AI Future Talks Insight

ハルシネーションはなぜ防げない？AIの出力を信じる基準｜佐賀大学・皆本晃弥教授

chai+広報部 — Thu, 01 Oct 2026 04:03:39 GMT

生成AIのハルシネーションは、確率的にもっともらしい文章を生成するという現在の仕組みである限り、完全にゼロにすることは難しいと考えられています。

ハルシネーションとは、生成AIが事実に基づかない情報を、あたかも正しいかのように生成してしまう現象です。コンピューターが出した答えの正しさを数学的に保証する「精度保証付き数値計算」を専門とする佐賀大学の皆本晃弥教授は、AIの出力を無条件に信じてはいけないと説きます。

本記事では、皆本教授へのインタビュー（聞き手：デフィデ株式会社代表山本哲也）をもとに、ハルシネーションが防げない理由、AIの出力を業務で使ってよい判断基準、データが少ない中小企業の打ち手、そして企業に必要なAI人材を解説します。

この記事でわかること

・ハルシネーションとは何か、なぜ防げないのか

・コンピューターの答えを「まず疑う」精度保証付き数値計算の考え方

・AIの出力を業務で使ってよい判断基準

・データが少ない中小企業がAIで差をつける3つの打ち手

・企業に必要なAI人材の3類型（AIプランナー・AIエンジニア・AIサイエンティスト）

ハルシネーションとは？なぜ防げないのか

皆本教授は、生成AIの振る舞いを十分に説明し、出力の正しさまで数学的に保証できる理論は、まだ追いついていないと言います。おそらく10年ほどの期間で、ハルシネーションを完全に防ぐ保証を与えるのは難しいという見立てです。その理由は次の3つに整理できます。

理由1：生成AIが「なぜうまく動くのか」自体が解明されていない

ハルシネーション以前に、現在の生成AIがなぜこれほど高い性能を示すのかについても、十分には解明されていません。わかっているのは、データ量やパラメータ数を増やすと性能が上がるスケーリング則ですが、これは「性能が上がる傾向」を示す経験則に近いもので、出力が事実として正しいことを保証する理論ではありません。

理由2：もっともらしさと正しさは別物

生成AIは、確率的にもっともらしい文章を生成する仕組みです。出力が現実の事実と対応しているかどうかは、別に確認する必要があります。

理由3：出力の揺れを抑えても、正しさは保証されない

出力の揺れを抑えれば、同じ入力に安定した回答を返しやすくなります。しかしそれは回答のばらつきを小さくするだけで、内容の正しさを保証することとは別です。むしろ揺れを極端に抑えれば、文脈に応じた柔軟な応答や多様な表現が失われ、画一的な回答になってしまう可能性があります。

よくある誤解	実際
データやパラメータを増やせば、ハルシネーションはなくなる	スケーリング則は性能向上の経験則であり、正しさを保証する理論ではない
同じ答えを安定して返すなら、正しい	揺れを抑えても、ばらつきが小さくなるだけで内容の正しさとは別
AIが自分の考えに近い答えを出したなら、正しい	入力や質問の仕方に応じて、納得しやすい出力が返っているだけかもしれない

コンピューターの答えは「まず疑う」――精度保証付き数値計算とは

精度保証付き数値計算とは、コンピューターが出した近似解の正しさや、本当の解が存在する範囲を数学的に保証しようとする研究です。

コンピューターは計算結果を返しますが、その正しさを自動的に検算してくれるわけではありません。そもそも答えが存在する問題を解いているのかさえ、わからない場合があります。コンピューター上では近似解として現れていても、数学的には存在しない「ゴーストソリューション（幻影解）」かもしれないのです。そのため、精度保証では「何桁まで正しいか」だけでなく、「そもそも答えが存在するのか」「存在するなら何個あるのか」まで確かめます。皆本教授は、その動機を「検算機能をつくること」だと表現します。

「コンピューターが出してくる答えについては、まず疑ってかかるというのが私の基本的なスタンスです。」

――皆本教授

この問題意識はAIにも通じます。機械学習モデルの性能を高めるために人間が事前に設定する値を調整する「ハイパーパラメーターチューニング」は、現状では職人芸に近い部分が少なくありません。「この範囲で設定すれば必ずうまくいく」と数学的にわかっていれば、無駄な試行錯誤を減らせるはずです。答えがない問題を解こうとすれば、計算リソースを大きく無駄にすることにもなります。

AIの出力を業務で使ってよい基準とは？

経営層や意思決定者にとって最大の関心は、AIの出力がどこまで保証されれば、ビジネスに取り入れてよいのかという点でしょう。皆本教授の答えは明快です。

出た結果が自分たちの腑に落ち、判断の根拠として納得できるのであれば、使えばよい――これが基準です。そのうえで、次の3点に注意が必要です。

注意点1：精度の数値を絶対視しない

「精度が何%」と示されても、それはあるデータや条件のもとで評価した結果にすぎません。ビジネスの現場では、学習時に想定していなかったデータや性質の違うデータが入ってきます。その典型が、他の値から大きく離れた外れ値です。対象を限定すれば精度は高く見せられますが、その分だけ適用範囲は狭くなります。データに基づく帰納的な方法である以上、原理的に100%を保証することは難しいのです。

また、「90%はうまくいく」と表示されていても、それが本当に10回中9回当たるという意味とは限りません。モデル内部のスコアを確率のように見える形で示している場合もあるため、必要に応じて実際の結果と照らし合わせ、数値のずれを補正する作業が必要です。

注意点2：理解できないものは使わない

「自分が理解できないものは使わないことです。」

――皆本教授

投資と同じで、自分が理解できないものには投資しないのが鉄則です。AIが出した結果も、理解できなければ採用しない。理解でき、納得できるなら使う。そのくらいの感覚でよいと皆本教授は言います。

注意点3：自分の考えに近い回答ほど疑う

AIが自分の考えに近い回答を出すと、つい「やはり正しい」と感じてしまいます。しかしそれは、入力や学習データ、質問の仕方に応じて、納得しやすい出力が返ってきているだけかもしれません。大切なのは、回答が自分の考えに合っているかではなく、何を根拠に判断しているのかを確認することです。

ここで役立つのが、XAI（説明可能なAI）です。AIが入力のどこに注目していたかをある程度可視化できますが、示されるのは「どこを見ていたか」であって、「なぜそれを重視したのか」まで完全に説明できるわけではありません。だからこそ、人間が課題に合ったデータを用意して前処理を行い、特徴量（対象データの特徴を数値で表したもの）を、意思を持って設計しておくことが重要です。AIに特徴量の抽出を任せきりにしないことが、納得できる活用の前提になります。

社内文書を「根拠」に答えるAIを

AIの出力を業務で使うなら、何を根拠に回答しているのかを確かめられる仕組みが欠かせません。DEFiDEの「chai+」は、社内の文書やマニュアルを参照して回答するRAG型のAIチャットボットです。根拠となる情報に基づいて回答するため、ハルシネーションのリスクを抑えながら、問い合わせ対応やナレッジ共有に活用できます。

▶ chai+の資料をダウンロードする

データが少ない中小企業がAIで差をつける3つの打ち手

日本では中堅・中小企業が大多数を占め、巨大IT企業のような大量のデータを持っているわけではありません。それでも、皆本教授は「ディープラーニングだけに頼る必要はない」と言います。

打ち手	内容	注意点
① SVM（サポートベクトルマシン）	教師あり学習法の一つ。特徴量が適切に設計されていれば、小規模データでも有効に使える	特徴量の設計が鍵
② 転移学習を併用したCNN	ディープラーニング系のCNNでも、転移学習を併用すれば小規模データで活用できる可能性がある	事前学習のデータと対象データの性質が大きく異なる場合は注意
③ 人手による特徴量設計と閾値判定	人間が意味のある特徴量を設計し、判定の切り替わる基準点（閾値）で単純に分類する	前処理とデータクレンジングを丁寧に行う

考える手間を省くために何でもディープラーニングに任せる流れもありますが、人間が意図的に介入し、前処理を含めてデータを丁寧にクレンジングすれば十分に対応できる場合があります。実際、皆本教授が取り組むがんの検出でも、医師へのインタビューに基づいて手作りした特徴量のほうが、ディープラーニングを安易に使うより精度が高くなる場合があるといいます。

「うまくいかない相談」に共通すること

企業からの相談でうまくいかないと感じるのは、目的が不明確な場合です。「このデータで何かできませんか」と言われても、何をしたいのかが明確でなければ対応は難しくなります。

データは集めればよいわけではない：目的に合わないデータはノイズになり、作業の多くをデータのクレンジングが占めることもある
データにないものは取り出せない：課題が明確でも、画像に写っていないものは抽出できない
結局は「データの質」と「課題設定」：AIなら何でもできるという感覚が、一番の障害になる

「AIなら何でもできるのではないかという感覚を持たれるのが、一番困ります。」

――皆本教授

企業に必要なAI人材の3類型

これからAIを導入する企業が最初に取り組むべきことは、AIに何ができるのかを理解し、できないことを無理にやろうとしないことです。生成AIは意味を理解しているように見えても、実際には大量のデータから学習したパターンや確率的な関係に基づき、文脈上もっともらしい出力を返しています。その得意・不得意を見極めるために、皆本教授はAI人材を3つに分けて育成することを提案します。

人材	役割	育成の考え方
AIプランナー	自分の分野でAIを使うと何ができるかを考え、AI活用の計画を立てる	まず育てるべき人材。佐賀大学ではリテラシーレベルでAIプランナーの育成を目指す
AIエンジニア	AIを実装・運用する（データサイエンスエンジニア）	実装や運用に強いが、理論的な背景まで深く理解しているとは限らない
AIサイエンティスト	理論を理解し、新しい方法を考える	学生にはまずここを目指すよう伝えている

自社の課題を理解し、AIで何ができ、何ができないかを見極める人材がいて、計画する人・実装する人・理論を理解して新しい方法を考える人が連携する――それが、AI導入そのものを目的化させないための体制です。

大学での生成AI利用は「使ってよい、ただしそのまま出さない」

佐賀大学では、「使ってもよい。ただし、そのままレポートや課題として提出してはいけない」という方針で学生のAI利用を認めています。AIの出力をそのまま提出する学生もいますが、プログラミングで指定に反して関数を細かく分けてくる、若い世代が普段使わない語彙が混じるといった特徴から、比較的見抜けるといいます。一方で、人に質問する前にまず生成AIで確認して整理しておくことは、学び方として有効だとしています。

「胴元」を目指す――学び方を教え、稼ぎ方を教える

皆本教授の教育方法を象徴するのが、「答えを教えるのではなく、学び方を教える」「お金をあげるのではなく、稼ぎ方を教える」という考え方です。

「『いかに胴元になるか』を常に考えなさい、ということです。」

――皆本教授

用意された仕組みを使うだけの「デジタル小作人」でよいと思ってしまえば、そこから先には進めません。日本では「お金を稼ぐ」ことに悪い印象を持つ人も少なくありませんが、資金がなければ研究も事業も社会貢献も十分には進められません。お金を稼ぐことを、価値を生み出し社会に還元するための力として捉える必要があると皆本教授は語ります。米国や中国の企業がAIのプラットフォーマーを目指して競う中、日本が使う側にとどまるのか、胴元の側に回るのか。それは大きな分かれ目です。

よくある質問（FAQ）

Q. ハルシネーションとは何ですか？

A. ハルシネーションとは、生成AIが事実に基づかない情報を、あたかも正しいかのように生成してしまう現象のことです。生成AIは確率的にもっともらしい文章を生成する仕組みであり、その出力が現実の事実と対応しているかどうかは、別に確認する必要があります。

Q. 生成AIのハルシネーションはなぜ防げないのですか？

A. 皆本教授は、現在の生成AIがなぜ高い性能を示すのか自体が十分に解明されておらず、出力の正しさを数学的に保証する理論が追いついていないと指摘しています。データ量やパラメータ数を増やすと性能が上がるスケーリング則は経験則であり、増やせばハルシネーションが原理的になくなるわけではありません。

Q. 精度保証付き数値計算とは何ですか？

A. コンピューターが出した近似解の正しさや、本当の解が存在する範囲を数学的に保証しようとする研究分野です。単に何桁まで正しいかを保証するだけでなく、「そもそも答えが存在するのか」まで確かめます。コンピューター上には、数学的には存在しない「ゴーストソリューション（幻影解）」が現れることがあるためです。

Q. AIの出力はどこまで信じて業務に使ってよいですか？

A. 皆本教授は、出た結果が自分たちの腑に落ち、判断の根拠として納得できるなら使えばよいとしています。一方で、自分が理解できないものは使わないことが鉄則です。「精度90%」といった数値も、特定のデータや条件での評価結果にすぎないため、そのまま絶対視しない姿勢が必要です。

Q. データが少ない中小企業でもAIを活用できますか？

A. 活用できる可能性はあります。皆本教授は、特徴量を適切に設計すれば小規模データでも有効なSVM（サポートベクトルマシン）、転移学習を併用したCNN、人間が設計した特徴量と単純な閾値による判定などを挙げ、何でもディープラーニングに任せる必要はないと述べています。

Q. 企業に必要なAI人材にはどのような種類がありますか？

A. 皆本教授は、AI人材をAIプランナー、AIエンジニア、AIサイエンティストに分けて考えています。まず育てるべきなのは、自分の分野でAIを使うと何ができるかを考え、計画を立てられるAIプランナーです。そのうえで実装を担うAIエンジニア、理論を理解して新しい方法を生み出すAIサイエンティストが連携することが重要です。

Q. AI導入で最初に取り組むべきことは何ですか？

A. 皆本教授は、まずAIに何ができるのかを理解し、できないことを無理にやろうとしないことだと述べています。目的が不明確なまま「このデータで何かできないか」と進めても成果は出にくく、目的に合わないデータはかえってノイズになります。

まとめ：AIの答えを「理解し、納得できるか」で判断する

ハルシネーションは、生成AIが確率的にもっともらしい文章を生成する仕組みである限り、完全にはなくせない
精度保証付き数値計算の考え方のように、コンピューターの答えは「まず疑う」ことが出発点
AIの出力は、腑に落ち納得できるなら使い、理解できないものは使わない。精度の数値は絶対視しない
データが少ない中小企業でも、SVMや転移学習、人手による特徴量設計で差をつけられる
まず育てるべきはAIプランナー。計画・実装・理論の3つの人材が連携することが重要

AIが示す答えを鵜呑みにせず、自分の頭で理解し、納得したうえで使う。そして、技術の原理を理解して自ら価値を生み出す側に回る。皆本教授の言葉は、AIと向き合うすべての企業と個人に、その覚悟を問いかけています。

AIに任せられる仕事はAIに。人は価値を生む仕事へ

DEFiDEの社内業務クラウド「SmartOps」は、AIエージェントやRAG、AI-OCRを活用し、社内手続きの確認や社内情報の検索、紙の書類のデータ化などの定型業務を効率化します。少人数の組織から導入でき、基本機能はずっと無料。小さく始めて、自社の目的に合う使い方を見極められます。

