専門家の判断、難しい事例、組織内のフィードバックは、特化型の人工知能（AI）ツールにとって価値ある入力になりつつあります。
急成長している市場では、AI開発者と、専門的なタスクを作成・評価できる医師、弁護士、科学者などの専門家が結びつけられています。
新しいAIツールが普及するにつれ、企業は、自社の業務プロセス、エッジケース、専門家の意思決定の記録によって、競争上の優位性をより多く得られることに気づくかもしれません。
2026年、Thinking Machines LabとBridgewater Associatesは、人工知能（AI）が投資家の支援に役立つかどうかを検証したいと考えました。投資家が毎日確認する膨大な量のニュースや調査資料を絞り込むことができるかどうかです。
この研究では、ある記事が関連性を持つかどうかを判断することを含む6つの情報絞り込みタスクが検証されました。Bridgewaterは当初、何が関連性または有用性を持つかを示すために、非専門家がラベル付けした事例を使用していましたが、その判断の多くは誤りであることが分かりました。争いのある事例はBridgewaterの投資家に確認のために送られ、そのフィードバックが特化型モデルの微調整に使用されました。
この結果、得られたモデルは、Bridgewaterがテストした他のモデルを上回る性能を示したうえ、運用コストも大幅に低く抑えられました。
この実験は限定的なものでしたが、その示唆は単純です。金融情報はAIツールに投入するために容易に入手できた一方で、どの情報が重要かについての信頼性の高い判断を得ることは、より困難だったということです。
希少なAIデータ入力としての判断力
大規模言語モデル（LLM）は、さまざまなタスクに適応できる汎用AIシステムである基盤モデルの一種です。利用可能な最も高性能なモデルは、しばしばフロンティアモデルと呼ばれます。
LLMは、財務報告書、法律文書、科学論文を非常に大規模に処理することができます。しかし、そうした資料にアクセスできたとしても、その分野で長年働いてきた人の判断力を再現できるわけではありません。
専門家は、どの詳細に注意を払うべきか、どの誤りが重要か、そして通常の手続きがいつ失敗しやすいかを学びます。こうした教訓の一部は文書化できますが、その他は人々が下す意思決定を通じて明らかになります。例えば、投資分析は正確な情報を含んでいても、誤ったシグナルに焦点を当てている場合があります。品質を判断する信頼できる方法がなければ、事例を増やすだけでは限界があります。
それでもなお、専門家の判断は唯一の客観的な真理ではありません。専門家は、目的、リスク許容度、組織の優先事項が異なるため、意見が一致しないことがあります。Bridgewaterの判断をもとに訓練されたモデルは、普遍的な形の投資判断ではなく、Bridgewaterが関連性があるとみなすものを学習します。
新しい基盤モデルなどのAIツールを開発する際、競合他社がこうした組織固有の判断を再現するのは難しい可能性があります。そのためこの種のデータは、AI時代における組織の競争優位にとって極めて重要なものとなっています。
AIデータ供給網の一部としての専門家
専門家による人的入力への需要は、すでに相当規模の商業市場を支えています。急成長している企業群では、AI開発者と、専門的なタスクを作成・評価できる医師、弁護士、科学者などの専門家が結びつけられています。
そうした企業の一つであるMicro1は、TechCrunchの報道によると、8か月で年間ベースの総売上高（グロス・ラン・レート）が1億ドルから5億ドルへと増加しました。TechCrunchの報道同報道では、同様の企業であるMercorは約20億ドル、Handshakeは約10億ドルの年間換算総収益を計上していると伝えられています。これらの数字は、今日の専門的なAIデータおよび評価への支出規模を示しています。
これらの企業の事業は、従来のデータラベリングの枠を超えています。Mercorは、プロジェクトについて次のように説明しています。プロジェクトには、専門的なベンチマーク、データセット、評価環境が含まれます。同社は専門家に対し、現実的な問題の作成、モデル出力の確認、または専門分野の知識を必要とする誤りの発見を求めています。
この市場により、一般的な専門知識は以前よりも容易に獲得できるようになるかもしれません。しかし、一つの組織に結びついた知識、つまり顧客に関する情報、過去の意思決定、内部プロセス、特異なエッジケースなどは、買うことがより困難です。
