Name: ビッグシンク＋ | マーティン・ゴンザレス：企業が解決すべき3つのAIパズル (3 AI puzzles workplaces must solve | Martin Gonzalez for Big Think +)
Uploaded: 2025-12-04T17:55:21.000Z
Duration: 8 min 51 s
Description: VoiceTubeの動画で発音を聞きながら英語表現を覚えよう！学べる英語：

マーティン・ゴンザレスです。

I'm a principal of Organization and Leadership Development at Google and I'm the author of the Bonfire Moment.

Googleで組織・リーダーシップ開発のプリンシパルを務めており、『Bonfire Moment』の著者でもあります。

The book explores this idea that teams are harder than tech in the process of innovation.

この本では、イノベーションのプロセスにおいて、テックよりもチームの方が難しいという考えを探求しています。

It's so important for leaders and CEOs and founders to pay attention to the people side of the business because that could easily derail your best laid out plans.

リーダーやCEO、ファウンダーがビジネスにおける人材面に注意を払うことは非常に重要です。なぜなら、それが最も綿密に立てられた計画を簡単に頓挫させてしまう可能性があるからです。

We know a lot of employees and organizations are starting to use AI for their work.

多くの従業員や組織が、仕事にAIを活用し始めていることを私たちは知っています。

We also know that we flip flop between these really intense narratives of substitution.

また、代替という非常に激しい物語の間で、私たちは揺れ動いています。

私たちの仕事はなくなってしまうでしょう。

私の役割は置き換えられるでしょう。

There will be less of people playing my kind of work, my kind of role because of AI and a narrative of augmentation, which is these tools give me superpowers that allow me to do more within my role and, and

AIと拡張という物語、つまりこれらのツールは私に超能力を与え、私の役割の中でより多くのことを可能にしてくれるという物語のために、私の仕事のような役割を担う人は少なくなるでしょう。

I will succeed and do well in the future if I can only adapt these new technologies.

これらの新しいテクノロジーに適応できれば、将来成功し、うまくやっていけるでしょう。

There's a lot we need to think about when we think about the augmentation model.

拡張モデルについて考えるとき、私たちは多くのことを考えなければなりません。

Because as early research is showing, as we bring these tools into the workplace, we're not quite seeing the kind of transformative potential that AI has been talked about by its inventors.

なぜなら、初期の研究が示しているように、これらのツールを職場に導入しても、発明者たちがAIについて語ってきたような変革の可能性はまだ見られないからです。

So I've started to think about three puzzles we need to solve for as we bring these technologies into our organizations.

そこで私は、これらのテクノロジーを組織に導入するにあたって、私たちが解決すべき3つのパズルについて考え始めました。

One of the challenges in bringing AI into an organization is what I've started to call the selective upgrade puzzle.

AIを組織に導入する際の課題の1つは、私が「選択的アップグレード問題」と呼び始めたものです。

This is when these tools endow its users with superpowers, but not all users.

これは、これらのツールがユーザーに超能力を与えるものの、すべてのユーザーにそうではない場合です。

And somehow there's a selective upgrade that happens when these tools get shared in an organization.

そして、これらのツールが組織内で共有されると、何らかの選択的なアップグレードが発生します。

This, this one randomized control experiment that was run by researchers from places like Harvard and mit, engaged the Boston Consulting group and set up their junior consultants in control groups and a couple of experimental groups.

これは、ハーバード大学やMITなどの研究者が実施したランダム化比較実験の1つで、ボストン・コンサルティング・グループが参加し、ジュニアコンサルタントを管理グループといくつかの実験グループに分けました。

What they did was they gave them access to a large language model and they were asked to do two kinds of tasks.

彼らが行ったのは、大規模言語モデルへのアクセスを提供し、2種類のタスクを実行するように指示したことです。

The first task was a creative ideation task.

最初のタスクは、創造的なアイデア出しのタスクでした。

They had to help a fictitious client come up with different product ideas that they can go to market with.

架空のクライアントが市場に投入できるさまざまな製品アイデアを考えるのを手伝う必要がありました。

The second was a business analytics task where they had to analyze why a business was struggling and create recommendations.

2つ目は、ビジネス分析のタスクで、ビジネスがなぜ苦戦しているのかを分析し、推奨事項を作成する必要がありました。

What the study went on to discover was that when they looked at the top performers, they tended to do much better.

この研究でさらに明らかになったのは、トップパフォーマーを見ると、彼らははるかに優れた成績を収める傾向があったということです。

And when they looked at the lower performers, they tended to do much worse.