▶ SmartOpsの機能を見る（基本機能はずっと無料）

▶ 前編：AIに数学が必要な理由とは？原理を知らずに使う危うさと「デジタル小作人」

▶ 中編：データサイエンス教育の3つのレベルとは？「デジタル小作人」から「胴元」へ

▶ インタビュー全文：AI時代、日本は「デジタル小作人」で終わるのか（後編）

データサイエンス教育の3つのレベルとは？「胴元」を目指す人材育成｜佐賀大学・皆本晃弥教授

chai+広報部 — Thu, 01 Oct 2026 03:59:32 GMT

データサイエンス教育は、データやAIを理解し活用する基礎を学ぶ「リテラシーレベル」、専門分野に応用する「応用基礎レベル」、高度な専門人材を育てる「エキスパートレベル」の3つの段階で整理されます。

国内でもデータサイエンス教育に取り組む大学は急速に増えています。佐賀大学の皆本晃弥教授は、この流れを歓迎する一方で、海外企業のAIやデータサイエンスの仕組みを使うだけでは「デジタル小作人」になりかねないと警鐘を鳴らします。

本記事では、皆本教授へのインタビュー（聞き手：デフィデ株式会社代表山本哲也）をもとに、データサイエンス教育の3つのレベルと広がり、10年にわたる佐賀大学の取り組み、そして日本が「胴元」を目指すための条件を解説します。

この記事でわかること

・データサイエンス教育の3つのレベルと、国の認定制度の広がり

・リテラシーからエキスパートまで一貫して学べる佐賀大学の教育体制

・「できるところから」積み上げた産官学連携の10年

・日本が「デジタル小作人」ではなく「胴元」を目指すための条件

・AIがコモディティ化した先で差をつける力

データサイエンス教育の3つのレベルとは？

レベル	目的	佐賀大学での位置づけ
リテラシーレベル	データやAIへの関心を高め、それを適切に理解し活用する基礎的な能力を身につける	全学部で必修。文部科学省の認定に加え、「プラス」にも選定
応用基礎レベル	自らの専門分野にデータサイエンスやAIを応用し、課題解決につなげる実践的な能力を身につける	全学部で履修可能。理工学部・農学部・経済学部が認定（理工学部は「プラス」選定）。理工学部と農学部では必修
エキスパートレベル	データサイエンスやAIの高度な専門人材として、新たな価値や技術を生み出す	理工学部のデータサイエンスコース（橋渡し）と、大学院理工学研究科のデータサイエンスコース

国の「数理・データサイエンス・AI教育プログラム認定制度」は、リテラシーレベルと応用基礎レベルの2段階で大学等の教育プログラムを認定しています。その先に、エキスパートレベルの人材育成が位置づけられます。

数字で見るデータサイエンス教育の広がり

認定制度による教育プログラムの認定は年々増えています。2026年8月時点の総認定数は次のとおりです。

レベル	総認定数	認定を受けている大学等
リテラシーレベル	655件	653校
応用基礎レベル	421件	288校

出典：文部科学省「数理・データサイエンス・AI教育プログラム認定制度」2026年度認定結果（ReseEd、2026年9月8日）

皆本教授は、データサイエンスが広がりAIやデータサイエンスの素地ができること自体は良い傾向だと評価します。そのうえで、米国や中国の企業が提供する仕組みを使うだけの立場になり、思考を丸投げしてしまえば、それはギャンブルと同じだと指摘します。まずは教育を幅広く広げ、その先で各大学がそれぞれの特色や強みに応じて発展の方向を決めていけばよい、というのが皆本教授の考えです。

佐賀大学のデータサイエンス教育の特徴

皆本教授は2020年に佐賀大学全学教育機構数理・データサイエンス教育推進室長に就任しました。現在は教育開発推進センターの数理・データサイエンス・AI教育推進部門として、次のような体制を整えています。

標準教材を全学に提供：部門で教材を一通り用意して「標準的な教育」を示し、各学部が必要に応じて活用する。押しつけではなく、使うかどうかは各学部に委ねる
応用基礎レベルの必修化：理工学部と農学部では応用基礎レベルも必修。必修化に踏み切るのは簡単ではない
地元企業との教材づくり：教材を地元企業と一緒に作り、教員向けの生成AI研修は日本マイクロソフトと共同で実施
大学院の「データサイエンス特論」：全研究科の学生が対象。農学・理工学・先進健康科学の3研究科では必修で、地元企業や自治体の事例を幅広く紹介
高校生向けの「データサイエンスBasic」：高校生も履修でき、佐賀大学に入学すれば単位として認められる

高校生向けの科目から博士課程まで、リテラシーレベルからエキスパートレベルまで一貫して育成できる環境を構築している点が、佐賀大学の大きな特徴です。

「できるところから」積み上げた産官学連携の10年

2016年、インターンシップから始まった

佐賀大学のデータサイエンス教育の始まりは、皆本教授が中心となって2016年に開始したデータサイエンスのインターンシップです。同じ時期に大学院科目「データサイエンス特論」の開講も検討し、地元企業に協力を呼びかけました。まだ「データサイエンス」という言葉が今ほど普及していなかった頃です。

2016年には、マイクロソフト・イノベーションセンター佐賀（現・MAIC佐賀）の開所にも関わり、最初の「チャレンジ・インターンシップ（データサイエンス）」をこのセンターで実施しました。学生が企業や地域の課題に触れ、データをどう活用すれば解決につながるのかを考える場です。この取り組みは週刊ダイヤモンドや地元新聞、NHK佐賀でも取り上げられました。2019年には、滋賀大学と並んで国内でもかなり早い時期にデータサイエンス系の大学院を設置しています。

「とにかく、できるところから始めるという姿勢でした。」

――皆本教授

なぜ、データに基づく「帰納的な力」が必要なのか

当時は、滋賀大学が2017年にデータサイエンス学部を設置する動きがあり、国も2016年12月に「大学の数理・データサイエンス教育強化方策について」を示していました。皆本教授が重視したのは、数学とデータの役割の違いです。

数学は基本的に演繹的な学問で、仮定を置き、そこから証明されたものは正しいと言えます。しかし現実の世の中はそれほど単純ではありません。だからこそ、データに基づいて帰納的に考える力が、今後ますます重要になると考えたのです。

一人ではできなかった――産官学の広い連携

他学部のカリキュラムに関わるため、始めた頃は抵抗も少なくなかったといいます。そこで、地元企業や自治体と連携しながら少しずつ切り込んでいきました。連携先には、佐賀県（政策部統計分析課）、半導体用シリコンウェーハを手がけるSUMCO、日本マイクロソフト、あいおいニッセイ同和損保などが名を連ねます。この10年の取り組みは、学会の教育賞として評価されました。

経営者向けのリスキリングプログラムも

佐賀大学では、経営者の学び直しを支援する「経営者のための統合型リスキリングプログラム」も開講しています。事業・組織・人材・財務を統合的に捉える視点を学ぶ5つのコースで構成され、AI・データサイエンスを基盤にIT活用、マーケティング、創造思考、組織風土まで体系的に学べる「次世代経営イノベーター育成コース」もあります。通学が基本ですが、オンデマンドでも受講できます（詳細：https://recurrent.cws.saga-u.ac.jp/program/2250/）。

日本が目指すべきは「デジタル小作人」ではなく「胴元」

「やはり、胴元になることです。言い換えれば、プラットフォーマーになるということです。」

――皆本教授

ただし、今の日本がすべての分野で胴元になるのは難しい。皆本教授は、どこに絞って勝負するかを考える必要があると言います。

「どこかでまず一位になる」：注目されている分野だから参入するのではなく、フィジカルAIのような分野でも日本が本当に勝負すべきかを冷静に見極める
海外展開を見据える：日本語だけを対象にすると市場は約1億人に限られる
使っている現実を認識する：現状は海外企業などのプラットフォームを使っているという事実を、まず認識する

技術には、開発者と利用者の距離が開くほど、開発者（胴元）が価値を取りやすくなるという構造があります。利用者が仕組みを理解していなければ、提示された価格や条件が妥当なのか、別の方法があるのかを判断できず、提供側に依存せざるを得ません。だからこそ基礎技術を底上げし、「自分たちはお客で終わっていないか」を常に意識することが大切だと皆本教授は説きます。

プラットフォームの持つ力について、皆本教授は次のように試算します。世界の人口が100億人に近づけば、半分がスマートフォンを使うだけで50億台。1台あたり年間100円課金できれば、年間5000億円規模の市場になります。多くの人が使うプラットフォームを作れれば、非常に強い立場に立てるのです。

「独自の価値」の源泉は、自社のデータにある

AIを使う側から価値を生み出す側に回るには、自社ならではのデータを整え、活用できる状態にしておくことが第一歩です。DEFiDEの社内業務クラウド「SmartOps」は、社員・組織・業務の情報をひとつの基盤に集約し、AIエージェントやRAGで活用できるようにします。基本機能はずっと無料で、必要な機能だけを追加できます。

▶ SmartOpsの機能を見る（基本機能はずっと無料）

AIがコモディティ化した先で差をつける4つの力

AI技術は急速に普及し、コモディティ化（誰もが使える汎用品になること）が進んでいます。皆本教授は、それを自然な流れとしたうえで、問題はその先だと言います。誰もが使えるようになったとき、重要になるのは「他者と何が違うのか」「自分たちならではの価値は何か」です。

差をつける力	内容
① 数学的原理の理解	AIモデルの背後にある数学的な原理を理解している
② 独自のアルゴリズム	既存の手法をなぞるのではなく、独自のアルゴリズムを考えられる
③ データの見極めと整備	目的に合ったデータを見極め、使える形に整えられる
④ 特徴量の設計	対象データの特徴を数値で表す特徴量を、意図を持って設計できる

「表面的なツールの使い方しか知らない人は、いずれ代替されてしまうでしょう。」

――皆本教授

Googleが数学者を熱心に集めているのも、そうした理由からだと皆本教授は見ています。一方で日本企業は、突出した個性や独創性を持つ人材を生かすのがあまり得意ではありません。周囲と同じであることだけを求めず、特徴のある人が活躍できる環境を整えられれば、日本にもまだ道は開けると皆本教授は語ります。

よくある質問（FAQ）

Q. データサイエンス教育にはどのようなレベルがありますか？

A. 一般に、データやAIを理解し活用する基礎的な能力を身につける「リテラシーレベル」、自分の専門分野にデータサイエンスやAIを応用する力を養う「応用基礎レベル」、さらに高度な専門人材を育てる「エキスパートレベル」の段階で整理されます。国の認定制度では、リテラシーレベルと応用基礎レベルの2段階で教育プログラムが認定されています。

Q. 数理・データサイエンス・AI教育プログラム認定制度とは何ですか？

A. 内閣府・文部科学省・経済産業省が創設した制度で、大学・短期大学・高等専門学校の正規課程のうち、一定の要件を満たした数理・データサイエンス・AI教育プログラムを文部科学大臣が認定・選定するものです。2026年8月時点で、リテラシーレベルは計655件、応用基礎レベルは計421件が認定されています。

Q. 佐賀大学のデータサイエンス教育の特徴は何ですか？

A. リテラシーレベルを全学部で必修とし、理工学部と農学部では応用基礎レベルも必修にしています。地元企業と教材を共同開発し、高校生も履修できる科目から大学院のデータサイエンスコースまで、リテラシーからエキスパートまで一貫して学べる体制を整えている点が特徴です。

Q. 日本が「デジタル小作人」から抜け出すにはどうすればよいですか？

A. 皆本教授は、日本は「胴元」、つまりプラットフォーマーを目指すべきだとしています。ただし、すべての分野で主導権を握るのは難しいため、どこに絞って勝負するかを見極め、「どこかでまず一位になる」ことが重要だと述べています。

Q. AIがコモディティ化すると、何が差別化の源泉になりますか？

A. 誰もがAIを使えるようになると、他者と同じことをしているだけでは価値を生みにくくなります。皆本教授は、AIの背後にある数学的原理を理解し、独自のアルゴリズムを考え、目的に合ったデータを見極めて整え、特徴量を設計する力が差別化につながると述べています。

Q. 社会人が大学でデータサイエンスやAIを学び直す方法はありますか？

A. 佐賀大学では、経営者の学び直しを支援する「経営者のための統合型リスキリングプログラム」を開講しています。AI・データサイエンスを基盤に、IT活用やマーケティング、組織風土まで体系的に学べるコースもあり、オンデマンドでの受講にも対応しています。

まとめ：「使う人」ではなく「生み出す人」を育てる

データサイエンス教育は、リテラシー・応用基礎・エキスパートの3つのレベルで整理される
認定制度の総認定数はリテラシーレベル655件、応用基礎レベル421件（2026年8月時点）と広がっている
佐賀大学は高校生から博士課程まで一貫した教育体制を、産官学連携で「できるところから」10年かけて築いてきた
日本が目指すべきは「胴元」。分野を絞り、どこかでまず一位になることが重要
AIがコモディティ化するほど、数学的原理、独自のアルゴリズム、データの整備、特徴量の設計が差別化の源泉になる

後編では、皆本教授の専門である「精度保証付き数値計算」を手がかりに、AIの出力をどこまで信じてよいのか、企業はAIとどう向き合い、どんな人材を育てるべきかを伺います。

AI活用の戦略づくりを、専門家と一緒に

DEFiDEは、AI/DXコンサルティングと自社SaaSの開発・提供を通じて、企業のAI活用を支援しています。「どこで勝負するか」の見極めから、データの整備、小さな実証まで伴走します。

▶ AI/DXコンサルティングの無料相談はこちら

▶ 前編：AIに数学が必要な理由とは？原理を知らずに使う危うさと「デジタル小作人」

▶ 後編：生成AIのハルシネーションはなぜ防げないのか？

▶ インタビュー全文：AI時代、日本は「デジタル小作人」で終わるのか（中編）

AIに数学が必要な理由とは？「デジタル小作人」にならないために｜佐賀大学・皆本晃弥教授

chai+広報部 — Thu, 01 Oct 2026 03:55:14 GMT

AIに数学が必要なのは、原理を理解していなければ、AIが出した判断の妥当性や限界、学習データの偏りを見極められないからです。

生成AIの登場で、誰もが高度なAIを手軽に使える時代になりました。その一方で、仕組みや限界を十分に理解しないまま、AIの出力を鵜呑みにする危うさも増しています。数学とコンピューターを融合させてきた佐賀大学の皆本晃弥教授は、AI時代に必要なのは使い方を覚えることだけではなく、その背景にある原理を理解することだと説きます。

本記事では、皆本教授へのインタビュー（聞き手：デフィデ株式会社代表山本哲也）をもとに、AIに数学が必要な理由、原理を知らずにAIを使うリスク、そして日本が「デジタル小作人」にならないための視点を解説します。

この記事でわかること

・AIに数学（原理の理解）が必要な理由

・原理を知らずにAIを使う3つのリスク

・「デジタル小作人」とは何か、なぜ危ういのか

・生成AIを理解する近道となるRNNとトランスフォーマーの関係

・結果を出せる人材になるための「Fail First」「Be Lazy」の考え方

AIに数学が必要な理由とは？

データサイエンスやAIの書籍は数多く出版されていますが、その多くは「どう使えばよいか」という実践に重点を置いています。使うことだけなら、それほど難しくはありません。しかし、「その原理を知っていますか」と問われて答えられる人はまだ少ないと皆本教授は言います。

