Turing CEO ジョナサン・シッダールス氏が語る：データラベリング時代の終焉と、99%の知識労働が消える未来

現代社会を席巻するAIの波は、私たちの働き方、ビジネスのあり方、そして未来そのものを根底から変えようとしています。この変革の最前線に立つ企業の一つがTuringです。その創業者兼CEOであるジョナサン・シッダールス氏は、AIの進化がもたらす未来について、極めて先鋭的で、時に挑発的ともとれる見解を語っています。彼が断言するのは、「データラベリング時代の終焉」「知識労働の99%自動化」、そして「SASの終わり」といった、既存のビジネスモデルを揺るがす予測です。

Turingは、単なる「タレントマーケットプレイス」ではなく、「スーパーインテリジェンス」を訓練する「リサーチアクセラレーター」として、その名を確立しようとしています。本記事では、シッダールス氏のインタビューから、AIモデルの進化がデータニーズをどのように変え、ビジネスにどのような影響を与え、そして最終的に私たちの社会をどのように再構築していくのかを深く掘り下げていきます。彼の洞察は、AI時代を生き抜くための重要な羅針盤となるでしょう。

データラベリング時代の終焉とTuringの新たな役割「リサーチアクセラレーター」

「タレントマーケットプレイス」ではないTuring：スーパーインテリジェンスの訓練へ

シッダールス氏は、Turingを「タレントマーケットプレイス」として定義されることに強く異議を唱えます。一般的なタレントマーケットプレイスが、人材と機会をマッチングするサービスであるのに対し、Turingが手掛けるのは、はるかに野心的なプロジェクト、すなわち「スーパーインテリジェンスの訓練」だからです。Turingは、OpenAI、Anthropic、DeepMindといった、最前線で活動する8つのフロンティアラボのうち、7つと協力関係にあり、次世代のAI開発を強力に推進しています。

スーパーインテリジェンスの実現には、主に3つの柱が必要であるとシッダールス氏は説明します。それは「研究（Research）」「計算（Compute）」「データ（Data）」です。フロンティアラボは社内で研究を推進し、Nvidiaのような企業が計算能力を提供します。そしてTuringは、この3つのうち、最も変化の激しい「データ」の柱を担っているのです。

AIモデル進化に伴うデータニーズの劇的変化

過去数年間で、AIモデルの能力は飛躍的に向上しました。この能力向上は、AIモデルを改善するために必要なデータそのものの性質を劇的に変化させました。シッダールス氏はこの変化を3つの主要なシフトとして説明しています。

変化1: データ難易度の向上：シンプルから複雑へ

数年前のAIモデルは、比較的単純なデータセットを必要としていました。例えば、「猫の画像を認識する」ためのデータや、「数字をソートするPythonプログラムを作成する」といったタスクでした。これらは、低スキルまたは中スキルの契約労働者でも生成可能なレベルのデータでした。

しかし、モデルが賢くなるにつれて、より洗練された、垂直分野に特化したデータが必要とされるようになりました。現在、求められるデータは、単に「Android向けにKotlin/Java、iOS向けにSwift、ウェブ向けにNext.jsを使って、医師と患者をつなぐB2Bマーケットプレイスアプリを開発せよ」といった、極めて複雑なコーディングタスクです。これは、特定のドメインにおける深い専門知識を持つ人間でなければ生成できないデータであり、単純なデータラベリングの範疇をはるかに超えています。

変化2: AIの目的シフト：テストのパスから実務遂行へ

かつてAIの訓練は、人間が設定したテストをパスさせることに主眼が置かれていました。例えば、AIに法律の試験をパスさせる、といった具合です。しかし、今日ではその焦点が大きく変わっています。AIに求められるのは、単にテストに合格することではなく、「実際の仕事」を遂行する能力です。

「AIが弁護士の仕事、プライバシー弁護士、コンプライアンス弁護士、パラリーガルの仕事を行えるか？」――これが現在の問いです。AIが経済的価値のある仕事、すなわち「リアルワーク」を行う能力を持つことが、AI開発の主要な目標となっているのです。

変化3: チャットボットからエージェントへ：多段階ワークフローの実行

AIの進化は、インターフェースと機能の面でも大きな転換をもたらしました。私たちは「Chat GPT」のようなチャットボットから始まり、質問を投げかけて答えを得ることに慣れてきました。これは素晴らしい進歩でしたが、次の段階は「エージェント」です。

シッダールス氏はエージェントを、「実世界または物理世界で行動を起こす能力を持ち、複雑な多段階ワークフローを実行し、異なる機能を呼び出し、コンピューターを操作したり、バックエンドAPIコールを行って実際のタスクを実行できるもの」と定義しています。例えば、納税処理を行ったり、月次財務諸表を作成したりするエージェントがその例です。

エージェント訓練のためのデータ要求の変化: チャットボットの訓練では、主にSFT（Supervised Fine-Tuning、専門家の行動を模倣させる）とRLHF（Reinforcement Learning from Human Feedback、人間が好む応答を生成させる報酬モデルを訓練する）が用いられてきました。しかし、エージェントの訓練では、これに加えて「ツール利用」の概念が極めて重要になります。モデルに他の関数を呼び出し、他のアプリケーションを利用して、より大きなレバレッジを発揮する方法を教え込む必要があるのです。

今日、エージェント訓練における主要なパラダイムは「強化学習（Reinforcement Learning, RL）」です。この訓練では、「RL環境」と呼ばれる、ビジネスのミニワールドモデルが構築されます。この環境には、入力プロンプト、出力検証器、そしてデータモデルとともに追跡されるシステムの状態が備わっています。

