業務システムオーナー

中国本土。生成AIサービスの暫定弁法のもとで、サービスは国の当局へ届け出られ、届出済みのモデルを API で呼び出すアプリケーションは省の当局へ登録される。稼働中のアプリケーションは、目立つ場所か製品の詳細ページに、モデル名と届出番号または一覧番号を示さなければならない。業務システムを持つ人にとって、それは生成の機能を有効にすることが、設定の変更ではなく、名前のついた確かめられる前提条件を伴う一段になるということである。この件数は届出の数であって利用の数ではない。何件のサービスが関門を通ったかを示しており、何社が導入したか、どれだけうまく働いているか、その表示を誰かが確かめたかは示していない。中国の外の仕組みについては何も語っていない。

失敗、撤回、規制、あるいは費用が導入を抑えている。判断を下げる、あるいはその不確かさを広げることがある。

米国の全企業を代表する調査であり、対象期間は2025年11月から2026年1月。16%はAIを使っている企業に対する割合であって、全企業に対してではない。調査は企業に何を置き換えたかを尋ねており、どの仕組みか、どの提供元か、誰が運用していたかは特定していない。だからここには、特定の顧客管理や受注の仕組みが入れ替わったと述べているものは何もない。同じ調査の労働の数字の代わりにではなく、その隣に置いて読むこと——AIを使っている企業のうち95%が、AIに関係する雇用の変化はまったくないと報告しており、増加は2.3%、減少は2.0%(企業単位)である。一方で、AIで業務を代替している企業のうち、置き換えられた業務が多数にのぼると報告する企業の割合は、最初の追補以来2.5%から7%へ上がっている——ただし著者は、この上昇は周辺の設問の変更を一部反映しているかもしれないと注意を促している。もっとも、業務の代替を尋ねる設問そのものの文言は変わっていない。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

省自身が、データ連携チームの構築した照合モデルについて公表した透明性の記録である。記録によれば、このモデルは、刑務所、保護観察、裁判所のケース管理システムの内部およびシステム間で個人の記録を比べ、二つの記録が同一人物である確率を点数にする。決定論的な、規則に基づく連結も検討されたが、微妙な違いを捉えられないこと、偽陰性が多いこと、多数の規則を管理する難しさから、不適切と判断された。モデルはシステムごとに数百万件の記録に対して継続的に動いている。そして一致の候補の一覧を人に示す場面では、最終的な判断はその人が下し、記録を統合したり統合を解いたりする職員には研修がある。精度の数字は公表しておらず、人手による確認でつけたラベルを正解として扱うことはできないと述べている。企業の顧客管理の仕組みではなく、政府の司法の仕組みである。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

省自身のモニタリング・評価チームによる報告で、対象は2024年10月から12月にかけて英国を拠点とする職員に配られた Microsoft 365 Copilot の1,000ライセンスであり、受け取った人の約70%が自ら手を挙げた人だった。報告によれば、同僚の態度は後押しするものから水を差すものまで幅があり、個人のチームと直属の上司の態度が、その人がどれだけ、どのように道具を使うかに影響しているように見えた。研修は満足度の大きな要因であり、省が行う正式な研修会より、自分で進める学習のほうが効果的だった。試行の外にいる同僚は、その機能、限界、セキュリティについての知識を欠いていた。そして観察した作業では、利用者は非利用者よりも Excel のデータ分析を遅く、不正確に行った。これは事務向けのAIアシスタントであって顧客管理や受注の仕組みではなく、結果は定着を対照を置いて測ったものではない。

実際の場での小規模な試行。導入の条件が試されていることを教えてくれるのであって、それが成り立つことを教えてくれるのではない——だから一件の試行は単独では決して足りず、独立した二件で足りる。

LinkedIn のエンジニアが、同社が販売していない社内の道具 SQL Bot について述べたもの。それによれば、データの専門家は、同僚が必要なデータを見つける手伝いにかなりの時間を費やしており、そのせいで事業側の相手を待たせていた。SQL Bot はいま LinkedIn の事業の各部門にわたる数百人の社員に使われており、同社のデータサイエンス用ノートブック基盤に組み込まれてから利用が定着した。使えるものになったのは、各領域の専門家が自分の領域の主要なテーブルを特定し、必須とされたテーブルの説明を書いてからだった。そして調査では、約95%が問い合わせの正確さを「Passes」以上と評価し、約40%が「Very Good」または「Excellent」と評価した。利用と正確さは自己申告であり、利用者には業務の担当者だけでなくアナリストも含まれる。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

財務省の内部の評価部門が、2024年5月20日から8月23日にかけて職員218人が行った Microsoft 365 Copilot の試行について報告したもので、オーストラリア政府による試行の一環である。それによれば、製品の利用は当初の予想を下回り、終盤に頻繁に使っていたのは約4分の1だった。利用が少なかったのはおそらく、実際に使ううちにしぼんでいった当初の高い期待、技術の限界、そして製品の使い方についての教育と研修の不足のためである。また、参加者のうち42人が、自分のチームを支える役目を負う試行の推進役(チャンピオン)に自ら名乗り出た。結果は調査(試行後の回答136件)とフォーカスグループに基づく。政策官庁での事務向けのAIアシスタントであって、顧客管理や受注の仕組みではない。

実際の場での小規模な試行。導入の条件が試されていることを教えてくれるのであって、それが成り立つことを教えてくれるのではない——だから一件の試行は単独では決して足りず、独立した二件で足りる。

