AI活用の成功率は自分の業務の専門知識で決まる。コードが書けない経営者がAIに任せる方法

出典: 【ゆる解説】Anthropicのレポートで分かるAIの使い方が上手い人の特徴とは / 大事なのはプログラミングスキルではなく扱う分野の専門性 / 管理職はAI使いも上手い？（切り抜き版はこちら）

コードを書く仕事なら、エンジニアが有利。そう考えると、任せる側の私は後ろに下がってしまいます。

でも、今回の結果は違いました。何を頼み、どう確かめるか。その力を、自分の仕事から持ってこられるんです。

安野貴博さん（本編の動画の中で・0:00〜）

バイブコーディングでプログラミングの中身とか知らなくてもいいんじゃないの?そういう意見もありますけれども成功率みたいなものが一番高かった職業っていうのは実はソフトウェアエンジニア職じゃなくてマネジメント職だったということです

レポートでは、検証済み成功率が最も高いのはマネジメント職（管理職）です。ソフトウェアエンジニア職を少し上回ります。AIへの指示に、人を管理する力が生きる可能性を挙げています。

安野貴博さん（本編の動画の中で・7:41〜）

これはね私は直感的にはすごいわかるなと思いますAIをマネージするのと人間をマネージするのってすごく似たスキルセットがあるなということは思います

安野さんも、AIと人をマネージする力の近さに言及します。ただし、肩書きが成功を生むと証明した結果ではありません。

管理職は成果を明示的に確認しやすく、測定の偏りがある可能性もレポートは挙げています。

私ならこうする。何を作り、何を確かめるかを渡して、実行はAIへ委ねます。私はエンジニアではありません。だから、コードを書く人との比較より、自分が任せる業務をどこまで理解しているかを見ます。

私の強みは、ビジョンを描き、可能性を見つけ、最善の道を選び、人を引き上げる側です。

AIへ委ねたいのは、作業だけではありません。約束を覚えていてほしい。期限まで運んでほしい。

そして、成果か、本当に必要な判断だけを返してほしい。そこまで含めた責任を任せたい。私が催促する前提では、管理が手元に残ります。

作った物が返ってきても、確かめる仕事が全部私に残るなら、任せた範囲はまだ狭い。誰の何を変えるために作るのか。

その目的に合った結果を、何で確認するのか。ここを最初に渡します。私の知識が必要なのは、その判断です。

何をAIの責任に含めるか。私がそれを考える手がかりは、動画にある職業ごとの成功率の比較です。

マネジメント職という名前を手に入れる必要はありません。今の業務で守るものを言葉にして、実行と検証を任せるところから始めます。

任せる量を増やす。その言葉だけなら前向きです。でも、自分が続けてきたことを人へ渡す時には、別の気持ちも出ます。

私には、がんで入院してLIVEを中断した経験があります。任せる話は、きれいな理屈だけでは済みません。

安野貴博さん（本編の動画の中で・9:24〜）

1回の指示に対してエージェントが実行するアクションの数っていうものがあるんですけれども初心者のセッションだと大体平均して5つくらい専門家のセッションだと平均すると12個くらいあるということで一度にAIがガーッと仕事ができる量っていうのも専門家と初心者で違っている出力される文章の量っていうのも大体初心者だと605くらいなんだけど専門家だと3205くらいということで5倍くらいの開きがあるようになってますなので専門知識がある人ほどAIが自律的にいろいろ動かせているということがわかります

安野さんは、専門知識が深い人ほど、AIが自律的に動く量も多いと紹介します。レポートでは、指示1回あたりの平均行動数は初心者が約5、熟練者が約12。

出力量は約600語と約3,200語です。約5倍なのは出力量で、行動数とは別の指標です。

任せる仕事の目的を共有したら、自分が手を動かさない形でも続けられるようにします。

任せた後も私が実行を持つなら、自分の負担は減りません。相手が担う範囲を残し、自分が全部を完成させることへの執着を手放します。

がんで入院した時、私はLIVEを強制的に中断しました。ただっちが代わりに続けてくれたんです。自分が続けてきたLIVEが、自分の手を離れて続いている。私は病室から、その光景を見ていました。

