- AIは学習曲線において初学者と中級者の参入障壁を下げる役割を果たし、各個人のレベルに合わせたパーソナライズされた支援が可能
- 専門家レベルの熟達に到達するのは依然として難しく、AIには深いテーマや論争的な分野で限界がある
- AIを単なる回答ツールとしてだけ使うと、実質的な成長なしにAIの限界で止まってしまう副作用が生じうる
- コーディング、創作、日常的なアプリ利用などさまざまな領域でAIの影響は異なって現れ、とりわけ新しいアイデアや革新性が重要な分野ではAIの波及効果は限定的
- AIは変化の床線を引き上げたが、すべての分野で大きな変化を生んだわけではなく、それぞれの必要や文脈によって活用価値の評価は異なる
要約: AIが変えた学習曲線
- AI登場前は各学習資料が特定の対象を前提に作られており、学習者の背景知識を十分に反映できない限界があった
- たとえば、慣れた分野から新しいテーマへつなげて学ぶこと、必要な前提知識の存在自体に気づいていない状況、中級段階で適切な資料を見つけられない問題はよくあった
- 従来は技術習得の過程で個別最適化された支援が難しかった
- AIは個々の学習者の理解度に合わせて質問に直接答えたり反復作業を代行したりして、学習曲線を変化させる
- AIベースの学習体験によって、今ではどのレベルであってもAIが出発点となりうる床（最低水準）そのものが上がる変化が起きている
マスターレベルの限界
- 分野ごとの専門家たちはAIの有効性について批判的な見方を持っている
- AIが提供する情報は一般的で基礎的な内容には強みを見せる一方、高度・専門知識や論争的なテーマについては限界が大きい
- AIの学習データは一般化された内容が多いほどより強力な結果を出すが、高難度・先端的な知識では訓練データ不足や相反する情報が多く、正確で深い回答の提供が難しい
AI学習の副作用: チート
- OpenAI Study Modeなど正解だけをすぐ求める機能は、ユーザーの学習停滞（plateau）を深刻化させる可能性がある
- AIの回答を単なる手段として使うユーザーには、それ以上成長できない限界がある
- 長期的にはこの方法は長期的成長に不利
変化した学習曲線の実際の影響
- 技術変化はエコシステム全体の変化を引き起こす
- AIの影響力は、製品や成果物にどれだけ高いマスタリー（熟練度）が必要かによって変わる
-
ソフトウェア開発: 管理者には追い風、大規模コードベースには限定的
- エンジニアリング管理者は、原理や品質判断力はあるが、特定フレームワークの経験不足でアプリケーション制作に苦労していた
- AIツールによって基礎から素早く習得し、既存の経験を生かして動くアプリを素早く完成させる事例が増えている
- 一方で、大規模・複雑なコードベースではAI支援の限界が明確
- 既存システムの文脈や固有要件への理解が不足しており、実作業では大きな助けにならない
-
創作分野: 競争が激しく影響は限定的
- 創造的分野では競争が非常に激しく、新しい独創性が重要
- AIで画像を簡単に作れても、真の創作成功の核心である「新しさ」という参入障壁は下がらない
- 人間は派生や模倣を容易に見抜くため、短期的な流行の後にすぐ関心がしぼむ現象が起きる
- Studio Ghibliスタイルのアバター流行のような単発事例はあるが、文化的地位や大衆性においてAIの影響は小さい
-
既存アプリ領域: 影響は最小限
- メール、フード注文などはすでに特化アプリが十分に整備されている
- AIベースの要約機能があっても、スパム整理はすでに自動化されており、重要なメールは自分で確認する方が信頼性が高い
- フード注文などもすでに細かく設計されたUXが存在するため、AIがより効果的に変えるのは難しい
AI導入のばらつきと未来
- AIは知的労働の床を引き上げたが、すべての人に同じ影響を与えるわけではない
- それぞれの技術レベルや役割、環境によってAIの体感効果には大きなばらつきがある
- ある人はAIによって革新を経験する一方、別の人は効果を実感できなかったり、むしろ危機感や混乱を覚えたりする
- AIはまだあらゆる方法や分野で「代替不可能」ではないが、試してみる価値のある潜在力を持つ強力な技術
- もし個人的にAIが意味のないものに見えるなら、あなたの状況では実質的な変化が大きくないということ
2件のコメント
Hacker Newsのコメント
このブログ記事には複数のグラフがあり、客観性や厳密さがあるように見えるが、実際には印象と推測にすぎないことを強調したい。最近の実証研究はむしろ、AIが不平等を悪化させる方向を示している。The Economistのグラフと記事で関連内容を確認できる
当然ながら、AIは不平等を深めると思う。AIは、人々が経験を積んで上がっていくはしごの下位段階を自動化し、未来の専門家になる人たちに足場を与えない一方で、すでに頂点にいる人たちが投資してそのはしごをより速く登れるようにする技術だと見ている
そのグラフはあまりに大きな前提を置いていて、AI原理主義者の頭の中でしか裏づけられていない感じがする。特に「サイドプロジェクト」については曖昧に扱っているが、AIは初心者の入力を受けて「十分にまともな」結果を生み出すにはまだ足りないと思う
