プリンストン教授が ICML で語る AI と仕事：個人はこの波にどう適応するか？
- プリンストン CS 教授 Arvind Narayanan が ICML 2026（ソウル）で基調講演「What will be left for us to work on?」。Sayash Kapoor との「AI as Normal Technology」が骨格。
- SAGE：約24か月でフロンティアモデルの能力は大きく上がったが、信頼性（一貫性／ロバスト性／キャリブレーション／運用安全）は 5〜10pp しか上がっていない。
- ソフトウェアの decide–execute–deliver では、AI が主に圧縮するのは execute（もともとの約1/3）。decide／deliver は圧縮されず、むしろ膨らむ。
- ATM・放射線科・翻訳・ソフトツール史：自動化は 1:1 で職を減らさないことが多い。ソフト職は約 10 倍級の道具革命を経て約 10,000 倍に増えた。
- RSI／人間水準 AI／経済変革級 AI／超知能を、自動的に含意しない四次元に分解。
- 個人適応：床（floor）に寝そべらず天井（ceiling）を押し上げる。生産性／成長／制御の三脚。ブラックボックス拒否。先に習得、その後に増幅。週約10時間をスキル再投資。
二つの物語：AI 界隈も自分の仕事を心配している
プリンストン大学計算機科学教授 Arvind Narayanan は、ソウルの ICML 2026 で「私たちに残る仕事は何か？」という基調講演を行った。
道は二つに分かれる。哲学論争ではなく、実践的な立ち位置の選択だ。
代替に賭けて増幅が勝つと、歴史上最良の「超能力を鍛える窓」を逃すかもしれない。世界は AI 界の反応を見ている。先に「仕事は AI に任せる」と寝転べば、政治的反発は今より強くなる恐れがある、と彼は言う。
AI の影響は四段階、いちばん遅い段はまだ始まっていない
「Normal」はハンマーや歯ブラシの意味ではない。産業革命級の変革技術だと認めつつ、能力が経済・社会影響になる因果モデルとして枠を組む。
古典的な普及：発明 → 革新（家電など）→ 採用。彼らは四段に伸ばし、ソフトを例にする。
四段目がいちばん遅い。coding agent の相対的アーリーアダプターであるソフトでも、組織レベルの再設計はほぼ未着手。推測：agent が巨大で安全なコードベースを安定出荷できるなら、「何十億人向けの一枚岩ソフト」は割に合わなくなり、チーム単位の極限パーソナライズへ。ソフトウェア会社という形態自体が問い直されるかもしれない。それは人と組織の変化で、歴史的には十年単位だ。
電力が工場に入ったとき：差し替えは一度も効かなかった
電力以前の工場は巨大蒸気機関と機械伝動。電力が来ると、まずボイラーを発電機に差し替える「効率的ドロップイン」が試された。失敗した。
今日の agent は「人間のドロップイン代替」として売られる。電力史の教訓は、得は仕事の再編であり、人を機械でコピーすることではない。それは電力会社の仕事ではなかった。AI の組織再編も AI 企業だけでは終わらない。四段階のいちばん遅い段で、今はまだ幕が上がったばかりだ。
実測：能力は上がり、信頼性は遅れた
「使えるはず」と「実際に使っている」のギャップは大きい。採用の遅れもあるが、現場のほうがリーダーボードの外の壁に先に気づいているのかもしれない、と彼らは疑う。
最大の懸念は信頼性。SAGE は約10〜12指標を四次元にまとめる。
汎用＋高リスク＋完全自動は、いま「三択二」に近い。協働 agent は全自動代替より長く勝つ。足場と後学習は分けるべきで、「自動化すればするほど良い」一本では足りない。
ソフトウェア：コードを書くことは、もともとボトルネックではなかった
2019年には既に論文があった。この1年のブログが「再発見」したのは、agent が中間層を速くしただけで、仕事全体が同じ比率で消えたわけではない、という事実だ。