「多くの人が原理を理解しないまま使っている状況には、強い危うさを感じています。」

――皆本教授

皆本教授は、これを薬にたとえます。使用上の注意を読まずに薬を飲むのが怖いように、データサイエンスやAIの背後にある数学的な原理を意識せずに使うのは危険です。原理を理解していることには、次のような利点があります。

他の分野に応用しやすくなる：原理がわかれば、別の課題にも同じ考え方を当てはめられる
ツールが変わっても対応できる：原理を知らずに使っていると、そのツールがなくなった途端に何もできなくなる
独自の方法を生み出せる：自分で別の方法を考えたり、独自のライブラリを作ったりできる

「すぐに役立つことは、すぐに役立たなくなることもあります。」

――皆本教授

技術は次々に進歩しますが、その延長線上にある新しい技術を理解する土台は、原理原則です。だからこそ、技術の変化が速い時代ほど、原理を学ぶことが重要になります。

原理を知らずにAIを使う3つのリスク

リスク1：AIの判断の根拠を説明できない

AIが審査や判定に使われ、「あなたは不採用です」という結論が示されたとします。「AIがそう判断しました」とだけ言われて、当事者は納得できるでしょうか。本来は、どのような判断基準に基づき、どのような手法でその結果が出たのかを説明できる必要があります。原理を理解していれば、AIの中で何がどう動いているかをある程度把握できます。

リスク2：データの偏りに気づけない

AIモデルは数学的な仕組みに基づいて作られますが、それを学習させるのはデータです。学習データに偏りがあれば、その偏りはそのままモデルの出力に反映されます。

皆本教授はコイントスを例に挙げます。公平なコインなら表が出る確率は50%です。ところが、歪んだコインから得た偏ったデータで学習したモデルは、「表が出る確率は90%です」と出力するかもしれません。人間なら経験的に「おかしい」と気づけることもありますが、AI自身はデータが間違っている、偏っていると判断できません。データの正しさやバイアスを見極めるのは人間の役割であり、それを数学的に理解しておくことがAIを正しく使う前提になります。

リスク3：カジノや宝くじのような「投機的な使い方」になる

皆本教授が最も怖いと感じているのは、AIへの向き合い方が、カジノや宝くじに飛びつく感覚に近づいていないかという点です。便利そうだから使う、流行っているから導入する。仕組みを理解しないまま参加すれば、実際にはお金を吸い取られているだけだった、ということにもなりかねません。

もちろん、AIを使うこと自体を否定しているわけではありません。仕組みや限界を理解したうえで、「これはうまくいく」「これはうまくいかない」を見極めて試行的に使うなら問題はない。ただし、理解しないまま社運を賭けるとなると話は別です。AIを使うべきでない場面で安易に使えば、かえって大きな損害につながりかねません。

「AIで何ができて、何ができないか」を見極めたい方へ

AI活用で成果を出す第一歩は、自社の課題に対してAIがどこまで使えるのかを正しく見極めることです。DEFiDEでは、AI/DXコンサルティングを通じて、目的の整理からAIの適用範囲の検討、小さな実証まで伴走します。

▶ AI/DXコンサルティングの無料相談はこちら

「デジタル小作人」とは？使う側にとどまる危うさ

「デジタル小作人」とは、他者が用意したAIやプラットフォームの仕組みを使うだけの立場にとどまり、自ら価値を生み出す側に回れない状態のことです。背景にある仕組みを理解しないまま表面的な使い方だけをなぞっていては、デジタル小作人で終わってしまう可能性が高い――これが、皆本教授が著書を通じて最も伝えたかったことだといいます。

「カジノの客はあくまで客であり、最終的に儲かるのは胴元です。」

――皆本教授

宝くじも同じで、仕組みを作っている側が強いのは基本的に変わりません。期待値という考え方とその背景の理論を理解していれば、「これにはこれだけのリスクがある」とある程度見通せます。AIも同様に、仕組みや限界を理解していれば、どこまでAIに任せてよく、どこから人間が判断すべきかを見極めやすくなります。「ビットコインが儲かりそうだからやってみる」という投機的な判断と同じになっていないか――皆本教授はそこに強い危機感を示しています。

日本が「デジタル小作人」から脱し、仕組みを作る「胴元」になるための道筋は、中編で詳しく解説します。

生成AIを理解する近道：RNNからトランスフォーマーへ

皆本教授は2024年9月、著書『スッキリわかる数理・データサイエンス・AI』（近代科学社）を出版しました。表紙の印象から自ら「黒本」と呼ぶこの本は、できるだけ数式を避けずに原理を正面から説明し、最終章をRNNで締めくくっています。その理由は、生成AIへとつながる技術の流れを理解してもらうためです。

技術	特徴	生成AIとの関係
RNN（再帰型ニューラルネットワーク）	深層学習モデルの一種。時系列データの処理に強く、過去の情報を未来の予測に生かせる	系列データを扱う技術の土台。その限界がトランスフォーマー誕生の出発点になった
トランスフォーマー（Transformer）	RNNの欠点を克服するために2017年に発表された、系列データを扱う新たな枠組み	現在の生成AIの基盤技術。ChatGPTの「GPT」の「T」はトランスフォーマーを指す

RNNの問題点を理解したうえでトランスフォーマーを学ぶと、「なぜそのような発想に至ったのか」が見え、現在の技術も理解しやすくなります。逆に、技術の流れを知らずにいきなり生成AIを使うと、「よくわからないけれど、うまくいっている」という感覚にとどまってしまうのです。

同書は大学の教科書として構成されていますが、データサイエンスの技術的な内容を深く知りたい社会人にも役立ちます。各手法のアルゴリズムを「学習」と「予測」に分けて示し、概念の説明、例、問という流れで構成。四択問題や、紙と鉛筆だけで取り組める問題を多く配置し、使用上の注意まで意識して書かれています。

数学とコンピューターの融合が、日本の技術力を底上げする

皆本教授の専門は、数学を現実の問題解決に生かす応用数学です。もともとは、コンピューターで得られた近似解の正しさや解が存在する範囲を数学的に保証する「精度保証付き数値計算」を中心に研究し、その後、機械学習や人工知能へと領域を広げてきました。

原点は中学生の頃にさかのぼります。200人に1〜2人しかコンピューターを持っていない時代に、親に頼み込んでコンピューターを買ってもらい、アニメのキャラクターをグラフィックスとして描いていました。参考書も少なく、「図形を回転させる」だけでも中学生には難しい数学が必要でした。この経験から、コンピューターを操作するためにも数学の知識が欠かせないと痛感したといいます。

皆本教授は、日本が抱える構造的な課題を次のように指摘します。

日本は世界的に見ても数学力の水準が高い国である
しかし、数学に強い人はコンピューターを敬遠しがちで、コンピューターを使いこなす人は数学の理論よりも目の前のものづくりに関心が向きがち
この隔たりを埋め、両者を結びつけなければ、日本の技術力の向上は難しい

皆本教授は、日本が明治維新で成功した背景に、江戸時代以前に国内で発達した数学「和算」が全国に普及し、数学を楽しむ文化が根づいていたことがあったのではないかと考えています。数学的な土台があったからこそ、西洋の文化や数学を比較的早く理解できた。現代でも、情報分野に携わる人たちの応用数学的な素養を底上げすることが、日本の技術力の底上げにつながるというのが、皆本教授の一貫した主張です。

結果を出せる人材になる「Fail First」と「Be Lazy」

皆本教授は、教育理念として「良識ある結果の出せる人財育成」を掲げています。「材」ではなく「財」を使うのは、周囲に良い影響を与えられる、社会にとって価値ある存在になってほしいという思いからです。

努力は「量」ではなく「方向」

「北に向かって走れ」と言われているのに南へ走れば、どれだけ努力しても目的地には着きません。野球がうまくなりたいのにサッカーの練習ばかりしていても、望む結果にはつながりにくいでしょう。結果を意識しながら正しい方向に努力すること、そして他者を尊重することが大切だと皆本教授は語ります。

早く失敗し、無駄を減らす

「成功する可能性が1％しかないのであれば、悩み続けるよりも、早く99回失敗した方がよい場合もあります。」

――皆本教授

そこで学生に伝えているのが、早く失敗する「Fail First」と、無駄な作業を減らして最小限の労力で最大限の成果を目指す「Be Lazy」です。「安心して失敗できる」と伝えると前に進める学生もいるといいます。稲盛和夫氏の京セラフィロソフィのように、理念は繰り返し言葉にし、日々の行動で実践してこそ浸透していく――皆本教授はそう考え、粘り強く伝え続けています。

よくある質問（FAQ）

Q. AIを使うのに数学は必要ですか？

A. 皆本教授は、AIを「使う」だけなら数学がなくても可能だが、原理を理解していなければAIの判断の妥当性や限界、データの偏りを見極められないと指摘しています。原理を知っていれば他分野への応用や独自の方法の開発もでき、ツールが変わっても対応できる力が身につきます。

Q. 「デジタル小作人」とは何ですか？

A. 「デジタル小作人」とは、海外企業などが用意したAIやプラットフォームの仕組みを使うだけの立場にとどまり、自ら価値を生み出す側に回れない状態を指します。皆本教授は、カジノの客と胴元のたとえを用い、最終的に利益を得るのは仕組みを作る側だと説明しています。

Q. 原理を知らずにAIを使うと、どんなリスクがありますか？

A. 主なリスクは3つです。AIの判断の根拠を説明できないこと、学習データの偏りがそのまま出力に反映されても気づけないこと、そして「便利そう」「流行っている」という理由だけでカジノや宝くじのように投機的に使ってしまうことです。

Q. AIの学習データに偏りがあるとどうなりますか？

A. データの偏りは、そのままモデルの出力に反映されます。皆本教授は、歪んだコインから得た偏ったデータで学習したモデルは「表が出る確率は90%」と出力しうると説明しています。AI自身はデータの誤りや偏りを判断できないため、人間が見極める必要があります。

Q. RNNとトランスフォーマーの違いは何ですか？

A. RNN（再帰型ニューラルネットワーク）は、時系列データの処理に強く、過去の情報を予測に生かす深層学習モデルです。トランスフォーマーは、RNNの欠点を克服するために2017年に発表された技術で、現在の生成AIの基盤となっています。ChatGPTの「GPT」の「T」はトランスフォーマーを指します。

Q. 「Fail First」とはどういう考え方ですか？

A. 「Fail First」とは、早く失敗することを意味します。皆本教授は、成功の可能性が1%しかないなら、悩み続けるより早く99回失敗したほうがよい場合もあると述べています。作業量を減らして早く検証し、無駄な作業を省く「Be Lazy」とあわせて、正しい方向に努力する姿勢を学生に伝えています。

まとめ：AIを「使うだけ」で終わらないために、原理を学ぶ

AIに数学が必要なのは、判断の妥当性や限界、データの偏りを見極めるため
原理を知らずに使うと、判断を説明できない、データの偏りに気づけない、投機的な使い方になる、というリスクがある
仕組みを理解しないまま使う側にとどまれば、「デジタル小作人」で終わる可能性が高い
RNNからトランスフォーマーへの流れを知ることが、生成AIを理解する近道になる
結果を出す人材には、正しい方向への努力と「Fail First」「Be Lazy」の姿勢が欠かせない

中編では、日本のデータサイエンス教育の現状と佐賀大学の取り組み、そして日本が「デジタル小作人」から「胴元」を目指すための条件について伺います。

自社のAI活用の「現在地」を知ることから

AIを原理から理解し、使いこなす組織づくりは、現状の把握から始まります。DEFiDEの「生成AIワークバリュー・スコア分析」で、組織の生成AI活用の状況を把握し、次の打ち手を明確にできます。

▶ 生成AIワークバリュー・スコア分析を無料で体験する

▶ 中編：データサイエンス教育の3つのレベルとは？「デジタル小作人」から「胴元」へ

▶ インタビュー全文：AI時代、日本は「デジタル小作人」で終わるのか（前編）

AIの種類と使い分けとは？推論・学習・生成AIの活用｜神奈川大学・山口高平教授

chai+広報部 — Thu, 01 Oct 2026 00:12:29 GMT

AIは大きく「推論AI」「学習AI」「生成AI」の3種類に分けられます。生成AIは万能ではなく、業務に応じて3種類のAIを使い分け、組み合わせることが重要です。

生成AIの急速な普及で、「AIなら何でもできる」と考える人が増えています。しかし、半世紀近くAI研究に携わり、16分野で企業との産学連携を手がけてきた神奈川大学の山口高平教授は、生成AIを万能視し、従来のAIの強みを忘れる風潮に警鐘を鳴らしています。

本記事では、山口教授へのインタビュー（聞き手：デフィデ株式会社代表山本哲也）をもとに、AIの3つの種類と使い分けの考え方、生成AIが苦手な処理、現場から見たAIの価値、AIブームの歴史、そして「AIの大衆化」がもたらすリスクについて解説します。

この記事でわかること

・AIの3つの種類（推論AI・学習AI・生成AI）と、それぞれの得意・不得意

・生成AIを万能視すると起きる失敗

・現場がAIの価値を判断する「業務精度」と「時間短縮」の2つの観点

・AIブームの歴史と、AIが社会インフラになった今

・「AIの大衆化」がもたらす依存と思考停止のリスク

AIの3つの種類と使い分け

業務でAIを考えるとき、山口教授はAIを大きく3つに分けています。

AIの種類	仕組み	得意なこと	注意点
推論AI	人が整理した知識やルールに基づいて、論理的に推論する（エキスパートシステム、オントロジーなど）	100%の正確さが求められる定型処理	知識やルールを人手で用意する必要がある
学習AI（機械学習）	データを与えると、そこからルールやパターンを導き出す（ディープラーニングなど）	画像認識、予測、分類など	部署ごとに形式が異なるデータは統合しないと使えない
生成AI	大量のデータを学習し、確率的に文章や画像、コードなどを生成する	新しいアイデアの発想、対話、文章やコードの生成	100%正しい答えは出せず、ハルシネーションを起こす

この3種類のAIをどう組み合わせるか、さらに他の情報技術もどう取り入れるか――その技術力が、DX（業務改革）の成否を分けると山口教授は言います。しかし日本には、その全体をカバーできる人材が少ないのが現状です。

「多様なAIを的確に使い分けなければいけません。」

――山口教授

人工知能学会が公開している「AIマップ」には、数多くのAIの手法が整理されています。それぞれに得手不得手があり、生成AIだけが万能だと思って全てを任せようとすると、大変なことになるのです。

生成AIを万能視すると起きる失敗

山口教授が全国各地で講演すると、聴講者の9割以上が生成AIからAIを始めた人だといいます。その結果、従来のAIやソフトウェアでできることを、わざわざ生成AIでやろうとしがちです。

生成AIが苦手なこと	例
固有名詞の扱い	経路検索をさせると、乗り換えで駅名が変わったり、料金を間違えたりする（10回に1回程度）
算術計算	簡単な足し算でもたまに間違える
100%の正確さ	確率に基づいて出力するため、ハルシネーション（もっともらしい誤り）を必ず起こしうる

そのため、法務のように誤りが許されない業務や、個人情報の漏洩が懸念される業務では、生成AIをほとんど使っていない人たちもいます。一方で、エンジニアリング系の分野では積極的に活用が進み、情報産業以外の製造業でも関心が高まっています。

