「AI-native」の意味
AI-enabled 企業がツールを購入します。 AI-native 企業は、これらのツールの機能と制限を回避する作業を再設計しました。
この再設計には次の 6 つの特性があります。
プロセスには、エージェントが追跡し、人間が検査できるトリガー、入力、決定、出力、所有者、および停止条件があります。
ポリシー、製品定義、顧客履歴、コード、指標、および例は、プライベート チャットに閉じ込められるのではなく、共通のインフラストラクチャとして管理されます。
各エージェントには、ID、承認されたツール、狭い権限、予算、メモリ範囲、およびエスカレーション パスがあります。
評価セット、レビュー、結果指標、およびインシデント データによって、エージェントが有用かどうかが決まります。
エージェントが実行の大部分を実行する場合でも、人々は目標、判断、例外、関係、結果としての承認を所有します。
自動化により調整の負荷が軽減されるため、専門家は情報の中継を主な仕事とするレイヤーを追加する代わりに、複数の機能にわたって直接作業できるようになります。
この定義により、2 つの悪い極端な状況が回避されます。 1 つ目は、チャット ボックスを備えた通常のソフトウェアのブランディングとして「AI-native」です。 2 つ目は、自律性によってプロセスの必要性がなくなるという信念です。より有能なエージェントは、より広範囲にわたって行動できるため、許可、証拠、説明責任の重要性が高まります。
証拠が実際に示していること
職場 AI は実質的な利益をもたらしましたが、その効果は均一ではありません。
Generative AI at Work 研究 では、5,179 人のカスタマー サポート エージェントの生産性が平均 14% 向上し、初心者およびスキルの低い従業員では 34% の向上が見られましたが、最も経験豊富な従業員にはほとんど効果がありませんでした。このシステムは、より強い労働者からまだ学習中の労働者にパターンを移したようです。
BCG ナレッジ ワーカー実験 では、参加者はモデルの機能フロンティア内の作業でより多くのタスクを完了し、より速く作業し、より高い評価の結果を生み出しました。しかし、同じ研究ではぎざぎざの境界が強調されています。モデルは、あるタスクでは優れていても、近くのタスクでは誤解を招く可能性があります。
66 社を対象とした 2025 年の フィールド実験 では、統合された生成型 AI ツールにより電子メールの時間と時間外の作業が削減されましたが、個人のアクセスだけではタスクの量や構成は実質的に変化しなかったことがわかりました。また、METR の開発者調査 では、2025 年初頭の AI ツールを独自のリポジトリで使用している経験豊富なオープンソース開発者では、速度が 19% 低下することがわかりました。
証拠は、タスクとコンテキストが適合する場合、AI は学習曲線、製図、検索、ルーチンの実行を短縮できるという冷静な主張を裏付けています。自動的に会社が再設計されるわけではありません。組織の変革には、共有されたワークフロー、インセンティブ、インターフェース、権限が必要です。
従業員が 1 時間を節約しても、次の承認、引き継ぎ、データのボトルネックが変わらない場合、企業はスループットを得ることなく利便性を得る可能性があります。
エージェント導入の 4 つの層
| Layer | システムが行うこと | 主な値 | 主なリスク |
|---|---|---|---|
| 個人副操縦士 | 一人の作業者を起草、要約、検索、説明、支援する | 個人のスピードと学習 | プライベート コンテキスト、一貫性のない品質、シャドウの使用 |
| 共有スペシャリスト | チームの承認されたワークフロー、例、知識をエンコードします | 一貫性と拡張性のある専門知識 | 古い指示と不明瞭な所有権 |
| ワークフローエージェント | ツール間で作業を移動し、データを収集し、記録を更新し、承認を要求します | ハンドオフとサイクルタイムの削減 | 広すぎる権限とサイレント アクション エラー |
| 境界のある自律的な労働者 | 長いタスクを実行し、サブエージェントを調整し、例外を管理し、監査されたアーティファクトを生成します。 | 継続的実行と並列処理 | 目標のずれ、複合エラー、高い監視要求 |
