主張の核

AIによって「作る」コストが限りなくゼロに近づいた結果、競争優位の源泉は「何を作るか（要件定義）」に集約されつつある。しかし要件定義は一枚岩ではなく、行動ログ分析などで一部はすでにAIが担っている。問いは「要件定義の中で人間がAIに対して比較優位を持てる部分はどこか」。

研究者たちはこう言っている

AIが実行コストを劇的に下げつつある今、競争優位の論理そのものが書き換えられている。経営学の観点からは、AIが広く普及した環境では「AIを使うこと」自体は差別化にならず、むしろ優位の源泉は「何をどう判断するか」という上流の認知活動に移行していくという見方が有力だ [1]。ある調査では、競合他社の79%が同種の生成AIへ投資しているにもかかわらず、持続的優位を築けていると感じている企業は23%に過ぎないという結果が出ており、ツールの均質化が急速に進んでいる実態が裏付けられている [2]。

この文脈で注目されているのが「暗黙知（言葉にしにくい熟練した判断力）」の価値だ。AIが代替しやすいのは教科書的・明文化された知識であり、年単位の経験の積み重ねから生まれる直感的な判断はいまだ人間に優位性があるとされている [3]。あるビジネス誌の2026年の論文は、「次の競争の堀は暗黙知をいかに構造化してAIに扱わせるか」にあると主張している [4]。

要件定義（何を作るかを決める作業）の自動化については、すでに実務への浸透が始まっている。2024〜2025年の調査では、ソフトウェア開発者の58%超がAIを要件定義に活用しており、69%がその効果を肯定的に評価している。ただし完全自動化はわずか5%にとどまり、人間とAIが協調する形が主流（54%）であることも示されている [5]。AIは大量のユーザーフィードバックを集約・分類することは得意だが、その結果から「どの問題を解くべきか」を選別する優先度判断には、依然として人間の文脈理解と価値判断が求められている [6]。

経済学の理論面でも裏付けがある。自律型AIが最も恩恵をもたらすのは最上位の知識労働者であり、非自律型AIは逆に経験の浅い層を底上げするという分析がある [7]。つまりAIが普及するほど「何が問題かを見抜く力」「まだ誰も言語化していないニーズを感知する力」を持つ人材の相対的価値が高まる。要件定義の一部はすでにAIに侵食されているが、人間の比較優位が残るのは、暗黙知に基づく「問い設定」と「優先度づけ」の領域だということになる。

