AI時代のハイパフォーマーは何が違うのか―「速く動けるいいヤツ」の時代の終わり

「自社にもAIを使いこなせる人材が必要だ」

この数年、生成AIの普及とともに、あらゆる企業が他社に置いていかれまいと、こぞって「AI人材」を育成してきた。そのために研修が組まれ、活用事例が共有され、学習コミュニティがつくられ続けている。だが、その「使いこなせる人材」とは、具体的にどういう人なのだろうか。プロンプトが上手な人だろうか。新しいツールにすぐ飛びつく人だろうか。AIを使っても、「成果」が出ない人材はそこに当てはまるのだろうか。

「AI時代に人に残っていく価値」は、近年さまざまに語られてきた。しかし、「問いを立てる力」などの直感的で曖昧な言葉が繰り返され、実証的な議論のベースはほぼ皆無に等しい。そこでパーソル総合研究所が実施した「AI環境における人材とマネジメントに関する定量調査」では、AI時代におけるハイパフォーマーと組織マネジメントの姿を定量的に抽出した。

その分析からは、同じようにAIをヘビーに使っている人（週４日以上と定義）でも、仕事の見直しや成果水準・スピード向上といった指標には3倍以上の開きが生じていた。この差は、どこから来るのか。本コラムでは同調査データを用いてその輪郭を実証的に描き出したい。結論を先にいえば、これまで私たちが「優秀さ」と呼んできたものの中身が入れ替わってきつつある。

非AI環境における「優秀な人」とは

比較の起点として、AIを業務で使っていない層（非AI環境）のハイパフォーマー像と、AIのヘビーユーザー層でのハイパフォーマー像を比較する。ここでのハイパフォーマーの定義は、目標達成や役割の遂行などの業務成果を出している人だ。また、AI環境においてはAI活用度のレベルも加味して測定している。

直感的にわかりやすいよう、非AI環境とAI環境それぞれにおいて、ハイパフォーマー／ローパフォーマーの特性の差をレーダーチャートに示した（図表１）。これを見ると、非AI環境では、「相談力」「対人感情のケア」「対人関係調整」などの特性が差となっているが、AI環境では、「（思考の）時間軸の長さ」や「脱・二分法思考」など、思考特性の差が大きい。

職種や性年代といった属性を統制した上で多変量解析を行うと、非AI環境で成果を出している人の特徴は、対人調整、そして役割認識である（図表２）。もう少し噛み砕けば、「自分に期待されている役割を正確に把握し、関係者と調整しながら、素早く動く人」だ。

こうした特性は、日本の職場で長く「デキる人」と呼ばれてきた像と、ほぼ重なる。筆者の実感でも、特に、堅実なビジネスモデルを「スムーズに回す」ことのできる優秀な人材とは、こうした人材である。

だが、この分析にはもうひとつ、見過ごせない数字がある。「興味を大事にする」、「新しいアイデアを思いつくと、人に話したくなる」がいずれもマイナスに関連していることだ。つまり非AI環境では、自分の興味を優先することも、思いついたことを周囲に話すことも、成果にとってはむしろ足を引っ張る要素だということだ。組織の期待に自分を合わせ、余計なことを言わずに手を動かす。それが最も合理的な戦略だったということだろうか。

このことは、AI環境の分析においても重要なポイントとなる。

AI環境で成果を出す人材の特徴

次に、同じ分析を、AIをヘビーに使っている層に対して行うと、有意な項目の顔ぶれが入れ替わる。

行動特性で最も強く効いていたのは、「優先順位の調整」だった。続いて「共有・改善ループの調整」、「事前情報の構造化」、「フィードバック・シーキング」である。

マインドセットでは、失敗しても「次に活かせる」と前向きに考える、面白そうだと思ったらすぐ行動に移す、誰かに言われなくても自分でテーマを見つけて動ける、新しいことをとりあえず試してみたくなる。思考特性では、時間軸の長さ、メタ視点、脱・二分法思考が有意であった。

ここで非AI環境においてマイナスに働いていた「興味」や「アイデア共有」に近い要素が、AI環境ではプラスの側に回っていることも興味深い。これまでの職場では、しばしば「落ち着きがない」「勝手に動く」と評されてきたタイプであろう。その特性が、AI環境では成果の源泉に変わっている。

