u が「新規」（エージェントの事前知識ではカバーされていない）であると仮定する。そして、仕様策定、検証、誤り訂正はそれぞれタスク規模に応じてスケールする。これらの仮定から、いくつかの自明ではない帰結が導かれる: (1) 人間の労力について滑らかな部分線形領域は存在せず、O(E) から O(1) へと中間的なスケーリングのクラスを伴わずに急激に移行する; (2) より優れたエージェントは人間の労力の係数を改善するが指数は改善しない; (3) AIエージェントを備えた n 人規模の組織では、最適なチーム規模はエージェント能力に応じて減少する; (4) 壁時計時間はチームの並列性によって O(E) に到達するが、総人間労力は O(E)$ のままである; そして (5) 得られるAIの安全性プロファイルは非対称である――AIは最前線の研究の領域ではボトルネックにより制約されるが、既存の知識を活用する領域ではボトルネックの影響が緩和される。我々は、これらの予測が、AIコーディングのベンチマーク、科学的生産性データ、実務者からの報告という経験的観測と整合することを示す。我々の貢献は、人間の労力が線形にスケールしなければならないことを証明するものではない。むしろ、新規性の割合をAI支援による生産性を支配する主要なパラメータとして特定する枠組みを提示し、「知能爆発」や「データセンターの天才の国」といった、広く見られる物語を否定するというよりむしろ明確化する帰結を導くものである。
ノベルティ・ボトルネック：AI支援作業における人間の努力のスケーリングを理解するための枠組み
arXiv cs.AI / 2026/3/31
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、「ノベルティ・ボトルネック」を中心にした、人間とAIの協調フレームワークを提案する。ここでいうノベルティ・ボトルネックとは、タスク手順のうち人間の判断を要する割合（エージェントの事前知識でカバーされていないため）によって生じる、低減不能な直列成分であり、Amdahlの法則に類似する。
- タスク分解の前提や、タスクサイズに対する仕様化・検証・エラー訂正のスケーリングに関する仮定のもとで、このモデルは、人間の努力のスケーリングにおける鋭い転移（概ね O(E) から O(1) への変化）を予測し、滑らかな中間の部分線形レジームは存在しないとする。
- AIエージェントの改良は主に人間の努力係数を低下させるが、人間の努力がスケールする際の指数（べき乗の指数）をは変えないため、より良いモデルだけで効率を高めることには限界があると論じる。
- この枠組みはさらに、エージェントの能力が高まるほど最適な人間チーム規模が縮小すること、壁時計時間は並列化によって改善し得ること（およそ O(√E)）を予測するが、総計の人間の努力はなお O(E) のままであるとする。
- 著者らは、このモデルを非対称なAIの安全性／制約プロファイルに結びつける。すなわち、最先端研究における「新規性（ノベルティ）」の領域では、人間-in-the-loopの安全性がボトルネックになりやすい一方で、既存知識の適用ではボトルネックになりにくいとし、コーディングベンチマークや生産性に関する報告との整合性を主張している。
