AI 能力が高まり、意思決定プロセスに深く組み込まれるにつれ、次の課題はもはや生成そのものにとどまらず、検証、信頼性、そして現実世界の理解へと移りつつある
パトリック・ルーシー博士は、Stats Performチーフサイエンティストとして、同社のAI およびイノベーション戦略を統括しています。今回の記事では、AI をめぐる議論が、「システムが何を生み出せるか」から、「組織が何を信頼し、検証し、大規模に実用化できるか」へとどのようにAI 、そしてなぜスポーツがその次の時代に向けた実証の場となりつつあるのかについて考察しています。
ここ数ヶ月、私はAI 全体を網羅してきました。その範囲は、 NVIDIA GTC や MITスポーツサミット から、 ウィスコンシンAI ・ビジネス・サミット、そして当社独自の Opta Forum、そしてEMBAの教室。
2025年3月16日、NVIDIA GTCのステージに立つパトリック・ルーシー。
サミットやカンファレンスの喧騒から一歩離れてみると、我々が転換点に差し掛かっていることは明らかです。議論の焦点は、現在の自律型AI 「何ができるか」という「目新しさ」から、「何をするべきか」という必要性へと移りつつあります。 私たちは、AI 反応AI 、能動的な生産システム、すなわち「AI 」として扱う方向へと移行しつつあります。しかし、こうしたファクトリーを展開する前に、必要な検証と監督体制が整っていることを確実にしなければなりません。ビジネス界がデジタル領域でのシステム導入に注力する一方で、研究とイノベーションの「話題」は、AI集中しています。
しかし、これは私たちがスポーツ界で行っている活動とどう結びつくのでしょうか？
スポーツは、物理的な世界とデジタル世界の完璧な交差点に位置しているという点で、他に類を見ない存在です。多くの産業がテキスト、コード、画像といったデジタル世界のみに存在している一方で、スポーツの本質は、人間がリアルタイムで身体を使って行う活動にあります。 スポーツは、経済的だけでなく社会的にも、地球上で最も価値ある資産の一つであり、普遍的な言語を通じて国境を越えてコミュニティをつなぐ、世界的な社会構造の一部を成しています。私たちはこうした人間の営みを深く大切にしているため、データの生成AI その活用は、非の打ち所がないAI 。私がこの記事を執筆した動機は、次の2つです：
以下に、この期間に私が捉えた主なトレンドの概要と、それらがStats Performでの私たちの取り組みとどのように関連しているかについてまとめました。
NVIDIAのGTCにおいて、CEOのジェンセン・フアン氏は、我々が従来のデータセンターの時代をすでに脱したと強調しました。数十年にわたり、データセンターは受動的なコストセンター――情報の保存と検索を目的としたデジタル倉庫――でした。今日、我々はAI 、つまり実際の作業が行われる施設を構築しています。この新しいパラダイムにおいて、 AI 、その作業を実行するエンジンAI 。
具体的には、こうしたエージェント型システムは、まるでデジタル従業員のように振る舞います。つまり、計画を立て、ソフトウェアを操作し、多段階のワークフローを自律的に完了できるシステムです。 Claude Code や OpenClaw といったツールは、この新しい「自動化された労働」の一端を垣間見せてくれます。
事業運営の観点から見ると、議論は「AIをどう活用するか」から「どうすれば AIをAI？」へと移行しています。AI コードの記述やコンテンツの生成AI 驚くほど容易AI 一方で、新たなコードベースや出力を維持・検証する必要性という、新たな負担も生じているのです。
これらのシステムをどこで活用するかについては、現実的な判断が必要です。トークンは無料ではありません。単純なスプレッドシートの照会に高度な推論能力を持つエージェントを使うのは、スーパーへの買い物にジェットエンジンを駆使するようなものです。だからこそ、AI AI の利用にかかる真のコストを反映させるべく、価格モデルを急速に見直しているのです。企業が注意を怠れば、計算リソースの予算を瞬く間に使い果たしてしまう可能性があります。 さらに、自動化されたアクションの一つひとつが新たなセキュリティリスクとなります。これは、Anthropic社のMythosモデルが、人間による数十年にわたるレビューを経ても見過ごされていた脆弱性を数秒で発見したことで、最近実証されたことです。
