AIは底上げをする。勝つのは「深さ」を持つ人だ。
「AIがエントリーレベルの仕事を置き換える」という言説は、エントリーレベルの人材が実際に何をしているかを誤解しています。アクティベーション担当のジュニアは単純作業をしているわけではありません。DV360のターゲティング設定、トラッキングピクセルのQA、入札戦略の管理を行っているのです。本当の問いは、AIが全員の底上げをしたとき、優位性はどこから生まれるのか？答えは「深さ」です。
ここ数ヶ月、AI-Nativeメディアオペレーションのコースを作っています。7つのモジュール、数十枚のスライド。そして何度も書き直しているスライドが一枚あります——オペレーティングモデルが75-80% AIに移行したとき、業界に入ってくる人たちに何が起こるのかというスライドです。まだ納得のいく形にできていません。
自信ありげなバージョンを何度も書きました。そして消しました。自信がないからです。答えではなく、方向性しか持っていません。そして正直な会話のほうが、磨き上げられたものより役に立つと思っています。
ここに、私がずっと考え続けていることを書きます。
その言説は間違っている
「AIがエントリーレベルの仕事を置き換える」——聞いたことがあるでしょう。きれいな話です。でも間違っています。少なくとも、エントリーレベルの人材が実際に何をしているかを誤解しています。
現代のメディアエージェンシーの各部門を見てみましょう：
- ストラテジー：競合分析の収集、リサーチブリーフの統合、会議漬けのシニアが見逃すデータのパターンの発見
- プランニング：メディアプランの構築、予算シナリオの実行、オーディエンスセグメントの構築——実際のデータにはレビューするシニアプランナーより近いことが多い
- アクティベーション：DV360のターゲティング設定、トラッキングピクセルのQA、プラットフォーム横断の入札戦略管理——オーディエンス設定のミスが数時間で予算を使い果たす、本当にテクニカルでハイステークスな仕事
- アドオペレーション：広告のトラフィッキング、トラッキング不整合のデバッグ、数十のプラットフォームにまたがる計測の整合性維持
- リサーチ：調査方法論の評価、サンプルバイアスの発見、定性回答のコーディング——本物の懐疑的な目が必要な丁寧な分析作業
- レポーティング：ダッシュボードの構築、異常値の特定、チャートはきれいに見えてもデータが合っていないことを見抜く力
これらは「反復作業」ではありません。判断力、プラットフォームの知識、クライアントの文脈を必要とする実質的な貢献です。DV360のキャンペーンを設定している人は単純作業をしているのではありません。メディアプランが実際に機能するかどうかに直結する数十のテクニカルな判断をしているのです。
誰も語らない「シニアの検証ギャップ」
あまり議論されていないことがあります。VPは何年もDV360を毎日触っていません。プランニングディレクターはもう自分の手でオーディエンスセグメントを構築していません。戦略的な意思決定をしている人たちは、プラットフォームレベルの実行を長い間委任してきたため、AIのアウトプットをそのレイヤーで検証しようと思ってもできないことが多いのです。
AIがキャンペーン設定を生成したとき、誰がそれが正しいか検証するのか？オーディエンスセグメントを構築したとき、データソースが正しいかチェックするのは誰か？計測フレームワークを作成したとき、トラッキングアーキテクチャが実際にそれをサポートしているか分かっているのは誰か？
多くの場合、それはプラットフォームに最も近い人たちです。自分たちの仕事が「ルーティンだ」と言われているまさにその人たちです。
これが「AIがジュニアの仕事を置き換える」という言説を危険にしていると思います。AIが処理する75-80%にも検証が必要です。その検証には深さ——プラットフォームの専門知識、トラッキングアーキテクチャの知識、データソースへの精通——が必要です。そして多くの組織では、その深さは「置き換えられる」とカジュアルに言われている人たちが持っているのです。
パレードの問題
何度も立ち返るアナロジーがあります。全員がAIを持つと、幅広い能力はパレードになります——遠くから見れば印象的、近くで見れば全部同じ。どのエージェンシーもメディアプラン、オーディエンスインサイト、競合レポート、クリエイティブブリーフを大量に生成できます。ツールは同じ。プロンプトは収斂する。アウトプットは均一化する。
では、優位性はどこから生まれるのか？
深さです。特定の専門分野で、AI＋競合他社よりも深く行くこと。広くではなく——深く。
