ベンチャーで評価されない優秀な人

優秀なのに評価されない人には、共通した構造があります。能力の問題ではなく、貢献の性質と、組織が拾える情報の形が合っていません。生成AIが仕事に入ったことで、このズレはむしろ広がっています。

出力量は、もう能力の証明にならない#

以前は、成果物の量がそのまま実力の傍証になっていました。書いた資料の数、出した提案の数、こなした案件の数。量を出せる人は、それだけで「働いている」と見なされました。量を測るのは簡単で、判断の質を測るより手間がかからなかったからです。

生成AIが入って、この前提が崩れています。文章も資料も下書きも、企画書の叩き台も、誰でも短時間で大量に作れるようになりました。かつて量を出すことに要していた時間そのものが、ほぼ消えたということです。量の希少性は、はっきり下がりました。

• 資料の枚数が多い
• 提案の本数が多い
• メールやメッセージへの反応が速い

これらは以前ある程度の能力を示すシグナルでしたが、いまは生成AIの操作に慣れているかどうかを示すシグナルに近づいています。にもかかわらず、評価する側の習慣は量を見る癖のままです。基準そのものが更新される前に、量を出す側の人数だけが増えました。評価者が悪意を持って量を見ているわけではなく、他に測る手段を持っていないだけです。

結果として、量で語れない人は以前より不利になっています。量で埋める人が増えたぶん、量を出さない人の存在感は相対的に下がるからです。実際には仕事の質が変わっていなくても、周囲の分母が変わったことで、見え方だけが悪くなります。この歪みは、評価者を変えても、評価基準そのものを言語化しない限り解消しません。

昇進や採用の判断は、短時間で相対比較をする場面です。相対比較は、比較しやすい軸に寄ります。出力量は比較しやすく、判断の質は比較しにくい。時間の制約が厳しい判断の場ほど、比較しやすい軸に流れやすくなります。生成AIの登場は、この流れを止めるどころか、比較しやすい軸の値そのものを底上げして、差を見えにくくしました。

減らした仕事は、成果として記録されない#

能力の高い人がやっていることの多くは、増やすことではなく減らすことです。不要な機能を作らせない。的外れな提案を早い段階で止める。手戻りが起きる前に、方向を変えておく。会議で出た案のうち、実行に移さないものを選ぶ。

これらは成功するほど、何も起きません。何も起きなかったことは、報告する材料になりません。議事録にも、成果物にも、振り返りの資料にも残らないからです。判断が正しかったことの証拠は、起きなかった問題そのものであり、起きなかった問題は誰にも見えません。

生成AIによって作業量そのものが増えたいま、この非対称はむしろ拡大しています。作れるものが増えれば、作らなくてよかったものの量も比例して増えているはずです。しかしそれを数える仕組みを持つ組織は、ほとんどありません。増やした人は成果物で語れて、減らした人は語る材料を持てないまま、次の評価の場に立つことになります。

保険に近い構造だと考えると分かりやすくなります。保険は、事故が起きなかった年ほど価値が実感されません。減らす仕事も同じで、うまく機能した年ほど、その仕事の必要性そのものが疑われます。生成AIで試作や提案の数が増えるほど、止めるべき案の数も増えるはずですが、増えた分の判断コストは誰の成果としても計上されないまま、ただ吸収され続けます。

文脈をつなぐ人の価値は上がったが、記録には残らない#

生成AIを使い始めると、一人当たりが同時に進められる作業の本数が増えます。個々の作業は速くなる一方、組織全体で見ると並行して動いている糸の数が増え、断片化が進みます。誰がどの前提で何を進めているかを、全員が把握できる状態ではなくなっていくということです。

この断片化した状態をつなぎ、なぜその判断がされたのか、どの前提の上に何が積まれているのかを把握している人の価値は、以前より上がっています。誰かが速く作業を進めるほど、その作業が全体のどこに位置づくかを説明できる人への依存度が増すからです。

つなぐ作業には、いくつか具体的な形があります。

• 別々に進んでいる二つの作業が、同じ前提の上に立っているかを確認する
• 過去にその案が採用されなかった理由を、いま提案している人に伝える
• 生成AIが出した複数の案を、それぞれ誰の判断で採用・却下したかを覚えておく

ところが、この「つなぐ」仕事自体は成果物になりません。会話の中で行われ、記録されるのは決定の結果だけで、その決定に至った文脈は残らないのが普通です。文脈を握っている人がいなくなって初めて、その不在が問題として表面化します。存在している間は、何もしていないように見えます。