RL環境の具体例：営業担当者のワークフロー: シッダールス氏は、営業担当者（SDR）の具体的なワークフローを例に挙げて説明します。営業担当者は、セールス前の電話で、見込み客のリサーチを行い、Salesforceでチーム内の他の誰かが既に接触していないかを確認し、必要であればZoomInfoなどのツールを使って連絡先情報を調べるといった一連の作業を行います。このワークフローには、LinkedIn、Salesforce、ZoomInfoという3つの異なるツールを人間が使う必要があります。

RL環境では、これらのアプリケーションのクローンが、合成データを用いた偽のデータベースで作成された「ミニワールドモデル」として構築されます。プロンプトは「この人物との電話に備え、電話終了後にSalesforceを更新せよ」といったものになります。そして、「検証器（verifier）」が、エージェントがタスクを完了したかどうかをチェックします。

この環境では、エージェントはさまざまな「軌道」（異なるツールコール）を試し、タスクを完了しようとします。訓練の「カリキュラム」、すなわちエージェントに課されるタスクのセットは最適に定義される必要があります。タスクが簡単すぎるとモデルはほとんど学習せず、難しすぎると学習が進みません。モデルがポジティブ・ネガティブ両方のフィードバックを適切に受けられる、ちょうど良い混合が必要です。これは、AlphaZeroが自己対戦を通じてGoをマスターした技術と非常に似ています。

Turingは、このようなRL環境をあらゆる業界（金融、小売、医療、ライフサイエンス、ポッドキャスティングなど）、あらゆる機能（ソフトウェアエンジニアリング、マーケティング、セールス、財務など）、あらゆる役割、そしてその役割におけるあらゆるワークフローに対して、大規模に構築しています。これは、推定30兆ドル規模の知識労働市場全体をターゲットにしていることを意味します。

データラベリング企業との差別化：Turingが「リサーチアクセラレーター」である理由

シッダールス氏は、Turingが従来のデータラベリング企業とは根本的に異なる「動物」であると強調します。その差別化のポイントは以下の3つです。

研究DNAを持つプロアクティブなパートナー: AI研究のペースは目まぐるしく変化します。例えば、昨年までは強化学習の重要性はほとんど語られていませんでしたが、01やDeepseekといったモデルの登場により、今やRL環境が中心的なテーマとなっています。このようなパラダイムシフトが頻繁に起こる中で、ラボが必要とするのは、単にデータを生成するだけでなく、どのようなデータがモデルに役立つかを予測し、プロアクティブに提案できる「研究指向のデータパートナー」です。Turingは、その研究DNAによって、このニーズに応えています。
現実世界との接点: Turingは、フロンティアラボのモデル訓練用データを生成するだけでなく、Disney、Pepsi、BlackRock、Fiserv、Johnson & Johnsonといった大企業とも協力し、現実世界の企業が抱える問題を解決するための「ファインチューニングされたカスタムモデル」を構築しています。これにより、モデルが現実世界でどこで「破綻」するのかをTuring自身が知ることができ、その知見をフロンティアラボへのデータ提供にフィードバックすることで、より効果的なモデル改善に貢献しています。この「現実に触れる」経験が、Turingの強みです。
世界で最も賢い人材と専門家のプラットフォーム: RL環境を構築し、エージェントを訓練するには、あらゆるドメインにおける専門知識を持つ高度な人材が不可欠です。Turingは、このような専門家を調達し、評価し、マッチングし、データ生成を行うための強力なプラットフォームを有しています。これは、低スキルな労働者でまかなえた従来のデータラベリングとは一線を画します。

これらの理由から、シッダールス氏は「データラベリング企業の時代は終わり、Turingのようなリサーチアクセラレーターの時代が来た」と断言しているのです。

AIによる知識労働の自動化とビジネスへの影響

ジョナサン・シッダールス氏は、AIが知識労働を自動化する未来について、明確なビジョンを持っています。彼の見解は、多くの企業にとって厳しい現実を突きつけるものであり、同時に新たな機会の到来を告げるものでもあります。

カスタムモデルの必要性と具体例：パーマネントな要件

多くの企業が、最前線の汎用AIモデルに自社のビジネスプロセスを適応させるだけでなく、独自のカスタムモデルを必要とするとシッダールス氏は指摘します。これは一時的なトレンドではなく、恒久的な要件になると予測しています。その理由を、保険会社の「引受業務」を例に説明します。

例：保険会社の引受業務の自動化 保険会社の引受担当者は、顧客から提出される多様な非構造化医療データ（スマートフォンの写真、OCRデータ、PDF形式の医療履歴など）を分析し、その人物が「高リスク」「中リスク」「低リスク」のどれに該当するか、どのような既往症があるか（心血管疾患、腎臓病など）、そしてその情報に基づいて保険料をどのように設定し、あるいはそもそも顧客として受け入れるかを判断します。

現在、この問題は、ヒューマン・イン・ザ・ループ（人間の関与を伴う）システムを備えたLLM（大規模言語モデル）によって極めて効果的に解決できるとシッダールス氏は言います。しかし、このタスクには、必ずしも「兆パラメータ級のワールドモデル」は必要ありません。実際、多くの研究が示すように、数十億から数百億パラメータ程度の比較的小規模な言語モデルの方が、このような特定のタスクにおいて高速かつ正確であることがあります。

さらに重要なのは、保険会社が自社の機密性の高いデータを、OpenAIのようなフロンティアモデルプロバイダーに直接提供したくないという点です。自社の独自データが、競合他社のモデル改善に利用されることを懸念するためです。

