この1年で台頭してきたAIエージェント（AI Agents）は、この仕組みを揺るがし始めています。すでにすべてをAIに任せられる仕事もあり、今後は、仕事をすべてAIに任せるケースがますます増えていくでしょう。企業にとってのAIの役割も変わりつつあり、ツールであると同時に、「まったく新しい労働力」にもなりつつあります。

「カスタマーサポート」は、わかりやすい例です。これまで企業は、従業員の生産性を高めるためにカスタマーサポート用のソフトウェアを購入してきました。しかし、AIが業務の一部を直接担えるようになれば、その価値を判断する際に、従来なら支払う必要があった給与を比較対象にするのは自然なことです。

法律や会計などの専門サービスでも、同じような変化が起き始めています。だからこそ、私はAI市場は非常に大きいと考えています。その市場は、従来のソフトウェア市場にとどまらず、労働市場にも広がりつつあるからです。一部のベンチャーキャピタルがAI企業の価値を見直し始めているのも、こうした考え方に基づいています。投資家が見るのは、企業がソフトウェアに年間いくら使っているかだけではありません。これまで人に給与を支払って任せていた仕事のうち、どれだけをAIで代替できるかにも目を向けており、それがAI企業の評価額を大きく押し上げています。

ただ、AIが新たな労働力になると、企業は人とAIに仕事をどう割り振るかを考える必要があります。例えば、新しい業務が発生したとき、人員を増やすのか、AIに任せるのか、それとも両者で取り組むのか。企業は今も、従業員の能力や経験に応じて業務を割り振っています。意思決定が必要なものは経験豊富な従業員に、比較的簡単なものは経験の浅い従業員に任せています。

私は今後、AIにも同じような役割分担が生まれると考えています。簡単な例を挙げると、近所に買い物に行くだけなら、毎回ランボルギーニに乗る必要はなく、トヨタの車で十分です。企業も同様に、最も高価で、最も能力の高いAIをすべての業務に使う必要はありません。複雑な推論が求められるタスクもあれば、基本的な作業をこなすだけでよいものもあります。これから企業がAIを使ううえで重要になるのは、その仕事にどの程度の能力を持つAIが必要で、いくら支払うのが妥当なのかを的確に判断する力です。

ソフトウェア企業の料金体系も影響を受けるでしょう。SaaSは長年、利用人数に応じて料金を設定してきました。しかし、これまで50人で処理していた業務を、今は10人がAIを活用してこなせるのであれば、利用人数に応じた料金では、製品が生み出す価値を反映しにくくなります。企業が購入するものが、次第に「ツール」から「仕事を完了させること」へと変わっていけば、課金の単位も自然と変わります。今後は、実際に完了した仕事の量に応じた料金体系が増える可能性があります。成果を測りやすいサービスでは、成果に直接連動する料金体系が採用されるかもしれません。

現在のAIの進歩の速さを見ると、AIはおそらく近いうちに職場のあらゆる領域に入り込み、新たな「機械の労働力」となるでしょう。そして、これまで想像しにくかった問題も生まれてきます。

例えば、企業が従業員を1人雇う場合、給与だけでなく、雇用に伴う税金なども負担する必要があります。企業が人を雇う場合と、同じ仕事をAIに任せる場合とでは、コスト構造が大きく異なります。すでに、将来はAIの使用量に応じて課税し、その税収で人間の税負担を軽減してはどうか、という提案まで出ています。この構想が実現可能かどうかは、まだ何とも言えません。ただ、AIの「労働」に課税すべきかどうかという議論が始まったこと自体が、AIの役割の変化を表しています。

もう一つ、近いうちに直面するのは、企業はこれからどのような人を雇うべきなのか、という問題です。AIがより多くの基礎的な業務を担えるようになれば、企業が必要とする人員数も職種も変わり、採用条件も変わっていきます。これから企業が学ぶべきなのは、おそらくAIの使い方だけではなく、まったく新しい労働力をどう管理するかということです。

これは、ロボットが必要とするコンテンツが、生成型AIが必要とするコンテンツとは全く異なるためである。大規模な言語モデルは、インターネット上のテキスト、画像、動画を通して世界を理解できるが、ロボットは操作方法を学習する必要がある。同じ動画で、誰かがテーブルにカップを置く様子を映した場合、生成型AIは「誰かがトレイにカップを置いた」と認識できるが、ロボットは、どの方向から手を近づけるべきか、滑り落ちないようにどれくらいの力を加えるべきか、しっかりと握れているかの判断方法を知る必要がある。この情報はオンラインデータには表示されず、Webクローラーを使って大量に取得することもできない。

多くの人は、情報が不足しているのだから、もっと情報を集めるべきだと直観的に考える。しかし、ロボット学習の分野における最近の研究では、ロボットの能力を真に制限するのは、必ずしもデータ量ではなく、データが十分な数の異なる環境から得られたものであるかどうかであることが明らかになっている。研究によると、同じシナリオでは学習の反復回数を増やし続けても、モデルのパフォーマンスはすぐにボトルネックに陥るとされている。逆に、対象物、環境、運用シナリオの多様性が増す限り、データ量が大幅に増加しなくても、汎化能力はより速く向上する。

この結果は理解し難いものではない。カップを手に取るという同じ動作でも、今日はガラスのカップでも、明日はステンレスのカップになるかもしれず、テーブルは今日は平らでも、明日は誰かがぶつかるかもしれないからである。人間はこうした微妙な変化に日々触れているため、ロボットにとってこれがどれほど難しいことなのかを意識していない。

そのため、多くのスタートアップ企業は、ロボットにますます多様な状況を経験させようと試みている。最も直接的な方法は、人間の作業全体を記録するというものである。多くの企業は遠隔操作（Teleoperation）を幅広く活用している。人間がロボットを制御し、関節の角度、力の加え方、操作プロセスなどをすべて記録することで、ロボットがより多くの異なる操作方法を経験すればするほど、現実世界への適応力が向上することを期待している。

また、ロボット自身に経験を蓄積させるという方法もある。Nvidiaが最近リリースしたASPIRE学習システムは、各タスクの失敗理由を分析し、制御プログラムを修正した後、成功した方法を「スキルライブラリ」に保存するというものである。ロボットは、次回同様の状況に遭遇した際に、自ら修正を行うことができるようになる。

3つ目のアプローチはさらに独創的で、非常にリアルな仮想世界で直接、極限的なトレーニングを行うというものだ。心元資本が出資するアメリカのスタートアップ企業・SUDO AIは、純粋なシミュレーション手法を採用しており、ロボットを現実世界に直接展開する前に、仮想環境内で素材、照明、背景、配置方法の無数の組み合わせに繰り返し対応させることができる。

今年6月に米国で開催されたCVPRカンファレンスで、このロボットは聴衆からランダムに質問を受けた。透明な物体、金属、柔らかい素材、さらには小さな錠剤まで、難なく拾い上げることができた。聴衆からの突発的に見える質問は、実はシミュレーション環境で何度も練習されていたものだった。SUDO AIは今年、まさにこの道筋に賭け、20億米ドルを超える企業価値で新たな資金調達ラウンドを達成した。

近年、大規模言語モデルの成功により、十分なデータさえあればAIは向上し続けるという見方が広まっている。しかし、ロボット開発は正反対である。現実世界の最も困難な点は、その予測不可能な変化にある。ロボットにとって、完璧な実験室で完璧な動作を1万回繰り返しても、実際の応用には結びつかない。ランダムな環境で1万通りの異なる課題を経験し、混沌の中に秩序を見出すことによってのみ、真の解決策を見つけることができるのである。