なんでもできる？生成AIの苦手分野「何を疑うべきか」
生成AIは万能ではない。知識圧縮・文章生成・パターン再構成では驚異的だが、厳密論理、真実保証、身体経験、責任判断、価値創造の深層では限界を持つ。
現状（2026年4月時点）
2026年4月時点で、生成AIは社会実装の初期熱狂期を越え、実務インフラとして定着しつつある。検索、文章作成、翻訳、プログラミング補助、画像生成、教育支援、顧客対応などで日常的に使われ、企業導入率も高水準に達している。
一方で、「何でもできる万能知能」と見る評価は後退している。性能向上は著しいが、得意領域と苦手領域の差が大きく、現場では人間による監督・検証・責任負担が不可欠だと認識され始めた段階である。
とりわけ2025年以降、推論能力の伸長と同時に、透明性低下・安全性・コスト・権利問題・雇用影響などが並行して議論されるようになった。生成AIは「高性能ツール」ではあるが、「自律的に信頼できる知性」とはまだ言い難い。
生成AIとは
生成AIとは、大量の学習データから統計的パターンを学び、新しい文章・画像・音声・動画・コードなどを生成するAI群の総称である。代表例は大規模言語モデル（LLM）であり、入力文脈から次に続くもっともらしい出力を予測する仕組みを基盤とする。
重要なのは、生成AIが「理解しているように見える」一方で、人間のような意味理解や意識を持つわけではない点である。多くの場合、内部では確率的推定と表現圧縮が行われているにすぎず、その結果として高度な会話や推論らしき振る舞いが現れている。
したがって、生成AIの能力を評価する際には、「人間と同じ知能」と見なす擬人化を避け、計算システムとしての強みと限界を切り分ける必要がある。ここを誤ると過大評価と過小評価の両方が起こる。
知的・論理的レイヤーの限界
生成AIは知識の再構成には強いが、厳密な論理体系の維持には弱さを残す。長い議論の途中で前提条件を忘れたり、途中で定義をすり替えたり、複数条件を同時保持できず矛盾した結論を出すことがある。
これは、モデルが形式論理エンジンではなく、言語系列の予測器として設計されていることに由来する。論理らしい文章は生成できても、論理そのものを常に正確に運用しているわけではない。
そのため、契約審査、法的解釈、研究査読、設計安全審査など、誤りが高コストになる場面では単独利用に向かない。人間の専門家か外部検証システムとの併用が前提となる。
高度な数学・論理パズル
2026年時点で、先端モデルは数学競技やコーディングベンチマークで高得点を示す例が増えている。スタンフォード大学のAIインデックスレポートでも、特定ベンチマークで人間水準を超える性能が報告されている。
しかし、それは「どの問題でも安定して解ける」ことを意味しない。少し表現を変えた問題、途中式の厳密性が必要な問題、探索空間の広いパズルでは急に失敗率が上がる。
これは研究者がしばしば指摘する“jagged frontier（ギザギザの能力境界）”であり、難問を解けるのに簡単な問題で誤る現象である。高度な数学能力が見えても、基礎的な算術や条件整理で転ぶことがある。
ハルシネーション（もっともらしい嘘）
生成AI最大の弱点の一つがハルシネーションである。存在しない論文、架空の判例、誤った数値、捏造引用などを、流暢かつ自信ありげに提示する。
人間は文章の自然さを真実性と誤認しやすいため、この欠点は危険性が高い。誤答が「変な日本語」であれば見抜きやすいが、生成AIの誤答はむしろ読みやすい。
金融・医療・法務など高信頼領域では、ハルシネーション抑制が主要研究テーマになっている。RAG（検索連携）、外部DB参照、根拠提示、監査ログなどが対策として使われる。
最新情報の欠如
生成AIは学習時点以降の出来事を知らない場合がある。モデル単体では、選挙結果、最新法改正、企業決算、新製品仕様、災害情報などのリアルタイム知識に弱い。
Web検索連携型モデルでは改善されるが、それでも取得元情報の誤り、古い記事、要約時の誤読が起こりうる。つまり「検索できること」と「正確に理解できること」は別問題である。
このため、最新性が重要な業務では、AI本体よりも情報接続基盤の設計が成否を分ける。
信頼性・安全性の課題
スタンフォード大学のAIインデックスレポート2026では、AI関連インシデント件数の増加と、安全性評価の遅れが指摘されている。能力評価に比べ、安全評価の公開は不十分とされる。
