TL;DR
· あるAI起業家によると、エージェントによるコード作成が初期キャリアの能力序列を変えつつある。
· 評価可能なタスクはモデルに適しており、人間は問題の見極め、時間とツールの配分を学ぶべき。
· 現金リターンだけが目標ではなく、関係性、評判、納品品質が差を生む。

自身の経歴としてScale AI、DeepMind、OpenAI、Googleなどで働き、現在はエージェントネイティブ企業に携わっているという起業家が、英語の長文記事で若者に向けた新たなキャリアアドバイスを綴った。背景には、AIコーディングツールがコード補完から、より完成度の高いソフトウェアエンジニアリングエージェントへと進化していることがある。OpenAIが2025年にCodexを発表した際、クラウド上で並行して機能の記述、バグ修正、PR作成などのタスクを処理できるが、コードのレビューと検証は人間が行う必要があると述べている。問題はこうなる：標準解答、普通のコード、評価可能なタスクがますます安価になる中で、若者はどこに時間を費やすべきなのか？

この記事の核心は「プログラマーが置き換えられる」ではなく、初期キャリアの選別基準が変化していることだ。学校や従来の面接では、定義が明確で答えが決まっており、採点可能な問題が大量に訓練される。そして、まさにそこがモデルが最も進歩している分野である。今後、人をより差別化するのは、重要な問題を発見し、高価値な環境を選び、信頼できる評判を築き、エージェントが生成した中途半端な結果を納品可能なレベルまで磨き上げることかもしれない。

現金オファーだけが答えではない、時間と評判の方が希少

著者の判断では、AI起業環境において、資本とツールは以前より入手しやすくなったが、高品質な時間、強固な関係性、信頼できる評判は依然として希少である。

彼は自身の経験でこれを説明する。Scale AIに入社する前、現金保証がより高いクオンツ職のオファーを得ていたが、最終的にScaleを選んだのは、より強力なコミュニティ、より広範なプロダクトのユースケース、そして最先端の問題に触れる機会が多かったからだという。彼の回想によれば、後にScaleを通じて大規模言語モデルの推論プロバイダーと接触し、DeepMindやOpenAIの機会を得て、後に一緒に起業する同僚とも出会ったという。

これらの経験を単純にすべての人のキャリア方程式に外挿することはできないが、示唆は直接的だ：初期のキャリア選択は目の前の現金だけで判断すべきではない。特にAIがソフトウェア構築のハードルを下げたことで、すぐに収益を生む小さなツールを素早く作ることは珍しくなくなり、長期的なリターンはより難しい問題、より優秀な人々、より信頼できる経歴のシグナルから生まれることが多い。

若者が問うべきは「どの機会がすぐに多くお金をくれるか」ではなく、その取り組みに時間を費やす価値があるか、優秀な人々と一緒にできるか、自分の良い仕事が信頼できる人々に見てもらえるか、そしてそれが次の機会の信用基盤となるかどうかである。

エンジニアの価値が「問題解決」から「問題発見」へ

スマートエージェントが境界の明確な問題を処理できるようになるにつれ、エンジニアの価値は「解けるかどうか」ではなく、「正しい問題を選べるかどうか」に移行している。

著者は、自身のチームが面接方法を再設計したと述べている。その理由は、実際の業務でコードを一行ずつ手書きする必要がなくなれば、単なるアルゴリズム問題や従来のシステム設計を問うことと、業務パフォーマンスとの相関性が低下するからだ。より有意義なテストは、候補者が環境を素早く理解し、解決に値する問題を見つけ、AIツールや外部リソースを活用して結果を推進できるかどうかを評価することだ。

これは、エージェントがコードを書く時代における新たな分業でもある。モデルは目標が明確でフィードバックがはっきりしたタスクを得意とし、人間はどの問題が重要か、どのアプローチを試す価値があるか、どれだけの時間とモデル呼び出しコストを投入すべきかを判断する必要がある。

学生にとって、AIが宿題をこなせるようになることは挫折感をもたらすかもしれない。しかし、採用の観点から見ると、候補者間の差は消えていない。誰もがAIを使って答えを得られるとしても、大量の試行錯誤とプロンプトを必要とする人もいれば、ビジネス感覚、技術的背景、コンテキストを活かしてエージェントと協働し、より早く方向性を見つけられる人もいる。

いわゆる「AIを使いこなす」とは、単に問題をモデルに投げることではない。より高度な能力には、問題の分解、不足情報の特定、いつ反復を続けるか・いつ方針転換するかの判断、そして結果がビジネスや技術上の重要な課題を本当に解決しているかどうかの検証が含まれる。