記事の趣旨にはある程度共感する。科学者のように白衣をまとっているふりをしているが、実際には自分たちがどう世界を見ているかという関係性を表現しているだけだ。それでも、グラフに「仮説」と明記したり、軸の端を波線で表現したりするなど、視覚的に仮説であることを強調すれば、コミュニケーション手段としての価値はあると思う。曲線の平坦化（熟練度の停滞）が起きると前提すること自体にも確信は持てない。著者はむしろ経済学者たちのリンクよりも善意のある書き方をしていると思う。私は、人々が率直な意見を示し、データがあるなら仮説検証まで見せるのが理想だと思っている
グラフでは、不平等の増加を示す研究が4件、不平等の減少を示す研究が6件言及されている
引退した数学者の立場から言うと、2025年に入ってAIにどっぷりはまり、Claude Maxプランを使って制限なくClaude Code Opus 4を使っている。並列セッションで巨大なレガシーコードベースをレビューしていると、利用上限に達することもある。しばらくAIに関するあらゆるやり取りを避けていたが、最近はHNで興味深い議論が見られるので再び関心を持つようになった。私の意見では、neurodivergentな人たちのほうがAIの活用に成功しやすい。AIが巨大な連想エンジンだからだ。私は線形代数が専門なので、AIの連想構造と私の独特な思考様式がよく合っている。結局のところ、AIは床ではなく天井を押し上げる効果をもたらしている
Andrew Ngの最近のAIスタートアップに関する発表と似た洞察だ。最近、起業家への新しい助言は、ピボットするときはプロトタイプを捨てて最初から作り直せというものだ。これは本文の内容ともつながっている。プロトタイプ開発は最大10倍向上するが、既存コードベースでは30〜50%程度の改善にとどまるという。この変化は、かつてVMからコンテナへ移行したときの「ペット vs 家畜」という比喩に似ている。コードベースを愛情を込めて大事にする「ペット」ではなく、効率的に扱う「家畜」のように接する時代なのかもしれない。関連発表の動画では10:30あたりを参照できる
私の考えでは、「ペット vs 家畜」という比喩はコードだけに焦点を当てていて、本当の価値が開発者の頭の中にあるという点を見落としやすい。AIはコード管理を助けられても、真の価値は開発者の理解とメンタルモデルにある
いい指摘だが、「家畜」よりも「cattle」という表現のほうをよく見かける気がする。地域差なのだろうか
この比喩への言及に感謝する。今後は生成コードを大規模クラウドインフラのように扱う必要がありそうだ。長年使われてきたレガシーコードにはあまり当てはまらないかもしれない。こうした洞察をブログにまとめたことがあるのか気になるし、stillpointlab.com や @stillpointlab のTwitterも調べてみたが、あまり情報がなかった
「ペット vs 家畜」という比喩は、「職人 vs 雑に作る人」という議論よりずっとしっくりくる。LLMを使っても成果物の価値が下がるわけではなく、コードに対する感情的な愛着から実用的な見方への転換なのだと思う
LLMではまだできないことがかなりある。たとえば一緒にチェスを指していると、5〜10手ほどで違法な手を指し始め、うまくいっても18手くらいが限界だった。相手の誤った指し手も訂正しないので、誤学習につながりかねない。結局、実際に複雑な問題をモデル化できていないので、ユーザーが何を尋ねるべきかを認識することが非常に重要になる。LLMはナイトの動き方や有名なオープニングくらいは教えられるが、棋譜全体を正しく追ったり、現在の盤面で最善手を教えたりすることはできない。多くのユーザーは、どれほど間違った答えが出うるかを知らないまま、自信満々に返ってくる答えをそのまま信じてしまう可能性が高い。一見するとしっかりしているようで、実際には見えないクレバスの上を歩いているようなものだ
LLMがチェスに弱いことは大きな問題だとは思わない。チェス専用モデルなら、かなりまともなELOで合法手だけを指すようにできる。ポストトレーニングがチェス能力を損なっている可能性もあるし、OpenAIのようなところもあまり重視していないようだ。LLMでもチェスは十分に指せる。関連論文 と 評価例 を参照
私も周囲で、博士や医師のような専門家が、LLMがミスをする可能性をまったく想像していない場面をよく見る。幻想的で論理的な文章に自信まで加わるので、完全な専門家だと錯覚する「ハロー効果」もあるのだと思う
LLMをコードのエージェントモードで使って作業すると、最初はうまくやっていても、だんだん妙な方向に流れたり、まったく関係のないコードのインデントをいじり始めたりと、意外な挙動をよく目にした
チェスでは、専門AIは人間よりはるかに強いのに、汎用LLMは合法手を指すことすら難しいという点が興味深い。AIの天井はLLMよりはるかに高い位置にある
「10手以上追いにくい」という話について言えば、チェスでは過去の手より現在の盤面のほうが重要だ。LLMは不要な情報をふるい落とすのが苦手なので、むしろ盤面の状態だけを入力したほうが性能は上がる。より詳しい議論 を参照
