生成AIが得意な課題と不得意な課題の境界は、見た目では分かりにくい。Dell'Acquaらの研究は、その境界を「ギザギザのフロンティア」という言葉で表しました。本記事では、コンサルティング会社BCGで行われた実験の内容を整理します。

実験の設計：758人のコンサルタント

研究では、BCGのコンサルタント758人を、AIを使わない群、GPT-4を使う群、GPT-4に加えて使い方の概要説明を受ける群に分けて課題に取り組んでもらいました。課題には、AIの能力の範囲内と想定される複数の実務的課題と、範囲外と想定される複雑な課題が含まれていました。

結果：範囲内では向上、範囲外では正答率が低下

範囲内の課題では、AIを使った群は完了した課題数が12.2％多く、所要時間は25.1％短く、質も高く評価されました。一方、範囲外の課題では、AIを使った群の方が正しい結論に至る割合が19ポイント低くなりました。同じツールでも、課題によって効果の向きが反転した点が、この研究の中心的な発見です。

実務への示唆として整理されていること

著者らは、AIの能力の境界が課題の見た目の難しさと一致しないため、利用者が「この課題は任せてよいか」を判断しにくい点を論点として挙げています。2026年11月時点でも、この概念はAI活用の研修などで参照されています。ただし、対象は特定の時期のモデルと1社の実験であり、現在のモデルへの直接の当てはめには注意が必要です。

効果の有無ではなく、課題ごとの向きの違いに注目した研究です。検証の仕組みを業務に組み込む根拠の一つとして引用されています。

この研究を読む際の前提

研究結果を実務に参照する際は、対象となった職種、課題の種類、使用されたモデルの時期という3つの条件を確認することが前提になります。実験や調査で測られた効果は、その条件のもとでの平均的な傾向であり、個々の企業や従業員の結果を直接予測するものではありません。また、短期の課題で測られた効果と、継続的な業務や組織全体の成果との間には隔たりがあることも、複数の研究を並べると見えてきます。本記事で紹介した数字は各研究の公表時点の情報に基づきます。最新の研究動向や原典の記述は、出典の一次情報をご確認ください。こうした前提を押さえた上で読むことで、数字の大きさだけに引っ張られない形で研究を参照できます。

出典：Dell'Acqua et al.「Navigating the Jagged Technological Frontier」Harvard Business School Working Paper 24-013（2023年9月、後にOrganization Science掲載）。https://www.hbs.edu/faculty/Pages/item.aspx?num=64700

※本記事の数字は各出典の公表時点の情報に基づきます。最新の内容は出典の一次情報をご確認ください。

あわせて読みたい