マイクロソフトの Satya Nadella が2026年6月に示した human capital（人的資本）と token capital（AI資本）の二重蓄積論を起点に、AI時代の競争優位が「最良のモデルを選ぶこと」ではなく、人とAIをまたいで学習を複利で積み上げる「学習ループ」の所有へ移ることを論じる。本稿はこの命題を、知識経営と戦略論の正統（Polanyi の暗黙知、Nonaka らの知識創造、Barney の資源ベース理論、学習曲線）で裏打ちし、労働経済の最新データ（スタンフォードの若手雇用減、Brynjolfsson のコールセンター研究、Autor の専門性再建論、Acemoglu の懐疑論）と同時代の経営者の発言（Amodei・Huang・Lütke・Benioff）で多面的に検証する。モデルを差し替えても自社の暗黙知が残る設計こそが企業の知的財産（IP）と主権の核心であり、その学習を担う人的資本は token capital が育つほど価値を増す——この命題を、最高人事責任者（CHRO）が人事設計に持ち帰れる実務的な含意で着地させる。
派生元: [[T-20260617-003]]（LinkedIn版 iter3）。本カードは外部ソースを一次検証して統合した長文本格論考版（note向け・別運用）。貼付用クリーン版は
drafts/T-20260617-003-note.md。
AI投資をめぐる議論は、いまも「どのモデルを使うか」に引き寄せられがちだ。最良のモデルを選び、最速で導入した企業が勝つ——その前提で予算は組まれ、ベンダーは比較され、社内には次々と新しいツールが配られていく。
だが私は、この問いの立て方こそが、AI時代の人事戦略を最も見誤らせる罠だと考えている。本当に問うべきは「どのモデルを選ぶか」ではなく、「モデルの上に、どんな学習の仕組みを自社で築くか」だ。同じことを、マイクロソフトの Satya Nadella が2026年6月に、より鋭い言葉で言い当てている[1]。彼に言わせれば、最良のモデルを選ぶことは本当の機会ではない。本当の機会は、モデルの上で二種類の資本が複利で積み上がっていく「学習ループ（learning loop）」を、自社で築き、所有することにある。
Nadella の投稿は「A frontier without an ecosystem is not stable（エコシステムなきフロンティアは安定しない）」という一文から始まる[1]。最先端のモデルだけが価値を独占し、そのまわりの産業を空洞化させていく未来を、彼はかつてのグローバリゼーションの弊害になぞらえて警告する。空洞化を避ける鍵は、モデルを誰が持つかではない。モデルの上で学習が回り続ける仕組みを、誰が所有するかにある。本稿が立つのも、この一点だ。
Nadella が言う二種類の資本とは、human capital と token capital だ。前者は、その会社の人々がもつ知識・判断・関係性・創意・パターン認識を指す。後者は、企業が自ら築いて所有するAIの能力を指す。
人事にとって最も重いのは、token capital が育っても human capital の価値は下がらない、むしろ増す、という指摘である。AIにいくら計算資源（compute）を積んでも、人間が「どこへ向かわせるか」を決めなければ、それは空回りするだけだ。AIの能力を伸ばす駆動力は、最後は人間の判断にある。だから二つは、片方がもう片方を置き換える関係ではなく、互いに増幅し合う関係に置かれる。
ここで Nadella が持ち出すのが「hill climbing machine（坂を登り続ける機械）」というイメージだ。機械や設備は使えばすり減るが、学習ループは回せば回すほど強くなる。使うたびに改善のヒントが溜まり、複利で坂を登っていく。真の競争源泉はモデル選びそのものではなく、この「登坂する機械」を自社の内側に組み上げられるかどうかにある[1]。
この非対称が成り立つ理由は、注意力という資源の性質にある。AIはコンテンツも選択肢もシナリオも無限に生成できる。だが、何に注意を向け、どこへ向かわせるかという「方向づけ」は、外に委ねられない。AIに任せる範囲が広がるほど、逆に「何を任せないか」を決める判断が希少になっていく。token capital が大きくなるほど、それを意味のある成果へ向ける人間の判断が、相対的にいっそう効いてくる。これが、Nadella の言う「human capital はむしろ増す」の中身だ。
