すべての未来は嘘だと思う：新しい仕事

2026年4月15日原文(aphyr.com)

概要

本記事は、ML（機械学習）とLLM（大規模言語モデル）の普及により登場する新たな仕事について解説。人間とMLシステムの境界で必要となる職種や役割を具体的に紹介。プロンプト専門家、品質管理、統計解析、モデル訓練、説明責任、行動解析など多岐にわたる業務を整理。 MLの普及に伴う社会的・倫理的課題にも言及。今後の職業構造や社会的責任の変化について考察。

ML時代の新しい仕事

ML（機械学習）とLLM（大規模言語モデル） の普及による新たな職種の台頭
人間とMLシステムの境界領域 で発生する多様な業務
プロンプト専門家（Incanters） によるモデルへの最適入力設計
プロセスエンジニア による品質管理とエラー検出体制の構築
統計エンジニア によるML出力のばらつき・偏りの測定と制御
モデルトレーナー による高品質な訓練データの作成とチェック
説明責任を担う“Meat Shields” としての人材配置
ハルスピス（Haruspices） によるモデル行動の分析と説明

プロンプト専門家（Incanters）

LLMは入力方法によって性能が大きく変化 する特性
脅しや虚偽の報酬提示 など、独特なプロンプトテクニックの存在
文脈長やトークンの影響 を考慮した入力設計の重要性
Claudeなど特定LLMへの最適な“話しかけ方” を極める専門家の出現
従来のプログラマーから、LLM操作専門家への転換 の兆し

プロセスエンジニア

LLM出力の予測不可能性 に対応する品質管理の必要性
意図的なエラー挿入と編集工程によるチェック体制 の導入例
LexisNexis等との連携やワークフローシステムの統合 による効率化
人材教育・レビュー強化・自動化支援の調整 を担う役割
手作業と自動化のバランス評価 による最適プロセス設計

統計エンジニア

LLMの出力結果のばらつき・偏り の測定と制御
選択肢の順序など、細かな要因による結果の違い を分析
心理測定学（Psychometrics）に類似したアプローチ の適用
言語やドメインごとのパフォーマンス差 への対応
複雑で専門的な統計モデル構築 の必要性

モデルトレーナー

高品質な訓練データの確保 が困難化する現状
偽情報や誤情報の混入リスク への対策
2023年以前の信頼できる資料 の利用提案
専門家による訓練データ作成・評価・ベンチマーク策定 の重要性
大規模な人材動員による“人間知識の収穫” 現象
労働環境の悪化や低賃金、労働組合不在 の課題

説明責任を担う“Meat Shields”

経営層や管理職がLLM導入による責任回避のために人間を配置 する実態
法的・社会的責任を負う“生身の人間” の必要性
LLM利用時の失敗や問題発生時の責任転嫁構造
外部委託や下請けの“スケープゴート化” のリスク
“モラルクランプルゾーン”としての人間の役割 （Madeline Clare Elishの概念）

ハルスピス（Haruspices）

モデルの誤作動や不適切な判断の原因究明 を担う専門家
入力・出力・内部状態の分析による行動説明
個別事例の深掘り調査と統計的な全体分析 の両立
ML企業、ユーザー、ジャーナリスト、法廷、監督機関など多様な立場での活躍
社会的説明責任や透明性の確保 への貢献

ML社会における職業構造と責任の変化

ML・LLMの浸透により、既存の職業構造が大きく変化
人間の専門性や責任が、機械と密接に補完し合う新時代
社会的・倫理的課題（説明責任、労働環境、情報の信頼性） の顕在化
今後も新たな職種や役割が次々に誕生する可能性
技術進化と社会制度の連携による持続可能なML活用社会の構築

Hackerたちの意見

https://archive.is/OjGox

└

広告もサブスクリプションもない静的サイトにアーカイブリンクを投稿する意味って何？

「UKオンラインセーフティ法のため利用不可」って、VPNなしだとどうしてこうなるの？理由知ってる？

└

aphyrのサイトにはNSFWの写真があるかもしれないから、新しいUKの法律に引っかかってドメインがブロックされたのかも。

└

UKをジオブロックすることで年齢確認ができるけど、そうじゃないとサイトの運営者は自分のコンテンツがUKで成人向けと見なされるかどうかを確認しなきゃいけないし、何か対策を講じる必要があるよね。

