AI時代に人間に残る仕事とは。/goalと山登りで塩塚さんのnoteを整理

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくん（@passion_tanaka）です。今回は、ラクビル株式会社の取締役CTOの塩塚さんが2026年11月6日にnoteへ書いた『「エントロピーを下げれる奴が偉い」、』を紹介します。AI時代に人間が担う仕事を、エントロピーや最適化の言葉で論じた文章です。

私が保存したブックマークの1本です。広げるのはAIで、何を掘るかは人が決める。これまでの記事で書いてきた私の考えを、物理と最適化の言葉で確かめ直したくて、取り上げました。AIの話題を見るたびに、人の側に何を残せばよいのか分からなくなる方に向けて書いています。

読み方の筋は、エントロピー、山登りとAIの/goal、電力とコンサル不要論、焼きなまし、Why、熱量の順です。最後に、AIに仕事を渡す前に先に決める1つを、私の考えとして書きます。専門の言葉は、出てきた所で1行ずつ言い換えます。

塩塚さんのnote（結論の書き出し）

昨今のAI発展の流れの中で、人間がどういうことをやっていくべきかということについて、自分の中で現時点である程度の結論が出たので書き記したいと思います。

塩塚さんは、AIがどんどん発展する中で人間は何をしていくべきか、いまの時点である程度の結論が出たので書き残す、と言っています。

書いたのは、ラクビル株式会社で取締役CTOを務める塩塚さん。公開は2026年11月6日、noteです。題は「エントロピーを下げれる奴が偉い」。そういう世の中にもうすぐなると思う、という話から始まります。

筋道を先に並べます。熱力学のエントロピー、山登り法と局所最適、AIの/goal、電力とコンサル不要論、焼きなましとTemperature、Whyの仕事、最後に熱量。7つの話が1本につながっています。

言葉を先にほどきます。エントロピーは、乱雑さのこと。局所最適は、手元でいちばん良い所に落ち着いて、本当の頂上に行けないこと。Temperatureは、AIの答えのゆらぎの度合いです。

物理の話から入るので、結局これはAIの話なのかな、と思いやすい。でも読み進めると、塩塚さんの結論ははっきりしています。

解くべき課題がはっきりしていて、解けたかどうかの検証もしやすい仕事は、どんどんAIに渡していく。課題がぼんやりしている領域と、正しい解決かどうかが分かりにくい領域が、人の側に残る。

私の読みです。この結論は、AIに仕事を渡す側の私たちに、渡す前の問いを返してくれます。自分の仕事は、課題がはっきりしているのか。解けたかどうかを確かめられるのか。

あなたの仕事を1つ思い浮かべてみてください。お客様への返信でも、新しいメニューの検討でも、共有フォルダの整理でもかまいません。その仕事について、課題の輪郭と、確かめる方法を自分に聞いてみる。

はっきりしている仕事は、AIに渡す候補。ぼんやりしている仕事は、人が考える候補。この仕分けが、この記事の入口です。

塩塚さんのnote（エントロピーと太陽の話）

逆に言えば、外部からエネルギーを与えてやれば、エントロピーを下げることができます。

放っておけば散らかるものは、外からエネルギーを入れれば整えられる、と塩塚さんは言っています。

まず法則から。エントロピー増大の法則は、熱力学第二法則とも呼ばれます。条件は「孤立系、及び断熱系」。つまり、外部とエネルギーのやりとりがない場合です。

塩塚さんが挙げる例は、コーヒーにミルクを入れること。放っておいてもミルクコーヒーになるだけで、コーヒーとミルクには分かれません。部屋と同じ、と塩塚さんは書いています。

でも、外からエネルギーを与えれば話が変わります。部屋なら、エアコンをつけて外との気温差を保てる。ただし、下がっているのは部屋の中だけ。室外機からは、高いエントロピーが排出されています。

コーヒー牛乳も、遠心分離機にかければある程度は分けられるそうです。

生命も同じ、と塩塚さんは続けます。食べ物からエネルギーを取って、身体は形を保っている。シュレーディンガーは、これを「負のエントロピーを食べている」と表現したそうです。

では、その食べ物のエネルギーはどこから来るのか。牛は草を食べ、草は光合成で太陽光からエネルギーを得ています。最終的には、太陽です。

約6600万年前の大量絶滅では、メキシコのユカタン半島に巨大隕石が落ち、土砂やガスが太陽光を遮って、世界中の動植物種の3/4が絶滅した、と塩塚さんは書いています。太陽のエネルギーが止まると、形は保てない。