注意力は、たんなる資源というより、生きていることそのものに近い[2]。何に注意を向けるかが、その人にとっての現実をかたちづくる。組織でも同じで、無限に湧き出す出力のなかから「何に組織の注意を向けるか」を決める集合的な方向づけこそ、AIに代わりがきかない最後の希少資源として残る。実行のコストがゼロへ近づくほど、希少さは「実行」から「方向づけ」へと移っていく。
では、その human capital のうち、学習ループに残すべきものは具体的に何か。Nadella はそれを "company veteran"、つまり「その会社のベテラン」と名づける。汎用モデルを新しいものに差し替えても、学習システムに組み込まれた「その会社のベテランの専門性」は失われない——そう設計できるかどうかが、これからの時代の control and sovereignty（統制と主権）の核心的なテストになる、と彼は言う[1]。
このベテランの専門性の正体を、半世紀以上前に言い当てた人がいる。Polanyi は『暗黙知の次元』（1966）で「we can know more than we can tell（私たちは語れる以上のことを知っている）」と述べた[3]。熟練の判断、構造を見抜く目、文脈を読む勘——こうしたものは、言葉にしきれないまま身体に宿る。深津貴之ら『メタスキル』が「低周波帯のスキル」と呼んだものも、これと重なる。特定のツールや手順といった「高周波帯」の技能はすぐ古びるが、構造を見る力や蓄積したパターン認識といった「低周波帯」の暗黙知は、時代を超えて効く[4]。company veteran が体現しているのは、まさにこの暗黙知だ。
ここに一つ、面白い緊張がある。Polanyi のもともとの主張は「暗黙知は語れない」だった。一方で Nadella は「暗黙知をシステムに移し替えられる」と言う。この橋をかける理論が、Nonaka らの知識創造論である[5]。彼らは『知識創造企業』（1995）で、組織の知は暗黙知と形式知のあいだを行き来しながら創られるとし、その変換を四つのモード——共同化・表出化・連結化・内面化——に整理した。なかでも本稿に効くのが、暗黙知を言葉やモデルへと「翻訳」する表出化（externalization）だ。従来、この翻訳は人間の言語化能力に頭打ちにされていた。ベテラン自身、「なぜそう判断したか」をいつも語れるわけではないからだ。Nadella の学習ループが新しいのは、この翻訳を機械の側が肩代わりし、規模を広げていく点にある。日々の対話ログ、作業の痕跡、うまくいったかどうかのフィードバック——そこから、これまで語れなかったベテランの判断を、使うたびに少しずつシステムの側へ写し取っていく[1]。
では、写し取った先で何にするのか。Nadella は、それを三つの具体的な仕組みに落とし込む。ひとつめは「評価の仕組み」だ。世間一般のベンチマークではなく、自社が本当に大事にしている成果を物差しにして、AIがちゃんと良くなっているかを測る（彼はこれを private evals と呼ぶ）。ふたつめは「鍛え直す環境」だ。自社の実際の業務データや現場の判断を教材にして、AIを自社向けに訓練し続ける（private reinforcement learning＝自社データによる強化学習）。みっつめは「引き出せる記憶」だ。組織に溜まった知識を、必要なときに誰もが問い合わせて取り出せる形にしておく（queryable institutional memory＝検索できる組織の記憶）。この三つを束ねたものが、他社には簡単に真似できない、その会社ならではの知的財産（IP）になる。
この見立ては、AIが知識を急速にコモディティ化（ありふれた汎用品に）していく、という観測と裏表だ。宮本弘暁『AI大格差』が説くように、AIが生む格差は「使う／使わない」の差ではない[6]。格差は三つの層で生まれる。どの仕事がAIに切り出されるかという「タスク構造の組み替え」。AIの出力を見抜き、責任を引き受けて意思決定に落とせるかという「判断の回路」。そして組み替えのあとへ自分を移せるかという「移行の可否」だ。汎用モデルが専門知を吸い上げ、ありふれたものにしていく世界では、誰もが市場で買えるモデルの能力そのものは、もう差別化の要因になりえない。
