AI浸透には4つの段階、最も遅い段階はまだ始まっていない

『AI as Normal Technology』の「normal」は、AIがハンマーや歯ブラシのようなものだと言っているわけではありません。産業革命級の変革技術であると認めつつ、それは懐疑論者のスローガンではなく、能力がどのように経済的・社会的影響へと段階的に変わるのかという因果関係の枠組みです。

過去の電力のような技術の研究では、イノベーション普及がよく使われます。発明 → 革新（家電などの下流製品）→ 普及（人々が徐々に採用）。彼らはこれを4つの段階に引き伸ばし、ソフトウェアエンジニアリングを例に説明しました。

イノベーション普及のAIへの応用：能力→製品→初期採用→適応的変革。出典：講演スライド

第4段階がもっとも遅いのです。コーディングエージェントの初期採用者であるソフトウェアエンジニアリングでさえ、組織レベルの真の再構築はまだ始まっていないと彼は言います。彼は少し推測を許します。もし将来、エージェントがバグが少なくセキュリティホールも少ない1,000万行規模のコードベースを安定的に作れるようになれば、「10億人向けの統一ソフトウェア」を作ることは割に合わなくなり、ソフトウェアは各チーム向けにカスタマイズされた超個別化へと向かうでしょう。「ソフトウェア企業という組織形態がまだ必要なのか」という問いすら再検討されるかもしれません。このような変化は人と組織の変化であり、歴史的に見れば数十年単位です。

工場への電力導入：単純な置き換えは決して成功しない

電力が登場する前、工場は1台の大型蒸気機関に頼り、歯車とベルトで工場全体に動力を伝えていました。電力が登場すると、工場主はまず「蒸気ボイラーを発電機に交換」しましたが、それはより効率的な直接置き換えだと思ったからです。しかし、その道は成功しませんでした。

蒸気による動力伝達からライン生産へ：電力の真の恩恵は再編成であり、ボイラー交換ではない。出典：講演スライド

今日、エージェントが「人間労働者のドロップイン代替」になるという話をよく聞きます。電力の歴史が示すのは、真の恩恵を受けるのは働き方を再編成する人々であり、人を機械に置き換えることではないということです。しかも、これは電力会社の仕事ではありません。同様に、AIによる組織再構築も、AI企業だけがやり遂げられるものではありません。彼らの4段階の枠組みでは、これは最も遅い段階であり、今日ではまだ本格的には始まっていません。

実測：能力は向上、しかし信頼性は追いつかない

様々な業界で「AIで本来できること」と「実際に使われていること」の間には大きなギャップがあります。一部は採用の遅れによるものです。さらに、導入側の人々が業界よりも早く、能力ランキングの外にある「見えない壁」にぶつかっている可能性を指摘しています。

AIについて語る際に最も頻繁に挙がる懸念は信頼性です。SAGEラボは十数の信頼性指標を4つの次元にまとめました。

AIエージェント：能力と信頼性のギャップ。出典：講演スライド・SAGEの研究成果

ソフトウェアエンジニアリング：コードを書くことは元々ボトルネックではない

2019年の時点で、コードを書くことはソフトウェアエンジニアリングのボトルネックではないという論文がありました。この1年、多くのブログがこのことを「再発見」しています。コーディングエージェントが中間層を高速化した一方で、仕事全体が同じ割合で消えたわけではありません。

decide–execute–deliver「サンドイッチ」：AIが主に噛むのは中間の層。出典：講演スライド

有用な比喩：クレーンオペレーター。出典：講演スライド

「労働総量の誤謬」：自動化が人員削減に比例することは稀

lump-of-labor fallacy（労働総量の誤謬）：社会が必要とする仕事の総量は固定されており、AIが一部を奪えば、その分の仕事は永久に失われるという考え方。歴史的対照はしばしば異なります。効率が上がると、需要と仕事の構造が一緒に変わります。

労働総量の誤謬と歴史的対照のいくつか。出典：講演スライド

ソフトウェアエンジニアリング自体も同様です。機械語から数えて、約10倍の生産性ツールの躍進を何度も経てきましたが、同期間の雇用は約10,000倍に増加しました。書くべきコードの総量がもっと速く増えたからです。彼の主張は「誰も失業しない」ということではなく、「自動化率＝失業率」という外挿は、しばしば成立しないということです。

「再帰的自己改善」が実現したら？混同されてきた4つの次元

多くの企業がrecursive self-improvement（RSI、再帰的自己改善）を目指すと公言しています。彼はこの路線を真剣に受け止めつつも、ラボのマイルストーンが自動的に「人類の仕事が即座になくなる」ことには直結しないと述べています。

AGI言説における「ハワイ問題」：遠くから見れば一つの島々だが、近づけば島の名前を区別しなければならない。出典：講演スライド

高度なAIの4つの次元：互いに自動的に含意しない。出典：講演スライド

例：癌の治癒における真のボトルネックは、しばしば数千人の被験者を集め、10〜15年を要する臨床試験であり、ラボで計算オーダーをいくつか増やすだけで直接消えるような外部制約ではありません。「計算量／モデルのマイルストーン」を「社会が即座に仕事を失う」ことに直接変換すると、これらの壁を見落とします。

AIの創造性が遅れている理由は？オープンワールド評価とは

ディープラーニングは知覚表現に強みを持ちますが、創造性や高次の推論を支える表現は、まだ人間に追いついていないと彼は判断しています。認知科学と実践に基づく仮説をいくつか挙げています。

