いま、社会の関心はAIに集まっています。経営会議の議題にAIが載らない週はなく、学び直しの中心もAIの使い方です。それは当然のことだと思います。AIは確かに大きな変化をもたらしましたし、これからも影響を与え続けるでしょう。私自身、この数年はAIのことばかり考えてきました。

ただ、最近になって気になっていることがあります。AIに目を奪われている間に、その向こう側で、別の大きな変化がいくつも同時に動き始めているのではないか、ということです。今日はそのことを、皆さんと一緒に考えてみたいと思います。

2030年前後に、五つの技術が実用の入口に立つ

AIのほかに、量子計算、核融合、光と電子を一体化した回路（光電融合）、生命を設計するバイオ。この四つを、少し丁寧に見てみます。どれも「遠い未来の話」として語られてきましたが、いま起きていることを並べると、別の景色が見えてきます。

AIは、すでに実用の段階にあります。米国の調査では、生成AIの初期の普及速度はパソコンやインターネットを上回ったと報告されています。企業の顧客対応にAIの回答補助を入れた研究では、時間当たりの解決件数が平均で約15％増え、とりわけ経験の浅い担当者の底上げ効果が大きかった。そしていま、指示を受けて複数の手順を自律的にこなすAIエージェントが、調査、下書き、試作、確認といった仕事の一部を担い始めています。ここで起きるのは、人手不足の解消だけではありません。工数で価格を決めてきた事業は、一件に要する時間が減れば請求額も減ります。経験の浅い人が一人前の成果物を出せるなら、「経験」の価値の測り方が変わります。AIに任せた判断の誤りを、誰が見つけ、誰が責任を負うのか。仕事の分担、価格、評価、責任の前提が、すでに動いています。

量子計算は、「原理的には可能」から「実機で確かめられた」へ移りました。量子コンピューターの最大の壁は計算の誤りでしたが、2024年末にGoogleが、複数の物理量子ビットで情報を守る「論理量子ビット」について、規模を大きくするほど誤りが減ることを実機で示しました。これは誤り訂正が実際に働くことの実証です。IBMは2029年に誤り耐性量子コンピューターを提供する目標を掲げ、Googleも同時期に有用な誤り訂正機を目指すとしています。期待される用途は、電池材料、触媒、医薬品の分子の性質を、従来の計算機では精度が出せない水準で調べることです。もう一つ、こちらは待ったなしの影響があります。将来の量子コンピューターは現在のインターネットの暗号を破ると見られているため、米国の標準化機関NISTは2024年に耐量子計算機暗号の規格を公表し、今年、従来の公開鍵暗号を2030年に非推奨、2035年末に使用禁止とする移行指針を確定しました。長く守る必要のある契約書や顧客データ、更新に時間のかかる機器を扱う企業では、量子コンピューターが完成する前から、いまの調達と更新計画が変わります。

核融合は、2022年12月に節目を越えました。米国の国立点火施設で、標的に届けたレーザーのエネルギーを上回るエネルギーが核融合反応から得られたのです。正直に言えば、これは反応の実績であって発電ではありません。装置全体が使う電力や、熱を電気に変える効率を含めると、正味で電力を取り出すまでには段階が残っています。それでも、米エネルギー省は今年6月、2030年代半ばの商用化を目標とするロードマップを確定し、民間企業への投資は累計で1兆円を超える規模に達しています。日本政府も2030年代の発電実証を掲げています。なぜ核融合がビジネスの話なのか。AIの計算が電力を食うからです。国際エネルギー機関（IEA）の中心見通しでは、世界のデータセンターの電力消費は2025年の推計485TWhから2030年には950TWhへ、ほぼ倍増します。これは日本一国の年間電力消費に匹敵する量です。電力をどこから得るか、どこに設備を置くか、地域とどう合意するかが、計算基盤を持つあらゆる企業の経営課題になります。

光電融合は、聞き慣れない言葉かもしれません。コンピューターの中で電気信号が担っている情報のやり取りを、光に置き換える技術です。NTTが提唱するIOWN構想がその代表で、広域の光ネットワークはすでに商用サービスが始まっており、2026年に基板の間、2029年にチップの間、2032年にチップの中へと、光で結ぶ範囲を段階的に広げる計画が示されています。NTTが掲げる目標は、電力効率100倍、伝送容量125倍、遅延200分の1です。目標どおりに進むかは見極めが要りますが、もし計算機の中で情報を運ぶ負担が大きく下がれば、同じ電力で処理できる量が変わり、計算を置ける場所が変わります。データセンターの電力問題への一つの答えであると同時に、遠隔の医療や工場の制御のように、遅延が許されない仕事の設計を変える技術です。

