独立して半年、僕は今、一人で走ってきています。
ジャーナルの執筆も、daily_newsの自動収集も、楽曲制作のパイプラインも、設計から運用までを自分一人で回す。AIを相棒にして、判断と方向性だけ手元に残す。そういう働き方が、いつの間にか体に馴染んでいました。
そんな自分が、4月からエンタープライズのJava案件に、チームの一員として参画しています。
そのチームは、AIに後ろ向きではありません。むしろAIコーディングツールの活用ガイドが配られていて、リーダーもライセンス申請に積極的です。「AIを使うな」と言われる現場ではない。
それでも僕は、入った初日から、小さな「温度差」を感じ続けていました。
以前、就活の現場を扱った記事で、「候補者が先行して、採用制度が追いついていない」という倒立構造を書きました。あのときの温度差は、”組織に入る前”の、入り口の話でした。
今日書きたいのは、その続きです。”組織に入った後”、毎日チームで働くなかで感じる温度差。そしてあのとき僕は「AI活用に積極的でない会社は候補に入れない」と書きましたが、実際に組織に入ってみると、話はそんなに二択じゃなかったんですよね。
「AIに仕事を奪われる」という言葉は、よく聞きます。でも、実際に毎日AIを使い込んでいる人間にとって、日々こたえてくるのは、もっと地味なストレスのほうです。自分のAI活用の速度や深さと、まわりのそれとが、微妙にズレている。 その温度差の正体を数字と理論で分解して、どう付き合うかまで考えてみます。
温度差は、気のせいじゃない — 数字で見る、組織内のAI格差
最初に確認しておきたいのは、この「温度差」が、僕の主観的な思い込みではなく、世界中で観測されている構造だということです。
先に、数字の見取り図を一つ。これから並べるのは、IT業界に限った数字ではありません。ナレッジワーカー全般や、労働者全体をならした、業界横断の調査です。一方で、僕がいるソフトウェア・IT領域は、一般に、「AI活用が最も進んでいる業界」のひとつとされます。だから これらの数字は「経済全体の背景」 であり、僕はそのなかでも先頭寄りに立っている。 その先頭から見ても、温度差は見える — そういう構図として読んでもらえればと思います。
Microsoft と LinkedIn が2024年5月に発表した Work Trend Index（31か国・約31,000人のナレッジワーカー調査）には、印象的な数字が並んでいます。
AIを使っている人の 78%が、自前のAIツールを職場に持ち込んでいる。いわゆる BYOAI（Bring Your Own AI）です。一方で、 リーダーの60%は「自社のリーダー層にAI導入の計画とビジョンがない」のではと懸念している。
個人の手は、もう動いている。でも、その個人が所属する組織の側は、まだ計画の段階にいる。さきほど書いた”入り口の温度差”は、入ってからも消えません。むしろ、毎日チームで机を並べる近い距離で、静かに続きます。
役職による差も、データに出ています。 BCGが2025年6月に発表した AI at Work 2025（11か国・約10,600人調査）では、調査全体では 72%がAIの定常ユーザー だったのに対し、 フロントラインの労働者は51%で頭打ち でした。BCGはこれを「silicon ceiling（シリコンの天井）」と呼んでいます。
アメリカの労働者全体で見ると、温度差はもっと明確です。 Pew Research Centerが2025年10月に発表した調査では、仕事でAIを使う人は 21%（前年は16%）。また、同センターが2025年2月に発表した職場でのAIチャットボット利用調査では、AIチャットボットを毎日、あるいは週に数回使う「ヘビー寄り」の層は、 わずか9% にとどまっています。
ここで、さきほど「ITは先頭寄り」と書いた話が効いてきます。 Stack Overflowの2025年開発者調査では、開発者の 8割を超える人 がAIツールを使っている、あるいは使う予定だと答えています。調査の対象も聞き方も違うので単純比較はできませんが、「労働者全体で21%」と「開発者で8割超」のあいだには、はっきりした段差があります。 IT職と他職種のあいだにも、温度差はある。僕が感じている温度差は、その段差の、さらに内側で起きている話です。
そして、日本の数字です。 総務省が2025年7月に公開した「令和7年版 情報通信白書」によると、日本の個人の生成AI利用経験は 26.7%（2023年度の9.1%から約3倍）。これに対して、中国は81.2%、アメリカは68.8%、ドイツは59.2%です。同じ白書の企業編を見ると、生成AIを積極的に活用・または活用を検討している日本企業は 49.7%（積極活用と活用検討の合算）で、約半数がまだ検討・未着手の段階でした。
数字をまとめると、こうなります。
| 指標 | 数値 | 出典 |