生成AIが力を発揮するのは、例えば企業が次にどんな分野に進出するか、どんな製品を作るべきかといった「頭出し」の場面です。ビジネスミーティングで生成AIをうまく使えば、非常に良い反応をしてくれます。定型処理には推論AIや従来のソフトウェア、発想には生成AI――適材適所で使い分けることが大切です。

自社の業務に合った「AIの使い分け」を設計する

生成AIだけでなく、従来のAIやソフトウェアを業務に応じて組み合わせることで、AI活用の効果は大きく変わります。DEFiDEでは、AI/DXコンサルティングを通じて、業務の整理から、最適なAI技術の選定と組み合わせ、小さな実証まで伴走します。

▶ AI/DXコンサルティングの無料相談はこちら

AIの価値は「定義」より「現場」で決まる

AIとは、人の知的な振る舞いをコンピュータで実現するための研究分野です。ただし山口教授は、今この定義を議論してもあまり意味がないと言います。インターネットの定義を議論することに意味がないのと同じで、AIは皆が当たり前に使う社会情報インフラになろうとしているからです。

16分野の産学連携を手がけてきた経験から、企業がAIの価値を判断する観点は、次の2つだと山口教授は言います。

業務の精度がどれだけ上がるか
業務時間がどれだけ短縮できるか（10時間かかっていた業務が、どれだけ短くなるか）

「現場から見ればAIがどういう定義であろうが、別に何でも良いのです。その業務がどれだけ助かるか、もうそこしか考えていないですね。」

――山口教授

現場の課題は業務によって異なり、それに応じてAIの使い方も変わります。その多様性を一つずつクリアしていって、初めてAIはインフラになっていくと山口教授は語ります。全国の製造業などから講演の依頼が相次ぎ、講演後の質問に3時間半も行列ができたこともあるほど、現場のAIへの関心は高まっています。

AIブームの歴史――第4次AIブームと社会インフラ化

AIの研究は1956年に始まり、ブームと停滞期を繰り返してきました。

時期	主な特徴
第1次AIブーム	数学の定理証明やチェスなど、推論や探索による問題解決に関心が集まった
第2次AIブーム（1980年代）	専門家の知識をコンピュータで表現して推論する「エキスパートシステム」が全国で1,000以上開発された。後半にはデータから知識を作る機械学習も登場
停滞期（1990年代後半〜）	専門家から知識を聞き出すのに膨大な時間がかかり、インターネットの普及で関心が移った
第3次AIブーム（2010年代〜）	ディープラーニングが画像認識で高い性能を示し、自動運転や医療などで実用化が進んだ
第4次AIブーム（2022年〜）	生成AIが登場し、文章、画像、プログラムの生成など、あらゆる分野にAIが使われるように

生成AIの基盤技術もディープラーニングであるため、「第3次AIブームの延長」という見方もあります。山口教授は、どちらの呼び方かという問い自体に大きな意味はないとしたうえで、社会への影響の大きさを重視して、今を「第4次AIブーム」と呼んでいます。

AIはもう衰退しない――社会インフラとしてのディープラーニング

第2次AIブームは、専門家の知識を聞き出すことの難しさから終焉を迎えました。人は、体に染み付いた知識を言葉で説明することができないからです。一方、ディープラーニングは、工場の作業自動化や医療診断、自動運転などで社会実装が進んでいます。

医療では、例えば2017年に国立がん研究センターとNECが、大腸の内視鏡画像からAIが早期がんやポリープを高い精度で検出したと発表しました。山口教授は、医師の成績と単純に比較することには注意が必要だとしながらも、画像診断の支援から、カルテの整理や退院サマリの作成まで、病院の多様な業務にAIの実装が進んでいると指摘します。

「もはやAIも社会インフラになろうとしていますので、衰退期はもう来ないと言えます。」

――山口教授

いかにディープラーニングを社会実装できるかで国力が決まる――そういう時代になろうとしていると、山口教授は語ります。

「AIの大衆化」がもたらすリスク――依存と思考停止

2022年11月末にChatGPTが登場して以降、生成AIの利用者は急増しました。山口教授によると、その利用者は約4年で世界人口の10％を超える約9億人に達しています。プログラミングの知識がなくても、自然言語で誰もがAIを使えるようになった――AIの分野では、これを「AIの大衆化」と呼んでいます。

一方、日本の利用はまだ限定的です。総務省の調査では、生成AIを使ったことがある個人の割合は、日本では26.7%にとどまります。

国	個人の生成AI利用経験（2024年度調査）
中国	81.2%
米国	68.8%
日本	26.7%

出典：総務省「令和7年版情報通信白書」

大衆化は、便利さの裏側で新たなリスクも生んでいます。山口教授が高校の情報科の教員約700人に講演した際には、生徒が授業を聞かず、演習やレポートを生成AIに丸投げしているという状況が報告されました。国内外の大学では、生成AIの不適切な使用を不正行為として規定する動きも広がっています。

人と人とのコミュニケーションは、表情も含めた総合的なものです。AIに依存してばかりになると、そうした能力はどんどん低下していく――山口教授はそう危惧しています。

よくある質問（FAQ）

Q. AIにはどんな種類がありますか？

A. 山口教授は、業務の観点からAIを大きく3つに分けています。知識やルールに基づいて論理的に推論する「推論AI」、データからルールやパターンを導き出す「学習AI（機械学習）」、そして文章や画像、プログラムなどを生成する「生成AI」です。これらをどう組み合わせるかが、業務改革の成否を分けるとしています。

Q. 生成AIが苦手なことは何ですか？

A. 山口教授によると、生成AIは確率・統計を基盤としているため、100％正しい答えを出すことはできず、ハルシネーションと呼ばれる誤りを起こします。特に固有名詞の扱いや算術計算が不得手で、例えば経路検索を生成AIにさせると、駅名や料金を間違えることがあります。正確さが求められる定型処理には、従来のAIやソフトウェアのほうが向いている場合があります。

Q. AIの価値はどう判断すればよいですか？

A. 山口教授は、企業の現場では、AIの定義よりも、担当している業務の精度がどれだけ上がるか、業務時間がどれだけ短縮できるかという2つの観点で、AI技術の有用性が判断されていると述べています。

Q. 今のAIブームは終わりますか？

A. 山口教授は、AIはインターネットと同じように社会インフラになろうとしており、衰退期はもう来ないと述べています。ディープラーニングは、自動運転や医療、工場の自動化などで社会実装が進んでおり、これに置き換わる技術が出てこない限り、当面は心配ないとしています。

Q. 「AIの大衆化」にはどんなリスクがありますか？

A. 誰でも自然言語で生成AIを使えるようになった一方で、生成AIに課題を丸投げする思考停止や、表情も含めた人と人とのコミュニケーション能力の低下が懸念されています。山口教授は、教育の現場でも生成AIに演習やレポートを丸投げする状況が出てきていると指摘しています。

まとめ：生成AIを万能視せず、3種類のAIを適材適所で

AIは大きく推論AI、学習AI、生成AIの3種類。業務に応じて組み合わせる技術力がDXの成否を分ける
生成AIは固有名詞や計算、100%の正確さが苦手。定型処理には推論AIや従来のソフトウェアが向く
現場がAIを評価する観点は、業務精度の向上と業務時間の短縮
AIは社会インフラになり、衰退期はもう来ない。社会実装の力が国力を左右する
「AIの大衆化」の裏で、丸投げによる思考停止やコミュニケーション能力の低下が懸念される

中編では、人がコンダクターとなって多様なAIと協調する「AIオーケストレーション」の構想、マニュアルに書かれていない「暗黙知」の壁、そして求められるAI人材について伺います。

複数のAI技術を組み合わせた業務基盤を

DEFiDEの社内業務クラウド「SmartOps」は、AIエージェント、RAG、AI-OCRなど複数のAI技術を組み合わせ、社内手続きの確認や社内情報の検索、紙の書類のデータ化などの定型業務を効率化します。基本機能はずっと無料で、必要な機能だけを追加できます。

▶ SmartOpsの機能を見る（基本機能はずっと無料）

▶ 中編：AIオーケストレーションとは？人が指揮者となり多様なAIと協調する

▶ インタビュー全文：生成AI万能論を越え、人と多様なAIが協調する時代へ（前編）

AIオーケストレーションとは？人とAIの協調と暗黙知｜神奈川大学・山口高平教授

chai+広報部 — Thu, 01 Oct 2026 00:12:21 GMT

AIオーケストレーションとは、人がコンダクター（指揮者）となり、従来のAI、生成AI、そして人間の三者を協力させる枠組みです。

生成AIの進化で、人の仕事が奪われるのではないかという不安が広がっています。神奈川大学の山口高平教授は、AIに全てを任せるのでも、AIを拒むのでもなく、人と多様なAIがそれぞれの強みを生かして協調する「AIオーケストレーション」を提唱しています。その実現を阻む大きな壁が、マニュアルに書かれていない現場の「暗黙知」です。

本記事では、山口教授へのインタビュー（聞き手：デフィデ株式会社代表山本哲也）をもとに、AIオーケストレーションの考え方、生成AIによる雇用の変化、現場のノウハウの7割を占める暗黙知の壁、言葉の意味を扱うオントロジー、そして求められるAI人材について解説します。

この記事でわかること

・AIオーケストレーションとは何か、人が担う「指揮者」の役割

・生成AIによる雇用の変化と、人とAIの役割分担

・現場のノウハウの7割を占める「暗黙知」と、生成AIの限界

・言葉と表情・感情を統合する「コミュニケーション型AI」の課題

・従来AIと生成AIの両方を理解するAI人材の必要性

AIオーケストレーションとは？

山口教授が次の研究テーマに掲げているのが、AIオーケストレーションです。従来のAIと生成AI、そして人間の三者をどう協力させるか、その枠組みを考える研究です。

オーケストラのパート	担い手	役割
従来のAI（推論AI・学習AI）	エキスパートシステム、オントロジー、機械学習など	100%の正確さが求められる定型処理、データからのパターン抽出
生成AI	対話・文章生成・画像生成・コード生成など	発想、対話、文章やコードの生成
人間（コンダクター）	従来AIと生成AIの長所・短所を理解した人	場面に応じてAIを選び、人とAIの役割分担を考え、全体をコーディネートする。人と人との交渉や、感情を含むコミュニケーションを担う

「色々なAIが協力して、人間もコンダクターとしてやっていく。そんなAIオーケストレーションという構想を今議論しています。」

――山口教授

オーケストラ全体の統括までAIができるのではないか、という問いに対して、山口教授は「将来はわからないが、当面は人がやる状況になる」と見ています。米国の一部の研究者も取り組み始めたこの分野を、日本でも加速させるべきだと語ります。山口教授自身も毎日1時間以上、生成AIと対話しながら、どのようなAIの組み合わせが有効かを検討し、対話・画像生成・コード生成で異なる生成AIを使い分けているといいます。

生成AIによる雇用の変化と、人とAIの役割分担

生成AIの進化が最も深刻に影響するのは、人の仕事です。米国では、生成AIの登場から半年後の2023年5月、ハリウッドの脚本家がストライキを起こしました。その後も、ゲームの声優やモーションキャプチャーの演技者が、AIによる声や演技の複製からの保護を求めてストライキを行うなど、AIによる仕事の置き換えへの懸念が広がっています。

山口教授は、執筆業や、定型的な業務にとどまる仕事は、ニーズが減っていくと考えておいたほうがよいかもしれないと指摘します。では、人間はどうするのか。人と人との交渉や、知覚・感情を含むトータルなコミュニケーションはAIに任せず人が担う。そのうえで、人とAIロボット、AIシステム、ソフトウェアの役割分担を考え、全体をコーディネートしていく――それがAIオーケストレーションの考え方です。

現場のノウハウの7割は「暗黙知」――生成AIの限界

山口教授は、高速道路会社と連携し、国土交通省の支援を受けて、設備の点検作業を支援するAIスマートグラスの開発に5年ほど取り組みました。点検作業は負担が大きく、若い人材が入らない一方で、ノウハウを持つベテランは定年退職を迎えていきます。メガネの部分に「次はこうしなさい」と指示が出るAIシステムを目指したプロジェクトです。

学生と一緒に20冊ほどのマニュアルを読み込み、研修センターで実際の点検作業を体験しました。すると、大型装置の扉を開けて点検しようとした学生が、「風で閉まらないようにストッパーを下げろ」と指導員に叱られた――マニュアルには書かれていない指示が、次々と出てきたのです。

「実感としては、ノウハウはマニュアルには3割しか書いてありません。」

――山口教授

ノウハウの種類	割合（山口教授の実感）	AIでの扱い
マニュアルに書かれた知識（形式知）	約3割	テキストになっているため、生成AIでも扱える
現場の経験から学ぶ知識（暗黙知）	約7割	テキストになっていないため、生成AIは獲得できない。人が体験したうえでAIやロボットに教え込む必要がある

出典：山口教授への取材より（高速道路設備の点検業務における実感）

生成AIは、テキストになっていない知識を獲得できません。ロボットが自ら体験して学ぶ自律型になるには、まだ数年はかかると山口教授は見ています。ただし、中国の勢いはすさまじく、その予想を上回る可能性もあるといいます。

マニュアルに書かれた「3割」を、誰もが引き出せるように

マニュアルや社内規程に書かれた知識は、AIで誰もがすぐに活用できる形にできます。DEFiDEの「chai+」は、社内の文書やマニュアルを参照して回答するRAG型のAIチャットボットです。形式知をAIで共有することで、人は現場の経験や暗黙知の伝承に時間を使えるようになります。

▶ chai+の資料をダウンロードする

言葉と感情を統合する「コミュニケーション型AI」の課題

山口教授の研究キーワードの一つがオントロジーです。オントロジーとは、言葉の意味をコンピュータに理解させるための概念の定義です。名詞であれば概念の上位・下位の関係を、動詞であればその主語や目的語にとれる概念を定義します。

言葉	オントロジーでの定義
ステーキ	「食物」の下位概念
電話	「人工物」の下位概念。「食物」とは排他的な概念
食べる	目的語には「食物」の概念しかとれない

このように定義しておくと、人がロボットをからかって「電話を食べたら美味しかった」と言っても、「電話は人工物なので食べられませんよ」と、意味の誤りに反応できるようになります。

一方で、今の生成AIは言葉だけでやりとりしています。言葉では賛成していても、表情を見ると渋々だとわかり、別の観点から説得を試みる――表情や動作を含めたトータルなコミュニケーションは、まだできていません。感覚処理と知識処理を統合し、人の感情や暗黙知まで扱えるコミュニケーション型AIを、生成AIを基盤にどう作るかが課題です。

米国や中国では、生成AIで動く人型ロボットの開発が主要な競争テーマになっています。山口教授は、日本としては、感情まで扱えるAIロボットを開発していく必要があると感じています。

求められるのは、従来AIと生成AIの両方を理解する人材

AIオーケストレーションで人が指揮者を務めるには、どんな力が必要なのでしょうか。

「誰でも良いのではなくて、従来AIと生成AI、その長所と短所をきちっとわかっていることが最低限必要です。」

――山口教授

しかし、そうした人材は圧倒的に少ないのが現状です。大学でAI教育をしっかり行う必要がありますが、従来のAIを教えられる教員も減っています。かつては「大学教員の仕事は論文を書くこと。共同研究は論文にならない」と言われた時代もありましたが、山口教授は論文執筆が一段落した後、産学連携に軸足を移しました。