なぜそう言えるのか。これは戦略論の正統が、すでに正確に言語化している。Barney は資源ベース理論（1991）で、持続的な競争優位は、その資源が「価値があり（valuable）・希少で（rare）・真似しにくく（imperfectly imitable）・代えがきかない（non-substitutable）」ときに生まれる、とした[7]。誰もが買えるAIモデルは、価値はあっても希少でも真似しにくくもない。要するに、ありふれた汎用品だ。一方、自社の暗黙知を写し取った学習ループは、Barney が「真似しにくさ」の源泉として挙げた三つ——独自の歴史的な歩み（経路依存性）、なぜうまくいくのか当事者にも説明しきれない曖昧さ（因果的曖昧性）、人と人の絡み合いの複雑さ（社会的複雑性）——をどれも備えている。なぜそのループがその成果を生むのかは、当の企業でさえ完全には説明できない。だからこそ、競合は複製できない。Grant が知識ベース理論（1996）で論じたように、企業の本質的な役割は、知識を「持つ」ことではなく、専門家の知識を「束ねて使う」仕組みであることにある[8]。知識そのものがありふれていくなら、優位は「束ね方の仕組み」へと移る。学習ループとは、まさにその仕組みのことだ。
この優位が「複利」で効くという話も、じつは新しくない。Wright が航空機の製造で見つけた学習曲線（1936）と、それを総コストに広げたボストン・コンサルティング・グループ（BCG）の経験曲線（1968）は、累積の生産量が倍になるたびにコストが二〜三割下がることを示した[9][10]。早く経験を積んだ者ほど、後発が量でも時間でも追いつけない低コストの地位を得る。学習ループにおける「経験」とは、写し取った暗黙知の蓄積だ。改善されたやり方がより良い学習データを生み、そのデータがやり方をさらに磨く。早くこのループを回し始めた企業は、個々のモデルにどんな新機能が加わろうと、簡単には再現されない優位を手にする。これは、棚に積んだ資源の量の話ではない。Teece らがダイナミック・ケイパビリティ（1997）と呼んだ、内外の能力を「統合し、築き、組み替え続ける」動的な力——環境が変わり続けるなかで資源を組み替えていく力そのものだ[11]。競争優位の源泉が、立地や規模や保有資産から、「学習の速さ」へと滑っていく。
ただし、ここに「移行の格差」が顔を出す。「学習はオフロード（外部委託）できない」という Nadella の警句は、現場ではあっさり裏切られやすい。仕事そのものは外注のようにAIへ手渡せても、そこから組織が学ぶプロセスまで手放してしまえば、ループは回らない。判断を「検証する」のではなく「肩代わりさせる」道具としてAIを使い切った組織では、暗黙知はシステムに溜まる前に外へ流れ出ていく。
その兆候は、もう数字に出ている。スタンフォード大学の Brynjolfsson らが、米給与計算大手 ADP の給与データを分析した研究「Canaries in the Coal Mine（炭鉱のカナリア）」（2025年11月）は、AIにさらされやすい職種で、22〜25歳の若手の雇用が、会社ごとの要因を取り除いてもなお16%相対的に減ったことを示した。ソフトウェア開発職の若手にいたっては、ピーク比で約20%も落ちている[12]。重要なのは、この減少が「自動化」型のAIの使い方に集中し、「補強」型では起きていない点だ。学習の入口を閉じれば、十年後の company veteran を育てる供給源そのものが、痩せていく。Ide らの理論研究（経済学誌 Journal of Political Economy 2025、および2025年の続編）はこれを形式化し、初期キャリアの仕事こそ暗黙知が世代から世代へ受け継がれる中心的な経路であり、AIがそこを壊せば、若手は出力を作れても検証もデバッグもできず、組織全体が脆くなる、と論じている[13]。
