ごとの固定分類ではない。計算を委ねてもよい場面と、概算を自分で持たなければ異常値に気づけない場面がある。翻訳を任せられる場面と、医療や契約の重要語を原文で確認すべき場面がある。技術も役割も変わる以上、失敗時の損失、検証可能性、代替手段、再取得の費用、ほかの学習への転移価値を見ながら、箱の中身そのものを更新し続ける必要がある。
評価も、完成品一つを提出させ、人物全体へ点数を付ける方式から離れる必要がある。何を測りたいのかを先に決め、複数の条件を組み合わせる。AIなしで確認したい基礎。AIありでの実務遂行。初めて見る課題への対応。標準化した助言を受けたあとの改善。時間を置いた保持。条件の違う問題への転移。意図的に混ぜた誤りの発見と修正。そして、自分の答えにどれほど確信しているか。単一の課題で見えない能力を、異なる窓から観察する。
これは、AI利用を暴くために対話履歴を無制限に集める監視とは違う。評価する目的に必要な情報だけを取り、本人単独の能力、人とAIの協働能力、その条件での成果を測り分けるための設計である。どの方法にも、妥当性、公平性、費用、プライバシーの問題がある。言語、障害、通信環境、特定製品への習熟が、測りたい能力と無関係な障壁になっていないか。誤った判定へ異議を申し立てられるか。導入後に便益がなければ、評価方法そのものを修正し、やめられるかまで確かめる。
そして評価の目的を、人を一列に並べることから、よりよい配置を探ることへ広げる。「この人は賢い」というラベルだけでは、仕事を任せるための情報が足りない。どの課題を、どの条件と支援で解けたのか。何をまだ確かめていないのか。誤りをどう修正したのか。どの役割なら、その能力が成果へつながるのか。人だけでなく、AI、資料、時間、権限、協力者との組み合わせを見る。
配置は、人物への最終判決ではなく、未来についての仮説として書ける。期待する役割、すでにある証拠、用意する支援と権限、人とAIの工程分担、成功を観察する期間、停止と再配置の条件を明示する。そして影響を限定し、戻せる形で試す。うまくいかなければ、本人の能力不足、課題との不一致、環境や権限の不足、支援設計の失敗、目標自体の誤りを分けて調べる。
このとき、機会を与えるという言葉が、無償の追加労働や、支援のない難題を押しつける口実になってはいけない。評価されにくかった人だけを試すのでもなく、すでに高く評価されている人や管理職の配置仮説も更新の対象にする。会議で即答する以外の入口、文章で考える時間、試作品、短い実務課題、学習後の再試行など、能力が異なる形で表れる窓を増やす。ただし、まだ観察されていないことを、高能力の証拠に読み替えない。
見抜けないまま、判断を更新する
もう一度、居酒屋へ戻ろう。カウンターの端にいる白髪の老人が本当にアインシュタインだったとしても、私たちはその場で見抜けないだろう。必要な知識も資料も時間もなく、雑談が能力を表す課題として適切かもわからない。だが、それは評価という営みの敗北ではない。むしろ、自分の認識が届く範囲と、届かない範囲を区別できた地点から、評価はようやく始まる。
現実には、採用、教育、仕事で、情報が完全に揃う前に誰かを選ばなければならない。判断を止めることはできない。だからこそ、断定の強さを証拠に合わせる。「この課題ではできた」「AIを使わない条件は未確認だ」「この支援のもとでは成果が出た」「三か月試し、この結果なら役割を見直す」と、判断の範囲、条件、期限、更新方法を言葉にする。
賢さを追求するとは、もっとも賢い人を探し当て、その人の答えに従うことではない。何ができたのか。どの条件でできたのか。何を理解し、何を道具へ委ねたのか。誤りから学べるのか。どの目的を選ぶのか。誰が止め、説明し、修復できるようにするのか。人物の評価だけでなく、評価する側と制度の設計にも同じ問いを向け続けることだ。
生成AIが流暢な答えを次々と作るほど、私たちは答えの外見だけから賢さを読み取れなくなる。けれど、そこで賢さを見失う必要はない。観察された成果と、そこから行う推定を分け、確かめる機会を作り、間違った評価を更新できるようにする。必要なのは、天才を一目で当てる眼力ではなく、まだ見えていない能力が試される余地と、判断をやり直せる仕組みである。
翌晩、同じ居酒屋の扉を開けたとき、白髪の老人は昨日と同じ場所に座っているかもしれない。こちらが手にしているのは、彼の正体を言い当てる魔法ではない。ただ、わからなさを無理に埋めず、次に何を尋ね、どんな課題と時間を用意し、どの証拠によって自分の見方を変えるかという、小さくも具体的な方法だ。AI時代の賢さは、鮮やかな答えのなかだけでなく、その方法を更新し続ける私たちの選択のなかに現れる。