そこでTuringが行うのは、フロンティアラボの小型モデル（例：5億～100億パラメータ帯）をベースに、顧客企業のオンプレミス環境で、その企業の独自データ（例えば、過去10年間の引受担当者による判断データ）でファインチューニングするアプローチです。これにより、長年の経験を持つ人間の引受担当者が持つ「機関知識（institutional knowledge）」をモデルに蒸留し、競争優位性を維持しつつ、自動化を実現します。さらに、引受担当者が使用する他の内部ツールへの呼び出しも、エージェントによって自動化されます。

このようにして構築されるのは、特定のワークフローとユースケースに特化した、小型でファインチューニングされた「Chat GPTエージェント」のようなものです。シッダールス氏は、このようなアプローチが今後ますます普及し、フロンティアラボにとっても大きな市場となると見ています。

知識労働自動化の未来：30兆ドルの市場

シッダールス氏は、AIの進化が知識労働に与える影響について、極めて断固たる予測を述べています。「人間の仕事が、コンピューター画面を見て、そこにあるものを分析し、異なるツールを使い、キーボードとマウスを使うことを伴うならば、それは自動化されるだろう。それは時間の問題に過ぎない」。

これは、推定30兆ドルに上るデジタル知識労働市場全体が、今後10年間でコンピューター使用エージェントによって自動化されていくことを意味します。この変革は、多くの企業にとって生存競争を意味し、同時に巨大な効率化と新たな価値創造の機会をもたらします。

大企業のAI導入における課題と「価値移転」のメカニズム

シッダールス氏は、大企業がAIを導入する際の現実的な課題についても言及しています。

導入の遅れ：内部プロセスの問題 彼は、非常に大規模な企業と接する中で、「内部データの惨状」や「内部プロセスの劣悪さ」に驚愕すると語っています。多くの企業は、SlackやNotionのような比較的モダンなツールすら導入できておらず、AIの最新ツールを導入し、カスタムモデルを構築するどころではないのが実情だと指摘します。これにより、全ての知識労働の自動化は「20年後」ではなく、「10年後」という彼の予測に対して、懐疑的な見方も生まれます。

Jonathan氏の見解：既存企業の「森林火災」と「価値移転」 シッダールス氏は、この懐疑論に対し、「もし競合他社が100分の1の人員で、より良い顧客体験と、より高い利益（保険料からの収益増、保険金支払い減）を実現できたら、既存企業は市場から食い潰されるだろう」と反論します。彼の理論は、既存企業が新しいツールに適応できない場合、データの問題、許可プロセス、社内での合意形成の難しさから、ゆっくりと「森林火災」のように衰退し、その価値が新しいスタートアップ企業へと移転していくというものです。彼はこれを「10年から20年続く既存企業の衰退」と表現しています。

フロントオフィス vs バックオフィス：AI導入の推進力 ただし、シッダールス氏は、AIの導入速度には差異があると見ています。

バックオフィス自動化: 企業のバックオフィス業務の自動化は、変革管理の遅さから、おそらく非常にゆっくりと進むでしょう。この領域では、新たなスタートアップが優れたサービスを提供し、市場を奪っていく可能性が高いです。
フロントオフィス自動化: しかし、フロントオフィス、特に「お金を稼ぐ」ことに直結する領域（金融サービスの投資判断、ライフサイエンスや製薬における新薬発見期間の短縮など）では、話は別です。ニューヨークの金融サービス企業幹部との会話から、AIがより良い投資判断を支援することへの強い関心が見られると語ります。「お金を節約する」よりも「お金を稼ぐ」ための技術導入の方が、人々を説得しやすいからです。金融市場は効率的であり、最先端でなければ生き残れないため、この領域ではAIの導入が加速するでしょう。

AIによる価値移転のメカニズム：予算の移動 シッダールス氏は、投資家Rory O'Driscollの問い、「AIからの価値創出は、人間労働の予算がAI技術の予算に転換されるかどうかに根本的に依存する」という点に同意します。この予算の転換が起こらなければ、AI市場は既存のソフトウェア技術市場を少し大きくする程度に留まるが、転換が起こるならば、想像を絶する市場規模が生まれると指摘します。

彼によれば、この予算転換は、カスタマーサポート、コピーライティング、SEOなどの「失敗のリスクが比較的低い」マーケティング関連領域で既に急速に進んでいます。

OpenAIのGDP val論文：AIの現実的能力評価 AIの現実的な能力を裏付けるものとして、シッダールス氏はOpenAIによる「GDP val」論文を推奨しています。この研究では、9つの業種と44の職業における多様な知識労働（金融サービス、不動産、医療、法律、土木エンジニアの設計図作成、映画スタジオの制作スケジュール作成など）を対象に、AIモデルが経済的価値のある仕事を自動化する影響が測定されました。

この研究結果は驚くべきものでした。Claude OpusやGPT-5のような最良のモデルは、約50%のタスクにおいて、人間の専門家が生み出した成果と「区別がつかない」レベルの品質を生み出すことができたのです。これは、主に単一ステップの比較的単純なタスクでの結果ですが、それでもAIの強力な能力を裏付けるものです。現実世界では、情報収集、文脈理解、他者との協調といった多段階のプロセスが必要であり、まだ改善の余地は大きいものの、AIがあらゆる知識労働を自動化する道を着実に進んでいることを示しています。

AIが変える未来：生産性、起業、格差、そして「モート」

AIによる知識労働の自動化は、個人、企業、社会に広範かつ深遠な影響を与えます。ジョナサン・シッダールス氏は、この未来がもたらす変化について、いくつかの重要な予測と哲学を共有しています。

