ソフトウェアエンジニアの求人は増加中 ― Andrew Ng氏がデータで示す「仕事消滅論」への反論
Google BrainおよびCourseraの共同創業者であり、AI教育の分野で800万人以上に機械学習を教えてきたアンドリュー・エン氏が、インタビューに応じ、AIをめぐる過度な恐怖論への反論から、仕事の未来、AI時代の学び方、そして、自身が新たに立ち上げた学習スタートアップ「LearnVector」まで、幅広いテーマについて語った。本稿では、その内容を整理して紹介する。
1. AIをめぐる「恐怖扇動」はなぜ広がったのか
1-1. 背景にある規制獲得競争
エン氏は、ここ2〜3年でAIに関する誤情報が広がっている背景に、一部の有力AI企業による意図的な「PR・規制獲得戦略」があると指摘した。巨額の資金を投じて、大規模言語モデルを訓練した企業にとって、他社が同水準のモデルを無償で世界中に提供してしまうことは都合が悪い。そのため、一部の企業が、AIの危険性を強く訴えることで規制を通過させ、既存の大手企業に有利な、いわば「不公平な競争環境」を作り出そうとしているのではないかとの見方を示した。こうした規制が実現すれば、誰もがAI利用のために高い「通行料」を支払わされる一方で、オープンソースモデルを無償で提供しようとする研究者や他企業の動きは抑え込まれることになるという。
1-2. 誇張された不安の実例
エン氏は、AIを核兵器になぞらえる主張には根拠がないとし、両者の間に本質的な共通点は見出せないと述べた。また、AIの失敗事例を意図的に誇張して取り上げたり、AIのデータセンターが、実際以上に大量の水を消費しているかのような誤情報が広まったりしている点も指摘。こうした恐怖に基づくメッセージの積み重ねが、社会全体のAIに対する認識を実態以上に否定的な方向に歪めてしまっており、結果として、米国内でのAI導入を遅らせ、国際競争力を損なっているとの懸念を示した。
2. 「仕事の黙示録」という神話
2-1. タスク分解で見えてくる実態
AIによって仕事の50%が奪われ、大量の失業者が街にあふれるという「仕事の黙示録」的な言説について、エン氏は明確に否定した。スタンフォード大学のエリック・ブリニョルフソン氏やMITのアンドリュー・マカフィー氏といった経済学者による分析を引用し、多くの仕事を個別のタスクに分解して調べると、AIがこなせるのは、その30〜40%程度にとどまるケースが多いという。残りの60〜70%を担う人間の仕事は、AIが担う部分の「経済的補完材」としてむしろ価値が高まるとし、AIを使いこなす人が使わない人に取って代わる形での競争は起きるものの、大多数の職種でAIが人間そのものを置き換える状況には至らないとの見方を示した。
2-2. 唯一の例外、ソフトウェアエンジニアリング
一方で、エン氏は、AIの影響を最も強く受けている職種としてソフトウェアエンジニアリングを挙げた。AIは、コード記述において非常に優れた能力を発揮するが、実際のデータを見るとソフトウェアエンジニアの求人数はむしろ増加しているという。優秀なエンジニアは、これまで以上に多忙になっている一方、ChatGPT登場以前の2022年当時と同じやり方でコードを書き続けている人材は、苦境に立たされているとし、AIが自動化できる30〜40%の作業をそのまま続けるのではなく、AIがまだこなせない残りの部分にスキルをシフトさせる必要があると強調した。
3. 新卒者へのアドバイス
3-1. 大学教育の遅れという課題
新卒者や現在の大学生へのアドバイスを求められたエン氏は、大学の教育システムが、AIの変化速度に全く追いついていない点を最大の課題として挙げた。新しい技術トレンドが登場してから、教員がスキルを習得し、新しいコースを設計し、カリキュラム委員会の承認や教授会の議決を経るまでには通常1〜2年を要するといい、この速度感の乖離により、多くの大学が、今なお2022年当時の職業像を前提に学生を教育してしまっているという。本来であれば2028年以降の職業像を見据えた教育が必要だと指摘した。
3-2. 学び続けるための代替手段
