前回、属人化の正体は「暗黙知が個人に閉じた構造」だと見ました。では本題です——生成AIで、属人化は本当にほどけるのか。願望や宣伝でなく、海外の厳密な実証データで確かめます。
- 生成AIは「ベテランの暗黙知を新人に配り直す平準化装置」として働く
- 業種も仕事も違う3つの大規模実験が、そろって「新人ほど伸びる」と示した
- ただしベテランには副作用もある。層によって運用を分ける必要がある
AIは「できる人のやり方」を抽出して新人に配る
ここが連載の核心です。生成AIは、熟練者の優れたやり方（ベストプラクティス）を抽出し、それを新人に伝える。そして新人ほど大きく伸ばすのです。スタンフォードとMITの研究チームは、カスタマーサポート担当5,179人を対象にした実地データで、こう報告しました。
AIモデルは、より有能な働き手の（潜在的には暗黙の）知識を拡散し、経験の浅い新人が経験曲線を下る（一人前になる）のを助ける。
（Brynjolfsson, Li, Raymond「Generative AI at Work」2023）
具体的な数字が強力です。生産性は平均14%向上。とくに新人・低スキル層は34%改善し、熟練者にはほとんど効果がありませんでした。これはまさに、ベテランの暗黙知が新人に「配られた」ことを意味します。
業種も仕事も違う、3つの実験が同じ方向を指す
1つの研究だけなら偶然かもしれません。しかし、業種も業務の種類もまったく違㎆3つの大規模実験が、そろって同じ結果を出しました。これが主張の頑健さです。
| 実験 | 対象 | 結果（下位層ほど伸びる） |
|---|---|---|
| コールセンター | サポート担当5,179人 | 平坏+14%／新人+34%／熟練者ほぼ0 |
| コンサル（BCG×HBS） | コンサルタント758人 | 品質+40%超／下位+43%・上位+17%で格差圧縮 |
| 文章作成（Science誌） | 専門職453人 | 時間-40%・品質+18%／下位ほど恩恾大 |
定型作業（コールセンター）だけでなく、判断や知的生産（コンサル）でも、下位層が最も伸びて社内格差が縮みました。MITのオーターは、その理由をこう説明します。AIは情報・ルールと経験を編み合わせ、これまで一部のエリート専門職に独占されてきた高度な判断を、より広い層が担えるようにする、と。
中小企業にとっての意味は明快です。ベテランが辞めても、判断の型が会社に残る。新人の立ち上がりが速くなる。これは「AIで属人化がほどける」という主張の、最も確かな根拠です。第1幕で見た「AIは経験の浅い人ほど底上げする」が、属人化解消という具体的な果実になります。
ただし「影」もある——ベテランには副作用
光だけでなく、影も正直に見ます。新しい実地データでは、下位層が伸びる一方、トップ層はむしろ品質が下がるケースが報告されました（AIに頼って複数業務を抱えすぎたことが一因）。さらにAIには「ギザギザの能力境界」があり、得意・不得意の線を読み違えると逆効果になります。
だから「ベテランの仕事をAIに肩代わりさせる」のは間違いです。正しい役割分担はこうです——AIは新人の底上げに使い、ベテランは例外対応・最終検証・AIが苦手な複雑判断に回る。層によって運用を分ける。これが平準化の効果を最大化し、副作用を避ける鍵です。
横軸「新人〜ベテラン」、縦軸「AIの効果」。新人側で大きく伸び、ベテラン側で頭打ち〜やや低下する曲線。下に役割分担「新人＝AIで底上げ／ベテラン＝例外対応・検証へ」を併記。脇に3実験の数値（+34%/+43%/-40%）。
まとめ
- 生成AIは暗黙知を新人に配る平準化装置。新人ほど伸び、社内格差が縮む。
- 業種も仕事も違う3つの実験が同方向。「ベテランが辞めても型が残る」は検証済み。
- ただしベテランには副作用。新人＝底上げ、ベテラン＝例外対応へ、層で運用を分ける。