AIが知識労働を自動化する世界で起こること

シッダールス氏によれば、AIが知識労働を全面的に自動化する世界では、主に3つの大きな変化が起こると言います。

個人の生産性が劇的に向上する 私たちは皆、100倍生産的になる可能性を秘めていると彼は語ります。今日、私たちは通常、1つの会社を経営するのが精一杯ですが、イーロン・マスクのような稀有な人物は5社を率いることができます。しかし、AIによって100倍の生産性が実現すれば、平均的な人間でも100社を、イーロン・マスクなら600社を運営できるようになるかもしれません。これは、人間一人ひとりが遥かに大きなレバレッジを得て、その仕事の性質そのものが変わることを意味します。人々は同時に複数の仕事を、あるいは異なる会社を経営することが当たり前になるかもしれません。
起業が民主化される 現在の多くの起業家は、「知能制約」を受けているとシッダールス氏は指摘します。資本制約も、突き詰めれば知能制約の一形態だと。例えば、今日、精神衛生系のスタートアップを始めたいセラピストは、ソフトウェアエンジニア、マーケティング担当者、プロダクトマネージャーなどを雇用するために、数十万ドルから数百万ドルの資金を調達する必要があります。しかし、AGI（汎用人工知能）が存在する未来では、このセラピストは「マーケティングGPT」「ソフトウェアエンジニアGPT」「PM GPT」を「採用」し、はるかに少ない資本で事業を立ち上げることができます。これにより、「百万の花が咲く」ように、多くの非技術系創業者たちが、ロンドンやパロアルトといった特定の資本プールにアクセスできる人々に限定されず、世界中で会社を設立できるようになるでしょう。これは世界にとって素晴らしいことだと彼は信じています。
知能のAPI化が格差を解消する インタビューでは、AIの進化が「持つ者と持たざる者」の間の格差を広げるのではないかという懸念が示されます。これに対しシッダールス氏は楽観的な見方を示します。Turingが「スーパーインテリジェンスを訓練する」ことは、実質的に「知能をAPIとして訓練する」ことであると彼は説明します。このAPIの代替案は、人間を雇って知能を提供してもらうことですが、人間は非常に高価です。もし月額20ドルで、コーディング、STEM、セールス、マーケティングにおける最も賢い専門家にアクセスできるとしたら、より多くの人々が会社を始め、価値のある仕事を生み出せるようになり、むしろ格差は縮小すると考えています。また、AGIにアクセスできるようになったとき、人間がただビーチでくつろぐだけになるとは考えていません。人間は「ツールビルダー」であり「問題解決者」であるため、より高次元の抽象的な問題を解決するようになるだろうと予測します。病気の治療、老化の逆転、星への到達といった、今日では夢物語に過ぎないような、はるかにエキサイティングな問題に挑戦できるようになるだろうと語ります。

AI時代の「モート」（競争上の堀）

AIがあらゆる知識労働を自動化し、技術そのものがコモディティ化する未来において、企業にとっての「モート」（競争優位性を守る堀）は何になるのでしょうか。シッダールス氏は、その答えの一つとして「データ駆動型フィードバックループ」を挙げます。

データ駆動型フィードバックループの重要性 Googleが検索分野で長らく大きなリードを保っていた理由の一つは、このデータ駆動型フィードバックループにありました。人々がGoogleの製品を使うことで生成されるデータ（検索クエリやクリックストリームなど）が、アルゴリズム開発者にとって、どの方向に進むべきかを示す質の高い「勾配」を提供したのです。検索結果のランキングアルゴリズムのレシピは、GoogleだけでなくYahooやMicrosoftなど他の企業にも知られていましたが、Googleが優位に立ったのは、ユーザーがGoogleを好み、使用することで、より代表的なクエリセットと、アルゴリズム改善に役立つ大量のデータを得られたからです。

この原則は、あらゆる種類のエンタープライズアプリケーションにも当てはまります。シッダールス氏は、現時点ではエンタープライズ領域におけるデータ駆動型フィードバックループはまだ広く開かれていると見ています。特定のワークフロー、役割、機能、企業のために、適切なカスタムファインチューニングモデルやエージェントを展開する企業が、顧客の問題を非常にうまく解決することで、フライホイール（好循環）を始動させることができます。顧客はモデルがどこでうまく機能しないかを発見し、そのデータをTuringのような企業と協力して追加データを生成し、そのギャップを埋めることでモデルを改善していくのです。

この「モデルが現実世界に触れる」ことが、改善の唯一の方法です。消費者向けAIではすでに現実世界に触れていますが、エンタープライズ分野ではまだこれからです。

AI導入の「ファーストマイルの苦労」と「ラストマイルの苦労」

AIモデルの導入と改善には、単純な技術導入では片付けられない、多くの「苦労」が伴います。シッダールス氏は、これを「ファーストマイルの苦労（first mile shlep）」と「ラストマイルの苦労（last mile shlep）」と表現します。

ファーストマイルの苦労：データの整備 彼が保険会社の引受コパイロットの例を挙げた際、非常にバラ色の絵を描いたように見えましたが、現実世界ではそう簡単ではありません。企業のデータはしばしば「ひどい状態」であり、サイロ化し、断片化され、スプレッドシートや、既に退職した従業員が所有していたファイルなど、あらゆる場所に散らばっています。

ファーストマイルの苦労とは、まずこのデータを取得し、非構造化データを構造化データに変換して、LLMをファインチューニングできる形式に整えることです。また、モデルやエージェントの評価のための適切なインフラストラクチャと評価基準（evals）を構築する必要があります。