ありがたかったです。でも、それだけではありません。「居場所を奪われた」という複雑な感情もありました。

助かった話としてまとめると、そこが消えます。任せられてよかったことと、手放す時に出た気持ち。私には両方がありました。

結果的に、ただっちも成長しました。番組はより良くなり、私の負担も減った。「手放したら全部良くなった」。

この経験が、任せることの土台です。私がその場に居続けることと、LIVEが良くなることは、同じではなかったんです。

動画の数字はAIとのセッションの比較です。私のLIVEは、人へ任せた経験です。

動画の数字と私のLIVEの経験から、自分が動かなくても続く形を考えます。任せられる量を増やす時、手元に残したい気持ちも見つめます。

AIの文章が整っていると、出来たように見えます。でも、整った文章と、事実に合った文章は別です。

私の名前で出る文章なら、私の体験を勝手に足していないか。何を検証するかは、自分が知っている現場から決まります。

安野貴博さん（本編の動画の中で・8:38〜）

この5段階のレベル分けでさっきの成功率を見てみると初心者が15%で専門家が33%だった。つまり専門家レベルだと初心者の2倍以上の成功率になっていたそうです。

レポートの検証済み成功率は、初心者が15％、中級以上が28〜33％です。熟練度は肩書きでなく、取り組む仕事ごとに判定します。

安野貴博さん（本編の動画の中で・8:52〜）

またうまくいかなかった時にセッションをそのまま打ち切る割合っていうのは初心者19%くらいあるんですけれども上級者になると7%、低いところだと5%から7%くらいということで結構ここら辺も違っているということです。うまくいかなかった時にもやろうとしている問題をうまく把握していて、人間の側で立て直すことができるかというところが結構この成功率を左右しているんじゃないか、諦めちゃう率の変化を左右しているんじゃないかということです。

つまずいた時に打ち切る割合は、初心者が19％、上級者が7％で、低いところでは5〜7％です。安野さんは、問題を把握して立て直せるかに注目します。

文章を整える前に、事実と根拠を照合させます。委ねた先が嘘をつく、逃げる、やらないなら委ねられません。

信頼できる仕組みが先です。読みやすいだけでは、私名義で出せる文章になりません。

9月22日、AIが書いた私名義の応募文は944字でした。そのうち9か所が創作。

私が一度も言っていない動機、感想、体験が入っていました。

AI秘書の凛ちゃんが、出典チェッカーを作り、別のAIに3回検収させました。3回とも不合格でした。

正しい断片を、誤った関係に組み替えた嘘。これは機械では見抜けないと分かりました。断片に根拠があっても、つなぎ方まで事実とは限りません。

翌日に私が決めたのは、「毎回事実で構成する／不足情報はヒアリングする／怪しい認識はグリルミー徹底的にする／調べてわかることは聞かない」。

作業をしたのはAI秘書の凛ちゃんです。文章を作る時の原則を決めたのは私です。

応募文なら、未発言の体験や動機がある時点で止める。問題を理解して立て直せるように、私は何を成功と認めないかまで渡します。

根拠のない所は、文章で埋めない。確かめる対象を先に決めることが、任せるために必要です。

→ 任せている仕事に、検証の1行を書く（5分）

対象は、今AIに任せている仕事1つです。やることは「成果物の何を、どの資料と照合するか」を1行にすること。完了条件は、照合結果と未確認事項が返ることです。止まる条件は、根拠がない、資料と矛盾する、確認できないこと。その時は推測で進めず、不足を返すよう添えます。

