教育のバリューチェーン：AIの出番はどこか

2026年1月21日、GoogleはGeminiに内蔵されたSAT模擬試験（無料、全問、AI採点）を発表した。同じ日、OpenAIはダボスでEducation for Countriesを立ち上げた。各国政府がAIを自国の教育制度に取り入れるのを支援するプログラムだ。Googleの動きは具体的で、OpenAIの動きはより広い。いずれにせよ、教育におけるAIは加速している。

問題は、教育のどこに、だ。「AIが教育を変革する」は「ソフトウェアがビジネスを解決する」と同じくらい漠然としている。看護学と情報科学で迷う高校生が抱える問題は、再帰に苦戦するプログラミングブートキャンプの受講生とは違い、その受講生が抱える問題は、候補者の資格を検証しようとする採用担当者とも違う。教育のどの部分の話をしているのか？ この記事では、教育を段階に分解し、各段階で何が壊れているかを整理し、テクノロジーが役立つ場所を探る。

バリューチェーン

学ぶ側の視点から見ると、教育は4段階のバリューチェーンだ。各段階はそれぞれ異なる問いに答える。

専門資格や学習科学にも類似の段階モデルは存在する¹が、そのまま使えるほどシンプルなものがなかったので、自分で作った。教員や大学教授にぶつけてみたが、しっかり成り立っている。

マーケティングからデータサイエンスに転職する社会人を例に考えてみよう。まず探索から始まる。どのスキルが重要か調べ、プログラムを比較し、求人情報を読んで雇用主が実際に何を求めているか理解する。次に学習へ進む。カリキュラムに取り組み、プロジェクトを作り、統計やPythonの穴を埋める。そして評価。模擬テストを受け、ポートフォリオを提出してフィードバックをもらい、求人要件と自分を比較する。最後に資格認定。資格を取得し、公開ポートフォリオを作り、メンターから推薦をもらう。各段階にはそれぞれの失敗パターンがあり、テクノロジーが助けられるポイントも異なる。

これらの段階は順序があるが、厳密に一方通行ではない。学習と評価の間を何度も行き来してから資格認定にたどり着くこともある。あるいは、学習から探索に完全に戻ることもある。データサイエンスのカリキュラムの途中でコンピュータビジョンに出会い、それこそ自分が本当に追求したい分野だと気づくかもしれない。バリューチェーンが表しているのは論理的な進行であって、硬直したパイプラインではない。

段階ごとに何が壊れているか

各段階はそれぞれ違う形で課題を抱えている。学ぶ側、教える側、雇う側が直面しうる課題を見てみよう。

4段階にわたる15の課題を、それぞれ一文で要約した。網羅的ではないが、80/20の法則には沿っている。

探索

1. 方向性：自分が興味を持っていること、得意なこと、世の中が必要としていること（そして稼げること）の交差点を見極めるのが難しい
2. アクセス：適切なプログラムは見つけにくく、入りにくく、しばしば費用の面でも難しい

学習

3. モチベーション：知的な限界に達する前に勢いを失って脱落する
4. カリキュラム：画一的で、学習者の予備知識や好みのペースに合っていない
5. コンテンツ：学習者の目標や背景を考慮しない汎用的な教科書と教材
6. フィードバックループ：中間試験や期末試験まで、自分がずれていることに気づけない

評価

7. 本人確認：オンライン環境での受験者確認はプライバシーを侵しやすく、しかも不完全
8. 不正行為：言語モデルがそれなりの小論文を書き、問題セットを解ける
9. 妥当性：交渉についての試験に受かることと、実際に交渉できることは別の話だ
10. 不安：内容を理解していても、試験の状況下でうまくいかない学生がいる

資格認定

11. 粒度：4年制の学位は粗すぎる。マイクロクレデンシャルは細かすぎる
12. 詐欺：ディプロマミルが正規に見える資格を発行している
13. ポータビリティ：大学Xの単位が大学Yに移行できない
14. 劣化：発行後にスキルが維持されているかどうかを資格は反映しない
15. 不透明さ：資格は評判に裏打ちされた主張であり、検証可能な証拠ではない

