要約（TL;DR） 人月が測るのは出席率であり、価値の創造ではない。本稿はAI Collaboration Portfolio五次元フレームワーク（Command / Delivery / Leverage / Quality / Influence）と三層の証拠検証アーキテクチャを提示し、企業が初めて使える検証可能なAI人材評価手法を構築する。完全なケース検証つき。→ AI協作レベルを無料で評価する

▶ 要約を聴く
AI合成音声・著者本人の声をクローン

40分で15人月分の仕事をこなす：人月はまだ何かを測れているか？

40分の深い思考が、従来の15人月に相当するアウトプットを生み出せるなら、私たちが仕事を測る方法はとっくに時代遅れになっているのではないか？

三つのAIが同時に動いている。一つは市場データを分析して参入戦略を出力し、一つはその戦略に基づいてバックエンドアーキテクチャを再設計してプロトタイプをデプロイし、もう一つは前二者のアウトプットを統合して実行可能な運営計画にまとめる。オペレーターが費やしたのはおよそ40分。問題を定義し、タスクを割り当て、リアルタイムで方向を修正し、最終品質を確認する。終わったとき、テーブルの上には機能するプロダクトのプロトタイプ、市場参入戦略の分析、そして自動化された運営計画が揃っていた。

従来なら、これには部門横断の五人チームが三日から四日かかる。15から20人月だ。

これは常態ではなく、境界が極限まで押し広げられたときの縮図だ。だがそれが示す趨勢は構造的なものである。AIが標準化タスクの実行コストを大幅に引き下げた今、アウトプットを決めるのはもはや投入した時間だけではなく、オペレーターがいかに問題を定義し、タスクを割り当て、品質を管理するかにかかっている。人間はそこにいるが、役割は「作業員」から「キュレーター」へと移行した。

では、「人月」はここで何を測っているのか。時間を測っているのであり、価値を測っていない。測定の方法が現実に遅れをとれば、私たちが測定できるのは生産性ではなく、ただ人がそこにいたかどうか（出席率）だ。

Anthropicが2026年1月に発表したEconomic Indexは、実証的な根拠を提供している。100万件以上のClaudeとの会話を分析した結果、指示のクオリティとアウトプットのクオリティの相関係数が0.92に達することがわかった。この数字が持つ意味は深く考える価値がある。AI時代において、「問題を定義する能力」はすでに「最終的な業績」と直結している。大学レベルの理解力を必要とするタスクではAIの加速倍率が12倍、高校レベルでは9倍にとどまる。

AIが拡大するのは差であり、しかも指数的に拡大する。

二人の履歴書にどちらも「AIツールに習熟」と書いてある。しかしそれはまったく同じ一文で、まったく異なる二種類のアウトプット能力を指している場合がある。週末にAIを使ってフルスタックのアプリを丸ごとshipできる人がいる一方で、何度も質問を重ね、大量の要約やNotebookLMのノートを生成したものの、実際には使い物になる成果を何も出せなかった人もいる。問題は、そのギャップを識別し、測定し、名付ける方法が、今日に至るまで存在しないことだ。

工数がアウトプットと等しくなくなったとき、企業はどう業績評価のフレームワークを再構築するか？

1975年、コンピュータ科学者のFred Brooksは『人月の神話』を著した。その最も重要な洞察は、「人月」という幻想を暴いたことだ。人数と時間はけっして互換可能な変数ではない。人を一人増やすたびに、生産能力だけでなく、コミュニケーション・調整・統合のコストも同時に増える。そのコストは、当初想定していた効率向上を飲み込んでしまうほど大きい。だから、すでに遅延しているプロジェクトに人を追加しても、挽回にはならず、たいていさらに遅くなる。

Brooksが語ったのは人間のチームについてだ。しかしAI時代は、反対側から彼の論点を検証している。AIは標準化タスクの調整コストを大幅に引き下げた。オンボーディングは不要で、方向合わせのミーティングも要らない。24時間休まず動き、コンテキスト切り替えのコストはほぼゼロだ。調整コストがゼロに近づくとき、並行実行は初めて真に効率的になる。しかし「調整は高コスト」という前提の上に成り立っていた物差しは、同時に意味を失う。