「T型」ジェネラリストが評価されてきた業界で育った人には、これは直感に反するかもしれません。しかし形は変わりつつあると思います。AIがTの横棒を無料で提供するとき、唯一の差別化要因は縦棒がどこまで深く伸びているかです。
深さを優先するキャリア開発
従来のモデルは「まず広く、後から専門化」でした。部門をローテーションし、プランニング、バイイング、レポーティングに触れて、やがて自分のレーンを見つける。
今はその逆のモデルのほうが良いと思います。まず深く、それから広げる。
AIはすでに広さを提供しています。どんなジュニアでもAIを使ってメディアプランを起草したり、競合分析を作ったり、リサーチサマリーを生成したりできます。それがフロア——全員の底上げです。希少なのは、アクティベーションや計測やクリエイティブ評価をAIより上手にできる人です。AIのアウトプットを見て、何が間違っているかすぐに分かる人です。
その評価スキル——AIの仕事を本物の専門知識で評価する能力——には深さが必要です。そして深さには、最初の2年で5部門をローテーションするのではなく、一つの分野に集中した時間が必要です。
「深く行く」とは具体的にどういうことか
ここは具体的に書きたいと思います。一般的なキャリアアドバイスは役に立たないからです。
アクティベーション：プラットフォームとAIの橋渡し役になりましょう。AIの設定が現実には機能しない場面を見抜けるほどプラットフォームの機能と限界を知ること——配信に足りないほど狭いオーディエンス、目的に合わない入札戦略、クライアントが明示的に除外した在庫を含むプレースメントリスト。
アドオペレーション：タグ実装からトラッキングアーキテクチャへシフトしましょう。ピクセルを設置するだけでなく、AIが依存する計測インフラを設計する。同意フレームワーク、サーバーサイドタギング、データクリーンルームを理解する。計測システムを設計できる人は、AIに置き換えられるのではありません。むしろ重要性が増しています。
プランニング：構築するだけでなく、ストレステストする力を身につけましょう。今や誰でもプランを作れます。価値があるのは、数字は合っているが戦略が間違っているとき——リーチカーブは効率的に見えるがフリークエンシーがオーディエンスを苛立たせるとき、チャネルミックスは紙の上では最適化されているがブランドの各環境での実際の見え方を無視しているとき——それを見抜ける力です。
リサーチ：懐疑的な目をコアスキルとして磨きましょう。AIはどんな人間よりも速くリサーチを統合できます。しかし、設計の甘い調査から得た知見を自信満々に提示したり、相関と因果を混同したり、サンプルバイアスを見逃したりもします。方法論の欠陥を見抜けるリサーチャーはかつてないほど価値があります。
クリエイティブ：AIにはない審美眼を鍛えましょう。AIはバリエーションを生成できます。しかし、なぜこの特定のバリエーションが、このブランドの、この文脈で機能するのかは説明できません。その判断力——テイスト、ブランド理解、文化的な感性に裏打ちされた——は育てられますが、自動化はできません。
レポーティング：データの整合性を守る層になりましょう。AIは美しいダッシュボードを作ります。しかし美しくて間違っているダッシュボードもあります。アトリビューションモデルがミスリードしているとき、データソースが静かに変わったとき、数字は正しく見えるがストーリーが逆を語っているとき——それを見抜ける人は不可欠です。
誰も語らないEvalレイヤー
AI開発から直接適用できるコンセプトがあります。Eval（評価）です。AIにおいて、evalとはグラウンドトゥルース——「正解」がどういうものかを定義する基準です。evalがなければ、AIのアウトプットが良いか悪いか判断できません。マシンを信じるしかなくなります。
メディアオペレーションでは、evalはすでに存在しています。ただそう呼ばれていないだけです。
ローンチ前チェックリストはevalです。正しいキャンペーン設定がどういうものかを定義しています。KPIラダーはevalです。良いパフォーマンスとは何かを定義しています。ブランドガイドはevalです。コンプライアンスに準拠したクリエイティブがどういうものかを定義しています。トラッキング精度の基準はevalです。信頼できる計測とは何かを定義しています。
これらを構築し維持する人たち——専門家の判断をオペレーション基準にエンコードする人たち——は、AIが根本的に自分自身ではできないことをしています。AIはキャンペーン設定を生成できます。しかし、このクライアントのこの市場でこれらの制約条件における正しいキャンペーン設定がどういうものかを定義することはできません。それには深さが必要です。
