2026/09/05AI業務効率化
AI活用導入・運用非エンジニア向け

AIが賢くなっても仕事が変わらない理由｜ボトルネックは文脈

AIが賢くなっても仕事が変わらない理由｜ボトルネックは文脈

「AIはこんなに賢くなっているのに、うちの仕事はほとんど変わっていない」——最新モデルの発表を追いかけている人ほど、この違和感を抱えます。

結論から言うと、いま多くの現場を止めているのはモデルの性能ではありません。AIがあなたの仕事について持っている文脈の量と、組織側の慣性の2つです。そしてこの2つは、待っていても勝手には解決しません。

株式会社Fyveは中小企業のAI活用を月額で伴走しています。この記事では、OpenAIのサム・アルトマン氏が2026年8月に自ら「速度の読みを外した」と認めた発言を起点に、なぜ賢いモデルが業務の変化に直結しないのか、そして明日から何を積めばいいのかを、私自身の運用の実際とあわせて整理します。

OpenAIのCEOが「速度の読みを外した」と認めた

いつ・どこでの発言か

発言があったのは、David Senra氏がホストを務めるポッドキャスト「Founders」の回です。2026年8月23日に公開され、その後8月末から9月初旬にかけてSNS上で断続的に拡散しました。

内容は、AIの能力そのものではなく普及の速度についての振り返りです。ここが重要で、「AIは思ったほど賢くならなかった」という話ではまったくありません。むしろ逆で、能力は進んだが社会と経済の側がついてこなかった、という趣旨です。

「経済には慣性がある」——本人の言葉

アルトマン氏の発言として複数の媒体が共通して伝えているのが、次の3つです。

  • 「I think I was wrong about a few things, but in terms of the speed, one of them is the economy just has so much inertia.」（いくつか読みを外した。とくに速度について言えば、その1つは経済に非常に大きな慣性があることだ）
  • 「I thought when we got to GPT-4, which was back in 2023, that very quickly after that there was going to be much more disruption, software businesses up for grabs right away, than it turned out to be.」（2023年にGPT-4が出た時点で、その直後にもっと大きな破壊が起きると思っていた。実際にはそうならなかった）
  • 「People keep doing the same things they're doing, they keep buying from the same company, they keep wanting to use their tools in the same way.」（人は同じことを続け、同じ会社から買い続け、同じやり方で道具を使い続ける）

さらに「We've all been too ambitious on timelines.（私たちは皆、時間軸について野心的すぎた）」とも述べています。

付け加えると、アルトマン氏がこの種の修正を口にしたのは今回が初めてではありません。2026年5月の時点でも「エントリーレベルのホワイトカラー職の消失は、想定していたほど進んでいない。間違っていたことを喜ばしく思う」という趣旨の発言が報じられています。単発の失言ではなく、1年近くかけて修正され続けている見通しだと捉えたほうが実態に近いはずです。

「2028年末」の話は、報じ方がかなり揺れている

この一連の報道とあわせて、2028年末という時期がよく引用されます。「人類の知的能力の大部分が、データセンターの外ではなく中に存在するようになる」時点として語られたものです。

ただしここは注意が必要です。私が複数の媒体を突き合わせた範囲では、一致しているのは「2028年末」という時期と、データセンターに関する上記の言い回しだけでした。それ以外は揃っていません。

  • 呼称が割れている——「AGI（汎用人工知能）到達の予測」と見出しに取った媒体もあれば、「超知能（superintelligence）の閾値」と書いた媒体もあります
  • 発言の場も揃っていない——今回のポッドキャストの文脈で紹介する媒体もあれば、インドで開かれた別のAI関連サミットでの発言として扱う媒体もあります

つまりこの「2028年末」は、どの定義で、どの場で語られたのかが確定した状態で流通していません。数字だけが独り歩きしやすい典型的な形です。定義も出所も揃っていない予測を、そのまま自社の計画に持ち込むべきではありません。この点は記事後半でもう一度触れます。

この発言で本当に重要なのは、実は「慣性」ではない

報道の見出しはほぼすべて「慣性」「読み違え」に集まりました。しかし同じポッドキャストの中に、実務者にとってはもっと直接的に効く発言があります。

「制約はモデルの賢さではなく、AIが私について持っている文脈」

アルトマン氏は最新世代のモデルについて「they're pretty smart（かなり賢い）」と述べたうえで、こう続けています。

「I feel more limited at this point by the amount of useful context AI has on me.」（今の時点で私がより強く制約を感じるのは、AIが私について持っている有用な文脈の量のほうだ）