具体的には、有害情報生成、差別的出力、詐欺支援、誤助言、自律エージェント暴走、データ漏えいなどが懸念される。便利さを優先すると安全性が落ち、安全対策を強めると性能や自由度が落ちるというトレードオフも存在する。
ゆえに「高性能だから安全」とは言えず、性能向上と安全性向上は別軸で管理する必要がある。
ブラックボックス化（説明責任）
巨大モデルは数百億〜兆単位パラメータを持ち、なぜその回答に至ったかを人間が完全説明することは困難である。
しかも近年の最先端モデルは、学習データ規模、学習時間、内部設計など非公開化が進んでいる。スタンフォード大学のAIインデックスレポートは、最有力モデルほど透明性が低下していると報告している。
採用審査、融資判断、医療補助など説明責任が必要な場面では、このブラックボックス性が制度上の障壁になる。
一貫性の欠如
同じ質問でも表現を少し変えるだけで答えが変わることがある。朝は肯定し、夕方は否定するような不安定さも珍しくない。
これは確率生成モデルの性質上、文脈や乱数、温度設定、プロンプト差分に影響されるためである。人格や信念があるわけではなく、出力が揺らぐ。
そのため、組織利用ではプロンプト固定、テンプレート化、承認フローが重要になる。
バイアスの増幅
学習データが社会を反映する以上、そこには偏見・格差・ステレオタイプが含まれる。生成AIはそれを中立的に学ぶのではなく、しばしば増幅して再出力する。
性別役割、民族表象、職業イメージ、政治的偏向などが例である。入力者が無自覚でも、出力に歪みが現れる場合がある。
公平性評価、データ監査、多様なテストセット整備が不可欠である。
創造性と身体性の限界
生成AIは既存作品の組み合わせ・変奏・再編集に極めて強い。だが、創造性の深層には身体経験、失敗体験、社会関係、欲望、偶然との遭遇がある。
AIには飢えも老いも恋愛も喪失もない。よって、人間的経験から滲み出る表現には本質的距離がある。
作品として面白いものは作れても、「なぜそれを作らずにいられなかったのか」という動機の核は持たない。
「0から1」の真の独創性
生成AIは既存分布内の新規性には強いが、分布外の革命的発想にはなお限界がある。既知概念の遠距離結合は得意でも、文明史的転換点級の飛躍は希少である。
もちろん、人間も大半は模倣と改良で生きている。だが、真の独創とは既存評価軸そのものを更新する営みであり、そこでは欲望・執念・反抗心が作用する。
AIは「答える存在」であり、「時代と闘う主体」ではない。ここに差がある。
身体的感覚・感情の欠如
AIは痛みを感じず、匂いを嗅がず、寒暖を体験しない。身体がない以上、感覚語の多くは統計的模倣である。
また、感情表現はできても感情経験はない。悲しみに共感する文は生成できても、喪失体験そのものは持たない。
カウンセリング補助には使えても、最終的な人間理解を代替しにくい理由がここにある。
外部的・社会的な制約
生成AIの性能だけで社会導入は決まらない。法制度、責任所在、労働慣行、組織文化、顧客信頼、教育制度など外部条件が普及速度を左右する。
技術的に可能でも、許認可や規制で使えない領域は多い。病院、行政、司法、金融では特に慎重である。
したがって、「AIができること」と「社会が任せること」は別概念である。
著作権・権利侵害
特定作家の画風模倣、声質模倣、無断学習データ利用、既存作品への類似生成などを巡り、各国で訴訟・立法・ガイドライン整備が進んでいる。
法的争点は、学習段階の利用が適法か、出力物が二次的著作物に当たるか、スタイル自体は保護対象か、責任主体は誰か、など多岐にわたる。
今後は「作れるか」より「作ってよいか」が重要になる。
学習データの枯渇（2026年問題）
高品質な人間生成テキストは有限であり、既にWeb空間にはAI生成物が大量流入している。これを再学習すると、誤りや凡庸さが自己増殖する懸念がある。
いわゆるモデル崩壊（model collapse）やデータ汚染問題である。今後は量より質、合成データ管理、専門データ収集が競争力になる。
「インターネット全部学習すれば賢くなる」という時代は終わりつつある。
莫大なコスト
最先端AIは学習にも推論にも巨大計算資源を要する。スタンフォード大学のAIインデックスレポートは計算能力増大、電力消費、CO2排出の拡大を報告している。