|---|---|---|
| 自前AIツールを職場に持ち込む人 | AI利用者の78% | Microsoft Work Trend Index 2024 |
| 「自社にAI導入の計画がない」と感じるリーダー | 60% | 同上 |
| AIの定常ユーザー（全体 / フロントライン） | 72% / 51% | BCG AI at Work 2025 |
| 仕事でAIを使う米国労働者 | 21%（うちヘビー寄りは9%） | Pew Research 2025 |
| AIツールを使う開発者（IT職の参考値） | 8割を超える | Stack Overflow Developer Survey 2025 |
| 個人の生成AI利用経験（日本 / 中国） | 26.7% / 81.2% | 総務省 情報通信白書 令和7年版 |
この表を眺めて気づくのは、どの数字も「使う / 使わない」のオンオフではなく、 程度の差 だということです。72%と51%、26.7%と81.2%。「AIを禁止しているか、許可しているか」の二択ではなく、 どれくらいの速度と深さで使っているか という連続したグラデーションのなかに、組織も個人も置かれている。冒頭で「二択じゃなかった」と書いたのは、この意味です。
ここで、自分の立ち位置も正直に書いておきます。 就活の現場の記事で、僕は自分のGitHubコミットを集計しました。独立後に始めたプロジェクトに限れば、コミットの9割超がAIとの共著でした。半年ほぼ毎日AIと会話してきた僕は、このグラデーションで言えば、間違いなく端のほうにいます。 「組織が遅い」と感じるとき、僕は自分がグラデーションの端にいることを、忘れがちなんですよね。 この自己認識は、あとの章でもう一度効いてきます。
なぜ速度差が生まれるのか — 普及のS字カーブと組織の慣性
温度差が実在するとして、次の問いは「なぜそれが生まれるのか」です。これは、新しい技術が世の中に広がるとき、ほぼ必ず起きることとして、古典理論で説明がつきます。
足場を3つ用意します。
1つ目: イノベーション普及理論
社会学者の Everett Rogers が1962年の著書 「Diffusion of Innovations」で示した、有名なモデルです。
新しいものが社会に広がるとき、人は採用の早さで5つの層に分かれる、とRogersは整理しました。innovators（革新者、2.5%）、early adopters（早期採用者、13.5%）、early majority（前期多数派、34%）、late majority（後期多数派、34%）、laggards（遅滞者、16%）の5層。普及は、ゆるやかなS字カーブを描く。
注意点を一つ。この比率は、正規分布を標準偏差で機械的に区切った 理念型 であって、現実の普及データが毎回この通りになる、という実証ではありません。それでも、「採用の速い人と遅い人は、別の動機で動いている」という骨格は、いまも有効です。
僕の「温度差」を、この地図に置いてみます。半年AIと会話してきた僕は、early adopter のあたりにいる。チームの多くは、early majority のあたりにいる。 同じ組織にいても、採用カーブ上では別の場所に立っている。 温度差は、その「立っている場所の差」なんですよね。
そして、採用カーブは連続した曲線です。だから、この温度差は「辞退」して降りられる種類のものではありません。どの組織に移っても、自分はカーブ上のどこかに立ち、誰かとの距離を持つことになる。
2つ目: キャズム
Rogers のモデルをハイテク市場向けに描き直したのが、Geoffrey Moore が1991年に書いた 「キャズム」（原題 Crossing the Chasm）です。
Mooreの主張で僕が一番大事だと思うのは、 採用の程度はグラデーションでも、early adopter と early majority のあいだには、判断の論理の断絶（キャズム）がある という指摘です。
early adopter は、変化そのものに価値を感じる。多少不安定でも、新しさを取りに行く。一方で early majority は、 実証済みの生産性向上 を待っている。「誰かがちゃんと使えているのを見てから」動く。この2つは、求めているものが質的に違う。
だから、早期採用者がいくら熱心に「これすごいですよ」と語っても、多数派にはなかなか伝わらない。それは相手の理解力の問題ではなく、 そもそも判断の論理が非連続だから です。温度差の正体の一つは、この「論理の断絶」だと思います。
補足すると、キャズム理論はマーケティングの実務書であって、統計的に検証された学術理論ではありません。経験則としての強さと、実証の限定性は、分けて受け取る必要があります
3つ目: 構造的慣性
