AI時代に経験は資産か負債か — 二つのねじれの衝突

ねじれ①：経験者ほど判断を誤る

最初のねじれは、行動意思決定論の側から来る。長瀬勝彦『意思決定とは何か』は冒頭で、スキーのメタファーを置く。斜面で恐怖を感じた初心者は、本能的に重心をかかとへ載せる。だが安全に滑るには本能に逆らって前傾しなければならない。自己流で滑り続ける限り、何年経っても本能の誤りには気づけず、むしろ「自分の滑り方」として固着していく。経営の実務経験を山ほど積んだ人でも、バイアスは補正されない。この比喩の核心はシンプルだ——経験はバイアスを直さない [1]。

これは直観に反するが、根拠は厚い。Simon の充足化（satisficing）が示すように、意思決定とは選択肢を分析しきる行為ではない。どこかで分析を打ち切って「これで十分」と決める行為だ [3]。打ち切りの基準を作るのはパターン認識、すなわち過去の経験だ。経験が豊かなほど、人は速く確信を持って打ち切れる。問題は、その速さと確信が、確率判断や計画見積りのように経験が効きにくい領域でも同じように発動してしまうことにある。計画錯誤がその典型だ。過去のプロジェクトで何度も納期を超過した実務家ほど、次の見積りでは超過の記憶を脇に置き「今回は大丈夫」と短く詰める——前回も同じ言葉を口にしたことは、思い出されない [1]。経験は判断の解像度を上げると同時に、誤った確信の解像度も上げてしまう。

ここで話が終われば、結論は「経験はAI時代の負債だ」になる。AI が確率判断や見積りを肩代わりするなら、バイアスに固着した経験者より、まっさらな機械の出力に従ったほうがましだ、と。だが、もう一つのねじれがここに割って入る。

ねじれ②：しかし経験者こそが最後の砦になる

第二のねじれは、労働経済学の側から来る。宮本弘暁『AI大格差』は、AI がもたらす格差を「使う/使わない」の差ではないと言い切る [2]。格差は三層で生まれる。第一に、どのタスクが AI に切り出され、人間の手元に何が残るかというタスク構造の組み替え。第二に、AI の出力を見抜き、評価し、責任を引き受けて意思決定に落とし込めるかという判断の回路。第三に、組み替えの後へ自分を移せるかという移行の可否である。生成 AI は「次に来そうな単語を予測する」統計的な仕組みであり、もっともらしい誤りを淀みなく出力する。その誤りに気づけるかどうかは、出力を照合できる経験の厚みに依存する。著者がここで描くのは、経験者ほど AI 出力の「違和感」に気づきやすいという、最初のねじれとは真逆の経験観である。

矛盾ではなく、境界線の発見

二つのねじれを並べて見ると、私には矛盾ではなく一本の境界線が見える。経験が裏目に出るのは、確率や見積りのように、パターン認識が過信へ直結する領域だ。経験が効くのは、出力の異常を検知する領域、「何かがおかしい」という違和感を生む領域である。前者では経験が答えを歪め、後者では経験が誤りを照らす。同じ経験が、適用される問いの種類によって資産にも負債にもなる。

AI の介入は、この境界線を動かす。AI が確率判断と見積りを担えば、経験が裏目に出ていた領域そのものが人間の手から離れる。計画錯誤に囚われた実務家の代わりに、AI が冷静に分布を返す。残るのは、その出力を信じてよいか、致命的な見落としはないか、責任を負って意思決定に変換できるか——経験が効く領域だ。三層格差の言葉でいえば、AI は経験の負債側をタスク構造から切り出し、資産側を人間の手元に残す。経験者にとって AI は、弱点を補い強みを際立たせる装置になりうる [2]。

経験の使い方が、格差を分ける

ただし、これは自動的には起こらない。AI が低スキル層の生産性を大きく押し上げる実証は積み上がっている。タクシー配車支援では経験の浅いドライバーの売上が伸び、コールセンターでは新人ほど AI の恩恵が大きかった [2]。AI が「経験の代替」として働く局面が確かにあるということだ。ここに移行の格差が顔を出す。経験者が AI を判断の検証ではなく判断の肩代わりに使えば、違和感の検知器は鈍り、自分の優位が代替される側へ静かに移っていく。経験が資産になるか負債になるかは、AI をどう使うかという一段上の判断に懸かっている。

