The Contents Page Is a Map 目次は、航海図である

When AI can generate not only content but structure, where does human value move next? Reflections on expertise, structural judgment, the bitter lesson, and how the next generation of experts will be formed. AIが内容だけでなく構造まで作れる時代に、人間の価値はどこへ移るのか。専門書を書くという経験から、熟達、構造判断、苦い教訓、そして次の専門家をどう育てるかを考える。

“Knowledge is free now,” people say. That is not quite right. Knowledge itself has not become free. What has collapsed is the cost of finding general information, summarizing it, comparing it, and turning it into a first usable form. Tasks that once required hours of searching through books, papers, databases, and conversations with specialists can now be brought to a plausible first draft in seconds. That is a profound change.

「知識はもう無料だ」と言われる。正確には、知識そのものが無料になったわけではない。一般的な情報を探し、要約し、比較し、最初の文章にするまでのコストが、急速にゼロへ近づいている。以前なら、本を探し、論文を読み、専門家に聞き、何時間もかけて整理しなければならなかったことを、生成AIは数秒で最初の形にしてくれる。これは、かなり大きな変化である。

One way to think about it is to imagine that the doors to a vast library, once accessible only to a few, have suddenly been opened to everyone.

比喩で言えば、かつて限られた人しか入れなかった巨大な図書館の扉が、突然すべての人に開かれたようなものだ。

The Library of Alexandria has appeared in the palm of your hand.

アレキサンドリア図書館が、手のひらに現れた。

But entering a library is not the same as knowing how to use it. Even with unlimited books, you still need to know: What should I read? What can I safely ignore? Which ideas belong together? What is fundamental, and what is detail? In what order should I understand them? Without some answer to those questions, more information can produce more confusion rather than more understanding. That is why, as access to information has become easier, I have found myself increasingly interested in something else.

だが、図書館に入れることと、図書館を使えることは違う。本が無限にあっても、何を読むべきか。何を読まなくてよいか。何と何がつながっているのか。どこが骨格で、どこが枝葉なのか。それが分からなければ、情報量が増えるほど、むしろ迷いやすくなる。だからAIによって情報へのアクセスが容易になるほど、私は別のものが気になるようになった。

Not content, but structure.

内容ではなく、構造である。

And recently I have become interested in a further question. AI no longer generates content alone. It can propose outlines. Classify material. Compare competing structures. Identify missing pieces. Reorder an argument. If that is true, then is structure itself really the scarce thing? Or does scarcity move again — toward the judgment required to choose among structures?

そして最近は、さらにその先を考えている。AIは、もはや内容だけを作る存在ではない。目次も作る。分類もする。複数の構造案を比較し、欠落を指摘し、順序を組み替えることもできる。だとすれば、本当に希少になるのは「構造そのもの」なのだろうか。それとも、複数の構造の中から、どれを採るべきかを判断する力なのだろうか。

1The same knowledge can reveal different worlds同じ知識を持っていても、見えているものは違う

The difference between an expert and a novice cannot be explained simply by the amount each person knows. Presented with the same information, they often see different things. Classic research in cognitive science found that novices in physics tended to classify problems by surface features, while experts were more likely to organize them around the underlying physical principles.

専門家と初心者の違いは、単純な知識量だけでは説明できない。同じ情報を前にしていても、見えているものが違う。認知科学の古典的な研究では、物理学の初心者が問題を「滑車が出てくる」「斜面が出てくる」といった表面的な特徴で分類しやすいのに対し、熟達者は背後にある物理原理によって問題を分類する違いが示されている。

Ten problems that look unrelated to a beginner may appear to an expert as variations of the same underlying idea. Conversely, two problems that look almost identical on the surface may belong, for the expert, to entirely different categories. The difference is not merely the number of facts stored in memory. The knowledge is organized differently.

初心者には別々に見える十個の問題が、専門家には「同じ原理の変奏」に見える。反対に、初心者にはよく似て見える二つの問題が、専門家にはまったく違う種類の問題として見えることもある。知っている事実の数だけが違うのではない。知識の置かれ方が違う。

Over time, isolated points become connected. Connections become patterns. Patterns begin to reveal a shape. Expertise is not simply the accumulation of knowledge. It is also the growing ability to recognize recurring structures within a domain. That ability is built gradually.

