あなたはすでに AI ユーザーの上位 1% にいます。確かに、あなたと最先端を走る人々との間にはギャップがあります。毎回の実行後に自分自身を書き換えるナレッジベースを持ち、20 個のターミナルを同時に操る、クレイジーな連中です。
悪い知らせは、あなたがその人たちに追いつくことは決してないということです。良い知らせは、追いつく必要がないということです。あなたの前にあるギャップは、後ろにあるギャップよりもはるかに小さいのです。
X で気まぐれにエージェント艦隊を立ち上げるオタクたちを見ていると、自分が上位 1% にいるとは感じられないかもしれません。しかし、信じてください。あなたは上位 1% です。毎日モデルを使い、最適な使い方について意見を持ち、エージェントをいじったり、自分のマシンに Hermes をセットアップしたりしているでしょう。
一方、あなたと大企業の平均的な従業員との間には、深い溝が横たわっています。彼らはおそらく 2 年間で ChatGPT を 4 回しか開いていません。彼らは 3.5-turbo を使い、AI は愚かだと判断しました。GPT-5.6 Sol Ultra が 50 年間未解決だったグラフ理論の予想の証明を生成したことに気づかずに。あらゆる AI 戦略記事や投稿は、この平均的な従業員がいつか追いつくことを前提としています。
断言しますが、彼らは追いつきません。
背景を説明すると、私は @varickagents の CEO です。私たちは世界最大級の企業と協力し、組織全体に AI エージェントと戦略を実装しています。エンタープライズにおける AI の現実については、私たちはそれなりに熟知しています。
図 1 - 深い溝
世界最高の AI ツールでも、彼らは速くなりませんでした
最近、非技術系企業のオペレーション組織（数千人規模）のリーダーと話しました。彼によると、AI なしでもチームはそれなりのペースで動いていたそうです。特に大きな不満はありませんでした。
その後、彼らは Claude Cowork を展開しました。するとどうでしょう？チームのペースは変わりませんでした。彼はその理由を私に尋ねました。
私はあらゆる組織で同じ二極化を見てきました。50 人でも 5000 人でも関係ありません。毎回同じ二極化が見られます：バーベル型です。5〜10% の人々はパワーユーザーでした。彼らは毎日 Cowork を使い、スキルファイルや Outlook へのコネクタなどを活用していました。彼らはエバンジェリストであり、そもそも Claude Cowork を推進した人々です。仕事以外でも AI をいじり、そのインパクトを目の当たりにしているからです。
残りの 90% のうち、20% は 1 日に数回、かなり下手な使い方で利用していました。彼らは多少の価値を得ていますが、最先端の人々が得る価値のほんの一部です。そして残りの 70% は、まったく使いませんでした。
図 2 - 優秀なのは 1 割だけ
彼の組織のダッシュボードは、この展開が導入としてカウントされることを示していました。しかし彼にとっては、何も速くなっていませんでした。この両方が同時に真実でした。
使うことと、上手く使うことは別のスキルです
AI を使っている人々の間でも、スキル格差は巨大です。何をしているのか分からずに AI を使うユーザーは、AI 導入前よりもはるかに悪い状況にあります。
Claude をインストールし、リポジトリを指定し、4 語のプロンプトを送り、何かが起こるのを眺めるのは簡単です（正しいかもしれませんし、間違っているかもしれません）。
上手く使うのは別のスキルです。いつコンテキストをクリアすべきかを知ること。2 回やったことは、毎回打ち直すプロンプトではなく、モデルが毎回読むスキルファイルにすべきだということ。自動化プロジェクトのどの 15% がモデルの判断を必要とし、どの 85% が単に決定論的なコードで済むのかを知ること。そして最も重要なのは、承認する前に diff を正しく読むことです。
同じチケットを 2 人のエンジニアに渡すと、この違いは最初の 5 分で明らかになります。1 人目は Jira のテキストを Claude に貼り付けて送信するだけです。修正は 6 つのファイルに及びますが、このエンジニアはそれをざっと見て、テストが通っているのを確認し、PR をマージします。3 週間後、本番環境で問題が発生し始めたとき、誰かがこの PR が理由もなく設定値を変更していたことに気づくでしょう。