ラストマイルの苦労：ワークフローと人間のトレーニング ラストマイルの苦労は、デプロイ後の運用と人間の適応に関するものです。引受担当者がAIモデルと並行して作業するための「部分自動化（partial autonomy）」に設計されたワークフローとインターフェースを構築する必要があります。例えば、Andrej Karpathyが語ったように、Cursorのようなインターフェースは完全な自律性を目指すのではなく、人間がAIと協力して特定のタスクを行うためのものです。このような「Cursor for X」のようなインターフェースが、あらゆる役割、あらゆるワークフローのために構築される必要があると彼は言います。

また、新しいワークフローで人間をトレーニングすることも重要です。Turingでは、「タンデムシステム」という方法でデプロイメントを行います。これは、人間とAIが同じ仕事を一定期間行い、マネージャーが両方のアウトプットを比較するものです。もしエージェントが正しく、人間が間違っていれば、人間をトレーニングします。逆に、人間が正しく、エージェントが間違っていれば、それはエージェントの次期イテレーションをファインチューニングするための貴重なデータポイントとなります。このようにして、エージェントは時間とともに着実に改善されていくのです。

このプロセスは、「手厚いサポート（handholding）」が必要であり、最初の段階から最後の段階まで、多くの「苦労」を伴うものです。

AIエコシステムの構造と競争

AI市場の急速な成長と変化は、そのエコシステムの構造と競争環境にも大きな影響を与えています。ジョナサン・シッダールス氏は、この市場の特性とTuringの位置づけについて詳細に語っています。

収益モデルの考察：GMV vs GAAP

AI市場の収益について語る際、シッダールス氏は「GMV (Gross Merchandise Volume)」と「GAAP (Generally Accepted Accounting Principles) に基づく伝統的な収益」の違いを明確にする必要性を強調します。彼はTuringの収益はGAAPベースで考えており、これは従来の収益計算に近いと説明します。

また、これらの収益は「SAS ARR (Annual Recurring Revenue)」のようなものではないと指摘します。AI市場の収益は「異なる獣」であり、第一原理から考える必要があると言います。Turingの場合、フロンティアラボとのプロジェクトは、モデルのある領域（コーディング、マルチモダリティ、ツール利用など）を改善する協力関係であり、通常は「再帰的なプロジェクト」となります。プロジェクトが始まり、終わり、そしてまた新しいプロジェクトが生まれるというサイクルです。Turingが優れた仕事を続ける限り、需要は非常に多く存在します。

信頼と機密保持：フォックスコンに学ぶ運営

最前線のAIラボと協力する上で、Turingが最も重視するのは「信頼性」と「機密保持」です。シッダールス氏は、プロジェクトはラボ間だけでなく、同じラボ内の異なるチーム間でも「ファイアウォール」で厳重に隔離されていると語ります。これは、Foxconnが異なるフロアでiPhoneとPixelを製造し、それぞれを隔離しているようなレベルの機密保持が求められることを示唆しています。

主要プレーヤーと競争環境：少数の勝者

最前線のAIプロバイダーは8社存在しますが、実際に彼らが協力する企業は「一握り」であるとシッダールス氏は述べます。これは、ある程度の「レジリエンス」（複数のパートナーを持つことでリスクを分散）と「価格競争」の恩恵を得るためだと推測されます。

競争相手の中で特に尊敬する人物として、シッダールス氏はScale AIの創業者であるAlex Wangを挙げます。彼は、Wang氏とScale AIがデータの重要性を先見の明を持って認識していたこと、自律ラベリングから現在の領域へと巧みに舵を切ってきたこと、そしてWang氏のリーダーシップスタイルを称賛しています。

Scale AIの買収は、Turingのビジネスにどのような影響を与えたのでしょうか。シッダールス氏は、「多くの需要がTuringに殺到した」と述べています。特に、テキストだけでなく、音声、動画、画像など、複数のモダリティ（マルチモダリティ）でモデルを機能させる領域で、Turingの需要が大幅に増加しました。

収益集中への見解：Nvidiaの事例に学ぶ

Turingのような企業にとって、少数の大規模な顧客（フロンティアラボ）への収益集中は懸念事項となる可能性があります。これに対しシッダールス氏は、Nvidiaの例を挙げて反論します。Nvidiaの収益の39%は2つの顧客から、約50%は4つの顧客から来ているという事実は、「5兆ドル企業」であるNvidiaですら高い収益集中度を持つことを示しています。

AI市場においても、Stargateのような1000億ドル規模の年間投資プロジェクトに見られるように、これら「ビッグエイト」と呼ばれるフロンティアラボからの膨大な支出が見込まれるため、高い収益集中は現状では大きな懸念ではないと考えています。

政府によるAIモデルの構築と主権の問題

シッダールス氏は、今後、各国政府が独自のAIモデルを構築する必要性が出てくると見ています。「ドイツの医療システムがアメリカのモデルプロバイダーと協働するとは考えにくい」と述べ、モデルの主権が重要になると予測します。これは、政府が自国独自のデータを収集し、自国の人材（例えば、ドイツ政府ならドイツ国民）がSFTや強化学習のためにデータを提供する必要があるためです。Turingは、スーパーインテリジェンスの訓練だけでなく、このような政府機関向けのデプロイメント（カスタムモデルのファインチューニング、評価、ファーストマイル/ラストマイルの苦労の支援）も支援していくと述べています。

AIの未来予測とジョナサン・シッダールス氏の哲学

AIが社会のあらゆる側面に浸透していく中で、未来はどのように形作られるのでしょうか。ジョナサン・シッダールス氏は、AIの進化に関する一般的な誤解を解き、自身の揺るぎない信念と、その実現に向けた展望を語ります。