要件定義の構造分解——どこをAIが担い、どこに人間が残るか

要件定義を「誰かが何かを必要としている状態から、それを実現する仕様に落とすまでの行程」と定義すると、以下のように分解できる。

① 痛みの感知（顕在化していないニーズを見つける）

AIが担いやすい: 大量のレビュー・問い合わせから頻出パターンを抽出する。

人間にしかできない: 相手が「言葉にできていない」ことを、沈黙・表情・文脈から読む。「言っていないが困っている」の察知。

② 優先順位の裁定（何を先に作るかを決める）

AIが担いやすい: コスト試算・影響範囲の数値比較、既存事例との照合。

人間にしかできない: 数値に現れない政治的文脈・関係者の感情・タイミングの読み。「今やると誰かが傷つく」の判断。

③ 矛盾の仲裁（複数の関係者の利害衝突を解く）

AIが担いやすい: 各主張の論理構造を整理し、折衷案の選択肢を列挙する。

人間にしかできない: 「この人は本当は何を守りたいのか」という根っこを合意形成の場で引き出す。信頼関係が前提になる交渉。

④ 暗黙知の言語化（現場にしかない慣行を仕様に変換する）

AIが担いやすい: 既存ドキュメント・ログを解析して規則性を抽出する。

人間にしかできない: 「なぜそうなっているか誰も知らない」慣行の裏にある意図を、経験者への聞き取りで掘り起こす。

⑤ 未来状態の想定（まだ存在しない文脈でのニーズを先取りする）

AIが担いやすい: 現在のトレンドを外挿して将来シナリオを生成する。

人間にしかできない: 「このユーザーが3年後に何に困るか」を、今の行動から直感的に跳躍する。過去の類似体験を骨格にした仮説生成。

⑥ 「作らない」という決断（削ぎ落とすことで本質に近づける）

AIが担いやすい: 費用対効果の低い機能を数値で特定する。

人間にしかできない: 「これは確かに良い機能だが、これを作ると我々が我々でなくなる」という自己定義に基づく棄却。

⑦ 文脈の保有（なぜこの方向に向かっているかの歴史を体で知っている）

AIが担いやすい: 議事録・メール履歴からの経緯サマリー生成。

人間にしかできない: 「あのとき○○さんが折れてくれたから今がある」という感情込みの文脈を、意思決定の重みとして使う。

新視点・未考慮の角度

  1. 「要件定義の力」自体が再分配される、という角度からみると: この考察は「要件定義は人間の比較優位が残る」で止まっているが、要件定義を行使できる人間の数がAIによって爆発的に増える可能性がある。比較優位が「残る」のではなく、「広く薄く分散する」——均等化の第二波として起きる。
  1. 「文脈の所有権」が本質だという角度からみると: Amazonのレコメンドが強いのは要件定義が優れているからではなく、他者が再現できないデータと行動履歴を独占しているからだ。競争優位の本質は「何を作るかを決める能力」より「決める材料を独占している状態」にある。人間の比較優位よりも「この文脈にアクセスできるのは自分だけ」という構造的な情報の独占をどう作るかの問いになる。
  1. 「AIへの要件定義」が新しい読み書き能力になる、という角度からみると: 要件定義の「対象」が人間チームからAIシステムへと移行すると、要件定義の作法が根本から変わる。人間相手の要件定義は曖昧さに耐え、文脈を共有することで成立していた。AIへの要件定義は精度・分解・指示の連鎖が問われる。「察知できる人間が有利」というより、「AIに正確に要件を渡せる人間が有利」という別種の能力の台頭を意味する。

反論

要件定義へ移行するという主張の論理構造は「実行コスト均等化 → 差別化は要件定義へ」という二段論法だが、これが成立する前提は「要件定義の実行コストが均等化しない」ことだ。ところが現実は逆方向に動いている。自然言語でのプロトタイプ生成・ユーザーインタビューの自動分析・矛盾検出まで、要件定義工程そのものへのAI浸透が進んでいる [1]。要件定義も含めてすべてが均等化する可能性は否定できない。ただしこの反論が崩れるのは、要件定義の中に本質的に言語化・外部化できない暗黙知が残り続ける場合に限られる [4]。

もうひとつは、競争優位の源泉は「要件定義能力」ではなく「データと信頼」に移行しているという見方だ。AIが商品化した後に残る防衛可能な優位は、独自データ・ブランド・組織の学習速度の3つとされており、「何を作るかの判断力」だけでは不十分という指摘がある [2]。要件定義が優れていても、それを実証するフィードバックの輪（顧客データ蓄積・モデルの改善）を持つ競合には再現されてしまう。この反論が崩れるのは、問題領域が極めてニッチで訓練データが存在しない場合だ——そこでは人間の状況認識が一時的優位を持てる。

スティールマン

もし私がこの主張に反論するなら、こう言う——「要件定義が競争優位の源泉になる」という主張は、要件定義が本質的に難しいという前提を疑っていない。しかし要件定義が難しかった理由の大半は、情報収集と整理に時間がかかること、過去事例の参照に限界があること、言語化に熟練を要することだった。AIはこれらをすべて圧縮する。残るのは「沈黙の察知」や「利害の仲裁」だが、それは市場の大半では不要だ。標準的な事業の九割は、ニーズが既にパターン化されており、深い察知より速い実行が価値を生む。「察知の比較優位」が活きるのは、ニーズが複雑で言語化されていない領域に限られ、それは市場全体の端にある少数派だ。主流は逆に、要件定義も含めてAIに飲み込まれる。

実事例

AIが潜在ニーズを察知し、要件定義の一部を担う事例

Netflixレコメンドエンジン

視聴コンテンツの80%以上がAIレコメンド経由で発見される。レコメンドエンジン単体で年間約10億ドルの価値創出（解約抑止＋視聴時間増）と推計されている。ユーザーが「何を見たいか」を言語化する前にシステムが要件（視聴候補）を決定しており、潜在ニーズの察知をAIが担う構造の典型例だ。

Amazonレコメンド

レコメンドシステムが全売上の約35%を生成している。ユーザーが検索ワードを入力する前に購買意欲を予測し、商品ページに並べる。「何を買うか」という要件を、ユーザーではなくアルゴリズムが先行して定義している。

Spotify Discover Weekly

毎週4000万ユーザーが使用し、累計500億ストリーム超を生成。AI推薦楽曲がSpotify全ストリームの30%を占める。楽曲の「要件（趣味・ムード）」をユーザーが定義する前に3種類のAIが先回りして定義している。

TikTok For You Page

TikTokのエンゲージメントはInstagram・Facebook・他SNSの5〜8倍。FYPユーザーの71.2%がプラットフォームで発見した商品を購入。ユーザーは「自分が何を見たいか」を宣言しないまま要件がAIに定義される、最も純粋な形の事例。