エージェントがグリーンフィールドプロジェクトにしか向いていないのなら、既存コードベースも新機能ごとに新しいグリーンフィールドプロジェクトのように準備して、インターンがプラグを差し込むだけで動くようにすべきだ。残りの部分は人の手が必要で、そうしないとインターンが壁全体をぶち壊しかねない
それは違うと思う。npmのYプロジェクトをWebStormでGitHubから取ってきてJunieに聞けば、すぐ答えをもらえることもあるし、理解できないデータ構造も例つきでドキュメント化してくれる。すぐにPRまで作れるわけではなくても、ペアプログラマとしては十分活用できる。むしろ、より多くのテストを書くようになり、エラー処理にも気を配るようになるので、最終的にはより良い結果になる
エージェントには、得意なことも多いし苦手なことも多い。使えば使うほど、何がよりうまくできるのか分からなくなるほどだ
エージェントは完全に新しいプロジェクトの立ち上げにはむしろあまり向かず、小〜中規模のプロジェクトには非常に向いていて、規模が大きくなるほど徐々に効率が落ちる傾向があると思う。まったく新しいプロジェクトでは、実際には使いものにならない「サンプルレベル」のコードがたくさん出てくる
AIは補間（interpolation）が得意なツールであって、外挿（extrapolation）はできない、という一行要約だ
interpolatorをintruderと読み間違えた。だとするとextraloperなんて単語もあるのだろうか本文の大半には同意するが、「AIが提供できる水準で実力向上が止まる」という点には賛成しない。私の経験では、AIをうまく使うには「固定的」ではなく「成長的」マインドセットが必要で、自分はAIのマネージャーになったつもりで出力を改善し続けている。ある程度の限界はあるが、そのスキル自体を学ばなくても、問題の境界に集中することで結果の品質をかなり高められた。時間がたつほど、現場の専門家にならなくても、その分野のより良いマネージャーへと成長していると感じる
自分が「どうやるか」を分かっていないなら、品質が十分に上がったと何を基準に判断しているのか気になる。結局は出発時点の品質との相対比較でしかなく、本人が満足できれば、実際の品質が良くなっていなくても構わないという話に見える
私はこういうやり方を「チート」だとは思わない
学習曲線の中でAIを使っていても、頂点近くに達すると、むしろAIなしで学ぶほうが良くなるはずだ。最高の熟練度は、ゆっくりと自律的に学ぶ時間を通してしか得られない
LLMの最大の利点は、広告やソーシャルメディアに邪魔されず、統一されたフォーマットで正確な答えを得られることだ。redditやinsta、tvtropesで答えを探すのとは正反対だ。思考を助ける完全に集中できるOSと、子どもがコンテンツの罠に落ちないように助ける環境が早く出てほしい。私は ad hoc なUIに邪魔されず、必要な文書と情報だけを素早く受け取れるのが本当に好きだ
私はAIの答えが正確だとは思わないし、むしろ危険なほどであることも多いと感じる。コミュニティでは誰が専門家かを判断しやすく、最終的に正しい答えにたどり着けるが、AIも結局そのデータを集めているのだから、間違った答えを出す危険は同じだ。広告のない環境も長くは続かない気がする。AI企業は莫大な赤字を出しているので、いずれ広告やソーシャル要素であふれるだろうし、今の無料特典は単なる顧客獲得のための赤字補填戦略にすぎない
「正確だ」という表現が主観的であることを皮肉っている
自分がより詳しいAI分野でも、この流れと一致している。平均以下の人でも、AIによって平均に近い結果を出せる
より多くの知識を持つ人がLLMを使ってこそ、きちんと利益を得られるという別の要約にも一致する
平均以上の人でも、AIを使って平凡な成果物を出すことはある。多くの作業では「十分に良い」の基準がむしろかなり低い
だから、ここにいる人たちがAIに反対するのは、みんな平均以上だからなんだろう、という冗談だ
「平均以下の人がAIで平均レベルの結果を出す」なら、全体の平均もその分上がることになる
「AIはプロトタイピングには向いているが、エンジニアリングには向いていない」と要約できそうだ。AIツールは速いが breadth（幅）と depth（深さ）が足りない。PoCや部分問題の素早い解決には有用だが、全体の文脈と深さが不足しており、本当のエンジニアリングには実装以上のはるかに多くの要素（文脈、例外、失敗形態、深い理解など）が必要だ。どれほど優れたプログラマでもエンジニアではないことがあり、最高のleetcoderがチームに実質的な貢献をしないこともありうる。本当のマスタリーに至るには経験が必要で、それには微妙なこと（直感に反する要素）まで理解しなければならない。マネージャーがボタン一つで製品をエンジニアリングできる時代は来ないだろう。現在のAIコード生成器も「マネージャー向け自動化」という錯覚から出発しており、むしろ現場エンジニアの説明をもとに動くツールのほうが良いと思う。Dijkstraの「自然言語でプログラミングする愚かさ」への論評はいまでも有効だと思う。関連原文
Metaでは超知能がもうほとんど完成したかのように大騒ぎしてるけど、笑