AI時代の成果は、
モデル性能だけでは決まらない——生成AI活用を
「5つの掛け算」で考える
最近の生成AIは、驚くほど速く賢くなっている。それなら、同じモデルを使う人の成果も、いずれ同じになるのだろうか。
1年以上、参照知識の蓄積、壁打ち、業務自動化、AIエージェント活用を高い頻度で試してきた。しかし、同じモデルを使っていても、出てくる成果には大きな差が残る。
その理由を整理すると、AIの成果は一つの性能値ではなく、五つの変数の掛け算として考えると腑に落ちた。
AI時代の成果差は、
誰が一番賢いAIを使っているかではなく、
同じAIに何を掛け合わせられるかで生まれる。
モデルが賢くなれば、みんな同じ成果になるのか
モデル性能の向上は、生成AI活用の可能性を一気に広げた。推論、長文理解、調査、コーディング、複数領域の統合、自律実行。以前は難しかった複数の参照知識を横断する運用も、現実的になってきた。
ただ、AIが強くなるほど、別の疑問が浮かぶ。同じモデルを使えば、誰でも同じ品質へ近づくのかという疑問である。
実際にはそうならない。モデルが同じでも、何を読ませるか、何を問うか、出力のどこに違和感を持つか、失敗を次へどう戻すかで、結果は大きく変わる。
AIの成果を、五つの掛け算として捉える
これは学術的に検証済みの数式ではない。自分のAI活用経験を整理し、どこを改善すべきか判断するための概念モデルである。
A conceptual model for reviewing AI work
モデル性能
推論力、指示理解、長文処理、調査、コーディング、自律実行の基礎能力。
独自コンテキスト
自社情報、顧客理解、過去の判断、成功と失敗、専門領域の参照知識。
問いの質
何を考えるべきかを定め、複数領域を接続して論点を広げる力。
出力評価力
矛盾、飛躍、前提漏れ、実行不能、権限超過を見抜いて戻す力。
改善速度
出力、違和感、修正、再評価を回し、判断基準として残す速さ。
モデル性能は強い土台だが、全員に配られる
モデル性能が上がれば、できることの上限は確実に広がる。複雑な指示を読み、長い文脈を保ち、複数の知識をまとめ、実装や調査まで進められるようになる。
自分自身も、以前はうまく扱えなかった大量の参照知識を、モデル性能の向上によって現実的に横断利用できるようになった。この変化は大きい。
一方で、新しいモデルは基本的に多くの人へ同じように配られる。短期的な優位にはなっても、モデルを使っている事実だけでは長期的な差別化になりにくい。モデル性能は成果の土台であり、成果のすべてではない。
背景に持つデータが違えば、同じモデルでも別のAIになる
AIが標準では持っていない情報を渡すと、出力は一般論から自分の現実へ近づく。自社情報、業界知識、顧客特性、過去の判断、成功と失敗、自分の判断基準。こうした固有情報が、AIの回答に輪郭を与える。
自分の場合、最初はGoogle UX Designの教材を参照知識として使っていた。そこから教材を要約するだけでなく、UXの判断基準へ変換し、UX監査へ使い、マーケティング、心理学、行動経済学、分析と接続する運用へ発展した。
知識の広さは、問いを横へ広げる
AIが賢くなっても、「何を考えるべきか」という起点は依然として重要である。マーケティングだけを知っていれば、その領域の問いは深くなる。しかし、UX、顧客、システム、データ、業務設計もある程度理解していれば、問いを横へ広げられる。
「CVだけでなく、利用体験として成立しているか」
「短期の反応だけでなく、継続率へどう影響するか」
「顧客には良くても、運用側の業務負荷は耐えられるか」
「この顧客特性なら、一般論と何が変わるか」
「その仮説を、データ上はどう検証するか」
AI時代に強くなるのは、すべての領域に詳しい人だけではない。複数領域の構造を理解し、それらを接続して問いを作れる人にも可能性がある。
