ある会社がAI責任者の採用を計画しています。技術に詳しく、業界を理解し、チームを率い、新事業を見つけ、できれば半年で投資効果を示してほしいという要件です。
ところが、利用できるデータ、変更してよい業務、不適切な案件を中止する権限は未確定です。入社前から、その職位に技術、戦略、社内調整の不確実性が集中しています。
これは仮定の場面であり、特定企業の事例ではありません。採用前に、実現可能な方向を探すのか、決まった方向を信頼できるサービスにするのかを確認する必要があります。両者はつながりますが、同じ管理方法でよいとは限りません。
経営学の視点：探索と活用は同じ資源を競い合う
James March の1991年の論文は、組織学習における探索と活用を論じています。探索は新しい可能性を試すこと、活用は既知の方法を改善して使うことです。成果の時期と不確実性が異なる一方、限られた資源を必要とします。理論とモデルの分析であり、現在の生成AI導入調査ではありません。
その後の組織の両利きに関する議論は、既存事業を維持しながら新しい方向を育てる方法を扱います。Stanford による Charles O’Reilly の研究紹介では、異なる仕事には異なる指標、誘因、組織上の配置が必要になると説明されています。資料は末尾に示します。
以下の段階整理と採用提案は、本稿によるAI業務への応用であり、原研究が示したAI導入の標準ではありません。
探索では、取り組む価値があるかを確認する
AIで技術文書を整理したい場合、まず利用者が何に時間を使い、データが使える状態か、誤りを発見できるか、既存ツールで大半を解決できないかを確認します。
成果は機能公開とは限りません。有望に見えた方法が成立しないと分かることにも価値があります。成功するデモしか評価しなければ、難しいデータや実務条件を避け、見せやすい例に偏る可能性があります。
ただし探索は無期限の実験ではありません。期間、資源、検証する仮説、中止を判断する証拠を決めます。終了条件のない実証は、資源を使い続ける展示案件になりかねません。
実装では、継続して使えるかを確認する
デモが動くことと、日常業務で使えることは違います。データ権限、例外処理、利用者研修、保守責任、ベンダーやモデル変更への対応が必要です。
文書整理なら、要約品質だけでなく、原文を追跡できるか、人の確認が必要な箇所はどこか、停止時に既存手順へ戻れるかを見ます。目立つ機能ではなくても、長期利用を左右します。
素早い実験が得意な人が運用保守も得意とは限らず、安定した手順作りが得意な人が未定義の問題の探索に最適とも限りません。優劣ではなく、仕事の違いです。
一人が両方を担うなら、順序を決める
中小企業が別チームを持つとは限りません。大企業の組織をそのまままねる必要もありません。同じ管理職の各段階の主な任務を明確にする方法があります。
例えば、まず二つの用途を検証し、明確な条件を満たした後、一つの実装へ集中します。段階の変化に合わせて評価と支援も変え、初日から大量の実験、安定運用、迅速な収益をすべて要求しないようにします。
既存業務で工数が埋まっているなら、何を止め、誰へ移すかも決めます。「既存業務に影響させず変革も行う」は無料の配置ではなく、資源の衝突を現場に委ねている可能性があります。
AI責任者の要件に先に書く四つのこと
第一は業務上の問題です。検索時間の削減、予測の改善、対応量の拡大は別の任務であり、効率化の一言では不十分です。
第二は提供条件です。利用可能なデータ、他部門の窓口、予算、意思決定支援を示します。不足も隠さず、入社後に初めて分かる状態を避けます。
第三は権限です。供給者の選定、手順変更、実験の中止、他部門への工数依頼ができるか。提案しかできない人に、定着の結果をすべて負わせるべきではありません。
第四は評価です。探索では検証した仮説、実装では信頼性、実利用、業務への影響を確認します。測りにくいからといって、デモや研修の回数だけで代用しないことが重要です。
面接では中止した判断も聞く
成功案件に加えて、「どの案件を縮小または中止し、何を根拠に、支持者へどう説明したか」を聞きます。管理職には続けない判断も必要です。
実証が成功したのに導入で苦労した案件についても聞けます。データ、業務手順、保守費用、組織への定着のどこが問題で、何を変えたのかを確認します。
技術以外の理解を見る質問です。機密案件は匿名化して説明してもらい、前職のデータやシステムへのアクセスを求めません。
最新技術を使っていないことを判断力不足と考えないことも重要です。簡単な方法で十分なら、複雑さを増やさない理由を説明できることも管理能力です。
ツールが節約した時間だけを数えない
導入前の状態を把握し、導入後の確認、修正、保守、調整時間も含めます。前工程の時間短縮が、後工程の人による確認へ移っただけかもしれません。
範囲を限定して品質、例外、実際の利用を記録し、拡大を判断します。業務ごとのリスクが違うなら、一つの平均値だけでは不十分です。
履歴書や人事情報では、効率だけでなく利用目的、権限、供給者の処理方法を確認します。本稿は個別の法的判断を示すものではありません。実際のデータとサービス構成に応じて、適用法令と安全性を別途評価する必要があります。
採用前に経営陣の任務理解をそろえる
Talent Nexus とAI・技術管理職の採用を相談する際、検証、構築、利用拡大のどの段階かを示すと、必要な経験の組み合わせを判断しやすくなります。
候補者も「三か月後に当初の方向を続ける価値がないと分かった場合、私の仕事をどう評価しますか」と質問できます。探索が許されているのか、元の仮説の確認だけを求めているのかが分かるかもしれません。
一人の採用で能力を補うことはできますが、資源と意思決定の衝突が自動的に解消されるわけではありません。任務を具体化してこそ、その能力を今必要な仕事へ使えます。
研究資料と適用範囲
March, J. G. (1991). Exploration and Exploitation in Organizational Learning. Organization Science, 2(1), 71–87。理論上の区分を分析の出発点としており、AI案件の効果を直接証明するものとは扱っていません。
Stanford Graduate School of Business (2016). The Secrets to Corporate Longevity。O’Reilly と Tushman による組織の両利きの研究と管理上の視点を紹介しています。
参考資料：Stanford Graduate School of Business