私の読みです。整えた状態は、外からエネルギーを入れ続けないと保てない。机の上も、共有フォルダも、書類の置き場所も、同じ見方ができます。

放っておいたら散らかってきた机、共有フォルダ、書類の山を1つ思い浮かべてみてください。それを整えているのは、自分の時間と手間というエネルギーです。

塩塚さんのnote（AIの問題定義の話）

まずAIは、適切な問題定義と十分な情報を与えた時、非常に高い性能を発揮します。

AIが力を出せるのは、問題の定義と情報がそろっている時だ、と塩塚さんは言っています。

その前に、山登り法の話です。塩塚さんは、老子の「上善如水」と孟子の水の話を引いています。水が低い所へ流れるように、今の時点で良い方へ堅実に進めば、いつか最適解に着く。

この考え方が、最適化アルゴリズムの山登り法に当たる、という説明です。山登り法は、今の位置から良い方へ少しずつ進む探し方のこと。

プロダクト開発なら、顕在ニーズに対処すること。改善を一つひとつ積み重ねる進め方です。欠点は、局所最適に陥る可能性があること。本当の頂上ではない、手前の山に落ち着いてしまうんです。

一時的に、一見最適ではない方向へ進む必要がある、と塩塚さんは書いています。

そこで昨今のAI情勢に話が移ります。AIは、スコープやKPIなどのゴールが明確という意味での適切な問題定義と、十分な情報を与えると、非常に高い性能を発揮する。

OpenAIのCodexやClaude Codeには、/goalというコマンドがあります。

目標、文脈、制約、必要な根拠、成功基準、出力形式を指定すれば、達成するまで一人で試行錯誤を続ける。数時間や、丸一日一人で作業していることも多い、と塩塚さんは書いています。

かつてのAIは、細かく指示しないと、もっともらしい間違いを出すハルシネーションをすぐ起こしていました。今は逆に、途中経過を指定しない方が、AIの力を引き出せるそうです。

AI氣道『Claude Code /goalとultracodeの使い方｜戸野塚蓮さんの解説を、私のループとOpus 5.5で読む』より

「私の読みです。この記事で持ち帰ってほしいのは、一発で作らせる技ではありません。合格条件を渡して、AIに回し続けさせるという考え方です。」

/goalを、合格条件を渡して回し続けさせる考え方として読んだと、私は『Claude Code /goalとultracodeの使い方｜戸野塚蓮さんの解説を、私のループとOpus 5.5で読む』で書いています。

塩塚さんが書く「成功基準を指定する」は、この合格条件と同じ向きだと私は読みます。

AIに渡す前に決めるのは、手順より先に、ここまで来たら合格という1行です。局所最適の手前で止まるかどうかも、その1行の書き方に左右されると私は考えます。

塩塚さんのnote（コンサル不要論の話）

振り返ってみれば、コンサル不要論やデザイナー不要論もこのあたりからきていると思います。

コンサル不要論やデザイナー不要論の出どころは、AIの電力合戦にある、と塩塚さんは見ています。

AIモデルの学習に使う電力は、ギガワット単位になってきました。使う側も、いいモデルを並列で大量に動かすのが当たり前になっています。それだけ、裏では膨大な電力が投じられているわけです。

塩塚さんの説明では、ここで行われているのは、山登りのHow、つまりどうやるかの部分を少しでも速くするために、電力を大量に投じることです。水がチョロチョロ流れるのを待てない。

だから、電気のエネルギーで超早送りしているイメージ、と書いています。

コンサルは、クライアントのやりたいビジネスの最適なHowを考える仕事。デザイナーは、クライアントの伝えたいメッセージの最適なHowを考える仕事。

その側面では、人に任せるより電力に任せた方が合う場面がある。そういう見方から不要論が出てきた、と塩塚さんは読んでいます。それらの論が正しいかどうかには、ここでは触れていません。

では、人間に残されているのは何か。塩塚さんの鍵は、さっきの「適切な問題定義と十分な情報を与えた時」の部分です。この話は、昔からフレーム問題として議論されてきました。