エン氏は、自身のオフィスに在籍するインターン(大学生・新卒者・高校生を含む)が、皆「AIネイティブ」であり、AIがこなせる作業はAIに任せつつ、人間にしかできない領域に注力する姿勢を身につけていると紹介した。大学の授業で良い成績を収めることは、重要としつつ、大学がまだ対応できていない最先端のスキル(特にAI関連スキル)については、Coursera、DeepLearning.AI、Udemyといったオンラインの場を活用して自ら学ぶことを勧めた。
4. 企業でのAI活用の実例
4-1. ソフトウェア構築のハードルが下がったことの意味
エン氏は、AIによってソフトウェアを構築するハードルが大きく下がったことの意義を強調した。何かを行うことが容易になれば、それを行う人の数は、増えるべきだとし、専門のソフトウェアエンジニアだけでなく、マーケター、リクルーター、人事担当者、オペレーション担当者など、あらゆる職種の人が、AIを使って「構築」することがますます容易になっていると述べた。
4-2. マーケティング・財務・採用チームの事例
具体例として、自社のマーケティングチームが、記事執筆の際にウェブをクロールして、関連情報を集め、デスクトップアプリとしてまとめ上げるツールを独自に構築した事例を紹介した。財務チームでは、CFOが、週に何時間もかけて手作業で行っていた書類確認作業を、ファイルを自動的に開き内容の整合性をチェックする自動化スクリプトに置き換えたという。採用チームには専門のエンジニアが在籍し、高度な採用支援ツールを構築しているとし、こうした「リクルーティングエンジニア」「マーケティングエンジニア」「HRエンジニア」といった、専門エンジニアが各業務チームに組み込まれる形態が、今後さらに広がっていくとの見方を示した。
5. AIは学習に向いていないという逆説
5-1. データが示す認知的オフロードの弊害
エン氏は、やや意外な指摘として「AIモデルは、学習には不向きだ」との考えを明らかにした。大学生が、AIを使って宿題に取り組むと、宿題自体の点数は向上する一方、長期的な知識の定着率は、むしろ低下するというデータが複数の研究で示されているという。AIに作業を「認知的にオフロード」することは、社会全体としての効率化には資する一方、個人の学習・記憶の定着という観点では明確に悪影響を及ぼしているとし、現状の一般的なAI利用のあり方は学習にとって「非常に問題がある」と率直に述べた。エン氏自身も、6か月前にAIの力を借りて解決したフロントエンド・バックエンドの技術的な問題を、いざ再度対応が必要になった際には内容を覚えておらず、再びAIに尋ねる羽目になった経験を明かした。
5-2. LearnVectorという新たな挑戦
こうした課題への解決策として、エン氏は、Courseraから1億ドルの出資を得て新会社「LearnVector」を立ち上げたことを明らかにした。従来のオンライン講座が「一対多」の学習体験にとどまっていた(誰もが同じ動画を視聴する形式)のに対し、LearnVectorは、よりパーソナライズされた「一対一」の学習体験の構築を目指しているという。詳細は来年初め頃までに公開される見通しだとした。
6. コンテキストの優位性という人間の強み
エン氏は、AIがブレインストーミングの相手として優れた提案をする一方で、時に「なぜAIがこれを妥当な案だと思ったのか理解できない」ようなひどい提案も混ざる現象に触れた。この背景には、人間が持つ「コンテキストの優位性」があるという。長年の経験を通じて蓄積された、顧客の表情の変化や、上司が本当に重視していることといった、明文化されていない膨大な情報が人間には備わっているが、AIにはそれを得るための「配管」自体が存在しないと説明した。この優位性は短期間で解消されるものではないため、AIが多くの職種において人間を置き換える事態にはすぐには至らないというのが、エン氏の考えの技術的な根拠となっている。同氏はこの「コンテキストの優位性」こそが、人間の「判断力」や「センス」と呼ばれるものの正体だと位置づけた。
7. データプライバシーへの向き合い方