AIを作っている側の当事者が、自分のボトルネックはモデルの知能ではなく、モデルに与えられている文脈の量だと言っている。これは中小企業の現場で起きていることと、驚くほどきれいに一致します。

AI導入で制約になっているのは、待てば上がるモデルの性能ではなく、待っても貯まらない文脈のほう

大規模にAIを届けている本人が、受信トレイは20年同じ

同じ回で、アルトマン氏は自分自身の使い方についても率直に話しています。エンジニア向けのコーディング支援ツールを自社で開発しているにもかかわらず、自分の受信トレイは昔ながらのやり方で開いている——クリックして、スクロールして、いちばん心理的に痛くないメールを見つけて、それから返す、と。

そして「The thing to me that feels most psychologically inconsistent about myself is that I have for 20 years been using computers the same way.（自分について最も心理的に一貫していないと感じるのは、20年間まったく同じやり方でコンピュータを使ってきたことだ）」と述べています。

これは笑い話ではなく、慣性が「知識のなさ」や「意識の低さ」から生まれるのではないという決定的な例です。世界で最もAIの能力を理解している人物の1人が、自分の日常業務ではほとんど変えられていない。だとすれば、自社の社員が変わらないことを意識の問題として扱っても、まず解決しません。

「iPhone前のスマートフォン」という言い方

現在の局面についてアルトマン氏は「The phase that we're in now reminds me of like smartphones before the iPhone.（今の局面は、iPhone以前のスマートフォンを思い出させる）」と表現しています。

部品も能力も揃っているのに、古いやり方を確実に過去にする「ひとつの製品としての形」がまだ現れていない、という見立てです。この見方に立つと、いま起きていることの説明がつきます。能力は十分にあり、それでも既存の仕事の流れは置き換わっていない。足りないのは性能ではなく、それを自分の業務の形に落とし込む作業です。そしてその作業は、モデルの提供元ではなく使う側にしかできません。

私の運用でも、モデルを上げただけでは何も変わらなかった

毎晩動かしている無人処理で起きたこと

私は自社の業務のうちいくつかを、決まった時刻に無人で動くAI処理として運用しています。文章を生成するもの、公開情報を調べて整理するもの、決まった形式の報告を出すもの。人が起動ボタンを押さないところまで自動化してあります。

そのうちの1つ、決まった形式の文章を毎日生成する処理で、はっきりした失敗をしました。出力の分量が、こちらが定めた基準にまったく届かないという状態が続いたのです。基準は「この帯を狙う」と決めてあり、その帯を出せば読まれやすいことも社内のデータで確認済みでした。それでも実際の出力は、基準の半分強のところで毎回止まっていました。

変わったのは、基準を書いた文書を直したとき

このとき私が最初に疑ったのは、モデルの側です。より新しい世代のモデルに切り替え、指示の書き方も何度か変えました。結果はほとんど変わりませんでした。

原因は別のところにありました。分量の基準を書いた文書は存在していたのですが、それを参照する手順書の側で「タグの分岐ルールが書いてあるファイル」という程度の紹介しかしていなかったのです。つまりその文書が分量の正本であるという事実が、AIに渡っていなかった。書いてあることと、それが何の基準なのかは別の情報です。

手順書に「分量の基準はこのファイルが正本」と一行明記し、あわせて基準の数値そのものを手順書の中にも再掲しました。これだけで出力は基準帯に入るようになりました。モデルは変えていません。

この一件は、私にとってかなり決定的でした。同じモデル・同じ指示でも、渡している文脈の構造が変わると出力が変わる。逆に言えば、文脈が欠けている状態でモデルだけを新しくしても、欠けている部分は埋まりません。

だから私は「モデルの世代交代待ち」をしない

新しいモデルが出るたびに検証はします。ただしそれは業務が変わる契機としてではなく、すでに積んである文脈がどこまで効くかの確認としてやっています。順序が逆になった時点で、待ちの姿勢に転じてしまうからです。

「文脈が足りない」とは、具体的に何が足りないのか

「文脈を渡す」という言い方は抽象的です。私が現場で見ている限り、足りていないものは次の4つに分解できます。

① 合格の定義（何をもってOKとするか）

いちばん頻繁に抜けているのがこれです。「いい感じにまとめて」と頼んで期待と違うものが返ってくるのは、能力の問題ではなく合格ラインが言語化されていないだけです。分量、粒度、含めるべき項目、誰が読むか。人間の部下に頼むときには暗黙に共有されているこれらが、AIには一切共有されていません。

