AIエージェントの次に来るもの――コモディティ化するAIと希少化する人間の理解資源

2026年8月15日 ・ 久保一成

#AIエージェント#AlphaEvolve#ハーネス

AIエージェントの次に希少になる「人間の理解資源」

AIが賢くなるほど、人間が足りなくなります。

Google DeepMindのAlphaEvolveは、数学で、56年間誰も破れなかった記録を塗り替えました。人類が見つけた計算の最短手順を更新したのです。

一方で、直感に反しますが、「AIエージェントの次に来るもの」は、フィジカルAIでもAIエージェントオーケストレーションでもなく、人間の「遅さ」だと考えられます。

これはGPT AtlasやClaude Fableの自律的サイバー能力や数学力を十分に理解した上で、むしろ理解するほど、この結論に収束していきます。

現在の状況を冷静に分析すると、AIエージェントは、人間の理解より速く、人間の仕事を増やしています。 理解されないまま仕事を進めてしまうと、成果物らしいものは増えても、実際に市場に提供できるプロダクトも、次の着想や次の問いを作る能力も個人にも組織にも増えません。

AIエージェント全盛の今は計算資源が希少になっていますが、次に希少になるのは人間の理解資源です。

人間に原点回帰しているような表現ですが、その通りで人間に原点回帰しています。 すでに現在の制作の現場は人間がボトルネックです。

ただ、ボトルネックは足を引っ張っている場所と捉えるべきではない。 そのボトルネックは、それがどうしても必要だからこそ作成過程に含まれています。 ゆえに人間がボトルネックになっている状況は、その領域が人間しか担えないということの裏返し。 また、AIやAIエージェントの仕組みや進化の微分から鑑みても、次の時代のボトルネックも間違いなく人間です。

要はAIもAIエージェントもコモディティ化するならば、差を作るのは人間の理解資源であるということ。 実行を並列化しながら、人間の理解を失わず、その理解を次の判断へ繋げられるか。

人間はAIの出力やAIの仕組みを理解し、その理解を次の価値創造に変えるボトルネックを務めます。 AIエージェントの次に来るものは、人間の理解資源の使い方を基底とした、いわばHuman-in-the-Harness Orchestration。

一つずつ紐解いていきましょう。

AIエージェントはなぜ局所的に正しく、全体で間違えるのか

AIエージェントは、一つ一つの仕事で局所的に正しくても、全体では間違えます。 だから、AIの外側に、AIが従う目的と制約を置く必要があります。

2026年7月にNature Machine Intelligenceへ掲載された比較研究では、財務分析で、複数のAIを中央で管理する構成が、単独のAIを80.8パーセント上回りました。

一方、Minecraftの作業画面を模したPlanCraftでは、複数のAIを使ったすべての構成が単独のAIを下回り、最大70パーセント成績を落としました。材料を一つ動かすたびに在庫が変わり、変わった在庫が、次の判断の前提になるからです。 単独のAIなら三手で終えた作業を、複数のAIはレシピ係、在庫係、実行係へ分け、分業で増えたのは速さではなく、変わった前提を伝え直す回数でした。

分かれ目は、ある作業の結果が、別の作業の前提を変えるかどうか。前提を変える仕事では、誰かが結果を統合し、共有する前提を更新し続けなければ、一つ一つの答えが正しくても、仕事全体は間違った結論へ向かいます。

現実の知的労働には、仕事を分けるより前の判断があります。

何を、解くべき問題として切り出すのか。
誰を関係者に含めるのか。
何を目的とし、何を制約とし、何を成功と呼ぶのか。

この問題設定全体を、フレームと呼びます。

認知科学者であり、機能脳科学者の苫米地英人さんは、2026年4月の公式資料で、現在のAIを、本質的に帰納的なシステムだと位置づけています。

AIは過去のデータから学び、高次元空間で局所最適化を行う。だから、一つ一つの出力が正しくても、システム全体の整合性までは保証しない。 ゆえに、AIより一段以上高い抽象度に、形式的に検証できる構造を置く必要があると述べています。この上位の体系が、演繹的制御構造です。

