AIファースト組織を、記憶と学習から考える──プロンプトエンジニアリングからグラフエンジニアリング、その先の組織開発へ
シリーズ: 行雲流水
AIに仕事を任せて、期待した成果が返ってこない。指示を書き直し、役割を与え、手順を細かく指定する。依頼する側の関心は、どう言えばうまく動くかに向かう。新しく部下を持ったマネージャーにも、似た場面があるだろう。
しかし、管理する経験を積むと、成果を左右する条件が指示の外側にもあると気づく。判断に必要な情報は渡したか。使える道具と決めてよい範囲は整えたか。途中で確かめ、失敗から戻れる仕組みはあるか。やがて、一人の能力からチームの関係へ目が向く。
この視野の広がりを手掛かりに、AIシステムの設計を眺めてみたい。プロンプトからコンテキスト、ハーネス、ループ、グラフへと、考える対象を広げる整理がある。その並びをたどると、AIを働かせる技術が、組織を構成する経営判断へ接近する理由が見えてくる。
そこで、一人会社を今日ゼロから作る思考実験を置く。利用できる人間とAIの能力を前提に、仕事、権限、記憶をどう配置するか。さらに、その会社を数年間運営すると、何が社内に残り、誰が判断する力を持つようになるのか。AIファースト組織を、この時間の長さまで含めて考える。
指示から、仕事が成立する条件へ
小さな調査会社が、顧客へ新しい提案を作るとする。AIに提案書を作成してほしいと頼むだけでは、想定する顧客も、提案の目的も、守るべき条件も伝わらない。そこで、経営者向けに、費用と実施手順を含め、確認できない効果は断定しないよう指示する。何を依頼し、どんな形式や条件で返してもらうかを整えるのが、プロンプト・エンジニアリング (prompt engineering) である。
これは、新米マネージャーが依頼の曖昧さを減らすことに似ている。適当にまとめておいて、と頼んでおきながら、返ってきたものへ細かな不満を述べても、部下には期待を予測できない。指示を明確にすることには、相手を制御する以前に、管理する側が自分の要求を理解する意味がある。
ところが、明確な指示でも足りない。顧客が前の案件で短納期に苦しんだことや、社内で予算の承認条件が変わったことを知らなければ、提案は整っていても外れる。マネージャーの頭にある事情は、部下の判断材料にはなっていない。同じ不足をAIへ持ち込めば、指示の言葉を磨いても、知らされていない事情までは埋まらない。
そこで、判断に必要な情報の選択と配置を考えるコンテキスト・エンジニアリング (context engineering) が意味を持つ。顧客の議事録、過去の提案、現在の料金表を、仕事に応じて渡す。ただし、保存資料を全部詰め込めばよいわけではない。アンソロピックのコンテキスト設計に関する技術記事でも、限られた入力に何を含めるかが論じられる。古い方針と新しい条件が混ざるなら、量を増やすことが混乱の原因にもなる。
さらに、情報があっても行動できない場合がある。料金表は知っているが、見積もりを計算するツールが使えない。顧客の情報を参照したいが、必要なデータへのアクセスがない。作った下書きを次の作業へ保存する仕組みもない。この不足を、AIの賢さだけに帰すことはできない。
ツール、実行環境、アクセス権限、状態の保存など、モデルが仕事を進める周辺の仕組みを組むのが、ハーネス・エンジニアリング (harness engineering) である。提案業務なら、料金データを読む、計算する、下書きを保存する機能を用意する。同時に、顧客へ送信できるか、料金を変更できるかを分ける。道具を使えることと、会社を代表して行動してよいことは別々に設計する。
ここでマネージャーの見方も変わる。仕事が進まない部下へ催促する前に、必要な情報を渡し、道具を整え、裁量の範囲を決めたかを問うようになる。管理する対象が、言葉から仕事の成立条件へ広がる。この転換をAI設計に重ねて読むと、能力不足に見えた失敗の一部が、依頼する側の設計不足として見えてくる。
反復から、分業の接続へ