高性能モデルほどGPU、データセンター、水冷設備、電力網への依存が強い。無料サービスに見えても、背後では巨額投資が必要である。
ゆえに今後は「性能競争」だけでなく、「安く回せるか」「環境負荷を抑えられるか」が勝負になる。
AIとの「共生」のコツ
第一に、AIを秘書・下書き係・検索補助として使い、最終判断者にはしないことだ。責任主体は常に人間側に置くべきである。
第二に、曖昧な依頼より、目的・条件・制約・評価基準を明示したほうが成果が高い。AI活用力とは、質問設計力に近い。
第三に、出力を鵜呑みにせず、検証・編集・再構成する姿勢が重要である。AIを使う人と使われる人の差はここで開く。
今後の展望
今後は単体チャットAIから、検索・ツール操作・業務フロー接続型エージェントへ進化していく可能性が高い。単なる会話相手ではなく、実行主体として組み込まれていく。
同時に、規制・監査・ライセンス・認証制度も強化される。電気や金融と同じく、社会基盤技術として管理対象になる公算が大きい。
長期的には、人間の代替より、人間能力の再設計を促す存在として位置づくと考えられる。
まとめ
生成AIは万能ではない。知識圧縮・文章生成・パターン再構成では驚異的だが、厳密論理、真実保証、身体経験、責任判断、価値創造の深層では限界を持つ。
2026年時点の本質は、「人間を超えた」のではなく、「人間の一部能力を大規模化した技術」にある。ここを誤解すると、過剰期待と過剰恐怖の両極端に陥る。
最善の向き合い方は、AIを神格化も敵視もせず、強みを使い、弱みを監督し、人間の判断力を中心に据えることである。生成AIの時代とは、人間側の知性が試される時代でもある。
参考・引用リスト
- Stanford Institute for Human-Centered AI, AI Index Report 2026
- Stanford HAI, Inside the AI Index: 12 Takeaways from the 2026 Report
- Bengio et al., International AI Safety Report 2026
- Feuerriegel et al., Generative AI, arXiv, 2023
- Lee, Cooper, Grimmelmann, Talkin' 'Bout AI Generation: Copyright and the Generative-AI Supply Chain, arXiv, 2023
- Roychowdhury, Journey of Hallucination-minimized Generative AI Solutions for Financial Decision Makers, arXiv, 2023
ファクトチェックの限界：「メタ認知」の欠如
生成AIに対して「出力後にファクトチェックさせればよい」という期待は根強いが、そこには構造的限界がある。なぜなら、多くの生成AIは誤りを検出する以前に、そもそも自らの認識状態を正確に把握する“メタ認知”を持たないからである。
メタ認知とは、自分が何を知っていて、何を知らず、どこに不確実性があり、どの推論過程が危ういかを俯瞰する能力を指す。人間でも優れた専門家ほど「ここは自信がない」「この情報源は怪しい」「追加確認が必要だ」と判断できるが、生成AIはこの能力を本質的に限定的にしか持たない。
AIが「自信満々に間違える」現象は、単なる口調の問題ではない。出力文が流暢で整合的であるほど、モデル内部では“もっともらしい系列”として高評価されている可能性が高く、誤りでも自信度が高く見える。つまり、正しさと確信表現が分離している。
たとえば架空の論文名、存在しない統計値、誤った年号を提示したあと、「再確認して」と依頼すると、訂正する場合もあれば、別の誤情報で補強する場合もある。これは自己点検しているように見えて、実際には新たな文章生成をしているだけの場合が多い。
人間のファクトチェックは、「何が争点か」「どの一次資料を見るべきか」「数値定義は同じか」「時点は一致しているか」といった認知的枠組みを伴う。AIは表層的照合は得意でも、この枠組み自体を安定して保持するのが苦手である。