ソフトウェアが作りやすくなるほど、より難しい問題に近づくべし

AIはソフトウェア構築のハードルを下げ、単純なシステムの複製を容易にしている。著者は機械学習研究における「苦い教訓」を借りて、キャリア選択を説明する。長期的には、汎用的な手法を拡張することが、単一タスクの細かい最適化よりも優れていることが多い。

これを企業や個人のキャリアに当てはめると、単純なアウトプットの堀は薄くなる。誰でも一見使えそうなシステムを作りやすくなる一方で、真に持続可能な価値は、十分に困難で野心的な問題に集中する。

企業を選ぶ際の基準として、著者は次のように述べている。その企業は、問題の最も野心的なバージョンを解決しようとしているか、そして実際に解決するチャンスがあるかどうか。ポジションを選ぶ際には、その役割が企業が取り組んでいる最先端の問題に直接触れられるかどうかを重視すべきだ。

また、初期のプロダクトが美しいか、デモが印象的かだけに注目すべきではないとも指摘する。彼の主観的な評価によれば、Anthropicの初期デモは当時、ChatGPTに劣るSlackbotにしか見えなかったが、それが後に同社が全く異なる軌道に進むことを妨げなかった。初期の企業は変化し、プロダクトも変わる。チームの質、市場の余地、問題の難易度こそが、長期的な結果に大きな影響を与える。

キャリアのチャンスも同様のロジックだ。質の高い機会が必ずしも毎回成果に結びつくわけではないが、まずその機会を目にできる位置に立つ必要がある。そこに立てるかどうかは、長期的に培った能力や評判、そして他人がその機会を教えてくれるかどうかに依存する。

凡庸な結果はより安くなり、最後の10％がより価値を持つ

シンプルなプロンプトでエージェントが中程度の品質の結果を生成できるようになると、普通のアウトプットの価値は低下し、最終仕上げの価値が上昇する。

原文では、Sequoia CapitalのAlfred Linの言葉を引用し、「最後の10％はしばしば作業の90％であり、リターンの90％でもある」と述べている。AI時代において、この言葉はより現実味を帯びている。70点の結果がますます簡単に得られるようになる中で、人を真に差別化するのは、独自の視点、細部へのこだわり、反復能力、アーキテクチャの品質、拡張性、そして創造力である。

AIの初回出力が完璧であることは稀だ。本当の作業は、その後の反復で発生する。どこが間違っているか、どの部分を再構築すべきか、どの体験がスムーズでないか、どのエッジケースがカバーされていないか、いつ次世代モデルを使って最初からやり直すべきかを見極めることだ。

これらの能力は、プロジェクト、インターンシップ、実務を通じて鍛えられる。少し時間をかけて磨き、アーキテクチャをクリーンにし、拡張性を考慮し、ユーザーが本当に使いたくなるような細部まで仕上げることで、作品や面接にその痕跡が残る。

従来のエンジニアリング能力は無効化されていない。変化しているのは、コードを書くこと自体の希少性が低下し、判断力、審美眼、システム理解、納品品質がより価値を持つようになった点だ。AIは多くの人を中程度のレベルに到達させるが、残された差はむしろ埋めにくくなる。

研究のハードルは下がったが、研究は肩書きではない

記事の最後では、「研究への入り方」について議論を広げている。著者は、AIが研究をトップラボだけのものにせず、むしろ初期の参入障壁を下げたと考える。

現代の研究は確かに計算リソースに依存するが、出発点は非常にシンプルで構わない。既存のモデルを使い、自分の直感を評価に変換し、公開最適化リーダーボードに参加し、クラウド計算プラットフォームが学生や研究者に提供するクレジットを活用し、早期にアイデアをテストする。ほとんどのアイデアはスケールアップ時に失敗するが、失敗を理解することが研究判断の一部を形成する。

研究者とは、まず第一に仕事のスタイルであり、単なる肩書きではない。最先端のラボでの研究は、好奇心、新しいアイデアの試行、インフラとの調整、システムの細部の理解、迅速なデバッグ、そして結果の価値を明確に説明してリソースを獲得することなどが混ざり合っている。多くの訓練は、「研究者」という肩書きを得るまで待つ必要はない。

この記事が残したキャリアアドバイスは悲観的なものではない。AIは標準的な答え、普通のコード、評価可能なタスクをより安価にし、若者がより早く現実の問題に触れる機会をもたらしている。チャンスは依然として存在するが、その配分方法が変わったのだ。重要な問題を見つけ、質の高い環境に入り、信頼できる評判を築き、結果を最後の1マイルまで押し進められる者が、次のチャンスを掴みやすくなる。

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia