本記事の対象読者と前提

本記事は、生成AI、システム開発、業務改善、経営判断などに関心を持つ実務者を対象としている。

ただし、本記事は問題解決手法を解説するものではない。

また、AIが人間を代替するかどうかを論じる記事でもない。

本記事の目的は、

課題空間

という概念を通じて、

AIが得意とする領域と、人間が担う領域の違いを整理することである。

前回の記事では、囲碁AIであるAlphaGoを題材に、AIがなぜ囲碁で強さを発揮できたのかを考察した。

本記事は、その続編にあたる。

本記事で参照する主な情報

本記事では、囲碁AIおよび大学入試に関する外部事実について、以下の情報を参照している。

AlphaGoに関する情報

DeepMind公式 AlphaGo

DeepMind “AlphaGo” https://deepmind.google/research/alphago/

参照内容：

  • AlphaGoの概要
  • Fan Hui戦
  • 李世乭九段との対局

Nature 2016

Silver, D. et al. “Mastering the game of Go with deep neural networks and tree search” Nature, 529, 484–489, 2016 https://www.nature.com/articles/nature16961 DOI: 10.1038/nature16961

参照内容：

  • AlphaGoの基本構成
  • 方策ネットワークと価値ネットワーク
  • 囲碁における探索空間と局面評価の難しさ

大学入試に関する情報

LifePrompt社によるAI入試検証

LifePrompt 「【首席超え・満点続出】2026年度 東大・京大の入試問題をAI（ChatGPT / Gemini / Claude）に解かせてみた【採点協力：河合塾】」 2026年4月27日 https://note.com/lifeprompt/n/n85674c186fbc

参照内容：

  • 2026年度東京大学入試問題を用いたAIモデルの検証
  • ChatGPT 5.2 Thinking、Gemini 3 Pro Preview、Claude 4.5 Opusの得点
  • 理科三類合格者最高点との比較

LifePrompt社プレスリリース

LifePrompt 「【大学受験×生成AI企画】最新AIが東大・京大の合格者最高点を突破、満点科目もあり」 2026年4月28日 https://prtimes.jp/main/html/rd/p/000000003.000136448.html

参照内容：

  • 東京大学理科三類 550点満点におけるAIモデル別得点
  • ChatGPT 5.2 Thinking：503.59点
  • Gemini 3 Pro Preview：496.54点
  • Claude 4.5 Opus：451.99点
  • 参考値としての2026年度理科三類合格者最高点：453.60点

河合塾 Kei-Net

河合塾 Kei-Net 「2026年度 東京大学 合格最高点・最低点・平均点一覧」 https://www.keinet.ne.jp/exam/past/score/2026/national/1120.html

参照内容：

  • 2026年度東京大学入試における合格者最高点、最低点、平均点
  • 理科三類 総合 550点満点
  • 最高点 453.6000点

東京大学新聞

東京大学新聞社 「東大26年度一般選抜、2990人合格　最低点は理Ⅱが理Ⅰを上回る」 2026年3月10日 https://www.todaishimbun.org/goukaku_20260310/