インターネットに蓄積されていない企業の知識
優れた企業の意思決定の背後にある情報の多くは、これまでオンライン上で公開されたことがありません。組織の内部システムには、特異な顧客事例、業務上の不具合、長年にわたって蓄積された意思決定が含まれています。経験豊富な職員は、どの例外に注意を払うべきか、そして通常の手続きをいつ適用すべきではないかを把握しています。
こうした理由から、法律事務所のKirkland & Ellisは、5億ドルを投じ、約250名の弁護士と180名以上の技術専門家の意見を取り入れながら、独自のAIプラットフォームの開発を進めています。同時に、外部のAI製品の利用も継続しているとFinancial Timesは報じています。
高性能な基盤モデルがより多くの組織で利用可能になるにつれ、アクセスの有無が企業のAI活用成果の差をもたらす要因として説明できる部分は小さくなるかもしれません。その差は、むしろ、より優れた検索、より豊富な事例、より強力な評価、あるいは過去の意思決定の結果をより適切に記録することから生まれる可能性があります。したがって、組織固有のフィードバックを継続的に生み出すシステムは、模倣が難しくなるかもしれません。
従業員がAIの出力を確認する際には、推奨内容を修正し、もっともらしい回答を却下し、特異な事例を上位者に報告し、その後に意思決定が成功したかどうかを観察します。こうした一つひとつの介入が、優れた成果とはどのようなものかについて示唆を与えることができます。
多くの組織は最終的な意思決定を記録していますが、その決定を形作った修正内容は再利用しにくいのが現状です。こうした修正と意思決定を記録することで、将来の評価、検索システム、またはモデル改善に役立つ有用な材料を生み出せる可能性があります。
合成データには依然として信頼性の高い検証が必要
合成データとは、現実世界の観察から直接収集されたものではなく、人工的に生成されたデータを指します。合成データは、人間が作成した事例の必要性を一部減らす可能性があります。
世界経済フォーラムは、合成データがどのようにAI開発上の制約を緩和することができるかについて、すでに検討しています。また、英国政府の委託により作成された2026年版国際AI安全性報告書は、数学、プログラミング、形式的推論を、合成的アプローチが有効に機能しうる分野として挙げています。これらの分野では、回答が比較的明確な基準に照らして検証できるため、特に効果的であるとされています。
合成データの検証は、必ずしも人間が行う必要はありません。ソフトウェアツール、シミュレーション、観測された結果、または他のAIシステムがフィードバックを提供することもできます。自動評価ツールの性能が向上すれば、高コストな専門家によるレビューの必要性も減らせる可能性があります。
経済的に重要な問いは、AI主導のシステムがその出力の良否について信頼できるフィードバックを、どれほど低コストで得られるかということです。検証を信頼性高く自動化できる領域では、より安価な合成データが大量に得られるようになる可能性があります。一方、品質が希少な専門知識や、結果の観察に時間がかかるものに依存する場合、良質なフィードバックは高コストのままである可能性があります。
判断力を取り込むことは、ガバナンス上の問題も生じさせます。従業員による修正、顧客とのやり取り、専門的な意思決定には、機密情報や個人情報が含まれている可能性があります。組織は、このデータを再利用するための適切な権利を確保する必要があり、またアクセスに関する管理策を整備しなければなりません。
信頼性の高い企業のパフォーマンスデータの収集
より高性能な基盤モデルにアクセスできる組織が増えるにつれ、企業の競争優位は、これらのモデルを取り巻くフィードバックへと移行していく可能性があります。そのフィードバックには、どの出力が成功し、どの出力が失敗したか、そして経験豊富な専門家がどのようなもっともらしい回答を却下したかが含まれます。
こうした知識の一部は購入または模倣が可能ですが、ある組織が難しい意思決定をどのように行い、その結果から学んでいるかを継続的に更新して記録したものは、再現がより困難かもしれません。したがって、次のAIデータ競争は、情報をより多く集めることよりも、優れた成果が実際にどのようなものかについての信頼できる証拠を得ることに重点が置かれるようになるかもしれません。
