5秒で結論
AIが強くなるほど、人間の価値は「全部自分で作れること」から少しずつ離れていく。
代わりに重要になるのは、完成物を見て「なんか違う」「ここはつまらない」「これは使いたくならない」と早く気づき、その違和感を理由・目的・制約へ変換し、AIに解法を探索させ、実物を見てもう一度判定する力だ。
要するに、人間がコードを全部書くのではなく、
違和感検知 → 壁打ち → 0→1企画 → 実装 → 現物確認 → また違和感検知
を回す。
見た目だけなら「文句ばかり言う社長」である。
だが、ピクセル単位で命令していないなら、それはマイクロマネジメントではない。むしろ、目的関数と品質基準を人間が握り、探索と実装をAIへ委任する運用に近い。
1. 始まりは「整理されているけど、クソつまんない」だった
あるサイトのトップページには、カテゴリ名と記事数がきれいに並んでいた。
情報は整理されている。壊れてもいない。説明もできる。
でも、見た瞬間に出てきた感想は、
「これ、つまんねえな」
だった。
この種の違和感は厄介だ。
「ボタンが壊れている」のような明確なバグではない。テストも通る。仕様にも反していない。なのに、触りたくならない。
会話AIと壁打ちすると、違和感の正体が少しずつ言葉になった。
運営者が「人間関係98記事」「判断・比較78記事」と在庫を整理して見せても、初見の読者が知りたいのは在庫数ではない。
「今の自分に面白いものはある？」 「この悩みならどこを押せばいい？」 「目的はないけど、何か見つけたい」
こっちだった。
そこで0→1の企画AIに問題全体を渡し直すと、カテゴリ倉庫ではなく、読者の状態やニーズから入れるメッセージカード型の入口へ変わった。
CSSを少しきれいにしたのではない。
「トップページは何のためにあるのか」をやり直したのである。
2. 人間の仕事が「クソクレーマー」に見えてくる
AIが実装までやるようになると、人間側の仕事は妙な見た目になる。
「ここ、なんかダサい」 「それ、説明としては正しいけど押したくならない」 「機能はあるけど、体験としてゴミっぽい」 「もっと面白くならん？」
文字だけ切り取ると、かなり嫌な客である。
しかし本当に危険なマイクロマネジメントは、
「余白を12pxにしろ」 「カードを必ず3列にしろ」 「この文章をこの位置へ置け」
と、解法まで人間が固定することだ。
今回の役割は逆だった。
人間が握るのは「これは良いか」「目的に合っているか」「何が気持ち悪いか」という評価側。
どう直すかは、強い企画AIと実装AIにかなり渡す。
つまり「クソクレーマー」ではなく、実際にはプロダクトオーナー、編集長、クリエイティブディレクター、品質保証を一人で兼ねている。
肩書だけ急に重い。
3. 違和感は高性能センサーだが、そのまま仕様にはならない
「なんか嫌」は重要だ。
しかし、そのまま実装AIへ投げると危険でもある。
単なる個人の好みかもしれないし、別の場所を直した副作用かもしれない。AIは文句を忠実に実装して、全体を壊すこともできる。
そこで会話AIとの壁打ちが効く。
最低でも、次の順番へ変換する。
- 症状：何を見て「嫌だ」と感じたのか
- 原因候補：なぜそう感じるのか
- 読者：誰にとって困るのか
- あるべき姿：何ができる状態なら良いのか
- 制約：壊してはいけないものは何か
- 完了条件：何を見れば改善したと言えるのか
「トップページがつまらない」なら、
「供給者側の分類が前に出すぎていて、初見読者が自分の目的から記事を探しにくい。記事数ではなく、気分やニーズから探索できる入口にしたい」
まで解像度を上げる。
ここまで来ると、クレームが設計入力になる。
4. 壁打ちは「自分の好み」を「検証できる仮説」へ変える工程
重要なのは、違和感を絶対視しないことだ。
「俺が嫌い」 と 「ユーザーにとって悪い」 は同じではない。
そこで壁打ちでは、研究、既存の設計原則、反例、実際の利用データをぶつける。
たとえば、
「情報量が多いから嫌なのか？」 「分類軸が運営者都合だから嫌なのか？」 「目的がない人の入口がないから嫌なのか？」 「既存ユーザーには逆に一覧型の方が速いのでは？」
