ChatGPTやCopilotを毎日使いながら、「自分の仕事のやり方がどんどん改善される」と感じている会社員は多いはずです。ただ、その改善の恩恵が自分の会社に積み上がっているのか、それともAI企業側に積み上がっているのか、立ち止まって考えたことはあるでしょうか。Perplexity AIのCEOが指摘したある構造的な問題が、静かに注目を集めています。この記事では、AIツールの「学習の流れ」がどこに向かっているのかを整理し、会社員として何を知っておくべきかを考えます。
AIツールが「あなたの仕事」から学んでいる現実
AIサービスの利用規約をじっくり読んだことがある人は、おそらくほとんどいないでしょう。しかし多くのAIサービスは、ユーザーの操作ログや入力内容をモデル改善に活用する権利を規約に盛り込んでいます。つまり、あなたが毎日ChatGPTに投げかけるプロンプトや、Copilotで修正する文章の癖、Claudeとのやり取りの流れ——これらはすべて、AIをよりスマートにするための材料になり得ます。
これ自体は、サービスが無料または低価格で提供されている理由のひとつとして理解できます。問題は、その学習の恩恵がどちらに向かっているかです。あなたの会社の業務ノウハウがAIへの入力を通じて「教材」になる一方で、賢くなったAIはAI企業の資産として蓄積されていきます。個々のユーザーや企業に「あなたが教えた分だけ賢くなったモデル」が返ってくるわけではありません。
「学びが一方向に流れる」とどうなるか
Perplexity AIのCEO、アラブ・スリニバス氏がSNSで引用・共感を示したのは、この非対称性を指摘した言葉でした。要約すると、「学習が一方向にしか流れないなら、経済的な価値は知識の作り手ではなく、学習インフラの持ち主に集まっていく」という指摘です。
具体的に考えてみましょう。たとえば、40代の法務マネージャーが契約書のチェック業務にAIを使い続けたとします。業界特有の言い回し、注意すべき条項のパターン、修正の判断基準——これらは長年の経験から来るものです。AIはその人の入力から学び、徐々に法務業務に最適化されていきます。しかしその「最適化された知識」は、その人の会社ではなく、AIサービス全体のモデルに蓄積されます。次に同じAIを使う別の企業の法務担当者も、その恩恵を受けられます。知識を提供した側に、特別な見返りはありません。
これは「搾取」と呼ぶほど単純な話ではありませんが、価値の流れ方として非対称であることは確かです。
「ディスティレーション禁止」という条項の意味
少し専門的な話になりますが、AIの世界に「ディスティレーション（蒸留）」という技術があります。簡単に言うと、大きなAIモデルの出力を使って、小さなモデルを効率よく賢くする手法です。大企業が膨大なコストをかけて作ったモデルの「知識」を、別のモデルが吸収できてしまうため、多くのAI企業が利用規約でこれを禁止しています。
ここに、スリニバス氏が「皮肉だ」と指摘した矛盾があります。AI企業は「自分たちのモデルから他者が学ぶことは禁止する」一方で、「ユーザーの使い方データから自分たちが学ぶ権利は確保する」という立場を取っています。学びの自由は、インフラを持つ側にだけ認められているわけです。
この構造は、ビジネスとして合理的である面もあります。ただ、自社のノウハウをAIに投入している企業の立場から見ると、少し立ち止まって考える価値のある問題です。
企業規模別に見る「学習ループ」の格差
以下は、企業規模とAI活用の関係を整理したものです。AI企業の公開情報と業界動向をもとに、学習ループの非対称性がどう現れるかを考えてみました。
| 企業規模 | AIへの投資 | データ提供量 | 自社への還元 | 主なリスク |
|---|---|---|---|---|
| 大企業（独自契約） | 高い | 多い | API経由で一部制御可能 | 契約交渉コスト |
| 中堅企業（標準プラン） | 中程度 | 中程度 | ほぼなし | ノウハウ流出の可能性 |
| 中小企業（無料〜低価格） | 低い | 少ないが割合は高い | なし | 気づかない間の提供 |
大企業はエンタープライズ契約を通じて、自社データを学習に使わせない設定や、専用モデルのファインチューニング（特定用途向けの追加学習）を交渉できます。しかし中小企業や個人事業主が標準プランで使う場合、そういった選択肢はほぼありません。AIが賢くなる恩恵はサービス全体に広がりますが、自社だけの競争優位にはなりません。
「自分たちの学習ループを持つ」という考え方
スリニバス氏が提唱したのは、「学習インフラをすべての企業に分散させ、それぞれが自分たちの学習ループをコントロールできるようにすること」です。これは理念としては理解しやすいですが、実際には何を意味するのでしょうか。
現実的な選択肢として、いくつかの方向性があります。ひとつは、自社データを外部に渡さずに使えるローカル型のAIモデルを導入することです。最近は、自社サーバーや社内環境で動かせるオープンソースのモデルが増えており、プロンプトの書き方ガイドで紹介しているような工夫と組み合わせれば、外部サービスに依存しない形でAIを活用できます。
もうひとつは、AIを「使うだけ」でなく、社内での活用パターンを蓄積・共有する仕組みを作ることです。たとえば、30代の営業マネージャーが週次レポートの作成にAIを使う場合、どんなプロンプトを使えばうまくいくかを社内でドキュメント化しておく。これは小さな取り組みですが、AIが賢くなるのを外部に任せるのではなく、自社の使い方が洗練されていく「内部の学習ループ」を育てることにつながります。
AIを副業や新しい仕事の形に活かしたい場合は、AIを使った副業ガイドでも、自分の強みとAIをどう組み合わせるかについて触れています。ここでも「自分の知識をAIに渡すだけ」にならない使い方が重要です。
「使われる側」から「使う側」への意識の転換
AIツールを日常的に使っている会社員が今すぐできることは、大げさな話ではありません。まず、自分が使っているサービスの利用規約を一度確認し、入力データがどう扱われるかを把握しておくことです。次に、業務の核心にある情報——顧客リスト、未公開の戦略、独自のノウハウ——をそのままAIに投げ込む前に、一度立ち止まる習慣をつけることです。
これは「AIを使うな」という話ではありません。ChatGPTの使い方ガイドでも触れているように、AIを賢く使うためには、何を渡して何を渡さないかを自分でコントロールする意識が必要です。その意識を持った上でAIを活用するのと、ただ便利だから使うのとでは、長期的に見て大きな差が出てきます。
まとめ
「学習が一方向に流れる」という構造は、AIサービスが普及するほど強まっていく傾向があります。AIが賢くなることは歓迎すべきことですが、その賢さが誰の資産になるのかを意識しておくことは、会社員にとっても無関係な話ではありません。自社のノウハウをAIの学習に提供しながら、その見返りが自分たちに返ってこない構造に気づいているかどうか——その差が、数年後のAI活用の成熟度に影響してくる可能性があります。あなたの職場で「AIへの投入データ」を誰がどう管理しているか、一度確認してみる価値はあるかもしれません。