企業は最終層に急ぐべきではない。成熟度は、初期の層を信頼できるものにすることで得られます。共有エージェントには文書化された知識と所有者が必要です。ワークフロー エージェントには、ID、ツールの権限、ログ、および承認ゲートが必要です。長時間稼働するワーカーには、評価、予算、ロールバック、および完了の明確な定義が必要です。
OpenAI の現在のワークスペース エージェントの資料では、共有ワークフロー、役割ベースのアクセス、承認チェックポイント、監査ログ、監視、ツールの権限など、同じ運用管理が強調されています。これらは製品カテゴリに関するベンダーの主張ですが、実際の境界も明らかにしています。つまり、企業がエージェントの機能を制限し、観察できる場合にのみ、エージェントの機能が大規模に役立つようになります。
オペレーティングモデルの変更
AI-native オペレーティング モデルは、「人間がソフトウェア内でステップを実行する」から、「人間がステップを実行するシステムを定義および監視する」へと移行します。それによってデザインの単位が変わります。
人はツールを使用して 1 つのステップを完了します。
エージェントは、複数のステップおよびシステムを通じてコンテキストを伝達します。
マネージャーまたは手順が何をすべきかを説明します。
許可、例、テスト、承認によって、許容される動作が定義されます。
人々は、曖昧さ、関係性、リスク、システム自体の変更を解決します。
ドキュメントは静的なアーカイブではなくなり、実行可能なコンテキストになります。定義、ポリシー、製品ルール、品質例、および意思決定のしきい値は、エージェントと担当者が同じ信頼できる情報源を検索できるように構造化する必要があります。不十分なドキュメント、矛盾するメトリクス、曖昧な所有権は自動化の失敗となります。
出会いも変わります。ステータスの収集は、システムおよびエージェントのログから自動化できます。人間の時間は、意思決定、対立、設計、レビュー、およびデータに表されていない問題に費やされます。エージェントを追加しながら古い会議構造を維持する企業は、議論するためのより多くの成果を生成するだけです。
管理層のいない小規模なチーム
AI はよりフラットな組織をサポートできますが、「マネージャーがいない」ことが「所有権がない」ことを意味してはなりません。調整、コーチング、優先順位の設定、および競合の解決は依然として存在します。設計上の問題は、これらの機能に永続的な階層が必要か、それとも責任あるオペレーター間で分散できるかどうかです。
Jivaro の運営理念は、管理部門よりも小規模の AI- 支援チームを重視しています。実践的なチームには、共通の目的とシステムに基づいて直接作業する編集オペレーター、ソフトウェア エンジニア、製品開発者、サポート スペシャリスト、およびビジネス開発スペシャリストが含まれる場合があります。ある人は、他の人を監督することを主な役割とする層にならなくても、結果や決定を所有することができます。
成功基準、制約、予算、優先順位を設定します。
例外、標準、関係、品質を扱います。
ツールを接続し、エージェントを維持し、繰り返し起こる摩擦を取り除きます。
権限内で調査、下書き、変換、ルーティング、チェック、または更新を行います。
証拠を検証し、利害関係者が必要とする場合には責任を負います。
失敗と例外をより良いルール、例、テストに変えます。
これらは機能であり、必ずしも 6 人である必要はありません。小規模なチームでは同じ人が複数の役割を担うことができますが、責任は目に見えるものでなければなりません。平坦性は決定が明確な場合に機能します。誰が「イエス」と言えるか、作業を中止するか、プロセスを変更できるかが誰も分からない場合、それは失敗します。
コンテキストがインフラになる
エージェントが必要とするのは書類だけではありません。彼らは、エンティティが何を意味するのか、信頼できるデータがどこに存在するのか、どのポリシーが適用されるのか、各プロセスの所有者が誰なのか、現在の情報が古い例をどのようにオーバーライドするのかなど、会社のセマンティック マップを必要としています。
レイヤーでコンテキストを構築します。
- 安定した基盤: 企業アイデンティティ、製品定義、ポリシー、用語、法的制約、およびブランド ルール。
- 動作状態: 現在のプロジェクト、顧客、在庫、チケット、メトリクス、スケジュール、およびインシデント。