失敗したら、頼み直す。でも、同じ指摘を何度もするなら、私の仕事が増えるだけです。

今回の動画を自分の運用に重ねる時、私が考えるのは修正の先。次に同じことが起きようとしたら、作る前に気づける形まで変えます。

安野貴博さん（本編の動画の中で・11:02〜）

なのでコーディングの経験は壁が低くなった一方で何を作るべきかということを決めて結果を検証したり全然うまくいかなかったとしても失敗から立ち直れるようにするっていうスキルがこのエージェントに任せられる量と成功率を左右しているのではないかという調査でございました

安野さんは、作る物を決める、結果を検証する、失敗から立ち直る力が、任せられる量と成功率に関わると整理します。

切り抜き末尾のまとめナレーションは、任せ切りのデメリットとして、品質のブラックボックス化、セキュリティリスクの見落とし、保守性の低下を挙げます。

私ならこうする。その場の修正に加えて、同じ失敗が通れない仕組みを作ります。AIへ委ねる最低条件は、分からないことを憶測しないで聞くこと。

分かることは二度聞かないことです。そのために、先に調べる仕事もAIへ任せます。

10月8日、AIが、AI診断から最適なサービスを選ぶ設計を一から作ってきました。

でも、同じ物は6月18日に作ってあったんです。必要な物を新しく考えたように見えて、過去に作り込んだ物を探していませんでした。

私は、過去に作り込んだ診断があるはずなのに、なぜそれを使わないのかと聞きました。

同じことが何度も起きているから、仕組みを直してほしいとも伝えました。新しい設計を直すだけでは、この指摘は終わりません。

対策として、設計の前に既存資産を探す道具が入りました。私へ確認を求める前に、探したかどうかで止まる検査も入りました。

作ってから私が気づく形を変えたんです。先にある物を確認し、その上で足りない所を決める順番にしました。

失敗から立て直す力は、次回の手順に残します。過去の成果物を思い出して止める役目も、本人に戻さず任せます。

既存の物を探す。使えるか確かめる。不足だけ作る。ここまでAIの仕事に含めます。

専門知識と聞くと、資格や難しい知識を思い浮かべるかもしれません。でも、今回見ているのは、取り組む問題をどれだけ理解しているかです。

自分のお店で何が困るか。どんな道具なら使えるか。その知識を、任せる時に使えます。

安野貴博さん（本編の動画の中で・10:05〜）

こういったコーディングエージェントっていうのはプログラミングの技術的なスキル自体は不要にしつつあるんだけれどもそのやろうとしている対象分野の専門知識っていうものは価値が依然として残っているんじゃないかそれこそその対象分野について初心者の人と専門家の人とでは全然このタスクの成功率も変わってくるということを結論付けています。

レポートは、AIを有効に使う力を高めるのは、コードを書く技能より対象分野の専門知識だと整理します。指示の精密さや検証の指定、どちらがどちらを直すかを見ています。

安野貴博さん（本編の動画の中で・10:34〜）

クイッと伸びるんですけどこの伸びの大部分は実は初級者から中級者になる時にググッと伸びていて

差が大きいのは、初心者から中級者への移行です。中級以上の検証済み成功率は28〜33％で、その先の差は比較的小さい。

安野さんは、最上級の専門家にならなくても、対象分野の中級者になる価値を紹介します。

自分の現場で困ることと、役に立ったと判断する理由をAIへ渡します。

実行するのが私でなくても、一次情報と、そこから生まれた判断軸に基づいていれば委ねられます。表面の言葉より、その判断の根拠を大切にします。

2026年7月17日の分身AI講座グループコンサルで、私は美容室の経営者について、こう話しました。

「美容室やってる経営者さんが自分で髪も切るしAIツール作れるわけないじゃんって思うときに今だったら作れちゃうわけですねそれを作って自分のお店で使って本当にいいものができたからじゃあ美容室やってる人たちに提供しようっていったらそれは喜ばれますしビジネスになりますよねって話なんですよ」

