同じAIを使っているのに、なぜ差がつくのか。4週間のAI開発で見えた『AI格差』の正体

どうも、久我レイジです。

ここ4週間近く、僕はAIと一緒に「KR LAB」というオウンドメディアを作っています。

最初は、ここまで大掛かりになるとは思っていませんでした。

僕自身にはコードを書く能力がほぼないので、基本的にはAIに手伝ってもらいながらWordPressのサイトを作っていく。そのくらいのところから始まっています。

ところが、復旧できる仕組みを作ったり、セキュリティを監査したり、AIを複数の役割に分けたりと、進めれば進めるほど話が大きくなっていきました。

そして4週間近くAIと開発を続けているうちに、僕の中で「AIを使う」という感覚そのものが少し変わってきたんです。

最近は、同じChatGPTやClaude、Codexを使っていても、人によって出てくる成果がかなり違う理由も、少し見えてきたような気がしています。

単純にプロンプトが上手いとか、最新モデルを使っているとか、それだけではない。

もしかすると、これから生まれる「AI格差」の正体は、もっと別のところにあるのかもしれません。

最初は僕も、AIに「これ直して」と言っていた

KR LABを作り始めた頃の僕のAIの使い方は、かなり単純でした。

エラーが出たらAIに見せて原因を聞き、修正方法を出してもらう。また問題が起きれば、その状況を見せて次の方法を考えてもらう。

僕がAIに質問して、AIが答えるという繰り返しです。

これは今でも普通にやっていますし、それ自体が悪いわけではありません。

ただ、開発が複雑になってくると、それだけではうまくいかない場面が増えてきました。

特に復旧テストでは何度も止まりました。

「これが原因だ」と考えて修正したあとに、実は別の場所に根本原因があることもありました。ひとつ直したと思ったら別の問題が出て、原因だと思っていたものが本当の原因ではなかったこともある。

これを繰り返していると、「とりあえず直す」だけでは、いつまで経っても終わらないんですよね。

僕自身、かなり沼ってるなと思っていました（笑）

そこで途中から、問題が起きたらすぐ修正するのではなく、原因をある程度証明できるところまで戻って考える、という進め方へ変えていきました。

単純にAIへ答えを求めるだけではなく、「問題が起きたとき、AIをどう動かすのか」というところまで考えるようになったんです。

気づけば、AIに質問するより「働き方」を作っていた

現在のKR LABでは、ひとつのAIに全部やらせる考え方をしていません。

設計、実装、QA、Security、さらにそれまでの判断から少し距離を置いて監査する役割まで、それぞれの仕事を分けて考えています。

問題が見つかった場合も、そのまま押し切るのではなくRCA、つまり根本原因の分析へ戻る。そして重要な判断についてはAIだけで進めず、Human Gateを置いて最終的には僕が判断する。

こういう仕組みを少しずつ作っていきました。

面白いのは、この状態になると「プロンプトが上手いかどうか」だけでは説明できなくなってくることです。

僕が毎回、「次はSecurityを確認して、そのあとAuditorに回して、問題があったらRCAへ戻ってください」と、一から全部指示しているわけではありません。

前に何が起きたのか、何を証明しなければ次へ進めないのか、どこから先は人間が判断するのか。そういうルールそのものを、少しずつ環境側へ持たせていくようになりました。

気づけば僕は、AIに質問することよりも、AIがどう働くのかを設計することに時間を使うようになっていました。

ここまで来たところで、僕の中でひとつ疑問が出てきました。

同じAIを使っているのに、人によって成果に大きな差が出るとしたら、その差は一体どこから生まれるんだろう、と。

AI格差の正体は「性能差」より「蓄積の差」なのかもしれない

僕はいま、AIの実力をこんな感じで見ています。

モデル性能 × コンテキスト × ナレッジ × ツール × ワークフロー × 評価

もちろん、これは学術的な公式ではありません。4週間ほど実際にAI開発をやってきた僕が、現時点で整理するとこう見える、という話です。

モデルそのものを作っているのはOpenAIやAnthropicで、当然ながら僕には作れません。

でも、それ以外はかなりの部分を自分で積み上げることができる。

プロジェクトについてAIが参照できる情報だけでなく、過去に何を失敗したのか、何を品質基準にするのか、どんな場合に止まるのか。さらに、どのツールを使って、どの順番で仕事を進め、どのAIにチェックさせるのかまで、自分の環境として残していけます。

僕も以前は、AI活用というと「良いプロンプトを書くこと」がかなり大きいと思っていました。

もちろん今でもプロンプトは大事です。でも最近は、それだけを保存しても足りないと思うようになりました。

本当に残したいのは、AIに何を知ってもらうかだけではなく、どう働いてもらうか。

そこまで含めた環境なのかもしれません。

そして、もうひとつ。

失敗したことまで残せる。
ここはかなり重要だと思っています。

KR LABの復旧テストで僕が何週間も沼っていることも、その場だけ見れば単純な失敗です。

でも、このやり方ではうまくいかなかった
この原因だと思ったが違った
ここではHuman Gateを入れた方がいいという情報が次の判断に使われるなら、その失敗は少し違った意味を持ちます。

そう考えると、これから生まれるAI格差の正体は、単純な「性能差」ではなく、むしろ蓄積の差なのかもしれない。

最近はそんなふうに考えるようになりました。

毎回ゼロから話しかける人との差は、あとから大きくなる

これからAIの性能は、まだまだ変わっていくと思います。

だから「Claudeを使っているから強い」とか、「ChatGPTだから強い」とか、そういう話だけでは長期的な差になりにくい気がしています。新しいモデルが出れば、その差はまた動いてしまいますから。

それより僕が気になっているのは、毎回ゼロからAIに話しかける人と、昨日までの仕事を引き継げるAI環境を持っている人との差です。

今日一日なら、それほど違わないかもしれません。

でも半年、1年、3年と積み上がって、これまで判断してきたことや失敗したこと、うまくいかなかった方法、品質を見る基準、自分が何を大切にするのかまでAI側で利用できる形として残っていったら、かなり違ってくる気がします。

この記事を書きながら、自分がKR LABの先に、自分の経験や判断をAIが利用できる形で蓄積していく「久我レイジOS」のようなものを作ろうとしている理由も、ここだったのかもしれないと思いました。

記事を書いた経験も、ドラマを作った経験も、メタバースでイベントをやってきたことも、AI開発で4週間近く沼ったことも（笑）

その場で消費して終わるのではなく、次の仕事でAIが使える資産として残せないか。

19年間、自分で仕事をしてきて、今までにもかなりの経験が積み上がっています。

でも、人間の記憶だけでは全部を正確に使い続けることはできません。

AIが出てきたことで、今までなら時間とともに薄れていた判断や経験まで、次につなげられる可能性が出てきた。僕はそこに、かなり大きな価値を感じています。

これからAIがもっと賢くなればなるほど、モデルそのものの差は小さくなっていくのかもしれません。

そのとき残るのが、その人がAIと何を積み上げてきたかだとしたら、僕がこの4週間近く沼った時間も、ただの遠回りではなかったのかもしれない。

まだ4週間です。これが1年経ったとき、僕のAI環境が何を引き継いでいるのか。

そこは、ちょっと楽しみなんですよね。

こちらもおすすめ！