愛か金かはAIにも決められる。人間に残される仕事

序章：「AIにできない仕事は何か」は、問いの立て方がずれている

AIの話になると必ず出る問いがある。AIにできない仕事は何か。人間に残る仕事は何か。

答えとしてよく挙がるのは、創造性、共感、そして「問いを立てる力」だ。どれも間違ってはいない。ただ、どれもふわっとしている。「問いを立てる力」と言われても、上手なプロンプトを書く技術にしか聞こえない。

この記事では、Jevというモデルを道具にして、この問いを一段ずつ掘る。途中で「人間に残るのは、何をJevするか決める仕事だ」という仮説を立て、最後にその仮説を自分で否定する。

第1章：Jevは、AIの判断を「むき出し」にする

Jevは、TypeSafe AIが2026年9月に公開したモデルで、自分たちは「System One model」と呼んでいる。ChatGPTやClaudeのようなLLMは、問いを受け取り、考えて、文章で答える。Jevは文章を一切返さない。

渡すのは2つだけだ。stateと呼ばれる状態と、型の決まった質問。質問の型は3種類ある。

• Choice：選択肢から選ぶ
• Score：決められた段階で採点する
• Noul：はい／いいえで答える

Jevは状態を読み、選択肢やスコアと、その確率を返す。答えは呼び出す前に決めた型の範囲から出ない。

私はこれを製品名を超えた動詞として使っている。自然言語で書かれた状態を、指定した評価軸に写す処理全般を「Jevする」と呼ぶ。

ただ、この記事でJevを持ち出す理由はもうひとつある。

LLMは「ただの確率機械だ」とよく言われる。だがChatGPTに「この人は会社を辞めるべきですか」と聞けば、もっともらしい文章が返ってくる。文章があまりに自然だから、裏で何が起きているのか直感的には見えない。

Jevは、そこを露出させる。

state:
  年収1000万円
  仕事はつまらない
  家族との時間が少ない
  転職すると年収600万円になる
  ただし家族との時間は倍になる

question:
  転職するべきか？

choice:
  - 転職する
  - 転職しない

転職する    63%
転職しない  37%

AIが突然、何か真理を発見したわけではない。与えられた状態から、どちらがもっともらしいかを確率として判断している。LLMの流暢な言葉に隠れていた「AIによる判断」が、数字として見える。

この見え方を手に入れたうえで、仕事の話に入る。

第2章：仕事とは、状態を見て出力を返すことである

仕事をこう定義してみる。

仕事とは、ある状態Sを見て、何らかの出力Aを返すことである。

医者は症状と検査結果を見て、診断を返す。採用担当は候補者を見て、採否を返す。経営者は会社の状況を見て、次の一手を返す。どれもS → Aの形をしている。

経理の仕事をひとつJevしてみる。

state:
  Uber 2,430円
  取引先への移動

question:
  勘定科目は？

choice:
  - 旅費交通費
  - 消耗品費
  - 通信費

Jevは「旅費交通費」を高い確率で返すだろう。大事なのは、この答えを後から人間がつけた正解と突き合わせられることだ。出力の良し悪しを判定する評価関数J(S, A)が存在する。

これが「正解がある仕事」の正体だと思う。

答えが一つに決まるという意味ではない。プログラミングには無数の実装があるが、テストが通るか、速いか、で採点できる。翻訳にも正しい訳はいくつもあるが、意味を保っているかという軸で採点できる。

問われているのは、答えが一つかどうかではなく、答えを採点できるかどうかだ。

第3章：採点できる仕事は、AIの仕事になる

Jevを大量に走らせる場面を想像する。人間が1日に100件判断していた仕事を、AIは100万件判断する。しかも一件ごとに正解と比べられる。間違えた分だけ改善できる。

評価可能 → 学習可能 → 最適化可能 → 自動化可能

この流れは止まらない。コードを書くことも、広告を作ることも、契約書をレビューすることも、診断することも、評価関数を十分に定義できる部分から順番にAIの仕事になる。

AIが苦手なのは「難しい仕事」ではない。採点のしかたが決まっていない仕事である。

第4章：問いが完成していない仕事

同じ転職のstateに、問いを変えて投げてみる。

question:
  より金を得られるのは？

これは答えやすい。年収という評価軸がすでに決まっている。

question:
  より良い人生なのは？

ここで話が変わる。「良い」が定義されていない。金を最大化するなら一つの答えになり、家族との時間を最大化するなら別の答えになる。

S → Aを計算する能力がどれだけ上がっても、J(S, A)のJをどう置くかは計算の外にある。問い自体がまだ完成していない。

経営者が「この施策の売上期待値をJevして」と頼めばAIは強い。だが「そもそもうちは売上を最大化すべきなのか」は別の種類の問題だ。映画監督が「どちらの編集が視聴維持率が高いか」と聞けばAIは答える。だが「視聴維持率が下がっても、この3分間の沈黙を残したい」と決めるのは最適化ではない。

ここで第一の仮説が立つ。

人間に残るのは、answerを返す側ではない。state・question・choices・scoreという箱を組む側、つまり評価関数を決める側だ。「問いを立てる力」の正体はこれである。

「AI時代には問いが重要」という言葉は、こう言い換えられる。人間に必要なのは、AIに上手に聞く能力ではない。世界の何を変数として取り出し、何を目的関数にするかを決める能力である。