EU であり、しかも高リスクAIの導入者だけが対象である。示しているのは、こうした仕組みの入力の側では、きれいなデータが社内の良い習慣から法的義務へ移るということである——そして大半の会社で、その入力データを握っているのは、その仕組みを持っている人である。第26条第1項はさらに、導入者に対し、仕組みを使用の手引きに従って使うことを求めている。「Regulation (EU) 2026/1744」(AIに関するデジタル・オムニバス、2026年7月24日公布)は、これらの義務の適用を、附属書IIIにより高リスクとなるシステムについては2026年8月2日から2027年12月2日へ、第6条第1項と附属書Iにより高リスクとなるシステムについては2028年8月2日へ移した。つまりこれは、成立してはいるがまだ適用されていない規則である。法律はどの職名も挙げておらず、専任のデータ責任者を求めてもいないので、この義務をこの職業に結びつけているのはこちらの推論である。また対象は高リスクと分類された仕組みだけである。

規制、補助金、あるいは公共調達が、導入を求めているか資金を付けている——constraint の鏡である。導入が求められていることを示すのであって、起きたことを示すのではないので、一件の mandate は単独では決して足りず、独立した二件で足りる。

連邦政府のAI利用一覧に同局自身が登録した項目で、導入済みとされ、稼働開始日は2023年2月1日と記されている。それによれば、モデルは七つの申請書処理システムをもとに、どのケース管理記録が同一の個人に属するかを高い確信度で特定する。機械学習は、あいまいな一致やデータの充足率のばらつきに強く、規則に基づくシステムと比べて実体の同定を改善する。記録が結びつけられるのは尤度スコアが0.98を上回る場合だけである。そして偽陽性や偽陰性は、権限を与えられ訓練を受けた職員が処理する、手作業で解決するための待ち行列に送られる。精度や件数の数字は示しておらず、企業の顧客管理の仕組みではなく、政府の給付の仕組みである。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

これは、技術の学位なしで商務のキャリアに入る確かな道の一つだった。仕組みを覚え、どこに何があるかを知っている人になり、オペレーションや分析へ移る。その「仕組みを覚える」部分こそ、いまの補助がうまくやることである。だからこの段は薄くなった。いまも希少で、いまもそこにいることでしか身につかないのは、なぜ手順がその形をしているのかを知っていることである——三年前の口論のせいで存在している部分も含めて。

どの数字が荷を支えていて、どれが飾りかを知っているのは、あなただけである。そしてその知識は、あなたが運用している仕組みのなかにはない。危ういのは、外から見るとあなたの価値が保守に見えることである。データがきれいで報告が回っているとき、この仕事は目に見えない。そして目に見えない仕事こそ、提供元の保守契約へ外注される。

留まって強くする

システムの面倒ではなく、結果を持つ

仕組みを運用することは費用の行である。事業の数字を動かすことはそうではない。残る業務システムの担い手は、その仕組みが動かすために存在している数字として職責が書かれていて、設定はそのための手段であって仕事そのものではない人である。

職の形を組み替える

自動化に何を許すかを書き出す

仕組みが記録するのではなく動くようになったいま、誰かがその境界を定め、保たなければならない。設定と事業上の帰結の両方が見えるのはあなただけである——そして大半の会社で、これは決められたのではなく、放っておかれた結果として決まっている。

隣へ移る

支えてきた部門のなかへ移る

あなたはすでに、ある部門の手順を、そこで働く大半の人より細かく知っている。自分でそれを写し取ったからである。営業も財務もオペレーションも、いまや仕事と、それが回っている仕組みの両方を分かっている人を必要としている。

業種をまたぐ

データガバナンスへ渡る

どの記録が正本か、ある項目が何を意味してよいか、誰が変えてよいか、何が記録に残るか——そうした問いは、そのデータから自動で下される判断が増えるにつれ、それ自体が一つの職能になりつつある。そしてあなたは何年も、それに非公式に答えてきた。

取ってくることと整理すること——重複した記録の整理、報告の裏の問い合わせを書くこと——は自動化されており、仕組みの設定は取り除かれるのではなく助けられている。そうでないのは、なぜ手順がその形をしているのかを知っていることと、どの数字が荷を支えているかを知っていることである。この職は数が減り、事業により近い人が担うようになると見ておくこと。そして最初に切られるのは、運用しかしていない人である。

依頼を数えること。前四半期にチームが受けた変更と報告の依頼件数を、一年前の同じ四半期と比べる。事業が縮んでいないのに件数が減っているなら、利用者が自分で触れる道具があなたの行列を吸収している——そしてそれは、誰かが人員を見直すより前に現れる。ただしそれは、依頼が止まったのか、あなたに届かなくなっただけなのかを教えてはくれない。どちらに読むにせよ、依頼がどこへ行ったのかを先に確かめること。

行列を取り除き、責任を残す。留保を一度も見ていない数字を引用する人が増え、そしてどれが前提一つで支えられているかを知っているのは、相変わらずあなただけである。それは、より価値があり、かつより目に見えない仕事である——だから実際に打つ手は、留保を、自分の記憶の一部ではなく報告の一部にすることである。

順位づけなら任せてよい。記録を閉じたり、何かを外に送ったりするものは慎重に。そして、確信が持てないときに何が起きるかを書き出さずに任せてはいけない。この職で高くつく失敗は、点数が間違っていることではなく、静かな状態の変化である——記録が閉じられた、担当が付け替えられた、連絡が送られた。そのどれも、あとから見ればただの一行に見える。まだ何も起きていないうちに、境界を書いて決めること。事故のあとでは、あなたの代わりに決められてしまう。