では壁に対して、何ができるのか。
現時点でそれはAIを変えるのではなく、AIの外側を作ること。
AIの性能を上げることでは解決しない。AIの使い方を工夫するだけでも解決しない。ツールを入れただけでも解決しない。壁の内側で価値を出す方法は、AIそのものに手を入れることではなく、AIの周りに構造を作ること — どこで受け取り、どこで渡し、どこで弾き、どこで人間が判断し、どこで資産を残すか — それを設計することだ。
一の壁に対して — 出力を枠にはめる
一の壁は「AIの不確実性」問題。モデルを封じ込めるのではなく、AIの周りに外堀を掘る。AIは外堀の中で自由に動き、外堀を越える出力は後段の構造が弾く。
クリエイティブ側 — すでに成熟しつつある
例えばFlux2 Kleinというモデルを使う場合、以下の五つが構造的な外堀として機能する：
- JSON構文によるプロンプトの構造化 — どの要素をどう描くかを、自由文ではなく決まった構造で指定する。
- リファレンス画像 — 似せたい構図・色調・照明を直接視覚的に見せる。
- LoRA（学習済みスタイル適用） — 出力のスタイル空間を先に狭める。
- 下絵入力 — 何を描くかを視覚的に先に人間が決め、AIはペイント担当。
この４つが重なることで、AIの出力が予測可能な範囲に収まる。ComfyUIのようなノードベースの実行環境が急速に業界標準になりつつあるのも同じ理由。
エンタープライズ側 — 同じ移行が起きている
LLMを「自律的なチームメイト」として解き放つのではなく、決まった手順の中の一つのステップとしてLLMを使う。具体的には、こういう形の設計になる：
- フォーマットを決める。JSONスキーマ等で返させる。自由文で返させない。
- 出力を検証する。後段のコードが、スキーマ通りかチェックする。違えば弾く。
- ダメなら再実行する（リトライ構造）。
- ツール呼び出しを監視する。結果の捏造を防ぐ。
- 人間の判断点を設計する。全自動と全手動の間のどこに線を引くか。
- コンテキストを管理する。コンテキスト汚染を防ぐ。
- メモリを設計する。LLMの中に記憶させようとしない。外側に保持する。
高パフォーマンス企業 vs その他 — 管理実践の差
Source: McKinsey · The State of AI in 2025
AI出力の人間検証プロセスを持つ65% vs 23%
→ 42ポイント差 · 12項目中で最大の差
ガードレールを含む反復的開発プロセス54% vs 22%
→ 32ポイント差
業務プロセス自体をAIに合わせて再設計58% vs 20%
→ 38ポイント差
高パフォーマンス企業とその他を最も強く分けているのは、モデルの性能でもエンジニアの数でもなく、AIの出力を人間の判断で検証し、構造の中に組み込むという実装パターンの有無だ。
厄介なことに、この構造の必要性はAIの能力が上がるほど増す。エージェントAIにおけるツールハルシネーション — AIが外部ツールを呼んでいないのに呼んだと偽装する、結果を捏造して報告する — は、推論能力を強化すればするほど比例して悪化することが確認されている（The Reasoning Trap: How Enhancing LLM Reasoning Amplifies Tool Hallucination、2025年10月）。能力の向上を活かすには、周辺構造を並行して作る必要がある。
二の壁に対して — データの流れを設計する
二の壁は「入力したデータが外に出ていく」問題。これに対する構造は、データの動線を先に決めておくことだ。
何をクラウドに渡していいか、何はローカルに留めるか、どこでログを取るか、どこで人間がレビューするか。これらは、本来AIを導入する前に決めておくべきもの。だが今の現場ではほぼされていない。貼り付けたプロンプトは永久に相手のサーバーに残る — これが現在の既定値になっている。
ここで、ローカル実行環境（ComfyUI + FLUX2 Klein等）の選択が二重の意味を持つ。構造設計の自由度が高いというだけでなく、データ主権を手元に保てる選択肢でもある。自分のデータが自分の機械の外に出ない限り、二の壁の最悪のケース — プロンプトと出力が学習パイプラインに吸い込まれる — は起きない。一の壁への答えと二の壁への答えが、同じツール選択に集約することがある。
構造を作る人間がツールを選ぶ。そしてその選択自体が、複数の壁への同時回答になる。