「注意力時間」で人月を置き換えようとする試みがある。このコンセプトは、AI協作における人間の認知的投入を四種類に分類する。起動注意力（曖昧なニーズを精確な指示に変換する）、監督注意力（AIのアウトプットを確認してリアルタイムで修正する）、統合注意力（複数のAIが生み出した分散したアウトプットを統合する）、孵化注意力（無意識のバックグラウンドで思考を熟成させてひらめきを生む）。

この分類は有益だが、「注意力時間」は本質的に投入側の指標だ。どれだけの認知リソースを投入したかを教えてくれるが、そのリソースが実際に何を生み出したか、クオリティはどうか、従来の手法と比べてどれだけの価値を創造したかは教えてくれない。

問題の構造はこうだ。投入側には「注意力時間」があり、マクロ側にはAnthropic Economic Indexがある。後者はAIが米国の労働生産性年間成長率に約1.0パーセントポイント貢献していると推計している。しかし個人の水準、つまり採用の意思決定が行われる水準、フリーランサーが評価される水準では、アウトプット側の測定はいまだほぼ空白だ。

測定の真空は、まさにその中心に座っている。

世界中がAIリテラシーを測っているのに、なぜ個人のアウトプットを測る者がいないのか？

この真空は、誰も気にしていないから生まれたわけではない。過去二年、各国政府・国際機関・学術界は膨大なAI能力フレームワークを生み出した。しかしそれらはすべて同じ問いに答えている。「あなたはAIを使えますか？」誰一人として問っていないのは、「あなたはAIを使って何を作りましたか？」だ。

AnthropicがRick DakanとJoseph Fellerと共同開発したAI Fluency Frameworkは、四つのコア能力を定義している。委任（Delegation）、記述（Description）、識別（Discernment）、誠実（Diligence）。「AIをうまく使えるとはどういうことか」という問いへの答えとして、現時点でもっとも近いものだろう。しかし、よいAI協作がどのような形をしているかを記述しているのであり、それが何を生み出したかを定量化してはいない。

Anthropic自身のEconomic Indexは別の切り口から、数百万件の実際の会話を分析してAIが労働生産性に与える影響を推計している。データには大きな価値があるが、それは国家経済の水準で動いており、あなたの会社の次の採用決定の水準ではない。

米国労働省はAI Literacy Frameworkを発表し、英国チューリング研究所は『AI Skills for Business Framework』第3版を出し、UNESCOは学生と教師向けのAI能力フレームワークを持ち、学術界はCollaborative AI LiteracyやCollaborative AI Metacognitionといった尺度を提示している。

フレームワークは多い。しかしそれらが答えているのは同じ種類の問いだ。AIを理解しているか、合理的に使えるか、その限界を知っているか。言い換えれば、リテラシーを測っている。AIについての知識が十分かどうかだ。企業が本当に知りたいのは業績だ。AIを使って実際に何を作ったか、成果のクオリティはどうか、従来の手法と比べてどれだけ速かったか。

世界のAI能力フレームワーク位置づけマップ：左下の象限にリテラシー型フレームワークが密集し、右下の象限（個人の業績）はまだ空白

既存のフレームワークを2×2のマトリクスに配置してみる。横軸は「リテラシー対業績」、縦軸は「個人対マクロ」だ。左側にはUNESCO、DOL、チューリング、各種学術尺度が密集している。右上にはAnthropic Economic Indexがある。右下、つまり個人の水準で、業績に基づき、検証可能な象限は空白だ。

誰もがAIリテラシーを測っている。個人のAI生産性を測る者はいない。本稿はこの空白を埋めるフレームワークを提示する。以前に書いたAI時代の能力格差の記事と同じ線上にある。あちらは格差の存在を論じ、こちらはその定量化の方法を論じる。

AI Collaboration Portfolio五次元モデル：あなたのチームに本当に欠けているのは誰か？

AI Collaboration Portfolioは五次元モデルであり、個人がAI協作を通じて実際に何を生み出したかを測定する。設計原則として、各次元には理論的根拠・定量的指標・第三者による検証可能なデータソースが必要だ。