2 人目も同じように始めます。Jira のテキストを貼り付けますが、その後にコードがリポジトリのどこにあるか、どのフォルダやファイルを変更し、どれに触らないかを明示します。さらに、Claude が提出するすべての PR が冗長ではなく最小限で、提出前に十分なテストが行われることを保証するスキルファイルをすでに持っています。その後、diff を読み、余計な変更を見つけ、素早いプロンプトで修正し、1 人目の半分のサイズの PR をマージします。
図 3 - 同じツール、同じ席、異なる結果
あらゆる組織の少なくとも半数は、この 2 人目のレベルに到達することは決してありません。AI を上手く使うことは職人技です。AI を本当に使いこなすには、膨大な試行錯誤が必要です。そして、AI を使っていない人の惰性を克服するのは、多くの人にとって不可能です。低品質な AI アウトプットをばらまく人を、洗練されたパワーユーザーに変えるのも、それと同じくらい難しいのです。
完璧な展開でもバーベル型は生まれる
当然の反論は、「それはただ導入が下手な企業でしょう。私ならもっと上手くやります」というものです。違います。完璧に展開したとしても、結果は必ずバーベル型になります。
私たちが話した別の経営幹部は、組織全体にエンタープライズライセンスを導入したばかりでした。年間 8 桁（数千万ドル）のコミットメントです。およそ 10% の人々がトークンの 90% を消費しています。
これを具体的に言うと、残りの 90% が上位 10% と同じように AI を使った場合、支出は約 10 倍になります。$10M のコミットメントが $100M になり、最良のシナリオが最悪のシナリオになります。
図 4 - シートの 10% がトークンの 90% を消費する
導入は二元的、スキルはスペクトラム
マッキンゼーの 2025 年調査によると、88% の組織が少なくとも 1 つのビジネス機能で AI を使用しています。EBIT の 5% 以上を AI から得ているのはわずか 6% です。MIT NANDA の GenAI Divide レポートの別の統計では、統合されたパイロットの 5% が数百万ドルの価値を生み出し、残りの 95% は測定可能な P&L インパクトを示していません。
導入をメトリクスとして追跡しているなら、あなたが（せいぜい）やっているのは、イエスかノーかの質問の抽象化です。「この人は今月ログインしたか？」「この人は今年ログインしたか？」「この人は 1 日あたり少なくとも 5 つのプロンプトを送信したか？」「一度も開いたことがない」と「メールを貼り付けて再フォーマットしてもらう」と「本番環境で総勘定元帳に触れる 3 つのエージェントを稼働させている」を区別したいなら、もっと良い測定システムが必要です。エンタープライズの AI 導入トラッカーの 99.9% はそうなっていません。これは明らかな理由で愚かです（前述のバーベル型を参照）。
図 5 - 導入率の数字が隠すもの
しかし、その数字は技術的には本物であり、人々は導入について嘘をついているわけではありません。これは、あなたが本当に気にかけていること、つまり各人が AI をどれほど巧みに使っているか、使用トークンあたりの ROI はいくらか、を測定するよりはるかに簡単です。
だからこそ、AI 導入は神話なのです。このメトリクスを実際に追跡すれば、エンタープライズにおいて大多数の人々が AI ネイティブになる見込みはないことに気づくでしょう。それは彼らに価値がないという意味でしょうか？もちろん違います。それは単に、実装と展開の計画をそれに合わせて調整する必要があるということです。
あらゆるインセンティブが溝を広げ続ける
あらゆる AI ベンダーのロードマップはエージェントの能力向上を謳いますが、チームがそれを効果的に使う能力については何も語りません。そのため、効果的に使うのは最先端のユーザーだけです。彼らは最も声が大きいので、意見が通ります。彼らは製品を作る側にとっても最も恰好がつくユーザーなので、明らかにウィンウィンです。機能リリースのたびに、製品を上手く使うためのスキルの最低ラインは上がり、組織内の最先端ユーザーと大多数の間の溝は広がるばかりです。
私は、企業が「従業員にプロンプトの書き方をトレーニングしよう！」という考えに魅了され続けるのを見てきました。これはゲームの 10% に過ぎません。残りの 90% は、「どのワークフローがモデルに触れるべきでなく、どのワークフローを完全に自動化すべきかを従業員に理解させること」です。これをプロンプトトレーニングほど簡単に売り込めない理由は、答えが企業ごとに異なり、現場で数週間かけて解きほぐす必要があるからです。
そして、社内の AI ニンジャたちにも、これを改善するインセンティブはありません。彼らの優位性こそが、その溝なのです。彼らは仕事を 70% 速くこなし、その後は楽に過ごせます。あるいは 3 人分の仕事をこなします。しかし、全員がその波に乗った瞬間、彼らの優位性は失われます。追加のインセンティブなしに、なぜ彼らがそれを改善するのでしょうか？
