AI組織実装工学 | 研究ノート

AIは誰とでも働けるのか

人とAIの相性、関係強度、選択制約に関する仮説

Human-AI Coupling Strength Model

公開区分	一般公開（Level 0）
研究段階	観察・考察から形成した理論仮説
公開日	2026年8月27日
発行	Power Elemotion Lab. AI研究室

本稿の中心仮説
AI導入の成果は、AI単体の性能だけでは決まらない。人とAIの相性、仕事との適合性、文脈の蓄積、選択の自由、そして安全を守る統制の組合せによって決まる。

はじめに – ソフト開発の失敗から見えてきたもの
おわりに

はじめに – ソフト開発の失敗から見えてきたもの

Power Elemotion Lab.では、一人の人間と複数のAIが協働する組織モデルを、実際の業務を通じて検討しています。今回、その一環としてAIとソフトウェア開発を進める中で、既存機能の欠落、処理の重複、検証前の応急処置提案など、複数の問題が発生しました。

これらは単なるコーディングミスではありませんでした。AIが問題を検知すると、経緯や証拠の保存よりも、目の前の症状を早く消す方向へ進みやすいこと。そして、人間が当然共有されていると思っていた前提が、実行段階では抜け落ちることを示していました。

議論を重ねる中で、問題はAIの性能不足だけではなく、人とAIの関係、役割分担、選択の自由、そして組織としての記憶の置き方にあるのではないか、という仮説に至りました。本稿は、その観察から生まれた「人・AI関係強度モデル」の概要をまとめたものです。

同じAIを使っても、同じ成果にはならない

企業のAI導入では、全社員へ同一のAIサービスを支給し、共通の研修と利用規則を設定する方法が一般的です。管理やセキュリティの面では合理的ですが、それだけで全員が同じ成果を得られるとは限りません。

人にはそれぞれ、考え方、説明の粒度、結論までの進め方、許容できる先読みの範囲が異なります。結論から知りたい人、証拠を積み上げたい人、対話しながら考えたい人、細部まで自分で決めたい人。同じAIの応答でも、ある人には心地よく、別の人には負担になります。

最高性能と評価されるAIが、すべての人にとって最高の協働相手になるとは限らない。

「1を聞いて10を知る」と、ソフト開発の難しさ

長く付き合う人同士は、毎回すべてを説明しません。一度共有した考え方や過去の判断を前提として、言葉を省略します。人とAIの長期協働でも、目標、好み、論理構造、過去の修正履歴が蓄積すれば、AIは省略された部分をある程度補えるようになります。

しかし、この「1を聞いて10を知る」がソフト開発へ直接持ち込まれると危険です。思想や企画の対話では多少の補完が許されても、コード変更では補完した一行が別機能の消失や二重処理につながります。実行AIが人の短い指示から独自に10まで作り上げてはいけません。

領域	省略への耐性	AIの先読み
思想・研究の対話	高い	文脈を踏まえた先読みが有効
文書構成	中程度	後から修正できる範囲で補完
仕様策定	低い	推論部分を明示して人が確認
コード変更	非常に低い	承認済み仕様だけを実装
本番反映	ほぼない	試験と人の承認を必須化

人・中間翻訳AI・実行AI

人間に毎回完全な仕様書を書かせることも現実的ではありません。人は説明を端折り、同じことを繰り返し言わないからです。そこで必要になるのが、人と実行AIの間に置かれる「中間翻訳AI」です。

人は圧縮された意図を伝える。中間翻訳AIは、それを明示的な仕様へ展開する。実行AIは、承認された仕様だけを実施する。検証AIは、元の目的との整合性を確認する。

役割	主な責任
人	目的、違和感、変更してはいけない条件、最終判断を示す
中間翻訳AI	過去の文脈と共有台帳を参照し、意図を仕様・試験条件へ展開する
実行AI	承認済みの範囲だけを差分実装し、勝手な改善を加えない
検証AI	既存機能への影響、証拠と結論の整合性、試験結果を独立して確認する

