AI が技術の壁を越え続ける時代に、私たちはどこまで学ぶべきか？

01｜一人に、どれだけの専門能力が必要なのか？

AI によって、これまでは異なる専門分野の人が担っていた仕事にも、私たちが関われるようになってきました。ここでは、私がよく知るソフトウェア開発を一つの例として考えてみます。

今、あなたはどのような役割を担っていますか？

Software Engineer、Business Analyst、System Analyst、それとも Product Manager でしょうか。

もし一人でソフトウェア製品を開発し、運営するとしたら、慣れた仕事以外に、いくつの役割を担う必要があるでしょうか。

OPC（One Person Company、一人で営む会社）では、こうした仕事を何らかの方法で進めなければなりません。AI や自動化ツール、外部サービスを使うことで、かつては複数人で担っていた仕事に、一人でも関われるようになってきました。

では、一つのソフトウェア製品には、実際にどれだけの専門能力が関わっているのでしょうか。

この図を見ると、よく知っている分野も、少し触れたことがある分野も、まったく知らない分野もあるはずです。

AI は、さまざまな専門分野の仕事に関わるハードルを下げています。

しかし、仕事をこなせることは、その背後にある知識をすべて理解する必要がある、ということなのでしょうか。

02｜できるなら、すべて学ぶ必要があるのか？

この6週間、私は個人の RAG・GraphRAG プロジェクトに多くの時間を費やしてきました。

これらの技術は、もともと私の専門分野と深く関わっています。それでも AI の力を借りながら、学び、実験し、失敗の原因を理解し続けなければ、技術選択について自分なりの判断は持てませんでした。

さらに気になるのは、自分の専門分野の新しい技術だけでもこれほど時間がかかるのに、ほかの専門分野まで広げたらどうなるのか、ということです。

これだけの知識を、本当に学びきれるのでしょうか。そもそも、すべて学ぶ必要があるのでしょうか。

もちろん、この問いの前提自体が違うのかもしれません。

専門の Agent が要件分析、システム設計、開発、テストをそれぞれ担えるなら、なぜ自分ですべての専門知識を身につけなければならないのでしょうか。

複数の Agent による協働は、すでに実際のソフトウェア開発ツールに取り入れられています。私はまだ複数の Agent を使って一つのプロジェクトを最初から最後まで進めたことはありませんが、学ぶことと実行することの関係を考え直すきっかけになっています。

かつて複数の専門家が協力していた仕事も、自分ですべてを学ばずに進められるのかもしれません。

しかし、そこから次の問いが生まれます。

03｜AI が案を出すなら、誰が判断するのか？

将来、誰もが小さな会社の経営者のようになると想像してみてください。

要件、開発、テストを別々の Agent に任せる。Agent は案を出し、選択の根拠を説明し、ときには互いにレビューする。人は目標を定め、意思決定を担います。

たとえば、知識検索システムについて、AI が次の三つの案を示したとします。

• ベクトル検索
• ハイブリッド検索
• GraphRAG

AI は、それぞれの長所と短所を詳しく説明し、比較できるようにしてくれます。

しかし、もっと適した第四の選択肢があったらどうでしょうか。

関連技術を知っている人なら、抜け落ちている選択肢にすぐ気づくかもしれません。

では、その分野を知らない人には、妥当な判断はできないのでしょうか。

必ずしもそうではないと、私は思います。

ベクトル検索を知らなくても、基本的な問いから始めることはできます。

それは何か。どのような場面に向いているのか。ハイブリッド検索は何と何を組み合わせるのか。GraphRAG はなぜグラフ構造を使うのか。もっと簡単な実装方法はないのか。

問い続け、説明を理解し、根拠を探し、必要なら実験する。そうすることで、十分に信頼できる判断を少しずつ築ける可能性はあります。

大切なのは、すでに持っている専門知識の量だけでなく、未知の問題の核心を捉え、前提を疑い、自ら探索できるかどうかでもあるのかもしれません。

こうした考えにつながるのは、個人の経験だけではありません。

世界経済フォーラムの『Future of Jobs Report 2025』では、調査対象の雇用主の69%が Analytical Thinking（分析的思考）を中核的なスキルと位置づけています。創造的思考、適応力、好奇心、継続的な学習も重視されています。^[1]

Microsoft Research は、319人のナレッジワーカーを対象にした研究で、生成 AI の利用によって批判的思考のあり方が変化していることを報告しました。情報収集やタスクの実行から、情報の検証、結果の統合、タスクの監督へと移る作業があるとしています。^[2]

研究では、AI がタスクをこなせると信頼している人ほど、AI の処理の過程や結果を自分から確かめたり疑ったりすると答える割合が低い傾向が見られました。^[2]

AI で知識を得やすくなっても、必ずしも思考が深まるとは限らない。この点は忘れずにいたいと思います。

では、基礎的な思考力は、個別の技術を知ることより重要になるのでしょうか。

そう簡単には結論づけられません。

長年積み重ねた専門経験があれば、見えにくいリスクを察知し、問題の深刻さを見極め、一見妥当でも実際には成り立たない案に気づきやすくなります。

批判的思考は未知の分野に入る助けになります。一方、専門経験は、どの問いを本当に掘り下げるべきかを、より早く見極める助けになるのかもしれません。

AI が変えるのは、専門経験に価値があるかどうかではなく、さまざまな能力が価値を発揮する形なのかもしれません。

04｜今の AI の限界は、いつまで続くのか？

さらに大きな不確実性もあります。AI がこれから、どれだけの仕事をこなせるようになるのか、私たちにはわかりません。

ChatGPT を振り返ると、最初のテキスト対話から、画像理解、音声対話、データ分析、ウェブ検索へ。さらに Deep Research、ChatGPT Agent、ファイルやアプリをまたいで作業する ChatGPT Work へと、関われる仕事の範囲は大きく変わってきました。

