同じ生成AIでも成果に3倍超の差、人事はどこを見ればいいか
新しいAIが出るたびに「今度こそ最強」という言葉が飛び交いますが、その順位は数週間単位で入れ替わりはじめています。同じ時期に、AIへの期待そのものがピークに達したという評価も出ました。この2つを並べたとき、人事は何を見ておけばよいのか。
Pickup：注目の技術
① 最上位モデルの序列が、ベンチマークごとに分かれはじめた（ITmedia AI＋）
Alibaba Cloudが2.4兆パラメータの新モデル「Qwen3.8-Max」を公開したと報じられています。ターミナル操作を測るベンチマークではClaude Fable 5を、ソフトウェア開発の課題ではGPT-5.6 Solを上回った一方、別のベンチマークでは両モデルを下回ったとされ、10日以上にわたって自律的にコーディングを続けるデモも示されたと伝えられています。
転職を考えているなら：職務経歴書に書いたツール名は、思っているより早く古くなる可能性があります。「どのAIを使えるか」より「どんな仕事をどう任せて、どこで手戻りを減らしたか」を書けるようにしておくほうが、賞味期限は長くなりそうです。
採用する企業なら：求人票の要件欄に特定のAIツール名を書いても、順位が数週間単位で入れ替わる今、その要件が次の四半期まで合い続ける保証はありません。総合力で一位のモデルが存在せず、測る物差しによって順位が変わるということは、自社にとっての「使える」も、業務ごとに定義し直す必要があるということです。
どのAIが最新で最強かを覚えても、順位が数週間単位で入れ替わるかぎり、その知識は次の四半期には古くなっています。
出典：ITmedia AI＋（2026年8月3日・本文は転載せず要約しています）
② エージェント型AIは「過度な期待」のピークにあると評価（ITmedia AI＋）
ガートナージャパンが「日本における未来のデジタル・ワークプレースのハイプ・サイクル：2026年」を発表したと報じられています。人間の業務を代替しうるとされるエージェント型AIは「過度な期待」のピーク期に置かれた一方、生成AIそのものは幻滅期を越えて「啓発期」に進んだと位置づけられ、シャドーAIなどのリスクとガバナンス整備の必要性にも触れられたとされています。
転職を考えているなら：期待がピークにある領域は、求人が急に増え、そして落ち着く可能性があります。話題性で職種を選ぶより、期待が落ち着いたあとも企業がその仕事を必要とする理由を自分で説明できるかどうかを、判断の材料に加えておくと安全です。
採用する企業なら：期待のピークは、採用要件がもっとも歪みやすい時期でもあります。相場が過熱しているときに高値で採った人材の評価が、数年後の落ち着いた基準で問い直される。過去の技術ブームでも繰り返されてきた順序です。一方で生成AIが「啓発期」に入ったという評価は、生成AIを使う業務の手順は腰を据えて社内で仕組み化してよい段階に来た、という読み方もできます。
同じ「AI」でも、エージェント型AIの人材は相場が過熱しているなかで採ることになり、生成AIはじっくり社内の業務に定着させる段階に入っています。
出典：ITmedia AI＋（2026年8月5日・本文は転載せず要約しています）
③ 同じヘビーユーザー同士でも、成果に3倍超の差（PR TIMES／パーソル総合研究所調べ）
パーソル総合研究所の調査で、正規雇用者の生成AI利用率が2025年10月の41.9％から2026年5月には54.3％へと12.4ポイント増えたと発表されました。同時に、週4日以上使うヘビーユーザーのなかでも、「集める・決める・確かめる・壊す・蓄える」という5つのメタ・スキルの高低によって、仕事のやり方の見直しや成果水準、業務スピードに3.3〜3.6倍の差が生じていたと報告されています。
転職を考えているなら：「毎日AIを使っています」は、もう差別化の言葉になりにくくなっています。使用頻度ではなく、AIに渡す前に情報をどう集めたか、出てきた答えをどう確かめたか——その手順を語れると、同じ利用者のなかで区別されやすくなります。
採用する企業なら：利用率が半数を超えたということは、「使っているかどうか」ではもう社内の差を説明できないということです。差が開いているのは、AIに情報を渡す前と、AIの答えを受け取った後の工程。導入研修の回数を数えるより、実際の成果物を1つ持ち寄って「どう確かめたか」を共有する場のほうが、この差には直接効きそうです。
なるほどと思えるのは、5つのうち3つ（集める・決める・確かめる）が、AIを触っていない時間の仕事の質だという点です。
出典：PR TIMES（株式会社パーソル総合研究所）（2026年7月22日・本文は転載せず要約しています）
3つを並べると、動いているものと動いていないものがはっきりします。モデルの順位は物差しを変えれば入れ替わり、期待の位置もハイプ・サイクルの上を移動していきます。動いていないのは、同じAIを渡された人のあいだに開いた3倍超の差のほうです。ここから、人事が追う指標を、導入の数字から社員ごとの成果の差へ切り替える余地が見えてきます。導入したかどうか、何人が研修を受けたか、という導入の実績を示す数字は、利用率が半数を超えた時点で説明力を失いはじめます。代わりに見るべきは、入れた後に社内でどう分かれたか——同じツールを渡した二人の成果物が、なぜこれだけ違うのか、という差の中身です。そして差の正体が「集める・決める・確かめる」にあるのなら、それは新しいAI研修ではなく、これまで人事が育成と呼んできたものの延長線上にあります。ちなみに、要件欄にツール名を並べて採用し、入社後に噛み合わないと分かったときの費用は、意外と大きな金額になります。その内訳は採用ミスマッチのコストで分解していますので、要件を書き直す前に一度、失敗したときの金額のほうから逆算してみるのも手です。最強のAIを探す競争からは降りられます。人事が向き合うべきなのは、AIを渡した社員のあいだで成果にどんな差が出ているかです。
本記事の見解はWeaveXによるものであり、引用元各社の見解を代表するものではありません。