したがって、AIにAIをチェックさせる多重構造だけでは不十分である。必要なのは、一次資料への到達経路、引用元の明示、数値定義の確認、時点管理、そして最終的に人間が「この確認で足りるか」を判断する工程である。
今後の改善として、自己不確実性推定、信頼度スコア、反証探索モード、複数モデル相互監査などが進む可能性は高い。しかしそれでも、メタ認知を完全に備えた人間的懐疑精神と同一視するのは危険である。
RAG（検索拡張生成）の限界：コンテキストの解釈力
RAG（Retrieval-Augmented Generation）は外部データベースや検索結果を参照しながら回答する仕組みであり、生成AIの弱点である最新情報不足やハルシネーション対策として有力視されている。実際、素のモデル単体より実務価値は高い。
しかし、RAGは「情報を取ってくる能力」を改善する技術であり、「取ってきた情報を深く理解する能力」を自動的に保証するものではない。ここに誤解が多い。
検索結果の中に正しい答えが存在していても、AIがそれを誤読したり、重要度を誤判定したり、周辺文脈を取り違えたりすることがある。たとえば規約文書では、例外条項や但し書きを落とすだけで結論が逆転する。
また、RAGは検索単位が断片的になりやすい。文章の一部チャンクだけ取得すると、全体構造・背景事情・前後の議論が欠落する。法律、医学、学術論文、契約書のように文脈依存性が高い領域では、この断片化が致命傷になりうる。
さらに、検索アルゴリズム自体にも限界がある。類似度検索では、意味的に近い文は拾えても、あえて逆説的な文、少数派だが重要な例外、古いが依然有効な基準などを落としやすい。
つまりRAGは、「記憶力の補強」には強いが、「読解力・判断力の補強」には直結しない。情報源が増えるほど、むしろ誤統合のリスクも増す。
高度運用では、検索精度だけでなく、再ランキング、引用位置特定、ソース比較、矛盾検出、要件定義に応じた抽出粒度調整などが必要になる。RAGは魔法の杖ではなく、情報システム設計そのものである。
意思決定の分離：責任と「直感」の所在
生成AIは分析・予測・選択肢提示に優れるため、企業や行政で意思決定支援に使われ始めている。だが、ここで最も重要なのは「提案すること」と「決めること」を分離する視点である。
AIは大量データから最適解らしきものを提示できる。しかし、意思決定とは単なる最適化ではない。誰が利益を得て、誰が負担し、失敗時に誰が説明し、何を価値として優先するかという規範判断を含む。
たとえば採用選考で、AIが離職率予測に基づき候補者順位を出したとしても、「多様性を重視するのか」「育成可能性を見るのか」「過去実績偏重を避けるのか」は組織の価値判断である。これは統計処理だけでは決められない。
責任の所在も同様である。AIが勧めた施策で損失が出ても、法的・社会的責任を負うのは通常、人間または組織である。AIは謝罪も賠償も社会的信用回復も担えない。
ここで語られる「直感」とは、非合理な思いつきではない。熟練者が長年の経験から、数値化しきれない兆候を察知する判断能力である。現場の違和感、相手の反応、空気の変化、例外の匂いなどは、形式データに載りにくい。
優れた経営者や医師や職人が持つ直感は、実は膨大な経験則の圧縮結果である。AIも似た推定はできるが、その直感に人生責任を賭けているわけではない点が決定的に異なる。
したがって、AIに任せるべきは「選択肢の整理」「リスク列挙」「シミュレーション」であり、最後の決断は責任主体が行うべきである。決定権と責任を切り離す運用は、短期的に便利でも長期的には組織を弱体化させる。
人間とAIの「役割分担」
今後の本質は、人間対AIの勝敗ではなく、どの機能を誰が担うかという設計問題である。人間とAIは競合関係より補完関係として捉える方が現実的である。
AIが得意なのは、大量処理、要約、検索、パターン発見、定型文生成、候補比較、24時間稼働、疲労しない反復作業である。これらは認知労働の“量”を拡張する。
一方、人間が依然として優位なのは、目的設定、価値判断、倫理配慮、曖昧状況での責任決断、他者との信頼形成、身体技能、例外対応、文化的文脈理解である。これらは認知労働の“意味”を担う。
たとえば医療では、AIが画像診断候補や論文要約を支援し、医師が患者背景・生活事情・治療意思を踏まえて決める形が合理的である。教育では、AIが個別演習を補助し、教師が動機づけと人格形成を担う形が強い。