仕事の条件を整えても、最初から完成した提案が届くとは限らない。計算を誤る、根拠を取り違える、顧客の条件を一部落とす。そこで、作成した結果を確かめ、問題があれば修正し、再び確かめる手順を組む。実行、観測、評価、修正の反復を扱うのが、ループ・エンジニアリング (loop engineering) である。
マネージャーが最後に完成品を受け取り、全面的なやり直しを命じる方法には負担がある。早い段階で仮説を確かめ、必要なら戻る方がよい場合も多い。AIの提案業務でも、見積もりを料金表と照合し、顧客の条件から外れた箇所を直す。何回まで修正するか、どんな異常なら人間へ相談するかも決める。アンソロピックの長期実行エージェントに関する技術記事は、進捗の記録と確認の仕組みを継続的な作業の条件として扱っている。
ただ、何度も回せば正しくなるわけではない。正しい数値の参照先がなく、作成したAIが自分で納得して終えるだけなら、誤りを磨き上げることもある。反復には、評価する基準と、確認できる根拠が必要になる。また、ある仕事の中で修正を繰り返すことは、そのまま基盤モデルが学習して能力を高めることでもない。何を更新するかを分けて見る必要がある。
さらに仕事が複雑になると、一つのAIへあらゆる役割をまとめること自体が問題になる。調査、仮説作成、数値確認、顧客への説明では、必要な情報も評価の仕方も違う。調査役の結果を作成役へ渡し、検証役が原資料と計算を確かめ、人間が顧客との約束を判断する。その分業を、どの順番で、どの条件の下で接続するかが問われる。
この関係を設計する見方が、グラフ・エンジニアリング (graph engineering) である。グラフとは、点と線で関係を表す構造をいう。ここでは役割や作業を点にし、情報、依存関係、制御の流れを線で表す。顧客の条件が変われば再調査へ戻し、計算だけ誤っていればその工程からやり直す。誰が誰の結果を使い、どこで待ち、どこから再開できるかまで考える。
2026年8月のグラフ・エンジニアリングの概説論文も、仕事、エージェント、状態の関係を明示する設計を提案する。ただし、この五つを確立した一本道の進化史にしてはいけない。各領域は重なり、ハーネスがループを含む用法もある。グラフを組めても指示や情報の不足は残る。複数AIの利用も、調整の手間や共有された誤りを増やしうる。
この点まで含めると、新米マネージャーとの類似が深くなる。最初は一人ひとりへの頼み方を考え、次に情報と裁量を整え、途中で相談できるようにする。やがて、個人が頑張っても改善しない受け渡しや分業の問題に気づく。優秀な人を一人採ればよいという見方から、役割間の関係がチームの成果を左右するという見方へ進むのである。
人間とAIの心理を同じものとして扱う必要はない。共通するのは、管理する側の注意が、直接の指示から、仕事をする環境と協働の構造へ広がることだ。その先では、どの役割を置き、どんな判断を任せ、どこへ経験を戻すかという組織の問いが、AIシステムの設計にも入り込む。
一人会社の役割と裁量
そこで、今日、一人で調査会社を作ると考えてみる。営業部や企画部がすでにある会社から始めると、それぞれに営業AIや企画AIを入れたくなる。しかし、ゼロからなら先に問うべきことを変えられる。顧客を見つける、事情を聞く、課題を仮説にする、調べる、提案する、結果を確かめる。そのために必要な機能と関係を考える。
創業者は顧客に会い、本人も十分に言葉にしていない困り事を確かめる。調査AIは利用できる資料を探し、分析役は仮説を複数作る。検証役は根拠と数値を確認する。創業者は、引き受けられる内容か、顧客の期待を変える必要があるかを判断する。仕事の一部はAIへ渡せるが、人間自身も問題の発見や関係づくりを続ける。
こうした組織を、AIファースト組織 (AI First Organization、以下AFO) として考えたい。ファーストとは、AIが利用可能なことを設計の出発条件へ入れる、という意味である。何か仕事があれば必ずAIへ任せるという方針や、AI利用率を最大化する目標だけでは、その組織が何を重視しているかを十分に捉えられない。