そして、ローパフォーマーを見ると、彼らははるかに悪い成績を収める傾向がありました。

When you think of this selective upgrade effect spread across thousands of employees over a span of time, what we might see is an ever growing gap between your best and worst performers.

これが数千人の従業員に広がり、時間の経過とともにこの選択的アップグレード効果が広がると考えると、最良のパフォーマーと最悪のパフォーマーとの間にどんどん広がるギャップが生じる可能性があります。

And this variability would have been attributed to the use of these AI tools where that gap didn't exist before you deployed these tools.

そして、このばらつきは、これらのAIツールを使用したことによるものと見なされるでしょう。これらのツールを展開する前には、そのギャップは存在しませんでした。

There are a couple of things that leaders can think about as they deploy AI in their organization.

リーダーが組織でAIを展開する際に考慮できることがいくつかあります。

The first is to create really clear guardrails around what these tools should be used for and what they shouldn't be.

1つ目は、これらのツールを何に使用すべきか、何に使用すべきでないかについて、非常に明確なガードレールを作成することです。

And those guardrails will possibly diminish over time as these tools become much more, much more effective.

そして、これらのツールがはるかに効果的になるにつれて、それらのガードレールは時間とともに減少する可能性があります。

It's important to go through this experimental period understanding where it actually augments the work and where it actually takes away from the work.

この実験期間を経て、実際に仕事のどの部分を拡張し、どの部分から奪うのかを理解することが重要です。

Another thing to consider is it's important for the users as they leverage these tools for certain domains, that they have a certain basic level of expertise in these domains.

もう1つ考慮すべき点は、ユーザーが特定の領域でこれらのツールを活用する際に、それらの領域で一定の基本的な専門知識を持っていることが重要であるということです。

It allows the users to apply good judgment when a tool is actually leading them in a worse direction and when it actually is.

ツールが実際にユーザーをより悪い方向へ導いているのか、それともそうでないのかを、ユーザーが良い判断で適用できるようになります。

Augmenting the work Using a tool when you have zero knowledge of that domain is a very, very dangerous proposal.

その領域について全く知識がないのにツールを使用することは、非常に危険な提案です。

As we think about bringing AI into our organizations, we need to think about this agentic preference puzzle.

AIを組織に導入することを考えるとき、このエージェンティック・プリファレンス・パズルについて考える必要があります。

We as humans have a tendency towards control.

私たち人間は、コントロールを求める傾向があります。

And when these tools take away control from the work, we see that adoption rates drop.

そして、これらのツールが仕事からコントロールを奪うと、採用率が低下するのを目にします。

There are some fascinating studies done out of Wharton that explore this idea that they called algorithmic aversion bias.

ウォートン校で行われた、アルゴリズム回避バイアスと呼ばれるこのアイデアを探求した、非常に興味深い研究がいくつかあります。

For example, when was the last time you decided to override what Google Maps or Waze told you was the right way home?

例えば、GoogleマップやWazeが示した帰り道が正しいと判断したときに、それを覆したことはありますか？

We'll sometimes believe that we actually have better or have a lower error rate than these machines.

私たちは、これらの機械よりも自分たちの方が優れている、あるいはエラー率が低いと信じがちです。

And what this branch of study has looked into was when individuals actually see an algorithm commit an error, even if that error rate is still lower than the human error rate, we would much rather trust our human judgment over the algorithm.

この研究分野では、個人がアルゴリズムのエラーを目にしたとき、そのエラー率が人間のエラー率よりも低い場合でも、私たちはアルゴリズムよりも人間の判断をはるかに信頼するだろうということを調べてきました。

It goes on to explain that perhaps one way to think about this is when we think of algorithms and these AI bots.

これは、アルゴリズムやAIボットについて考えるとき、おそらく一つの考え方として、このことを説明しています。

Their error rates are knowable and they're static, but human intuition and human intelligence is perfectable.

それらのエラー率は把握可能で静的ですが、人間の直感や知性は完璧にすることができます。

And perhaps we therefore trust that we can perfect our own judgment in certain tasks.

そしておそらく、私たちはそれゆえ、特定のタスクにおいて自分自身の判断を完璧にできると信じるのでしょう。

The research goes on to then try to figure out what's the right antidote to, to this.

その研究はさらに、これに対する正しい解毒剤は何だろうかと探求し続けます。

And they allow, in one study, they allow users of these algorithms to tweak ever so slightly different parameters of these algorithms.