3つ目は、組織の側の話です。Michael Hannan と John Freeman が1984年に American Sociological Review に発表した論文、 Structural Inertia and Organizational Change で示された、 構造的慣性（structural inertia） という概念です。
彼らの主張は、 組織が変化に抵抗するのは、怠慢だからではなく、構造的な帰結だ というものでした。これまでの投資（サンクコスト）、組織内の政治的な力学、前例が規範になっていること、外部の取引関係や信頼を守る必要 — こうした要因が、慣性を生む。そして、古い組織ほど慣性は強い。
これは、僕にとって耳の痛い、でも公平な視点です。 チームが遅いのは、誰かがサボっているからではなく、組織がそういう構造でできているから。 温度差にイライラする前に、この見方を一度通しておかないと、フェアじゃないんですよね。
3つの足場を並べると、速度差はこう整理できます。
| 観点 | 何を説明するか |
|---|---|
| Rogers の採用者カテゴリー | 採用の速い人と遅い人は、別の動機で動いている |
| Moore のキャズム | 早期採用者と多数派のあいだには論理の断絶がある |
| Hannan & Freeman の構造的慣性 | 組織が遅いのは怠慢でなく構造的な帰結 |
温度差は、異常事態ではない。 新しい技術が広がるときに、構造的に必ず生まれるもの なんですよね。
「組織が遅い」と言う前に、疑っておきたい4つのこと
ここまで、温度差は実在するし、構造的に生まれる、と書いてきました。ここで自分の論を疑います。 「組織が遅い、自分は速い」という見方そのものが、間違っている可能性 を、4つ並べます。
反証1: 組織の慎重さは、合理的かもしれない
組織がAIに慎重なのは、無能だからではなく、リスク管理として正しいから、という可能性です。
IBMが2025年に発表した Cost of a Data Breach Report によると、 shadow AI（組織が把握していないAI利用）が関係したデータ侵害の平均コストは463万ドル で、グローバル平均（444万ドル）より高い。そして、 侵害を受けた組織の20%が、shadow AI が関わるセキュリティインシデントを経験していた。
さきほど「AI利用者の78%が自前のツールを持ち込む」という数字を、温度差の証拠として出しました。でも同じ数字は、 情報統制から見れば、78%のリスク でもある。
僕がいま関わっているのも、止まることや間違うことが許されない種類のシステムです。そういう現場で、組織が「まず方針を決めてから」と動くのは、遅さではなく、 慎重さという名の合理性 なのかもしれない。早期採用者の僕は、そのコストを軽く見積もりがちです。
反証2: 「自分は速い」という体感が、そもそも信用できない
これは、先週の記事ともつながる反証です。
先週公開した「1人開発の天井」で、 METR が2025年7月に公開したRCT論文 を引用しました。ベテランのOSS開発者がAI支援でのタスク完了に、19%余計に時間がかかった のに、本人たちは 「20%速くなった」と感じていた、というあの研究です。
先週はこれを「一人で動くと自分のバイアスに気づけない」という、ソロの天井の文脈で使いました。今回は、同じ研究を 別の問いに当て直します。
「組織が遅い、自分は速い」と僕が感じているとき、その「自分は速い」のほうは、本当に正しいのか。METRの被験者と同じで、 速くなった気がしているだけ かもしれない。同じく先週触れた、 AIリテラシーが高い人ほど自己評価がズレるという研究（逆Dunning-Kruger効果） も、ここで効いてきます。温度差を感じる側の「速さ」自体が、過大評価かもしれない。
反証3: 組織は、実はちゃんと動いている
温度差を感じていると、「組織は止まっている」ように見えます。でも、マクロな数字は別のことを言っています。
McKinseyが発表している The State of AI の調査では、 何らかの業務でAIを使っている組織は、すでに大多数 に達しています。生成AIに限っても、定常利用する組織は年単位で大きく伸びている。「組織は遅い」というのは、 分布の端にいる僕の体感バイアス であって、組織の絶対速度は決して止まってはいない。
ただし、McKinsey自身も指摘していますが、 「導入した」と「全社にスケールした」のあいだには大きな差 があって、スケールに着手している組織はまだ3分の1程度で、完全にスケールできているのはさらに絞られて7%程度です。だからこのデータは、温度差を否定もするし、肯定もする。両義的に受け取るのが正確だと思います。
反証4: 摩擦そのものに、価値があるかもしれない
最後の反証です。AIを使わない同僚と組むのは「摩擦」だと書いてきました。でも、 摩擦は意思決定の品質を上げる という研究があります。