参照内容：

  • 2026年度東京大学一般選抜の合格発表
  • 全科類の最高点が453.60点、理科三類であったこと

なお、大学入試に関するAIの成績は、実際にAIが正式な入学試験へ出願・受験・合格したという意味ではない。

公開された入試問題を用いた検証において、AIモデルの得点が理科三類合格者最高点を上回ったと報告された、という意味で扱っている。

1. 囲碁AIと大学入試

1.1 囲碁AIの成功

前回の記事では、囲碁AIであるAlphaGoを題材にした。

AlphaGoは、2016年に韓国のトップ棋士である李世乭九段との五番勝負に勝利し、大きな話題となった。

囲碁は、巨大な探索空間を持つゲームである。

一手ごとに大量の分岐が生まれる。

その中から、勝利に近づく手を選び続ける必要がある。

しかし、どれほど探索空間が大きくても、

  • ルール
  • 合法手
  • 勝敗条件
  • 評価軸

は最初から定義されている。

囲碁AIは、その世界の中で探索と最適化を行った。

その結果として、人間を超える成果を示したのである。

ここで重要なのは、

AlphaGoは「何を解くべきか」を考えていたわけではない

という点である。

囲碁という問題は、最初から与えられていた。

AIは、その問題をどのように解くかに集中していたのである。

1.2 大学入試も似ている

近年では、生成AIが大学入試レベルの問題において高い成績を示す事例が報告されている。

LifePrompt社による2026年度東京大学入試問題を用いた検証では、

ChatGPT 5.2 Thinkingが503.59点、Gemini 3 Pro Previewが496.54点を記録したとされている。

一方、河合塾 Kei-Net および東京大学新聞社が掲載している2026年度東京大学入試結果では、

理科三類の合格者最高点は453.60点である。

この比較に基づけば、公開入試問題を用いた検証上、

これらのAIモデルは理科三類合格者最高点を上回る得点を示したことになる。

この結果は、多くの人に驚きを与えた。

しかし、構造的に見ると、これは囲碁とそれほど大きく変わらない。

大学入試には、

  • 出題範囲
  • 問題文
  • 採点基準
  • 制限時間

が存在する。

受験者は、その中で正解へ到達することを求められる。

つまり、

何を解くべきか

は既に決まっている。

受験者は、

どのように解くか

を考えればよい。

これは囲碁と同じである。

囲碁では勝利が目的として与えられている。

大学入試では高得点が目的として与えられている。

どちらも、問題そのものは既に定義されているのである。

1.3 共通する特徴

囲碁と大学入試。

一見すると全く異なる世界に見える。

しかし、両者には共通点がある。

それは、

何を解くべきかが事前に決まっている

ということである。

囲碁では、

「勝つこと」

が目的として与えられている。

大学入試では、

「高得点を取ること」

が目的として与えられている。

プレイヤーや受験者は、その目的を達成する方法を考える。

つまり、

解き方を考える

のである。

ここにAIの強さがある。

AIは、定義された問題に対する探索と最適化を得意としている。

しかし、

そもそも何を問題とするべきか

を決めているわけではない。

2. 課題空間とは何か

2.1 解空間の前に存在するもの

私たちは、問題解決という言葉をよく使う。

しかし、多くの場合、

解決策を考えることばかりに意識が向く。

例えば、

  • AIを導入する
  • システムを作る
  • データ基盤を構築する
  • 組織を変更する

こうしたものはすべて解決策である。

しかし本来、

解決策の前には考えなければならないことがある。

それは、

何を問題として扱うのか

である。

問題が定まらなければ、解決策も定まらない。

解空間を探索する前に、まず問題そのものを定義する必要がある。

2.2 課題空間の定義

本記事では、課題空間を次のように定義したい。

課題空間とは、解くべき問題の候補が存在する領域である。

そして、人はその中から何を問題として扱うのかを選択する。

例えば、

「売上が下がった」

という事実があったとする。

しかし、この事実だけでは問題は定義されていない。

考えられる課題は複数存在する。

  • 集客が足りないのかもしれない
  • 商品が選ばれていないのかもしれない
  • 価格設定が合っていないのかもしれない
  • 市場が変化したのかもしれない

同じ事実を見ても、どの課題を選ぶかによって、その後の解決策は大きく変わる。

つまり、課題空間とは、

まだ問題が確定していない状態で存在する、

問題候補の集合なのである。

2.3 囲碁の課題空間は誰が定義したのか

ここで少し誤解を避けたい。

囲碁に課題空間が存在しないと言うと、正確ではない。

より正確には、

課題空間が事前に固定されている

と言った方が良い。

囲碁では、何を問題とするかをプレイヤーが決める必要はない。

勝つことが目的である。

合法手も決まっている。

評価軸も決まっている。

つまり、課題空間の定義は既に終わっているのである。

プレイヤーは、与えられた課題空間の中で、最善の手を探せばよい。

大学入試も同じである。

何を解くべきかは決まっている。

受験者は、どう解くかを考える。

その意味で、囲碁も大学入試も、