点が増えたのではなく、点と点の間に線が引かれ、線がまとまり、全体の形が見えるようになっている。熟達とは、知識を蓄積することだけではない。対象の中に、繰り返し現れる構造を見つけられるようになることでもある。そして、この「構造を見る力」は、長い実践の中で少しずつ作られる。

Through practice. Through failed predictions. Through exceptions. Through explaining something to another person and discovering that what felt obvious cannot actually be explained. Through learning that something once regarded as central was merely incidental. Over time, priorities change.

成功だけではない。失敗する。予想が外れる。例外に出会う。人に説明して、説明できない部分に気づく。自分では重要だと思っていたものが、実は枝葉だったと知る。そうした経験を繰り返すうちに、知識の優先順位が変わっていく。

The expert becomes better at distinguishing the central from the peripheral, the prerequisite from the optional, the signal from the noise. A map begins to form.

何が中心で、何が周辺か。何を先に理解しなければ、その先へ進めないのか。何は後から調べればよいのか。専門家の頭の中には、こうして一種の地図ができていく。

2Writing a book taught me that the hardest part was the contents page本を書いて分かったこと――いちばん難しいのは目次だった

I understood this more clearly when I wrote a technical book. Writing prose is not easy. But it was not the hardest part.

私は専門書を書いたとき、このことを実感した。文章を書くことそのものは、もちろん簡単ではない。だが、最も難しかったのは文章ではなかった。

The hardest part was deciding what the book should contain. More precisely: What absolutely has to be included? What should be left out? What does the reader need to understand first? Which concepts depend on which others? What belongs in the main argument, and what should be moved into a sidebar or a deeper technical section? How long should the book remain accessible to a beginner before it begins demanding more from a specialist reader?

何を書くかを決めることだった。正確には、何を必ず入れるか。何を入れないか。何を先に説明するか。どの概念を理解してからでなければ、次へ進めないか。何を本文で扱い、何をコラムに逃がすか。初心者にどこまで説明し、どの地点から専門家向けの深さへ入るか。そうした判断だった。

A book cannot contain everything its author knows. Nor would a book improve simply by containing more. The author has to remove. Choose. Sequence. Decide how the reader will travel through the subject. That is why, for me, the first real act of writing was not writing sentences.

一冊の本に、知っていることを全部入れることはできない。そして、全部入れた本が良い本になるわけでもない。書き手は、情報を足す以上に、捨てなければならない。順番を決めなければならない。読者が歩く経路を決めなければならない。だから私にとって、執筆の最初の仕事は文章を書くことではなかった。

It was designing the table of contents.

目次を作ることだった。

A contents page exposes how its author understands a field. The chapter boundaries reveal what the author believes deserves to be treated as a distinct problem. The sequence reveals what the author thinks depends on what. The allocation of space reveals relative importance. And omissions reveal what has been judged peripheral. A contents page is not an administrative appendix to a book.

目次には、その領域をどう理解しているかが露出する。章のタイトルを見れば、何を独立した論点と考えているかが分かる。順番を見れば、何が何に先行すると考えているかが分かる。紙幅の配分を見れば、何に重みを置いているかが分かる。何を書かなかったかを見れば、何を周辺と判断したかが分かる。目次は本の付属物ではない。

It is a map. The prose is, in one sense, the journey taken across it.

目次は、航海図である。文章は、航海図に沿って歩いた記録だとも言える。

3Preserving information is not the same as preserving the map情報を残すことと、地図を残すことは違う

The same problem appears inside organizations. When people leave, we preserve enormous amounts of material. Procedures. Meeting minutes. Emails. Presentations. Past transactions. Data. And yet the person who replaces an experienced practitioner may still be unable to perform at anything close to the same level. The information survived. The meaning of the relationships among the information did not.

これは、本だけの話ではない。組織で人が入れ替わるとき、私たちは大量の資料を残す。手順書。議事録。メール。プレゼンテーション。過去の案件。データ。それでも、後任者が同じ水準で仕事をできるとは限らない。情報は残っている。だが、情報の意味づけが残っていない。

Which document actually matters? Which exception can safely be treated as an exception, and which one is evidence that the underlying model has changed? When should a problem be escalated, and to whom? What has already been tried and failed? Why does the current process exist in this particular form? When those relationships disappear, a successor can inherit an entire archive and still be forced to reconstruct the map almost from scratch.

