AIエージェント
トップ人材の専門性は AI で複製できるのか ― 編集履歴3万件から校閲エージェントを作った Every の実践
社内のエース人材の判断をエージェントスキルとして複製し、採否判断のログで自己改善させる。この方式が成立する条件は何かを、Every の校閲エージェント「KateBench」の実例から考える。
元記事
原題
“The Case for Cloning Your Coworkers” （同僚を「クローン」せよ — 専門性をスキル化して組織のボトルネックを外す）
原文からの引用
“It's weirdly hard and specific to copyedit that well," Dan says. "She's the only one who can do it at her level, and now that's not true anymore.”
日本語訳 あの水準の校閲というのは、不思議なほど難しく、特殊な仕事だ。彼女だけがあのレベルでこなせる存在だった。だが、それはもう過去の話になった。
要点
- Every 社は編集長 Kate Lee の過去3万件以上の編集履歴をもとに、GPT-5.6 世代でついに実用レベルの校閲エージェント「KateBench」を構築した。筆者の Laura Entis は記事を提出する前に KateBench を通し、そのうえで人間の Kate がレビューする。彼女の採否判断が Google Docs の変更履歴として蓄積され、Codex がスキルを書き換えて複利的に改善する。
- KateBench は Kate の負荷を減らすだけでなく、彼女の専門性を「民主化」する。Every 社は次の一手として COO Brandon Gell の UX フィードバック、オペレーション責任者 Arielle Shipper の段取りの勘所、ソーシャル責任者 Becky Isjwara のソーシャルの立ち回りも同様にスキル化する構想を持ち、第1弾として CEO Dan Shipper のマーケ感覚を複製する「DanLens」を構築中である。ただし UX 判断は校閲より雑然としたデータであり、「どの種類の仕事がこの方式で扱えるか」が今後の検証課題である。
- 投資家 Stanley Druckenmiller が WSJ の寄稿執筆に AI を使ったと認め、WSJ は「著者本来の主張を反映し、著者にそれを語る資格があるかが問題」と擁護した。AI 利用を禁じる Financial Times とは対照的な対応となった。
- Ramp の支出データによると、最上位モデル Fable はローンチ1カ月後で Anthropic トークン購入量の6%、モデル支出の11%にとどまっている。Dan Shipper は「知識労働タスクの8割では Fable の相対的な利点がない」と語っており、Vercel の AI Gateway ではオープンウェイトモデルの処理トークン比率が4月の11%から6月には29%へ急伸している。支出では4%未満にとどまり、記事はこれを大量処理を廉価モデルに振り分ける動きの兆しと見る。
- 100億ドル規模のヘッジファンド Walleye Capital では全従業員400人に AI 活用が必須である。CEO の Will England は「血と汗を注がなければ本物ではないという不安があるが、最終的に重要なのは結果だ」と語る。
編集部の考察
問うべきは「誰をクローンするか」より先に、「トップ人材の判断がデータとして残る業務設計になっているか」である。KateBench の要点は「3万件の編集履歴」と「採否判断が変更履歴として自動蓄積されるループ」の2点にある（要点1）。つまり複製できたのは、専門性が長年テキストデータとして残り、正解・不正解のフィードバックが業務フローの中で構造化されて取れる仕事だったからである。AI 導入済みの組織がこれを再現しようとしても、レビューコメント、デザインの差し戻し理由、意思決定の却下理由が Slack や口頭に散逸したままでは、モデルがいくら進化しても複製する元データがない。エース人材の判断ログを構造化して蓄積する仕組みへの投資が、次世代のボトルネック解消の前提条件となる。
本記事は海外記事の独自キュレーション・考察であり、原文の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。
この記事の調査と下書きにはAIを使っています。数値や事実は出典と照合し、公開するかどうかは運営者が判断しています。（制作方針）