現場でも、同じ落とし穴が観測されている。AIの評価を専門とする研究機関 METR が、経験豊富なオープンソース開発者を対象に行った実験（2025年7月）では、AIツールを使ったほうがむしろ作業が19%遅くなった[14]。当の開発者たちは「自分は速くなった」と感じていたにもかかわらず、である。標本は16人と小さく、熟練者がよく知ったコードを触るという限られた状況ではある。それでも、「速くなった感覚」と「実際は遅い」というズレは、判断の肩代わりが、気づかぬうちにスキルと学習を蝕みうることを示している。
企業ケースも、この線に並ぶ。Klarna は2024年初め、AIアシスタントが「フルタイム700人分」の仕事をこなすと発表して人員を大きく絞った。だが2025年5月、CEOは「コスト削減を評価軸として重く見すぎた結果、品質が落ちた」と認め、人によるサポートへの再投資こそ「未来への道だ」と語った[15]。IBM は2023年、CEOの Krishna が「五年で事務職の約30%がAIと自動化に置き換わりうる」と述べた。ところが2025年には「むしろ総雇用は増えた。浮いた投資余力を別の領域に回せるからだ」と語り、さらに2026年には、初級採用の重要性をあらためて掲げてその積み増しに転じている[16]。これらの事例に共通するのは、効率化と、組織が学ぶ力の毀損とが、同時に進んでいるという構図だ。「AIから本格的に価値を引き出せている企業はわずか5%にとどまる」というボストン・コンサルティング・グループ（BCG）の調査も[17]、「いきいきと働けていると答える従業員が二年で66%から44%へ落ちた」という人事コンサルティング会社 Mercer の指標も[18]、同じ並走を別の角度から照らしている。
もっとも、AIがいつも学習を痩せさせるわけではない。Brynjolfsson らのコールセンター研究「Generative AI at Work」（経済学誌 Quarterly Journal of Economics 2025）は、AIアシスタントが生産性を平均で15%、とりわけ新人・低スキル層では34%も押し上げたことを示した[19]。熟練者の暗黙知（ベストプラクティス）がAIを介して新人へ伝わり、スキルの差が縮んだのだ。Autor が「Applying AI to Rebuild Middle Class Jobs」（全米経済研究所〔NBER〕の2024年の論文）で論じたのも、これに近い。彼は「専門性こそが労働の価値の主要な源泉だ（expertise is the primary source of labor's value）」としたうえで、AIは、いまエリート専門家が独占している高い判断を、もっと広い層が担えるように専門性を配り直し、空洞化した中間層を建て直しうる、と論じた[20]。つまり、両者を分けるのは技術そのものではない。AIを「判断の肩代わり」に使うか、「暗黙知を伝える補強」に使うか——その設計の差なのだ。Anthropic が実際の利用ログを分析した経済指標（Economic Index）でも、直近の使われ方は「補強」が約52%と、「自動化」の約45%をなお上回っている[21]。学習ループを回す設計とは、この補強の側へ意図的に重心を置く設計のことだ。
過熱した期待には、釘も刺しておきたい。Acemoglu は「The Simple Macroeconomics of AI」（2024）で、AIによる米国の全要素生産性（経済全体の効率）の押し上げは、十年で0.71%、年あたりにすればわずか0.07%ほどにとどまる、と見積もり、ゴールドマン・サックスやマッキンゼーの楽観論と一桁の差をつけた[22]。マクロ全体の果実が控えめにしか出ないのなら、差はむしろ「平均的にAIで何が起きるか」ではなく、「どの企業が学習ループを所有しているか」というばらつきの側に現れる。経済全体が静かでも、企業ごとの優劣は、学習の設計で開いていく。
Nadella の論は、孤立した予言ではない。同時代の経営者たちの緊張のなかに置かれている。Anthropic のCEO Amodei は2025年5月、初級のホワイトカラー職の最大50%が一〜五年で消えうると警告し、AI企業も政府も事態を「甘く糖衣でくるんでいる（sugarcoating）」と批判した[23]。これに対し NVIDIA の Huang は「AIに仕事を奪われるのではない。AIを使う誰かに奪われるのだ」と応じ、Amodei の悲観論を「ほとんど何ひとつ同意できない」と退けた[24]。二人の対立は、本稿の論点を別の言葉で言い直している。問題は職が消えるかどうかではない。暗黙知をAIへ伝える側に立つか、AIに肩代わりさせて学習を手放す側に回るか——分かれ目はそこにある。