不在になって表面化するときの症状も、分かりにくい形を取ります。以前と同じ手順を踏んでいるのに、なぜか同じ議論が繰り返される。過去に検討済みの案が、検討済みだと知られないまま再提案される。これらは「効率が落ちた」という漠然とした印象として現場に残るだけで、原因が特定の人の不在にあると気づかれるまでには時間がかかります。

文脈をつなぐ役割は、役職や肩書きとは一致しません。組織図の上では目立たない位置にいる人が、実際には複数の作業の交点を押さえている、ということが珍しくないからです。役職を基準に評価の重み付けをしている組織ほど、この種の人材を見落とします。

検算をした人の名前は、成果物に残らない#

生成AIの出力を人が確認して通す、という工程が増えました。この確認作業は、通ったものにはほとんど痕跡を残しません。ミスを見つけて直したときだけ、一瞬存在が見える程度です。

検算は単純作業ではありません。何が正しい状態かを判断できる知識、どこにリスクが潜みやすいかの経験、一見自然に見える出力の中から不自然な箇所を見分ける感覚、この三つを同時に必要とします。むしろ、生成する作業より要求される専門性が高いことも珍しくありません。

成果物には、最終的にそれをまとめた側の名前が付きます。依頼した人、取りまとめた人、プロンプトを書いた人です。確認して品質を保証した人の名前は、どこにも付きません。通った後の成果物だけを見れば、確認の工程があったこと自体が分からないからです。

この構造自体は以前からありました。違うのは、生成の速度が上がったことで確認作業の総量が増えている点です。増えた分だけ検算を担う人の負荷と貢献も増えているのに、それを可視化する仕組みは追いついていません。検算は、いま最も過小評価されやすい作業の一つです。

検算に強い人は、たいていその領域を生成AIより先に、深く経験している人です。経験が浅い人ほど、出力の妥当性を判断する材料を持たず、検算の名目で作業をしても実質的には二回生成しているだけになります。つまり検算の質は、生成の速度とは別の軸で、経験の蓄積に直接依存しています。この蓄積は短期間では代替できないにもかかわらず、評価の場ではその希少性が言葉にされることがほとんどありません。

「速い」を演出できる人が増えた#

生成AIを使えば、誰でも初速のある成果物を出せます。以前は「仕事が早い人」と「そう見せるのがうまい人」は、ある程度時間が経てば区別がつきました。中身が伴わない速さは、後工程で必ず露呈したからです。

いまは、露呈するまでの時間が伸びています。表面的に整った出力を大量に、短時間で出せるため、中身の判断が伴っているかどうかは、すぐには分かりません。誤りが見つかるのは、たいてい後工程で誰かがその出力を使おうとしたときです。

これは組織全体で見ると、判断の質を示す信号と、単なる出力の量という雑音の比率が下がっていることを意味します。信号と雑音を仕分けるコストが上がっているのに、多くの組織はそのコストを誰かに割り当てていません。

地味に正確な判断を積み重ねている人は、この「見かけの速さ」と並べられると、初期の印象で負けます。実力差が表面化するのは以前より後になり、その間、評価は見かけで決まります。急いで評価する場面ほど、この歪みの影響を強く受けます。

やがて中身が伴わない速さは露呈しますが、そのときにはすでに評価や配置が決まっていることが少なくありません。露呈が遅れる分だけ、判断の修正にもコストがかかります。信頼を置いた側からすれば「見抜けなかった」だけの話に見えますが、実際には見抜くための時間そのものが以前より短く設定されていた、という構造の問題です。

問題を決めた人ではなく、答えを出した人に成果が付く#

何を解くべきかを決める作業は、成果物として残りません。残るのは、決まった問題に対する答えだけです。

生成AIは、問題さえ決まっていれば速く答えを出します。つまり、問題を定義する部分の相対的な重みが、以前より上がっています。答えを出す部分のコストが下がったぶん、問題の立て方が悪ければ、速く出た答えごと的外れになるからです。逆に、問題の立て方さえ正しければ、答えを出す部分は誰がやっても、あるいは何を使っても大きくは変わりません。

• 「何を作るか」を決める作業は記録に残りにくい
• 「どう作るか」を実行した結果は記録に残りやすい

にもかかわらず、評価の対象になりやすいのは相変わらず後者です。問題を正しく絞り込んだ人がいなければ、AIがどれだけ速く答えを出しても無駄になります。しかしこの絞り込みは、会議の中の数分の判断として消えていくため、記録にも印象にも残りにくいままです。答えを出す速度が上がるほど、問題を決める工程の重要さと、その不可視さの両方が同時に強くなります。

