8月14日、Inside AIが「Research: The Innovation Problems AI Can't Solve」と題した記事を公開した。AIツールが均一でも人間側のボトルネックによってイノベーションの成果が大きく分かれるという研究知見を詳しく紹介している。
同じモデル、同じプロンプト——なのに成果は3倍以上違う
生成AIを導入しさえすれば創造的な成果が出る、という期待は実証研究によって否定された。
今週公開された研究は、12業界にまたがる47のイノベーションチームを対象に調査したものだ。全チームがGPT-4クラスのモデルと共通のプロンプトライブラリを使用した。それにもかかわらず、アイデアの新規性スコアは最大3.2倍、実現可能性の評価は最大2.8倍の差が生じた。研究チームは9ヶ月間にわたって1,400件以上のアイデアを追跡している。
Institute for Applied Innovationの主任研究者であるDr. Elena Vasquezはこう述べている。
「生成AIは、そのプロセスの内側に埋め込まれた人間のボトルネックに作用する。これらのボトルネックはAIに対して、異なる——時には正反対の——反応を示す。」
つまり、AIはすでにそこにあるものを増幅するだけだ。強いリーダーシップと多様な視点を持つチームは成果が跳ね上がり、フィードバックループが弱く視野の狭いチームは、似たようなアイデアの洪水に沈む。
人間のボトルネックは3種類に分類できる
研究チームは、イノベーションプロセスにおける人間起因のボトルネックを以下の3種類に整理した。
- 発散ボトルネック（Divergence Bottleneck）：フィルタリングの前段階で十分な量のアイデアを出せないチームに生じる。AIはこのフェーズを加速するが、プロンプトが狭ければ出力も狭くなる。
- 収束ボトルネック（Convergence Bottleneck）：評価・選別のフェーズで発生する。AIがより多くの選択肢を提示しても、バイアスを持った評価者は見慣れたアイデアを選び続ける。
- 反復ボトルネック（Iteration Bottleneck）：コンセプトの精緻化フェーズで起きる。AIはイテレーションを速めるが、チームがフィードバックに実際に向き合わなければ意味がない。
「AIタッチポイントが少ないほど成果が高い」という逆説
研究で最も示唆に富む発見の一つが、AIを最も活用して成果を上げたチームは、AIとの接点（タッチポイント）が少なかったという事実だ。
彼らはパイプライン全体にAIを組み込むのではなく、特定のボトルネック地点に絞って選択的にAIを使っていた。AIは「全体を底上げするアクセル」ではなく、「狙った箇所に使う精密ツール」として機能していた。
この知見は生産性パラドックス（Productivity Paradox）と重なる構図だ。1980年代にノーベル経済学賞受賞者のロバート・ソローが指摘した「Solow Paradox」——コンピュータへの大規模投資が生産性統計に反映されないという現象——と同じ問いが、今またAI時代に繰り返されている。テクノロジーそのものより、それをどのプロセスにどう組み込むかが成果を左右するという教訓は、40年を経ても変わっていない。
「AIで人間の差は消える」論への反論
一部のイノベーションリーダーは、AIがクリエイティブプロセスを標準化し、最終的には人間の個人差を無意味にすると主張する。しかしこの研究はむしろ逆の結論を支持している——AIは人間の判断をより重要にする。ただし条件がある。チームは既存のワークフローにAIを貼り付けるのではなく、AIの強みを活かすためにプロセスを能動的に再設計しなければならない。
実践への示唆
研究チームはイノベーションリーダーに向けて、最新モデルへの投資より先にやるべきことを提言している。
- アイデアがどこで停滞するかを特定する
- フィードバックループがどこで壊れているかを把握する
- バイアスがどこに入り込んでいるかを確認する
- その地点にのみAIを適用する
この順序が重要な点は、多くの組織が「どのモデルを使うか」から議論を始めてしまうのに対し、この研究は「どこに使うか」を先に決めるべきだと主張しているところにある。ツール選定より診断が先、という逆転の発想だ。
今後の研究では、マルチエージェントAIシステムと人間のボトルネックの相互作用が調査される予定だ。初期データによると、エージェント型ワークフローはロールの割り当て方次第で、人間の弱点を増幅することも補完することもある。次フェーズの研究は2027年まで継続される。
詳細はResearch: The Innovation Problems AI Can't Solveを参照していただきたい。