多くの点で、これは古典的な機械学習の核心的な原則を反映している。つまり、線形モデルは正則化が容易で、解釈しやすく、破綻しにくいという点で、深層ニューラルネットワークよりも優れている場合があるのだ。
2026年のメッセージは明確です：
AI 仕組みを理解できず、その検証もできないのであれば、そもそもそのシステムを開発すべきではないでしょう。「ブラックボックス」という言い訳は通用しなくなりました。EUAI のような規制が が全面施行され、米国の州法でも厳格な民事責任が導入される中、組織は今やあらゆる「自律的な」誤動作に対して法的・倫理的な責任を負うことになります。理解できないシステムの背後に隠れることはできません。
AI 成功を収めるためには、組織にはAI 管理し、例外的なケースを特定し、必要に応じて介入できる専門家が必要です。
私が訪れたサミットや教室の至る所で、あらゆる会話の根底に一つの疑問が横たわっていた。「私の仕事の未来はどうなるのか？」。新卒者にとっても、職を失った人々にとっても、デジタル世界を自律的に探索し、独自のソフトウェアを記述できるシステムであるAI の台頭は、手に取るように感じられる不安を生み出している。
今まさに逆説的な現象が目の前で起きている。AI 将来の労働の基盤AI にもかかわらず、今学年度のコンピュータサイエンスの学生数は8.1％減少し、全専攻の中で最も急激な減少幅を記録した。
なぜこの落ち込みが起きているのか？私の見解では、「コーダーの時代」が「コンテキストの専門家の時代」に取って代わられつつあるためだ。一般的なコーディングの知識はコモディティ化しつつある。差別化要因となるのは、深い専門知識、とりわけ「ラストマイル」におけるものだ。そこでは、エッジケースや制約、現実世界の変動性を理解し、検証しなければならない。AI 平均的なケースをAI 一方で、最も重要なシナリオにおいてシステムが正しく動作することを保証するには、人間の専門知識が不可欠となります。
医療、法律、金融といった規制の厳しい分野では、価値の重心が、生成的な「推測」から決定論的な監査へと移行しつつある。これは ジェヴォンズのパラドックス の現れです。AI 基本的な認知タスクをより安価かつAI につれ、私たちはその作業を減らすのではなく、指数関数的に増やしてしまうのです。これは以前、会計分野で電子表計算ソフトが導入された際にも見られました。多くの人が会計士の必要性が減ると予想していましたが、結局のところ、その分野は拡大したのです。 生産量が増大するにつれ、リスクも同様に増大する。その結果、仕事量が減るのではなく、その作業を検証し、妥当性を確認し、最終的に責任を負うための高度な専門知識への需要が高まっている。AI はこのプロセスをAI 、説明責任は自動化できない。検証と承認には、依然として人間の専門家が不可欠である。
とはいえ、コーディングが中核的なスキルとして消え去ることはないでしょう。むしろ、優れたコーディング能力と深い専門知識を組み合わせることこそが、競争優位性をもたらすことになるでしょう。今後ますます、コーディングとAI あらゆる分野において基盤となるAI 、単なる専門分野ではなく、中核的な能力としてAI 。
スポーツにおいて、専門知識を装うことはできない。
リスクが高すぎる上、状況も極めて特殊です。参入障壁となっているのは、単なる技術力だけではありません。AI 検証し、バリューチェーンの上流で活動するために必要な専門知識こそが障壁となっているのです。つまり、単なる記述的分析から、チームやファンに真の影響をもたらす処方的なイノベーションへと移行することが求められているのです。
この変化を如実に示す例が、当社の Opta Forumで明らかになりました。
これまで、アナリストやデータサイエンティストは、ダッシュボードの維持管理や定型的なレポート作成に追われていました。しかし、AgenticAI登場により、その状況は一変しつつあります。ダッシュボードは「検証の層」へと進化しており、もはやインサイトを発見するための「目的地」ではなく、AI 作成した成果物を監査・検証するためのインターフェースとなっています。世界中の主要クラブとの対話を通じて、ある共通した傾向が浮かび上がりました。それは、アナリストやデータサイエンティストが、ついに「以前から解決したいと願っていた課題」に集中できるようになったということです。