どの資料が本当に重要なのか。どの例外は例外として無視でき、どの例外は構造そのものを変える兆候なのか。何が起きたら誰に相談するべきなのか。過去に試して失敗したことは何か。なぜ現在の仕組みがこの形になっているのか。こうした関係が失われると、後任者は大量の情報を受け取りながら、実質的にはもう一度ゼロから地図を描き直すことになる。

Academic fields do not possess a single agreed table of contents. But they do contain shared maps made from prior literature, conceptual frameworks, methods, and citation networks. A new finding can be discussed partly by asking: where does this fit within what we already know?

学術の世界には、完全な一枚の目次があるわけではない。しかし、先行研究、概念体系、方法論、引用関係によって、ある程度共有された知識の地図が存在する。新しい発見があれば、「これは既存の議論のどこに位置するのか」を問うことができる。

Practical knowledge is often less fortunate. Much of its structure remains inside individual minds. When those people leave, the documents stay behind. The lines connecting the documents disappear. So knowledge transfer is not merely the preservation of information.

実務の世界では、この地図が個人の頭の中に閉じ込められていることが多い。その人が去ると、資料は残る。しかし、資料と資料の間を結んでいた線が消える。だから、知識継承とは情報を保存することだけではない。

It is also the preservation of how the information was connected.

情報がどうつながっていたかを残すことでもある。

4But can AI really not create structure?では、AIは構造を作れないのか

At this point, there is a tempting conclusion. AI generates content. Humans create structure. Therefore structure becomes the protected territory of human expertise. I no longer think that conclusion is defensible. AI already does more than produce sentences. It can classify large bodies of material, propose outlines, compare alternative taxonomies, criticize an argument, identify duplication, and suggest that one concept should be introduced before another.

ここまでなら、話はきれいに終わる。AIは内容を作る。人間は構造を作る。だから人間には構造という安全地帯が残る。――そう言いたくなる。だが、おそらくそれは楽観的すぎる。現在のAIは、文章の下書きだけを作るわけではない。大量の資料を分類し、論点を整理し、目次を提案し、複数の構造を比較し、「この章は重複している」「この概念を先に説明した方がよい」といった批評までできる。

Structuring is already part of what AI can do. It is better to admit this than to define human value around a capability boundary that may disappear. Nor does the fact that many large language models are trained through autoregressive prediction imply that they can operate only at the surface level of language. A simple training objective can support capabilities that extend far beyond simply continuing a sentence.

つまり、構造化そのものも、すでにAIの能力の一部になっている。ここは認めた方がいい。そもそも、大規模言語モデルが自己回帰的な予測によって訓練されていることから、「したがって表層の言語しか扱えない」と結論することはできない。単純な学習目標から、分類、抽象化、推論、構造化といった能力が現れる可能性がある。

So if AI can produce a table of contents, where does human value move? I think it helps to distinguish structure from structural judgment.

では、AIが目次を作れるなら、人間の価値はどこへ行くのか。私は、ここで「構造」と「構造判断」を分けて考える必要があると思う。

An AI can produce ten plausible structures. A book still has to choose one. Which structure fits this reader? What deserves to be omitted? Which issue matters disproportionately in this particular domain? When should an established taxonomy itself be questioned? Which simplification helps understanding, and which one becomes dangerously misleading? And if the chosen structure leads people in the wrong direction, who ultimately owns that choice?

AIは、十通りの目次を作れる。しかし実際に本にできる目次は一つである。どの構造を選ぶのか。どの読者を想定するのか。何を大胆に捨てるのか。何を重要だと考えるのか。既存の分類そのものが間違っている可能性を、いつ疑うのか。そして、採用した構造が読者を誤った方向へ導いたとき、その判断を引き受けるのは誰なのか。

The valuable act increasingly shifts from merely producing structure toward: choosing it, weighting it, challenging it, revising it — and taking responsibility for what follows. That is what I mean by structural judgment.

価値は、「構造を生成できること」から、構造を選び、重みづけし、必要なら壊し、その結果に責任を持つことへ移っていく。私は、それを構造判断と呼びたい。

5The bitter lesson threatens even that refuge「苦い教訓」は、その安全地帯さえ壊す

There is no reason to assume that structural judgment will remain permanently human either. In machine learning, Rich Sutton famously described what he called The Bitter Lesson: across the history of AI, methods that rely heavily on hand-crafted human knowledge have repeatedly tended to lose, over longer time horizons, to more general methods able to exploit increasing computation through learning and search. Taken seriously, that lesson cuts directly against the comforting claim that expert structure will remain a uniquely human asset.