AIに人間の職種を模倣させる必然性もない。調査と仮説作成を分けた方がよいこともあれば、一つにまとめた方がよいこともある。必要なのは役割を増やすことそのものではなく、仕事が成立し、失敗を確認し、修正できる配置である。部署や職種も、それが有効なら残せばよい。既存の箱を先に置くことで、他の配置を考えられなくなることを避けたい。
AIを組織の役割として扱う際には、任せる内容を具体化する必要がある。毎回の指示で文章を返すだけか、案件の状態を保持し、限られた範囲で調査の順序を選び、他の役割へ結果を渡すか。継続的な機能、裁量、記憶、行動権限、相互依存があるほど、AIを含めた役割配置が経営上の問題になる。意識や人格についての主張は、ここには要らない。
従来のソフトウェアにも判断や受け渡しはあり、複数エージェントの研究も以前からある。グラフという新語が、それらを初めて発明したわけではない。汎用的なAIに仕事の経路を選ばせ、その判断を別の役割が受け取るとき、既存の処理手順と限られた裁量をどう組み合わせるかが、より広い業務で現実の選択肢になる。
BCGの2026年4月のAIファースト組織に関する論考でも、既存の業務へAIを追加するだけでなく、仕事の進め方を再構成する必要が論じられる。私がその先で考えたいのは、配置した機能をどこまで継続して持ち、何を外部へ開くかである。一人会社の構成を描けても、会社が持続する理由はまだ十分には説明されていない。
利用できる外部能力と会社の境界
調査会社のある案件で、特殊な統計分析が必要になる。自社でその能力を作る以外に、外部の専門家やAIサービスへ依頼する方法がある。会社はもともと市場の中にあり、自社に何を持ち、何を買い、誰と協働するかを決めてきた。AFOがこの問いを新しく発明するわけではない。
変わりうるのは、問いに答える条件である。外部能力を利用するには、相手を探し、力量を確かめ、要求を説明し、作業を調整する手間がかかる。小さな分析のためにその手間を毎回負うより、人を雇って一連の仕事を任せる方がよい場合がある。AIが探索や情報整理、接続の一部を担えれば、外へ切り出せる仕事の単位は小さくなるかもしれない。
エージェント経済 (agent economy) は、この変化がさらに進んだ将来像として置ける。AIが外部の能力を探し、比較し、依頼し、結果を確認する。ただし、全面的に自律した取引を既成事実にする必要はない。人間が外部AIを選ぶ場合、事前に許可したサービスからAIが選ぶ場合、相手との探索や交渉まで任せる場合では、必要な仕組みもリスクも違う。
その最も発達した段階が実現しなくても、説明と調整の手間が一部減るだけで、内部化判断を見直す理由になる。反対に、外部サービスの料金が安くても、結果を確かめる手間や、顧客情報を安全に扱う条件、供給の安定性まで含めると、必ずしも外部化が有利とは限らない。探索費用の低下と評価費用の低下を、同じ変化として扱ってはいけない。
また、外部主体を自社の図へ描き足しても、社内と同じようには管理できない。協力先は別の顧客を持ち、独自の優先順位で動く。プラットフォームの提供条件も変わりうる。自社が決められるのは、何を渡し、どこまで任せ、どんな結果を受け入れ、いつ切り替えるかという自分の側の境界である。
グラフの中に外部主体を表すことはできる。しかし、その表現によって市場や他社の事情を自由に設計できるようになるわけではない。この制御できる範囲の違いを含めて、会社の構成を考える必要がある。市場の発達を観察し、それに合わせて自社の配置を変える経営判断が、接続の設計に加わるのである。
新米マネージャーの例にも、その先がある。チーム内の分業を整えたマネージャーは、隣の部署や外の専門家を使う選択肢を知る。自分のチームで何でもできるように育てるのか、他の能力を借りて目的を果たすのか。その判断は、外部に何が利用可能かを知るほど具体的になる。AFOでも、自社のAIを増やす前に、外部能力との組み合わせを考える理由が生まれる。
記憶を持つ組織、履歴を持つ関係
外部の能力を使いやすくなるほど、会社は小さくなるのだろうか。人員が減る場合はあるだろう。しかし、ここから一方向の規模縮小や会社の消滅を導くと、組織が継続的に保持してきたものを落とす。企業の内外を決める理由を、現在の取引を安く行うことだけに縮めてはいけない。