そしてある研究では、これらのアルゴリズムのユーザーが、これらのアルゴリズムのわずかに異なるパラメータを微調整することを許可しています。

When these people are given that leeway to control the algorithm, what you find is that the error rates will increase as a result, as you would expect.

これらの人々がアルゴリズムを制御する余地を与えられたとき、予想通り、エラー率は増加します。

But then you also see the adoption rates significantly increase because people can control it.

しかし、人々がそれを制御できるため、採用率も大幅に増加します。

And this drives home a really valuable point around adoption of these AI tools.

これは、これらのAIツールの採用に関する非常に貴重な点を浮き彫りにします。

As a leader, you might think about what is an error rate that is acceptable, if only it means that you then create a lot more adoption in the workplace.

リーダーとしては、職場での採用が大幅に増えるというだけで、許容できるエラー率とは何かを考えるかもしれません。

The ideal scenario is that people adopt these tools fully without tweaking them.

理想的なシナリオは、人々がツールを微調整せずに完全に採用することです。

But we know that that comes at a cost of lower adoption.

しかし、それが採用率の低下という代償を伴うことを私たちは知っています。

Are we willing to sacrifice some amount of precision in the use of these tools in exchange for an improved level of adoption?

これらのツールの使用における精度をある程度犠牲にして、採用レベルを向上させることを受け入れますか？

The final puzzle is this self sufficiency spiral.

最後のパズルは、この自己充足のスパイラルです。

If you think about all the work we do in an organization, you can categorize them into solo work and interdependent work.

組織で行われるすべての仕事を考えると、それらを個人作業と相互依存作業に分類できます。

And you might say that in the future, these tools will allow us to do a lot more solo work.

そして、将来これらのツールが、より多くの個人作業を可能にすると言うかもしれません。

And a lot of the solo work will colonize parts of the interdependent work.

そして、個人作業の多くが、相互依存作業の一部を植民地化するでしょう。

And then what gets left behind as interdependent work, whether it's writing emails or doing presentations or conducting meetings, a lot of these tasks will then get intermediated by these AI tools.

そして、メールの作成、プレゼンテーションの実施、会議の開催など、相互依存作業として残されたものの多くは、これらのAIツールによって仲介されるようになります。

When you think about what it takes to create culture in an organization, or the role of the leader in kind of bringing people together around a shared mission, a lot of that is about interactive tasks.

組織で文化を創造するために必要なこと、あるいはリーダーが共有された使命を中心に人々を団結させる役割について考えると、その多くは対話的なタスクに関するものです。

A lot of that is about not being in solitude and doing isolated work, but

その多くは、孤立して単独で作業するのではなく、

実際にグループとして集まることです。

And if the future of the workplace is a lot more solo and a lot more isolated, I worry a little bit about what this means for the future of organizations and our ability to create cultures and create a sense of identity with the organization.

そして、職場の未来がより多くの単独作業と、より多くの孤立した作業になるのであれば、組織の未来と、文化を創造し、組織との一体感を生み出す能力について、少し心配になります。

We've seen other technologies in the past kind of deliver to us a future that we didn't quite want.

過去にも、私たちが必ずしも望んでいなかった未来をもたらしたテクノロジーがありました。

You take for example, social media, where it had this promise to create a more connected world, but

例えばソーシャルメディアを考えてみてください。よりつながりのある世界を作るという約束がありましたが、

instead what it gave us is possibly a more fragmented, polarized world where we perhaps have expected less from each other.

その代わりに、おそらく私たちは互いに期待することを減らし、より断片化され、二極化した世界を手に入れました。

And as MIT ethnographer once said, we are alone together through these tools.

MITの民族誌学者がかつて言ったように、私たちはこれらのツールを通して「共に孤独」なのです。

So we don't want this feature for the workplace.

だから、私たちは職場でこのような未来を望んでいません。

And we need to think about ways that we can bring people together through perhaps different means and different approaches, so we can continue to create thriving environments for people as they engage with these tools.

そして、人々がこれらのツールと関わる中で、活気のある環境を創造し続けることができるように、異なる手段やアプローチで人々を結びつける方法を考える必要があります。

字幕リスト動画再生

ビッグシンク＋ | マーティン・ゴンザレス：企業が解決すべき3つのAIパズル (3 AI puzzles workplaces must solve | Martin Gonzalez for Big Think +)

scenario

thrive

fascinating

tend