論文にはならなくても、現場は課題の宝庫です。その解決のプロセスをきちんと評価し、ノウハウを言語化・外在化して、日本独自のAIを作り、世界に広げていく必要があると山口教授は語ります。

よくある質問（FAQ）

Q. AIオーケストレーションとは何ですか？

A. AIオーケストレーションとは、山口教授が提唱する、従来のAI、生成AI、そして人間の三者を協力させる枠組みです。オーケストラのように、人がコンダクター（指揮者）となり、場面に応じて最適なAIを選び、人とAIの役割分担を考えながら全体をコーディネートします。当面は、全体の統括は人が担うと山口教授は見ています。

Q. 暗黙知とは何ですか？AIで扱えますか？

A. 暗黙知とは、言葉にしきれないが、経験を通じて体が覚えているような知識です。山口教授は、高速道路設備の点検の産学連携で、ノウハウのうちマニュアルに書かれていたのは3割程度で、残り7割は現場の経験から学ぶ暗黙知だったと述べています。生成AIはテキストになっていない知識を獲得できないため、現状では人が体験したうえでAIやロボットに教え込む必要があります。

Q. 生成AIは人の仕事を奪いますか？

A. 米国では、生成AIの登場後、脚本家や声優などがAIによる仕事の置き換えへの懸念からストライキを行いました。山口教授は、定型的な業務にとどまる仕事はニーズが減っていく可能性があるとしたうえで、人とAIの役割分担を考え、人がAI全体をコーディネートしていくことが重要だと述べています。

Q. オントロジーとは何ですか？

A. オントロジーとは、言葉の意味をコンピュータに理解させるための概念の定義です。例えば、「ステーキ」は「食物」の下位概念で、「電話」は「人工物」であり、「食べる」の目的語には食物しかとれない、といった関係を定義しておくことで、「電話を食べた」という発言が意味的におかしいとAIが判断できるようになります。

Q. AIオーケストレーションを担う人材には何が必要ですか？

A. 山口教授は、従来のAIと生成AIそれぞれの長所と短所をきちんと理解していることが最低限必要だと述べています。しかし、そうした人材は圧倒的に少なく、従来のAIを教えられる大学教員も減っているため、大学でのAI教育と、産学連携で現場のノウハウを言語化していくことが重要だとしています。

まとめ：人が指揮者となり、多様なAIと協調する

AIオーケストレーションとは、人がコンダクターとなり、従来のAI・生成AI・人間の三者を協調させる枠組み
生成AIで定型的な仕事のニーズは減りうる。人とAIの役割分担を考え、人が全体をコーディネートする
現場のノウハウのうちマニュアルにあるのは約3割。残る7割の暗黙知は、人が体験してAIに教え込む必要がある
言葉だけでなく、表情や感情を統合するコミュニケーション型AIの実現が課題
指揮者に必要なのは、従来AIと生成AIの長所と短所を理解する力。その人材の育成が急務

後編では、3種類のAIを統括する「AIプロデューサー」の必要性、日本企業のデータ統合を阻む組織の壁、そして米中の開発競争の中で日本が勝負すべき「人と共創する優しいAI」について伺います。

AIを「使い分けられる人材」は育っていますか？

AIオーケストレーションを担うには、まず組織の中でAIがどう使われているかを知ることが出発点です。DEFiDEの「生成AIワークバリュー・スコア分析」で、組織の生成AI活用の状況を把握し、育成の優先順位を明確にできます。

▶ 生成AIワークバリュー・スコア分析を無料で体験する

▶ 前編：AIの種類と使い分けとは？生成AI万能論の落とし穴

▶ 後編：AIプロデューサーとは？3種のAIを統括する人材と、日本が勝てる「優しいAI」

▶ インタビュー全文：生成AI万能論を越え、人と多様なAIが協調する時代へ（中編）

AIプロデューサーとは？AIを統括する人材と日本の勝機｜神奈川大学・山口高平教授

chai+広報部 — Thu, 01 Oct 2026 00:12:11 GMT

AIプロデューサーとは、推論AI・学習AI・生成AIの3種類のAIと従来のソフトウェアを、業務に応じて組み合わせ、使い分け、連携させる人材です。

生成AIの弱点を補い、AIを業務改革につなげるには、複数のAIを統括する人材と、組織全体で使えるデータが欠かせません。神奈川大学の山口高平教授は、6〜7年前から「AIプロデューサー」の育成を訴えてきました。さらに、米中が圧倒的なスピードでAI開発を進める中で、日本が勝負すべき独自の領域についても語ります。

本記事では、山口教授へのインタビュー（聞き手：デフィデ株式会社代表山本哲也）をもとに、AIプロデューサーの役割、日本企業のデータ統合を阻む組織の壁、経営層のITリテラシー、米中のAI開発競争と日本の課題、そして日本が勝負すべき「人と共創する優しいAI」について解説します。

この記事でわかること

・AIプロデューサーとは何か、なぜ今必要なのか

・データがあっても活用できない「組織の壁」

・中小企業のIT人材不足と、経営層のITリテラシーの課題

・米中のAI開発競争と、日本の規制・スピードの課題

・日本が勝負すべき「人と共創する優しいAI」

AIプロデューサーとは？――3種類のAIを統括する人材

AIはもはや特定の分野にとどまらず、あらゆる分野に浸透しています。前編で紹介したように、AIは推論AI、学習AI、生成AIの3種類に分けられます。中でも重要なのは生成AIですが、生成AIは100％正しい実行はできません。経路検索で駅名や料金を間違える、簡単な足し算をたまに間違える――定型処理には向かない面があるのです。

ある大手IT企業の会長も講演で、定型処理は100％正しくなければならないのに、生成AIを使うとエラーが起きる、だからこそ従来からある推論AIも使いこなす必要がある、と話していたといいます。

組み合わせる技術	役割
推論AI（オントロジーなど）	100％の正確さが求められる定型処理を担う
学習AI（ディープラーニングなど）	データを与えると、そこからルールやパターンを導き出す
生成AI	新規事業のアイデア出しなど、発想や対話を支援する
従来のソフトウェア	確実に動く既存の処理を担う

これらをうまくコーディネートし、使い分け、連携を考える人材が求められています。米国では、そうした人材の報酬はAIエンジニアよりも高くなっているといいます。

「そういう人材を私は『AIプロデューサー』と呼び、その人材育成をすることが我が国では非常に重要になってくると思います。」

――山口教授

6〜7年前から言い続けてきたこの考えが、最近になってようやく理解されるようになってきたと山口教授は語ります。中編で紹介した「AIオーケストレーション」で指揮者を務めるのが、このAIプロデューサーです。

データがあっても使えない――データ統合を阻む組織の壁

多くの企業と産学連携を進める中で、山口教授が気づいたことがあります。企業はデータをかなり持っているのに、それが機械学習やデータサイエンスに使える形になっていないのです。はっきり言えば、宝の持ち腐れの状態です。

例えば、ある企業では製造部に多様なデータがあるのに、活用されていませんでした。機械学習で良い結果を出すには多くのデータを連携させる必要がありますが、部署によってデータの整理の仕方がまったく違うため統合できず、結局、機械学習を断念したことがあったといいます。

データ統合を阻む壁	内容
部署ごとのデータの分断	部署によってデータの構造や整理の仕方が異なり、統合できない
変化への抵抗	従来のやり方を変えることを人は嫌う。新しいやり方は最初はむしろ手間がかかる
危機感の不足	「従来どおりでよい」という意識が、データ活用を遅らせる

日本の製造業は、中国企業の追い上げに脅かされるケースが増えています。「従来どおりで良い」と悠長なことを言っている場合ではない――データの統合は、今ようやく日本でも危機感を持って取り組まれ始めたところです。

部署ごとにバラバラのデータを、一つの基盤に

データを活用するには、まず組織全体のデータが一つの基盤にまとまっていることが前提です。DEFiDEの社内業務クラウド「SmartOps」は、社員・組織・業務の情報をひとつの基盤に集約し、AIエージェントやRAG、需要予測で活用できるようにします。基本機能はずっと無料で、必要な機能だけを追加できます。

▶ SmartOpsの機能を見る（基本機能はずっと無料）

中小企業のIT人材不足と、経営層のITリテラシー

日本の大手IT企業は、米国のビッグテックに倣ってAI人材の育成に取り組んでいます。問題は、日本の企業数の99.7％を占める中小企業に、情報系のIT人材が少なすぎることです。情報処理推進機構（IPA）の調査でも、DXを推進する人材が不足している日本企業は85.1％に上ります。

国	DXを推進する人材が「不足している」企業の割合
日本	85.1%
ドイツ	44.6%
米国	23.8%

出典：独立行政法人情報処理推進機構（IPA）「DX動向2025」／中小企業の割合は中小企業庁「中小企業白書」による

もう一つの大きな問題は、経営者のITリテラシーの低さです。これは中小企業に限らず、非IT系の大企業でも同様だと山口教授は指摘します。約20年前、大手企業のトップが集まる場に参加した際には、ITに精通した人が一人もいなかったといいます。今はかなり変わってきたものの、課題は残っています。

「あくまでもデータ中心で進めること。」

――山口教授

ITやAIに精通した人をリーダーに迎え、その指揮のもとで組織全体の業務改革を推進する。全国の製造業を回る中で、中国企業の追い上げに「このままではいけない」という危機感を抱く中小企業の経営者が増えていると、山口教授は感じています。

米中のAI開発競争と、日本の課題

AIのソフトウェアは米国が当面No.1。ロボットについても、数年前までは「日本はフィジカルAIで巻き返せるのではないか」という声が多くありました。しかし、この1年ほどで、中国が国の強力な支援のもとでAIロボットの研究開発を急速に進め、状況は大きく変わったと山口教授は見ています。

中国では、人型ロボットの運動会で記録が1年で大幅に伸びるなど、その勢いが注目されています。生成AIが膨大な数の本に相当するデータを学習して一気に成長したように、ロボットにも動作に関する大規模なデータを学習させようと、政府の主導で大学を巻き込み、動作データを集める取り組みが進められたといいます。上が方向性を示せば全体がそこに向かって動く――そのスピード感は、日本にはないものです。

日本の課題の一つとして山口教授が挙げるのが、規制です。自動車メーカーの関係者からは、日本は安全に関する規制が強く、先進的な技術が登場しても許可が下りにくいという声を聞くといいます。安全性はもちろん重要ですが、それを重視するあまり新しい技術の導入が遅れてしまう――AIをいち早く社会インフラに実装し、あらゆる場面で使える環境を整えてほしいと山口教授は期待しています。

日本が勝負すべき「人と共創する優しいAI」

AIのソフトウェアは米国、ロボットは中国――。では、日本はどこで独自性を発揮すればよいのでしょうか。山口教授が挙げるのは、人との関わりです。

人の感情を汲み取り、AIの側が反応を変えていく。人と共創する「優しいAI」の開発は、まだそれほど進んでいません。欧米の人はあらゆることを合理的に進めがちで、相手を気遣って対応を変えるような発想は薄いと山口教授は感じています。米国の知人からは「よくそんな面倒くさいことをするなあ」と言われることもあるそうです。

「人を相手にそういう対応をするAIを開発していく。ここには、十分商機があると思っています。」

――山口教授

相手を気遣い、感情を汲み取る――性能やコストの競争ではなく、日本人らしい感性を生かした人との共創にこそ、日本のAIの勝機があると山口教授は語ります。

よくある質問（FAQ）

Q. AIプロデューサーとは何ですか？

A. AIプロデューサーとは、山口教授が提唱する、推論AI、学習AI、生成AIの3種類のAIと従来のソフトウェアを、業務に応じてうまく組み合わせ、使い分け、連携を考える人材です。山口教授によると、米国ではこうした人材の報酬がAIエンジニアより高くなっているといいます。

Q. なぜ日本企業ではデータ活用が進まないのですか？

A. 山口教授は、多くの企業がデータを持っていても、機械学習に使える形になっていないと指摘しています。部署ごとにデータの整理の仕方が異なり統合できない、従来のやり方を変えることへの抵抗がある、といった組織の壁が、データ活用を阻んでいます。

Q. 中小企業がAIを活用するうえでの課題は何ですか？

A. 日本の企業数の99.7％を占める中小企業では、情報系のIT人材が少なすぎることが課題です。加えて、中小企業に限らず非IT系の大企業でも、経営者のITリテラシーが低いことが大きな問題だと山口教授は指摘しています。ITやAIに精通した人をリーダーに迎え、データ中心で業務改革を進めることが必要です。

Q. 米中のAI競争の中で、日本はどこで勝負すべきですか？

A. 山口教授は、AIのソフトウェアは米国が当面No.1で、ロボットもこの1年で中国が国の支援を受けて急速に伸びていると見ています。そのうえで、人の感情を汲み取って反応を変える、人と共創する「優しいAI」は、相手を気遣う日本人らしさを生かせる分野であり、十分な商機があると述べています。

Q. 日本でAIの社会実装が遅れる理由は何ですか？

A. 山口教授は、自動車メーカーの関係者の話として、日本は安全に関する規制が強く、先進的な技術が登場しても導入の許可が下りにくいことを挙げています。安全性は重要である一方、それを重視するあまり新しい技術の導入が遅れてしまうことが課題だとしています。

まとめ：AIを統括する人材と、データ中心の組織、そして「優しいAI」

AIプロデューサーとは、3種類のAIと従来のソフトウェアを業務に応じて組み合わせ、連携させる人材
企業はデータを持っていても、部署ごとの分断や変化への抵抗で活用できていないことが多い
中小企業のIT人材不足と経営層のITリテラシーが課題。データ中心の改革を、ITやAIに精通したリーダーのもとで
米中は圧倒的なスピードでAIやロボットを開発。日本は規制とスピードに課題を抱える
日本の勝機は、人の感情を汲み取り、人と共創する「優しいAI」にある

AIを使うこと自体が目的ではありません。人と技術の関係をどう設計し、仕事や社会をどう変えていくのか――それを考え、実行できる人材と組織が、これからの日本の競争力を左右します。

AIプロデューサーの視点で、AI活用を設計する

DEFiDEは、AI/DXコンサルティングと自社SaaSの開発・提供を通じて、企業のAI活用を支援しています。業務に応じたAIの組み合わせの設計から、データの整備、小さな実証、社内への定着まで伴走します。

▶ AI/DXコンサルティングの無料相談はこちら

▶ 前編：AIの種類と使い分けとは？生成AI万能論の落とし穴

▶ 中編：AIオーケストレーションとは？人が指揮者となり多様なAIと協調する

▶ インタビュー全文：生成AI万能論を越え、人と多様なAIが協調する時代へ（後編）

AI時代の学び直しとは？学歴から学習歴へ｜早稲田大学・鷲崎弘宜教授

chai+広報部 — Mon, 28 Sep 2026 03:50:07 GMT

AI時代に最も必要なのは、物事の本質を捉える「抽象化」の力と、学び続けて自らの価値を更新し続ける姿勢です。「学歴から学習歴へ」――その流れはもう間違いありません。

