TL;DR
· あるAI起業家によると、エージェントによるコード作成が初期キャリアの能力序列を変えつつある。
· 評価可能なタスクはモデルに適しており、人間は問題の判断、時間とツールの配分を学ぶべき。
· 現金報酬だけが目標ではなく、関係性、評判、納品品質が差を生む。

ある人物は、自身の経歴としてScale AI、DeepMind、OpenAI、Googleなどで働き、現在はエージェントネイティブ企業の創業に携わっていると述べている。その人物が英文の長文で、若者向けに新たなキャリアアドバイスを書き記した。背景には、AIコード作成ツールがコード補完から、より完全なソフトウェアエンジニアリングエージェントへと進化していることがある。OpenAIが2025年にCodexをリリースした際、それはクラウド上で機能の作成、バグ修正、PRの提案などのタスクを並行処理できるが、人間によるレビューとコード検証が依然として必要だと述べられた。問題はこうなる：標準的な答え、普通のコード、評価可能なタスクがますます安くなる中、若者はどこに時間を費やすべきなのか？

この記事の核心は「プログラマーが置き換えられる」ということではなく、初期キャリアの選別基準が変わりつつあることだ。学校や従来の面接では、定義が明確で答えがはっきりしており、採点可能な問題が大量に訓練される。まさにこの分野でモデルの進歩が最も速い。今後、人をより区別できるのは、重要な問題を発見すること、価値の高い環境を選ぶこと、信頼できる評判を築くこと、そしてエージェントが生成した中程度の結果を納品可能なレベルに磨き上げることかもしれない。

現金オファーだけが唯一の答えではない、時間と評判の方が希少だ

著者の判断では、AI起業環境において、資本とツールは過去よりも容易に入手できるが、質の高い時間、強い関係性、信頼できる評判は依然として希少である。

彼は自身の経験でこれを説明する。Scale AIに入社する前、彼は現金保証がより高いクオンツポジションのオファーを得ていたが、最終的にScaleを選んだのは、そこにより強いコミュニティ、より幅広いプロダクトのシナリオ、そして最先端の問題に触れる機会が多くあったからだ。彼の回想によれば、後にScaleを通じて大規模言語モデルの推論プロバイダーと接触し、DeepMindやOpenAIの機会を得て、さらに後に一緒に起業する同僚たちとも出会った。

これらの経験は単純にすべての人のキャリア公式に外挿できるものではないが、その示唆は非常に直接的だ：初期キャリアの選択は目の前の現金だけで見るべきではない。特にAIがソフトウェア構築のハードルを下げた後では、素早く収益を上げられる小さなツールを作ることは珍しくなくなり、長期的なリターンはより難しい問題、より強い人々、より信頼できる経歴のシグナルから生まれることが多い。

若者が問うべきは「どの機会が即座に多く金をくれるか」ではなく、そのことが時間を投資する価値があるか、優秀な人々と一緒にできるか、自分の良い仕事が信頼できる人に見てもらえるか、そしてそれが次の機会への信用基盤になるかどうかだ。

エンジニアの価値は「問題を解くこと」から「問題を見つけること」へ

エージェントが境界の明確な問題をますます処理できるようになると、エンジニアの価値はもはや「解けるかどうか」ではなく「正しい問題を選べるかどうか」になる。

著者は、自分たちのチームが面接方法を再設計したと述べている。理由は、実際の業務で各行のコードを手書きする必要がなくなった場合、単なるアルゴリズム問題や従来のシステム設計をテストすることは、業務パフォーマンスとの相関が低下するからだ。より有意義なテストは、候補者が環境を素早く理解し、解決すべき問題を見つけ、AIツールや外部リソースを活用して結果を推進できるかどうかを見ることだ。

これがエージェントがコードを書く時代の新しい分業でもある。モデルは目標が明確でフィードバックがはっきりしたタスクを得意とし、人間はどの問題が重要か、どの経路を試す価値があるか、どの程度の時間とモデル呼び出しコストを投入すべきかを判断する必要がある。

学生にとって、AIが宿題をできるようになることは挫折感をもたらすかもしれない。しかし採用の観点から見ると、候補者間の差は消えていない。AIを使って答えを得られるとしても、多くの試行錯誤とプロンプトを必要とする人もいれば、業務の直感、技術的背景、文脈を持ってエージェントと協働し、より早く方向性を見つける人もいる。

「AIを使える」というのも、単に問題をモデルに投げることではない。より強い能力には、問題の分割、欠落情報の特定、いつ反復を続けるか、いつルートを変えるかの判断、そして結果が業務や技術上の重要な矛盾を本当に解決しているかどうかの検証が含まれる。