そして、この方向は業界全体でも意識され始めている。Deloitte 2026の調査では、77%の企業が「AIがどこで開発されているか（AIの物理的・法的な所在地）」を新しい技術を選ぶ際の重要な要素と答えており、66%が海外AI技術への依存に少なくとも中程度の懸念を持っている。83%が「sovereign AI（AIの主権）」を経営戦略上少なくとも中程度重要と位置づけている。スケールは違う — これは国家や大企業レベルのデータ主権の話だ — が、「AIに渡したデータの動線を自分でコントロールできるか」という問いが、業界全体で問われ始めているということでもある。スタジオやフリーランスの規模でも、答えは同じ方向に向かう必要がある。
三の壁に対して — 運用の土台を作る
三の壁は「組織が構造を持っていない」問題。一の壁と二の壁はツールとフローの話だったが、三の壁は組織と人の話で、別のレイヤーの構造が必要になる。
具体的には、誰がどのツールを何に使っていいのか、入力に何を渡していいのか、出力を誰がレビューするのか、間違いが出た時に誰が責任を取るのか、従業員がAIを正しく使えるように訓練されているか — こういったルールと役割の設計。
ただし、ここで大事なのは、これらの構造は汎用品としては作れないということだ。背景画制作の判断基準は、VFX制作の判断基準とは違う。映像制作のワークフローは、ゲーム開発のワークフローとは違う。アニメーションスタジオのレビューフローは、広告制作のそれとは違う。テンプレートを買ってきて流し込むような作り方はできない。
構造が成立するのは、その領域の現場で積んだ経験と、AIの構造的特性の理解が、一つの設計の中で噛み合った時だけだ。現場の経験だけで作られた構造は、AIの特性を踏まえていない。AI技術だけで作られた構造は、現場の判断基準を含まない。どちらもそれだけでは機能しない。
ここも、主要な調査から同じ結論が出ている。WRITERが2026年に実施した2,400名調査では、生成AIから実質的なROIを得ている29%の企業と、その他の企業を分ける四つの特徴が挙げられている：
- AIを直接的な収益成果に結びつけていること
- ビジネスチームに自律性を与えつつ、ITが集中管理できる設計のプラットフォームを構築していること
- スケールする前にガバナンスを実装していること
- AI導入を「技術の導入」ではなく「組織の再設計」として扱っていること
McKinsey State of AI Trust 2026の調査では、Responsible AIに対して明示的な所有者（AI特化のガバナンス役職、あるいは内部監査・倫理チーム）を設けている組織は平均成熟度が2.6。設けていない組織は1.8。誰が責任を持っているかが、構造が機能するかどうかを決める。
BCG 2025の調査では、AIの本質的な価値を引き出せているfuture-built企業（未来志向企業）は「用途に合ったガードレール」を持っている割合がlaggards（レガード＝出遅れ企業）の4.6倍。Deloitte 2026では、AIに合わせて仕事そのものを再設計している企業は16%のみ — 残り84%はツールを入れただけで、仕事の仕方は変えていない。
これらの数字はすべて同じことを言っている。構造を作った組織だけが価値を出している。そして構造を作るために必要なのは、新しいモデルでも新しいツールでもなく、噛み合わせを設計できる人間の判断だ。
反論への返答 · モデルの進化は、構造の必要性を消さない
ここで一つ、よくある誤解を潰しておく。
「モデルがもっと良くなれば、構造は要らなくなるのでは？」 — 現状ではならない。
モデルは進化し続けている。しかしトランスフォーマーアーキテクチャの根本的な特性 — ステートレス、有限コンテキスト、注意力の偏り、コスト比例 — はモデルの進化では変わらない。10兆パラメータのモデルになっても、APIコールごとにメモリはリセットされ、コンテキストウィンドウには物理的な限界があり、長い入力の中間情報は参照されにくくなる。
モデルの改善が解決するのは「ターン内の精度」だけだ。その外 — ワークフロー全体の品質管理、データフローの安全性、コンテキスト管理、ターン間の一貫性、信頼性の担保 — は、モデルの外側に構造を構築することでしか解決できない。
そしてAIの能力が高まるほど、それを活かす構造の設計が逆にボトルネックになる。良くなるモデルを、良くない構造の中で動かしても、出てくるものは良くならない。「より強いAI」と「より良い出力」は、構造がなければ直接つながらない。