しかし、ここにも逃げ道はない。機械学習には、Rich Sutton が「The Bitter Lesson」と呼んだ有名な問題提起がある。その大意は、人間の専門知を細かく手作業でシステムへ埋め込む方法は短期的には有効に見えても、長い時間軸では、計算資源の増大を利用できる汎用的な学習や探索の方法が繰り返し優位になってきた、というものだ。この教訓を真剣に受け取るなら、「構造判断こそ人間に残る」と安心することもできない。

The classifications that took a practitioner years to acquire might themselves be learnable. So might the weighting. The decomposition of a problem. The recognition that a familiar category no longer works. Imagine a system that does not merely generate one structure. It generates thousands. Tests them against outcomes. Learns which decompositions worked. Revises them faster than a human expert could. There is no obvious reason to declare that impossible in principle.

なぜなら、人間が長い経験を通じて作った分類や重みづけや問題の切り分け方も、十分なデータと計算によって機械が学ぶ可能性があるからだ。AIが一つの構造を作るだけでなく、構造案を大量に生成し、過去の結果と照合し、どの構造が良かったかを学び、人間より速く修正するようになったらどうなるのか。その可能性を否定する根拠はない。

So the conclusion of this essay cannot be: AI owns content; humans own structure. The boundary is more mobile than that. It moves from content to structure. From structure to structural judgment. And parts of structural judgment may eventually move into machines as well.

だから、このEssayの結論を「内容はAI、構造は人間」に置くことはできない。境界線はもっと動く。内容から構造へ。構造から構造判断へ。そして構造判断の一部も、いずれAIへ移っていくかもしれない。

What lies beyond that boundary? I do not know. But some questions remain important now: What objective are we trying to pursue? When objectives conflict, which one should dominate? How much weight should be given to context that is difficult to quantify? Which errors are tolerable, and which are not? Whose interests is the structure serving?

では、その先に何が残るのか。私はまだ答えを持っていない。ただ、少なくとも現在、重要だと思う問いはいくつかある。何を目的にするのか。複数の目的が衝突したとき、何を優先するのか。数字に表れない文脈をどこまで重く見るのか。どの失敗を許容し、どの失敗を許容しないのか。誰のための構造なのか。

And finally: who is accountable for the consequences of the choice?

そして、その判断の結果を、誰が引き受けるのか。

I would not claim that these questions belong to human beings forever. What interests me is precisely that the boundary keeps moving. Perhaps the useful question in the age of AI is not “what will humans always be better at?” but “where is the frontier of value moving next?”

これらも永遠に人間だけの仕事だ、と断言するつもりはない。むしろ面白いのは、その境界が動き続けることだ。AI時代に問うべきなのは、「人間に最後まで残る仕事は何か」ではなく、「価値の境界線は、次にどこへ移るのか」なのかもしれない。

6The paradox of efficiency: who becomes an expert if the apprenticeship disappears?効率化すると、専門家が育たなくなるという逆説

There is another consequence of AI that concerns me. Experts do not begin their careers seeing the whole structure. They acquire it by doing a great deal of work at the level of individual points.

もう一つ、構造について考えると避けられない問題がある。熟達者が構造を見ることができるのは、最初から全体が見えていたからではない。細かな仕事を大量に経験したからだ。

Reading documents. Checking numbers. Getting things wrong. Being corrected. Receiving questions they did not expect. Handling exceptions. Watching something fail. Learning why two cases that looked identical turned out not to be. After years of such experiences, connections begin to appear. The points become lines. Eventually, a larger shape becomes visible.

資料を読む。数字を確認する。間違える。先輩に直される。顧客から思いがけない質問を受ける。例外処理をする。失敗した案件を見る。同じように見えた二つのケースが、実は違った理由を知る。点のような仕事を何年も積み重ねるうちに、やがて点と点の間に線が見えるようになる。

AI is now becoming particularly good at many of those point-level tasks. Research. Summarization. Initial analysis. Drafting. Routine review. Work that once consumed a large share of a junior professional's time can increasingly be automated. In the short run, this is rational. Productivity rises. Costs fall. But there is a paradox.