指標を見る前に、まず面接の場面を想像してほしい。目の前の候補者が「AIをうまく使えます」と言う。その言葉が本当かどうか、どう判断するか？

企業がある人物が「本当にAIを使いこなせる」かどうかを見極めるには、実際には五つのことを確認すればよい。AIを正しく指揮できるか（指揮力）。実質的な成果を何か交付したか（交付力）。同じ時間で産能をどれだけ増幅できるか（産能乗数）。生み出した成果のクオリティは耐えられるか（品質力）。自分の方法が他者に採用されているか（拡散力）。

以下、順に展開する。

Command 指揮力（25%）：「質問できない人」という問題を解く

チームの中にこういう人はいないだろうか。ツールも揃い、アカウントも開設したのに、アウトプットはいまだに手作業に頼っている。問題はツールにあるのではなく、指揮にある。Commandが測るのは、AIに正しいことをさせられるかどうかだ。

Anthropicの研究は、指示のクオリティとアウトプットのクオリティの相関性が非常に高いことを示している。つまり、問いを立てられる人ほど、AIが出してくるものもよくなる。高い指揮力を持つ人は、プロンプトを書けるだけでなく、再利用可能なワークフローを構築し、自動化パイプラインを設計し、曖昧なニーズをAIが実行できる精確なタスクに翻訳する。

検証方法：再利用可能なワークフローとシステムプロンプトの数、自動化パイプラインの数、AIツール統合の幅、複数ステップのタスク分解の複雑度。

Delivery 交付力（25%）：「AIを語るだけの人」という問題を解く

ミーティングではAIのトレンドを流暢に語るのに、四半期末に何を実際にshipしたかを問われると答えが出ない。Deliveryが測るのは何を試みたかではなく、何をリリースしたかだ。

検証方法：コミット履歴の頻度と量、稼働中のサービスやツールの数、公開したコンテンツ数、ゼロから本番稼働までの完全なプロジェクト数、コード品質の指標。

Leverage 産能乗数（20%）：「人を増やしても動かない」ボトルネックを解く

これが「40分対15人月」の核心だ。Leverageは企業がもっとも気にする問いに直接答える。この人がチームに加わったとき、産能の乗数はいくつになるか？同じ認知的投入が、AI協作によってどれだけ増幅されるか？

検証方法：実際の認知的投入対従来の推定工数の比、並行プロジェクト数、調整するAIツールの数、自動化カバレッジ率。

Quality 品質力（15%）：「量産あって品質なし」のリスクを解く

AIが大量にコンテンツを生成できる時代、品質のゲートキーパーはかつてないほど重要だ。Anthropicの研究によれば、タスク成功率を考慮に入れると、生産性向上の推計値はおよそ三分の一縮小する。つまり「加速」の三分の一は実際にはクオリティの低下を意味している。Qualityが測るのは、あなたのアウトプットは検証に耐えられるかどうかだ。

検証方法：ユーザー数またはトラフィック数、システムの安定性、品質管理の仕組みの数（自動テスト・チェックフロー・レビュー制度）、外部での引用または共有の回数。

Influence 拡散力（15%）：「優秀な人を複製できない」ジレンマを解く

一人がどれだけ優秀でも、その方法が本人の頭の中だけにある限り、組織への価値には天井がある。Influenceが測るのは、あなたの方法が他者に学ばれ採用されているかどうかだ。これは個人貢献者と組織全体を加速させる人材を分ける分水嶺であり、最も高いレバレッジをもたらす価値創造の形だ。

検証方法：オープンソースプロジェクトへのインタラクション数（スター・フォーク・コントリビューター）、ワークフローテンプレートの採用回数、教育コンテンツのリーチ数、方法論の外部引用回数。

次元間の関係

正直に言えば、この五つの次元は完全に独立しているわけではない。高いQualityはしばしばInfluenceの前提条件になる。強力な自動化パイプライン（Leverage）はそれ自体がDeliveryの一形態だ。五つの能力は互いを強化し、価値のループを形成する。

