ベテランが去るとき、組織に何が起きているか。去る前日まで誰も問わなかった問いが、翌月になって浮かび上がる。「なぜこの定例報告は、この流れでやってきたのか」「なぜこのクライアントには、このトーンで話していたのか」——推測するには考えなければいけない。考えるには、言葉にしなければいけない。暗黙知が形式知に変換されるプロセスが、強制的に起動される。

ポッドキャストで詳しく語っています。

参考資料

• 野中郁次郎・竹内弘高（1996）「知識創造企業」東洋経済新報社 — 暗黙知から形式知への変換プロセス（SECIモデル）。「共同化→表出化→連結化→内面化」の4段階モデルとして定式化。ベテランの退職が「表出化」を強制的に起動するプロセスとして参照
• Lave, J., & Wenger, E.（1991）. Situated Learning: Legitimate Peripheral Participation. Cambridge University Press. — 実践コミュニティ（CoP）における知識継承の理論的枠組み。新人が周辺的正統参加から徐々に中心へ移行するモデル。「見て覚える・量をこなす」OJTモデルの理論的背景として参照

番組で取り上げた書籍紹介

https://www.valuebooks.jp/shelf-items/folder/84676b46a574170

番組へのお便り

ぜひ感想をお寄せください！

https://forms.gle/GRieST81bdhErH1x9

2024年、ウォートン校のBastaniらがPNASに発表した実験があります。高校数学の授業でAIを使い放題にしたグループは、練習問題のスコアが48%高かった。ところが同じ生徒たちをAIなしでテストすると、今度は17%低いスコアになった。

練習では伸び、本番では落ちる。道具に頼るほど、道具なしでは動けなくなる——この構造は、数学の授業だけの話ではありません。

職場の育成に置き換えたとき、同じことが起きています。しかも、もっと見えにくい形で。

新人が資料を作り、上司が赤を入れ、「なぜここを直したか」を考える。その繰り返しの中で、組織の文脈が体に入っていく。守破離の「守」というのは、作業を身につけることではなく、判断の基準を暗黙的にインストールするプロセスだった——私はそう理解しています。

ところが今、「文脈を持っている上司がAIを直接使う方が、新人に指示するよりも速くて品質も高い」という合理的な判断が各所で積み重なっています。仕事は回る。でも、その判断が積み重なった先で、打席が構造的に消えていく。

育っていないのは「スキル」ではありません。「AIが出した答えを、なぜ採用するのか」という判断軸です。選択肢を選ぶだけでなく、自分の言葉で判断を立てられるかどうか。これが育つためには、問われる経験が必要です。問われない環境では、育ちようがない。

人口減少の文脈で考えると、この問題はさらに深刻になります。入ってくる人が減る（第1層）、打席に立てない構造（第2層）——このふたつが重なると、「文脈を体で知っている人間」が人口減少以上の速度で減っていく可能性がある。

ポッドキャストで詳しく語っています。

参考資料

• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R.（2024）「Generative AI Can Harm Learning」The Wharton School, University of Pennsylvania（PNAS掲載）— AIガードレールなし使用群が練習問題で48%高スコア→AIなしテストで17%低スコアとなった高校数学の実験
• アニメ「ブルーピリオド」第4話 — 「好きな絵の上澄みを掬ったよう」の台詞。技術はあるが「なぜ」が見えない表現として引用
• 野中郁次郎・竹内弘高（1996）「知識創造企業」東洋経済新報社 — 形式知と暗黙知の変換プロセス（SECIモデル）、守破離の文脈における暗黙知の体得として参照
• パーソルホールディングス・中央大学（2018）「労働市場の未来推計 2030」— 2030年労働力不足644万人（シリーズ全体の前提データ）

https://www.valuebooks.jp/shelf-items/folder/84676b46a574170

ぜひ感想をお寄せください！

https://forms.gle/GRieST81bdhErH1x9

番組で取り上げた書籍紹介番組へのお便り

「AIを使えば、アウトプットの質は上がる」——そう信じてきました。道具が良くなれば、結果も良くなる。それが当然の前提だと思っていました。

でも、2024年にMITの研究チームが「Nature Human Behaviour」に発表した論文が、その前提を揺るがします。106本の研究をまとめて分析したメタ分析の結果、意思決定タスクに限ると、人間とAIの組み合わせは85%のケースでAI単独に劣っていた。人間が加わることで、精度が下がった。

なぜか。人間がAIの出力に引きずられるからです。AIが自信満々に答えを出すと、「まあそうかな」と同調してしまう。本来なら人間がAIの誤りを修正するはずが、逆に人間がAIの誤りを追認する。

BCGとハーバードが758名のコンサルタントで行った実験も、同じ構造を示しています。AIが苦手な領域のタスクでは、AIを使ったグループの正解率が84.5%から70.6%に低下。さらに、AIの使い方トレーニングまで受けたグループは60.0%にまで落ちた。使いこなせるようになればなるほど、パフォーマンスが下がった。

AIには得意な領域と苦手な領域があり、その境界はギザギザしている——研究者たちはこれを「ジャギード・フロンティア」と呼びます。そして、AIは苦手なとき「これは苦手です」と言わない。もっともらしいが間違った答えを、黙って返してくる。「サイレント・フェイラー」です。

AIを使いこなすとは、何でも任せることではなく、「何をAIに任せないか」を決める判断力を持つことです。

ポッドキャストで詳しく語っています。

参考資料

• Vaccaro, M., Almaatouq, A., & Malone, T. W.（2024）「When combinations of humans and AI are useful: A systematic review and meta-analysis」Nature Human Behaviour — 人間＋AIの組み合わせが、意思決定タスクの85%でAI単独に劣ることを示したメタ分析（106本の研究を集約）
• Dell'Acqua, F., McFowland, E., Mollick, E. R., et al.（2023）「Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality」Harvard Business School / BCG — 758名のコンサルタントを対象にした実験。ジャギード・フロンティアとサイレント・フェイラーを定義。苦手領域でAI使用群の正解率が14pt低下、プロンプト習熟群では25pt低下
• Mata v. Avianca, Inc.（2023）S.D.N.Y. No. 22-cv-1461 — 弁護士がChatGPT生成の架空判例6件を連邦裁判所に提出し、制裁金5,000ドルを科された事案
• Macnamara, B. N., et al.（2024）「The illusion of understanding: How AI assistance leads to overconfidence」Cognitive Research: Principles and Implications — AIへの依存がスキル劣化の自覚を妨げる「理解の幻想」を提唱
• 複数研究の集計（航空業界）— 高自動化フライト継続後の基本タスク失敗率38〜44%。オートメーション・バイアス研究の知見
• Brynjolfsson, E., Li, D., & Raymond, L. R.（2025）「Generative AI at Work」Quarterly Journal of Economics — 生成AI導入により初心者の生産性+34%向上、熟練者には効果なし
• Gonzalez, C., et al.（2026）「Complementarity and substitution in human-AI collaboration: A framework for adaptive task allocation」PNAS Nexus — 人間とAIの補完性フレームワーク。役割分担と情報・能力の非対称性設計の重要性を整理

番組で取り上げた書籍紹介

https://www.valuebooks.jp/shelf-items/folder/84676b46a574170

ぜひ感想をお寄せください！

https://forms.gle/GRieST81bdhErH1x9