AIを使いこなせる人と、そうでない人の差が、職場でじわじわと広がっています。DeepLearning.AIの創設者であり、Courseraの共同創業者でもあるアンドリュー・ン氏が最近、AIアプリケーションの構築と運用に必要なスキルについて自身の見解をまとめて公開しました。技術者向けに書かれた内容ではありますが、その中には、非エンジニアの会社員にも直接関係する話が少なくありません。この記事では、ン氏の提言の要点を整理しながら、30〜40代の会社員が今何を学べばいいかを具体的に考えていきます。
アンドリュー・ン氏が指摘したスキルの全体像
アンドリュー・ン氏はAI教育の世界では最も影響力のある人物のひとりです。Google Brainの立ち上げにも関わった人物が「これが重要だ」と言う内容は、単なるトレンド紹介とは重みが違います。今回ン氏がまとめた内容の核心は、AIアプリを作るだけでなく「実際に動かし続けること」のスキルが極めて重要になっているという点にあります。
ここで整理しておきたいのは、AIアプリの開発と運用に求められるスキルは大きく3つの層に分かれるという見方です。下の表は、ン氏の提言をもとに、エンジニア向けのスキルと非エンジニア向けのスキルを整理したものです。
| スキルの層 | 主な内容 | 非エンジニアの関与度 |
|---|---|---|
| 技術実装層 | API連携、モデルファインチューニング、評価指標設計 | 低（理解は必要） |
| 運用・改善層 | プロンプト設計、出力品質の評価、フィードバックループ | 中（実践できる） |
| 業務統合層 | ユースケース定義、データ整理、チーム内展開 | 高（主役になれる） |
この分類で見ると、非エンジニアの会社員が担えるスキル領域は思ったより広いことがわかります。「自分にはコードが書けないからAIは関係ない」と思っていた人にとって、これは視野が変わる整理です。
「プロンプト設計」は技術スキルではなく、業務スキルです
ン氏が特に強調しているのが、プロンプト設計（AIへの指示の書き方）の重要性です。AIモデルに何をどう伝えるかによって、出力の質は大きく変わります。これはコードを書く話ではなく、要件定義や文章設計の話です。
具体的なシーンで考えてみます。たとえば、35歳の人事担当者が採用要件書のドラフトをChatGPTで作成するとします。「採用要件書を書いて」と打ち込むのと、「新卒エンジニア採用の要件書を書いてください。技術スキルよりもチームへの適応力を重視する方針で、選考担当者が候補者を絞りやすいように具体的な評価基準を含めてください」と打ち込むのとでは、返ってくる文章の完成度に大きな差が出ます。前者は汎用的な内容しか来ませんが、後者なら実務で使えるレベルのドラフトが得られることも珍しくありません。この差を生み出す能力が「プロンプト設計」です。エンジニアリングという言葉がついていますが、プロンプトの書き方ガイドを見ればわかるように、実態は業務理解と文章構成力の掛け合わせです。
「評価できる人」の希少価値
AIアプリの運用で最もボトルネックになりやすいのが、出力品質の評価です。ン氏はここを重点的に取り上げています。AIが出した答えが正しいかどうか、業務目的に沿っているかどうかを判断する人間が必要だからです。
自動化すればするほど、「その自動化が正しく機能しているか」を見極める目が重要になります。AIが大量のメール要約を生成しても、その要約が会議で使えるレベルかどうかを判断するのは人間の仕事です。この判断能力は、業務を深く知っている人ほど持っています。技術の話ではなく、現場の知識の話です。
40代の営業マネージャーを例に取ると、週次の営業レポートをAIで自動生成する仕組みを導入したとき、数字が正確に入っているかよりも、「この表現で顧客にどう見えるか」「経営陣がこれを見たときに何を聞いてくるか」を判断できるのは、その人だけです。AIは文章を生成できますが、会社の空気や顧客関係のニュアンスを読むことはできません。こうした評価の目を持つ人材は、AIが普及すればするほど希少になります。
データを整理する力が、AIの使える・使えないを決める
ン氏が繰り返し強調しているのが、データの品質管理です。AIに優れたモデルを使っても、入力するデータが整理されていなければ出力は使い物になりません。「Garbage in, garbage out（粗悪なデータを入れれば粗悪な結果が出る）」という原則は、ChatGPTの時代でも変わっていません。
会社員が担える具体的な役割としては、社内文書の整理があります。過去の議事録、営業報告書、マニュアル類がバラバラに保存されていたり、フォーマットが統一されていなかったりする状況は多くの職場にあります。これらを整理してAIが読める形に構造化することは、コードを1行も書かずにできます。そして、AIを活用した業務効率化の効果を左右する最大の要因のひとつです。
非エンジニアが今すぐ取り組めること
ここまでの話を踏まえると、エンジニアでない会社員がAIスキルとして優先的に身につけるべきは次の2方向に絞られます。ひとつは「AIへの指示を業務目的に合わせて設計する力」、もうひとつは「AIの出力を自分の業務基準で評価する目」です。
この2つは、学習コストの観点でも取り組みやすいものです。プログラミングの知識は不要で、今の業務経験が直接役立ちます。ただし、習得には実際に使って試す時間が必要です。概念を読んで理解するだけでなく、自分の仕事の文脈でAIに指示を出し、その出力に対して「これで十分か、何が足りないか」を繰り返し考える経験が、スキルの中身になります。
副業や社外プロジェクトでAI活用を試したい場合は、AI副業の始め方ガイドが実践的な出発点になるでしょう。職場内での活用でも、副業での活用でも、動かして学ぶプロセスは同じです。
まとめ
アンドリュー・ン氏の提言を読み解くと、AIスキルは技術者だけのものではなく、業務を知っている人間が持つべき実務スキルとして再定義されています。プロンプトを設計する力、出力を評価する目、データを整える習慣、この3つは今の職場経験の延長で身につけられます。あなたの職場で「AIの出力が本当に使えるかどうか」を判断できる人は、今どれくらいいますか？その問いへの答えが、あなたが次に何をすべきかを教えてくれるかもしれません。