機械が認知の重労働をし、人は全体を握る。仕事は「機械を操作する」へ再定義される。「レンガを全部自分で運ぶ」ではない。クレーンは現場を消さず、役割を書き換えた。
「労働総量の誤謬」：自動化は1:1で減員しにくい
仕事の総量は固定で、AI が取れば職が永久に減る、という思い込み。歴史では効率が上がると需要と職の構造が一緒に変わることが多い。
ソフト自身：機械語以来の約10倍級ツール革命を何度も経て、雇用は約 10,000 倍。コード需要がもっと速く増えたから。誰も失業しない、という意味ではなく、「自動化率＝失業率」の外挿は弱い、という意味だ。
RSI が来たら？ 混同される四つの次元
多くの企業が recursive self-improvement（RSI）へ走ると公言する。彼は真剣に扱うが、「ラボのマイルストーン＝人類に仕事が残らない」と直結させない。
初期の探検家は群島全体を「ハワイ」と呼べた。近づいたのに島名を分けないと、どこへ帆を切るか迷う。RSI・人間水準 AI・経済変革級 AI・超知能は、しばしばドミノ一列に繋がれる。彼はバラして見る。
がん治療の壁はしばしば被験者数千・年単位の治験で、計算を何桁上げても消えない外部制約だ。「モデルのマイルストーン」を「社会に仕事が残らない」へ直訳すると、その壁を飛ばす。
AI の創造性が遅れる理由と、オープンワールド評価
知覚の表現は強いが、創造性と高次推論を支える表現はまだ人間に追いついていない、というのが彼の見立て。認知科学と現場からの仮説：
SAGE の open-world evaluation：数千ドルの予算と、専門家が数か月研究し未 arXiv の実 ML 問題を agent に渡し、同じ専門家が採点。iOS アプリを App Store に出す類のタスクも実施し、上級研究者を募集して拡張中。
この波の中で、個人はどう適応するか？
枠組みのあと、Narayanan は「Personal reflections on adapting to AI」を置く。万能レシピではなく、研究ワークフローで能力のトレッドミルをどうしのいでいるかを晒す。
まず立ち位置：代替 vs 増幅
床と天井：浮いた時間の置き場
実践：AI で生産性が上がったら、浮いた時間を長期成長と補完スキル／新ワークフローへ「再投資」。彼自身は週およそ 10 時間を学習と試行だけに使う。
「一日の終わりに疲れを感じないなら、やり方が間違っている。短期の生産性のために、長期の成長を AI に渡しすぎた。」
三脚：生産性 · 成長 · 制御
生産性だけ → 床が上がると潰れる。成長だけ → 出荷できない。両方あっても制御を手放す → いつかボタン押しだけになる。
制御を守る二つのヒューリスティクス
機械が持ち上げ、人は運転席に残る。仕事は機械を操作し理解し制御することへ。スケジュール上のレンガになってはいけない。適応の核心は、運転席から降りないことだ。
締めのビジョン：人間と AI の「共超知能」
経済変革級 AI はある意味すでに始まっている。AGI のスイッチではなく、信頼性・統合・暗黙知・規制という遅い変数が仕事を書き換えている。能力マイルストーンを先に触った者が経済価値を総取りする、という地政学は拒否する。
超知能について：タスク自体に天井がある。人間の知能は学習と道具に強く依存し、AI はまた一つの道具で、競争は「AI 増幅の人間」対「AI 単独」に近い。「AI が会社を所有し雇用を決める」を既定にし alignment だけに賭けるのは、「安全寄りというより反安全」だ、と彼は言う。
コンピュータは「心の自転車」。彼は AI を「心のクレーン」と呼ぶ。学習曲線は急でトレッドミルのようだが、共超知能は戦う価値がある。仕事を捨てるのではなく、より高い天井での協働として再定義することだ。
能力の床は勝手に上がる。天井は自分で押す。適応とは仕事を全部 AI に放り投げることではなく、浮いた時間を補完スキルに再投資し、ハンドルを握り続けることだ。 Arvind Narayanan · ICML 2026 基調講演より