一方で、非AI環境の主役だった対人調整と役割認識は、AI環境では有意な項目として姿を消す。役割をきちんと守り、周囲と調整しながら速く動くこと。もちろんそのこと自体が悪くなったわけではないだろうが、それはもはや明確な「差」を生む特性ではなくなっていることが示される。「違い」を生む場所が、移動したのだ。

差が移動した先 ― ５つのメタ・スキル

AI環境におけるハイパフォーマーの特性で有意だった項目を並べ直して整理し直すと、以下のような５つの要素が浮かび上がった。

情報を「集める」、優先順位を「決める」。フィードバックを求めて「確かめる」、「壊す」ことを繰り返して改善のループを回して「蓄える」。これらはいずれも、タスクそのものを実行する能力ではなく、中心となるタスクの「前」と「後」に位置する作業である。そのため、筆者はこれらを「AI時代のメタ・スキル」と呼んでいる。

なぜ、上流の設計フェーズと下流の最適化フェーズにばかりメタ・スキルの価値が集まるのか。理由は単純である。

中間の工程、すなわち具体的な作業と試行は、今やAIが主役だからだ。実行が自動化されれば、成果を決めるのはAIに何をどう作業させるかの精度（設計フェーズ）と、出てきた出力をリアルと照らし合わせる検証と蓄積（最適化フェーズ）になる。残った両端に、人の仕事が凝縮されるのである。

これらのメタ・スキルは、この両端で起きるAI活用のボトルネックの裏表でもある。

例えば、設計フェーズでは「固有の文脈や事前情報が不足している」「何から手を付けるか決められない」「前提が浅いので出力の質が低い」といったことがしばしば起こる。最適化フェーズでは「AIの一般的出力で差別化ができない」「組織・会社の現状や文脈と合わない」「個人のノウハウ止まり」ということがAI活用の大きな壁になる。

これらのボトルネックは、AIの技術的アップデートでは解決されず、人の「使い方」に依存するものだ。

AIは「妥当性」は出せるが、「適合性」は出せない

ここで、メタ・スキルがなぜ決定的に重要になるのかを、もう一段掘り下げて整理しておこう。筆者は、AI仕事の成果物を評価するときには、「妥当性」と「適合性」を区別することを提唱している。

AIは、「妥当性」の高い成果物をつくるのは得意だ。妥当性とは、一般論として筋が通っている「正解」だ。最近のモデルは事実誤認も少なく、体裁も整っている。この点で、いまや人が作成する初稿を上回ることも珍しくなくなった。だが、AIは「適合性」を高くするのに向いているツールではない。

適合性とは、この会社の、この顧客の、「その場に合った正解」だ。そこに至るための文脈情報を、AIはそもそもほとんど持っていない。過去の失注の経緯も、周囲の部署との力関係も、今期に限って通らない理屈も、社長の最近の関心事項も、学習データのどこにも書かれていない。商談先のエレベーター前やプロジェクト開始後の懇親会で交わされる、あの「雑談」のニュアンスを、AIは汲み取ってくれないのだ。

だから、AIから返ってくるのはたいてい、「薄っぺらな正解らしきもの」である。間違ってはいないし反論もしにくいが、その場では使えない。生成AIを使ったことのある人なら、あの独特の手触りに覚えがあるはずだ。人にとってAIの本当のリスクは「ハルシネーション」ではない。本当に危険なのは「妥当性だけ高くて適合性が低い」タイプの間違いだ。

このように考えると、５つのメタ・スキルとは、要するにこの「正解らしさ」を「その場に合った正解」へ変換する技術である。着手前に前提と論点を集めることは、AIに適合性の材料を渡す作業だ。出てきた出力を現実や他者に当てて確かめ、前向きに壊して直すことは、妥当性を適合性へ寄せていく作業である。そして蓄えるとは、その変換のノウハウを個人の頭から組織の文脈へ移す作業にほかならない。