ところがAIは、まさにこの「点の仕事」から代替していく。下調べ。要約。資料作成。初期分析。定型的なレビュー。初心者がこれまで時間を使ってきた仕事を、AIが高速で処理する。短期的には合理的である。生産性は上がる。人件費も下がる。しかし、ここには一つの逆説がある。

If AI removes the work through which novices once became experts, where will the next experts come from? Short-term efficiency and the long-term reproduction of expertise are not necessarily the same objective.

専門家になるために必要だった仕事をAIが代替したとき、次の専門家はどこで育つのか。効率化の短期的な利益と、専門性を再生産する長期的な能力は、必ずしも一致しない。

That changes the question of training. It should not be: “Should we preserve work that AI can already perform?” Preserving inefficiency for its own sake makes little sense. The better question is: which experiences must the next generation still have in order to learn how to see structure — and how should we redesign those experiences?

だから人材育成の問いも変わる。「AIにできる仕事を人間に残すべきか」ではない。単に非効率を保存しても意味がない。問うべきなのは、次の世代が構造を見る力を獲得するために、どの経験を意図的に残し、どの経験を新しく設計するべきか。ということだ。

The answer may not require recreating the old apprenticeship. AI itself may allow people to encounter more cases, more quickly. The reasoning of senior experts can be captured, challenged, simulated, and rehearsed. Young practitioners may be exposed deliberately to exceptions that once took years to encounter by chance. AI may remove the old ladder to expertise. But it may also help us build a better one. The important thing is not to assume that the ladder will rebuild itself.

昔と同じ十年をかけて育てる必要はないかもしれない。AIを使えば、より短期間で多くの事例に触れられる可能性もある。優れた専門家の判断過程を記録し、シミュレーションし、若手に反復させることもできる。AIは熟達への梯子を外すかもしれない。しかし同時に、新しい梯子を作る道具にもなり得る。重要なのは、梯子を偶然に任せないことだ。

7Preserve the expert's contents page — but also the ability to redraw it第一人者の「答え」より、その人の「目次」を残す

This changes how I think about knowledge transfer. When a senior expert retires, organizations often try to preserve what that person knows. Interviews are conducted. Manuals are written. Case studies are collected. All of that has value. But the most valuable thing may not be the individual answers.

ここから、知識継承の意味も変わってくる。第一人者が引退するとき、私たちはその人の知識を残そうとする。インタビューをする。マニュアルを書く。事例集を作る。それらは大切だ。だが、本当に残したいものは、個々の答えだけではない。

It may be how that person divided up the world.

その人が世界をどう切り分けていたか。

Which problems did they consider to be of the same type? Where did they draw boundaries? Which weak signals did they treat as early warnings? What did they regard as noise? In what order did they think through a difficult situation? In other words: what did the contents page inside their head look like?

何を同じ種類の問題だと見ていたのか。どこに境界線を引いていたのか。どの兆候を早期警戒として見ていたのか。何を重要ではないと判断していたのか。どの順番で問題を考えていたのか。つまり、その人の頭の中の「目次」である。

But even that map should not be preserved as scripture. An expert's structure is also a hypothesis shaped by a particular time, institution, technology, and set of experiences. The next generation should inherit it — and then be able to change it. So perhaps genuine knowledge transfer is not the delivery of a finished map. It is the transfer of the ability to draw maps, and the habit of questioning them.

ただし、その目次を神聖化してはいけない。第一人者の構造も、その時代、その制度、その経験から生まれた仮説である。次の世代は、それを受け取るだけではなく、書き換えなければならない。だから本当の知識継承とは、完成した地図を渡すことではない。地図の描き方と、地図を疑う習慣を渡すことだ。

This also clarifies the role of the editor. An expert may see a structure so clearly that its intermediate steps have become invisible. What is obvious to the expert may be precisely what a beginner needs explained. The editor has a different task. Not to replace the expert's map, but to turn it into a route the reader can actually travel.

ここで編集者の役割も見えてくる。熟達者には構造が見えていても、その構造があまりに自明になってしまい、初心者がどこで迷うのかが見えなくなることがある。編集者は、専門家の地図を読者の歩ける道へ変換する。専門家が何を知っているかだけでなく、読者がどの順番ならそこへ到達できるかを考える。

The expert asks: what is the structure? The editor asks: in what order can another person reach it? When those two abilities come together, specialist knowledge becomes usable by someone else.

優れた専門家と優れた編集者は、同じ仕事をしているのではない。一人は構造を見る。もう一人は、その構造へ至る経路を設計する。その二つが組み合わさるとき、専門知は初めて他者が使える形になる。