AI創造性のパラドックスに関する議論。出典：講演スライド

SAGEが進めているopen-world evaluation（オープンワールド評価）について：エージェントに数千ドルの予算と、人間の専門家が数ヶ月研究し、論文にはなっているがまだarXivにも上がっていない実際の機械学習の問題を与え、その産出物を同じ専門家が評価します。チームは「エージェントにiOSアプリを独立して開発・リリースさせる」といった評価を完了しており、シニア研究者を募り拡大中です。

個人はどうこの波に適応すべきか？

ここまでは枠組みと証拠です。講演の後半で、ナラヤナン氏は「Personal reflections on adapting to AI」と題して時間を取りました。彼は単一の答えは示しませんが、自身が研究ワークフローでこの能力の急上昇をどう乗り切っているかを、聴衆が自分自身と照らし合わせられるように公開しました。

Personal reflections on adapting to AI。出典：講演スライド

まず立場を選ぶ：代替の物語 vs 増幅の物語

冒頭の2つの物語は、個人レベルでは2つの人生設計です。

床と天井：浮いた時間をどこに投じるか

彼は一対の言葉で個人戦略を枠組み付けます。

彼のやり方：AIによる明らかな生産性向上があれば、浮いた時間を「再投資」し、長期的な成長、AIと補完的な新しいスキルや新たなワークフローに充てます。彼自身は毎週約10時間を学習と新プロセスの試行のみに費やしています。

三脚椅子：生産性 ・ 成長 ・ コントロール

彼は「AIを使って早く仕事を終わらせる」ことだけを唯一の目標とはせず、3つのことを同時に立てるべき脚として考えます。

生産性だけを追求し、成長を養わなければ、床が上がった時につぶされる。成長だけを追求し、成果を無視すれば、現実的にはやっていけない。その両方があってもコントロールを手放せば、長期的にはただボタンを押すだけの人になるでしょう。

2つのヒューリスティック：「コントロール」をどう守るか

仕事は「機械の操作と制御」として再定義される。出典：講演スライド

ビジョン集約：人機「共同超知能」

ある意味で、経済変革級AIはすでに始まっています。特定のAGIスイッチが押されるのを待つのではなく、信頼性、統合、暗黙知、規制といったゆっくりとした変数が、仕事を書き換えつつあります。彼は、特定の能力マイルストーンに最初に到達した者が全ての経済的利益を得るという地政学の単純化に反対します。

超知能について、彼はこう強調します。タスク自体に天井があることが多い。人間の知能は学習とツールに高度に依存しており、AIもまた一つのツールなのです。競争は「AI強化された人間」対「AI単独行動」のようになる。もし「AIが企業を自主的に所有し、雇用・解雇を決定する」ことを当然の前提とし、alignment（アライメント）による安全策だけに頼るなら、その安全姿勢は「安全を支持するというより、安全に反対している」と彼は言います。

ビジョン：co-superintelligence（共同超知能）。出典：講演スライド

彼はコンピューターを「心の自転車」、AIを「心のクレーン」に例えます。人間の可能性をかつて想像もできなかった高さまで引き上げることができるのです。学習曲線は急で、ずっとランニングマシンの上にいるようなものですが、それでも彼は「共同超知能」を戦う価値のあるものだと考えています。それは仕事を放棄することではなく、AIと共に踊る、より高い天井を持つバージョンへと仕事を再定義することです。

講演の要点ページ。出典：講演スライド

能力の床は勝手に上がる。天井は自分で押し上げるもの。適応とは、すべての仕事をAIに任せることではなく、浮いた時間で補完的スキルを磨き、常にコントロールの座に座り続けること。 アーヴィンド・ナラヤナン氏のICML 2026基調講演より要約

24ヶ月で能力は跳ね上がり、信頼性はわずかに前進

SAGEラボは十数の信頼性指標を4分類（一貫性、堅牢性、校正、運用安全性）にまとめ、2つの補完的ベンチマークで主要AI 3社が約24ヶ月間にリリースしたモデルを測定しました。

プログラマーは失業していない、なぜならコードを書くことは元々ボトルネックではないから

2019年の論文で、コードを書くことはソフトウェアエンジニアリングのボトルネックではないと指摘されていた。ナラヤナン氏は知識労働を3層に分解する：decide（方針決定）、execute（コーディング・デバッグ）、deliver（提供・責任）。

効率向上が人員削減に比例することは歴史的に稀

経済学者はこれを「労働総量の誤謬」と呼ぶ。社会が必要とする仕事の総量は固定されており、AIが一部を奪えば、その分は永久に失われるという考えだ。歴史データはしばしば逆を示す。

RSIが自動的に超知能へ転がるわけではない

多くの企業が「再帰的自己改善」（RSI：AIが次世代AIの改良に関与）を目指すと言う。ナラヤナン氏は「ハワイ問題」で例える。船が群島に近づけば島の名前を区別しなければ、どこへ行くべきか迷ってしまう。彼はRSI、類人知能、経済変革級AI、超知能を、互いに自動的に含意しない4つの次元に分解する。

• RSI、スペクトラムの両端は大きく異なる：一端はAutoMLの進化版、もう一端は世界のAI研究者の創造性の総和を代替すること。企業がどちらを意味するかは不明瞭。
• 類人知能、AIは検証可能なタスク（速度、効率）では強いが、創造性のような検証が難しいタスクではまだ遠い。
• 経済変革級AI、ボトルネックは信頼性、システム統合、専門的暗黙知、規制など。数十年の漸進的採用によってのみ解消される。
• 超知能、多くのタスク自体に天井がある（天気予報はカオス理論、新薬臨床試験は10〜15年の手続き）。人間はすでにこれらの限界に近づいている。