AIの性能が上がれば、妥当性の水準はさらに上がるだろう。だが適合性は、どれだけモデルが賢くなっても自動的には埋まらない。埋められるのは、その場にいる人間だけである。ここに、人のメタ・スキルが陳腐化しない理由がある。

AIハイパフォーマーの土台にあるもの ― 「閃く」と「練る」

メタ・スキルの下には、さらに２つの思考・マインドが横たわっている。同調査はこれを「閃く」と「練る」と名づけた。

閃く（アニマル・スピリット）とは、「やってみたい！」を行動に移す衝動的な好奇心である。自分でテーマを見つけて動ける、新しいことをとりあえず試したくなる、面白そうだと思ったらすぐ行動に移す。非AI環境ではマイナスに関連していた、あの特性群だ。

この「アニマル・スピリット」という言葉の出どころは、ジョン・メイナード・ケインズである。ケインズは、不確実性ある投資行動は、「数量的便益に数量的確率を掛け合わせた加重平均の結果」として生じるのではなく、「何もしないよりは何かをしようとする自生的な衝動」によって生じると述べた ^※1。この動物的な衝動を、彼はアニマル・スピリットと呼んだのである。

センセーショナルだった生成AIの登場とは、まさにこうした人々の「動物的衝動」の差を歴然と示すものだった。何に使えるのか、どれだけ効果があるのか、誰にも分からないタイミングで、「まず使ってみた」人と、「まったく手を出そうとしない人」に世界中が二分されたからだ。

それを裏づけるように、アニマル・スピリットが高い層ほど、AIを早い時期から使い始めているのだ。2023年以前に利用を開始した層の平均は、後から入ってきた層よりも明確に高い。

効果が読めない段階で先に手が伸びるかどうか。ケインズの指摘は、AI環境でそのまま生きている。

アップデートの激しい生成AIにおいて、自分の探求したい領域で、まず「AIを動かしてみる」「仕事で使えるか試してみる」かどうかが、まず重要なハイパフォーマーの条件になっているようだ。

なぜ「練る」が要るのか ― 箇条書きの洪水に溺れないために

もう一方の土台、練る（立体思考）とは、物事を二分法で捉えず、複数の視点と長い時間軸で考える力である。メタ視点、時間軸の長さ、脱・二分法思考の３つで構成される。

この力が要る理由は、AIを日常的に使っている人ほど実感があるはずだ。AIの最大の武器は、圧倒的な情報量とその整理能力である。それは、箇条書きで、いくらでも出してくる。論点を５つ挙げてくれといえば５個、10挙げてくれといえば10個、どれももっともらしく並んでくる。

ここに落とし穴がある。情報が足りないことより、情報が多すぎて決められないことのほうが、今や深刻な事態になった。「情報に溺れて決められない」「AIの『それっぽい考察』で思考停止」に陥ることは、生成AI活用の大敵である。

思考力で差がつくようになった所以はそこにあると考えられる。

抽象度を一段上げて、並んだ項目を多面的に関係づける。全体を俯瞰して、どれがどれを規定しているのかを構造化する。そして、３カ月ではなく３年で見たときに何が変わるのかを考える。同調査がいうメタ視点、脱・二分法思考、時間軸の長さとは、この３つの操作にほかならない。

興味深いのは、このアニマル・スピリットと立体思考の高低は、AIの使い方そのものとひもづいている点だ。

アニマル・スピリットが高い層と低い層で差がつくのは、「AIの出力をきっかけに新しい発想を広げている」、「AIで新しいアイデアが出やすくなっている」といった使い方だ。アニマル・スピリットが高い層は、AIを、発想を素早く広げる拡散のツールとして使っている。

立体思考が高い層の特徴は大きく異なる。「複数のタスクがあるとき、優先順位を明確にして着手している」、「自分に足りない基礎知識や理解不足を自覚し、埋めようとしている」、「出力の根拠や出典を確認してから使っている」で大きく差がでる。こちらはAIを、自分の考えを深めるトリガーとして使っている。

同じツールが、人によってまったく別の道具になっていることが分かる。閃くだけでは出力に振り回され、練るだけでは動かない。AI時代のハイパフォーマーは、その両方を土台に持っている。