同じ顧客と仕事を続ければ、その相手が何を嫌い、どの程度の説明を求めるかが分かる。以前の提案を見送った理由、当時は受け入れられた品質の条件、失敗した後に変えた手順も残る。記録を保存しているだけでは足りず、今の案件にどの履歴を使い、何を使わないかという解釈まで必要になる。
継続して働く人間同士には、説明を省略できる共通の理解や、異論を持ち込める関係ができる場合もある。長い関係には信頼だけでなく、慣れによる見落としもある。心理的な結束や、自分たちはどんな仕事を引き受ける集団かという感覚も、単発の調達では再現しにくい。これらを一枚の資料へ移して持ち運べるとは限らない。
人間とAIの協働にも、条件付きで履歴を持たせられる。人間側は、どの仕事を任せると安定するかを学び、期待や依存の仕方を変える。AI側では、保存された記録、参照する情報、評価基準、行動方針が更新される。人間と同じ感情的な信頼をAIに仮定する必要はない。過去の相互作用が将来の挙動へ影響するという、非対称な関係として捉えられる。
しかも、記憶を残すには仕組みが要る。同じ名称のAIを使い続けるだけで、会社固有の経験が自然に保持されるわけではない。何を保存し、誰が修正し、誤りが見つかったらどう取り消すかを決める。外部サービスを替えても判断の理由を取り出せるかは、調達の便利さと並んで重要な条件になる。
ここでは、人間かAIか、内部か外部かという配置に、時間を加えて見る必要がある。単発の専門家と長期の協力先は違う。毎回初期化するAIと、検証された履歴を使うAIも違う。外部のモデルを使いながら、自社が記憶と規則を管理することもできる。内部化を、ソフトウェアの所有や設置場所だけで決めるのは粗すぎる。
私の仮説は、外から借りられる能力が増えるほど、企業は社内に持ち続けるものの理由を厳しく問われるようになる、ということである。その結果、顧客関係、判断基準、固有の記憶などを相対的に重く見る組織がありうる。規模の大小より、内部に保持するものの性質が問題になる。逆に、その蓄積も外部へ依存する構成は可能であり、どの形が優位かを先に決めることはできない。
今日の成果と、明日の判断能力
ある分析を優秀な外部AIへ依頼すれば、今日の仕事は速く終わる。しかし、その結果を受け取るだけなら、分析の妥当性を判断する経験が自社へ戻らないかもしれない。何を任せるかは、今日の速度と品質に加えて、将来どこへ能力が蓄積するかを決める選択でもある。
この緊張はAI以前からある。ジェームズ・マーチの1991年の組織学習論では、既存能力の活用と、新しい可能性の探索の関係が扱われる。現在の方法をうまく使うほど、未知の方法へ試行する理由は弱くなりうる。これをAFOへ接続するなら、処理を安定させることと、新しい問いや判断を育てることへ、どのように資源を配るかが課題になる。
ただし、外部化をそのまま能力の喪失と結びつけるべきでもない。外の専門家から判断の仕方を学び、自社ではできなかった比較や試行を行える場合がある。内部で同じ作業を続けても、結果を検討せず、理由を記録しなければ、能力の蓄積は乏しい。所属よりも、経験を共有して次の行動へ反映する仕組みを見たい。
調査会社なら、分析の実行は外へ頼み、自社で先に仮説を立て、得られた結果と照合する方法がある。提案後の顧客の反応や実際の成果を確認し、分析を受け入れた理由を評価基準へ戻す。失敗を外部の品質だけで説明せず、要求の伝え方や、自社の確認方法も検討する。これなら外部能力の利用が、自社の学習へつながりうる。
人間に仕事を残す理由も、ここから考えられる。AIへ渡せるかという問いに加え、その仕事を経験することで何を維持したいかを問う。結果を見る前に仮説を立てる、原資料を読む、異常な事例を自分で追う。すべてを人間が再実行する必要はないが、検証する能力を期待する人間が、その能力を使い続ける機会は要る。
もちろん、どの領域を人間へ残すかは業種と目的で異なる。顧客との関係を重視する事業と、形式的に結果を確認しやすい処理を大量に行う事業では、能力形成の条件が違う。短期の効率を犠牲にしてでも人間へ任せるべきだという一般論にもせず、維持したい能力と、その必要な経験を結びつけて判断する。