年は能力が広がった典型的な段階を示すもので、技術が初めて登場した時期ではありません。能力の拡大は、モデルの学習だけでなく、外部ツールや実行環境からも生まれています。

これらの変化は、AI がすでにすべての仕事を自力で完了できることを意味しません。また、ツールを使うたびにモデルのパラメータが自動更新されるわけでもありません。

しかし、AI が今できないことを、人間が将来もずっと持ち続ける専門性の壁と考えてはいけない、と感じます。

たとえば今は、複雑なシステムの設計レビューには専門家が必要だと考えるかもしれません。しかし将来、Agent が設計を確実に点検し、代替案を比較し、ほかの Agent が見落としたリスクまで発見できるようになったらどうでしょうか。

今は自分で習得すべきだと考えている知識も、将来は別の方法で得たり、使ったりするようになるかもしれません。

だからといって、学ぶことに意味がなくなるわけではありません。

ただ、AI の能力の境界自体が変わり続けるなら、「AI に永遠にできないこと」を予想して、何を学ぶか決めるのは難しいのです。

05｜基礎力、広さ、深さは、私たちの価値をどう変えるのか？

私は、個人の能力を、互いにつながる三つの要素として捉えるようになってきました。

基礎的な思考力は、未知の分野で問題を理解し、前提を分解し、問いを立て、探索を通じて判断を築く助けになります。

知識の広さは、専門分野同士のつながりを理解し、慣れた技術分野にとどまらず、より多くの実現方法を見つける助けになります。

経験の深さは、複雑な問題、現実の制約、失敗のパターンを理解し、どのような場合に慎重な検証が必要かを見極める助けになります。

この三つは、対立するものではありません。

たとえば、私が考えているモデル提供元のサービス中断リスクです。提供元がサービスを中断したら、自分のアプリを使い続けられるでしょうか。デプロイ技術に詳しいことは役立ちますが、複数の提供元、ローカルでの運用、ハイブリッド構成は、まだ実際には検証していません。

二つの選択は、今日の利用では同じ結果を得られても、長期的には異なるリスクを抱える可能性があります。ただし、事前の備えにも費用や手間がかかります。その負担に見合うかどうかは、具体的なリスクと業務によって変わります。

状況によっては、適切な問いを立て、信頼できる根拠を得られれば、基盤となる実装をすべて自分で習得する必要はありません。

しかし、専門知識や実務経験がなければ、結果が信頼できるかどうかを検証すること自体が難しい場合もあります。

だから私は、誰もがあらゆる技術を習得したゼネラリストになるべきだとは思いません。一つの分野の深い経験だけで必ず十分だとも思いません。

AI が基本的な実行のハードルを下げると、人と人の違いは、より複雑で、分野をまたぐ問題を解けるかどうかに移る可能性があります。

基礎力、知識の広さ、経験の深さが合わさって、AI を使ってどこまで進めるかを左右するのかもしれません。

ただし、この変化が実際に個人間の能力差を広げるのか、長期的な収入や仕事の機会に影響するのかについては、まだ十分な根拠がありません。

また、企業の生産性は、個人の能力だけで決まるものでもありません。

06｜チームに「AI 社員」が増えたら

一人で AI を使い、複数の専門的な責務を担えるとしても、すべての仕事を一人に任せるべきだとは限りません。

企業は引き続き、提供までの速さ、品質、費用、そして結果に誰が責任を持つのかを考える必要があります。

2025年に発表された実験研究は、P&G の製品イノベーション課題において、これらの特定の課題では、AI を使う個人が、AI を使わない二人チームと同水準の成果を出せることを示しました。^[3]

AI が従来の協働の利点を変える可能性はあります。しかし、これだけで、一人がソフトウェア開発・提供チーム全体を代替できるとはいえません。

Microsoft は『Work Trend Index 2025』で、Human-Agent Teams と Work Chart という考え方を提示しました。固定的な職位だけで仕事を分けるのではなく、成果を軸に人と Agent をより柔軟に組み合わせる構想です。^[4]

将来のソフトウェアチームには、専門的な責務を担う「AI 社員」が、さらに増えるのかもしれません。

AI によって個人が担える専門的な仕事は増えます。しかし、分業がなくなるとは限りません。

一人で複数の Agent を調整することも、複数人のチームで Agent を使い、並行作業や専門性の補完を進めることもできます。必要な構成は、プロジェクトによって大きく異なるでしょう。

変わるのは分業そのものではなく、人と人、人と AI の間で、仕事をどう分担し直すか、なのかもしれません。

そして個人にとっては、最初の問いに戻ってきます。

AI が専門分野の壁を下げ続ける中で、必要なのはすべてを学ぶことではなく、自分で何を身につけるべきか、何を AI に任せられるか、そして他者とどう力を合わせるかを知ることなのかもしれません。

こうした変化が、専門性の価値やチームの規模に最終的にどう影響するのか、私にはまだ答えがありません。

この記事は、現時点での考えをまとめたものです。複数の Agent による協働、エンジニアリングのレビュー、AI の能力が個人の判断に及ぼす影響について、これからの実践でも確かめていきたいと思っています。