これは設計上の特徴であり、欠陥ではない。実際の価値創造はもともと多次元に絡み合っている。財務諸表の売上・粗利・純利益にも因果関係があるが、だからといって一つの数字だけを見ることはない。それぞれが異なる側面を明らかにするからだ。五つの次元は五つの観察レンズであり、五つの独立変数ではない。目的はより豊かな観察であり、完璧な分解ではない。

Portfolioがスコア操作ゲームに堕ちないようにするには？

あらゆる能力フレームワークに対して最もよく向けられる疑問は、スコア操作ゲームに堕ちないかどうかだ。

この懸念は完全に正当だ。Goodhartの法則はすでに指摘している。指標が目標になると、それはよい指標ではなくなる。どんな定量化システムもこの規律から免れない。本当に問うべきは、操作できるかどうかではなく、操作のコストが十分に高いかどうか、つまり操作が割に合わなくなるほどコストが高いかどうかだ。

AI Collaboration Portfolioは三層の証拠アーキテクチャで応答する。

第一層：自動取得。 ユーザーの認証を経て、システムは第三者のプラットフォームから直接データを取得する。コミット履歴、リポジトリ構造、自動化フローのファイル、ウェブ解析、パッケージのダウンロード数、コミュニティ指標などだ。これらのデータは独立したプラットフォームに記録されており、ユーザーが改ざんすることはできない。GitHubのコミット数はあるだけある。この層がPortfolioの「ハードな証拠」の底線だ。

第二層：構造化自己評価。 自動取得できない部分（並行プロジェクト数、従来の人月推定、AIツールの統合方法）は、構造化されたフォームを通じて記入する。各自己評価欄には「証拠リンク」欄が並んでいる。リンクが添付されているものはEvidenced、添付がないものはSelf-reportedとタグ付けされる。あなたのPortfolioを見る誰もがこのタグを確認でき、信頼性を自分で判断できる。

第三層：AI検証。 ユーザーの認証を経て、AIがリポジトリ構造とコードのパターンを分析し、各次元のスコアを独立して提案する。AIが提案したスコアとユーザーの自己評価は並列表示される。自己評価が90点なのにAIの提案が50点なら、その差異は視覚的にマークされる。

三層が連動して機能する。自動データは改ざんできず、自己評価には透明な証拠タグがつき、AIが独立した参照点を提供する。これはスコア操作を消滅させるものではなく、操作のコストを割に合わないほど引き上げるものだ。

さらに重要なのは、このフレームワークの最終的な防衛線が内部検証にあるのではなく、外部の現実にあることだ。QualityとInfluenceの二つの次元が求める証拠は、ユーザーの管理範囲の外から来る。ユーザーの採用率、コミュニティのインタラクション、顧客フィードバック、市場の結果だ。チーム内部で数字を水増しすることはできても、市場に買わせることはできないし、オープンソースコミュニティの実際の採用を偽造することもできない。

このシステムは自動的に判決を下す機械ではない。人材評価における「フォレンジック会計」に近い。面接者がどれだけ魅力的な話をしたかを聞くだけでなく、その人物が残したデジタルの証拠の連鎖を監査する。AI協作においていかに問題を定義し、タスクを割り当て、修正を加えながら交付に至ったかを見る。

最も鋭い三つの批判と、それへの回答

このフレームワークを複数モデルによる対抗的な議論に投げ込み、三ラウンドの圧力テストを行った。以下は最も力強い三つの攻撃とそれへの回答だ。

Q1：AIは証拠の連鎖全体を偽造できる。

AIは地図を偽造できるが、その道を歩いた記憶を偽造することはできない。フレームワークが導く深い面接では、面接官が追うのは「何をしたか」ではなく「どう意思決定したか」だ。なぜその方法を捨てたのか。コストのトレードオフはどう考えたか。AIが誤ったときどう対処したか。実際にやった人は三層の追及に答えられる。台本に沿って演じた人は、第三層で崩れる。