新米マネージャーとの類似も、ここで経営の問題へ進む。部下を速く動かす仕組みを作れても、そのチームが将来どの仕事を判断できるようになるかは別の問いである。任せ方は能力形成の配分でもある。AFOにおける人間とAIの配置を、今日の処理能力だけで評価できない理由は、ここにある。
運用から、学習と意図的な変化へ
最初に組んだ役割配置は、仕事を続けるうちに見直される。省いてよいと思った確認で顧客の期待を取り違えたなら、その工程を戻す。毎回確認していた作業が安定し、別の方法で異常を検出できるなら、確認の仕方を変える。経験を検討して判断基準や手順へ反映する過程は、組織学習として捉えられる。
記憶を増やすだけでは、その学習を保証しない。以前の失敗への対処が、今は違う条件にも適用され、過度な慎重さとして残る場合がある。成功した方法も、顧客や市場が変われば有効ではなくなる。何を覚えるかと同時に、何を修正し、何を忘れ、どの判断を再検討するかが必要になる。
外部環境の変化は、仕事の手順より大きな変更を求めることもある。以前は内部で育てるしかなかった能力が、外から安定して使えるようになる。反対に、利用していたサービスの条件が変わり、内部で持つ理由が強くなる。このとき、既存の分業を速めるだけでは足りず、能力や関係の構成を組み替える必要がある。
その視点は、ティース、ピサノ、シュエンの1997年の動的能力論に接続する。内部と外部の能力を統合し、育て、再構成する力を問題にするのである。AFOを一度作った最適な配置として扱うと、この変化に合わせる経営の課題を見落とす。
さらに、人間の協働や学習、仕事の構造へ意図的に介入し、持続的に働ける条件を改善する実践として、組織開発がある。CIPDの組織開発の説明でも、人々の参加を通じた計画的な取り組みが重視される。運用中に自然に起きる変化を、すべて組織開発と呼ぶことはできない。
AFOでは、人間とAIの仕事の渡し方を検討し、人間側の判断力や発言の機会を維持し、記録や評価の方法を変える取り組みが、この実践と接続する。しかし、AIの行動方針を調整することと、人間の参加や相互理解を促すことは同じではない。個々の技術的変更を、組織開発の取り組みの中へどう置くかを考える必要がある。
グラフ設計にも、状態の保存や構造の継続的な更新を扱う方法がある。したがって、技術では履歴を表現できず、経営だけが時間を扱える、と区切るのは不正確である。問題が変わるのは、何を学習成果とし、誰の将来の能力を重視し、変更の負担を誰が引き受けるかという判断が加わる点だ。目的や評価の基準自体も、検討の対象になる。
ここで一人会社の思考実験の限界も見える。人間が一人なら、報酬や地位、仕事の配分をめぐる対立は薄く見える。人間が複数になれば、誰がAIを使えるか、誰の仕事が評価されるか、誰が変更に異論を言えるかが問題になる。人間とAI、人間同士、AI同士の関係が共存する組織を、情報と作業の接続だけで説明し尽くすことはできない。
権限、責任、会社に保持するもの
AIへ仕事を任せるほど、決めること、実行すること、結果を説明して対処することを区別する必要がある。顧客へ返信する機能をAIへ与えても、誤った約束をした際に、会社が相手との関係を修復する課題は残る。AIの出力を会社の判断として扱う条件を決めず、問題が起きたときだけAIのせいにする構成では、責任を果たせない。
人間の承認を最後に置くことも、それだけでは十分な監督にならない。AIが選んだ資料をAIが要約し、結論だけが届くなら、人間は重要な不確実性を知らないまま承認するかもしれない。必要な情報へアクセスでき、判断する能力と時間があり、処理を止め、理由を追えることが、承認を実質的にする条件になる。
その一方で、すべてを人間へ戻せば、一人会社は確認の待ち時間で詰まる。だから、一定の行動を許す範囲、例外を戻す条件、事後に検査する方法、説明と対処を担う役割を具体的に配置する必要がある。権限と責任の扱いは、AIの能力の問題と切り離した付録にはできない。能力を事業として使うための構成の一部である。