② 経緯（なぜ今このやり方なのか）

「なぜこの手順なのか」が渡っていないと、AIは合理的に見える改善を提案してきます。ところがその改善は、過去に一度試して問題が出たやり方であることが珍しくありません。過去に潰した選択肢を書き残していない組織では、AIが同じ穴に何度でも案内してきます。

③ 出力の型（誰に、どの形で出すのか）

同じ内容でも、社内の記録として残すのか、顧客に出すのか、経営会議に上げるのかで形は変わります。ここを毎回口頭で補っているうちは、AIは毎回ゼロから推測することになります。

④ 禁止事項（やってはいけないこと）

意外に効くのがこれです。「この表現は使わない」「この情報は外に出さない」「この判断は人が行う」。禁止事項は合格の定義より書きやすく、しかも一度書けば長く効きます。私の運用でも、外に出してはいけない情報の線引きを文書として持っているかどうかで、確認にかかる時間がまったく違いました。

毎回チャットに貼り直しているなら、それは文脈ではない

この4つを渡しているつもりでも、渡し方が「毎回チャット欄に貼り付ける」であれば、資産にはなっていません。それは人間側の手作業であり、貼り忘れれば消え、担当者が変われば失われます。

文脈が資産になるのは、それがファイルとして残り、次の実行で自動的に読まれる形になったときです。この違いは小さく見えて、3か月後の差が非常に大きくなります。

AIに渡す前提を文書として置く具体的な書き方は、別の記事で詳しく扱っています。

CLAUDE.mdの書き方実践ガイド｜200行以下で最大効果を引き出す
Claude CodeCLAUDE.mdの書き方実践ガイド｜200行以下で最大効果を引き出す

慣性は「うちの社員が保守的だから」ではない

予測可能性を選ぶのは、合理的な行動

アルトマン氏が挙げた「人は同じ会社から買い続け、同じやり方で道具を使い続ける」という観察は、怠惰の指摘ではありません。予測可能性には実際に価値があるという指摘です。

既存のやり方は、失敗の仕方まで分かっています。どこで詰まるか、詰まったら誰に聞くか、最悪どれくらい遅れるか。新しいやり方にはこの情報がありません。期待値が同じなら、分散が小さいほうを選ぶのは合理的な判断です。現場が新しい道具を避けるとき、多くの場合それは合理性の発露であって、抵抗ではありません。

切り替えコストは、使う本人ではなく周りに出る

もう1つ見落とされがちなのが、コストの発生場所です。ある社員が新しいやり方に切り替えると、その負担は本人だけでなく周囲に波及します。出てくる書類の形が変わる、確認の手順が変わる、聞かれる質問が変わる。

本人にとって差し引きプラスでも、周囲を含めた合計では当面マイナスになることは普通にあります。だから「本人が便利だと感じたら広がるはず」という前提は成立しません。広がるかどうかを決めているのは、本人の効用ではなく周囲の負担です。

「便利だから広まるはず」が成立しない理由

ここまでを踏まえると、導入が進まない原因の多くは説明がつきます。道具が悪いのでも、社員の意識が低いのでもなく、切り替えコストの引き受け先が設計されていないのです。

社内に道具が定着しない構造については、摩擦コストの観点からより詳しく整理した記事があります。

Claude Codeが社内に定着しない理由と対策
Claude CodeClaude Codeが社内に定着しない理由と対策

「もっと賢くなってから」という様子見は、何を賭けているのか

「今はまだ様子を見る。もっと賢くなってから本格的に入れる」——中小企業の経営者から最もよく聞く判断です。この判断そのものを否定はしません。ただし何に賭けているのかは正確に把握しておくべきだと考えています。

待っている間、モデルは進むが文脈は貯まらない

様子見が前提にしているのは、「賢くなってから始めれば、そのぶん短い時間で追いつける」という想定です。ここが崩れます。

モデルの性能は、待っていれば提供元が上げてくれます。しかし文脈は、待っていても1グラムも貯まりません。合格の定義も、過去に潰した選択肢も、出力の型も、自社で言語化しない限り存在しないままです。

そして先ほど見たとおり、いま制約になっているのは後者のほうです。様子見は「勝手に増える側」を待って「増えない側」を放置する判断になっています。2年待った会社と、2年かけて文脈を積んだ会社は、同じ賢いモデルを渡されても同じ場所には立ちません。