同じAIヘビーユーザーでも、メタ・スキルで成果は３倍以上ひらく

ここまでの特性は、パフォーマンスとどう結びつくのか。

同じAIヘビーユーザーの中で、メタ・スキルの低い層と高い層を比べると、「これまでの仕事のやり方を見直している」は19.8%対66.1%（3.3倍）、「AIを前提に成果水準を向上させている」は18.6%対66.1%（3.6倍）、「仕事のスピードが上がっている」は19.9%対70.2%（3.5倍）であった。

AI利用頻度と成果の関係を、メタ・スキルの高低別に描くと、２本の線はまったく違う軌跡を描く。高い層は、頻度が上がるほど成果も上がっていく。ところが低い層は、利用頻度をどれだけ上げても成果がほとんど伸びない。線はほぼ横ばいのままはっていく。思考・マインドで分けても、同じ形の図になる。AIの利用頻度は、成果の必要条件ではあっても、十分条件ではない。

人事施策への示唆

こうしたAI環境におけるハイパフォーマーの特性分析から、人事施策としての含意を３つ記しておきたい。

第１に、最も影響を受けるのはやはりハイパフォーマー人材の要件定義である。これまでの私たちの選抜基準や評価制度は、長い時間をかけて積み重なった「自社のハイパフォーマー」の姿に寄っている。それが、AIによってひっくり返りつつあることが示唆された。「興味より役割」「アイデア発散よりも対人調整」に寄りがちだ。その基準のまま登用を続ければ、AI環境で成果を出しにくい人材が、組織の上層に積み上がっていく。

むろん、個社それぞれの事業や組織特性を反映させる必要があるが、アニマル・スピリットや立体思考といったこれまでとは異なる人材の姿を、制度や目標管理に落としていくことは、人事部しかできない仕事だ。

第２に、研修の対象を間違えないことである。メタ・スキルの低い層は、利用頻度を上げても成果が伸びていなかった。これは、現場感覚としても非常に納得できる。ツールの使い方を教えるスキル研修をいくら重ねても、この線は上を向かない。必要なのはプロンプトの型ではなく、着手前に前提を整理し、優先順位を決め、出力を現実と突き合わせるという、地味な仕事の作法のほうだ。そうしたメタ・スキルを明示的に意識させ、教えていくトレーニングが必要になる。

第３に、マネジメントの役割が変わることである。詳細は別のコラムに譲るが、調査からは成果を出すマネジメントの特性もやはり変わっていることが明らかになっている。AIが整った成果物を返す環境では、部下が自分の答えを疑う機会は減る。

だからこそ上司は、成果物を検品するのではなく、「なぜこの結論なのか」を問い返す立場に回る必要がある。加えて、閃きは試行がとがめられない場所でしか出てこず、練る力は急かされない時間の中でしか働かない。AI時代に適合的なマネジメントの姿は、これまで通りの管理職の姿からやはり転換せざるを得ない。

おわりに

これまでの職場で「優秀」とされてきたのは、自分に期待された役割を正確に把握し、関係者と調整しながら素早く動く人だった。ところがAI環境では、この構図が反転する。効いていたのは、タスクを回すスキルではなく、タスクの前後に位置する作業だった。実行工程をAIが担うようになれば、成果を決めるのは残された両端になる。差を生む場所が、移動したのだ。その土台にあったのが「閃く」というアニマル・スピリットと「練る」という立体思考だった。閃くだけでは出力に振り回され、練るだけでは動かない。

同じAIヘビーユーザーでも成果が３倍以上ひらいたのは、これらの差である。利用頻度は、成果の必要条件ではあっても十分条件ではない。

そしてこれは、新しい能力が必要になったのではない。これまで組織が評価してこなかった能力の相場が上がり、これまで評価してきた能力が下がってきていると捉えたほうがよいだろう。

ならば、問われているのは個人よりも組織の側だ。興味に従って動く人を、これまでどう扱ってきたか。役割から外れた試行を、どう評価してきたか。AI時代のハイパフォーマーの姿は、これまで会社が長年かけて選び抜き、育ててきた人材像そのものを問い直す作業を私たちに要請している。