企業実務でも、AIが市場調査・議事録・ドラフト作成を行い、人間が交渉・採否判断・対外責任を負う構図が基本になる。単純置換ではなく、仕事の再分解が起きる。
重要なのは、人間が“AIの監視役だけ”に堕ちないことである。もし人間が判断を放棄し、AI出力の承認ボタンを押すだけになれば、能力退化と責任空洞化が進む。
逆に、人間が目的設定者・編集者・最終責任者として機能すれば、AIは強力な増幅装置になる。ここで問われるのはAI性能以上に、人間側の設計思想である。
ファクトチェック、RAG、意思決定支援などは、生成AIを実用化する主要手段である。しかし、それぞれには共通した限界がある。情報量や計算量が増えても、「何を疑うべきか」「何を重視すべきか」「誰が責任を負うか」という核心は自動解決されない。
生成AIは答えを出す機械であり、問いの重みを引き受ける主体ではない。ゆえに、人間が担うべき領域は縮小するどころか、むしろ先鋭化する。
2026年以降の本当の競争力は、高性能AIを持つことではなく、AIに任せる範囲と任せない範囲を見極める知性にある。そこに企業、国家、個人の差が現れる。
追記まとめ（総括）
生成AIは21世紀前半における最重要技術の一つとして社会へ急速に浸透した。文章作成、翻訳、検索補助、画像生成、プログラミング支援、顧客対応、教育補助など、従来は人間が時間をかけて行っていた知的作業の一部を高速かつ低コストで処理できるようになったことは、産業史的にも大きな転換点である。かつて機械化が肉体労働を変えたように、生成AIは知的労働の再編を進めている。
しかし同時に、生成AIを「万能知能」と見なす理解は急速に修正されつつある。現実の生成AIは、人間の知能そのものを再現した存在ではなく、膨大なデータから言語・画像・構造パターンを学習し、それらを再構成する高度な統計システムである。見かけ上は思考し、理解し、会話しているように見えても、その内部で起きていることは、人間の意識的思考とは本質的に異なる。ここを誤解すると、過大評価と過小評価の双方に陥る。
生成AIの最大の強みは、「既存知識の圧縮と再展開」にある。大量情報を短時間で整理し、文章を整え、複数の観点を提示し、初稿を作り、比較表を作り、学習支援を行う能力は極めて高い。ゼロから人間が数時間かける作業を数十秒で行う場面も珍しくない。特に、定型業務、反復作業、文書ドラフト、アイデアのたたき台、情報整理などでは、既に強力な生産性向上ツールとなっている。
一方で、生成AIには明確な限界がある。その第一は、厳密な論理性と一貫性の欠如である。複数条件を同時保持した推論、長い議論の前提管理、形式論理に基づく整合性維持などでは、しばしば破綻が起こる。難しい数学問題を解ける一方で、簡単な条件整理を誤ることもある。これは能力が一直線に伸びるのではなく、得意と苦手が入り組んだ“ギザギザの境界”を持つことを示している。
第二の限界は、ハルシネーション、すなわち「もっともらしい嘘」である。存在しない論文、誤った数値、架空の制度、間違った引用などを、流暢で説得的な文章として提示してしまう。この欠点が危険なのは、誤答が粗雑ではなく、むしろ読みやすく自然である点にある。人間は文体の自然さを真実性と誤認しやすいため、誤情報の拡散装置になりうる。
第三に、生成AIには本質的なメタ認知の弱さがある。人間の専門家は「自分が何を知らないか」「この情報は怪しい」「ここは再確認すべきだ」と判断できるが、生成AIはそれを安定的に行えない。自己点検を依頼しても、本当に誤りを認識しているのではなく、別のもっともらしい文章を再生成しているだけの場合も多い。ゆえに、AIにAIをチェックさせるだけでは信頼性は完成しない。
第四に、最新情報への弱さがある。学習時点以降の出来事、制度変更、法改正、災害、決算、製品仕様などは、モデル単体では把握できない。検索連携型AIやRAGによって改善は進んだが、検索で情報を取得できることと、それを正しく読解・統合できることは別問題である。正しい資料が目の前にあっても、誤読すれば誤答になる。
RAGは生成AIの実務利用を支える重要技術だが、万能ではない。断片的に取得された文書は全体文脈や例外条項を欠くことがある。法律、医療、契約、研究論文のように、前後関係や定義条件が重要な領域では、この断片化が重大な誤解を生む。つまり、RAGは記憶力を補うが、理解力そのものを保証しない。