生成AIは膨大な情報を処理し、探索する力を人にもたらしました。一方で、最終的な価値判断や倫理、そして新しい知の創出は、人間に委ねられています。早稲田大学の鷲崎弘宜教授は、AIを突き詰めるほど、人の営みを突き詰めることになると語ります。

本記事では、鷲崎教授へのインタビュー（聞き手：デフィデ株式会社代表山本哲也）をもとに、AI時代に最も必要な抽象化の力、実践の場とスピード感、暗黙知の形式知化、AI時代に人間が担う価値判断と倫理、そして「学歴から学習歴へ」の学び直しについて解説します。

この記事でわかること

・AI時代に最も学ぶべき「抽象化」の力

・実践の場で学ぶ意味と、AIがもたらすスピード感への向き合い方

・暗黙知を形式知にする取り組みと、フィジカルAI

・AIが進化しても人間に残る、価値判断と倫理

・「学歴から学習歴へ」――社会人の学び直しとリカレント教育

AI時代に最も必要なのは「抽象化」の力

AI時代の学生に学んでほしいことを一つだけ挙げるとしたら――。鷲崎教授は「色々出てきてしまう」としながら、その根底にあるものを語りました。

コンピューティングもソフトウェア工学も、そのベースは抽象化です。抽象化して本質を捉え、そのレイヤーを積み重ねる。そして、抽象的なところから具体的なところへきちんと落とし込む。前編で紹介した「ゴール指向」も、「本当にやりたいことは何か」という問題の本質を捉える抽象化です。

学んでほしいこと	共通する本質
ゴール指向	「本当にやりたいことは何か」を捉える
批判的思考	物事を鵜呑みにせず、本質を問う
学び方の学び方	技術が刻々と変わる中で、自ら学び続ける方法を身につける

「だから、結局それらは全て抽象化、「まずは何が本質なのか」と批判的に捉えようとすることに尽きます。」

――鷲崎教授

実践の場で学ぶ――AIがもたらすスピード感と向き合う

鷲崎教授は大学の講義で演習を増やし、プロジェクト形式の取り組みを重視しています。研究室の研究テーマのほとんどは産学連携で、2〜5人のチームが企業の要望を聞きながら、担当を分担し、統合し、成果を納めて評価を受けます。実践の中でソフトウェアエンジニアリングを学ぶのです。

一方で、AIによって調査や実験のスピード感は大きく変わりました。かつて半年かけていた調査を、数週間で10倍から100倍の量で整理する――良くも悪くも、AIネイティブの世界はそのスピード感にならざるを得ません。

深い思考と速い思考を使い分ける：じっくり考えるべきタスクと、スピードを生かすべきタスクを切り分けられる人が突き抜けていく
本質を批判的に突き詰める：情報があふれる中で、本質の抽象化をじっくりと突き詰められることが大切
新しい知識と体験を生み出す側に：AIは過去の知識やデータに基づく。新しい知識や体験を生み出せる側になれるかが問われる

暗黙知を形式知に――AIクローンとフィジカルAI

AIが扱えるのは、デジタルデータになったものです。日本の製造業などに蓄積された暗黙知は、AIが持っていないものです。鷲崎教授は、工場のデジタルツインや、人の性格や考え方をAIに持たせる「AIクローン」も一種のデジタルツインだとしたうえで、暗黙知をいかに言語化して形式知にできるかが問われていると語ります。触覚技術の進展で、職人の手先の技術や感触もデータとして蓄積し、ロボットに学ばせる取り組みも進んでいます。

鷲崎教授自身も、自動運転に搭載するAIやソフトウェアシステムを、上位の目標と整合させながらリスクを管理し、効率よく開発する研究に取り組んでいます。シミュレーションに使うAIモデルの調整も含め、エージェントによる統合を進めており、その成果は一種のフィジカルAIになると見ています。

AIが進化しても人間に残るもの――価値判断と倫理

AIに研究をさせ、論文を書かせ、AIによる論文だけを受け付ける学会まで現れました。ただし、最後の採択は人が決めます。それがどんな価値を持つのかという目利きや価値判断には、人が関わらざるを得ないのです。ソフトウェア工学の研究でも、大規模な開発履歴のデータから規則性を見つける作業はAIが候補を出すようになり、研究のあり方も変わっていくと鷲崎教授は見ています。

人間の知能をはるかに超えるAIの時代を見据えたとき、教育のミッションは何か。鷲崎教授は、抽象化やゴール指向、批判的思考、学び方の学び方に加えて、大局的な価値判断や倫理的な価値観をどう養うかが重要になると語ります。

「AIを突き詰めれば突き詰めるほど、人の営みを突き詰めることになります。」

――鷲崎教授

例えば、生成AIを導入して開発を加速させようとすると、標準化されているようで実はあいまいで、必ずしも合理的ではない人の活動の実態があらわになります。AIで見直すことは、人の営みを見直すこと。「このソフトウェアは社会の何のためにあるのか」を捉える教育は、ソフトウェアの作り方以上に大切になると鷲崎教授は語ります。

社員のスキルと成長を「見える化」する

学び続ける組織をつくるには、一人ひとりのスキルや成長を把握することが出発点です。DEFiDEの「JOB Scope」は、目標管理や評価、スキルの可視化を通じて、組織に合った人材マネジメントを支援するタレントマネジメントシステムです。

▶ JOB Scopeの詳細を見る

「学歴から学習歴へ」――学び続ける人がAIと共進化する

「学歴から学習歴への流れはもう間違いありません。」

――鷲崎教授

技術も環境も立場も刻々と変わり続ける中で、どれだけ学び続けられるかが大切です。鷲崎教授は、一人ひとりが自分の価値や専門性を磨いて発揮し、うまくいかなければ学び直して次に挑戦する――そうした社会へ日本も向かっていくのではないかと語ります。

ところが日本では、自分のITスキルのレベルがわからないという人が少なくないといいます。自分が市場の中でどんな位置にいて、どんな価値があるのかを把握し、それをいかに高めるかを常に意識することが大切です。生成AIによって専門性のない「なんちゃってエンジニア」が淘汰されていく今は、その意識を変えるチャンスでもあります。

学び直しの重要性は、データからも明らかです。情報処理推進機構（IPA）の「DX動向2025」によると、DXを推進する人材が不足している日本企業は85.1%に上ります。

国	DXを推進する人材が「不足している」企業の割合
日本	85.1%
ドイツ	44.6%
米国	23.8%

出典：独立行政法人情報処理推進機構（IPA）「DX動向2025」

社会人の学び直しプログラム「スマートエスイー」

鷲崎教授が事業責任者を務める「スマートエスイー」は、早稲田大学を中心に、第一線の教育者・研究者・実務家がAI・IoT・ビッグデータ分野のイノベーティブなDX人材を育成する社会人向けの学び直しプログラムです。産学連携で企業と共同研究をする中で、「最後は人」――システムを生み出し、運用し、価値を生むのは人であると改めて感じたことが、取り組みのきっかけの一つだといいます。

コース	主な対象と内容
IoT/AIコース	IT、ソフトウェア、SIなどの技術者が、IoTやAI、生成AI、AIエージェントを作り、それによってシステムを運用して価値を生み出す方法を学ぶ
DXコース	ビジネスパーソンが、生成AIなどで自身の業務を効率化し価値を高める方法や、組織やビジネスモデルのデジタル変革の考え方と手法を学ぶ
共通の特徴	約半年、年1回募集。法令に基づく履修証明プログラムで、履歴書に記載できる。デジタル証明書（オープンバッジ）も発行。リモートでも修了でき、対面の演習機会もある

受講者は、IT系の企業だけでなく、食品や商社、官公庁などのユーザー企業からも集まり、遠方からの参加者もいます。プログラムでの学びは研究の新しいテーマにもなり、研究成果はまた教育に還元されます。デンソーとの取り組みのように、プログラムで企業の受講者が取り組んだ研究を、さらに共同研究で深める流れも生まれています。教えを受けるだけでなく、ともに価値を生み出し続ける――教育と研究が両輪で発展していく姿を、鷲崎教授は目指しています。

よくある質問（FAQ）

Q. AI時代に最も学ぶべきことは何ですか？

A. 鷲崎教授は「抽象化」の力を挙げています。コンピューティングもソフトウェア工学も、本質を捉えて抽象化し、それを具体的なものに落とし込むことで成り立っています。ゴール指向も批判的思考も「学び方の学び方」も、突き詰めれば「何が本質なのか」を批判的に捉えようとする抽象化に行き着くといいます。

Q. AIが進化しても人間に残る役割は何ですか？

A. 鷲崎教授は、大局的な価値判断や倫理的な価値観は人間が担うべきだとしています。AIに研究や論文執筆をさせる動きも出てきましたが、それが本当にどんな価値を持つのかという目利きや価値判断には、人が関わらざるを得ません。

Q. 暗黙知はAIでどう扱えますか？

A. 工場のデジタルツインや、人の考え方や判断基準をAIに持たせる「AIクローン」のように、暗黙知をいかに言語化して形式知にするかが問われています。職人の手先の感触などもデータとして蓄積し、ロボットに学ばせる取り組みも進んでいます。

Q. 「学歴から学習歴へ」とはどういう意味ですか？

A. 技術も環境も立場も刻々と変わる中で、どの学校を出たかより、どれだけ学び続けてきたかが重要になるという考え方です。鷲崎教授は、一人ひとりが自分の価値や専門性を磨き、市場の中での自分の位置を把握しながら、学び続けることが大切だと述べています。

Q. 社会人がAIやDXを学び直す方法はありますか？

A. 鷲崎教授が事業責任者を務める早稲田大学中心のリカレント教育プログラム「スマートエスイー」では、IoT/AIコースとDXコースを設けています。いずれも約半年の履修証明プログラムで、リモートでも修了でき、履歴書に記載できる履修証明やデジタル証明書も発行されます。

まとめ：本質を問い、学び続ける人がAIと共進化する

AI時代に最も必要なのは、本質を捉える「抽象化」の力。ゴール指向も批判的思考もそこに行き着く
実践の場で学び、深い思考と速い思考を使い分け、新しい知識を生み出す側に立つ
暗黙知をいかに言語化して形式知にするかが、AI時代の大きなテーマ
AIを突き詰めるほど、人の営みを見直すことになる。価値判断と倫理は人間の役割
学歴から学習歴へ。自分の価値を把握し、学び続けることがAIと共進化する鍵

抽象化する力、ゴールを見極める力、そして学び続ける姿勢。決して新しい概念ではありませんが、AIが高度化する今だからこそ、その意味はより鮮明になっています。

学びを、組織の価値創造につなげる

DEFiDEは、AI/DXコンサルティングと自社SaaSの開発・提供を通じて、企業のAI活用と人材の成長を支援しています。目標の整理から、AIの活用設計、社内への定着まで伴走します。

▶ AI/DXコンサルティングの無料相談はこちら

▶ 前編：ソフトウェア工学とは？「作り方をつくる」学問と、生成AI時代に欠かせない「ゴール指向」

▶ 中編：生成AIでソフトウェア開発はどう変わる？「コード中心」から「意図中心」へ

▶ インタビュー全文：生成AIの進化が暴く「人間の本質」（後編）

生成AIでソフトウェア開発はどう変わる？意図中心の時代｜早稲田大学・鷲崎弘宜教授

chai+広報部 — Mon, 28 Sep 2026 03:45:15 GMT

生成AIによって、ソフトウェア開発は「コード中心」から「意図（インテント）中心」へ転換します。実装の多くは自動化されますが、「何を実現したいのか」を定め、その妥当性を検証する責任は人間に残ります。

生成AIに指示するだけで、コードもテストも設計の案も出てくる時代になりました。では、エンジニアの役割はどう変わるのか。早稲田大学の鷲崎弘宜教授は、これからのエンジニアは一人ひとりがAIエージェントを率いるマネージャーになり、「最初」と「検証」に重点が移ると語ります。

本記事では、鷲崎教授へのインタビュー（聞き手：デフィデ株式会社代表山本哲也）をもとに、「意図中心」の開発への転換、狭い意味でのプログラマーの仕事の行方、生成AIの2つの使い方、ブラックボックス化する時代の教育、開発者の価値の評価、そして理系・文系の境界について解説します。

この記事でわかること

・生成AIで開発が「コード中心」から「意図中心」へ変わるとはどういうことか

・狭い意味での「プログラマー」の仕事の行方と、人に残る役割

・エンジニアがAIエージェントを率いるマネージャーになる未来

・ブラックボックス化する時代に、原理を学ぶ意味

・開発者の価値の評価の変化と、「なんちゃってエンジニア」が淘汰される理由

「コード中心」から「意図中心」へ

生成AIによって、高信頼なソフトウェアを効率よく開発する方法は大きく変わる――鷲崎教授はそう断言します。

「コード中心から意図中心、コードセントリックからインテントセントリックな開発や運用に向かっていくというのは、これは避けられないものです。」

――鷲崎教授

当初は、直感的に指示してコードを生成する「バイブコーディング」のように、コーディングに限られていました。今では、意図を起点とした開発が、要求から設計、コーディング、テスト、マネジメントまで、開発のあらゆる工程に広がりつつあります。

工程	これまで	意図中心の開発
要求	専門家が要求を書き出す	生成AIとの対話や探索を通じて、「本当にやりたかったこと」を機能や仕組みとして明らかにする
設計	設計者が意図に沿って設計し、検証する	生成AIや大規模な知識を活用して、意図から設計を進める（検証は必須）
コーディング・テスト・マネジメント	手順に沿って人が進める	意図を起点に、生成AIを活用して進める

さらに、ソフトウェアは利用者の文脈に合わせて変化し、一人ひとりに合わせたパーソナルなものになっていくといいます。これまでは人がソフトウェアに合わせてきましたが、同じアプリでも使う人によって振る舞いが違う、ということが当たり前になっていく。それは良さであると同時に、難しさでもあります。

狭い意味での「プログラマー」はいなくなる――人に残る「最初」と「検証」

鷲崎教授は、ある書籍に寄せた推薦文で「2030年、プログラマーは地球から消え去った」と、あえてSF小説風に書いたといいます。与えられた詳細な仕様をプログラムに書き起こす――それを狭い意味での「プログラマー」の仕事と捉えるなら、その大部分がなくなっていくのは間違いないと見ています。

そうなると重要になるのは、開発の「最初」と「終わり」です。そもそも何をやりたいのか。そして主要なポイントで検証し、受け入れて統合できるか。業務や組織、社会にどんな価値をもたらすのかに直接重点を置けるようになる――それはソフトウェアエンジニアリングの本当の原点に立ち返ることであり、前編で紹介した「ゴール指向」そのものだと鷲崎教授は語ります。

生成AIの2つの使い方

	正解がわかっている作業	正解がわからない作業
主な工程	コーディング、テストなど開発の下流	分析、設計など開発の上流
生成AIの使い方	効率化・自動化	数百、数千のパターンを探索的に検討する
人の役割	結果を検証する	元の意図に照らして、どれが望ましいかを価値判断する

どちらの使い方でも、最後は人が「何が妥当か」を判断しなければなりません。そのためには、何が正しいコーディングで、何が正しいテストで、何が正しい設計なのかを、しっかり学んでおく必要がある。学んだうえで、作業は生成AIに任せればよいのです。