人生をめちゃくちゃ単純化すれば、こうなる。

金を取るのか、愛を取るのか。

現実の価値は二つではない。自由、名誉、美、知識、共同体、無数にある。だが「愛か金か」まで圧縮すると、評価関数を決めるとは何なのかが一発で分かる。

第5章：愛か金かは、AIにも決められる

ここで止まると、この記事は浅い。

読者は当然こう思う。「愛と金どっちが大事か」もAIに聞けば答えるじゃないか、と。

その通りだ。

question:
  愛と金、どちらが重要？

choice:
  - 愛
  - 金

愛  72%
金  28%

Jevはこう返せる。「この会社が重視すべきKPIを考えて」「私の人生の優先順位を整理して」「この映画が目指すべき感情を定義して」。評価関数を作ること自体も、AIはかなりできる。

だから「評価関数を決めることだけはAIにできない」とは言えない。第一の仮説は、技術的には崩れる。

ただし、ここでJevの見え方が効いてくる。ChatGPTが「人生において大切なのは人とのつながりです」と美しい文章を書けば、まるでAI自身が価値観を持っているように見える。Jevなら「愛72%」と出る。途端に、これは判断結果なのだと見える。

その72%は何か。学習した人間の言説と、与えられたstateから、この文脈では「愛」と答えるのがもっともらしい、という判断だ。「あなたが愛と金のどちらを大切にすべきか」の正解ではない。

AIは評価関数を提案できる。しかし、どの評価関数を自分のものとして引き受けるかは、人間に返ってくる。

第6章：確率を見たあとで、何を選ぶか

もっと先の世界を想像する。

AIがこう答える。「金を取るならAです。家族を取るならBです。自由を取るならCです。あなたの過去の行動からすると、あなたはBを選ぶ確率が73%です。」

ここまでAIが答えても、最後に残る。

じゃあ、自分は何を選ぶのか。

「73%だからBにする」と決めた瞬間、それは「AIの予測に従う」という新しい評価関数を自分が採用しただけだ。この再帰は最後まで消えない。どれだけ賢いAIを挟んでも、採用するという一手は自分の側に残る。

だから「人間に残る仕事」は、能力の話ではない。責任の話になる。

おそらく、ほとんどすべてはJevできるようになる。どの会社に入るべきかも、誰と結婚すべきかも、子どもを持つべきかも、愛と金のどちらを取るべきかさえ、AIは確率を返せる。「多くの人なら何を選ぶか」も、「あなたなら何を選びそうか」も、「金を最大化するなら何を選ぶべきか」もJevできる。

それでも「では、自分は何を良しとして生きるのか」だけは、最後には自分が引き受けるしかない。

第7章：会社をJevする人たち——FDEのその後

この構造は、個人の人生だけの話ではない。会社でも同じことが起きていて、その先端にいるのが最近話題のForward Deployed Engineer（FDE）だ。

FDEは客先に入り、その会社の業務を機械が扱える形に落とす。「保険の査定にAI使えませんか」という相談から、査定員は何を見て判断しているか、どこで時間がかかるか、間違えると何がまずいか、何をもって正しいとするか、を聞いて回り、現実から要求仕様そのものを抽出する。

Jevの言葉で言えば、FDEとは会社のstate・question・choices・scoreを組む人だ。評価関数が定義できた仕事から順番に、ソフトウェアやagentへ振り分けていく。極端に言えば、会社の中から「すでに答えが定義された仕事」を順番に消していく装置である。

この発想は新しくない。Michael Hammerは1990年に「仕事をそのまま自動化するな、再設計せよ」と言い、Eric EvansはDDDで「仕事をモデル化する」を体系化し、PalantirのShyam SankarがそれをFDEという現場の職種にした。35年前からある思想が今急に重要になったのは、実装のコストが落ちたからだ。何を作るかを定義できれば、あとはAIがかなり作れる。希少なのは定義する側になった。

では、FDEが仕事を終えた会社で人間は何をするのか。通常ケースはagentが処理する。人間に来るのは、目的を決めること、会社の世界モデルを編集すること、どのルールにも当てはまらない例外を処理すること、システムが正しく動いているかを評価すること、そして次に何を定義するかを見つけることだ。

以前:  人を集める → 組織を作る → 指示する → 結果を見る
以後:  目的関数を決める → モデルを設計する → 制約を置く
       → Agentを走らせる → 結果から評価関数を更新する

人間が仕事をする会社から、人間が「仕事の定義」を更新し続ける会社へ変わる。

そしてここでも第5章と同じことが起きる。「うちのKPIは何にすべきか」はAIに聞ける。評価関数の提案はAIにできる。それでも、その評価関数を会社の目的として引き受け、結果に責任を持つのは人間の側に残る。個人の「愛か金か」が、会社では「成長か、利益か、顧客か、従業員か」という形で押し返されてくる。

終章：人間に残るのは、Jevできないものではない

冒頭で立てた仮説を、ここで修正する。

人間に残るのは、何をJevするか決める仕事ではなかった。何をJevするかすら、AIは提案できる。愛か金かすら、AIは決められる。

人間に残るのは、Jevの結果を見てもなお、何を自分の価値として引き受けるかを決めることだ。

そしてその奥に、もう一段ある。そもそも評価しない、という選択だ。友達と旅行する価値をJevする必要はない。恋人と過ごした夜のROIを計算する必要もない。数学を勉強する理由が市場価値である必要もない。「これはJevしない」と決めることも、引き受けの一つの形だ。

答えは無料になる。問いの候補も無料になる。評価関数の提案も無料になる。

最後まで無料にならないのは、何を欲しがる人間として生きるかを引き受けることだけだ。

AIは、ゲームが決まったあとのプレイヤーとして猛烈に強くなる。人間に残るのは、プレイヤーであることではなく、「自分はどのゲームをする人間なのか」を引き受けることである。