Q2：LeverageのベンチマークとなっているのはあなたI自身が無効だと言っていた人月だ。それを分母にするのは循環論法ではないか。

Leverageは固定された基準線に対する静的な倍率として読むべきではない。その核心的な価値は時間軸上の変化率、つまり進歩の速度にある。あるエンジニアが2024年にGPT-4で10倍のレバレッジを達成し、2026年により強力なモデルを使っても依然として10倍なら、それ自体が適応力の停滞を露わにしている。AIツールは進化し、基準は移動する。本当に予測力を持つのは、各パラダイムシフトへの適応速度であり、ある一時点での絶対値ではない。

Q3：フレームワークは個人に焦点を当てているが、AI時代に最も高い価値をもたらす貢献は共有された認知資産であることが多い。

これは現時点のバージョンの真の限界だ。一人がプロンプトのライブラリを構築して部門全体が使えるようにした場合、あるいは全員の効率を倍にするワークフローを設計した場合、そうしたネットワーク効果は個人の次元では完全には捉えられない。Influenceの次元が一部これに触れているが、十分ではない。チーム版のフレームワーク、つまり一人が自分自身のアウトプットだけでなくシステム全体の産能をどれだけ増幅させたかを測るもの、が次のフェーズで最も重要な進化の方向だ。

💡 さらなる批判と回答： 「なぜ適応力と倫理の次元を加えないのか」「次元間の因果帰属」「著者が自分をケースにするのはサバイバーバイアスではないか」という三つの補足的な問いについては、文末の附録を参照。

ケース検証：一人でどうやって八つのプロジェクトを同時に動かすのか？

フレームワークの実際の操作可能性を検証するために、自分自身のデータで一通り回してみた。以下のデータはすべて公開検証可能だ。

スコアを項目別に列挙するより、フレームワークの診断力を最もよく示す三つの対比を見たほうがいい。

対比一：四言語コンテンツシステム。 私の個人サイトpaulkuo.twにはすでに80本以上の記事が蓄積されており、各記事は繁体字中国語・英語・日本語・簡体字中国語の四言語バージョンを提供している。単一のコミットが自動翻訳パイプラインを起動して生成する仕組みだ。これはDelivery（どれだけのコンテンツを交付したか）だけでなく、Command（AIにそれをやらせるフローをどう設計したか）を反映している。従来のやり方？翻訳者四人、編集者一人、プロジェクトマネージャー一人。

対比二：領域横断の同時展開。 ソフトウェア開発・コンテンツパブリッシング・ECオペレーション・企業コンサルティングにまたがる、まったく異なる領域の八つ以上の活発なプロジェクトを同時に維持している。Timing Appの時間追跡データはサイトのリアルタイムダッシュボードに統合されており、実際の認知的投入時間数を提供している。これはLeverage（産能乗数）の直接的な体現だ。従来なら、これには五人から八人のチームが必要だ。

対比三：最も弱い次元が語ること。 私のInfluenceスコアは全体で最低だ。オープンソースプロジェクトは存在するがコミュニティのインタラクションは限られており、SNSでは活発だがまだ規模化されておらず、重要な講演や外部からの引用もほぼゼロだ。フレームワークの診断価値がここで最も鮮明になる。強みを確認するだけでなく、次に何をすべきかを不快なほど精確に教えてくれる。

より重要な観察はスコアそのものではなく、証拠の性質にある。上に挙げたすべての主張は、公開URLやGitHubのリポジトリ、またはウェブ解析APIを通じて独立して検証できる。自己申告だけに頼っている項目は一つもない。これがこのフレームワークとすべてのアンケート型評価の根本的な違いだ。証拠はシステムの外に存在している。

フレームワークの設計者が自分をケースにするのは、当然選択バイアスがある。しかしこのケースの価値は統計的なものではなく、エンジニアリング的なものだ。完全で検証可能で再現可能な設計図として、誰でも自分のデータで回してみることができる。あなたのチームでも同じことができる。臨床試験ではなく、オープンソースとして公開されたものとして捉えてほしい。