生成AIの出力の正確性は、企業にとっても大きな関心事です。帝国データバンクの2026年3月の調査では、生成AIを活用するうえでの懸念として「情報の正確性」を挙げた企業が50.4%と最も多くなっています。

調査項目（生成AIに関する企業の動向調査）	結果
生成AIを業務で「活用している」企業	34.5%
懸念・課題：「情報の正確性」	50.4%（最多）

出典：帝国データバンク「生成AIに関する企業の動向調査（2026年3月）」（有効回答1万312社）

AIの出力を「確かめやすく」する

AIを業務で使いこなすには、出力の根拠を確かめられることが欠かせません。DEFiDEの「chai+」は、社内の文書やマニュアルを参照して回答するRAG型のAIチャットボットです。根拠となる社内情報に基づいて回答するため、検証しやすく、安心して業務に活用できます。

▶ chai+の資料をダウンロードする

エンジニアはAIエージェントを率いるマネージャーに

「まさに、これからのエンジニアというのは、一人ひとりがマネージャーになってAIエージェントを率いていきます。」

――鷲崎教授

一人ひとりのエンジニアが多くのAIエージェントを束ね、「あなたはこれを」「あなたはこちらを」と作業を割り振る。結果を検証し、「これはうまくいっていない、修正しなさい」と指示する。マネージャーが務まるのは、何が正しいのかを価値判断できるからです。これからのエンジニアの仕事は、「頭」と「お尻」――意図の設定と検証に重点が移っていくのです。

ブラックボックス化する時代こそ、原理を学ぶ

生成AIが当たり前の時代に育つ学生を、どう教育すべきか。鷲崎教授は「今まさに過渡期で、正直手探り」としながら、2つの視点を挙げます。

視点1：原理と仕組みを学ぶ

これからの開発の多くは、ある種のブラックボックスになっていきます。エージェント同士で作業や検証を進め、最後に人が承認する――その大部分は見えにくくなります。

「今後ソフトウェア開発の大半がブラックボックスになっていく時こそ、原理・仕組みはしっかり学んでおいてほしいと思います。」

――鷲崎教授

ビジネスの現場では、利益が求められる中で原理に立ち返る時間は限られます。だからこそ、原理を学ぶことは大学で学べることになっていくと鷲崎教授は考えています。

視点2：開発者の価値の評価が変わる

一方で、現場では「良い開発者」の定義が変わりつつあります。中身をよくわかっていなくても、AIエージェントをうまく使い、見た目の生産性が高い開発者が現れているのです。数年前には、委託を受けて開発しているように見せながら、実はほとんどをAIに任せていた人が契約を打ち切られたという話題もありました。しかし、最小の労力で効率よく成果を上げていたのなら、それはむしろ優れているという見方もできます。

	これまでの評価	これから問われる評価
評価の軸	どれだけ時間や労力を費やしたか（人月）	開発者と成果物が生み出した価値
価値の測り方	主に金銭や工数に換算	社会的な価値や責任も含めて測る
影響	工数に基づく契約	顧客との契約のあり方も見直しが必要に

鷲崎教授は多くのSIベンダーと議論を重ねており、開発者や成果物の価値をどう測り、評価するかを突き詰めることが、これからの大きな課題だと語ります。

理系・文系の境界と、「なんちゃってエンジニア」の淘汰

生成AIへの指示には言語化の力が欠かせず、理系・文系の境界はなくなるのではないか――聞き手の山本の問いに、鷲崎教授は、境界が薄れる領域と、専門性がより重要になる領域があると答えます。

領域	求められる力
ミッションクリティカルでない、複雑性の低い領域	意図を相手にわかる言葉で正しく伝える言語化の力、ドメイン知識、自分の思考を振り返って調整するメタ認知。境界は薄れ、文系の得意も生きる
セキュリティ、安全性、大規模化などが問われる領域	「十万、百万のユーザーがアクセスしたらどうなるか」「この処理ではスケールしない」を判断できる、専門性を持ったプロフェッショナルのエンジニア

そのため、エンジニアとして振る舞いながら専門性を持たない「なんちゃってエンジニア」は厳しくなる一方、本当の意味で専門性を持ったプロフェッショナルは、AIエージェントによる開発の加速や大規模化に伴って、ますます必要になると鷲崎教授は見ています。

よくある質問（FAQ）

Q. 生成AIでソフトウェア開発はどう変わりますか？

A. 鷲崎教授は、開発が「コード中心」から「意図（インテント）中心」へ転換すると述べています。要求、設計、コーディング、テスト、マネジメントのあらゆる工程で、「何を実現したいのか」という意図を起点に、生成AIと対話しながら進める形に変わっていきます。ただし、生成AIの出力は必ず検証が必要です。

Q. プログラマーの仕事はなくなりますか？

A. 与えられた詳細な仕様をプログラムに書き起こすという狭い意味でのプログラマーの仕事は、大部分がなくなっていくと鷲崎教授は見ています。一方で、「そもそも何をやりたいか」という最初の部分と、主要なポイントで検証し受け入れて統合する最後の部分の重要性は、むしろ高まります。

Q. これからのエンジニアに求められる役割は何ですか？

A. 鷲崎教授は、一人ひとりのエンジニアが、多くのAIエージェントを束ねるマネージャーになると述べています。エージェントに作業を割り振り、結果を検証して修正を指示する。そのためには、何が正しいコーディングや設計、テストなのかを学び、価値判断できることが必要です。

Q. 生成AIの使い方にはどんな種類がありますか？

A. 大きく2つあります。一つは、コーディングやテストなど、正解がわかっている下流の作業を自動化・効率化する使い方。もう一つは、分析や設計など正解がわからない上流の工程で、数百、数千のパターンを探索的に検討する使い方です。どちらも、最後に何が妥当かを判断するのは人間です。

Q. 開発者の価値はどう評価すべきですか？

A. これまでは費やした時間や労力（人月）に目が向きがちでした。しかし生成AIの時代には、最小の労力で効率よく成果を上げることが評価されるべきだという見方もあります。鷲崎教授は、社会的な価値や責任も含めて、開発者が生み出す価値をどう測り評価するかを突き詰める必要があり、顧客との契約のあり方も変わっていくと述べています。

まとめ：開発は「意図」と「検証」の時代へ

生成AIにより、ソフトウェア開発は「コード中心」から「意図中心」へと転換する
狭い意味でのプログラマーの仕事は大部分がなくなり、「最初（意図）」と「終わり（検証）」の重要性が高まる
エンジニアは一人ひとりがAIエージェントを率いるマネージャーになり、価値判断力が中核になる
開発がブラックボックス化する時代こそ、原理と仕組みを学ぶことが差を生む
開発者の価値の評価は、工数から生み出した価値へ。専門性のない「なんちゃってエンジニア」は淘汰される

後編では、AI時代に最も必要な力として鷲崎教授が挙げる「抽象化」、暗黙知と向き合う力、価値判断と倫理、そして「学歴から学習歴へ」という学び直しの考え方について伺います。

AI時代の「働き方と価値」を、組織で可視化する

生成AIの活用が進むほど、「どれだけ時間をかけたか」ではなく「どんな価値を生んだか」が問われます。DEFiDEの「生成AIワークバリュー・スコア分析」で、組織の生成AI活用の状況を把握し、次の打ち手を明確にできます。

▶ 生成AIワークバリュー・スコア分析を無料で体験する

▶ 前編：ソフトウェア工学とは？「作り方をつくる」学問と、生成AI時代に欠かせない「ゴール指向」

▶ 後編：AI時代の学び直しとは？「学歴から学習歴へ」

▶ インタビュー全文：生成AIの進化が暴く「人間の本質」（中編）

ソフトウェア工学とは？生成AI時代のゴール指向｜早稲田大学・鷲崎弘宜教授

chai+広報部 — Mon, 28 Sep 2026 03:39:30 GMT

ソフトウェア工学とは、高信頼で価値のあるソフトウェアシステムを、いかに効率よく生み出し続けられるかを研究する分野です。一言で言えば、「ソフトウェアの作り方をつくる」学問です。

生成AIやAIエージェントによって、ソフトウェア開発のあらゆる工程が自動化・加速されつつあります。では、エンジニアリングの知識はもう要らないのでしょうか。IEEE Computer Societyの2025年会長を務めた早稲田大学の鷲崎弘宜教授は、むしろ逆だと語ります。AIは常に正しいとは限らない。だからこそ、正しくエンジニアリングすることがますます重要になるのです。

本記事では、鷲崎教授へのインタビュー（聞き手：デフィデ株式会社代表山本哲也）をもとに、ソフトウェア工学の基本、生成AI時代にエンジニアリングが重要な理由、社会の目標から逆算する「ゴール指向」、AIシステムの品質保証、そして世界最大のコンピューティング学会での取り組みを解説します。

この記事でわかること

・ソフトウェア工学とは何か、「AI for SE」と「SE for AI」

・生成AI時代にこそ「正しいエンジニアリング」が必要な理由

・正しく作っても使われない「残念なソフトウェア」を防ぐゴール指向

・AIを組み込んだシステムの品質保証の最前線

・ソフトウェア工学がエキサイティングな理由と、IEEE-CS会長としての取り組み

ソフトウェア工学とは？――「作り方をつくる」学問

「言い換えれば、ソフトウェアの作り方をつくる。そういう研究領域になります。」

――鷲崎教授

鷲崎教授は現在、ソフトウェア工学とAIの境界を主な研究領域としています。その柱は、次の2つです。

研究の柱	内容
AI for SE	生成AIや機械学習を使って、ソフトウェア開発の効率化や高品質化を進める
SE for AI	AIシステムもソフトウェアである。試行錯誤で作るだけでなく、AIシステムにこそきちんとソフトウェアエンジニアリングを適用する

AIシステムの開発は、データを集めて試行錯誤する実験的な進め方から入ることが多くなります。しかし、だからといってソフトウェアエンジニアリングをしなくてよいわけではありません。むしろAIシステムこそ、しっかりとエンジニアリングしなければならないと鷲崎教授は強調します。これらを支える人材育成や知識の体系化にも、学会活動などを通じて取り組んでいます。

生成AI時代にこそ「正しいエンジニアリング」が必要

鷲崎教授が著・編集を務めた『生成AIによるソフトウェア開発：設計からテスト、マネジメントまでをすべて変革するLLM活用の実践体系』は、要求定義から設計、運用までの全工程を網羅し、生成AIの力を適切に活用して高効率かつ高信頼な開発を進めるための実践体系です。本書で最も伝えたかったことを尋ねると、鷲崎教授はこう答えました。

「AIはその原理上、常に100%正しいとは限らず、しばしば誤った内容を出力します。」

――鷲崎教授

だからこそ、AIを活用するには、出力のどこが正しく、どこが誤っているのか、さらにはソフトウェアの正しい作り方と誤った作り方の違いを理解しておくことが欠かせません。生成AIやAIエージェントで開発のさまざまな活動を自動化・加速できる時代だからこそ、表面的な技術の流行に左右されない、ソフトウェアエンジニアリングの基礎が重要になるのです。

「正しく作る」だけでは足りない――ゴール指向

ソフトウェア開発で古くから言われてきたのが、「正しいものを正しく作る」ことです。これを表すのがV&Vという考え方です。

用語	意味	問い
ベリフィケーション（検証）	設計や実装が、定められた仕様どおりに正しく作られているかを確認する	正しく作ったか？
バリデーション（妥当性確認）	でき上がったものが、実際の使用条件のもとで利用者のニーズを満たすかを確認する	正しいものを作ったか？

「ただ、ソフトウェアエンジニアリングの面白さと難しさというのは、正しく作られたものでも正しいとは限らないことです。」

――鷲崎教授

世の中には、仕様どおり正しく作られていても、誰にも使われない、何の価値も生み出さないソフトウェアがたくさんあります。例えばスマートフォンにも、ほとんど使われていない機能が数多く詰まっています。鷲崎教授はこうしたシステムを「残念なソフトウェアシステム」と呼びます。まして不確実性の高い今の時代には、何が正しいのかは当初あいまいにしか定義できず、時とともに変化もします。

そこで鷲崎教授の研究室が柱に掲げるのが、「ゴール指向（目標指向）」です。

	システムありきの開発	ゴール指向の開発
出発点	作るシステムや機能	社会や組織、業務の目標と「どう在りたいか」
進め方	仕様を決めて正しく作る	問題を的確に捉えて問いを立て、目標から根拠のある形で必要な機能や仕組みを導き出す
起こりがちな結果	正しく作ったのに使われない「残念なソフトウェア」	ビジネスや社会への価値と、機能や仕組みが整合したシステム

このシステムは、誰にとって、どんな価値を生むのか。それが業務やビジネス、組織、社会への影響とつながっているか――その整合を確かめることが、ゴール指向の核心です。

システムありきではなく、「目標」から設計する

AIやシステムの導入で成果を出すには、「何を作るか」の前に「何を実現したいのか」を明確にすることが出発点です。DEFiDEでは、AI/DXコンサルティングを通じて、業務や組織の目標の整理から、必要な仕組みの設計、小さな実証まで伴走します。

▶ AI/DXコンサルティングの無料相談はこちら

AIシステムの品質をどう保証するか

鷲崎教授の研究室では、AIを基盤としたシステムの品質保証について、企業と多くの共同研究を行っています。

テーマ	内容
AIシステムのセキュリティリスク分析	データを通じた攻撃や脆弱性、使い方、他のシステムとの接続などのリスクを分析する。その分析自体にも生成AIを活用し、脅威の知識の構造化・体系化やAIエージェントによる安全性の確保を進めている
機械学習モデルの調整（アライメント）	目標から逆算して必要なモデルの要求を細かく分け、満たしているかを可視化。モデルの重みを調整し、すでに満たしている要求を保ったまま、満たしていない要求にも対応させる

機械学習モデルの調整は、アイシンとの共同研究の成果でもあります。「そもそもの目標は何か」から、それを満たすために必要なモデルを考える――ここにも、ゴール指向が生きています。

ソフトウェア工学がエキサイティングな3つの理由

鷲崎教授は、ソフトウェア工学を「エキサイティングかつチャレンジングな領域」だと言います。その理由は3つあります。

理由	内容
① エンジニアリングであること	科学に裏付けられた原理・原則と、実証された経験則を組み合わせ、実践し続ける
② 学際的であること	ソフトウェアを作る人、使う人、そしてビジネスや社会への影響まで、実践の範囲がソフトウェアの中に閉じていない
③ 社会の基盤を担うこと	農業も流通も、あらゆる産業がデジタル産業へ向かう。その基盤を担うのはソフトウェアであり、その作り方が社会の基盤の作り方になる

世界最大のコンピューティング学会の会長として

鷲崎教授は、80年の歴史を持つ世界最大のコンピューティング学会IEEE Computer Societyの2025年会長を、アジアから2人目として務めました。会長として掲げたのは、次の3つです。

若手・学生の参画：未来は若手や学生にある。学生主体の活動や若手向けの活動に予算をつけ、学会に所属する価値を感じてもらう
産業界の参画：AI関連のイノベーションの多くは産業界から生まれている。学術的な裏付けのある技術の実践など、学会だからこそできる産業界向けのイベントを進める
新領域の開拓：AIや量子コンピューティング、さらにその先を切り開くコミュニティであり続ける

