「人間が AI に勝てるスキルは何か」という問いは、たいてい AI をあまり使っていない人が口にします。だから机上の希望論になりがちです。ところがこれを、AI を最も大規模に導入した現場が語ると、話の重みが変わります。

マッキンゼーのグローバル・マネージング・パートナー、ボブ・スターンフェルズ氏が、AI には不可能な3つの人間的スキルを挙げました。同社では約2万5000体の AI エージェントが稼働し、検索や資料作成を自動化しているといいます。**自動化を進めきった側から見た「人間の領分」**として読む価値があります。

3つのスキル ── 志・判断・創造性

挙げられたのは次の3つです。

  • 志を抱く能力 ── 低軌道か、月か、火星か。どこを目指すかという目標そのものを選ぶ力。
  • 判断力 ── 企業の価値観や社会規範を踏まえ、AI をどう使うかを決める力。
  • 真の創造性 ── 既存の枠組みにとらわれない、新しいアプローチを生み出す力。

3つに共通するのは、AI に問いを与える側の能力だという点です。AI は問いを解く精度を上げますが、どの問いを解くべきかは決めません。目標を立て、使い方の是非を裁定し、枠の外へ出る。これらはいずれも、解答ではなく出題の側にあります。

なぜこの3つなのか。エージェントを2万5000体走らせれば、検索も資料作成も高速で回ります。しかし、その大量の出力を「どこへ向けるか」は空白のまま残る。導入を突き詰めるほど、埋まるのは実行で、空くのは方向づけです。3つのスキルは、その空いた側を名指ししています。

「判断力」がいちばん実務的

3つの中でも、日々の仕事に直結するのは判断力です。志や創造性は聞こえがいい一方で抽象的ですが、判断は毎日発生します。

判断力とは、企業の価値観や社会規範を踏まえて AI をどう使うかを決める力です。この出力を顧客に出していいか、この自動化は踏み越えていないか、ここは人間が確認すべきか。AI は「できるか」は答えますが、「やっていいか」は答えません。できることと、やるべきことの間には常に隙間があり、その隙間を埋めるのが判断です。

エージェントが増えるほど、この判断の総量は減るどころか増えます。実行が安くなった分、「何を実行させるか・させないか」を裁定する回数が増えるからです。導入が進んだ現場ほど判断力を挙げるのは、この逆説を体感しているからでしょう。

採用基準が「学歴より実績」へ動く

もう一つ見逃せないのが、同じ流れで採用基準が変わりつつあることです。学歴よりも実績、たとえば GitHub の活動のような具体的なアウトプットを重視する方向だといいます。

これは3つのスキルと地続きです。知識の広さや解答の速さは、AI が肩代わりする領域に入りました。だから「何を知っているか」を証明する学歴の情報価値は相対的に下がる。代わりに問われるのは、志を持って何かを立ち上げたか、判断を伴う選択をしてきたか、枠の外へ出る創造性を形にしたか。実績とは、この3つを実際に行使した痕跡です。GitHub のリポジトリは、まさにそれが可視化された場所といえます。

言い換えると、評価の軸が「解ける能力の証明」から「出題してきた証明」へ移りつつあります。AI が解答を安くした帰結として、人間には出題の履歴が問われる。3つのスキルと採用の変化は、同じコインの表と裏です。

まとめ

  • AI を大規模導入したマッキンゼーが挙げた人間の3スキルは志・判断・創造性。約2万5000体のエージェントを走らせる現場からの視点である
  • 3つに共通するのはAI に問いを与える側の能力。導入を突き詰めるほど、実行が埋まり方向づけが空く
  • 最も実務的なのは判断力。「できるか」ではなく「やっていいか」を決める役割で、自動化が進むほど総量は増える
  • 採用は学歴より実績へ。評価軸が「解ける証明」から「出題してきた証明」へ移り、GitHub のような可視化された痕跡が問われる

出典