AI生産性を測定しないことのコスト：能力格差は静かに広がっている

なぜこれが重要なのか。測定しないことのコストは、誤った測定をすることのコストより大きいからだ。

Anthropic Economic Indexはdeskilling効果を記録している。AIは仕事の中の高スキル成分を優先的に引き受け、低スキルの部分を残す。AI協作を本当に得意とする人物を識別できなければ、高能力者が系統的に過小評価され、面接でのパフォーマンスはよいが実際のアウトプットが劣る人物が過大評価される。

生産性の格差は現実であり、拡大している。大学レベルのタスクはAIによって12倍に加速され、高校レベルでは9倍にとどまる。これは時間をかけてゆっくり積み上がる小さな差ではなく、構造的な分岐だ。そして現時点では労働市場に対して完全に不可視だ。それを顕在化できる測定システムが存在しないからだ。

このフレームワークにも境界がある。最も重要な三つの限界は正直に認める必要がある。

個人対システムの価値。 フレームワークが測るのは個人のアウトプットだが、AI時代に真に高い価値をもたらす貢献は、しばしば共有された認知資産だ。部門全体が使うプロンプトライブラリ、全員を加速させる自動化フロー。一人がシステム全体の産能をどれだけ増幅させたかを、自分自身のアウトプットだけでなく測定する方法は、次のフェーズで最も重要な拡張方向だ。

デジタル証跡のプライバシーの境界。 三層の証拠アーキテクチャの第一層は自動取得だが、「自動」と「監視」の間の線引きは、誰がデータの制御権を握っているかによって決まる。従業員が自主的に認証しPortfolioが個人に帰属するなら、それはエンパワーメントのツールだ。しかし企業が強制的に展開し上司が一方的に閲覧できるなら、デジタル監視に変わる。技術アーキテクチャは最初からデータの所有権を個人側に固定しなければならない。そうしなければPortfolioは新時代のタイムカードに堕ちる。

B2B見積もりの商業的現実。 フレームワークは企業内部での人材評価の方法を変えられるが、市場がどう買うかを変えることはできない。多くの発注者の調達プロセスはいまだ「人月の見積書」に縛られている。Portfolioで40分で15人月分の仕事を完了したことを証明できても、発注者のシステムにはそうした非線形なアウトプットを記入する欄がない。企業内部の人材評価は先行できる。しかしこのフレームワークが本当に人月計算を置き換えるには、商業生態系全体の価格慣行が一緒に変わる必要がある。これは一つのツールで解決できる問題ではなく、時間を要する産業全体のコンセンサスだ。

💡 さらなる限界の議論： 適応力の捉え方、組織横断の標準化の難しさ、公平性とアクセシビリティについては、文末の附録を参照。

これらは隠すべき欠陥ではなく、次の反復の研究方向だ。

しかし忘れてはならない。私たちが直面している選択肢は実際には二つしかない。このフレームワークを使うか、それとも何も持たないまま続けるかだ。フレームワークのない世界はどんな姿か。今のままだ。企業は履歴書のキーワードで候補者を絞り込み、面接の印象で決断し、「AIを使える」と「AIを使って一人でチーム全体を背負える」の間の巨大な格差をまったく見分けられない。

測定されないものは、意思決定の場では不可視だ。AI協作能力は現在まさにその状態にある。

AI Collaboration Portfolioは、不可視のものを可視化する試みだ。不完全な地図ではある。しかし代替案は、目を閉じたまま新大陸を全力で走り続けることだ。

現時点のバージョンは個人ユーザー向けだ。チームダッシュボード・部門横断のベンチマーク比較・採用プロセス統合に対応した企業版は、次のフェーズの開発方向だ。あなたの組織でAI人材をどう評価するかを考えているなら、まず個人版でフレームワークのロジックを体験してほしい。

→ AI協作レベルを無料で評価する：paulkuo.tw/tools/ai-collab-portfolio/

附録：さらなる限界の議論

適応力はどう見るか？ 適応力は第六の次元ではなく、五つの次元が時間とともに進歩する速度だ。AIツールが反復される中で、ある人のCommand・Delivery・Leverageが継続的に向上しているなら、その人は高い適応力を持っている。フレームワークはスコアの時間的な軌跡を通じてこれを間接的に捉える。将来のバージョンでは自己反復の速度を一級のシグナルとして組み込める可能性がある。