AIが作った候補へ、上位の目的と制約を適用する。
候補が条件に違反していないかを調べる。
個別の判断同士が矛盾していないかを検証する。

現在のAIエージェントは一部で演繹的な推論自体はできるように観測されます。 ただ、開かれた実社会の命題に対して、高い抽象度でフレームを展開し、包摂される全ての制約を整合する全体最適解を出せるAIもAIエージェントも未だ存在しません。

例えば、会社にとって十分に抽象度が高い命題をAIに与えるとすれば「時価総額を2倍にして」というような依頼です。 この依頼をAIが完遂できることはあり得ません。

AI自体は全ての企業に物理的に開かれており、その依頼は日本中のほぼ全ての企業がオーダーできます。どの企業も同じオーダーを出すならば、そのオーダーによる企業の付加価値も0に近似するだけです。

一方で、その雑な命題を真剣に考えているのが、実は人間です。 人間はそれを収束させようと本気で考えており、実際にそれをなす企業が珍しくない頻度で出てくる。

経営者がしているのは、自身の頭で、または組織の意見を集約して、認知負荷を負って全体最適解を考えるということ。

自社の顧客、資産、従業員、競争環境、時間軸を理解し、何を目指し、何を失ってはいけないのかを往復して、時にはフレーム自体も作り直します。

つまり、人間や組織が、AIより上位の目的と制約を設計するということ。
次に、その目的と制約を、AIが実際に従える権限、評価基準、停止条件へ変換します。
この変換を担う仕組みが、ハーネスです。

AIエージェントは、そのハーネスの内部で局所解を探索します。
人間や組織は、AIが出した結果を現実で検証する。
予想と違えば、個別の出力だけでなく、上位の目的と制約まで戻って更新します。

AIが探索できる範囲を設計し、局所解を仕事全体の目的へ接続し、その構造を現実に合わせて更新し続ける。
これが、人間の理解資源を基底としたHuman-in-the-Harness Orchestrationです。

AlphaEvolveが示す、AIの探索と人間が設計する評価器

Google DeepMindのAlphaEvolveは、4行4列の複素行列の掛け算では、48回の乗算で処理する方法を発見しました。1969年のStrassen法以来、56年ぶりの更新です。 人間は、その答えに辿り着けていませんでした。

AIは、人間が答えを知らない問題でも、既知最良を更新できる例はあるということ。

AlphaEvolveは、単体のLLMではありません。 LLMがプログラムの改良案を作る、候補生成、実行、評価、選択を繰り返すエージェントシステムです。

候補を作るLLMは、学習した情報と過去の試行から、確率的に新しい候補を生成します。 AlphaEvolveは、その候補を実行し、結果の良かったものを残しながら進化的に探索します。

数学では、正しさの条件をあらかじめ形式化できます。 定義を満たしているか。制約に違反していないか。必要な計算回数が減ったか。人間が定めた前提と制約を一つ一つの候補へ適用し、候補が有効かどうかを検証できます。

この形式化された検証の層が、第一章でいう演繹的制御構造として機能しています。 AIが演繹によって答えを作っているのではありません。確率的・進化的な探索を、演繹的に検証できるハーネス構造の内部で動かしているのです。

一方で、何を解くのか。どの条件を満たせば正しいのか。何を高く評価し、どの違反を失格とするのか。その分野固有の内容は、人間がAlphaEvolveの外側で設計します。設計された評価器と検証条件は、実行時には探索ループへ組み込まれます。

外側で設計し、内側で実行する。

人間は、AIが発見する答えを先に知っている必要はありません。人間が先に定めるのは、答えそのものではなく、何を答えとして認めるかです。

AlphaEvolveは、数学だけに使えるシステムではありません。Googleのデータセンターにおける計算資源の割り当てや、TPUの回路設計でも成果を出しています。

境界は、数学かどうかではありません。 候補を実行できるか。結果を自動で採点できるか。その採点を次の探索へ返せるかです。

ただし、候補の正しさを証明できることと、その候補が全体最適解であることは違います。

AlphaEvolveは、人間の既知最良を更新できる可能性があります。 しかし、考えられる候補をすべて検証し、これ以上の解が存在しないと一般的に証明するシステムではありません。探索は、あくまで暫定的になされます。