そして、過小評価されていると思うことがあります。evalの構築は、利用可能な最も強力な学習エクササイズの一つです。自分の専門分野において「正解」がどういうものかを定義するよう求められたとき——ローンチ前チェックリストを書く、許容できる誤差の閾値を特定する、クリエイティブコンプライアンスのルーブリックを作る——その仕事を判断をエンコードできるほど深く理解しなければなりません。これは事務作業ではありません。深さの発達を加速させる作業です。
ですから、深さを優先するキャリア開発と言うとき、eval作成はその具体的な表現です。AIのアウトプットを評価でき、かつ評価基準を定義できる人は、時間とともに複利的に成長するスキルセットを持っています。基準はより鋭くなり、AIはより良くなり、その人と「ただAIを使うだけの人」との専門性の差は広がり続けます。
業界に入ってくる人へ
ここは正直に書きたいと思います。業界に入ってくる人は、安心感よりも正直さを求めていると思うからです。
はい、エントリーレベルの役割は変わっています。入口はもう「AIができる仕事を人間の手でやる」ではありません。「AIが仕事を正しくやったかどうかを評価できる深さを身につける」です。
ハードルが高くなったように聞こえるかもしれませんし、ある意味ではそうです。しかし、評価スキル——AIのアウトプットを見て何が正しくて何が間違っているかを判断し、なぜかを明確に説明できる力——は、思われているよりも早く身につけられると思います。ゼロからのスタートではありません。AIを学習加速装置として使えるスタートです。
ただし、評価と並行してハンズオンの実践も必要です。ダメなものがどういうものかを知るために、自分でキャンペーンを作る必要があります。ダッシュボードが何を隠しているか理解するために、手動でデータを引く必要があります。AIは学びを加速させますが、実践を完全に置き換えるわけではありません。まだ。
一つの分野を選んでください。深く行ってください。フレームワークを学んでください。これから活躍するのは、特定の分野で本物の専門性を身につけた人です。ジェネラリストのプロンプトエンジニアになった人ではありません。
徒弟制度の問題
正直に言うと——これは私がまだ解決できていない部分です。
エージェンシーの伝統的な徒弟制度が機能していたのは、ジュニアが仕事をしながら学べたからです。プランニングアシスタントはプランを作ることでプランニングを学びました。アクティベーションコーディネーターはキャンペーンを設定することでアクティベーションを学びました。反復が教育だったのです。
AIはそのワークフローを圧縮します。そしてワークフローを圧縮することで、学習メカニズムも圧縮してしまいます。AIがメディアプランを作り、ジュニアがそれをレビューする場合、同じようにプランニングを学べるのか？そうではないかもしれないと思っています。
方向性はありますが、完全な答えはありません。深さ優先の育成。実行と並行した評価。AIをただの生産ツールとしてではなく、教育ツールとして使う——ジュニアにAIと一緒にものを作らせてから、AIが作ったものを批評させることで、スキルと判断力を同時に学ばせる。
でも、それで十分かは分かりません。徒弟制度の問題は、AI移行における最も難しい組織的課題かもしれません——テクノロジーより難しく、ビジネスモデルより難しい。これを完全に解決した人は、どのエージェンシーのオペレーティングモデルよりも大きなものを解決したことになります。
今、どこにいるのか
きれいなまとめで終わるつもりはありません。正直なバージョンにはそれがないからです。
これは正しいと思っていることです：あなたはAIに置き換えられるわけではありません。言説はそれよりもニュアンスがあります。しかし、成長の仕方、優先するスキル、専門性の位置づけ——これらは進化する必要があります。広さは今や無料です。深さが差別化要因です。
キャリアの初期にいるなら：一つの分野を選び、深く行き、AIの仕事を評価する判断力を身につけてください。その組み合わせ——深さと評価力——があなたを不可欠にします。
チームをリードしているなら：プラットフォームやデータに最も近い人たちは、あなたのAI戦略にとってあなたが思っている以上に重要かもしれません。組織のオペレーティングモデルを設計する人たちがそれを理解していることを確認してください。
そして、これについてのコースを作りながらまだあの一枚のスライドを書き直しているなら——まあ、少なくとも参照できるブログ記事ができました。すべての答えが書かれているわけではないですが。
以上です。他の人がどう考えているか、本当に聞きたいと思っています。特にメディアキャリアの初期にいる人たち。同意しますか？反対ですか？何を見落としていますか？
Cheers, Chandler