Stitch Fix AIスタイリング

AI主導のレコメンドが顧客向け選定の75%を担い、フィット予測で返品率を最大30%削減。AIが1日4300万通りのコーディネート組み合わせを生成、年商は32億ドル超。「このお客さんに何が似合うか」というスタイリング要件定義をAIが先行して行い、人間スタイリストはその後段で判断する逆転構造。

実行コストの均等化が起きていることを示す事例

GitHub Copilot

JavaScriptサーバー構築タスクが55%速く完了、開発時間の改善は大幅（PRのリードタイム75%短縮）。1500万人以上が使用。「コードを書く能力」単体の希少価値が急低下し、競争優位の源泉が「書ける」から「何を作るか」へシフトする構造変化の起点。

AI推論コストの急落（2022〜2025年）

AI推論コスト（モデルを動かすコスト）は18ヶ月で280倍低下、3年間で99%超の低下。OpenAIの市場シェアは1年で50%→34%に低下。「AIモデル構築・利用」というレイヤーが急速に商品化しており、アルゴリズムの優位は持続しない構造を示す定量証拠。

AI技術の企業普及（2024）

2023年時点でAI活用企業は55%だったが、2024年には78%に上昇。「ツールを持っているか」から「何に使うか（要件定義）」に差別化の源泉が移る転換点が現実化している。

AIが要件定義そのものを生成しはじめた事例

Notion AI 製品要件定義書（PRD）自動生成

Notion 3.0のAIが過去の議論・仕様書・学習履歴を参照して新しいPRDを自動生成。「AIが提案する」から「AIが実行する」段階へ移行しており、要件定義の上流作業それ自体がAIで自動化されはじめている。

AI要件工学の産業採用（2024研究）

AIを要件工学（ソフトウェアの「何を作るか」を定義する工程）に活用する産業事例が2024年に急増。開発者の58%超がAIを要件定義に活用、69%が効果を肯定的に評価。ただし完全自動化はわずか5%、人間とAIの協調が主流（54%）。Googleでは生成コードが全コードの25%を占める [5]。

反証・例外

Google AI Overviews（2024）: 2024年5月リリース直後、有害・誤情報を生成する問題が多発。ユーザーの5%未満しか定期活用せず、クリック率は従来検索より大幅に低下。「AIが潜在ニーズを察知して要件を定義する」と「正しい要件を定義できる」は別物で、要件察知の精度が低ければ実行がいかに高速でも逆効果になる。

McDonald's×IBM 音声AI注文システム廃止（2024年6月）: 3年間の共同開発後廃止。文脈理解の失敗がSNSで拡散。ノイズ環境・会話文脈という「状況要件」の定義がAIにはまだ困難なドメインが存在する。

AIスタートアップの市場ニーズ不適合（2024）: ChatGPTブーム後に起業したAIスタートアップの43%が製品市場適合なしで失敗、VC資金4.6億ドル超が消失。「AIで実行コストが下がったから作れる」という論理で要件定義を飛ばした典型的失敗群。実行コストの均等化は「要件定義の重要性を下げる」のではなく「要件定義のミスが即座に可視化される」環境を作る。

参考文献

  • [1] "Competitive Advantage in the Age of AI" — California Management Review (2024)
  • [2] "From AI Table Stakes to AI Advantage: Building Competitive Moats" — McKinsey & Company (2025)
  • [3] "Using AI and NLP for Tacit Knowledge Conversion in Knowledge Management Systems" — Technologies, MDPI (2025)
  • [4] "Tacit Knowledge Is Your Next Competitive Moat" — Tung & Roussiere, California Management Review (2026)
  • [5] "AI for Requirements Engineering: Industry Adoption and Practitioner Perspectives" — arXiv preprint (2024)
  • [6] "AI in Product Discovery: How to Break the Product Management Bottleneck" — Productside (2025)
  • [7] "Artificial Intelligence in the Knowledge Economy" — Eide & Talamas, Journal of Political Economy (2024)

次の問い（継続用）

この考察をさらに深めるなら:

  1. 「文脈の所有権」をどう構築するか——特定の市場・顧客との関係性の中に蓄積される独自情報を、他者が再現できない競争優位として設計する方法は？
  2. 「AIへの要件定義能力（精確な指示を書く力）」は学習可能なスキルか、それとも地頭的な差が出るか——その学習経路は？
  3. 自分の事業（ロイヤルハニー販売・EC）において「まだ誰も言語化していないニーズ」はどこにあるか——要件定義フロンティアを自社に適用すると？

続きセッション履歴

（初回）