会社の時価総額を2倍にするという依頼は、さらに性質が違います。

これは会社全体に及ぶ上位目標です。ただし、施策を導くために必要な前提の集合ではありません。 時価総額を2倍にするという目標だけから、新商品を作る、値上げする、M&Aを行うという施策のどれも必然的には導けません。

期限は一年なのか、五年なのか。どの施策を候補にするのか。法令、倒産リスク、従業員、顧客、ブランドを、どのような制約として扱うのか。施策が将来の時価総額へ与える影響を、どの因果関係とデータから予測するのか。

目標を与えるだけでは、探索に必要な因果関係や価値判断が定まらず、探索ループは機能しません。

優秀な経営者も、顧客と市場を観察し、過去の結果から因果関係を学びます。 有望な施策の仮説を作る。守るべき価値と許容できる損失を判断する。その前提から施策の帰結を考え、現実で実行し、結果が違えば前提まで戻って更新する。

帰納、仮説形成、価値判断、演繹、現実での検証を往復しています。 人間の強みは、演繹ができるだけではなく、複数の推論を往復しながら、演繹的制御構造そのものを設計し、現実に合わせて更新できることです。

AlphaEvolveを経営で使うなら、人間や組織は、この往復の一部を経営シミュレーター、評価器、制約、停止条件として実装しなければなりません。

複数の経営施策を、同じ会社の同じ時点で同時に試すことはできません。

そのときAlphaEvolveが最適化できるとすれば、現実の会社ではなく、人間が形式化した仮想の会社モデルです。

AlphaEvolveは、その評価器が測った仮想の範囲に限り、人間の既知最良を更新できる可能性はあります。

ただ、問題は、その評価器が更新する仮想は、現実における最良を本当に測れているのかという問題です。

AIの「良い案に見える提案」と現実で良い案の違い

AIを使うと、良い案らしいものは増えます。 ところが、良い案に見えることと、実際に良い案であることは、違います。

ICLR 2025で発表された研究では、自然言語処理の研究案を対象に、人間の研究者が一人一案を作り、AI側は、一つのテーマにつき四千案を生成して、評価の高い案を選びました。 提案文の段階では、AI案が、専門家から人間案より新しいと評価されました。

ところが、続く研究で、43人の専門研究者が、一人あたり100時間を超えて実装と実験を行うと、AI案の評価だけがおよそ一点下がり、人間案の最終評価の方が結局は高くなりました。

実装によって、言語化の外にあった現実が明らかになったからです。

提案段階の評価が測っていたのは、新しい研究成果ではありません。 研究成果を生みそうに見える提案です。

大量生成した候補から、AIは評価基準に最も適合する案を見つけます。 ただ、その評価基準を自然言語で正確に定義すること自体が極めて難しいということ。 評価基準が求められている現実の成果を表しきれていなければ、増幅されるのは、現実の価値ではなく、高得点になるだけの提案です。

必要なデータ、比較すべき既存手法、実際の効果、成立しない前提は、言葉にされた提案と評価基準には含まれていませんでした。 人間の研究者は、実装と実験を通じてそれらを発見し、「良い案」の定義そのものを更新しました。 ここでも必要になったのは、人間の理解です。

評価ループがどこまで現実へ接続されているかによって、候補生成が発見になる場合と、新しく見える提案で終わる場合に分かれます。 なので、現実への接続まで実装できたフレームの部分だけが、AIに選択まで任せられる範囲です。

人間の理解は、新しい案の出力元がAIにせよ人間にせよ、AIと人間の共同であったにせよ、それぞれの案が、どの目的、前提、適用範囲を持つのかを把握し、仕事全体のフレームから、何を選ぶかを決めることです。

AIは、候補を増やしますが、しばしば増やし過ぎています。 一方で、それらを選ぶ人間は増えません。

明らかにAIの計算資源以上に、人間の理解資源の方が不足しています。 候補を現実の価値へ変えるのは、人間の理解の上に立った選択によってです。

AIエージェントがコモディティ化すると、仕事の価値は人間に戻る

エクセルを使えることが、特殊な技能だった時代がありました。 今のAIエージェントも同じです。いずれ誰もが使うようになるし、使えるようになります。 むしろエクセルで関数を扱う方が、自然言語でやり取りするAIエージェントを扱うよりずっと難しい。