経営の現場でも、両極の構えが同時に見える。Shopify の Lütke は2025年4月、増員を求める前に「なぜAIではできないのかを示せ」と社内に通達し、AIを当たり前に使うことを全社の前提に据えた[25]。Salesforce の Benioff は、サポート部門の人員を9,000人から5,000人へ絞ったと公言する[26]。一方、日本では NTT が、34万人規模の業務の半分以上をAIが代替しうるとしつつ、米テック流の大規模リストラは取らず、社内の配置転換とリスキリングで雇用を保つ構えを見せる[27]。これらの差は、AIを「コスト削減の道具」と見るか、「学習ループへ人を注ぎ込む装置」と見るかの差として読める。前者はループの入口を閉じ、後者は開ける。Nadella の枠組みは、この経営判断の分かれ目に、名前を与えている。
最高人事責任者（CHRO）にとっての含意は、はっきりしている。人事の役割は、「AIで何人を減らせるか」という算盤から、「学習ループの設計者」へと移る。問うべきは、自社の company veteran がもつ暗黙知を、退職とともに失う前に、どうやってシステムへ写し取るか——Nonaka の言う表出化を、誰の、どの判断について、どんな仕組みで回すか、である。
評価の発想も変わる。前章の private evals を人材側に持ち込めば、外のスキル標準ではなく、自社が本当に大事にしている成果に照らして、「誰の判断がループを改善させているか」を測る評価へ変わる。「組織の記憶を引き出せる形にする」とは、属人化した判断を、その人が辞めたあとも取り出せる形で残しておく、ということだ。Nelson らが組織のルーティンを「企業の遺伝子」と呼んだ意味で言えば、暗黙知を写し取るとは、ベテランの判断のルーティンを意図的に「コード化」し、組織の遺伝情報として保全する営みにほかならない[28]。そしてエントリ層は、削るべきコストではなく、ループに学習を注ぎ込む「将来のベテラン候補」として扱われることになる。スタンフォードの若手雇用減と Ide の世代間伝達論が警告しているのは、ここを削れば、遺伝情報の供給源そのものが断たれる、ということだ。
Nadella が描く安定した均衡——従業員が専門性を増幅され、その判断がスケール可能なシステムの一部になり、便益が企業とコミュニティの両方に及ぶ世界——は、技術が勝手に運んできてくれるものではない。人的資本をどう学習ループへ織り込むか、という人事設計の選択の上にしか、立たない。
買えるモデルは、いずれ誰もが買う。Barney の言葉を借りれば、それは「価値はあるが希少ではない」資源だ。手放さずにいられるのは、自社の人間が積み上げてきた暗黙知を写し取った、その会社にしかないループのほうである。Polanyi が「語れる以上のことを知っている」と言った人間の知を、語れる形へ少しずつ移し替え、複利で回し続ける装置——それを早く築いた企業が、モデルの世代交代をまたいで主権を保つ。人的資本は目減りしない。token capital が育つほど、それを方向づける human capital の価値は、むしろ増す。人事の仕事は、その増えていく価値を取りこぼさず、学習ループへ織り込んでいくことにある。
[1] Nadella, S. (2026). A frontier without an ecosystem is not stable [X投稿]. 2026年6月14日.
[2] Burkeman, O. (2021). Four Thousand Weeks: Time Management for Mortals. Farrar, Straus and Giroux.（[[注意力経済]] の基盤）
[3] Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.