生成能力より、レビュー能力が重要になる
AIがどれだけ賢くても、出てきた答えの誤りに気づけなければ、そのまま採用してしまう。AI活用の差は、良い答えを出させる技術だけでなく、悪い答えを止める力にも現れる。
その分類は、目的に対して本当に適切か。
このロジックは、前の主張と矛盾していないか。
UXでは成立しても、事業として成立するか。
この母数で、そこまで強い結論を出してよいか。
提案内容を実行する権限が、本当にあるか。
読みやすくても、事実と判断が混ざっていないか。
この「違和感検知」がなければ、流暢な誤りを高品質な成果と取り違える。AIが生成を担うほど、人間の価値はレビュー、採否、責任へ移る。
一回の失敗を、次回以降の品質へ戻す
問いを一度投げて終わる人と、出力から違和感を見つけ、修正し、再評価し、その理由を判断基準として保存する人では、時間とともに差が広がる。
以前なら数日かかっていた仮説、制作、レビュー、修正の往復が、数分単位で回る。さらに修正理由まで知識へ戻せば、一回の失敗が次回以降の品質改善になる。ここにAI活用の複利が生まれる。
最高点より、弱い変数が全体を止める
掛け算として考える意味は、どれか一つが高くても、他の要素が低ければ成果が伸びにくいと分かる点にある。以下の数字は実測値ではなく、ボトルネックの考え方を示すための例である。
モデルだけが強い状態
- モデル性能95
- 独自コンテキスト90
- 問いの質20
- 出力評価力20
- 改善速度20
五つが連動する状態
- モデル性能95
- 独自コンテキスト90
- 問いの質80
- 出力評価力85
- 改善速度90
重要なのは、すでに高い要素をさらに伸ばすことだけではない。全体の成果を止めている最も弱い変数を見つけ、そこから引き上げることである。
一部は消えるが、問題設定と採否は残る
モデルが進化すると、プロンプトの細かな技巧、フォーマット指定、基本調査、情報整理、単純なルーティングの価値は下がる。AI側が意図を補い、作業の中間工程を吸収するからである。
一方で、どんな問題を認識するか、何をAIへ渡すか、どの領域を接続するか、出力の何がおかしいか、何を採用して何を捨てるかは残る。
モデル性能が全員共通で上がるほど、それ以外の変数の差が相対的に目立つ可能性がある。AIの性能差が消えるのではなく、人間側の設計差が見えやすくなる。
知識量より、領域間に橋を架ける能力が重要になる
AI以前は、「広く浅い知識」は中途半端と見られることがあった。しかし生成AIが必要な専門知識の深掘りを補うなら、複数領域の基礎構造を理解し、必要な深さをAIから引き出す使い方ができる。
マーケティング、UX、ペット、データ、システム、AI。個別に見れば一つの専門領域でしかない。しかし、顧客理解をUXへつなぎ、UXを事業指標へつなぎ、データを業務設計へつなぎ、それをAIで検証可能にすると、単純な平均点以上の価値が生まれる。
広さの価値は、知っている領域の数ではない。領域と領域の間に問いを置き、AIが使える形へ接続できることにある。
新しいモデルへ移る前に、五つの変数を見直す
AI活用を改善したい時、最初からモデルを乗り換える必要はない。まず、どの変数が成果を止めているかを点検するとよい。
今の仕事に必要な推論、長文、実装、調査能力をモデルが満たしているか。
一般論ではなく、自分の顧客、制約、過去判断、成功と失敗を渡せているか。
答えを求める前に、考えるべき論点と他領域への影響を置けているか。
採用条件、禁止事項、根拠、実行権限を人間が確認できているか。
修正理由を、その場限りの会話で終わらせず次回の基準へ戻しているか。
この点検で最も弱い一つを改善する。掛け算のモデルは、AI活用の優劣を点数化するためではなく、次にどこへ手を入れるかを決めるためにある。