- ワークフロー手順: トリガー、ステップ、ツール、承認しきい値、および出力形式。
- 品質の証拠: 承認された例、拒否された例、ルーブリック、テスト、および事後分析。
- 個人的なコンテキスト: ユーザー設定と一時的な作業メモリ。共有ポリシーから分離されます。
すべてのエージェントにすべてのシステムへの無制限のアクセスを許可することでコンテキストを解決しないでください。取得はアイデンティティと目的に従って行う必要があります。サポートの返信を作成するエージェントには、給与記録やドライブ全体ではなく、チケットと承認されたポリシーが必要な場合があります。
権限、承認、およびログ
ドラフトを作成できるエージェントとメッセージを送信できるエージェントは、異なるリスク クラスです。ツールを機能として扱います。
| Capability | デフォルトのコントロール | Example |
|---|---|---|
| 公開または承認された内部コンテキストを読む | ロール内で自動 | 検索ポリシーと製品ドキュメント |
| プライベートの下書きまたは分析を作成する | 自動ログ付き | レポートの下書きまたはチケットの要約 |
| 可逆的な内部状態を変更する | 制限付きの許可と検証 | タグ付き CRM フィールドを更新します |
| 社外とのコミュニケーション | リスクが低いことが証明されるまで人間による承認 | 顧客に電子メールを送信するかコンテンツを公開する |
| お金を使う、データを削除する、アクセスを変更する、または規制された意思決定を行う | 人による承認と強力な監査を指定 | 支払いの発行、アカウントの終了、権限の変更 |
ログには、どのような目標が割り当てられたか、どのコンテキストが取得されたか、どのツールが呼び出されたか、エージェントが変更した内容、どのモデルとワークフローのバージョンが実行されたか、どのチェックに合格したか、誰が結果を承認したか、および結果がどのように測定されたかが答えられるはずです。
評価は曖昧な信頼に代わる
企業はエージェントを「信頼できる」かどうかをよく尋ねます。信頼の範囲が広すぎます。定義されたタスク分散に基づいてエージェントを評価し、重要な障害モードを監視します。
- 代表的なテストケースと敵対的なテストケースを維持する。
- 正確性、完全性、ポリシーへの準拠、出所、形式、およびアクションの安全性をスコアします。
- 重大な欠陥を表面上の欠陥とは別に重み付けします。
- レビュー時間とオーバーライド率を測定します。
- モデル、プロンプト、コネクタ、ポリシー、またはデータの変更後にテストを実行します。
- 人間のベースラインまたは決定論的なベースラインと比較します。
- インシデントと拒否された出力を使用して評価セットを拡張します。
評価は組織の記憶も生み出します。これがなければ、モデルが変更されたり、新しいチームがツールを採用したりするたびに、会社は同じ制限を再学習することになります。
90 日間の移行計画
反復的なワークフロー、重要な意思決定、既存の自動化、シャドウ AI の使用、および摩擦の多いハンドオフを特定します。
パーソナル アシスタンス ケースを 1 つと、レビュー可能な出力を備えた共有ワークフローを 1 つ選択します。
プロセス、権限、例、評価セット、および停止条件を文書化します。
出力品質、レビュー時間、下流の結果を測定しながら、既存のプロセスを利用可能な状態に保ちます。
信頼できるシステム証拠によって冗長になった会議、コピー、承認を削除します。
指標が改善された場合のみ拡張します。障害、所有者、および次回の評価日を文書化します。
故障モードと反論
「エージェントは専門知識を必要としなくなります。」
システムレベルでは反対のことが証拠によって示唆されています。初心者は支援からより多くのことを得ることができますが、標準を定義し、微妙な障害を検出し、例外を処理し、ワークフローを改善するには専門家が必要です。専門知識は、あらゆる日常的なステップの実行から、システムの設計と検証へと移行します。
「すべての従業員が独自のエージェントを構築する必要があります。」
実験は便利ですが、管理されていないエージェントでは、重複した作業、一貫性のないポリシー、制御されていない権限、目に見えない依存関係が作成されます。共有エージェントは、所有者およびテストとともに維持される内部製品として扱う必要があります。