ソフトウェアが作りやすくなればなるほど、より難しい問題に近づくべし

AIはソフトウェア構築のハードルを下げ、単純なシステムの複製を容易にした。著者は機械学習研究の「苦い教訓」を引用してキャリア選択を説明する：長期的には、汎用的な手法を拡張することが、単一タスクの微細な最適化よりも勝ることが多い。

これを企業や個人のキャリアに当てはめると、単純なアウトプットの堀は薄くなる。誰でも一見使えるシステムを簡単に作れるようになり、真に持続可能な価値は、十分に困難で野心のある問題に集中する。

企業を選ぶ際、著者の基準はこうだ：その企業はその問題の最も野心的なバージョンを解決しようとしているか、そして本当に解決する可能性があるか。ポジションを選ぶ際には、その役割が自分を企業が解決しようとしている最先端の問題に直接触れさせるかどうかを見るべきだ。

また、初期のプロダクトが美しいか、デモが素晴らしいかだけに注目すべきではない。彼の主観的な評価によれば、Anthropicの初期デモは当時、ChatGPTに劣るSlackbotにしか見えなかったが、それがその後の全く異なる軌道を妨げることはなかった。初期の企業は変わるし、プロダクトも変わる。チームの質、市場のスペース、問題の難易度が長期的な結果により大きな影響を与える。

キャリアの機会も同様の論理だ。質の高い機会は必ずしも毎回結果に結びつくわけではないが、人はまず機会が見える位置に立つ必要がある。そこに立てるかどうかは、依然として長期的に蓄積された能力、評判、そして他人がその機会を教えてくれるかどうかに依存する。

普通の結果はより安く、最後の10%がより価値がある

単純なプロンプトでエージェントが中程度の質の結果を生成できるようになると、普通のアウトプットの価値は低下し、最後の磨き上げの価値が上昇する。

原文はSequoia CapitalのAlfred Linの言葉を引用している：最後の10%はしばしば仕事の90%であり、リターンの90%でもある。AI時代において、この言葉はより現実的だ。70点の結果はますます容易に得られるようになり、真に人を区別するのは、独自の視点、細部への注意、反復能力、アーキテクチャの質、拡張性、創造性である。

最初のバージョンのAIアウトプットが完璧であることはほとんどない。本当の仕事はその後の反復で発生する：どこが間違っているか、どこをリファクタリングすべきか、どの体験がスムーズでないか、どのエッジケースがカバーされていないか、いつ次世代モデルを使って最初からやり直すべきか。

これらの能力は、プロジェクト、インターンシップ、実務を通じて鍛えられる。少し時間をかけて磨き上げ、アーキテクチャをクリーンにし、拡張性を考え抜き、ユーザーが本当に使いたくなるような細部まで作り込むことは、作品や面接に痕跡を残す。

伝統的なエンジニアリング能力は無効になっていない。変化しているのは、コードを書くこと自体の希少性が低下し、判断力、審美眼、システム理解、納品品質がより高価になったことだ。AIはより多くの人を中レベルに到達させることができるが、残りの差はむしろ埋めにくくなる。

研究の敷居は下がったが、研究は肩書きではない

記事の最後は「研究への入り方」の議論に及ぶ。著者は、AIは研究をトップラボだけのものにせず、むしろ初期の参入障壁を下げたと考える。

現代の研究はもちろんより多くの計算資源に依存するが、スタート地点は非常に素朴で構わない：既存のモデルを使い、自分の直感を評価に変換し、公開の最適化リーダーボードに参加し、クラウド計算プラットフォームが学生や研究者に提供するクレジットを活用し、できるだけ早くアイデアをテストする。ほとんどのアイデアはスケールアップ時に失敗するが、失敗を理解することは研究判断力を構築する一部である。

研究者はまず仕事のやり方であり、単なるポジションではない。最先端ラボでの研究は、しばしば好奇心、新しいアイデアの試行、インフラとのすり合わせ、システムの詳細の理解、迅速なデバッグ、そして結果の価値を明確に語ってより多くのリソースを獲得することの混合である。多くの訓練は、「研究者」という肩書きを得る前に始めることができる。

この記事が残したキャリアアドバイスは悲観的ではない。AIは標準的な答え、普通のコード、評価可能なタスクをより安くし、若者がより早く現実の問題に触れることを可能にする。機会は依然として存在するが、その配分方法が変わった：重要な問題を見つけ、質の高い環境に入り、信頼できる評判を積み、結果を最後の1マイルまで押し上げることができる者が、次のラウンドの機会を得やすくなる。

クリックして律動BlockBeatsの募集職種を確認

律動 BlockBeats 公式コミュニティへようこそ：

Telegram 購読グループ：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia