「AI⺠主化」次の壁~AI前提時代の業務の再設計を考える〜

Transcript

1. 現場のためのGoogle AI Stack Deep Dive〜Next & I/Oから考えるAI Agentの実装と運⽤〜 「AI⺠主化」次の壁 ~AI前提時代の業務の再設計を考える〜 2026年6月29日 Hiromi Maganuma 2026/6/29
2. ⾃⼰紹介 Name : Hiromi Maganuma He llo !! Insight Architect / Data Scientist / AI・ML Engineer / Data Engineer ＠Intage lnc. 広告代理店→ITベンチャー→CCC→リクルート→インテージ（現職） ⼀貫してデータ分析に関わる仕事をしてきています 広告代理店を経て IT ベンチャーで分析コンサルティングに従事。 2006 年より CCC で提携先への T カードデータ分析コンサルや⼤学連携を推進。 2012 年よりリクルートでデータ活⽤を推進。 全社横断 PJ や CRM 分析など多数のプロジェクトに携わる。 ⼈材領域のアルゴリズム開発により全社表彰 ARINA ENGINE 受賞。 2022 年よりインテージにてデータ活⽤を推進。 Google Developer Expert ML⼥⼦部オーガナイザ 2
3. ⾶躍的に伸びる⽣成AIの利⽤ 今年5月 月間 3.2 京（けい）トークン 1年前 約 480 兆トークン 2年前 9.７兆トークン/月 Google I/O 2026での発表より 3
4. えっと、それって具体どんな感じですか︖ • 3.2 京（けい） • トークン ⼀般的な⽂庫本（1冊）︓約10万⽂字 3.2京トークンを本に換算すると ︓ 約3,200億冊分︕ 地球の全⼈⼝（約80億⼈）で⼭分けしたとしても、 「⼈類全員が、毎⽉⼀⼈あたり40冊分の本を AIに読み書きさせている」 という計算 4
5. Gemini Enterpriseの統合・再設計 ビジネス向け 開発者向け ユーザー体験向上 Gemini Enterprise App Gemini Enterprise Agent Platform Gemini Enterprise for Customer Experience 各種モデル提供をしていVertex AIの他、 Agent Studio ADKなどのAI 開発ツールが統合・リブラン ディング AIエージェントが商品検索から購⼊後 のサポートまでを⼀貫して⽀援する基 盤。ショッピング・エージェント、注 ⽂・サポートエージェント（チャットボット 本番開発をより柔軟に LLM単体ではなく適宜MLなども 組み合わせた広義のAI開発など も前提とした枠組みに ５⽉のGoogle I/Oでは「検索」 が25年ぶりに⼤きく変わる瞬間 Agent Designerという⾃然⾔ 語でAgentを構築できるような機 能など もはやAgent開発はエンジニアだ けのものではなく、全ビジネス パーソンが⾃らAgent開発を実⾏ する時代に や⾳声対応エージェント） Customer Experience Agent Studio（パーソナライズされたAIエージェント） ※Eコマース企業はUC,UCPに対応しないと⽣ き残れない時代へ 5
6. 2025〜2026年 AI投資シフトに伴う⼈員構造の変化 出典: TrueUp, Challenger Gray & Christmas, Invezz, TechTimes (2026) Oracle Amazon Meta 〜30,000⼈SoftBankとのAIデータセンター合弁（400億 全体の約1/5 〜30,000⼈ 企業部⾨中⼼ 「官僚主義排除」を名⽬にAI⾃動化推進 〜8,000⼈ 「AI投資コスト相殺のため」と社内メモに明 全体の10% 〜8,750⼈ Microsoft ⽶国の約7% Block ドル）直後に断⾏ 4,000⼈ 全体の40% 1,600⼈ Atlassian 全体の10% 記 早期退職優遇でAI製品投資の原資確保 2026年 テック業界レイオフ累計 142,000+ 前年⽐ +33% 実態︓総社員数は減っていない Meta は直近2年で+20%増やした後の10%削減 ⼤半の⼤⼿企業はAI⼈材採⽤でheadcount純増を 維持 AI関連求⼈ 275,000件 が同時期にオープン ⼊れ替わっている職種 CEO Dorseyがグローバル展開AIを公式理由に 「AIの時代への対応」を公式発表 削減 採⽤ ▼ カスタマーサポート ▲ ML・AIエンジニア ▼ QA・コンテンツMO⇄▲ AIセキュリティ研究者 ▼ 中間管理職・汎⽤IT ▲ データインフラSE AI職の賃⾦プレミアム +56% 削減の約50%は同職をオフショア・低賃⾦で再雇⽤（Bloomberg）→ 「労働⼒削減」ではなく「コスト再設定」 パンデミック過採⽤修正も複合要因 6
7. カンファレンスを聞いて感じたこと AIを使う「環境」は、誰にでも整った しかし、「使える環境が整った」ことと 「組織として使いこなせている」ことの間にはまだまだ⼤きなギャップがある 使いこなすための専⾨性の 要求⽔準は上がった 使う敷居は下がった 7
8. 本番開発で発揮すべき専⾨性 ⾮エンジニアの作るプロトタイプ エンジニアの本番実装 セキュリティ • • 動けばいい 鍵は直書き • 環境変数、権限縮⼩、環境分離、多層防御 プライバシー 法務・権利 • • 気にしない コピペ最⾼ • • APIに投げるデータ・情報の取り扱い確認 ライセンス確認、著作権への配慮 運⽤ • 気にしない • • アクセスログとエラーログの取得 監視と通知（異常検知と通知の設定） コスト • 無料枠、定額サブスク内で⼗分 • • スケーリング時の試算と上限設定 APIの課⾦単位、ハードリミットの設定 データ保護・活⽤ • 適当にDBに突っ込む • • 暗号化、マスキング、削除ポリシー データ定義、連携⾃動化 ・・・etc 最近AIで開発を始めたジュニア層が持ち得ないナレッジ 8
9. AIのはらむリスク ①表⾯的な学習に陥る ② ⽣産性が下がる 場合がある 「それっぽい回答」に満⾜し、深く理 解しないまま学習が完了したと錯覚す る“表⾯的学習”のリスク • ⾃⼒で⽂章を書いた学⽣に⽐べて脳 の接続性（エンゲージメント）が著 「若⼿の⽣産性が下がった」衝撃データ しく低下 • シニア層︓⽣産性が3〜5割向上 • AI利⽤者は、執筆から数分後には⾃ • 若⼿層︓逆に⽣産性が2〜3割低下 分の書いた内容をほとんど記憶して いない （出典）arXiv 2025年11月3日 From Superficial Outputs to Superficial Learning: Risks of Large Language Models in Educa<on （表面的な出力から表面的な学習へ：教育における大規模言語 モデルのリスク） 研究機関: 香港科技大学 h"ps://arxiv.org/abs/2509.21972 単にAIを使っただけでは⼈ の能⼒は向上しない （出典）ファインディ事業戦略発表会レポート h"ps://productzine.jp/ar4cle/detail/4035?utm_source=seid_re gular_20260129&utm_medium=email 「問いを⽴てる⼒」がないとAI を使いこなすことはできない ③脳への影響 (認知負債) (出典)_Arxiv 2025年12月31日 Your Brain on ChatGPT: Accumula<on of Cogni<ve Debt when Using an AI Assistant for Essay Wri<ng Task （ChatGPT利用時の脳：エッセイ執筆におけるAIアシスタント利用 に伴う「認知負債」の蓄積） 研究機関 ： MIT Media Lab h"ps://arxiv.org/abs/2506.08872 AIに任せきりにすると、⼈ 間の脳が退化してしまう 9