フレーム問題は、何が関係あって何が関係ないかを、AIが自分で決めきれない問題のことです。

AI氣道『佐藤航陽 箕輪厚介さんの対談から、AIが中間を巻き取ったあと人間に残る起点と責任を考える』より

「6月16日の朝LIVEで、私は、人間とAIの違いは、責任を取れるか、判断できるかぐらいだと話しました。」

人間とAIの違いを、責任を取れるか、判断できるかで見ていると、私は『佐藤航陽 箕輪厚介さんの対談から、AIが中間を巻き取ったあと人間に残る起点と責任を考える』で書いています。

Howを回す力が増えるほど、前に出てくるものがあります。誰が責任を取るのか。何を判断するのか。回した結果に責任を持つのは、人の側の仕事だと見ています。塩塚さんの言う問題定義は、その判断の入口かな、と読みます。

AIにHowを任せる場面が増えるほど、任せる前に人が決める1行が重くなる。ここが、次の章からの宿題です。

塩塚さんのnote（焼きなまし法の話）

単にまっすぐ手元の最適を求めるのではなく、最初は割とランダムに動き、少しずつそのランダム性を下げていくことによって大域解に落ち着かせようというものです。

手元の最適だけを追わず、最初は広く動いてから絞るやり方がある、と塩塚さんは言っています。

舞台は、金属加工の焼きなまし。金属材料を加熱してから、ゆっくり冷却する熱処理です。材料の内部に残った応力、つまりひずみの力を取り除いて、硬さや組織を調整します。

これが、先ほどの局所最適を解決することにつながる、と塩塚さんは続けます。

最適化アルゴリズムにも、焼きなまし法があります。まっすぐ手元の最適を求めるのではなく、最初は割とランダムに動き、少しずつランダム性を下げていく。

そうして、大域解、つまり全体で一番良い答えに落ち着かせようという方法です。このランダム性を、焼きなましにたとえてTemperature、温度と呼びます。

生成AIでも同じ概念が使われています。LLMのTemperatureは、生成する文のゆらぎのこと。0に近づくと、いつも同じような答え。1に近づくと、ランダムで多様な答えになります。

ただ、最近のモデルでは、Temperatureのパラメーターを指定できなくなっているようだ、と塩塚さんは書いています。指定の仕方すら、AI側でコントロールした方が良くなったからでしょうか、とも。

もう一つ、進化論の突然変異にも当たる話です。変異、遺伝、選択の3つの条件がそろうと、生物の性質が累積的に変わっていきます。

環境に適応できるもの以外が淘汰される内容は、最適化アルゴリズムにも取り入れられて、遺伝的アルゴリズムと呼ばれている、と塩塚さんは紹介しています。

私の読みです。迷う時に、最初から正解の一本道を探さなくていい。最初は幅を広げて試して、少しずつ絞る。進め方の話として受け取れます。

新しい企画やメニューを決める時なら、こうです。最初は案を広く並べて試す。少しずつ絞る。1案に決め打ちして進めるより、手元の最適に落ち着くのを避けやすい、と私は読みます。

塩塚さんのnote（Whyの話）

「正しい問題を見つける」「正しい解決を見つける」という部分において、「正しい」の定義はどこまで行っても人間が与える必要があります。

何を正しいとするかは、最後まで人が決める、と塩塚さんは言っています。

焼きなましは1種類ではありません。拡散焼なまし、完全焼なまし、球状化焼なましなど、目的で分かれ、どんな結晶構造を作りたいかで操作が変わります。

塩塚さんは、これを山登りにたとえて「どの山に登るのか」だと書いています。

最適化アルゴリズムなら、評価関数を入れること。AIなら、/goalに渡す成功基準を考えること。プロダクト開発なら、潜在ニーズを掘って、開発の優先順位を決めること。塩塚さんは、これをWhyと呼んでいます。

Howの部分にも、人の仕事が残ります。全部の試行錯誤がバーチャルで済み、何回失敗してもよく、結果もすぐ返ってくるなら、電力合戦になる。でも現実では、顧客を実験台にしていいわけではありません。

その最たる例が医者だ、と塩塚さんは言います。

そういう場面では、どこかで賭けが必要になる。AIのTemperatureも、進化の突然変異も、方向はランダム。

そのランダムを超えるセンスやパッション、ウェットなコミュニケーション（血の通った人どうしのやりとり）を、人間が発揮する必要がある、と塩塚さんは書いています。

まとめると、解くべき課題がはっきりして検証しやすいものは、どんどんAIに奪われていくべき。課題がぼんやりしているもの。正しいソリューションかが分かりづらい領域。そこが、人に残る、という整理です。