AIバブル論の否定とモデル能力のオーバーハング

巷ではAIバブルの可能性が議論されることがありますが、シッダールス氏はこれを強く否定します。「AIバブルは存在しない」。今日のモデルは信じられないほど強力であり、「彼らはこれまでで最悪であり、今後も改善し続けるだけだ」と断言します。GPT-5、Gemini Pro、Grok、Claudeといったモデルはすでに驚異的な能力を誇っており、私たちはその魔法に慣れてしまっているだけだと指摘します。

彼は「モデル能力オーバーハング（model capability overhang）」という概念を提唱します。これは、モデルはXの能力を持っているにもかかわらず、人間はそこからXからデルタを引いた能力しか引き出せていないという状況を指します。つまり、適切な「エージェントスキャフォールド」（適切なシステムプロンプト、ユーザープロンプト、モデルが追加のコンテキストを獲得する方法、適切な内部ツールを使用する方法などを教え込むこと）を構築すれば、今日のモデルからでも遥かに大きな能力を引き出すことができると彼は信じています。

例えば、ポッドキャストのインタビューから魅力的なクリップを自動生成するタスクも、適切なエージェントスキャフォールドで訓練されたモデルによって可能になります。シッダールス氏は、インタビューを分析してハイライトやキャッチフレーズを抽出する彼の長年の作業が、AIによって自動化される可能性を指摘し、Turingがその解決に貢献できると示唆します。

AI導入の「成長痛」とその克服策

MITのレポートで「AIパイロットプロジェクトの95%が失敗する」という結果が引用されることもありますが、シッダールス氏はこれをAI導入における「成長痛」と捉え、その原因と克服策を説明します。

データの構造化: 多くの企業は、まず自社のデータを適切に構造化する作業から始める必要があります（前述の「ファーストマイルの苦労」）。
適切なエージェントスキャフォールド: モデルを適切なプロンプト、コンテキストエンジニアリング、内部ツール呼び出しで囲む必要があります。
質の高い評価（Evals）: モデルのパフォーマンスを正確に測定するための評価システムが必要です。
部分自動化ワークフロー: Andrej KarpathyがCursorについて語ったように、完全な自律性ではなく、人間がAIと協力してタスクを遂行するための「部分自動化」に設計されたワークフローとインターフェース（「Cursor for X」）が必要です。

これらのステップを踏むことで、AIの潜在能力を最大限に引き出し、導入の失敗を減らすことができると彼は見ています。

全面自動化への経路：Cursor for X

全ての役割がCursorのような部分自動化の経路をたどる必要があるのでしょうか。シッダールス氏は、一部の役割ではその中間ステップは不要だと考えます。例えば、カスタマーサポートのような役割では、インターネット上のトークン（データ）で事前訓練されたモデルが、最初から人間の能力に匹敵する、あるいはそれを超える性能を発揮する可能性があります。

しかし、AI研究者やベンチャーキャピタルファイナンス専門の弁護士のような、高度に専門化された役割では、インターネット上に十分なトークンが存在しないため、モデルは最初から弱いかもしれません。また、特定の法律事務所が独自のファイナンス手法を持つように、組織固有の知識も存在します。このような場合、その企業の独自データでモデルをファインチューニングし、人間の「機関知識」を蒸留する必要があるため、モデルはそのままではうまく機能しないでしょう。

AGIの信念と壮大な報酬

シッダールス氏は、世界を「AGI信奉者」と「AGIは壁にぶつかる派」の2つに大別し、自身は紛れもなくAGIを信じる側に属すると語ります。AGI（汎用人工知能）とは、「ほぼ全ての知的知識労働において、少なくとも人間と同等の能力を持つAIシステム」と定義されます。

もしAGIが実現すれば、それは人類にとって「知能」という究極のパズルを解決することを意味します。彼は、病気の治療、老化の逆転、星間旅行、エネルギー問題など、人類が直面するあらゆる課題は「知能制約」を受けていると述べます。したがって、知能を解決する者は、これら全ての問題を解決する鍵を手に入れることになります。

AGIを制する者は、検索、消費者向けデバイス、OS、クラウド、ビジネス生産性ソフトウェア、さらにはソーシャルネットワーキングまで、あらゆる市場を制する可能性を秘めています。この「壮大な報酬」こそが、フロンティアラボが数十億ドル規模の巨額な先行投資を行う理由です。この競争に負けるコストはあまりにも大きいため、彼らは「プレイしなければならない」とシッダールス氏は強調します。

SAS時代の終焉：ソフトウェア開発の民主化

「AGIを信じるなら、SASアプリに投資してはいけない」という挑発的な問いに対し、シッダールス氏は「SASは、私たちが知っている限りでは、終わったと思う」と同意します。彼はその理由を3つ挙げます。

カスタムソフトウェア構築の容易化: 多くのSASアプリは、ソフトウェア開発が比較的困難で複雑だった時代に生まれました。しかし、今日のLLM上では、多くのAIアプリケーションが信じられないほど簡単に構築できます。例えば、カスタムのカスタマーサポートボットを開発するのに、かつてはNLPの博士号を持つエンジニアを雇い、何ヶ月もデータを収集し、複雑なニューラルネットワークを構築する必要がありましたが、今ではその障壁が大幅に下がりました。このため、多くの企業がコアビジネスでない領域でも、サードパーティのSASアプリに頼らず、「自社でカスタムソフトウェアを構築する」ようになるでしょう。
Foundation Model企業による「Sonic Boom」: Foundation Model企業自身が、アプリ層に進出し、自分たちでアプリケーションを開発する「Sonic Boom」を引き起こす可能性があります。モデルが「エージェント化」し、組織のデータベースに十分に統合されれば、例えば人事プロセスで医療福利厚生情報を更新するといったタスクは、中間のSASアプリケーションを必要とせず、モデルが直接実行できるようになるかもしれません。
GUI中心のソフトウェアデザインの終焉: 多くのソフトウェアは、人間がGUI（グラフィカルユーザーインターフェース）を操作し、クリックすることを前提に設計されています。しかし、マルチモダリティ、推論、ツール利用、コーディングの4本柱で構成されるスーパーインテリジェンスの時代では、この現状は変わるでしょう。シッダールス氏は、私たちが「アンビエントAI」と対話する未来を想像します。それは、話しかけるだけでタスクを実行し、現在のSASアプリケーションのGUIを中間ステップとして利用したり、APIコールを通じて必要な情報を取得したりするようになるかもしれません。人間は、クリックするよりも良い時間の使い方があるはずだと彼は語ります。