では、経験者はどう使えばよいのか。一つの実践として、AI 出力を「まず受け取る」と「次に照合する」の2ステップに意図的に分けることが有効だ。最初のステップで AI の回答を批判なく読み込む。二つ目のステップで、自分の経験に照らして「何かおかしい」感覚を探す。この順序を守ることで、AI に飲み込まれることも、拒絶することもなく、経験を違和感の検出器として機能させ続けられる。組織設計の観点からは、シニア層を AI の出力に正面から向き合わせ、その違和感を言語化・記録する場を慣行として埋め込むことが有効だ。肝心なのは AI を「判断の代替」ではなく「判断の検証」に使う役割設計——それが経験者自身の優位を温存しながら、組織のリスク管理も強化する。

satisficing の再定義

ここで、最初のねじれの出発点だった充足化が、別の意味を帯びて戻ってくる。『意思決定とは何か』が示したのは、意思決定とは分析を打ち切る行為だということだった [1]。AI 時代において、この「打ち切り」の重みは増す。AI は分析を無限に続けられる。選択肢を、シナリオを、根拠を、際限なく生成する。その出力を前にして、どこで「これで十分だ」と分析を止め、責任を負って決めるか。その打ち切りの判断こそ、経験が最後に担う仕事になる。経験の役割は、答えを出す資産から、AI が出した答えを検証し、どこで分析を打ち切るかを決める資産へと移る。限定合理性の核にあった satisficing が、AI 時代には「分析を打ち切る勇気」という、より能動的な意味を帯びてくる [3]。

人事設計への含意

この見立ては、人事の設計に直接はね返る。経験者を「答えを出せる人材」として育成し配置してきた前提は、組み替えを迫られる。問うべきは、シニア層が答えを出せるかではなく、AI が出した答えの違和感に気づけるか、そして適切な地点で分析を打ち切れるかである。違和感の検知は、デバイアシング研修で身につく種類のものではない。Kahneman 以降のバイアス教育が示してきたのは、知識として偏りを知るだけでは判断は直らない、という限界だった [4]。違和感は、出力と照合できる経験の厚みからしか生まれない。とすれば、経験者を AI から遠ざけて温存するのでも、AI に置き換えて退場させるのでもなく、AI の出力に経験者を正面から向き合わせ、検証と打ち切りの場数を踏ませる設計が要る。

経験はAI時代に資産か、負債か。この問いに単一の答えはない。経験は、確率や見積りの領域では負債に傾き、検証と違和感の領域では資産に転じる。AI は前者を引き受けて後者を人間に残すが、その配分を活かせるかどうかは、経験者自身が AI を判断の代替に使うか、判断の検証に使うかにかかっている。経験者にとって本当の試練は、AI に仕事を奪われることではない。自分の経験が、いつ答えを歪め、いつ答えを照らすかを見分けること。そして、分析を打ち切る勇気を持てるかどうかだ。その問いを自分に向けるところから、AI 時代の意思決定は始まる。

参考文献

[1] 長瀬勝彦『意思決定とは何か』白桃書房、2026年
[2] 宮本弘暁『AI大格差』日本評論社、2026年
[3] Herbert A. Simon, "A Behavioral Model of Rational Choice," Quarterly Journal of Economics 69(1), 1955（satisficing／限定合理性）
[4] Daniel Kahneman, Thinking, Fast and Slow, Farrar, Straus and Giroux, 2011（邦訳: 村井章子訳『ファスト＆スロー』早川書房）

レビュー

dispatcher proxy 評価（iter 6、2026-06-27）

• voice: 4.4 — Neo指示「かたすぎる文章」に対応。「著者がこの比喩で言おうとしているのは〜命題である」を「この比喩の核心はシンプルだ——」に改め、satisficing説明を短文2つに分割、2ステップ段落の複合文を解体、closingの最終2文を「〜こと。そして〜だ。その問いを自分に向けるところから」に整理。迂回的な学術文体が全体として平易な直接表現に転換し、読みやすさが向上した。
• slop: 4.4 — 「著者がこの比喩で言おうとしているのは〜という命題である」等の形式張った構文を除去。satisficingセクション締め「〜という、より能動的な意味を獲得する」→「〜という、より能動的な意味を帯びてくる」で自然な動態表現に。文の硬さが低減し、AI臭のない流れになった。
• argument: 4.5 — 変化なし。構造・論旨・引用はすべて維持。

citation_status: passed維持（新規事実主張なし）。iter5（4.37）→iter6（4.43）で +0.06。スコア降下なし。plateau 検知: iter4(4.33)→iter5(4.37)→iter6(4.43) = 累計+0.10 ≥ 0.1 → plateau なし。

履歴