では、解決策は？
そうですね、とにかくトレーニングは必要です。実際にやってみないと、誰が上位層で誰がそうでないかはわかりません。この意味で、トレーニングは是正ではなく診断です。あなたの会社には、AI に興味はあるものの、深く追求する時間と余裕がない人々が確かにいます。全員の能力と習熟度を明らかにするためにトレーニングを行うべきです。
上位層、つまりパワーユーザーには、共有データベースのような公開の場を提供してください。彼らが作ったすべてのスキルが投稿され、ランク付けされ、他の人によってインストールされるようにするためです。これは、1 人の画期的な成果を共有可能なものに変える、私が見た唯一のメカニズムです。ここでは、ランキングがインセンティブになります。パワーユーザーは、その優位性を組織内でのステータスと交換するでしょう。ただし、ギャップは残ります。これを全員に展開しても、50% の人々はスキルを使うことはないでしょう。
その他の人々については、彼らが仕事のやり方を変えなくても仕事が完了するようにする必要があります。つまり、AI をバックグラウンドに置くということです。そもそも、なぜ AI に人間のプロンプトが必要なのでしょうか？最も反復的なプロセスを見つけ出し、従業員が使い慣れている既存の業務システム（Salesforce、NetSuite、Dynamics など）にエージェントを構築し、人間の再確認が必要な場面だけで人を関与させればよいのです。
例えば、1 日中請求書を処理する数十人の買掛金（AP）アナリストがいる場合を考えてみましょう。この業務の 90% は自動化可能です。彼らにエージェントを立ち上げたり、プロンプトで操作したりすることを期待しても、本番環境で壊さずに確実にこなすことはできないでしょう。そこで、毎日稼働するエージェントを構築します。そうすれば、アナリストはエージェントが行った作業を承認、却下、または編集するだけになります。
覚えておくべきことが 1 つあります。人々が求めているのは、仕事を完了させるのに役立つツールではありません。彼らはただ仕事が完了することだけを望んでいます。
図 6 - 実際に使う人の規模に合わせた 2 つの道
だから、取締役会に「導入率」を報告するのはやめましょう。今日の仕事のうち、手動・ハイブリッド・完全自動化がそれぞれどの割合かを報告してください。これこそが唯一意味のある報告と対話です。
そのようなバックグラウンドエージェントをどう構築し、どう立ち上げるのか？それはまったく別の記事の話題です。しかし、もう少し詳しく言うと、これはまさに私たちが Varick で行っていることであり、AI を展開してきたクライアントにとって唯一効果があった方法です。それらは数千人規模の非常に大きな企業ですが、プレイブックは同じです：
私たちは組織内で仕事が実際にどこで行われているかを監査し、既存の業務システムにエージェントを構築します。そうすることで、5,000 人の従業員に、彼らが望んでいないスキルの習得を求めることなく、仕事が完了します。
私たちは、売上高 5 億ドル超の企業と、財務、営業、調達、オペレーション、人事など幅広い分野で協力しています。詳細は varickagents.com をご覧ください。また、このようなコンテンツをもっとご希望の場合は、varickagents.com/newsletter でニュースレターをご購読ください。
TLDR
- あなたはおそらく上位 1% にいます。前にはまだギャップがありますが、後ろには深い溝があります。あなたの会社の平均的な従業員はあなたから何マイルも後ろにおり、そのギャップはリリースのたびに広がり続けます。
- 平均的な Claude Cowork または類似の展開は次のようになります：5〜10% がパワーユーザーになり、20% が下手に使い、70% がほとんど使わず、何も速くならないが、数百万ドルは確実に消費します。
- ツールを使うことと上手く使うことは別のスキルであり、あらゆる組織の少なくとも半数は決して上手く使いこなせません。
- 優れた展開でもこれは解決しません。何千人もの人に AI を提供しても、組織の 10% が依然としてトークンの 90% を消費します。
- 導入メトリクスは、スペクトラム全体を二元的なイエスかノーかに単純化します。これが、88% の導入率でありながら実際の EBIT インパクトが見られるのはわずか 6% という状況を生み出します。
- 上位層をトレーニングし、彼らが作ったものを公開する必要があります。その他の人々には、すでに使っているシステムのバックグラウンドに AI を組み込みましょう。