彼の見解に対し、VC側からは「多くの企業は80～100ものSAS製品を使っており、その全てを自社でメンテナンスするのは不可能」「技術に疎い企業はWixすら使えない」「Foundation Model企業は、特許作成のような非常に垂直特化されたニッチには参入しないため、垂直化が防御線となる」といった反論が示されます。シッダールス氏は、この反論も理解しつつ、Chat GPT以降、企業が使用するSASアプリの数が減り、従業員も減っているはずだと仮説を立てています。

ソフトウェアエンジニアの未来：定義の変化と増加

AIがコードの99%を生成するような未来において、ソフトウェアエンジニアの数はどうなるのでしょうか。シッダールス氏は、10年後には「増える」と予測します。

彼の見解では、ソフトウェアエンジニアの「定義」が変わります。これまでのソフトウェアエンジニアは、4年制のコンピューターサイエンスの学位を持つ人々に限定されていましたが、今後は「現実の問題を解決するためにソフトウェア製品を構築できる人」全般を指すようになるでしょう。例えば、腫瘍学の医師が、癌検出のためのシンプルなアプリを開発できるようになるかもしれません。このように、ビルダーのプールが、専門的なCS学位を持つ人々をはるかに超えて拡大していくため、結果的にソフトウェアエンジニアの総数は増加すると見ています。

しかし、ソフトウェアが増加すれば、今度は「発見」の問題が生じます。無限のソフトウェアの中から、自分に最適なものを見つけるにはどうすればよいのでしょうか。シッダールス氏は、個人のためのエージェントが、インターネット上の他のエージェントとコミュニケーションを取り、自分に最適なソフトウェアを発見する未来を想像します。まるで映画「her」の世界のように、私たちのデジタル代行者が、私たちの代わりに起業家と会話したり、投資すべきスタートアップを発見したりするようになるかもしれません。

インターフェースの変化：電話の終焉とアンビエントAIデバイス

現在のスマートフォンは、私たちのデジタル生活の中心ですが、シッダールス氏は、これが未来の主要なインターフェースではなくなると予測します。

彼は、常にオンで、マルチモーダルなトークン（音声、動画、画像など）を処理する、新しいタイプの「ウェアラブルデバイス」の登場を予想します。例えば、カメラ付きのメガネは、相手のボディランゲージを読み取る視覚入力を提供します。AirPodのようなデバイスは、耳元でAIがヒントやフィードバックを囁くかもしれません（例：「ハリーはマルチモダリティの話では興味を失っていたが、ARの話で活気づいた」）。

これらのデバイスは、「センサー」（聞く、見る）と「エフェクター」（耳元で話す）を組み合わせたものになるでしょう。理想的には、話しかけるだけでタスクを記憶し、後で実行してくれるようなデバイスです（例：「ハリーとの件で、Turingを使ってクリップ生成を自動化するというアイデアをフォローアップするようリマインドしてくれ」）。

彼は、新しいデバイスや、メガネ、AirPodのようなヒアリングデバイスが普及すると考えます。Meeting Owlのような、会議中の発話者にフォーカスするようなデバイスの進化も想像できます。私たちのスマートフォンは、今や「電話アプリが入ったコンピューター」に過ぎず、電話アプリは最も面白くない部分です。未来のAIデバイスでも電話機能は残るかもしれませんが、それ以外の全てが「魔法のよう」になるでしょう。常に周囲の情報を聞き、見て、記憶し、検索できるような、脳の拡張のようなデバイスを彼は描きます。

データプロビジョニング市場の10年後：研究深度と適応力

Turingのようなデータプロビジョニング市場は、10年後にはどのような姿になっているのでしょうか。シッダールス氏は、以下の特徴を持つ企業が成功すると予測します。

研究深度: AI研究のペースは非常に速く、毎年新しい学習パラダイムが登場します。このような変化に迅速に適応し、先手を打つには、深い研究DNAが必要です。
迅速な適応力: 市場の変化に素早く対応し、プラットフォームを適応させられる企業が有利です。

この市場は「独占」ではなく、「少数の勝者」が存在する形になると見ています。フロンティアラボがレジリエンスと価格競争のために複数のパートナーを求めるためです。

もし彼自身がこの分野に投資するとしたら、彼は「ロボティクス」や「Embodied AI（身体化されたAI）」に投資するだろうと述べています。Turingは既にこの分野でのデータ生成を拡大していますが、この領域にはまだ膨大な量のデータが不足しており、多くの未開拓の機会があるからです。ロボティクスは非常に広範な分野であり、家庭用ロボット、工場用ロボット、ヒューマノイドロボットなど、それぞれに異なる種類のデータが必要です。

シッダールス氏は、この市場を、以下の多次元マトリックスで捉えています。

知能の種類: コーディング、STEM、機能専門知識（セールス、マーケティング、SE）、垂直専門知識（医療、法律、金融）。
モダリティ: 音声、動画、画像、コンピューター使用。
多言語性: 異なる言語。
学習パラダイム: 模倣学習、強化学習、事前学習（教師なし学習）。