経営学では古典的なテーマで、Schweiger らが1986年に Academy of Management Journal に発表した グループの意思決定手法の比較研究 では、 devil’s advocacy（あえて反対意見をぶつける役を置く手法） や dialectical inquiry（対立意見を構造的に組み込む手法）が、全員一致（consensus）よりも質の高い前提と提言を生む、という結果が出ています。
AIを使わない同僚は、僕の「AIで出した答え」に対する、天然のdevil’s advocateになりうる。「それ、本当に合ってる?」という素朴な問いは、僕がAIと二人で走っているときには出てこない問いです。摩擦は、コストであると同時に、 チェック機能 でもある。
4つの反証を並べると、こうなります。
| 反証 | 言っていること |
|---|---|
| 1. 組織の慎重さ | 遅さではなく、リスク管理としての合理性かもしれない |
| 2. 自分の速さ | 「速い」という体感自体が過大評価かもしれない |
| 3. 組織の絶対速度 | マクロでは組織も動いている。「遅い」は体感バイアス |
| 4. 摩擦の価値 | 摩擦はチェック機能として意思決定の質を上げる |
それでも、温度差が「ストレスとして実在する」という体感は、僕の中で消えません。 消えないけれど、これだけの反証を通したあとの温度差は、最初の温度差とは少し違うもの になっています。「組織が悪い」ではなく、「速度の違う層が、同じ場所に同居している」という見方に、変わってくる。
速い層と遅い層は、同居していい — ペースレイヤリングという見方
ここで、最後の足場を置きます。「速度の違う層の同居」を、そのまま扱った考え方があります。
作家でフューチャリストの Stewart Brand が提唱した、 ペースレイヤリング（Pace Layering） という見方です。
Brandは、複雑なシステムは 速度の異なる複数の層が共存することで、全体として健全に保たれる と書きました。速い層は学習と提案を担い、遅い層は記憶と安定を担う。Brandの言葉では、こうです。
速い層が学び、遅い層が記憶する。速い層が提案し、遅い層が取捨選択する。
（原文 Fast learns, slow remembers. Fast proposes, slow disposes.）
この見方を通すと、温度差の意味が変わります。 速い層と遅い層がズレているのは、システムの故障ではなく、システムが健全に機能している証拠 だ、と読み替えられる。速い層だけのシステムは、提案ばかりで何も定着しない。遅い層だけのシステムは、安定しているけれど学ばない。
冒頭で書いた「二択じゃない」が、ここでもう一度効いてきます。就活の記事で僕は「AI活用に積極的でない会社は候補に入れない」と書きました。でもペースレイヤリングの見方だと、 「速い層だけの組織」を探して移り続けること自体に、無理がある。どんな組織も、速い層と遅い層を内側に抱えている。逃げ場所としての「AIが速い会社」は、たぶん存在しないんですよね。
だとすると、早期採用者である僕の役割は、 「組織が遅い」と苛立つこと ではないはずです。それは、速い層が遅い層に向かって「お前が悪い」と言っているだけで、システムとしては何も動かない。
僕の役割は、たぶん 「提案する速い層」として、ちゃんと提案の形を残すこと のほうです。
ここで効いてくるのが、 ポジティブ・デビアンス（positive deviance、積極的逸脱） という考え方です。 Jerry と Monique Sternin がベトナムの栄養改善プロジェクトで実践した手法 で、 同じ制約のなかで、例外的にうまくいっている「逸脱者」の実践を、展開可能な形にして広げる というものです。
外から「正解」を持ち込むのではなく、組織の中にすでにいる逸脱者のやり方を翻訳して渡す。これだと、定着率が高い。
僕は、組織から見れば「AIを使いすぎている逸脱者」です。でも、 その逸脱を「孤立した変人」で終わらせるか、「展開可能な事例」に翻訳するか は、僕の側の動詞で決まる。
翻訳する、という動詞
長くなりました。最後に、自分の話に戻します。
冒頭で書いた「温度差」は、この記事を書く前と後で、少し形が変わりました。
最初は、「AIを使えない環境にいるのがつらい」という、わりと一方的な不満でした。でも、4つの反証を通して、組織の慎重さには合理性があるかもしれないし、自分の「速い」も疑わしいかもしれない、と分かった。そしてペースレイヤリングを通して、 速度差はシステムの故障ではなく、構造そのもの だと分かった。
そうすると、残る問いは一つです。 速い層にいる自分は、何という動詞で動くのか。
