AI時代の新職種：LLMの限界を補う「人間による専門職」の台頭
本記事は、大規模言語モデル（LLM）の普及に伴い、従来の職務とは異なる新しい専門職が求められる未来の労働市場の様相を詳細に論じている。筆者は、AIが社会に深く浸透する中で、人間とAIシステムの境界領域で多くの仕事が生まれると予測している。具体的に挙げられている新職種は以下の通りである。
1. **インキャンター（Incanters）**: LLMの特性（例：脅しや命令の繰り返し、嘘の入力など）を理解し、最高の出力を引き出すためのプロンプト入力に特化する専門家。単なるプログラマーではなく、LLMとの「対話」を通じて結果を最適化する役割を担う。
2. **プロセスエンジニア（Process Engineers）**: LLMの予測不能な出力（例：法的な虚偽情報「confabulations」）によるエラーを品質管理する専門家。法務事務所などでは、意図的に修正可能なエラーを挿入し、それを発見・修正するプロセスを構築し、品質保証を行う。
3. **統計エンジニア（Statistical Engineers）**: MLシステム自体の変動性（バリアビリティ）を測定、モデル化、制御する専門家。LLMの出力が、入力オプションの順序や言語（例：英語とスペイン語）によって異なる性能を示すといった、複雑な統計的偏りに対処する。
4. **モデルトレーナー（Model Trainers）**: AIの学習データ（コーパス）の品質維持に努める専門家。インターネット上の誤情報（misinformation）がモデルを汚染するリスクに対抗するため、2023年以前の高品質な資料や、特定の分野の専門家（例：カロリング朝の学者）の知識をモデルに教え込む役割を担う。
5. **ミートシールド（Meat Shields）**: LLMが失敗した場合に、法的な責任や世論の批判を一身に引き受ける「人間」の役割。企業や専門家が、AIの誤作動による損害から自身を守るための「責任の盾」となる。
6. **ハルスピクス（Haruspices）**: モデルが誤作動を起こした際（例：ドローンが誤って攻撃した場合、医療モデルが特定の人種に偏りを見せた場合など）、その入力、出力、内部状態を深く調査し、行動の経緯を解明する専門家。これは、事故調査委員会（NTSB）や法律、医療分野での深い調査が必要となる。
これらの職種は、AIの「混沌としたシステム」としての側面を補完し、信頼性と説明責任を確保するために不可欠であると論じられている。
背景
本記事は、生成AI（LLM）が社会インフラとして組み込まれる現代の技術的課題を深く掘り下げている。AIの性能向上に伴い、単なる技術開発だけでなく、その「信頼性」「説明責任」「品質保証」といった、これまで人間が担ってきたプロセスや倫理的な側面が、新たな専門知識や職務として求められるという視点を提供している。
重要用語解説
- 大規模言語モデル（LLM）: 大量のテキストデータから学習し、人間のような自然な文章を生成するAIモデル。その出力の予測不能性や誤情報生成（ハルシネーション）が課題とされる。
- プロンプトエンジニアリング: LLMから望ましい出力を得るために、入力する指示（プロンプト）を工夫・最適化する技術やスキル。本記事では「インキャンター」という形で専門職化が論じられている。
- ハルシネーション: AIが事実に基づかない、もっともらしい虚偽の情報を生成してしまう現象。LLMの信頼性を脅かす最大の課題の一つである。
- ミートシールド: AIシステムが失敗した際に、法的な責任や批判を一身に引き受ける「人間」の役割。責任の所在を明確にするための概念。
- ハルスピクス: AIの複雑な動作や誤作動の原因を、入力、出力、内部状態など多角的に調査し、その経緯を解明する専門家。高度なフォレンジック分析を指す。
- 影響: AIの社会実装が進むにつれ、技術的な側面だけでなく、プロセス管理、品質保証、倫理的な責任追及といった「人間的な介入」が不可欠となる。これにより、専門職の定義が広がり、AI時代における「人間の役割」の再定義が求められる。企業は、これらの専門職を組織的に組み込む必要があるだろう。