組織横断の標準化の難しさ。 指揮力はソフトウェアエンジニアならコミット履歴で検証できる。しかしマーケティングディレクターやデザイナーの場合はどう測るか。産業・職能・組織規模によって、次元の定義は大きく異なりうる。五つの次元は観察の構造を提供するが、具体的な定量的指標と重みの設定は、産業と職能に応じたローカライズが必ず必要だ。

公平性とアクセシビリティ。 最新のAIツールにアクセスできる人は、このフレームワークで構造的に有利な立場に置かれる。もし測定システム自体がデジタル格差を拡大し、真の能力を明らかにしないのであれば、それは失敗だ。

附録：さらなる批判と回答

Q4：なぜ「適応力」と「倫理力」の次元を加えないのか？

適応力は独立した次元ではなく、五つの次元が時間とともに進歩する速度だ。ある人のCommand・Delivery・LeverageのスコアがAIツールの反復の間に継続的に向上しているなら、その人は高い適応力を持っている。「内省ループ」、つまりAIを使って自分自身の仕事のパターンを分析・最適化するメタスキルにも同じロジックが当てはまる。それは五つの次元の時間的な上昇軌跡として現れるのであり、第六欄の静的なスコアではない。倫理は底線の制約であり、業績の指標ではない。倫理違反はそのまま失格とすべきであり、15点を減点する対象ではない。

Q5：次元間に因果関係があるため、正確な帰属ができない。

認める。フレームワークが追求するのはより豊かな観察であり、数学的な精確な切り分けではない。帰属が曖昧な部分では、三層の証拠アーキテクチャが生のデータを提供し、評価者が自ら判断できるようにする。これがフレームワークの設計意図だ。人間の判断を置き換えるのではなく、人間の判断により良い材料を与える。

Q6：著者が自分をケースにするのはサバイバーバイアスではないか。

方法論的には完全に成立する批判だ。フレームワークの設計者は当然、自分に有利な証拠を選ぶ。回答はバイアスを否定することではなく、バイアスを構造的に重要でなくすることだ。ケース内のすべての主張は、公開URL・GitHubリポジトリ・または第三者解析APIを通じて独立して検証できる。このケースの価値は統計的なものではなく、エンジニアリング的なものだ。完全で検証可能で再現可能な設計図を提供しており、誰でも自分のデータで回してみることができる。初期バージョンが作成者の文脈を反映するのは避けられないが、その価値はコミュニティがfork・攻撃・改善する価値を見出すかどうかにかかっている。

参考文献

  1. Brooks, F. P. (1975). The Mythical Man-Month: Essays on Software Engineering. Addison-Wesley.
  2. Dakan, R. & Feller, J. (2025). “Framework for AI Fluency.” Ringling College of Art and Design / University College Cork. Version 1.5.
  3. Anthropic. (2026, January). “Anthropic Economic Index report: Economic primitives.” anthropic.com/research.
  4. Anthropic. (2026, March). “Anthropic Economic Index report: Learning curves.” anthropic.com/research.
  5. Anthropic. (2026, March). “Estimating AI productivity gains from Claude conversations.” anthropic.com/research.
  6. Anthropic. (2026, March). “Labor market impacts of AI: A new measure and early evidence.” anthropic.com/research.
  7. US Department of Labor. (2026, February). “AI Literacy Framework.”
  8. Alan Turing Institute / UK DSIT. (2025). “AI Skills for Business Competency Framework.” Version 3.
  9. UNESCO. (2026). “AI competency framework for students.” unesdoc.unesco.org.
  10. Schleiger, E. et al. (2025). “Generative AI in Human-AI Collaboration: Validation of the Collaborative AI Literacy and Collaborative AI Metacognition Scales.” Interacting with Computers. Taylor & Francis.
  11. Chee, K.N. et al. (2025). “A Competency Framework for AI Literacy.” British Journal of Educational Technology. Wiley.