「フラットチームは調整を排除します。」
これらは調整の作業ではなく、一部の階層を排除します。目標、インターフェイス、所有権、競合解決はより明確になる必要があります。
「自律性が高まるということは、常に影響力が高まることを意味します。」
自律性は進歩とエラーの両方を悪化させる可能性があります。長期間実行されるエージェントには、予算、チェックポイント、ロールバック、エスカレーションが必要です。より短い検証済みワークフローは、名目上の自律型ワークフローよりも優れたパフォーマンスを発揮する可能性があります。
「AI-native とは、人材をすぐに置き換えることを意味します。」
時期尚早に人員削減を行うと、ワークフローがエンコードされる前にワークフローを理解している人がいなくなる可能性があります。より安全な順序は、キャパシティを観察し、支援し、標準化し、自動化し、その後再設計することです。
Jivaro 予測: 2026 ～ 2030 年
組織は、プライベート プロンプトから、承認されたコンテキスト、ツール、権限、所有者を持つ維持されたエージェントに移行することになります。
ステータスの収集と日常的な調整が最初に自動化されます。目標設定、コーチング、対立、説明責任は人間の機能として残りますが、必ずしも永続的な階層構造ではありません。
各エージェントには、範囲を限定した資格情報、監査ログ、予算、および明確な人間のスポンサーが必要です。
ソフトウェア チームが自動テストと可観測性を維持するのと同じように、企業はタスク固有のテストとインシデント フィードバックを維持します。
クリーンなシステムと限定された製品を備えたチームは、大規模な部門構造を再作成することなく、より多くの機能にわたって運用できます。
導入データでは、AI の使用が限られた数のビジネス機能に集中していることがすでに示されています。ツールへのアクセスは、ワークフローの再設計よりも速く増加します。
Jivaro は、管理層ではなく、小規模の AI- 支援チームと集中的なツールを中心に組織されています。実際的な目標は、判断を自動化することではなく、反復的な機械作業を排除して、オペレーターが結果を直接把握できるようにすることです。
よくある質問
AI の機能と制限を中心に、ワークフロー、コンテキスト、権限、評価、チーム構造を再設計する会社です。それはチャットボットを購入する会社以上のものです。
これらは、ステータスの収集、ルーティング、レポート、および一部の調整を自動化します。目標設定、コーチング、対立解決、判断、説明責任は引き続き必要ですが、これらは従来の管理層なしで分散される可能性があります。
個人エージェントは役に立ちますが、組織には、承認されたコンテキスト、権限、メンテナンス、評価を備えた共有エージェントも必要です。民間エージェントだけでは断片化されたシステムが作成されます。
テストされた信頼性、可逆性、リスクによって正当化される金額のみ。製図は自動で行うことができます。外部とのコミュニケーション、支出、削除、アクセス変更、規制上の決定には通常、より強力な承認が必要です。
デジタル入力、繰り返しパターン、測定可能な出力、および低コストのレビュー変更を最初に扱い、トリアージ、調査、レポート作成、コーディング支援、文書準備、および運用ルーティングをサポートします。
多くの場合、システムと承認層が少ないためです。しかし、小規模企業はセキュリティ、評価、メンテナンスの能力も低いため、狭いワークフローと規律ある管理が不可欠です。
出典と参考文献
- NBER: 職場での生成的 AIZZQPH0002QXZ国家経済研究局 · 参照
- ハーバード ビジネス スクール: ギザギザの技術フロンティアをナビゲートするZZQPH0002QXZハーバード ビジネス スクール · リファレンス
- NBER: 生成的AIXXQPH0002QXZ国家経済調査局 · 参照による勤務パターンの変化
- METR: 経験豊富な開発者の生産性に対する AI の影響の測定XXQPH0002QXZMETR · リファレンス
- U.S.国勢調査局: AI 拡散XXQPH0002QXZU.S の微細構造。国勢調査局 · 参照先
- OECD: 企業による AI の使用は拡大し続けていますZZQPH0002QXZOECD · 参照
- OpenAI: ビジネス向けワークスペース エージェントZZQPH0002QXZOpenAI · リファレンス