問題の立て方が一つずれているだけで、生成AIは大量の精巧な誤答を作ります。以前であれば、答えを出す速度が遅かったぶん、途中で誰かが問い自体のずれに気づく余地がありました。いまはその余地が減り、精巧な誤答がそのまま次の工程に渡ってしまうことが増えています。問いを立て直す判断は、この意味で以前より高い位置に置かれるべきものになっていますが、扱いは変わっていません。

摩擦を避ける人は、直した痕跡も消す#

摩擦を避ける人は、問題を指摘せず、静かに直す傾向があります。以前は、直すこと自体に一定の作業時間がかかったため、周囲がその存在に気づく余地がありました。誰かが不自然に忙しそうにしている、という形で間接的に伝わっていたということです。

生成AIを使うと、静かに直す作業そのものが速くなります。指摘せず、目立たず、短時間で修正が完了する。組織にとっては都合がよい一方、その人の貢献を示す痕跡がさらに薄くなることを意味します。修正にかかっていた時間という、唯一の間接的な証拠まで消えてしまうからです。

これを続けると、本人の負荷は下がるどころか増えていきます。指摘しないまま直す作業が積み重なり、外からは何も起きていないように見えるのに、実際には見えない作業量が蓄積しているからです。摩擦を避ける戦略は、以前から損をする戦略でした。いまは直す速さまで無音化してしまうぶん、輪をかけて損をします。

厄介なのは、この積み重ねが本人にとって合理的に見え続けることです。指摘すれば摩擦が生まれ、黙って直せば摩擦は生まれません。短期的にはどちらも同じ結果にたどり着くため、黙って直す選択を続ける理由がなくなりません。長期的な負荷の差は、本人にも周囲にも、限界を迎えるまでほとんど見えないままです。

効かなかったこと#

• 議事録や資料の分量を増やす。 量そのものの希少性が下がっているため、差がつきませんでした
• 判断の正しさを都度言葉にして報告する。 報告の頻度が印象に残り、内容の正しさより「よく発言する人」という評価に寄りました
• 検算の担当であることを公言する。 役割として固定した瞬間、時間のかかる人という扱いになり、生成する側の評価が相対的に上がりました
• 確認の手間を省いて生成側の速度に合わせる。 手戻りが後工程で表面化し、全体としてはむしろ遅くなりました
• 貢献を数値で見える化する仕組みに頼る。 数値にできるのは出力量だけで、止める判断や文脈をつなぐ作業はそもそも指標にならず、扱いは変わりませんでした
• 止めた案件や減らした作業を、あとからまとめて報告する。 起きなかった問題を事後に説明されても実感が湧かず、言い訳のように聞こえてしまい、評価側の記憶には残りませんでした
• 生成AIの活用度そのものをアピールする。 使えること自体はすでに前提になっており、差別化の材料にはなりませんでした

順番にすると、こうなる#

1. 自分の貢献のうち、成果物として残らないものを書き出す（止めた、減らした、確認した、つないだ）
2. そのうち、今後も繰り返し発生するものを選ぶ
3. 実行した後の報告ではなく、実行する前に一言で共有する場所を決める
4. 生成AIで増えた出力に対して、通す条件を自分の言葉で先に決めておく
5. 条件に沿って通したものと、止めたものを、一定の間隔で並べて見返す
6. 見返す場を、自分だけでなく、判断を評価する側と共有する

事後の報告として一気に説明しても伝わりません。判断が起きた時点に近い場所で、小さく共有し続けることでしか、記録に残らない貢献は言葉になりません。3と6が抜けると、1から5までを丁寧にやっても、結局は自分の手元に記録が溜まるだけで終わります。

途中で挫折しやすいのは3です。実行する前に共有するという行為そのものが、摩擦を避ける人にとっては最も苦手な部分だからです。ここを飛ばして4以降だけ整えても、判断の質は上がりますが、それが誰の目にも触れないという元の問題は解決しません。

次の一手#

評価されていないと感じるとき、多くの場合は能力の問題ではなく、記録の形の問題です。出力の量で比べられる限り、この構造は変わりません。生成AIが出力の希少性を下げ続ける以上、この傾向は今後さらに強まると考えています。

増やした量ではなく、止めた判断や、つないだ文脈を先に言葉にしてみてください。それだけで、次に同じ判断をする理由が他人にも伝わるようになります。記録に残らない貢献を、記録に残らないまま続けるかどうかは、最終的には本人が決めることです。