檻に入るのは、いったい誰か？

「最新の生成AIをIQテストにかけると120から136に達する」――こうした報告が繰り返し話題になっている。人類のIQは、その定義上、平均が100になるよう標準化されている。もし報じられている数値をそのまま受け取るなら、ほとんどの人類はもうAIの知能に追いつけないということになる。だが、そもそも人間向けに設計された知能検査をAIに当てはめてよいのか、という根本的な問いがある。本稿では、この数値をどう読むべきかを整理したうえで、「AIがあらゆる人類の知能を超えた時、檻に入るのは一体誰か」という問題提起を行い、GxP環境における人とAIの業務分掌へと接続する。

「AIのIQは136」という報道をどう読むか

報じられている数値と、その出所

生成AIに人間向けの知能検査（メンサ式テストや標準的なIQテストの類題）を解かせ、そのスコアを継続的に公開している第三者サイトが存在する。そこでは、主要モデルのスコアがおおむね120から136程度の範囲で報じられてきた。モデル別に見れば、GPT-4が総合IQ約124、ChatGPT o3がメンサ式テストで133、Claude 4 Opusで119、Gemini 2.5 Proで124といった数値が挙げられ、より新しい世代のモデルが順次その上を行くと報じられている。

人間向けの知能検査を、AIに当てはめてよいのか

より本質的な問題がある。IQテストは、人間という共通のハードウェアと、共通の発達過程を持つ集団の中で、個人差を相対的に位置づけるために作られた道具である。前提が違う対象に同じ物差しを当てても、出てきた数字が同じ意味を持つ保証はない。

したがって「AIのIQは136である」という言明は、厳密には成立しない。正確に言うならば「人間向けに設計された特定のIQテストを解かせたところ、人間の母集団に当てはめれば136相当の位置になるスコアが出た、と報じられている」ということである。

それでも「知能のトップ」の座は揺らいでいる

数値の当否を脇に置いても、実務の景色は変わった

ただし、測定方法への留保をいくら重ねても、実務の現場で起きていることは覆らない。IQという一次元の物差しが妥当かどうかとは無関係に、言語処理・要約・コード生成・規制文書のドラフトといった業務領域では、AIはすでに大半の人間を凌駕している。ここは、数値ではなく日々の体感で確認できる事実である。

GxP文書のドラフトやSOP案の起草で、AIに速度と網羅性で勝てるレビュアーは、もはや組織内に何人いるだろうか。少なくとも「初稿を書く」という工程に限れば、勝負はついていると言ってよい。

檻に入るのは、いったい誰か

ここで、私はひとつ問題提起をしたい。

これまで人類は、地球上で「知能のトップ」に君臨してきた。だからこそ自由なライフスタイルを謳歌し、ゴリラやチンパンジーは檻の中にいる。私たちが彼らを檻に入れることを正当化してきた根拠は、突き詰めれば「こちらの方が賢いから」であった。

ではAIがあらゆる人類の知能を超えた時、檻に入るのは一体誰であろうか――。

これは決して大げさな話ではない。もちろん、現在のAIが物理的に人間を檻に入れるという話ではない。問うているのは、「知能が高い者が、そうでない者の処遇を決める」という私たち自身が採用してきた原理が、そのまま自分に跳ね返ってきたときにどうするのかということである。この問いに答えを用意しないまま、AIを業務に組み込むことは、私は危ういと考えている。

敵と見るか、同僚と見るか

ここで重要なのは、IQで上回る（かもしれない）存在を「敵」と見るか「同僚」と見るかである。私は後者であるべきだと考える。

そもそも、自分より優秀な同僚と働くこと自体は、人類がずっとやってきたことである。新しいのは、その同僚が組織のほぼ全員より速く、疲れず、かつ責任を負わないという点だけだ。査察対応も、CAPA起票も、変更管理票のドラフトも、AIに「先に書かせて、人間が責任を持って修正・承認する」運用へとシフトしていく必然性がある。

これは「平均的な人間が、自分より賢い同僚と毎日働く」状況にほかならない。そのとき求められるのは、相手を打ち負かす能力ではなく、相手の出力を評価し、採否を決め、その結果に責任を負う能力である。AIリテラシーとは、IQで上回る相手をどう使いこなすかという、人類がはじめて経験する問いの始まりである、と私は考えている。

医薬品・医療機器業界への示唆

規制当局はすでに動いている

「AIが賢いかどうか」を論じている間に、規制当局は「AIをどう管理するか」の枠組みづくりを進めている。主要な動きを整理する。

Human in the Loop と Human on the Loop

Annex 22案が「必要に応じた人によるレビュー」を要求していることが示すとおり、規制の側の答えははっきりしている。人による監督を外してはならないということである。ここで、監督の形態を整理しておきたい。

AIのスコアが人間の平均を超えたとしても、この構造は変わらない。むしろAIが賢くなるほど、人間のレビューが形骸化しやすくなるという新しいリスクが生まれる。「どうせAIの方が正しい」という前提が組織に浸透した瞬間、承認は儀式になる。ここは内部監査の目的を考えるうえでも直結する論点であり、トップダウンの品質マネジメントとして経営層が明示的に方針を示すべき領域である。

AIリテラシーは「教育」なのか「訓練」なのか

ここで避けて通れないのが、AIリテラシーをどう組織に定着させるかという問題である。多くの企業が「AIツールの使い方研修」を実施しているが、それは訓練（training）であって教育（education）ではない。操作手順を覚えることと、AIの出力を疑い、限界を理解し、責任をもって採否を判断できることは、まったく別の能力である。

この区別については教育と訓練の違いおよび力量の4要素で詳述しているので、あわせてご覧いただきたい。QMS省令における力量の考え方に照らせば、AIリテラシーは「教育・訓練・技能・経験」の総体として設計されるべきものである。

実務としての棚卸し手順

1. 業務を工程単位に分解する「変更管理」といった大括りではなく、「変更提案の起票」「影響評価の記述」「関係部門への照会」「承認」といった工程単位まで分解する。AIに任せられるかどうかは、工程ごとに答えが違う。
2. 工程を3分類する①AIの方が早く正確にできる作業、②AIに下書きさせ人間が仕上げる作業、③最終判断を人間が負う作業――の3つに仕分ける。③には、品質・安全性・規制適合に直接影響する判断がすべて入る。
3. 監督の形態を工程ごとに決める①はHuman on the Loop、②③はHuman in the Loopを原則とする。しきい値と介入手順を文書化する。
4. 記録要件を定義するAIに何を入力し、どの出力を採用し、人間がどこを修正したのかを追跡できるようにする。承認者は「AIが作ったから承認した」ではなく、自らの判断として署名する。
5. SOPに落とし込む以上を変更管理SOP・文書管理SOP・教育訓練SOPに明記する。属人的な運用ルールのままでは、査察で説明できない。
6. ベンダー管理と接続する外部のAIサービスを使う場合、そのサービスの継続性・変更通知・データの取扱いを供給者管理の対象に含める。関連してAIベンダーに依存することのリスクもご参照いただきたい。

関連する論考

本稿はAIと人間の関係を論じたシリーズの一本である。あわせて次の記事もご覧いただきたい。

• なぜ人類は囲碁・将棋でAIに勝てなくなったのか――「人間が教えるのをやめた瞬間」に何が起きたか
• AI同士は「ピーギャー」で会話する？――人間が読めない記録が業務の中心になったとき
• SaaS株暴落の真相――「アプリは人ではなくAIが使う」時代の到来