バイオは、AIと結びついて様相を変えました。タンパク質の立体構造をAIで予測する研究は2024年のノーベル化学賞の対象となり、いまでは構造を予測するだけでなく、求める機能から新しいタンパク質を設計し、実験で確かめる段階に入っています。AIが見いだした標的と候補薬が、患者を対象とする第2a相試験まで進んだ事例も公表されました。材料の分野では、AIが候補を選び、ロボットが合成し、測定結果が次の実験に返る自律的な実験室が実証されています。ここで変わるのは、発見の速さだけではありません。候補が速く安く得られるようになると、重要になるのは「どの候補に検証の資源を配るか」という判断です。そして、研究室で「できた」ことが患者や顧客に「届く」までには、試験、承認、量産、費用という工程が残ります。医療、素材、食品、化学。ものをつくるあらゆる事業で、研究から製品までの道筋の設計が問われます。

これらは目標や初期の実証であって、予言ではありません。遅れるものもあるでしょう。それでも、五つの技術が同じ時期に実用の入口に立っているという事実は、重く受け止めたほうがよいと私は思っています。

直ちに世の中は変わらない。しかし「前提」は変わる

誤解のないように申し上げると、2030年に世の中が一変するわけではありません。歴史がそれを教えてくれます。

工場に電動機が入ったとき、多くの工場は蒸気機関を電動機に置き換えただけで、天井の軸とベルトで動力を配る仕組みはそのまま残しました。機械ごとに電動機を置き、材料と人の流れに合わせて工場の配置を組み替え、それが生産性の伸びとして現れるまでに、およそ40年を要しています。技術が実用になることと、社会がそれを前提に組み替わることの間には、いつも時間差があります。

では、何が変わるのでしょうか。未来を考えるときの「前提」が変わります。知的作業にかかる費用。計算で解ける問題の範囲。電力の供給と制約。物質や生命を設計する自由度。これらは、あらゆる事業計画の底に、意識されないまま置かれている前提です。そのうち一つでも動けば、事業の設計は変わります。五つが同時期に動くなら、なおさらです。

さらに見逃せないのは、これらの技術が互いの進歩の手段になることです。AIが新しい材料と制御を設計し、新しい材料と電力が計算を支え、計算がまたAIを進める。先の成果が次の進歩の部品になる循環です。

この見方を最も強く主張してきたのが、発明家で未来学者のレイ・カーツワイルです。彼は、技術の進歩は直線的ではなく、成果が次の進歩の手段になることで加速度的に進むとする「収穫加速の法則」を唱え、その帰結として、2045年頃にAIが人間の知能を超え、変化の速さが人間の予測を超える「シンギュラリティ（技術的特異点）」が訪れると予言しました。2005年の著書『シンギュラリティは近い』は、当時は荒唐無稽とも受け取られましたが、生成AIの登場以降、彼の見立てを真剣に読み直す人が増えています。彼の予言が当たるかどうかは、私にはわかりません。ただ、五つの技術が同じ時期に実用の入口に立ち、互いを速め合う可能性があるという事実は、彼の言う循環が、私たちの事業の射程に入る時間内に回り始めるかもしれない、ということを意味しています。

「どう使おうか」で止まっていないだろうか

ここで、もう一つ、一緒に考えてみたいことがあります。

いまAIを使う現場を見ると、多くの人は既存のやり方をそのままに、「AIをどう使おうか」と考えています。私もそうでした。そして、それは自然なことです。人は新しいものに出会うと、まず手持ちの枠組みに当てはめて理解しようとします。怠慢ではなく、人間の初期設定です。

けれども、電動機を据えながら軸とベルトを残した工場と、同じことが起きているのかもしれません。AIが前提を変えるのなら、問うべきは「どう使おうか」ではなく、「これでどう変わるか」です。AIを前提に、仕事の目的と分担と評価を作り直す視点がなければ、その真価は引き出せません。

そして、同じことが、量子計算にも、核融合にも、光電融合にも、バイオにも言えます。AIだけを見ていると、変化の全体像と、その速さを見誤ります。AIを「どう使おうか」と考えている間に、その向こう側で、前提そのものが動いているのです。

いま始められること

備えると言っても、五つの技術をすべて学ぶ必要はないと思います。前提が変わることを正しく捉え、小さく動き始めることです。

経営者の立場であれば、一つ、問いを立ててみてはどうでしょうか。「計算の費用が十分に下がり、電力の制約が変わり、知的作業の多くをAIが担う世界で、この事業はどう設計されるか」。ゼロから描いた姿と現状の差を見てから、どこまで戻るかを決める。いまの延長線上で改善を積み上げることと、変わった前提から逆算することは、まったく別の作業です。あわせて、長く守るべきデータや更新に時間のかかる機器があれば、暗号の移行計画を、いまの調達に組み込んでおく。これは2030年を待たずに必要になることです。