これは分類法の面白い試みだと思うけど、ちょっと魔法的な思考に偏ってるかな（自分も「インカンター役」をやることが多いから言うけど）。著者の以前の魔女的な美学（彼の素晴らしい「技術面接を行う」シリーズを見てみて）と進歩的な労働政治が組み合わさってる。今の自動化の流れの中で、これはほぼ運命づけられてると思う。想像力の最大の失敗は、ほとんど（あるいは*どんな）仕事に人間を使うと思い込んでることだと思う。例えば、ハルスペクスの仕事は、内部状態の無数を処理できるLLMに任せた方がいいよね（これは機械的解釈の分野）。

└

そして、ハルスペクスLLMが失敗した時、私たちは何に頼るの？

└

うん、同じ印象を持ったよ。著者の視点には共感するけど、ここで見せている最小限の楽観主義を持つことすらできない。説明されている「プロセスエンジニア」はすぐに自動化システムに置き換わると思う。「統計エンジニア」は、AIモデルの変化の速さについていけないだろうし、各言語や文脈ごとに異なる統計的な振る舞いやバイアスがあるから、そもそもその深い専門知識を持つために誰も彼らにお金を払うことはないと思う。もっと可能性が高いのは、その仕事がAI基盤モデルの会社で行われることで、でもそれは一度だけ行われて、トレーニングプロセスに組み込まれるんだ。

└

そして、進歩的な労働政治（現在の自動化の流れでは漸近的に運命づけられている）。これって具体的にどういう意味？

└

マジック8ボールは、君が投げかける質問の「無数の内部状態」を処理できるんだ。でも、答えをくれるのに、私たちはそれを使わないよね。

個人的には、MLは「普通の技術」になると思ってるけど、すごく変革的だとも思う。「インカンター」と「プロセスエンジニア」を一つにまとめて「ユーザー」って呼べるんじゃないかな。責任が求められる役割を含む仕事は、指示を出したり、文脈を提供したり、エージェントの出力を確認したりすることになると思う。これは、何百万もの労働者が基本的なコンピュータスキルやMicrosoft Officeを知っているのと似てる。自分の意見では、LLM時代に仕事がどれだけ危険かは、次の2点にかかってると思う：1: パフォーマンスを向上させるためのRLループを構築するのがどれだけ簡単か？ 2: そのタスクを実行するためのLLMハーネスを構築するのがどれだけ簡単か？ 3: その仕事が構造化されたタスクのセットなのか、責任を取ることなのか？ミスの結果は？人間関係はどれだけ影響する？だからこそ、自分はソフトウェアエンジニアリング（でもコーディングではない）に対して楽観的なんだ。1)と2)は、作り込まれたコーディングタスクやサンドボックスで簡単に設定できるけど、3)はその役割の残りを広げて支配することになる。モデルトレーナーについては、RLHFがプロの専門家を仕事から追い出すとはあまり思ってない。いくつか理由があるけど、まずほとんどの人間データ会社は、契約プラットフォームで出力を評価する人がいるため、定義上、少し作り込まれたデータを生成してる。そして、世界中で収集できるデータにはほぼ無限の制約がある。次に、前にも言ったけど、ボトルネックは責任と、モデルがエラーなしで新しい文脈を見つける能力の両方にある。

└

ある意味、技術は「普通じゃない」よね。デジタル化の技術革命を考えると、その経済への影響をうまく説明するのは難しい。初期の頃は、銀行が億ドルのビジネスから百万ドルのビジネスに変わると言われてたし、大学もほとんどの管理業務を排除できるはずだった。会計や財務も簡単になるってね。以前の技術革命も予測不可能だったけど、振り返ると納得できる部分もあった。でも、今の経済の核心的な活動が何かははっきりしない。ミクロレベルでは明確だけど、ズームアウトするとぼやけてくる。なぜアカウンタビリティが必要なのか？その文脈では明らかに必要だけど、どうやってそれが集約されるのか理解するのは難しい。

Hacker Newsで議論の続きを見る

ハクソク