今後は、学生と産業界をつなぐキャリア支援など、これらの柱の連携を深めたいといいます。さらに、理論からハードウェア、ソフトウェア、通信、ビジネスへの応用まであらゆるレイヤーを扱う「フルスタック」の強みを生かし、AI分野でのリーダーシップを明確に打ち出していくことが大きな課題だと語ります。

原点は「自分でルールを作る」楽しさ

鷲崎教授がソフトウェアに興味を持ったのは、小学生のとき、父親に買ってもらったパソコンがきっかけでした。既成のゲームに飽き、プログラミングで自分のゲームを作れると知って、BASICから学び始めました。与えられたルールで遊ぶのではなく、自分でルールを作り、自分の世界を自由に組み立てられる。しかも、それを他の人と共有できる――その楽しさが原点です。やがて、ソフトウェアそのものより、それを効率よく作る「作り方」に興味を持つようになり、研究の道に進みました。

よくある質問（FAQ）

Q. ソフトウェア工学とは何ですか？

A. ソフトウェア工学（ソフトウェアエンジニアリング）とは、高信頼で価値のあるソフトウェアシステムを、いかに効率よく生み出し続けられるかを研究する分野です。鷲崎教授は、ソフトウェアそのものを作るのではなく、「ソフトウェアの作り方をつくる」研究領域だと説明しています。

Q. 「AI for SE」と「SE for AI」とは何ですか？

A. 「AI for SE」は、生成AIや機械学習を使ってソフトウェア開発を効率化・高品質化することです。「SE for AI」は、AIシステムもソフトウェアである以上、試行錯誤で作るだけでなく、きちんとソフトウェアエンジニアリングを適用して作ることです。鷲崎教授はこの二つを研究の両輪にしています。

Q. なぜ生成AI時代にソフトウェア工学が重要なのですか？

A. 生成AIはその原理上、常に正しいとは限らず、しばしば誤った内容を出力します。だからこそ、何が正しく何が誤っているのか、正しい作り方と誤った作り方の違いを理解しておくことが欠かせません。開発を自動化・加速できる時代だからこそ、正しくエンジニアリングすることがますます重要になると鷲崎教授は述べています。

Q. ゴール指向とは何ですか？

A. ゴール指向（目標指向）とは、システムを作ることありきではなく、社会や組織、業務の目標や「どう在りたいか」から逆算し、必要な機能や仕組みを根拠のある形で導き出す考え方です。正しく作られていても誰にも使われない「残念なソフトウェアシステム」を生まないための柱です。

Q. AIシステムの品質はどう保証するのですか？

A. 鷲崎教授の研究室では、AIを組み込んだシステムのセキュリティリスク分析や、機械学習モデルの調整（アライメント）に企業と取り組んでいます。例えば、目標や要求を細かく分けて満たしているかを可視化し、モデルの重みを調整することで、すでに満たしている要求を保ったまま、満たしていない要求にも対応させる技術を研究しています。

まとめ：生成AI時代こそ、「何のために、どう作るか」

ソフトウェア工学とは、高信頼で価値あるソフトウェアを効率よく生み出し続ける「作り方をつくる」学問
AIは常に正しいとは限らない。開発を加速できる時代だからこそ、正しいエンジニアリングが重要
正しく作っても価値がなければ意味がない。社会や組織の目標から逆算するゴール指向が不可欠
AIシステムにもセキュリティ分析やモデル調整など、きちんとしたエンジニアリングが必要
ソフトウェア工学は、あらゆる産業のデジタル化を支える社会の基盤の作り方を担う

中編では、生成AIによってソフトウェア開発が「コード中心」から「意図中心」へ変わる中で、エンジニアの役割と教育、そして開発者の価値の評価がどう変わるのかを伺います。

AIに任せられる仕事はAIに。人は価値を生む仕事へ

DEFiDEの社内業務クラウド「SmartOps」は、AIエージェントやRAG、AI-OCRを活用し、社内手続きの確認や社内情報の検索、紙の書類のデータ化などの定型業務を効率化します。基本機能はずっと無料で、必要な機能だけを追加できます。

▶ SmartOpsの機能を見る（基本機能はずっと無料）

▶ 中編：生成AIでソフトウェア開発はどう変わる？「コード中心」から「意図中心」へ

▶ インタビュー全文：生成AIの進化が暴く「人間の本質」（前編）

生成AIを「使いこなす側」になるには？問いと理論の力｜創価大学・萩原良信准教授

chai+広報部 — Mon, 28 Sep 2026 03:27:42 GMT

生成AIを使いこなすには、自分の実体験から問いを立てる力と、理論を理解して実装の限界を見極める力が欠かせません。

プログラムも文章も、生成AIがすぐに作ってくれる時代です。学生からは「生成AIの時代にプログラミングを学ぶ意味はあるのか」と聞かれることもあるといいます。創価大学の萩原良信准教授は、生成AIが出した結果をそのまま受け取る「使われる側」ではなく、生成AIを「コントロールする側」に立つことの大切さを説きます。

本記事では、萩原准教授へのインタビュー（聞き手：デフィデ株式会社代表山本哲也）をもとに、生成AIに「使われる側」にならないための考え方、理論を学ぶ意味、実体験から問いを立てる力、大学教育の役割、そしてAIやロボットをパートナーとして受け入れる日本の可能性について解説します。

この記事でわかること

・生成AIに「使われる側」になるとはどういうことか

・実装のハードルが下がった今こそ、理論が重要になる理由

・生成AIにはない「実体験」から問いを立てる力

・仮説・検証・説明を通じて論理的思考を育てる大学教育の役割

・AIやロボットを「パートナー」として受け入れる日本の可能性

生成AIに「使われる側」になっていないか

課題を出すと、生成AIでプログラムを作り、「動きました」と報告してくる学生もいます。一見すると動いていても、よく見ると、その入力情報だけでは原理的に求められないはずの量を扱っていることがあります。一緒に処理の中身を確認していくと、生成AIが自動的に作ったコードに、意図しない処理が含まれていたとわかることもあるそうです。

	生成AIに「使われる側」	生成AIを「使いこなす側」
出力への向き合い方	結果をそのまま受け取り、深く考えずに提出する	「これはおかしい」「このままではだめだ」と判断する
実世界との関係	出力が実際の問題に合っているかを確かめない	実世界の問題や条件に照らして、調整・修正・適応させる
必要な力	出力の良し悪しを判断する根拠を持たない	理論の理解と、実体験に基づく問題意識

「本来はそうではなく、「これはおかしい」「このままではだめだ」と判断し、生成AIをコントロールする側に立つ必要があります。」

――萩原准教授

こうしたことは、これからますます増えていくと萩原准教授は見ています。これまでとは異なる、新しいプログラミングの学び方や向き合い方が必要になっているのです。生成AIを日常的に使う若い世代は増えており、総務省の調査では、20代の生成AIの利用経験は44.7%と、年代別で最も高くなっています。

年代	生成AIの利用経験（2024年度調査）
20代	44.7%
30代	23.8%
40代	29.6%
50代	19.9%
60代	15.5%

出典：総務省「令和7年版情報通信白書」

実装のハードルが下がった今こそ、理論が重要

研究も技術開発も、実世界の問題に立脚することが大切です。一方で、実装そのもののハードルは大きく下がりました。だからこそ、萩原准教授が重視するのが「理論」です。

前編で紹介した共著書『ROS2とPythonで作って学ぶAIロボット入門改訂第2版』（講談社）も、システム統合に特化した実践書にする選択肢がありながら、あえて理論的な背景を書く構成にしたといいます。

理論を理解していれば、比較的容易に実装できる
実装の限界がどこにあるのかを見極められる
内部で何が起きているのかを把握できる

必ずしも自分で一からコードを書ける必要はありません。ただし、中身をある程度把握したうえで、「どこが足りていないのか」「どこをどう直せばよいのか」「どう導けば目的に近づくのか」というベクトルを描ける力が重要になります。そのためにも、理論や数理モデルをきちんと学ぶことが、今後ますます大切になると萩原准教授は語ります。

AIに任せる業務と、人が判断する業務を切り分ける

AIの出力を人が確かめ、判断できる形で業務に組み込むことが、AIを使いこなす第一歩です。DEFiDEの社内業務クラウド「SmartOps」は、AIエージェントやRAG、AI-OCRで社内手続きの確認や情報検索、紙の書類のデータ化などの定型業務を効率化し、人は判断や改善に集中できるようにします。基本機能はずっと無料です。

▶ SmartOpsの機能を見る（基本機能はずっと無料）

生成AIにはない「実体験」から問いを立てる

萩原准教授は以前から、学生に「研究を進めるうえでは、自分の実体験や実世界での経験を大事にしなさい」と伝えてきました。この姿勢は、生成AIの登場以降、むしろいっそう重要になっていると感じています。一般的な知識やプログラミング能力では、生成AIのほうが人より優れている場面も少なくないからです。

大規模言語モデルは、ウェブ上の大量のデータから学習しています。そのため、その人が置かれたローカルな環境での実体験を、自ら得ることはできません。しかも、そうした経験は必ずしも言葉にしやすいものではありません。

「その「言語化されにくい経験」に立脚して考え、何度も議論することを研究や教育の中で重視しています。」

――萩原准教授

萩原准教授の研究室では、学部3年生からロボカップ＠ホームの活動に取り組みます。最初は論文の内容をなぞるだけになりがちですが、論文の手法を実際のロボットで動かしてみると、思い通りにいかないことが次々と起こります。そのときの失敗や試行錯誤こそが、学ぶべき本質だと萩原准教授は言います。

大学教育の役割――仮説・検証・説明で論理的思考を育てる

論理的に考える力、仮説を立てる力をどう育てるか。萩原准教授は、それこそが大学教育の役割であり、大学でこそ教えられる部分だと捉えています。

プロセス	身につく力
① 調査する	何がわかっていて、何がわかっていないのかを把握する力
② 仮説を立てる	問題の原因や解決の道筋を、自分で考える力
③ 検証する	仮説が正しいかを、実際に確かめる力
④ 説明・共有する	結果を他者にわかりやすく伝える力

ただし、学部教育だけではどうしても基礎知識の習得で終わってしまいがちだという点には、萩原准教授も同意します。調査から説明までの一連の経験を積むことで、論理的な思考は身につく――それはAIには代替できない、人間の役割です。

日本はAIやロボットを「パートナー」として受け入れられる

日本企業がAIを活用して取り組むべきテーマを尋ねると、萩原准教授は日本の文化的な土壌を挙げました。日本では、AIやロボットと聞くと、人のパートナーのような存在を思い浮かべる人が多いように感じるといいます。一方、米国ではAIが「人類にとっての脅威」や「対峙すべき存在」として描かれることが多い印象があります。

「実用性という観点ももちろん重要ですが、「人のパートナーとしてのロボット」という分野では、日本は特に強みを発揮できるのではないかと感じています。」

――萩原准教授

萩原准教授が進める記号創発ロボティクスも、この考え方につながっています。知的な存在は、ロボットでもAIでも構いません。そうした存在が人と共存し、コミュニケーションを通じて言葉の仕組みそのものを変化・発展させていく。ロボットは人とは異なる身体で実世界を理解するため、人だけでは見えていなかった側面を明らかにし、人の知恵を拡張してくれる存在になるかもしれない――その未来に期待して、研究に取り組んでいます。

5年後、10年後――人とAIが役割を分かち合う社会へ

5年後、10年後の日本社会について、萩原准教授は、家庭や教育、医療といった身近な場面に知的なエージェントが自然に入り込み、人と協調しながら判断や行動を支える社会になると見ています。

AIやロボットを対峙する存在とするのか、それとも共存するパートナーとして取り込むのか。その選択は、これからの日本社会にとって非常に重要です。人がすべてをAIに任せるのではなく、人とAIが役割を分かち合い、互いの強みを生かして社会を支えていく――それが、日本らしいAIと共存する社会の姿だと萩原准教授は語ります。

よくある質問（FAQ）

Q. 生成AIに「使われる側」になるとはどういうことですか？

A. 生成AIが出した結果をそのまま受け取り、深く考えずに使ってしまう状態です。萩原准教授は、学生の中に知らず知らずのうちにその状態になっている人が少なくないと指摘しています。本来は「これはおかしい」と判断し、実世界の問題や条件に照らして調整・修正する、生成AIをコントロールする側に立つ必要があります。

Q. 生成AI時代に理論を学ぶ意味はありますか？

A. 萩原准教授は、実装のハードルが下がった今こそ理論が重要になると述べています。理論を理解していれば比較的容易に実装でき、実装の限界や内部で何が起きているかを見極められるからです。自分で一からコードを書けなくても、どこが足りず、どう直せば目的に近づくかを判断する力が求められます。

Q. 生成AIがあるのに、なぜ実体験が大切なのですか？

A. 大規模言語モデルはウェブ上の大量のデータから学習しているため、その人が置かれたローカルな環境での実体験を自ら得ることはできません。そうした経験は言葉にしにくいものでもあります。萩原准教授は、自分の実体験から「何が問題なのか」を考えることが、研究テーマや価値ある問いを見つけるうえで不可欠だとしています。

Q. 大学教育の役割は何ですか？

A. 萩原准教授は、調査を行い、仮説を立て、それを検証し、結果を他者にわかりやすく説明して共有するプロセスを通じて、論理的な思考力を育てることが大学教育の役割だと述べています。学部教育だけでは基礎知識の習得で終わりがちな点が課題です。

Q. 日本はAIやロボットの分野でどんな強みがありますか？

A. 萩原准教授は、日本ではAIやロボットと聞いて人のパートナーのような存在を思い浮かべる人が多い一方、米国では人類にとっての脅威として描かれることが多い印象があると述べています。AIやロボットを人のパートナーとして受け入れる文化的な土壌が、日本の強みになりうると考えています。

まとめ：AIを使いこなす鍵は、問いと理論

生成AIの結果をそのまま受け取る「使われる側」ではなく、判断し調整する「使いこなす側」に立つ
実装のハードルが下がった今こそ、理論で実装の限界や内部の仕組みを見極める力が重要
生成AIが持たない、自分の実体験や言葉にしにくい経験から、価値ある問いが生まれる
大学教育の役割は、調査・仮説・検証・説明を通じて論理的な思考力を育てること
日本には、AIやロボットをパートナーとして受け入れ、共存する社会を築く素地がある

AIやロボットが人間のパートナーとして存在する社会は、もうすぐそこまで来ています。そのとき、AIを使いこなし、共に社会を支えていけるかどうかは、私たち一人ひとりの問いと理解の力にかかっています。

AIを「使いこなす」組織づくりを、専門家と一緒に

DEFiDEは、AI/DXコンサルティングと自社SaaSの開発・提供を通じて、企業のAI活用を支援しています。AIに任せる領域と人が判断する領域の設計から、活用の定着まで伴走します。

▶ AI/DXコンサルティングの無料相談はこちら

▶ 前編：生活支援ロボットとは？「言葉を理解して動く」ロボットを実現する記号創発ロボティクス

▶ 中編：確率的生成モデルとは？少ないデータで環境を学ぶロボット知能と、挑戦を支える文化

▶ インタビュー全文：パートナーとして共存するAIやロボットの実現を目指す（後編）