就活の現場の記事を書いたとき、僕の動詞は「選ぶ」でした。AIに積極的でない会社は候補に入れない、という。入り口で選別する動詞です。でも、組織に入ったあとの温度差には、その動詞は使えません。グラデーションの中にいる以上、降りられる「速い会社」という逃げ場所が、そもそもないからです。
「苛立つ」でも「諦める」でもなく、僕がいま選びたいのは 「翻訳する」 という動詞です。自分がAIでやっていることを、組織の言葉に、組織の速度に合わせて翻訳して渡す。実証済みの生産性向上を待っている多数派に、 「ちゃんと使えている事例」 を、見える形で置いていく。
実は、これはもう始めています。いまの案件で、僕は早い段階で、リーダーに「独立してから半年、ほぼ毎日AIと会話してきた」と伝えました。これは自慢でも、マウントでもなく、 「速い層がここにいますよ」という翻訳の入口 のつもりでした。組織の側にAIコーディングツールの活用ガイドという「遅い層の記憶」があって、そこに僕という「速い層の提案」が乗る。その接点を、自分から作りにいく。
「一人で、チームを超える」と書いた1人開発の天井の記事で、僕は「超える」を量だけでなく形でも解釈し直したい、と書きました。 チームと違う形の仕事の一つが、この「層と層の翻訳」 なんだと思います。一人で速く走れることそのものより、 速い層と遅い層のあいだに立てること のほうが、たぶん希少なポジションです。
先週の「正解がある」と思って育った世代の記事で、僕は「自分の動詞を持つ」という話を書きました。今回見つけた「翻訳する」も、その動詞の一つです。
ひとつ気づいたことがある。「翻訳する」は「書く」と「読む」を同時に動かす動詞です。速い層のやっていることを読み取り、遅い層の言葉で書き直す。このふたつを往復できることが、翻訳という動詞の実体です。AIAgenteer——自分で使い始めた造語——のコアに置きたかったのも、たぶんこの「読んで書く」能力だった、とここを書き終えて気づいています。
「AIに仕事を奪われる」という大きな物語の隣に、「速度差のある組織で働く」という地味なストレスがある。そのストレスは消えないけれど、 動詞を持てば、ストレスは役割に変わる。 少なくとも、いまの僕はそう考えています。
FAQ
「温度差」って、結局は著者の所属組織への不満では?
記事の中盤で、その見方を4つの反証で疑っています。組織の慎重さはリスク管理として合理的かもしれないし、「自分は速い」という体感自体がMETRの研究のように過大評価かもしれない。マクロで見れば組織も動いている。なので、これは「組織が悪い」という不満の記事ではなく、「速度の違う層が同居している」という構造をどう扱うか、という記事です。著者自身がグラデーションの端にいる早期採用者であることの自己認識を、繰り返し挟んでいます。
Rogersのイノベーション普及理論の比率（2.5%、13.5%…）は信用していい数字?
記事内でも触れていますが、この比率は正規分布を標準偏差で機械的に区切った「理念型」であって、現実の普及データが毎回この通りになるという実証ではありません。なので「自分は正確に上位16%だ」のような使い方はできません。使えるのは「採用の速い人と遅い人は別の動機で動いている」という骨格のほうで、記事ではその骨格だけを足場にしています。
AIを使わない同僚は、ただ足を引っ張っているだけでは?
記事の反証4で扱っています。経営学では古典的なテーマで、devil’s advocacy（あえて反対役を置く手法）が全員一致より質の高い意思決定を生む、という研究があります。AIを使わない同僚の「それ、本当に合ってる?」という素朴な問いは、AIと二人で走っているときには出てこないチェック機能になりうる。摩擦はコストであると同時に、品質を担保する仕組みでもある、という整理です。
「翻訳する」というのは、要するに社内でAIを布教しろという話?
布教とは少し違います。布教は「相手を変えよう」とする動きですが、記事で言う「翻訳」は、ポジティブ・デビアンスの考え方に近くて、自分がAIでやれていることを「展開可能な事例」の形にして、見える場所に置いておく、という動きです。多数派は実証済みの生産性向上を待っているので、熱弁よりも「ちゃんと使えている事例」のほうが届く。相手の速度を変えようとするのではなく、速い層と遅い層の接点を自分から作る、というニュアンスです。
規制産業（原子力・金融など）では、そもそもAIを自由に使えないのでは?
その通りで、記事の反証1がまさにその話です。shadow AIが関係したデータ侵害は平均463万ドルというIBMの数字もあり、止まることや間違うことが許されない現場で組織が慎重になるのは、遅さではなく合理性です。なので「規制産業でもどんどんAIを使え」とは書いていません。書いているのは、そういう制約のある環境でも、速い層が「翻訳」という形で接点を作る余地は残っている、ということです。
この記事が参考になったら
Share