AIエージェントはコモディティになる可能性が高いと思います。 現在のトレンドとなっている、ループエンジニアリングやハーネスエンジニアリングも、短中期では差を作ると思いますが、長期で見るとコモディティになるように見えます。

AIソロプレナーとしてハーネスを組んだり、企業にAI導入の支援をしている僕でも、そう思います。 AIエージェントの自動化能力は本物ですが、AIによる自動化能力はサイバー攻撃・防御、数学、軍事などの特定分野を除くと、どこまで行ってもDXに止まるからです。

自分自身、僕が組むハーネス設計よりも、僕自身のフレーム設計の方がずっと価値があると思っています。 例えば、僕が行っている動画編集自体がAIエージェントによる完全自動化ですが、1年以内にこの品質のハーネスはコモディティになります。 例えば、試しに僕の動画のリンクをClaudeCodeかCodexに添付して、同様の動画編集ができるソフトの作り方を聞いてみてください。かなり質の高い作り方を教えてくれると思いますし、教えてくれた作り方で、実際に実装まで自動でやってくれるでしょう。

もし本当に試そうと思ったら、コツとして「ローカルサーバーで起動する、ClaudeCodeのサブスク内でステップ毎に動画編集させるハーネス」を作りたいと一言添えるようにしてください。 色々と言葉でやり取りして、要件定義に1日、2日程度。 実装自体はClaude FableやGPT5.6なら1、2時間で作れると思います。 これは、非エンジニアの方でこの程度の期間という想定で、エンジニアの方なら3,4時間で完成できると思います。

つまりは、まだそのことが広く知られていないだけなのです。 知ってしまえば、Claudeのサブスクに言葉で依頼するだけでハーネス設計からソフト作成まで実装できます。 そのソフトをClaudeCodeで起動させれば動画編集は自動でできます。

すでに僕のソフト自体が「コモディティ」に向かっています。 ClaudeやGPTももっと前からコモディティです。 みんなサブスクで使えるわけなので、よく考えれば当たり前ですよね。

一方で、この台本自体はAIにもAIエージェントにも、僕の理解なしでは作れません。 もちろん一次情報の収集はAIが担いますし、ディスカッションはAIと共同します。 それでも、台本を設計するのは僕自身ですし、AIに手伝ってもらいながらも、台本を実際に書き上げるのも僕自身です。 そして確実に言えることですが、自分自身が理解できていない情報を、台本にまとめ上げることはできないということ。

動画編集や情報リサーチは並列で自動化できる。 けれど、台本執筆は僕が担っているため、僕の理解資源がボトルネックになっています。 そしてボトルネックは一見すると、足手纏いというニュアンスで受け取られがちですが、僕の理解が止まれば、どれだけ動画編集や情報リサーチを並列化しても、次に作る動画は生まれようがありません。 AIが実行量を増やすほど、僕の理解資源が相対的に不足します。

奇妙なことに、一つの作品や価値を作る上では、すでに希少価値がボトルネック側に移っているのです。 ボトルネックはその定義上、稼働が「遅い」。 人間の「理解」スピードは、AIと比べるとずっと遅い。 でも、その遅さを差し引いたとしても、その理解と着想の方にこそ価値がある。 僕の動画作成アプリも作り上げたハーネスも、僕という理解資源を供給しなければ何の価値も生まない。

AIエージェントの次に来るのは、人間の理解資源を組み込んだ組織、ないしは個人の時代だと思います。AGIにギュられるといった不安に苛まれる必要はおそらくない。

もちろんAIエージェントは無くなるわけではなく、ずっと進化し続けます。 そしてずっと便利な存在であり続けます。エクセルが今でも便利であるように。

ただ、AIエージェントの使い方だけで差がつく時代はそう長くはないと思える。 結局は使う人間がどのようなフレームを展開できるかが差になります。

Human-in-the-Harness Orchestrationという名前は、すみません、カッコいいから造語として作ってみました。 3年後に流行っているかもしれません。

…。

本当は、GPT-Solが考えたのですが…。