文脈という資産はモデルを乗り換えても持ち越せる

もう一点、この資産には効率のよい性質があります。特定のモデルやサービスに紐づかないのです。

合格の定義を書いた文書は、提供元を乗り換えても、モデルの世代が変わっても、そのまま使えます。むしろ乗り換えの検証がやりやすくなる。前提が固定されているので、モデルだけを入れ替えて出力を比べられるからです。

逆に、この前提が個人の頭の中にしかない組織では、モデルの比較すらできません。何が変わったのかを切り分ける基準がないためです。

それでも様子見が正しい場面

公平を期すために書いておくと、待つのが正解の場面もあります。

  • 規制や社内規程がまだ整っていない領域——外に出せない情報の線引きが決まっていない段階で、業務データを扱う自動化を広げるのは順序が逆です
  • 担当できる人が誰もいない状態——文脈を書き、失敗を見て直す役が社内にいないなら、道具だけ入れても回りません
  • 本業が繁忙期のピークにある——切り替えコストを引き受ける余力がない時期に始めると、失敗体験だけが残ります

ただしこの3つはいずれも「賢くなるのを待つ」理由ではありません。自社側の準備を待つ理由です。同じ様子見でも、待っている対象がどちらなのかは自分で把握しておく必要があります。

明日から文脈を積む4ステップ

大がかりな計画は要りません。私が実際にやってきた順序をそのまま書きます。

ステップ1: 業務を1つ選び、「合格」を文章にする

まず対象を1つに絞ります。複数を同時に始めると、うまくいかなかったときに原因が切り分けられません。

選んだら、その業務の成果物について「これなら合格」と言える条件を文章で書き出します。分量、含めるべき項目、誰が読むか、やってはいけないこと。ここで手が止まるようなら、それはAIの問題ではなく、社内でも合格ラインが共有できていないという発見です。この発見自体に価値があります。

ステップ2: 会話ではなくファイルに書く

書いた内容は、チャットの中ではなくファイルとして残します。形式は問いません。テキストでも、社内で使っているドキュメントツールでも構いません。

条件は1つだけ、次にその業務をAIにやらせるとき、人が思い出さなくても必ず読まれる場所に置くことです。ここが担保されていないと、何度書いても資産になりません。

ステップ3: 失敗したら、プロンプトではなく文書を直す

ここが分岐点です。出力が期待と違ったとき、ほとんどの人は指示文の言い回しを変えようとします。その場は直りますが、次には残りません。

そうではなく、「この失敗を防ぐには、どの前提が書かれていなかったのか」を考えて、文書のほうに1行足します。私が分量の一件で結局やったのがこれです。地味ですが、この習慣があるかどうかで半年後の状態が変わります。

ステップ4: 3か月に1度、モデルだけ入れ替えて差を見る

文脈が固定されていれば、モデルだけを入れ替えて比較できます。四半期に一度、同じ業務・同じ文書・同じ手順で、モデルだけ新しいものに変えて出力を見比べます。

ここで初めて、モデルの世代交代が自社にとって何を意味するのかを数字で語れるようになります。多くの会社が「新しいモデルが出たらしいが、うちに効くのかは分からない」で止まるのは、比較の土台がないからです。

文脈を資産にする4ステップ｜合格の定義を書く・ファイルに置く・失敗したら文書を直す・3か月ごとにモデルだけ入れ替える

期待値をどこに置くか

能力の進歩と、業務の変化の間には時間差がある

今回のアルトマン氏の発言から実務者が受け取るべき教訓は、能力の進歩と業務の変化の間には構造的な時間差があり、その時間差は技術側では埋まらないということです。

この時間差を埋める作業——合格の定義を書き、経緯を残し、切り替えコストの引き受け先を決める——は、提供元が代行してくれません。時間差の長さは、使う側が自分で短くするしかない性質のものです。

「2028年末」を経営判断のカレンダーに載せない

冒頭で触れた2028年末の話に戻ります。この時期を自社の計画に使うことは、私はおすすめしません。理由は3つです。

  • ラベルも出所も揃っていない——AGIと呼ぶか超知能と呼ぶかで報道が割れ、どの場での発言かも媒体によって違います
  • 予測した本人が、直前まで時間軸を外していたと認めている——同じ発言の中で「時間軸について野心的すぎた」と述べています
  • 仮に当たっても、自社の業務が自動的に変わるわけではない——今回の発言の主旨がまさにそれです

予測が当たるかどうかは、自社が明日何をするかを何ひとつ決めません。手前にある「文脈が足りていない」という制約のほうが、はるかに具体的で、はるかに自分で動かせます。