ビジネスパーソンの立場であれば、自分の仕事を二つに分けて書き出してみる。AIや新しい技術に渡せる部分と、自分が引き受けている部分。後者が薄いと感じたら、それを厚くする。前提が変わっても残る知識や技能と、前提とともに価値を失うものを見分け、前者を土台に自分を組み直していく。

どちらの立場にも共通して言えるのは、考え方を変えることから始めなくてよい、ということです。意識改革の呼びかけは、たいてい届きません。届くのは行動です。一つの業務、一つの習慣で、小さく試す。始める前に、うまくいったらどう広げるか、どうなったらやめるかを決めておく。行動が習慣になり、習慣が考え方を変えていきます。

もう一度、一緒に

2030年は、遠い未来ではありません。いま入社した新人が中堅になる頃であり、いま立てた中期計画の、次の次の計画の時期です。

その頃、私たちの事業と仕事の前提は、いまと同じでしょうか。もし違うとしたら、その違いを、いまのうちに見ておく価値はあるのではないでしょうか。

AIに気をとられている間に、その向こう側で動いているものがあります。一緒に、目を向けてみませんか。

新著『【図解】コレ1枚でわかるAI戦略」のご紹介

このたび新著『【図解】コレ1枚でわかるAI戦略　ビジネスパーソンが主導権を握るための「知識と思考」（11月11日　Amazon出荷）』を上梓いたしました。このブログで連載しているAIについての解説は、本書の原稿を基に執筆しています。

本書は、AIプロジェクトでビジネスパーソンが主導権を握るために、何を知り、どう考えるべきかを整理し、豊富な図解とともにわかりやすく解説したものです。初心者向けの手引きでもなければ、エンジニアのための技術書でもありません。その中間に位置する、これまで誰も本格的に向き合ってこなかったテーマに挑んだ1冊と自負しています。

AIに限らず、ITに関わる取り組みは本来、事業に責任を持つビジネスパーソンが主導権を握って進めるべきものです。しかし現実には、技術の難しさを理由に、ITベンダーやSI事業者に任せきりにしてしまうプロジェクトが少なくありません。とりわけAIプロジェクトは、従来のITプロジェクトにはない特異性や技術の急速な進化もあって、「専門家への丸投げ」に陥りがちです。これでは、事業の成果に結びつけることはできません。

そこで本書では、AIプロジェクトの責任を託されたビジネスリーダーが、専門家であるエンジニアと対等に議論し、プロジェクトの主導権を握れるように、AIに関わる技術を数式やプログラム・コードを使わず、概念として理解できるように解説しました。あわせて、AIプロジェクトに特有の法律や規制、プロジェクト管理といった実務実践に欠かせない知識も整理しています。

さらに、AIに関連する数学的知識をまとめた別冊（PDF版）と、本書の全図表（PPTX版・ロイヤリティ・フリー）を、オンラインからダウンロードいただけるようにいたしました。

また本書は、AIプロジェクトをユーザー企業に提案するITベンダーやSIerの皆さんにも、お役に立つはずです。人月ビジネスの前提が崩れつつあるいま、お客様の事業に寄り添う力はこれまでにも増して求められ、AIはそのための「前提」となりました。一方で、AIプロジェクトには従来のITプロジェクトにはない特徴があり、これを理解しないままに取り組めば、お客様をミスリードしかねません。そうならないための知識を得ていただく一助にもなると思います。

今年6月に上梓いたしました『AI実践ドリル30日チャレンジ』（日経BP）が、AIを使って新たなビジネス価値を生み出す「個人のスキル」を磨くための本だとすれば、本書は、企業がビジネスとしてAIプロジェクトに取り組む「組織のスキル」を知るための本です。

既存の業務手順やビジネスモデルを前提に「AIで何ができるか」を考えるのではなく、AIを前提に既存を新しく作り直す、すなわち「AIでどう変わるか」という視点で実務実践に取り組む皆さんを支えたい。2冊に共通するのは、そんな思いです。あわせてご覧いただけますと幸いです。

AIは「使うと便利なもの」から「使うことが前提のもの」へと、その位置づけを変えました。そこに求められるのは、仕事の効率を上げるための「個人のスキル」にとどまらず、業績に貢献する「組織のスキル」です。本書は、その「知識と思考」を提供する1冊です。

AIは使っているものの、働き方が大きく変わった、会社が変わりつつある、そんな実感がなかなか持てない。もし、そんなモヤモヤしたものがあるのなら、ぜひ、本書を手に取ってください。