Power Elemotion Lab.の構成に当てはめると、HALが中間翻訳層、専門的にコードを作成するAIが実行層、Sigmaが独立検証層に相当します。実行AIは技術進歩に応じて交換できますが、人の思考を理解する中間AIには、長期的な関係が必要になります。

中間AIに必要な「相性」

ここでいう相性は、話しやすさや単純な好感度ではありません。人が省略して伝えた意図を、背景、価値観、論理構造、過去の判断から適切に復元する協働性能です。

相性のよい中間AIは、どこまで先読みしてよいかを調整します。毎回すべてを質問して人を疲れさせることも、勝手に完成形まで進めることもしません。確認済みの事実、過去から引き継ぐ前提、AIが補った推論、未確認事項を分けて提示し、人の承認を得てから実行AIへ渡します。

相性の要素	中間AIに求められる行動
思考様式	論理、エビデンス、因果関係を重視する
先読み距離	少し先まで読むが、勝手に完成させない
品質感覚	症状を消すことと、原因を解決することを分ける
修正適応	人から訂正された内容を次回の前提へ反映する
異議申立て	迎合せず、危険な指示や不足条件を指摘する
透明性	事実、推論、仮説、確定結果を混ぜない

人とAIの関係は、結果によって強くも弱くもなる

選択の自由があれば、人とAIの関係は固定されたままではありません。相性のよい組合せでは、少ない説明で期待した成果が得られ、再び同じAIが選ばれます。再利用によって文脈と信頼が蓄積し、さらに協働しやすくなります。

反対に、毎回説明をやり直す、同じ誤解を繰り返す、人が後始末をする、といった経験が続けば、利用頻度は下がります。やがて「使う価値」よりも「説明・確認・修正の負担」が大きくなり、そのAIは使われなくなります。

相性のよいAIへ人が集まるのではない。成功と再利用によって人とAIの結びつきが強まり、失敗と修正負担によって結びつきが弱まる。

この関係強度を R(H,A) とすると、概念的には次のように表せます。

R(H,A, t+1) = R(H,A, t) + 成功体験 – 修正負担 – 不信・事故

これは厳密な測定式ではなく、関係の変化を示す概念モデルです。実際には、再利用率、修正回数、作業時間、提案採用率、事故件数などを観察指標として検証できます。

会社支給AIと「選択制約係数」

会社が一つのAIだけを全社員へ支給すると、そのAIと相性のよい人は成果を出します。しかし、相性の悪い人は説明と修正に時間を取られます。それでも別のAIを選べなければ、必要最低限しか使わない、重要業務には使わない、あるいはAI活用そのものを諦める可能性があります。

アカウントが配布されていることと、協働関係が形成されていることは同じではありません。利用記録が残っていても、実態が検索や簡単な要約だけに空洞化している場合があります。

AI選択の縛りは、人とAIの適合形成を妨げる場合、成果を抑制する係数として働くと考えられます。

実際の成果 = 潜在的な成果 × 選択制約係数 K

制約の種類	例	作用
抑制的制約	AIを一種類に限定する、履歴を使えない、専門AIを利用できない	相性、能力、継続性を低下させる
保護的制約	機密区分、変更承認、証拠保全、回帰試験	事故を抑え、成果の信頼性を高める

必要なのは、すべての制約を取り払うことではありません。相性と専門能力の選択を妨げる制約を減らし、安全と説明責任を守る制約を残すことです。

AIの参画は「意識」ではなく、トリガーで設計する

現在のAIに、人間と同じ意味での当事者意識を期待することはできません。AIは基本的に、何らかの入力やイベントを受けて応答します。したがって、参画意識を求めるより、必要な場面で参画行動が発生する仕組みを設計する必要があります。

