Every
すべてをリセットして作り直す時がある — AI が変える「専門性」の定義
Claude Opus 5 の登場時や新しい AI ツールの導入では、既存システムを完全にリセットして再構築する覚悟が必要という示唆。本号の核は、テレンス・タオが ChatGPT と Fable を使う様子から見える「AI 時代の専門性の価値」。
要点
- Opus 5 は優秀だが、既存ワークフローとの相性が悪く、導入には既存システムの大幅リセットが必要。GPT-5.6 Sol や Fable には及ばず、投資に見合うか要検討
- テレンス・タオの使い方が示唆的: AI からの回答が正しいかを判定できる深い専門性があるから使いこなせる。一般的なプロンプト集のコピペは通用しない
- Anthropic の実験データ: AI 使用時のジュニア開発者のスコアが 50%（手コード 67%）に低下。特にデバッグスキル（AI の間違いを検出する力）で格差が拡大
- AI が安価・高性能になるほど、逆説的に「正解を評価できる専門性」がより希少で高価になる
- Every チーム・Notion・Whoop など実装企業では、タスク設計・レビュー基準・プロトタイプ検証を「機械化ではなく戦略判断の場」に昇華させている
編集部の考察
Anthropic の実験データ「AI 使用時のジュニア開発者スコアが 50%（手コード時は 67%）に低下し、特にデバッグスキルで格差が拡大」は、自社に置き換えると即座に人事評価の設計問題になる。多くの現場では今、AI アシスト前提でコードレビューや評価が回っており、ジュニアが「AI の出力をそのまま通す」ことでアウトプット量は保たれていても、本人のデバッグ能力そのものは可視化されないまま劣化している可能性が高い。これは評価シートのバグではなく、評価基準そのものが古いサインだ。
決めるべきは、①ジュニア評価に「AI なしでのコードレビュー・デバッグ課題」を定期的に組み込むか、②昇進要件に「AI 出力の誤りを検出できるか」を明文化するか、③それを誰が・どの頻度で測定するか、の3点。テレンス・タオのケースが示すのは、この判定力は座学や研修で後付けできるものではなく、AI なしで格闘した経験の蓄積からしか育たないということだ。
経営含意はひとつ：AI アシスト比率を上げれば上げるほど、意図的に「AI を使わせない育成期間」を制度として確保しない限り、次世代のシニア人材が社内に育たなくなる。
原文より
“Without that expertise, you don't know whether the answer coming back to you is correct or confidently delivered gibberish.”
本記事は原文ニュースレターの独自キュレーション・考察であり、翻訳ではありません。引用部分の著作権は原著者に帰属します。