これら全ての組み合わせが、新しい機会を生み出す可能性を秘めています。そしてこれらは「デジタル知能」に過ぎず、「物理的知能」（ロボティクス）は全くの未開拓領域だと彼は指摘します。

ジョナサン・シッダールス氏の「速射質問」への回答から見えた哲学

インタビューの終盤で、シッダールス氏はいくつかの速射質問に答えています。

AIに関する広く信じられている誤解: 「急激なAIの離陸（Rapid Takeoff）」ではなく、「漸進的かつ継続的な改善（Incremental Continuous Improvement）」が起こると考えています。これにより、人類はワークフローを準備し、スキルアップし、教育を再考し、大規模な雇用喪失を防ぐ時間を得られるため、世界にとって良いことだと見ています。自動運転車のように99%正確でも最後の1%が解決できなければ無価値というモデルではなく、AIは改善されるごとに段階的な価値を生み出すと信じています。
中国のAI: 過小評価されていない。Deep SeekやKim K2 Quenのようなオープンソースモデルは最先端であり、最前線のAIコミュニティでは中国の進歩は明確に認識されています。
クローズドモデルとオープンモデル: アプリケーションによる。企業は両方を求める。クローズドモデルは導入が容易だが、コストやカスタマイズ性でオープンモデルが選ばれる場合も。最前線モデルに関しては、その強力さゆえに「技術を一部クローズドに保つことには価値がある」と考えています。米国のラボは責任感と安全意識が高いと評価しています。
Elon MuskのAIへのアプローチ: Elonも人類を深く気にかけていると見ています。彼のAIへの動機は「人類を愛するAI」を作りたかったことであり、Grokチームの目標も人類が宇宙を理解し、最大の問題を解決するのに役立つ強力なAIを持つという崇高なものだと語ります。
以前信じていたが今は信じていないこと: 以前は「優秀な経営陣を雇い、多くのレバレッジを効かせ、邪魔をしない」ことで永続的な価値のある会社を築けると考えていました。今は「優秀な人材を雇い、彼らとその直属の部下と密接に連携し、顧客という『グラウンドトゥルース』にできる限り近づく」ことが重要だと信じています。Elon Muskの伝記から、彼が工場を歩き、モデル3のドアに3本のボルトがある理由をエンジニアに尋ねるような、ハンズオンなアプローチから学んだと言います。また、以前は「好かれたい」という潜在意識があったかもしれないが、今は顧客の問題解決に集中していると語ります。
Turingでの最も不人気な決定: 分散型チームから「ハブ・アンド・スポークモデル」への移行。サンフランシスコ、パロアルト、ロンドンにオフィスを開設し、出社を求める方針転換は一部の従業員にとって不人気であり、一部は退職しました。
次の10年で最も楽しみにしていること:
- AIによる新たな発見と「AI研究自体の自動化」。これにより、AIが自己改善ループに入り、スーパーインテリジェンスへの到達を加速すること。
- AIを「外骨格（exoskeleton）」と捉える。映画「Iron Man」のように、AIがスーツとなり、人間一人ひとりにスーパーパワーを与え、その潜在能力を最大限に引き出す未来。
- 現在100のアイデアがあっても2つしか実行できない人間が、残りの98のアイデアも実行できるようになるような未来。地球上の70億人の全てにこの能力が行き渡ることを期待しています。

結論

TuringのCEO、ジョナサン・シッダールス氏の言葉は、AIの進化がもたらす未来が、私たちの想像をはるかに超えるものであることを雄弁に物語っています。彼は、単なる技術的な進歩にとどまらず、ビジネスモデル、社会構造、そして人間の可能性そのものに対する深い洞察を提供しました。

「データラベリング時代の終焉」と「リサーチアクセラレーター」としてのTuringの新たな役割は、AIモデルの高度化に伴うデータニーズの劇的な変化を浮き彫りにします。チャットボットからエージェントへの移行、そして複雑な現実世界の実務をAIに遂行させるための「RL環境」の構築は、これからのAI開発の核心となるでしょう。

知識労働の自動化は、既存の大企業にとっては「森林火災」のような変革をもたらし、適応できない企業は淘汰される可能性を示唆します。しかし同時に、AIは個人の生産性を劇的に向上させ、起業を民主化し、人類がより高次元の抽象的な問題に取り組むことを可能にする、希望に満ちた未来も描いています。この新たな時代において、企業にとっての「モート」は、データ駆動型フィードバックループと、AI導入における「ファーストマイルの苦労」と「ラストマイルの苦労」を解決する能力にあります。

シッダールス氏は、AIの「バブル」を否定し、AIが緩やかで持続的な改善を通じて、段階的に社会に価値をもたらすと信じています。SAS時代の終焉、ソフトウェアエンジニアの定義の変化、そして電話に代わる新しいアンビエントAIインターフェースの登場は、私たちが慣れ親しんだデジタル環境が根底から覆されることを示唆しています。

彼のビジョンは、AIが単なるツールではなく、人類の知能と創造性を無限に拡張する「外骨格」となり、地球上の誰もが自身の最も豊かな可能性を追求できる未来です。この壮大な変革期において、Turingは最前線のラボと企業の間で、スーパーインテリジェンスの訓練とデプロイメントを加速させることで、その中心的な役割を果たすことを目指しています。

シッダールス氏の言葉は、私たち全員に対し、AIがもたらす未来を深く理解し、その変化に適応し、そして新たな機会を掴むための準備を促す、力強いメッセージと言えるでしょう。