**AIを超パワーに変えるマネジメント：エージェント型 AI の世界で成功する方法**

私はペンシルベニア大学で実験的な授業を行いました。そこでは、学生にわずか4日間でゼロからスタートアップを作るよう挑戦しました。このクラスのほとんどはエグゼクティブMBAプログラムに在籍しており、医師・マネージャー・リーダーとして働きながら授業を受けていました。コードを書いた経験がある人はほんのわずかでした。そこで私はClaude CodeとGoogle Antigravity（プロトタイプ作成に必要なツール）を紹介し、学生たちはそれらを使って動くプロトタイプを構築しました。しかし、プロトタイプだけではスタートアップとは言えません。そこで彼らはChatGPT・Claude・Geminiを駆使してアイデア生成、市場調査、競合ポジショニング、ピッチング、財務モデリングなどのプロセスを加速させました。短時間でどれだけ進められるかが気になっていたので、実際にやってみると驚くほど遠くまで進んだことが分かりました。

私は起業家教育を15年以上続けており、数千のスタートアップアイデア（そのうち大企業へ発展したものも）を見てきました。そこから得た知識により、賢いMBA学生たちが1学期全体でAIを使わずに達成できる範囲と比べ、数日間で見ることができた成果は「実際のスタートアップへ進む道程で10倍以上進んだ」と推定しています。ほとんどのプロトタイプは単なるサンプル画面ではなく、本格的なコア機能を動かしていました。アイデアは従来よりも多様で魅力的でしたし、市場・顧客分析も洞察に富んでいました。これらはまだ稼働中のスタートアップでも完全な製品でもありません（例外を除く）―しかし、従来のプロセスから数か月と膨大な費用・労力を削減したことは明白です。

さらに重要だったのは、多くの初期スタートアップがピボット（市場ニーズや技術的実現可能性に応じて方向転換）を必要とする点です。AIの導入によってピボットコストが低減され、束縛されずに可能性を探求できるようになりました。さらに同時に複数のスタートアップを試すことも容易になり、「AIに何をしたいか」を指示するだけで済みます。

この驚くべき成果を私の卓越した教育力のおかげだとは言えません。まだAIツールを活用するための優れた枠組みは確立されておらず、学生自身が試行錯誤して解決しました。ただし、彼らが管理と専門知識を持っていたことは大きな要因でした。実際に成功の鍵は「AIに何をしたいか」を伝えることです。AIは人間が数時間費やす作業を数分で行う能力が高まる一方、その結果を評価するには時間と労力が必要になります。このため、AIへの委託判断は3つの要素に左右されます。

1. AI性能の不確定性 – 複雑なタスクでAIが得意か不得意かは確実に分からない。
2. スピード – AIは高速です。人間なら数時間かかる作業を数分で完了します。
3. コスト – 人件費と比べて安価で、複数バージョンを生成し不要なものを捨てても問題ありません。

これらから「AIに委託するかどうか」は以下の3変数で決まります。

• 人間基準時間（Human Baseline Time）：自分がその作業に要する時間
• 成功確率（Probability of Success）：AIが1回試行で期待通りの成果を出す可能性
• AIプロセス時間（AI Process Time）：リクエスト・待機・評価までにかかる時間

有用なメンタルモデルとしては、「作業全体を自分でやる」(人間基準時間) と「AIへのオーバーヘッド費用」(AIプロセス時間) をトレードオフし、成功確率が高いほどAIに任せる方が有効になる、と考えます。

例として、人間で1時間かかる作業をAIは数分で完了できるが、結果確認に30分要する場合。ここでは成功確率が非常に高ければAIへ委託すべきですが、低ければ自分で行った方が効率的です。一方、人間基準時間が10時間の場合は、AIを数回試みる価値があります。

実際のデータとして、OpenAIは昨夏に「GDPval」という重要な研究論文を公開しました。ここでは多様な分野（金融・医療・政府など）の経験豊富な人間専門家が最新AIと対決し、審査員が評価しました。平均して専門家は7時間でタスクを完了しました（これが人間基準時間）。AIは数分で作業を終えましたが、専門家が結果を確認するのに1時間かかりました。また、成功確率はGPT‑5.2 Thinking・Proモデルで平均72％でした。つまり、タスクごとに約3時間の節約が期待できる計算です。