人間の役割も、最後の承認者だけへ狭めたくない。顧客と話し、新しい問いを作り、引き受ける事業の条件を決め、場合によっては目的そのものを変える。AIに任せた工程の確認に追われ、人間がその仕事を行う余地を失うなら、組織の設計を再検討する理由になる。
ここまで来ると、AFOを次のように考えられる。AIが利用可能な世界を前提に、人間とAIの役割、内部と外部の能力、持続させる記憶と関係を配置し、その構成を経験と環境の変化から更新する組織である。その定義では、AIを多く配置する会社も、外部能力を広く使う会社もありうる。規模やAIの数だけで、その質を決めることはできない。
共通のモデルを使う企業の間にも、判断基準、顧客との関係、失敗を振り返る方法、能力を組み替える速さには違いがありうる。その違いが競争上の差になるかは、事業や模倣の難しさによる。しかし、AIを利用できることと、それを持続する組織能力へ統合できることを分けて考える必要はある。
私は、AIの仕事を設計する技術が進むほど、経営者が会社として保持するものを具体的に選ぶ必要が強くなると考える。外から買える能力が増えたとき、内部に何を置くかは、惰性で決めにくくなる。今日の仕事を終える仕組みと、明日の判断を可能にする蓄積を、同時に見る必要がある。
新米マネージャーの頼み方から始めた話は、組織の将来を引き受けるところへ戻ってくる。指示を明確にし、働く条件を整え、協働を組む。その先で、何を学び、何を変え、どの関係を続けるかを決める。AIがいる会社でも、この仕事は残る。何を組織として持ち続け、その判断をどう問い直せるようにするか。AFOを考える経営は、そこから始まる。
ポイント整理
管理する側の視野の拡張
五つの設計領域を、新米上司が指示から情報、権限、反復、分業の問題へ目を広げる過程に重ねて読む。
人間とAIの心理を同一視せず、仕事の成立条件と協働を考える際の共通課題を取り出す。
能力の配置と会社の境界
一人会社を出発点に、既存の部署や職種を前提にせず、必要な機能と関係を組む。
外部能力の利用条件が変われば、何を社内で持つかも変わる。検証や調整まで含めて判断する。
現在の成果と将来の蓄積
任せ方は、経験、評価する能力、判断の理由がどこへ残るかを決める選択でもある。
外部化と学習喪失を一律に結びつけず、経験を共有し、次の行動へ戻す仕組みを確認する。
継続的な更新と人間の参加
経験からの学習、環境変化への能力再編、意図的な組織開発を区別する。
AIの調整に加え、人間の能力形成、利害、異論を言う機会を含めて変化を考える。
裁量を成立させる責任の配置
分析、決定、実行、監督、説明と対処を分け、接続する。
人間の承認を実質的にするには、情報、判断能力、時間、停止する手段が必要になる。
キーワード解説
【ハーネス・エンジニアリング (harness engineering)】
AIモデルが周囲の資源を利用して仕事を進めるための仕組みを設計すること。ツール、実行環境、アクセス制御、記録や状態の管理などを含む。ループや分業の制御を含める用法もあり、他の設計領域と重なる。
【グラフ・エンジニアリング (graph engineering)】
仕事や役割、状態の関係を、点と線で明示する設計の考え方。作業の依存、情報の受け渡し、再開や修正の経路を扱う。関係を表現できることと、その関係者を自由に管理できることは別である。
【AIファースト組織 (AI First Organization)】
AIが利用可能なことを前提に、仕事を担う役割や能力、組織の境界を考える組織。本論では、継続して保持する記憶と関係、その構成の更新まで含めて捉えた。AI利用率やAIの数だけを定義の尺度にしない。
【組織記憶】
組織の次の行動に利用される、過去の経験や判断の蓄積。文書だけでなく、人間が持つ知識、規則、仕事の進め方などにも分散する。保存に加え、取り出し、解釈し、必要なら修正する仕組みが要る。
【組織開発】
人々の参加や協働、学習、構造やプロセスへ意図的に介入し、組織が持続的に働く条件を改善する実践。自然な変化全般やAIモデルの調整そのものとは区別する。AFOでは、人間とAIが働く条件の変更も、この実践との関係で考えられる。