と分解する。
この工程を挟むと、人間の感覚を殺さずに、感覚の暴走だけを抑えられる。
違和感はセンサー。
壁打ちは診断。
実装は治療。
いきなり手術室へ走らない。
5. 「IKEAやコストコみたいに」は雑な指示ではなく、探索空間を狭める
具体例は強い。
「もっと面白くして」だけではAIの探索空間が広すぎる。
一方で、
「大型店を歩いていると、目的外の商品まで見つけてしまう感じ」 「カテゴリ一覧ではなく、見ているうちに発見が起きる感じ」
と伝えると、欲しい体験がかなり明確になる。
ここで大事なのは、参考例の画面をコピーすることではない。
色、余白、カード形状を真似するのではなく、
「目的外の発見」 「回遊」 「次を見たくなる」 「在庫ではなく体験を見せる」
という抽象度へ一段上げる。
具体例は解法を固定するためではなく、方向を固定するために使う。
これならAIはまだ自由に考えられる。
6. 0→1企画AIと実装AIを分けると強い
既存バグの修理なら、毎回巨大な企画会議は要らない。
原因を特定し、直し、テストすればいい。
しかし「トップページを根本から面白くする」のような0→1に近い仕事では、実装前に一度だけ強い企画モデルを通す価値がある。
役割は分ける。
会話AIは違和感の分解と要求定義。
0→1企画AIは選択肢、構造、体験設計の探索。
実装AIはコード、テスト、回帰確認。
人間は目的、制約、優先順位、採否。
ここで計画書を作るだけのAI会議を何周もする必要はない。
企画は実装へ接続して初めて価値になる。
7. 研究でも「人間＋AIなら自動的に最強」ではない
ここは重要である。
2024年のNature Human Behaviourのメタ分析は、人間単独、AI単独、人間＋AIを直接比べた106実験・370効果量をまとめた。[1]
平均すると、人間＋AIは人間単独より良かった。
しかし「人間かAIのうち良い方」と比べると、人間＋AIは平均で劣っていた。
人間を最後に足せば必ず強くなるわけではない。
さらに、意思決定課題では組み合わせの成績が落ちやすく、創作課題では相対的に組み合わせが有望だった。
つまり大事なのは「AIを使うか」ではなく、
誰が何を担当するか
である。
全部を人間が最終承認するだけでも、全部をAIに丸投げするだけでもない。
仕事を分解する設計そのものが性能を左右する。
8. AIの能力境界はギザギザしている
2026年にOrganization Scienceへ掲載された758人の知識労働者の実験では、AIが得意な範囲の18課題で、AI利用者は平均12.2%多く課題を完了し、25.1%速く、品質も向上した。[2]
しかし、AIの能力境界の外側に置かれた複雑な経営課題では、AI利用者は正解する確率が19%低かった。
見た目が同じ「知的作業」でも、AIが効く仕事と逆効果になる仕事が隣り合っている。
これが「ギザギザの技術境界」である。
だから運用側は、
「AIは賢いから任せる」 ではなく、 「この種類の仕事はAIに任せる。ここは人間が判定する」
と役割を切る必要がある。
違和感検知、目的設定、重大なトレードオフ、全体整合性は人間。
大量探索、代替案生成、文章化、実装、機械的検査はAI。
少なくとも今のところ、この分業の方が自然だ。
9. 人間が「初稿を書く人」から「編集する人」へ移るのは研究とも整合する
2023年のScienceの実験では、453人の専門職に文章作成課題を行わせ、生成AIを使った群では平均作業時間が40%短く、評価品質が18%高かった。[3]
2025年のQuarterly Journal of Economicsに掲載された顧客対応業務の研究でも、5,172人の現場データで、生成人工知能の支援により時間当たり処理件数が平均15%増えた。効果は特に経験の浅い層で大きかった。[4]
もちろん、これらは「社長が違和感だけ言えば会社が回る」と証明した研究ではない。
ただし、初稿、定型処理、候補生成、文章化のコストが下がると、人間の時間を「何を作るか」「何を採るか」「何が変か」へ移しやすくなる、という方向とは整合する。
手を動かす能力が不要になるのではない。