課題空間が固定された世界

だと言える。

そして、AIはそのような世界で強さを発揮するのである。

3. 実務では何が違うのか

3.1 実務では課題空間が定義されていない

囲碁や大学入試では、課題空間は既に定義されている。

プレイヤーや受験者は、その中で最善の解を探せばよい。

しかし実務は異なる。

実務では、何を問題とするべきかが最初から決まっていないことが多い。

例えば、

「売上が下がった」

という事実があったとする。

しかし、この事実だけでは問題は定義されていない。

集客に問題があるのかもしれない。

商品に問題があるのかもしれない。

価格設定に問題があるのかもしれない。

あるいは市場そのものが変化したのかもしれない。

同じ事実を見ても、人によって異なる課題を選ぶことができる。

つまり実務では、

解決策を考える前に、

何を問題として扱うのかを決める必要があるのである。

3.2 ITアーキテクトとして経験したこと

私は過去に、あるシステムのバックアップ・リストア機能の設計および構築を担当したことがある。

この事例は、特定の企業やシステムに固有の詳細を示すものではない。

ここで述べたいのは、個別の技術構成ではなく、課題空間を整理することで解空間が変わったという実務上の経験である。

当初の議論は、特定の技術アイテムを利用する前提で進められていた。

どのサービスを使うか。

どの構成を採用するか。

どのように組み合わせるか。

議論の中心は技術選定だった。

しかし検討を進める中で、私は別の疑問を持った。

本当に考えるべきことは、

「何の技術を使うか」

なのだろうか。

むしろ、

「何を守りたいのか」

「どの状態まで復旧できればよいのか」

「どの程度の復旧時間を許容するのか」

を先に整理するべきではないだろうか。

そこで、技術アイテムではなく、バックアップ・リストア機能の目的そのものを見直した。

すると、当初想定していた構成よりも、より少ないアイテムで、よりシンプルな構成を実現できることが分かった。

技術的な工夫だけで解決したのではない。

課題そのものを整理し直した結果として、必要な解決策が絞り込まれたのである。

3.3 解空間から考える危険性

実務では、いつの間にか解決策から考え始めてしまうことがある。

例えば、

「生成AIを導入したい」

「データ基盤を構築したい」

「クラウドへ移行したい」

といった議論である。

しかし、これらは課題ではない。

解決策である。

課題が定義されていない状態で解決策を選ぶと、

間違った問題に対して正しい解を作ることが起こり得る。

技術的には正しい。

設計としても正しい。

実装も成功している。

それにもかかわらず、本来解決したかった問題は解決されない。

そのような状況は、実務では決して珍しくない。

だからこそ、解空間を探索する前に、課題空間を整理する必要があるのである。

4. 課題空間が重要な理由

4.1 間違った問題は正しく解けるのか？

AIは探索と最適化を得意としている。

しかし、その能力は与えられた問題に対して発揮される。

もし問題設定そのものが誤っていたとしても、AIはそれを指摘してくれるとは限らない。

むしろ、間違った問題に対しても、高速かつ高品質な解を提示する可能性がある。

これはAIの欠点ではない。

AIが担う役割の違いである。

問題を解くことと、問題を定義することは別の行為なのである。

4.2 課題空間が定まれば解空間も定まる

私はITアーキテクトとしての経験を通じて、

課題空間が定まれば、解空間も自然と絞られていく場面を何度も見てきた。

課題空間が曖昧な状態では、考えられる解決策は無数に存在する。

しかし、

何を問題として扱うのかが定義されると、

必要な技術、

必要な機能、

必要な構成は自然と絞られていく。

もちろん、解決策が一つに決まるわけではない。

しかし、少なくとも進むべき方向は見えてくる。

だから私は、技術選定そのものよりも、何を解くべきかを定義することの方が重要であると考えている。

4.3 AI時代に人間が担うもの

囲碁AIは、人間を超える成果を示した。

大学入試でも、生成AIは高い成績を示している。

これらは、AIが探索と最適化を得意としていることを示している。

しかし、

何を解くべきか

を定義しているのはAIではない。

囲碁では人間がルールを作った。

大学入試では人間が出題した。

そして実務では、人間が課題空間を定義している。

AI時代において人間が担う役割は、答えを出すことだけではない。

むしろ、

何を問題として扱うのかを定義すること

にある。

私はその領域こそ、これからも人間に求められ続ける重要な役割の一つだと考えている。

おわりに

本記事では、囲碁AIと大学入試を題材として、課題空間という概念について考察した。

囲碁も大学入試も、何を解くべきかが事前に定義されている世界である。

AIは、そのような世界で強さを発揮する。

一方で実務では、何を問題として扱うのかを決める必要がある。

課題空間が定まらなければ、解空間も定まらない。

そして、課題空間が定まれば、解空間も自然と絞られていく。

私はこの考え方を、ITアーキテクトとしての経験を通じて学んできた。

次回は、なぜ同じ事実を見ても人によって異なる課題空間が生まれるのか。

そして、課題空間を形作る価値観や立場について考察したい。

参考情報

本記事では、外部事実の確認にあたり、以下の情報を参照した。