さらに管理手法を取り入れることで、この式をより有利に変えることが可能です。以下の3つのポイントで成功確率を上げ、AIプロセス時間を短縮できます。

1. 明確な指示を与える – AIが高い確率で達成できる具体的な目標設定
2. 評価とフィードバックを磨く – 適切な試行回数で正しい結果を得られるようにする
3. AIの品質判断を簡易化 – 評価にかける時間を削減

これらは専門知識によって大きく向上します。専門家は指示の与え方、問題点の見極め、修正方法を熟知しています。

もし「何か具体的なもの」が必要でない場合、AIモデルは自律的に解決策を構築するほど優秀です。例としてClaude Codeは1つのプロンプトで1980年代風の冒険ゲーム全体（EGA風グラフィック・パーサー・すべての謎解き）を生成し、2回の追加プロンプトでテストとデプロイまで完了しました。URLは enchanted‑lighthouse‑game.netlify.app です。

しかし実務においては「具体的なアウトプット」を想定する必要があります。この場合、AIに意図を伝える方法が課題となります。これはAI以前から存在した問題であり、各分野が独自のドキュメントで解決策を提示してきました。ソフトウェア開発ではプロダクト要件書、映画監督はショットリスト、建築家はデザイン意図書、海兵隊は5段階命令（状況・使命・実行・管理・指揮）などです。これらのドキュメントはAIにとっても非常に有効なプロンプトであり、多ページの指示を一度に処理できます。

AIへの指示が多様な形式を取れる理由は、すべて「ある人の頭脳内を別者の行動へ転換する試み」であるからです。優れた委託ドキュメントには以下のような共通項があります。

• 何を達成したいか、その目的は？
• 委任権限の範囲はどこまでか？
• 「完了」の定義は？
• 必要な具体的アウトプットは？
• 進捗確認に必要な中間アウトプットは？
• 完成と判断する前に何をチェックすべきか？

これらが明確であれば、AIも人間同様に高い成果を上げやすくなります。

この指示方法を設計する過程で、私は実際に管理の再発明に近づいていることに気付きました。主要AI研究所で働く有名なソフトウェア開発者たちは、プログラミングからAIエージェントのマネジメントへ職務がシフトしていると語っています。コーディングは常に組織化された構造を持ち、結果（コードが動くかどうか）が明確に検証できるため、AIツールが成熟しやすい分野でした。今後も多くの職業で同様の変化が起こるでしょう。

ビジネススクールの教授として、私は多くの人がAIエージェントと協働するために必要なスキルを持っているか、あるいは学べると考えています。これらは管理101のスキルです。要件を説明し、効果的なフィードバックを与え、作業評価方法を設計できれば、エージェントと協働できます。多くの場合、巧妙なプロンプトを設計するよりも、人間同様に「人」と共に働く方が簡単です。

一方で管理は常に希少性を前提としてきました。「自分で全てやれないから委託し、才能が限られていて高価だから」でした。AIの登場によって「才能」は豊富かつ安価になりました。今不足しているのは「何を頼むべきか」を知ることです。

これこそ私の学生たちが成功した理由です。彼らはAI専門家ではありませんでした。しかし、各自の分野で問題をスコープし、成果物を定義し、財務モデルや医療報告書がズレていると判断するフレームワークを長年学びました。その経験がプロンプトとして機能しました。よく「ソフトな」スキルだと言われるものが、実際にはハードなスキルであることが判明したのです。

全員がマネージャーであり、多数のAIエージェントを持つ未来像はまだ曖昧ですが、成功する人々は「良い結果」を見極め、それを十分に説明できる者になると予想されます。私の学生たちは4日間でそれを理解しました。それはAIネイティブだからではなく、すでにマネジメントが身についていたからです。この訓練こそ、まさに今この瞬間に備えるための偶然の準備だったと言えます。