手を動かすことだけがボトルネックではなくなる。
10. 最大の罠は、クレームを全部直して局所最適になること
カードを直す。
広告を直す。
関連記事を直す。
検索を直す。
全部それぞれ良くなった。
なのにサイト全体はごちゃごちゃした。
これは普通に起こる。
違和感を一個ずつ潰す運用には、局所最適の危険がある。
だから定期的に一段上から見る必要がある。
「誰が来るのか」 「何をしに来るのか」 「最初の一手は何か」 「どこを回遊してほしいのか」 「最後に何を持ち帰ってほしいのか」 「本当は消した方がいい機能はないか」
個別部品の改善と、全体目的の監査を別レイヤーにする。
さらに、人間自身もAIの提案に引っ張られる。人間とAIの判断が互いに増幅し、偏りが大きくなるフィードバックループを示した実験もある。[5]
だから「AIもそう言っている」は証拠ではない。
研究、実利用、反例、外部の現実へ戻る。
11. 「いい感じにしといて」が通るのは、共有文脈が貯まった後
「いい感じにしといて」は、本来かなり危険な指示だ。
文脈がなければ、ただのガチャである。
ところが、次が共有されていると意味が変わる。
目的 何を良くしたいのか。
反目的 何は絶対にやりたくないのか。
制約 壊してはいけない仕様、コスト、安全、運用条件は何か。
参考例 どういう体験を目指すのか。
完了条件 何を見れば成功と言えるのか。
これが積み上がると、「いい感じにしといて」は省略形になる。
丸投げではない。
長い共有文脈を一言で呼び出している。
人間同士の強いチームで「いつもの感じで」が通るのと同じだ。
AIでも、ようやくそれが成立し始めている。
12. 実装AIが落ちても、開発全体まで止めない
実装AIのアプリが落ちた。
利用枠の切り替わり直前だった。
「今のうちに全部ぶち込みたかったのに」
こういう停止は地味に痛い。
しかし、ここからもう一つ運用上の答えが出る。
思考キューと実行キューを分ける。
実装エージェントが使えない時間でも、
違和感を集める。 壁打ちする。 原因仮説を作る。 研究で裏取りする。 優先順位をつける。 完了条件を書く。
ここまでは進められる。
復旧した瞬間、実装AIは考え始めるのではなく、すでに整えられた案件を上から処理できる。
一つのサービス停止が、そのまま開発組織の脳死にならない。
コスト最適化でもあるが、それ以上に耐障害性の話である。
13. AI時代の「社長」は、全部の答えを知る人ではない
この運用を一周すると、人間の役割がかなり変わって見える。
全部コードを書けなくてもいい。
最適な画面を最初から描けなくてもいい。
解決策を知っていなくてもいい。
ただし、
「これは違う」 「なぜ違うのか」 「誰にとって何が良くなればいいのか」 「何は壊してはいけないのか」 「出てきた案を採用していいのか」
は握る。
AIは解法を大量に出せる。
実装もできる。
検査もかなりできる。
それでも「この製品は何を良しとするのか」という品質基準まで完全に外注すると、最適化先そのものが消える。
だから人間の仕事は消えるというより、上流へ圧縮されていく。
昔の社長っぽく言えば、
「俺が全部作る」
ではなく、
「これは違う。理由はこう。目指すのはこっち。あとは一番いい方法でやって」
で回す。
ついに「いい感じにしといて」が、技術になってきた。
参考資料
[1] Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
[2] Dell’Acqua, F., et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
[3] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
[4] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
[5] Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359. https://doi.org/10.1038/s41562-024-02077-2
