「このやり方なら実現できそうです」。AIから説明をもらっても、それだけでは仕事は終わらない。
実際に動くのか。別の方法より速いのか。いま動いている機能を壊さないか。そこを確かめるために、資料を探し、試作し、テストし、結果を読み、次の案へ進む。その往復のほうに、ずっと時間がかかる。
いまAIに任せられる範囲が広がっているのは、この「答えの先」だ。調べ方を助言するだけでなく、調べ、動かし、結果を持ち帰る。OpenAIが「研究インターン」と呼ぶ変化も、ここから見ると自分の仕事につながってくる。
研究所では、何を任せているのか
OpenAIは2026年9月6日、人間が方向を示した、明確に定義された研究課題をAIが担えるようになったと報告した。熟練者なら数日かかる仕事も含むという。研究者は複数のエージェントを並行して使い、実験コードの作成、実行環境の問題解決、実験の監視などに活用している。OpenAIの社内利用報告
地味だが、実感しやすい例がある。同社では実験環境のトラブル相談が減り、相談時間を設けていたあるチームは、その時間を廃止して別の改善へ回したという。賢い論文を書く前に、「そもそも実験が動かない」を解くところでも、AIが働いている。
この報告は、自社の利用状況を自社で分析したものだ。一般企業で同じ成果を保証する数字ではない。それでも、何を代行しているかは明瞭だ。研究者がエラーログの前で立ち止まる時間を減らし、試したかったことへ戻れるようにする。
「検索を速くして」から、一つの実験を渡すへ
研究所から、もう少し身近な開発へ置き換えてみよう。ここからは実在案件の再現ではなく、仕事の切り分けを説明する例だ。
記事一覧の検索が重い。けれど、データの保存方式を全面的に変えるほどではない。こんなとき、AIに「高速化の方法を教えて」と聞けば、キャッシュや検索用インデックスなどの候補が返るだろう。
そこから一歩進めて、こう渡す。
一覧の検索を速くしたい。いまの並び順や絞り込みは残したい。まず遅い処理を測り、原因を絞ってほしい。変更は検証用の場所だけで行い、同じデータで変更前後を比べて。速くなった理由と、変わってしまう挙動も見せてほしい。
すると仕事の単位が変わる。候補の説明ではなく、計測するコード、変更案、比較結果、テストの失敗が戻ってくる。一つのエージェントが原因を調べ、別のエージェントが変更案の弱点を見る、という分担も考えられる。
人が渡したのは、コードの書き方すべてではない。どう良くしたいかと、何を失いたくないかだ。AIには、その間の道を調べて試す余地を渡している。
論文を読むだけでなく、データから「なぜ」を探す
科学研究でも、同じ変化が見える。Edison Scientificが2025年に発表したKosmosは、研究目的とデータを受け取り、文献調査と解析を繰り返すシステムだ。公表例の一つでは、ペロブスカイト太陽電池の製造条件を調べ、熱処理中の絶対湿度が効率を左右するという既存研究の結果を再現した。Kosmosの開発元による報告
「太陽電池についてまとめて」とは違う。性能の差を生む条件を探し、データを分析し、文献と照らす。人が見たいのは、長いレポートそのものより、次の実験につながる手がかりである。
同社は一方で、Kosmosが統計的には目立つものの科学的には意味の薄い関係を追い続けることも認めている。解析がたくさん進んだことと、研究が前へ進んだことは同じではない。
先ほどの検索の例でも、数字だけを良くしたければ、検索対象を減らすという「近道」がありうる。でも、それで必要な記事が出なくなったら失敗だ。実験を受け取る側には、最初に求めていた価値へ引き戻す仕事が残る。
人が途中で口を出すのは、失敗ではない
「自律型」と聞くと、最初に指示したら最後まで触らない使い方を想像しがちだ。だがOpenAIの分析では、成功した4〜8時間相当の課題の半数超に、人間の介入が一回以上あったという。途中で方向を直しながら仕上げている。
「速くなったのは分かった。でも、この画面が変わるのは困る」「その仮説は面白いから、条件を変えてもう一度見たい」。こうした会話で、試す価値のある道を選び直す。AIを使う前より、人間の判断が不要になるというより、判断を実験へ変えるまでの距離が短くなると捉えたい。
もちろん、確認の手間が増えて逆に遅くなる場合もある。METRが2025年前半のツールで行った試験では、使い慣れた公開リポジトリを扱う熟練開発者16人の246課題で、AI利用時に平均19%長くかかった。古い条件の試験を現在の全モデルへ一般化はできないが、「使えば必ず速い」と決めつけない材料になる。METRの比較試験
私には、「ろくろを回す」に近い
私はよく、AIと作る感覚を、ろくろにたとえる。最初から寸分違わぬ設計図を渡すのではない。出てきた形を見て、ここは好きだ、ここは違う、もう少しこちらへ、と手を添えていく。
動画を作るときもそうだ。構図はいい。でも、人物が動きすぎて伝えたいものが散っている。ならばカメラは固定して、見せたい動きだけ残してみる。落ち着きすぎたら、光や表情で熱を戻す。これは私の普段の使い方を一般化した例だが、最初の一回だけでは言葉にできなかった完成形が、途中の映像を見ながら見えてくる。
アプリや、仕事の手順をまとめたスキルでも同じことが起きる。「この仕組みは使える。でも毎回ここで迷う」。実際に動かして感じた引っかかりを渡すと、別の作り方が返ってくる。それを試し、残したい部分を選び、もう一度整える。
AIが勝手に全部やってくれるというより、自分の考える力、知識、試せる範囲が広がる。自分だけでは形にする前に止まっていた発想へ、手足がつく感覚だ。
研究インターンの話も、これならつながる。AIが持ち帰った結果を見て、「その差は面白い。次はここを調べたい」と人が反応する。結果を待つだけではなく、結果によって問い自体を育てる。途中で方向を変えることは、自律性の失敗ではなく、共同作業の価値になる。
もちろん、ろくろは何をしてもよいという比喩ではない。試作品なら気軽に形を変えられても、公開や送信、取り消せない操作では、そこで一度止まって決める。その区切りがあるから、試す部分は大胆にできる。
試したかったことを、試せる仕事へ
私は、AIを「頼れるインターン」と呼ぶだけでは、この変化を少し小さく感じる。単純作業を頼む人が増えた、というだけではないからだ。
これまでは、自分が手を動かせないために保留した案があった。調べるだけで一日終わるから諦めた比較があった。実験環境を整えるのが大変で、確かめずに決めたこともあったかもしれない。
その間を埋める知性と実行力が、手元に来ている。目的を持ち、任せる仕事をつくり、途中の結果に反応し、使える形へ仕上げる。人の意志とエージェントの実行力がかみ合えば、一人で始められる仕事の大きさが変わる。
答えを一つもらうためではなく、確かめたかった未来を、一つずつ試すために。研究所の変化は、もう私たちの仕事から遠い話ではない。
資料確認：2026年9月7日。検索機能の改善例は説明用の仮想例。Kosmosの成果は開発元報告であり、本稿による追試ではありません。
