AIが数学の未解決問題で成果を出したという発表が、8月に入って2件続きました。ただ、人事の実務から見て興味深いのは「解けた」という結果のほうではありません。そこに至る過程が、これまでになく詳しく公開されたことのほうです。650個のアイデアが失敗していたこと。出てきた答えを、機械が確かめられる形にして公開したこと。この2つは、自社でAIを使うときの前提を組み替える材料になりそうです。
Pickup：注目の技術
① 650個のアイデアが失敗した後に、成果は出た（ITmedia AI＋）
Anthropicが2026年8月10日（現地時間）、未公開の研究版Claudeを使い、リーマン予想に関連する下限値を従来の41.6％から67.2％まで引き上げる方法を見つけたと発表したことが報じられています。最初は650個のアイデアが失敗し、同社メンバーが励ましのメッセージを送った後に再挑戦したとされています。実行時は約60体のサブエージェントが連携し、所要は約1日半。結果は同社の数学者2人と外部の専門家2人が精査したうえで、コンピュータによる検証も行われたと報じられています。なお、リーマン予想そのものは未解決のままです。
採用する企業なら：この650という数字は、AI活用が伸びない会社の症状をそのまま説明してくれます。多くの現場では、AIに1〜2回頼んで出力が微妙だった時点で「うちの業務には合わない」と結論が出ています。判断としては自然です。ただ、成果が出た事例の側は、桁が2つ違うところで回っていました。ここから人事が設計できることは、意外に具体的です。試す業務を1つ選んだら、成否の判定を「何回やった後に下すか」を先に決めてしまう。求人票の下書きでも、面接評価のたたき台でも構いません。1回で決めない、という取り決めがあるだけで、現場の打ち切りは遅くなります。もう1点。励ましの逸話は精神論に見えて、実務的な含意を持っています。誰かが途中で関与し続けたから、651回目があった。AI活用を個人の裁量に任せている限り、この「途中で関与する人」は誰にも割り当てられていません。
転職を考えているなら：AIを使いこなす力として評価されはじめているのは、外れた出力を捨てずに次の一手へつなげる粘り強さのほうかもしれません。一発でうまい指示を書ける器用さは、思ったほど問われない。面接で「AIをどう使っていますか」と聞かれたときも、ツール名を並べるより、うまくいかなかったときにどう手を変えたかを一例語れるほうが、再現性のある話として伝わります。
知っておきたいのは、公開された成果の裏側には、たいてい公開されていない失敗の量がある、ということです。
出典：ITmedia AI＋（2026年8月13日・本文は転載せず要約しています）
② 未解決問題10件、証明は機械が検証できる形で公開（ITmedia NEWS）
OpenAIが2026年8月1日（現地時間）、開発中の次期主力モデル「Astra」を使い、数学と理論計算機科学の未解決問題10件について新たな結果を得たと発表したことが報じられています。特徴は、証明を「Lean」という証明支援の仕組みで形式化し、GitHubで公開した点です。人が読んで納得するかどうかとは別に、機械がその正しさを検査できる状態になっています。消費したトークンを既存モデルのAPI料金に換算すると、約2,000ドル相当だったとされています。
採用する企業なら：ここで働いているのは、答え合わせの装置がある領域だった、という条件です。数学には、出てきた答えの正しさを機械が判定する仕組みがあります。だからAIに何百回失敗させても、当たりだけを拾い上げられる。人事の判断は、ちょうどこの逆側です。ある候補者を採った判断が正しかったかは、早くても入社半年後、多くは数年後にしか分かりません。しかもその頃には、誰がどんな理由でその人を推したのかの記録が残っていないことがほとんどです。答えは出るのに、答え合わせができない。ここは手順で埋められます。費用はかかりません。選考時に「この人が活躍すると考えた理由」を一行だけ残す。そして入社時点で「いつ見返すか」を決めておく。この2つがあるだけで、採用はやりっぱなしの行事から、検証できる意思決定に変わります。
転職を考えているなら：選考でこの手の記録を残している会社かどうかは、面接の場でもある程度うかがえます。「この職種で活躍している方は、入社時点でどんな共通点がありましたか」と聞いてみてください。答えの解像度に差が出ます。具体的に返ってくる会社は、採用の判断を後から見返す習慣を持っている。入社後の評価についても、筋の通った説明が期待できます。
押さえておきたいのは、AIが力を発揮しやすいのは、正誤をその場で確かめられる仕事だ、という点です。
出典：ITmedia NEWS（2026年8月3日・本文は転載せず要約しています）
2件を並べると、成果を支えていたのは賢さではなく、2つの段取りだったことが見えてきます。ひとつは、失敗を大量に許したこと。もうひとつは、出てきたものを後から確かめられる形にしたこと。そこに10件で約2,000ドルという数字が加わります。間違えることの値段が下がった、ということです。
これまで組織にとって「試す」はコストでした。人が動く以上、1回の試行に人件費と時間がかかる。だからほとんどの人事施策は、一度やって手応えが曖昧なら、そこで終わっていました。その単価が下がるなら、律速は試行の側から移ります。移った先は、間違いを受け止めて次に回せる器があるかどうか。ところが人事の領域は、その器がいちばん薄い場所でもあります。採用も配置も評価も、結果が出るのは何年も先。そのときには判断の理由が誰の手元にも残っていません。AIを入れても担当者個人は上達しますが、組織としては何も蓄積しない。この状態が起きます。
着手の順番は、はっきりしています。ツールの選定より前に、判断した理由を一行残すこと。そして答え合わせの日付を先に決めておくこと。どちらも今日から無料で始められます。入社後の数か月で何を記録しておけば、半年後にその判断を見直せるのか。その観測項目はオンボーディングで早期戦力化にまとめました。AIが賢くなるほど問われるのは、こちら側が間違いを引き受けられる形になっているかどうか。賢いAIを探す前に、確かめておきたい点です。
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。