本書の目次

第1章：AIの現在地〜人間とテクノロジーの役割を再定義する

• テーマ1：そもそも「モデル」とは何か？
• テーマ2：生成AIの根幹「基盤モデル（ファウンデーションモデル）」
• テーマ3：AI、機械学習、ディープラーニング、生成AIの「包含関係」
• テーマ4：ビジネスで必須となる2つのフェーズ：「学習」と「推論」
• コラム1：「AGI」とは何か？
• テーマ5：AI進化の歴史〜「識別型」から「生成型」、そして「自律型」から「AGI」へ
• コラム2：「身体性を持ったAGI」へのロードマップ
• テーマ6：AIの強みと限界
• テーマ7：AI開発で鎬を削る、巨大企業たち
• テーマ8：AIの現在地と、ビジネスにおける「AI」の再定義
• テーマ9：人間との協働モデル〜AIに任せてはいけないこと
• コラム3：「センス」と「利他の精神」が羅針盤

第2章：業務への組み込みと自律型AI（Agentic AI）の実装

• テーマ1：プロンプトエンジニアリングの本質は「指示の構造化」にある
• テーマ2：自社独自の知識をRAGでAIに付与する
• テーマ3：ファインチューニングによりモデルを「専門家化」する
• テーマ4：AIaaSによるスピード導入の定石
• コラム1：タスクを各モデルへ自動で割り振る「AIモデルルーター」
• テーマ5：自律型AI（Agentic AI）の出現と動作原理
• コラム2：4段階のAI×ビジネス活用
• テーマ6：複数エージェントの協働（マルチエージェント）と新標準規格MCP
• テーマ7：AI組み込みによる次世代ユーザー体験（UX）の設計思想
• テーマ8：ノーコード・ローコードAIツールの実務価値とセキュリティガバナンスの限界

第3章：第3章：開発最前線とAIインフラの進化

• テーマ1：Transformer（トランスフォーマー）はなにが革命的だったのか
• テーマ2：リーズニングモデル（推論強化モデル）の衝撃
• テーマ3：推論専用チップの台頭
• テーマ4：小規模言語モデル（SLM）とローカルモデル（AI PC）がもたらす自律分散型インフラ
• テーマ5：バーティカルAI（特化型モデル）の選択基準
• テーマ6：E2Eマルチモーダルモデルによるリアルタイム対話の進化
• テーマ7：説明可能なAI（XAI）の実務上の要求
• テーマ8：現実世界の物理法則を予測・理解する「世界モデル」
• テーマ9：物理空間で自律駆動する「フィジカルAI(ロボティクス)」への接続

第4章：AIプロジェクトの企画と推進

• テーマ1：AIプロジェクトの全体像は、課題から逆算せよ
• テーマ2：自社の課題を発見する「業務機能別ユースケースの見取り図」
• テーマ3：AI推進チームに必要な3つの役割（ビジネス、データ、エンジニアリング）
• テーマ4：全社的なAIリテラシー向上のための「リスキリング戦略」
• テーマ5：死の谷に陥らないためのPoC（概念実証）の進め方
• テーマ6：RFP（提案依頼書）に絶対に盛り込むべきAI特有の要件
• テーマ7：AIプロジェクト特有のコスト構造とROIの正しい見積もり方
• コラム1：生成AIサービスの料金モデル：仕組みと賢い使い分け
• テーマ8：生成AI導入の4大アプローチとベンダー評価軸
• テーマ9：AIの精度を決める「良質なデータ」の条件とデータ・サプライチェーン
• テーマ10：開発手法のベストプラクティス(SaaS利用 vs API連携 vs 独自モデル構築)
• テーマ11：システム開発を再定義する「AI駆動開発」と内製化モデル
• テーマ12：導入を成果に変える「定着マネジメント」〜 死の谷の先にある「定着の谷」
• テーマ13：AIプロジェクトの全体を俯瞰しその進め方を整理する

第5章：リスク回避のためのAIガバナンス

• テーマ1：企業として備えるべき基本のAIルール「社内AI利用ガイドライン」の作り方
• テーマ2：生成AIと著作権〜実務的な対処法
• テーマ3：情報漏洩リスクとセキュリティ対策〜クラウド利用とローカルモデルの使い分け
• テーマ4：AIのバイアスと公平性の問題〜企業のブランドリスクへの対応
• テーマ5：国内外のAI法規制の全体地図〜ルールを「設計要件」として読み解く
• テーマ6：ディープフェイクと偽情報〜「攻撃される側」のリスクへの防衛
• テーマ7：業務の効率化から「事業の再設計」へ〜AIが変えるビジネスモデル
• コラム1：AI主権とは何か