10. この状態を放置することのリスク AIが答 ⼈が考え えを出す なくなる AIに依 繰り返す 存 経験が積 めない 専⾨性が 育たない このままでは負のループに⼊る 10
11. AIで⽣産性を向上させるには専⾨知識が必要 研究結果 Computer Scienceの素養と作⽂⼒が Vibe Coding の成果を予測する 研究機関: チューリッヒ⼯科⼤学（ETH Zurich）、コンピュータサイエンス学科（Department of Computer Science） Computer Science Achievement and Writing Skills Predict Vibe Coding Proficiency（コンピュータサイエンス の達成度と⽂章執筆能⼒は、バイブ・コーディングの習熟度を予測する） （出典）arXiv 2026年3⽉14⽇ https://arxiv.org/abs/2603.14133 AIを使いこなすための「暗黙知」ブーム が来る •“AIを使えば誰でも作れる”は、 過⼤評価 •知識・素養のある⼈ほど、AIから 引き出せる成果が⼤きい •「正しく問いを⽴てる⼒」も、結 局は知識の上に乗っている •⾔語化・要件分解の⼒ = AI時代 に伸びる⼒ ※本研究は、2026年4⽉にスペインのバルセロナで開催の、 ヒューマン・コンピュータ・インタラクション（HCI）分野で最 も権威のある国際会議の⼀つ、CHI 2026（Conference on Human Factors in Computing Systems）の論⽂として採択さ れています 。 ⾃分がナレッジを持つ専⾨分野でこそAIを活⽤することが⽣きる 11
13. みんなでAgentを作ろう レビュー観点・ 判断基準といっ ✖ た暗黙知 繁忙な上位者に 遠慮して聞けない ✖ Agent .mdを作る AIに聞いて とりあえずできている 企画書・議事録 などの情報 AIコーディングを個⼈の試⾏錯誤にとどめず、 チームの開発プロセスに安定して組み込む 13
14. バイブコーディングの功罪 創造の⺠主化 • 誰もが数時間〜数⽇でアプリを作 ることができる • 最⾼にエキサイティング 「責任」の不在 • 本番リリースの責任は持てない • セキリティ、プライバシー、コス トまで責任を負うのは結局⼈間 14
15. AIはコードを一瞬で書く。人のレビュー速度は変わらない。 開発スピード ＞＞＞ レビュースピード • １PRあたりのコード量が増加 • AIが⼀度に⽣成するコードの増加 • PRの数⾃体が増加 • メンバー⼀⼈ひとりがAIで量産 集中⼒が持たない。レビューの質が落ちる。レビュアーが疲弊する。 15
16. AIが書いたコードをレビューするのをやめよう 16
17. テストの設計と結果から先に⾒る ボリュームが減る 正しい状態を論理定義できる 先⼊観が⼊りにくい テストコードは プロダクトコードより はるかに少ない → 集中⼒が持つ テストによって どんな状態が正解かを 明⽰的に確認できる ⾃分が書いたコードへの バイアスが排除でき、 バグを⾒落としにくい ※普通にAIに任せるとハッピーパスしか通さないので、Critic Agentを配置するなどの⼯夫は必要 17
18. Agentの⼤まかな枠組み 開発単位に分割 🤖Agent自律ループ 検証できる粒度 テスト設計 コード生成 テスト実行 目的を明文化 テストを満たす実装 結果を記録 重要度スコアリング 影響範囲・リスク・複雑度 レビューパッケージ出力 ターゲット・目的・スコア 👤人間レビュー 重要度の高い順にレビュー テストの目的と結果を確認 承認 差し戻し 次の開発単位へ Agentへ再実行指示 18