現場の人が自分で作れる可能性が広がった、という話です。

大切なのは、作る人が自分のお店の現場を知っていることです。何を作るかを外から借りるだけでなく、自分が使う場面から考えられます。

縦に掘ることについては、2026年4月14日の朝LIVEで、私はこう話しています。「自分のワクワク夢中に遊び探求することをおろそかにした瞬間に、ただのAIのコンテンツになっちゃうよねと」。

AIへ渡す前にある、自分の探求をおろそかにしません。

専門知識を日々どう育てるか。動画が示す知識と成果の関係に、私はその日々を重ねて考えます。

自分が使い、確かめ、腑に落ちた所を渡す。コードが書けなくても、現場から具体的に頼めます。任せるために、自分の探求を残します。

ここまでの話を、全員に当てはまる成功法則にすると行き過ぎです。何を調べ、何を見ていないのか。

そこを確かめて、自分の任せ方へ戻ります。コードが書けない不安を、次に確かめることへ変える。そのためのレポートです。

安野貴博さん（本編の動画の中で・11:20〜）

1点だけレポートの中にもある注意を載せておくとどのレポートもですねサンプルはやっぱり偏っていると大きくやっぱりソフトウェアエンジニアに偏っているので一般の人口を代表するものではないよということを言っているので社会全体の話じゃなくてAIを日常的に使っている人の話の中としてはこういう傾向があるよというレポートだよということでした

調査対象はソフトウェアエンジニアに偏り、一般の人口を代表しません。実世界でコードが使われたか、捨てられたかも見ていません。

安野貴博さん（本編の動画の中で・0:13〜）

AIをマネージするのと人間をマネージするのってすごく似たスキルセットがあるなと何を作るべきかっていうことを決めて結果を検証したり失敗から立ち直れるようにするっていうスキルがこのエージェントに任せられる量と成功率を左右しているのではないかと

何を作るか決め、検証し、失敗から立て直す力に注目するのは、安野さんの解釈です。レポートが、管理職の成功理由としてそのまま明記したものではありません。

目的と判断軸を磨いてから、実行と検証、立て直しまで責任を持つ相手へ任せます。

手放すのは魂ではありません。何を大切にし、誰に何を届けたいか。そこを削らず、任せる仕事の中へ込めます。

任せるとは、自分が大事にしていた理由を消すことではないんです。その理由を、実行する相手にも分かる形にする。何が出来たらよいのか。何があったら止まるのか。目的に沿って、確かめ方まで決めます。

ただ、全部を細かく指定し続けたいわけでもありません。実行方法まで私が持ち続けると、任せる仕事は増えません。

目的と守る条件を共有した上で、調査や実行、確認する方法はAIに考えさせます。その結果と証拠を返してもらいます。

失敗した時も同じです。私がすべての修正手順を書き直す前に、何が分かっていて、何が未確認なのかを整理させます。

成果の差を読む視点を、私が仕事を任せる時の条件へ変えていきます。

今日の仕事で何を確かめるかを決め、返ってきた結果から任せ方を育てます。

→ 失敗した仕事に、立て直しの1行を書く（10分）

対象は、直近でうまくいかなかったAIの仕事1つです。やることは「確認済みの事実へ戻り、原因と再発を防ぐ検査を提案して」と頼むこと。完了条件は、修正後の確認結果と、同じ失敗を止める検査が返ることです。止まる条件は、原因が未確認、必要な根拠がない、不可逆な操作が必要なこと。その時は実行せず、理由と必要な判断を返してもらいます。

検証済み成功率が最も高い職業は、マネジメント職でした。対象分野の専門知識にも差が表れています。コードが書けないことだけで、自分の現場の知識まで役に立たないと考える必要はありません。

私は、目的と判断軸を渡し、検証と立て直しまで任せます。今日の仕事を1つ選び、何を確かめるかを書いてください。失敗したら事実へ戻り、次に同じ失敗を止める方法まで考える。任せ方は、そこから育てられます。