[4] 深津貴之・けんすう（古川健介）・尾原和啓『メタスキル — 努力の価値がわかる時代のAI×自分戦略』NewsPicksパブリッシング、2025.
[5] Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. Oxford University Press.
[6] 宮本弘暁『AI大格差』日本評論社、2024.
[7] Barney, J. B. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120.
[8] Grant, R. M. (1996). Toward a knowledge-based theory of the firm. Strategic Management Journal, 17(Winter Special Issue), 109–122.
[9] Wright, T. P. (1936). Factors affecting the cost of airplanes. Journal of the Aeronautical Sciences, 3(4), 122–128.
[10] Henderson, B. D. (1968). The Experience Curve. Boston Consulting Group.
[11] Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.（sensing/seizing/transforming の定式化は Teece, 2007）
[12] Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab.
[13] Ide, E., & Talamas, J. (2025). Artificial intelligence in the knowledge economy. Journal of Political Economy. ／ Ide, E. (2025). Automation, AI, and the Intergenerational Transmission of Knowledge (arXiv:2507.16078).
[14] Becker, J., Rush, N., Barnes, B., & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR（Model Evaluation & Threat Research）.
[15] Klarna / Siemiatkowski, S. (2024–2025). AIアシスタント「700 FTE 相当」発表（OpenAI, 2024年2月）／品質低下を認め人間サポートへ再投資（Bloomberg・CNBC, 2025年5月）.
[16] IBM / Krishna, A. (2023–2026). 「五年で約30%代替可能」（Bloomberg, 2023年5月）／「総雇用は増えた」（WSJ, 2025年5月）／初級採用の積み増し（Axios, 2026年2月）.
[17] Boston Consulting Group (2025). AI at Work 2025（従業員72%が利用、n=10,635・11カ国）／The Widening AI Value Gap（本格的に価値を捕捉できている企業は5%、scaler含め約4割）.
[18] Mercer (2026). Global Talent Trends 2026（thriving が2024年の66%から44%へ低下、n≈12,000）.
[19] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. Quarterly Journal of Economics, 140(2), 889–942.
[20] Autor, D. (2024). Applying AI to Rebuild Middle Class Jobs (NBER Working Paper No. 32140).
[21] Anthropic (2025–2026). Anthropic Economic Index（補強 約52%／自動化 約45%、2025年11月サンプル・2026年1月公開）.
[22] Acemoglu, D. (2024). The Simple Macroeconomics of AI (NBER Working Paper No. 32487).
[23] Amodei, D. / Anthropic (2025). 初級ホワイトカラー職の最大50%消失警告（Axios "Behind the Curtain", 2025年5月28日）.
[24] Huang, J. / NVIDIA (2025). "You're not going to lose your job to an AI, but you're going to lose your job to someone who uses AI."（Milken Institute Global Conference, 2025年5月）.
[25] Lütke, T. / Shopify (2025). 反射的なAI活用を全社の前提とする社内メモ（2025年4月7日）.
[26] Benioff, M. / Salesforce (2025). サポート部門の人員を 9,000→5,000 人へ（Logan Bartlett Show, 2025年）.
[27] 島田明 / NTT (2025). 「五年で業務の半分以上をAIが代替」しつつ米テック流の大規模リストラは否定（日本経済新聞「労働臨界」, 2025年11月）.
[28] Nelson, R. R., & Winter, S. G. (1982). An Evolutionary Theory of Economic Change. Harvard University Press.
drafts/T-20260617-003-note.md（frontmatter/wikiリンク/内部メモを除去済み・同体裁）。使用注意（事実精度メモ）: Klarna は「800」でなく 700。Acemoglu は「0.66%」でなく 0.71%/10年（0.07%/年）。Stanford は「-13%」でなく -16%。BCG「72%導入×30%価値捕捉」は誤り——72%（従業員利用）と価値捕捉5%（企業）は別調査で、価値捕捉は30%でなく 5%（本格）。著者表記は Chandar。VRIN ≠ VRIO。Teece の sensing/seizing/transforming は 1997 でなく 2007。