なお、効率化を人員削減とセットで語ったときに何が起きるかについては、順番の設計として別の記事で扱っています。文脈を積む段階と並行して考えておく価値があります。

AIで生産性が上がらない理由｜人を減らす順番の失敗
AI業務効率化AIで生産性が上がらない理由｜人を減らす順番の失敗

私がいまも手でやっていること

最後に、自分の側の慣性についても正直に書いておきます。

私は無人で動く処理をいくつも運用していますが、見積もりの最終確認と、請求前の内容確認は今も自分の目でやっています。技術的には自動化できます。やっていないのは、間違えたときに相手に直接迷惑がかかる工程だからです。

これは怠慢ではなく設計だと考えていますが、同時に「本当にそうか」と時々疑ってもいます。変えない理由を自分で説明できるかどうか——慣性と設計を分けるのはこの一点だけです。

社内で「うちはまだ早い」という声が出たとき、それが説明できる判断なのか、単に触れていないだけなのかを分けて聞いてみてください。前者なら待てばいい。後者なら、待っている間に増えるものは何もありません。

よくある質問

アルトマン氏の発言は「AIブームは終わった」という意味ですか

違います。発言の中身は普及の速度についての修正であって、能力の停滞ではありません。同じ回で最新モデルについて「かなり賢い」と述べ、自分の制約は文脈の量だとしています。能力は進んだが社会の適応が遅い、という主張です。

文脈を書くのに、専門知識は必要ですか

不要です。必要なのはその業務を分かっている人であって、AIに詳しい人ではありません。合格の定義も、過去に潰した選択肢も、現場の人にしか書けない情報です。むしろ外部の専門家だけで書こうとすると、中身のない一般論になります。

どのくらいの分量を書けばいいですか

最初はA4で1枚もあれば十分です。全部を書き切ろうとすると始まりません。失敗したときに1行足すという運用のほうが、結果的に実用的な文書に育ちます。書いた分量ではなく、更新され続けているかどうかが本質です。

結局、いつ導入すればいいのですか

能力の水準を基準にするなら、判断材料としてはすでに十分です。待つべき理由があるとすれば、社内規程の未整備・担当者の不在・繁忙期のいずれかで、これらはいずれも自社側の条件です。「賢くなるのを待つ」と「自社の準備を待つ」を混同しないことをおすすめします。

モデルを乗り換えると、積んだ文脈は無駄になりませんか

なりません。合格の定義・経緯・出力の型・禁止事項はいずれも自社の業務に属する情報で、特定の提供元に依存しません。むしろ文脈が固定されているほど、モデルだけを入れ替えた比較がやりやすくなります。

社員が新しいやり方を嫌がります。どうすればいいですか

意識ではなく負担の問題として扱うことをおすすめします。切り替えによって誰の手元にどんな負担が増えるのかを具体的に洗い出し、その引き受け先を決める。周囲の負担が設計されていない状態では、本人が便利だと感じても広がりません。

まとめ

2026年8月23日公開のポッドキャストで、アルトマン氏は普及の速度について読みを外したと認め、その理由を経済の慣性に求めました。同じ回で、自分の制約はモデルの賢さではなくAIが自分について持つ文脈の量だとも述べています。

ここから実務者が取り出せる結論は明確です。

  • いま業務が変わらないのは、モデルの性能不足が原因ではない
  • 制約は文脈の量と切り替えコストの引き受け先の2つにある
  • モデルの性能は待てば上がるが、文脈は待っても貯まらない
  • だから「もっと賢くなってから」は、増える側を待って増えない側を放置する判断になる
  • 文脈は特定のモデルに紐づかないため、先に積むほど乗り換えの判断が楽になる

私自身、モデルを新しくしても直らなかった問題が、基準を書いた文書を一行直しただけで解決した経験があります。効くのは、たいてい派手ではないほうです。

私たちは中小企業向けに、この「合格の定義を言語化して、AIが読める形に置く」ところから月額で伴走しています。何から書けばいいのか分からない段階のご相談も含めてお受けしています。

専属AI活用顧問サービス

参考にした情報源

AIを使う会社と、使わない会社。
その差は、開き始めています。

ここ数年でAIは急速に進化し、正しく導入できている企業とそうでない企業とでは、業務効率や人件費に大きな差が生まれ始めています。「AI導入に興味はあるが、実際に何ができて、どこから手をつければいいか分からない」——そんな方は、まずこの無料プレゼントに目を通してみてください。

無料プレゼント：様々な業種にAIを導入して分かった、成功の型と失敗パターン ― 無料でダウンロードする
← 記事一覧に戻る