地図なしでは、より良い教科書を作って満足するかもしれない。それは改善だが、もし資格認定が本当のボトルネックなら、最も効果の大きい改善ではない。段階を見ることで全体像を把握し、こう問いかけられる。改善が最も重要なのはどこか？

段階を活用する

段階とその課題が揃ったところで、問いかけてみよう。現在のAI能力やその他の新興テクノロジーをそれぞれに向けたら、どうなるか？ 以下は思考実験（各段階につき一つ）であり、検証済みの解決策ではない。

探索：キャリアナビエージェント

現在のAIエージェントは、データベースへのクエリ、文書の解析、分析コードの作成がすでにできる。キャリア探索エージェントは、これらの能力をキャリア設計に活用する。履歴書や成績証明書をアップロードすると、AIが求人情報やスキルフレームワークと照合して、どこに行けるかを描き出す。統計とデータインフラに6ヶ月投資したら選択肢がどう変わるかをスケッチし、代わりにUXに転向したら、全体像が変わる。3つの軸（関心、適性、需要）からなる進路選びが、自分で探れる意思決定空間になる。

学習：プロンプトファースト学習

大規模言語モデルは、すでに長い文脈を保持した会話を維持し、説明をその場で適応させられる。プロンプトファースト学習システムは、その会話を学びの中心にする。行き詰まったときの補助にとどまらない。わからない部分について質問し、腑に落ちないときは反論し、コンテンツがリアルタイムで調整される。最終的に残るのは、自分固有の弱点、疑問、学びの道筋によって形作られた共著の復習ノートだ。詳しくはプロンプトファースト学習に書いた。

評価：AIによる実技評価

現在のモデルはマルチモーダルで、テキスト、画像、動画を処理し、画面やカメラを通じて何をしているかを解釈できる。AIによる実技評価システムは、この能力を使って試験を実技シミュレーションに置き換える。回路設計についての問題に答える代わりに、AIが部品の選定と配線パターンを評価する中で回路基板を設計・配線する。プロジェクトマネジメントの原則について書く代わりに、AIが判断を評価する中でシナリオに取り組む。受験者ごとに選択に応じて課題の展開が異なるため、不正行為が格段に難しくなる。評価される内容が、実際の仕事でやることにより近い。

資格認定：証拠に裏打ちされた資格

ブロックチェーンはあらゆる記録を即座に検証可能かつ改ざん不可能にできる。証拠に裏打ちされた資格認定システムはさらに踏み込む。チェーンが保存するのは主張（「この人は合格した」）だけでなく、実際に何が実証されたかのハッシュ（評価の回答、プロジェクト成果物、評価者のスコア）だ。資格は不透明なバッジではなく、中身の見える器になる。誰でも背後の証拠を確認でき、信頼の根拠が発行者の評判ではなく、検証可能な証拠になる。これは詐欺（資格が偽造できない）、ポータビリティ（発行者に問い合わせずに誰でも検証できる）、不透明さ（証拠が検証可能）に対応する。

今後の展開

これらの段階にはさまざまな関係者が関わっており、それぞれ異なるインセンティブと制約がある。

• 学習者：小中高生、大学生、社会人
• 提供者：教育機関、プラットフォーム、ブートキャンプ
• 雇用者：採用担当者、リクルーター
• ゲートキーパー：政府機関、認証評価機関、資格認定団体

今後の記事では段階を一つずつ取り上げ、それぞれの関係者の立場を踏まえて、最も差し迫った課題と最も有望なテクノロジーの活用について掘り下げる。

これは出発点となるフレームワークだ。一つか二つ欠けている部分があるかもしれないし、掘り下げるうちに境界が動くかもしれない。見落としがあれば、教えてください。