デザイン思考のダブルダイヤモンドにも当てはまります。ダブルダイヤモンドは、正しい問題を見つけ、正しい解決を見つける2段の考え方です。よくある誤解は、左から右へ一直線に進むというもの。

実際は何度も往復する、と塩塚さんは書いています。

塩塚さんの会社では今年の2月から、プロダクトチームを、Why Chapter（PdMとUXデザイナー）とHow Chapter（フルスタックエンジニア）の2つだけにして、行き来しながら開発しているそうです。

AI氣道『Meta Muse、広げるのはAIで、何を掘るかは人が決める』より

「私なら、広げる所はAIに任せ、何を掘るかは人が決めます。人は縦に掘り、AIは横に広げる分け方。」

広げる所はAIに任せ、何を掘るかは人が決めると、私は『Meta Muse、広げるのはAIで、何を掘るかは人が決める』で書いています。

私の分け方と、塩塚さんのWhyとHowの分け方は、同じ向きを指していると私は読みます。どの山に登るかを決める所が、縦に掘る入口かな。

塩塚さんのnote（モチベーションの話）

AI時代には、人間のモチベーションが、電力と同じくらい大事になってきています。

AIが電力で動くなら。人の側のモチベーションも、同じくらい大事。塩塚さんは、そう結んでいます。

その前に、塩塚さんが以前一緒に仕事をしたエンジニアの話が出てきます。会社の愚痴を社外の飲み会で発散してしまうのは、会社全体で見るとエネルギーが外に漏れてもったいない。

不満は直接会社に向ければ改善できる、と部下に伝えているそうです。

最初のエントロピーの話に戻ります。エントロピー増大の法則には、一時期、強力な反論がありました。マクスウェルの悪魔です。

粒の状態を全部知っていれば、エネルギーをかけなくてもミルクとコーヒーに分けられるのでは、という反論です。これは「情報はエネルギーと等価である」という発見で解決した、と塩塚さんは書いています。

スタートアップのカオス、混沌から、プロダクトのコスモス、秩序を生み出すには、エントロピーを下げる必要がある。そのエネルギーは、電力と、人間のパッションだと塩塚さんは言います。

パッションは、経営層のミッション、顧客のペイン、プロダクトチームの矜持です。

私は以前の配信で、稲盛和夫さんの、考え方、熱意、能力を掛け合わせる方程式を引いて、AI時代向けに言い換える話をしました。

ワクワク夢中に遊び探求することを縦に掘るのをおろそかにすると、AIが作るのはただのAIのコンテンツになる、とも話しています。

私の読みです。電力は、AIの側で増やせる。熱量は、自分の側にしか置けません。

最後に、あなたが持ち帰る1つ。自分の仕事でAIに渡す前に、何を掘るのかというWhyと、どこまで行けば合格かという合格条件を、1行ずつ書く。

AIに任せるHowと、人の側に残すWhyも、1つずつ書き出してみてください。

AIの答えは、下書きとして受け取り、任せ切りにせず、自分の目で読み直す。1行が書けない時は、AIに聞き取り役を頼む手もあります。AIが質問して、自分が答えるだけで、Whyが言葉になっていきます。

この記事の末尾に、AIエージェントに渡す依頼文の囲みを置きました。そのまま貼って使えます。

塩塚さんのnoteを、7つの章で順に追ってきました。放っておくと散らかるものは、外からエネルギーを入れて下げる。AIの世界では、そのエネルギーが電力と人のパッションです。

山登りで言えば、Howを速く回すのは電力の仕事。どの山に登るかというWhyと、賭けの場面のセンスやパッションは、人の仕事です。

私の考えは、AIに渡す前に、何を掘るかと合格条件を1行ずつ書くこと。あなたの仕事でも、AIに任せるHowと、人の側に残すWhyを1つずつ書き出してから、渡し始められます。

AIの答えは、下書きとして受け取る。任せ切りにせず、自分の目で読み直す。その火を焚くのは、自分の側かな。

この記事で学んだことを誰かに教えて恩送りして学びを深めよう！