さらに、ブラックボックス化も深刻な課題である。巨大モデルは内部構造が複雑で、なぜその答えに至ったかを人間が完全説明することは困難である。加えて、最先端モデルほど設計や学習データが非公開化する傾向も強い。採用、融資、医療、司法など説明責任が求められる領域では、この不透明性が制度的障壁となる。
バイアスの問題も見逃せない。生成AIは社会のデータから学ぶ以上、そこに含まれる偏見、格差、固定観念を吸収する。しかも中立的に写し取るのではなく、時に増幅して出力する。性別役割、民族イメージ、職業ステレオタイプ、政治的偏りなどがその例である。AIが自動化されるほど、偏りも自動化される危険がある。
創造性についても冷静な整理が必要である。生成AIは既存様式の組み合わせ、変奏、再編集には非常に強い。一定水準のデザイン、文章、音楽、アイデア案を大量生成できる。しかし、人間的創造の核心には、身体経験、喪失、執念、反抗心、人生史、時代との緊張関係がある。AIには飢えも老いも恋愛も挫折もなく、「なぜそれを作らずにいられなかったのか」という切実な動機を持たない。
同様に、身体性と感情経験の欠如も本質的差異である。AIは痛みを感じず、寒暖を知らず、匂いを嗅がず、死を恐れない。悲しみに寄り添う文章は書けても、悲しみそのものを経験してはいない。このため、対人支援やケア領域では補助ツールにはなれても、人間関係そのものの代替にはなりにくい。
意思決定の領域では、「提案すること」と「決めること」を分離する視点が重要である。AIは大量データから最適候補を提示できるが、意思決定とは単なる効率最大化ではない。誰が利益を得て、誰が負担し、どの価値を優先し、失敗時に誰が責任を負うかという規範判断を含む。ここは人間または組織の責務である。
また、人間の「直感」は非合理な思いつきではなく、長年の経験から形成された高度な暗黙知である。現場の違和感、数値化されない兆候、例外の匂い、相手の表情の変化などは、形式データだけでは捉えにくい。AIは似た予測を返せても、その判断に人生責任を賭けているわけではない。ここに決定的差がある。
著作権・権利侵害の問題も今後さらに重要になる。特定作家の画風模倣、声質模倣、無断学習、既存作品への過度な類似などをめぐり、世界各国で訴訟や制度整備が進んでいる。今後は「作れるか」よりも「作ってよいか」が問われる時代になる。技術的可能性と法的・倫理的正当性は別問題である。
さらに、学習データの枯渇問題も現実味を帯びている。高品質な人間由来データは有限であり、ネット空間には既に大量のAI生成物が流入している。AI生成物をAIが再学習する循環が進めば、誤りや凡庸さが増幅し、性能劣化を招く懸念がある。量的拡張の時代から、質的選別の時代へ移行しつつある。
コスト面でも、生成AIは決して“無料の魔法”ではない。高性能モデルの学習と推論には膨大なGPU、電力、冷却設備、データセンター投資が必要である。今後は性能競争だけでなく、どれだけ安価かつ持続可能に運用できるかが競争軸になる。
では、人間とAIはどう共生すべきか。最も現実的な答えは、役割分担である。AIには大量処理、検索、要約、ドラフト、比較検討、定型対応を担わせる。一方、人間は目的設定、価値判断、責任決断、対人信頼、例外処理、倫理配慮、最終編集を担う。この分業こそが生産的である。
重要なのは、人間がAIの監視役に堕ちないことである。もし人間が判断を放棄し、AI出力に承認印を押すだけの存在になれば、能力は退化し、責任は空洞化する。逆に、人間が編集者・設計者・最終責任者として関われば、AIは強力な知的増幅装置になる。
結局のところ、生成AIの時代に問われているのはAIの知能そのものではない。人間社会が、どこまで任せ、どこから任せず、何を守り、何を更新するかという制度設計と知性である。AIは鏡のような存在であり、その使い方には社会の成熟度が映る。
生成AIは万能ではない。しかし無力でもない。過剰な期待も過剰な恐怖も現実を見誤る。最善の態度は、AIを神格化も敵視もせず、強みを活用し、弱みを監督し、人間の判断を中心に据えることにある。未来を決めるのはAIではなく、それをどう使うかを決める人間側の知性である。