AIディバイド ― 新しい格差の構造と私たちの追従戦略

目次

1. ディバイド（社会格差）が発生し消失する仕組みとその歴史
2. AIディバイドとは
3. 表層スキルとコアスキル
4. 私たちの追従戦略

1. ディバイド（社会格差）が発生し消失する仕組みとその歴史

過去の技術は人を待った。石器から青銅器への移行は数千年を要し、青銅器から鉄器への移行は数百年を要した。その後も、車輪、製紙、水車といった技術は、いずれも数百年単位で社会に溶け込んでいった。

そこから先、技術進化のリズムは段階的に短くなっていく。15世紀半ばの活版印刷術は、知識の流通を人間の写本作業から解放するのに約一世紀を要した。18世紀後半の蒸気機関と19世紀の電気は、社会基盤を数十年で近代化した。更に、20世紀前半の自動車・電話・ラジオは、わずか一世代の間に都市の景観と家庭の暮らしを刷新した。それでもなお、それぞれの移行には、新しい技術が当たり前のものになるための職業、学校、文化的習慣を築くのに十分な時間を与えていた。

しかし、20世紀後半から、技術進化はギアを上げるように加速する。Our World in Dataの集計によれば、米国家庭においてPCが普及率50%に達するのに約20年、インターネットは約14年、スマートフォンはわずか約5年と短縮されていった。デジタルディバイド（Digital divide） はこの加速の中で生じた格差問題である。そこへ更に、AIディバイド（AI divide） が登場した。

技術が社会に普及（50%到達）するまでの時間を並べると、その加速は一目瞭然である。

図表1. 技術が社会に普及（50%到達）するまでの時間

2. AIディバイドとは

AIディバイドは、デジタルディバイドの単純な延長ではない。デジタルディバイドが「情報へのアクセス」の格差であったのに対して、AIディバイドは「活用スキル」の格差である。生成AIの世界利用率は、公開から3年で全人口の53%に到達した。過去のいかなる技術よりも速く、誰もが触れている。問題はもはや「持つ者と持たざる者」ではなく、要約・分析・執筆・コーディング・意思決定支援といった、知的労働者の仕事そのものに持ち込まれた格差である。

では、なぜ知的労働者の仕事に格差が生まれるのか。AIディバイドの特殊性は、二つの点に整理できる。

第一に、進化の速度が桁違いに速い。 生成AIは、社会がそれを習熟するための猶予すらない。AIが進歩する周期は、世代単位ではなく月単位で測られる。思い返してほしい。ChatGPT登場直後、アイディアの壁打ちやレポート作成に一斉に使われ始めたが、その出力は今振り返れば七割の出来で、自力で読み直さなければ使い物にはならなかった。それがDeep Research登場で景色が一変 ―― 世界中の情報ソースを横断した外部環境分析をAIが完遂できるようになった。さらにGoogleのnano-banana、ClaudeのOpus 4.6あたりの劇的な精度向上以降、「ハルシネーション」という言葉自体が日常会話から消えつつある。

第二に、奇妙な逆説が生じる。 AIの性能が高まるほど、人間側に必要な細かい操作スキル（プロンプトの記述技法、特定モデルの癖への対応など）はむしろ陳腐化していく。「学べば学ぶほど追いつける」という社会通念上素朴な構造が、ある水準で崩れる。学んだ細部が翌期には不要になるという現象が起こりうる。

速度と逆説という二つの特徴によって、AIディバイドは参入の容易さと成果格差の拡大が同時に進む構造を持つ。これがデジタルディバイドとの決定的な違いである（2026年5月末時点）。

図表2. 学びが陳腐化するAIディバイド

3. 表層スキルとコアスキル

ここまでの整理は、ある種の不安を伴う。学ばなければ取り残される。しかし、学んだ細部は陳腐化する。この矛盾にどう向き合うか。

ひとつの整理として、能力開発を二種類に分けて考える視座を提案する。比喩としては、岩を思い浮かべるとわかりやすい。風雨に削られていく表層と、内側に残り続ける芯（コア）。AI時代の能力開発も、これと似た構造を持つ（図表3）。

図表3. 表層スキルとコアスキルの構造

削れる表層、残る芯（コア）

表層スキルは、特定モデル・特定ツールの操作に紐づく、半年から一年で陳腐化しうる細部である。YouTubeで「2026年最新版・神プロンプト50選」「もう古い、次に来る最強AIモデル」といったタイトルの動画が、この層を扱っている。いずれも、すぐに代替手段が登場し、最適解が入れ替わる。陳腐化を前提に、完璧を目指さず、必要な時に手早く追いかけられる柔軟性のほうが、はるかに重要である。

対して、コアスキルは、価値が損なわれない、AIを「使役する」能力である。では、使役とは何か。これを分解すると、三つのスキル要素に整理できる。在庫最適化を例に、具体的に見ていこう。

（スキル要素1）業務の切り出し： 仕事全体の中から、どこを切り出してAIに渡せば最大の価値が出るかを見抜く力である。在庫最適化で言えば、「需要予測の数字をAIに出させて結果をそのまま利用する」のか、「需要の変動要因をAIに洗い出させ、その出力をもとに需給会議で人間が判断を下す」のか——この切り出し方の違いで、成果がまるで違ってくる。当然ながら、後者のほうが事業の全体文脈を需給判断に取り込めるため、最終成果を高めることができる。