19. 巨⼤なエージェントは作らない。でも俯瞰して考える。 要件定義 設計 ⼈との対話に重点を置く 要件を固めるための効率化 ツールとしてAIを活⽤ なるべく短いタームで エンジニア（↔ AI）🔁 ビジネ スサイド の確認をしながら要件を確定 し、設計に落とす ※これを踏まえたスケジュー ル策定も重要 実装＋ユ ニットテスト テスト（QA・ 統合） 重要度スコ アリング コーディングAgentに⼀気にやってもらう 開発タスクをカテゴリ分けし、その分野に適 したAgentを仕⽴てる テスト起点 レビュー ⼈が確認 CI/CD デプロイ 監視・運用 経験を持ったエンジニアが設計 アウトプットをチェック ⼈︓観点・考え⽅に基づくタスクを指⽰ AI︓ログ監視・異常検知 ⼈︓インシデント対応・改善判断 それぞれの⼯程に合わせた設計をシステムに組み込む 業務の流れそのものを変えることも視野に⼊れる 19
20. ジュニア層が持っていないもの １ 2 3 横断的な技術知識 ビジネス × 技術の調整⼒ 本番経験からくる重⼒感 専⾨家レベルでなくていい 「⿐が効いてその分野の専⾨家 と会話できる」こと ・要件 ・技術的限界 ・コスト（ヒト・カネ） ・スケジュール 例） データサイエンティストでも セキュリティ、インフラ、DBなどの観点・知 識が必要 を掛け合わせて うまく判断する⼒ リリース・運⽤の怖さを ⾝をもって知っていること （軽く考えがち） バイブコーディングするだけではこれらをどれも教えてくれない ̶̶むしろ「なくても動くものが作れる」ので気づきにくくなる 20
21. 今後のStep︓Agentの出⼒を「使う⼈」に合わせて変える STEP1:経験値をAgentに埋め込む STEP2:Agentの出⼒を使う⼈で変える • レビュー観点・判断基準をAgentに学 ばせる • 議事録（動画＋⽂字起こし）でビジ ネス要件を読み込ませる • フローごとに⼈の介在ポイントを意図 的に設計する（例︓週次で要件定義を レビュー） • Agentの構築をする中で、暗黙知が⾔ 語化される • 若⼿にはあえて正解を出さず、QA⽅ 式で考えて選ばせる • 「指⽰には強いが⾃律思考が弱い」問 題をAgentの設計で補う • AIを育成ツールとしても使う ベテラン スピードと品質を両⽴した アシスタントAI • 最適解 • 複数の選択肢と根拠 思考⼒と専⾨性を育てる • ⼀緒に構築することで⼈も考え⽅を学 ぶ 若手 • • ティーチングAI 答えを出さない 考え⽅やヒントを提⽰ 21
22. AIとの差別化が分つ⽣存の境界線 仕事の効率化 何を仕事と呼ぶかの再定義 我々1⼈1⼈がすべきことは、⾃分の「仕事」の再定義 22
23. AI時代に競争優位性（差別化）を⽣み出すポイント データ 1.企業独⾃データの武器化 顧客の声・営業現場のリアルなデータを「AI Agentがいつでも即座に参照・活⽤できる状態」 に整備する 知識 2.暗黙知をAIに移植する AIの性能を最⼤限に引き出すには、汎⽤的な知識だけでなく「⾃社固有のノウハウ（業務⼿ 順・判断基準・独⾃ルール）」をAIに埋め込むことが最重要 プロ セス 3.業務プロセスをAI Agentから設計し直す 「既存業務の⼀部にAIを適⽤する」のではなく、「AI Agentが存在することを前提として、業 務プロセスをゼロから再設計する」 組織 4.ミッションと評価基準を⼈間中⼼に再定義する AIがオペレーションを担う時代において、「⼈間が何に集中すべきか」「どこにリソースを投 下すべきか」を根本から再設計する 最も⼤事なのは技術ではなく“何を与えるか”そして"どう変わるか" 23
24. AIは⺠主化されていく しかし 「使いこなす⼒」と「⼈を育てる仕組み」は ⺠主化されていない 意図的に仕組みを作らないと⼈も組織も弱くなる 24
25. 皆さんと⼀緒に話したいこと １ AIのコード⽣成と、⼈のレビューにかかる時間の⾮対称性に、 皆さんはどう対処していますか︖ 2 効率化と若⼿の育成についてどう感じ、向き合っていますか︖ 3 Agentのパーソナライズに取り組まれていますか︖ ぜひ、ご意⾒・アドバイスなど頂ければと思います 25
26. ご清聴 ありがとうございました︕ 26