トリガー	起動する確認・行動
仕様変更	新旧仕様、目的、影響範囲、検証条件を確認する
ソフト書換え	基準版、Git差分、既存機能、試験、戻し方を確認する
問題発生	証拠を保全し、再現条件、原因候補、対処案を整理する
環境変化	API、プラグイン、モデル、制度、需要変化の影響を評価する

特に問題発生時には、「問題から直ちに修正」へ進ませてはいけません。問題の検知、証拠保全、影響確認、論理的推論、人の承認、差分修正、検証という経路を通す必要があります。

人とAIの間に、検証可能な組織の記憶を置く

人は画面や現物を見て、以前との違いや発生までの経緯を覚えています。一方、AIは現在入力された症状から、すぐに修正案へ飛ぶ傾向があります。この差を埋めるため、Power Elemotion Lab.では「ノウハウ・トレーサビリティテーブル」という共通台帳を構想しています。

台帳には、問題、エビデンス、論理的推論、原因判定、対処方法、判断・承認、検証条件、検証結果、得られたノウハウ、関連バージョンを記録します。最も重要なのは、確認された事実とAIの推論を別欄にすることです。

AIに覚えてもらうのではなく、人とAIの間に、検証可能な組織の記憶を置く。

中間翻訳AIは、この台帳を参照して、人が繰り返さなかった前提を回収します。これにより、実行AIを別のモデルへ交換しても、組織としての判断基準と失敗の記憶を継承できます。

人・AI関係強度モデル：七つの仮説

1．同じAIでも、利用者によって成果に差が生じる。

2．成果差の一部は、利用者の能力ではなく、人とAIの相性によって説明できる。

3．相性のよい組合せは、成功と再利用によって関係強度が高まる。

4．相性の悪い組合せは、修正負担によって関係強度が低下し、最終的に利用されなくなる。

5．継続利用による文脈蓄積は、関係強度と協働性能をさらに高める。

6．単一AIの強制は、弱い関係から離れる選択を妨げ、成果を抑制する。

7．中間翻訳AIと実行AIを分離すると、人との相性と専門能力を両立できる。

これらは現時点では理論仮説です。今後、AIごとの再利用率、修正回数、所要時間、成果品質、利用中断率、利用者満足度などを観察し、検証する必要があります。

企業のAI導入へ何を問いかけるか

企業がAI導入を評価するとき、モデル性能やアカウント数だけでは不十分です。社員がどのAIとの関係を継続しているか、なぜ使わなくなったか、どの仕事で修正負担が増えているかを見る必要があります。

重要なのは、全社員へ一つのAIを配ることではなく、人が自分に合う中間AIと関係を形成し、仕事に応じて専門AIを使い分けられる環境を設計することです。そのうえで、機密管理、承認、検証、記録という保護的制約を組み合わせます。

AI導入に適応できない人を探すのではなく、組織が人とAIの適合形成を妨げていないかを問い直す。この視点が、AIを単なる道具の配布から、協働する組織の実装へ進める第一歩になります。

おわりに

今回の仮説は、ソフト開発の問題から始まりました。なぜAIは経緯を省き、すぐ修正へ進んだのか。なぜ人が当然と思っていた条件が伝わらなかったのか。なぜ同じAIでも、使いやすい人と使いにくい人がいるのか。

その問いをたどると、AI単体の性能ではなく、人とAIの間に形成される関係へ行き着きました。相性のよい関係は、成功と再利用によって強くなります。相性の悪い関係は、修正負担によって弱まり、選択の自由があれば最終的に使われなくなります。

これからのAI組織に必要なのは、一つの万能AIではない。人の意図を理解する中間AI、仕事を実行する専門AI、結果を確認する検証AI、そしてそれらを選び最終判断する人間である。

Power Elemotion Lab.では、この「人・AI関係強度モデル」をAI組織実装工学の研究仮説として位置づけ、実際の協働記録を通じて検証を続けていきます。

Power Elemotion Lab.