金融データなど機密性の高い情報をAIに扱わせることの是非について、エン氏は、「複雑な問題」だとしつつ、大手クラウド事業者(ハイパースケーラー)は、利用規約を厳格に遵守する文化・ビジネスモデルを持っていると信頼できる一方、一部のAI企業では、利用規約が頻繁に変更され、気づかないうちにデータ利用への同意をさせられてしまうケースもあると指摘した。自身が、銀行を含む大企業向けに手がけるプロジェクト「AI Aspire」では、非公開の重要情報(NPI)を安易にフロンティアラボへ渡すことはなく、慎重なガードレール設計を行っているという。個人としても、特に機密性の高い作業については、オープンウェイトモデルをローカル環境やプライベートクラウド上で実行し、データが外部に一切出ない形で処理することがあると明かした。近年のオープンウェイトモデル(Metaの最新モデルやQwenの最新版など)は、フロンティアモデルに迫る性能を持ちながら軽量化が進んでおり、実用に耐えるレベルに達しているとの評価も示した。
8. AIの制御可能性 ― 飛行機からの類推
AIが人間の制御を超えていくことへの懸念について問われたエン氏は、飛行機の歴史を引き合いに出した。飛行機を完璧に制御できる人は、誰もおらず、初期には墜落事故により犠牲者も出たが、そこから得られた教訓を積み重ねることで、現在では安心して搭乗できる水準にまで安全性が高められてきたと説明。AIについても、完璧な制御は不可能だが、慎重に能力を段階的に拡張しながら、問題を測定し是正していくプロセスを通じて、責任ある形で安全に運用できる水準を維持できるとの見方を示した。非同意型のディープフェイク画像のような、明確に有害な用途については法規制によって厳しく取り締まるべきだとも述べた。
9. 子育てとAI
子どもとAIの関係について、エン氏は、自身の5歳と7歳の子どもの子育て経験を交えて語った。子どもたちが、幼いうちは、計算機を使わせずに自分で計算方法を学ばせるようにしているといい、年齢が上がるにつれて、AIへの認知的オフロードが、長期的な学習定着に悪影響を及ぼすことを懸念していると述べた。一方で、既存のオンラインタイピング学習ツールに満足できなかったため、娘のために独自のタイピング学習アプリを自作したというエピソードも紹介。responsible(責任ある)な形での大人の見守りのもとでのデジタルツール活用は子どもにとって有益だが、多忙な大人がその見守りに十分な時間を割けないことや、SNSのような設計上のインセンティブが子どもにとって好ましくない方向に働くことが課題だと指摘した。
10. 2027年に向けたAI活用の機会
新たにAIで何かを構築したい個人へのアドバイスとして、エン氏は、「AIを学び、素早く作り、顧客と話す」ことを勧めた。構築コストが劇的に下がったことで、課題は、「何を作るか」を見極める、いわば「プロダクトマネジメントのボトルネック」へとシフトしていると説明。自身も週末ごとに、社内の課題を解決するための小さなAIツールを作っているといい、直近では、データ保持ポリシーを慎重に確認したうえで、複数のフロンティアモデルを使って主要な事業指標を分析したエピソードを紹介した。一方で、大きな会社を作ること自体は依然として非常に難しく、AIによって数時間でコードを書けるようになったことは、事業構築というパズル全体のごく一部に過ぎないとも述べた。技術的な深さや顧客への深い洞察を得るには、結局は長い時間をかけて人と対話し、試行錯誤を重ねる必要があるとした。
11. AGIはいつ実現するか
最後に、AGI(汎用人工知能)についての見解を求められたエン氏は、人によって定義が異なるためAGI到達の時期評価も大きく分かれると説明した。同氏自身がよく用いる定義は「人間ができるあらゆる知的作業をこなせるAI」というもので、この基準に照らせば、数分の練習で密林の中をトラックで運転できるようになるといった、人間が容易にこなせる作業ですらAIにはまだ困難なケースが数多く残っており、この意味でのAGI到達には依然として数十年単位の時間がかかるとの見方を示した。一方で、企業側には経済的なインセンティブから、AGI到達をより早期に宣言したがる動機が存在するとも指摘。基準を恣意的に引き下げれば、極端な話、数十年前にすでにAGIに到達していたと主張することすら可能になってしまうとし、AGIの定義そのものが経済的な思惑によって左右されやすい概念であることに注意を促した。
オススメ記事