この転換により、アナリストは単に成果物を維持する役割から、その整合性を自ら責任を持って管理する役割へと移行できるようになり、これまで手が回らなかった高価値かつ影響力の大きい課題のバックログに取り組むための余裕が生まれる。
AI 多くは、「どのように」実現するか――システムの運用、ガバナンス体制の構築、雇用喪失への懸念への対応――に焦点が当てられています。しかし、より根本的な変化が起きています。AI デジタル世界を超えて、現実世界へとAI 。
これが「フィジカルAI」の台頭です。
多くの人が「物理AI」と聞くと、ヒューマノイドロボットを思い浮かべます。ロボット工学が次の大きなフロンティアとして急速に台頭している一方で、その実現を可能にする重要なブレークスルーの一つが、 ワールドモデル の開発です。AI 、現実世界の物理法則や相互作用を、ますます高い精度で理解・シミュレートAI 。主にテキストや画像を処理する従来型のLLM（大規模言語モデル）やVLM（大規模視覚モデル）とは異なり、ワールドモデルは、共有された埋め込み空間において、物体、環境、運動、相互作用のダイナミクスを統合的に表現します。これらのモデルは、物理環境における知覚、推論、計画、意思決定を可能にするための基盤となります。
長年にわたり、私たちはデジタル上の「サンドボックス」の中で業務を行ってきました。そこでは、エラーが発生してもリンクが切れたり、出力が間違ったりする程度に留まります。しかし現実の世界では、エラーは深刻な結果を招きます。誤りによる代償は劇的に大きくなります。だからこそ、検証が極めて重要になるのです。
この変革を可能にする重要な要素の一つが、高精度なデジタルツインの活用です。これは、システムが実世界と相互作用する前に、安全にトレーニングやテストを行うことができる仮想環境のことです。しかし、こうしたシステムの性能は、その基盤となるデータや前提条件の質に左右されます。その好例が、WaymoがGoogleの「Genie 3」モデルを活用して、実生活では捉えるのが極めて困難な現実的なシナリオをシミュレートしていることです。これらは過去に実際に起きたことではないかもしれませんが、起こり得る可能性はあります。したがって、こうした状況下でどう行動すべきかを理解しているシステムを持つことが、安全性と信頼性の鍵となります。
これにより、新たな種類の「データ・モート」が形成されます。それは単なる規模だけでなく、正確性と現実への根ざしを備えたものです。これは、深い専門知識の必要性をさらに強めるものであり、AI 実際に運用されるべき現実を確実に反映させるために、科学者やエンジニアの存在が不可欠となります。
AI 現実世界へとAI につれ、人間の専門知識の役割は薄れるどころか、ますます重要になっていきます。なぜなら、システムが現実世界で動作する際、信頼はもはや「あれば良い」ものではなく、不可欠なものとなるからです。
スポーツは、現実世界とデジタル世界の交差点に位置しています。
数十年にわたり、AI 、グラフィックや要約、単純な統計データといった情報を提供する手段として利用されてきました。しかし今日、ファンやチームはデータと対話することを求めています。この点において、AI 、AI 不可欠AI AI 構築するには、単に汎用モデル（LLMやワールドモデルなど）を適用するだけでは不十分であり、その競技のデータ、物理的特性、言語に対する深い理解が求められます。
Stats Perform、スポーツ特有の3つの基盤分野にわたる深い専門知識にあります：
この基盤により、当社の3層システムが実現されます：
こうした層こそが、AI 信頼できるものにしているのです。
確固たる知覚と言語がなければ、推論は成り立たない。ダッシュボードを検証レイヤーとして活用することで、アナリストはスタックの上位へと移行し――単なる出力の生成からその検証へと――より深いモデリングやイノベーションに注力できるようになる。
これは、より高速なツールを開発することではありません。世界で最も重要な分野の一つに、「真実の基盤」を築くことなのです。
より詳しく知りたい方のために、NVIDIA GTCおよびOpta Forum での私のセッションへのリンクをForum に掲載しました。