（スキル要素2）前提・制約の言語化： 目的・前提・制約・期待内容を言語化し、AIに指示する力である。「在庫を最適化して」という雑な依頼ではなく、「過去3年の出荷データと、今期のプロモ計画と、サプライヤー別リードタイムを踏まえ、欠品率5%以内を制約条件として、SKU別の推奨発注量を算出してほしい。出力は表形式で」と言語化できる人は、どのモデルを使っても結果が出る。

（スキル要素3）出力の評価・改善： AIの出力を、業務知識を用いて批判的に評価する力である。AIが「年末は前年比120%の需要を見込む」と提案してきたとき、「いや、昨年は特殊要因でブーストがかかっていた」と押し返せるかどうか。この違和感を持てるかどうかが、現場の意思決定では決定的に効く。

これら三要素に共通するのは、磨くべきが「特定モデルの操作や知識（表層スキル）」ではなく「業務・仕事への深い理解（コアスキル）」だという点である。両者を対比すると、次のように整理できる。

図表4. 表層スキルとコアスキルの対比

コアスキルの普遍的優位性

時間軸で描けば、二つのスキルの軌跡は対照的である。表層スキルは一時的に高い価値を放つが、AIモデルが更新されるたびに陳腐化する。コアスキルは習得に時間を要するが、着実に積み上がり、長期では表層スキルを大きく上回る。短期で目を引くのは表層スキル、長期で必ず勝つのはコアスキルである（図表5）。

図表5. 時間が決める、二つのスキルの勝敗

コアスキルが痩せ細るとどうなるか。AIの出力を批判的に評価できず、誤った意思決定してしまう。業務の切り出し方が雑なため成果に結びつかず、「使い物にならなかった」と短絡的に結論づける。組織は、表面的な導入で「やった気になる」一方、本来差がつくはずの設計・判断の領域で他社に置いていかれる。AIを動かしているつもりが、AIに踊らされる状態に陥るのである。

4. 私たちの追従戦略

最悪の状態にならないように、私たちは何をすべきか。AIモデル進化を追従戦略に降ろし、個人と組織の両面で考えてみよう。

個人レベルでは、自分の専門領域の深さを継続的に更新すること。専門が浅いほど、AIの出力を検証できず、誤った出力をそのまま採用してしまうリスクが高くなる。参考になるのが「T型人材」像である。縦棒は深い専門、横棒は隣接領域への幅広い理解を表す。自分の専門をAIに伴走させて深掘りする一方、隣接領域はAIを使って効率的に広げる感覚を持つことが肝要だ。

組織レベルでは、横串の研修制度や時間確保といった整然とした制度設計を並べることよりも、筆者はもっと大胆な処方箋を考えている。会社の中に潜んでいる少数の「シャドーAI使い」をスーパースターに抜擢するのだ。どの組織にも、業務時間外にAIを使い倒し、自分の業務を再設計してしまっている社員が、必ず一握り存在する。彼らを発掘し、公式に認め、新しい小さな組織（AI活用の専任チームでも、社長直轄の小チームでもよい）を立ち上げる。

不確実性回避性向が文化的に高い日本の組織は、トップダウンの制度設計だけでは動きにくい。一方、すでに動いている個人を組織が後追いで承認する形であれば、リスクをとった既成事実が先にあるため、組織が動き出すきっかけになる。

筆者のセミナーでも、「AI利活用を始める際の課題」を聞くと、「専門人材がいない」ことが真っ先に回答に挙がる。特に中堅・中小企業では、AIに精通した専門人材を採用することは難しい。総務省の通信利用動向調査によれば中小企業のAI導入率は約5%にとどまる。だからこそ、内側の「隠れた先行者」の引き上げが、最も即効性のある選択肢になる。組織がAIディバイドの底にとどまるか、追いつくかは、この少数の先行者をどう扱うかに、相当の部分がかかっている。

---

参考文献・主要情報源

1. U.S. National Telecommunications and Information Administration (NTIA). (1995, July). Falling Through the Net: A Survey of the "Have Nots" in Rural and Urban America. ntia.gov.
2. Carter, L., Liu, D., & Cantrell, C. (2020). Exploring the Intersection of the Digital Divide and Artificial Intelligence: A Hermeneutic Literature Review. AIS Transactions on Human-Computer Interaction, 12(4), 253-275. aisel.aisnet.org.
3. OpenAI. (2022, November 30). Introducing ChatGPT. openai.com.
4. 総務省. (2024). 令和6年通信利用動向調査. soumu.go.jp.
5. UNDP. (2025, December). Human Development Report: The Next Great Divergence. hdr.undp.org.
6. The White House Council of Economic Advisers. (2026, January). Artificial Intelligence and the Great Divergence. whitehouse.gov.
7. Microsoft. (2026, February). AI Impact Summit ― USD 50 Billion Investment Commitment for Emerging Markets. microsoft.com.
8. Anthropic. (2026, March). Economic Index: Learning Curves. anthropic.com.
9. Axios. (2026, March). America's next class war will be over AI fluency. axios.com.
10. Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at Work. NBER Working Paper No. 31161. nber.org.
11. Lee, H.-P., Sarkar, A., Tankelevitch, L., et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects from a Survey of Knowledge Workers. Microsoft Research / Carnegie Mellon University. microsoft.com.
12. Hofstede, G. (2001). Culture's Consequences: Comparing Values, Behaviors, Institutions and Organizations Across Nations (2nd ed.). Sage Publications.

本稿の情報は2026年5月末時点のものです。