「AIはもう人間を超えた」という言説が2026年には当然のように語られる。GPT-5、Claude Opus 4.7、Gemini Ultra──ベンチマークのスコアだけ見ていれば、そう信じたくなる気持ちもわかる。だが4月23日にNature誌が発表した研究は、そのナラティブに冷水を浴びせた。
最高性能のAIエージェントでも、複雑な科学タスクでは博士専門家の50%以下の成功率しか達成できない。
これは何を意味するのか。そして同じ時期にStanford AI Indexが発表した「AIエージェントの成功率77.3%」との矛盾はどう解くべきか。個人的には、この二つの数字のギャップこそが2026年のAIの本質を語っていると思う。
はじめに──衝撃の研究結果
博士専門家の半分以下という現実
Nature誌(Vol.652、2026年4月23日号)に掲載された研究は、複数の最先端AIエージェントを博士レベルの研究者と並べて評価した。対象は複雑な科学的推論タスク──単純なQ&Aではなく、複数の知識領域をまたいだ仮説の設定、実験設計の評価、矛盾するデータの統合といった、実際の研究現場で行われるような作業だ。
結果は明快だった。最高性能を誇るAIエージェントでも、博士専門家が達成した成功率の50%以下にとどまった。
「AIは平均的タスクでは人間を超えたが、難しいタスクでは依然として大きな差がある。私たちはAIが得意なことだけを測定しすぎてきたのかもしれない。」
── Nature誌 研究著者コメントより
50%以下という数字は、単なる「まだ発展途上」では済まない。これは量的な差ではなく、質的な限界の可能性を示唆している。
なぜAIは複雑な科学タスクで躓くのか
ルーティン vs 創造:タスク難易度の分類
ここで整理しておきたいのは「タスク」の定義だ。AIが得意な仕事と苦手な仕事は、難易度という一次元では語れない。構造化されているかどうか、という軸が重要だ。
- 構造化タスク:入力と正解が明確で、評価基準がはっきりしている。コードの補完、翻訳、情報の要約など。AIはここで圧倒的に強い。
- 半構造化タスク:ルールはあるが解釈の余地が大きい。法律文書の解釈、医療診断の補助など。AIは平均的な専門家と肩を並べるケースが増えている。
- 非構造化タスク:正解の定義すら不明確で、複数のドメイン知識を創造的に組み合わせる必要がある。科学研究の最前線がここにある。
Natureの研究が対象にしたのは、まさに三番目のカテゴリだ。AIがまだ地図を持っていない領域。
専門知識の文脈依存性とAIの限界
もう一つの問題は「文脈の深さ」だ。博士専門家が複雑な科学タスクを解くとき、彼らは表に出ていない知識を大量に使っている。論文に書かれていない「この分野の常識」、過去の失敗経験、学会で耳にした未公開の議論──これらは訓練データには存在しない。
AIは公開されているテキストから学ぶ。だが科学の最前線で価値を持つ知識の多くは、まだどこにも書かれていない。これは本質的な制約だ。現在のAIアーキテクチャがどれだけスケールしても、「まだ書かれていない知識」へのアクセスはできない。
Stanford AI Indexとの矛盾を解く
77.3%成功は「汎用タスク」での話
ではなぜStanford AI Index 2026は「AIエージェントの成功率77.3%(2025年の20%から急上昇)」という数字を報告しているのか。
これは矛盾ではない。測っているものが違う。Stanford AI Indexが評価対象にしたのは、SWE-bench(コード修正)、WebArena(ウェブ操作)、AgentBench(ゲーム・ツール操作)など、タスクが明確に定義されたベンチマーク群だ。構造化タスクでのパフォーマンスを測っている。
Natureの研究は、構造化されていない科学的推論を測った。
つまり:「AIエージェントは構造化タスクで急速に人間を超えつつあり、非構造化タスクでは依然として人間の半分以下」──これが2026年の正確な現在地だ。
タスク複雑度によるAI性能の非線形性
個人的に興味深いのは、この差が「線形」ではないことだ。タスクが少し難しくなると、AIの性能は少し落ちるのではなく、崖のように急落する傾向がある。
これはトランスフォーマーアーキテクチャの性質に関係している可能性がある。AIは「似たパターンを認識して応用する」のが得意だが、パターンが存在しない問題では根拠のある推論ができず、それらしい答えを生成してしまう(幻覚)。難易度が閾値を超えると、自信を持って間違えるという最悪のモードに入る。
人間とAIは協力できるか
Google AI Co-scientistの示す補完モデル
GoogleのAI Co-scientist研究(2026年公開)は、別の可能性を示している。AIが自己評価プロセスを経て仮説を修正し続けた場合、非補助の専門家を特定の条件下で超えるケースが報告されている。
ここでのキーワードは「自己評価」と「反復」だ。一発回答では人間に負ける。しかし人間と同じように「これは本当に正しいか?」と問い直す機能を持たせると、スコアが大幅に改善する。
これは人間が科学をやる方法そのものだ。仮説を立て、反証を探し、修正する。AIがこのプロセスを模倣できるなら、コラボレーションの可能性が開ける。
分業の最適解はどこにあるか
2026年時点での私なりの答えは、こうだ。
AIは「可能性空間の探索」に使い、「絞り込みの判断」は人間が持つ。
科学研究で言えば:AIが100の仮説候補を生成し、実験の初期スクリーニングをシミュレートする。人間の研究者はその100から「実際に試す価値のある5つ」を選ぶ。この組み合わせは、人間だけでも、AIだけでも達成できないスループットを実現する。
Natureの研究が示した「AIは専門家の50%以下」という数字は、「AIを単独で使ってはいけない」というメッセージとして読むべきだ。「AIは使えない」ではない。
開発者・研究者へのインパクト
この研究が実務に与えるインパクトを具体的に考えてみる。
エンジニアリングの文脈では、AIエージェントに「難しい問題の解決」を完全委任する設計は危険だ。特に、正解の定義が曖昧な要件定義、アーキテクチャ選定の最終判断、セキュリティリスクの評価といった「判断のコアにある部分」は人間がレビューするループを必ず残すべきだ。
研究者の文脈では、AIを「文献サーベイの自動化」と「仮説候補の生成」に使うのは理にかなっている。しかし「この仮説は追うべきか」という最終判断はまだ人間の直感と経験に依存する価値がある。
そしてマネジメントの文脈では、「AIが全部やってくれる」という前提でチームを縮小した企業が、複雑な判断局面でつまずく姿がこれから増えるだろう。Natureの論文は、そのリスクを数字で示した最初の警告だ。
まとめ──2026年、AIと人間の分業はここにある
Stanford AI Indexの77.3%とNatureの50%以下。この二つの数字は矛盾しているのではなく、AIの「できること」と「できないこと」の地図を正確に描いている。
AIは構造化された問題を驚くほどの速度で処理できる。しかし科学的発見のフロンティアにある「まだ誰も解いていない問い」には、まだ届いていない。
これはAIの否定ではない。分業の設計図だ。
AIに任せることで人間の時間を解放し、その時間を「AIにはまだできないこと」に集中させる──これが2026年の最適解だと私は思う。そしてその「AIにはまだできないこと」の範囲は、Natureの研究が示したより広い。それは希望でもあり、戒めでもある。
あなたが日々の仕事でAIに任せているタスクは、構造化されているか、非構造化されているか。一度振り返ってみる価値がある問いだ。
参考文献・一次ソース