YCギャリー・タン氏「生産性400倍」発言の真意 ― 2013年14行/日から現在まで、根拠を自ら検証
米国のスタートアップアクセラレーター、Y Combinator(YC)の社長ギャリー・タン氏が、あるカンファレンスの基調講演で「自身のコーディング生産性が400倍になった」と発言し、話題となった。同氏は、この数字について、以前SNS上で批判を受けたことに触れつつ、あえて同じ会場で再び提示したという。本稿では、この発言の背景にある考え方と、YCが支援するスタートアップに実際に起きている変化を整理する。対象読者は、ビジネスパーソン・投資家を想定し、専門的な内容をできるだけ平易に解説する。
1. 「400倍」という数字の中身
タン氏は、2013年当時YCのパートナーとして社内SNSの開発に携わっていた頃、フルタイムに近いエンジニアとして働きながら「1日あたり実質14行程度のコード」しか書けなかったと振り返る。当時の文献でも、1日15〜50行程度が一般的な水準だったという。
一方、現在は、同じ人物・同じ労働時間(実際にはむしろ短い、子どものお迎えがあるため)で、出力を計算すると約400倍になったとタン氏は述べる。もっとも同氏は、この数字に懐疑的な向きがあることも認めており、「生成されたコードの冗長性を最大限に割り引いて考えても、下限で8倍、中間値でも相応の倍率になる」とし、どう解釈しても数字自体は大きいと説明した。
ここで重要なのは、生産性の差が「モデルの性能差」によるものではないという点だ。タン氏は、「生産性が2倍の人も100倍の人も、まったく同じClaudeを使っている。同じ重み、同じコンテキストウィンドウ、同じAPIだ」と指摘し、レバレッジの源泉はモデルではなく「仕事の組み立て方」にあると強調した。
2. AIを「労働力」として扱う組織
タン氏によれば、YCが支援する2025年冬バッチでは、参加企業の4分の1でコードベースの95%がAIによって生成されていたという。このバッチは、YCの歴史上最も成長率・収益性の高いバッチになったとされる。
同氏は、AI生成コードが直接的に成長の原因になったと因果関係を証明することはできないとしながらも、「成長の速い創業者たちは、AIをオートコンプリートとしてではなく、労働力として扱っている」と述べた。実際、YCの支援先の中でシード出資を受けた企業のうち、これまでに94社が年間売上1億ドルを突破しているという。
2-1. 「仕事の配線」を変えるという発想
タン氏が強調するのは、AIツールの導入そのものではなく、「仕事をどう配線し直すか」という組織設計の視点だ。同氏はこれを、従来の組織構造にあてはめて説明する。
3. AIネイティブ組織の構造 ― マークダウンファイルでできた会社
タン氏の講演の核心は、AIエージェントを用いた業務体制が、実は従来の組織構造とそのまま対応しているという指摘だ。
同氏の説明によれば、「スキルファイル」は、一つの明確な業務を担う「従業員」に相当し、「リゾルバーテーブル」は、タスクの担当先を振り分ける組織図、「ファイリングルール」は社内の業務プロセス、「トリガーエバル」は人事評価にあたるという。タン氏は、「これまで千人規模の人員が必要だった組織の各パーツを、私は今説明した。それらはマークダウンファイルであり、時にはTypeScriptも含まれる」と述べ、AIエージェントを使うことは単なるソフトウェア開発ではなく、「マークダウンでできた労働力を採用し、訓練し、管理すること」に等しいと表現した。
3-1. 実例:少人数で高収益を実現する企業
タン氏は、具体例として、2024年夏バッチ出身のAIアプリビルダーEmergence社を挙げた。同社は、正式ローンチから8カ月でARR(年間経常収益)9桁に到達し、年間経常収益1500万ドルを超えた時点でも従業員はわずか15人だったという。また、2024年冬バッチ出身のRetail社は、従業員約40人で年間売上6000万ドルに達しているとした。同氏は、こうした「一人当たり収益」の水準について、「ソフトウェア業界でも、石油産業でも、鉄道産業でも、これまで存在しなかった」と評した。
こうした企業では、営業・サポート・運用・財務といった業務を大量採用でまかなうのではなく、業務手順を「スキル」としてコード化し、エージェントに実行させる。人間のエンジニアは、そのスキルではまだ対応できない業務を担うために雇われる、という構造になっているという。
4. 潜在空間と決定論的空間 ― 計算をどこに置くか
タン氏は、AIエンジニアリングにおけるバグの多くが、「計算がどこで行われるべきか」を誤ることに起因すると指摘する。同氏はこれを2つの領域に分けて説明した。
一つは、「潜在空間」、すなわちLLM自体が担う領域で、人間が曖昧な言葉で何かを求めたときに、その意図や好みを解釈する非決定的な計算がここに当たる。もう一つは、「決定論的空間」で、エンジニアが慣れ親しんだ領域、すなわちコードエージェントが実際にTypeScriptなどのプログラムを書く部分を指す。
具体例として、YCが主催する「Startup School」で6000人の参加者のうち800人を最適な組み合わせで着席させるという課題が挙げられた。この種の配置最適化は決定論的空間で処理すべき計算であり、LLMは、あくまで「人間的な判断」の部分を担う。タン氏は、こうした処理が数百ドル分のトークンコストと10分程度で完了する点について、「半年前にはできなかったことだ」と述べた。
5. 人間の記憶の限界とAIの「ライブラリ」
タン氏は、人間の作業記憶が一般に「7±2」個程度の情報しか保持できないという認知心理学の知見を引用し、電話番号の桁数や、買い物リストの8番目を忘れてしまう理由もここにあると説明した。組織における台帳やチェックリスト、組織図はすべて、この記憶の限界を補うための仕組みだという。
一方で、AIエージェントは、約100万トークン(書籍にして約3冊分)を同時に保持できる。タン氏は、自身の10歳の子どもに説明した例として、「AIエージェントは、ハリー・ポッターを3冊分頭の中に開いたまま置いておき、その中のどこにでも針を見つけ出し、3冊を横断して数秒で統合できる」と語った。
もっとも同氏は、「3冊分は多いが、それでも非常に少ない」とも指摘する。企業が持つ情報は、メール・会議・意思決定・その理由・顧客との会話・事後検証など膨大な蓄積であり、「会社は3冊の本ではなく、一つの図書館そのものだ」という。したがって、どの3冊を机の上に開いておくかを決める仕組み、すなわち「コンテキストエンジニアリング」こそが、AIエージェントが「天才」になるか「金魚」になるかを分けるとタン氏は述べた。
6. 「Company Brain」という個人資産
タン氏は、この考え方を体現するツールとして、自身が開発している「GBrain」を紹介した。これは、検索(RAG)を土台にしつつ、その周辺の運用、すなわち「何を書き残すか」「情報をどう関連付けるか」「どの情報をホットメモリとして扱い、どれを冷蔵保存するか」「矛盾する情報が生じた際にどちらを採用するか」といった仕組みが本体であると説明する。
タン氏個人のGBrainは、20年分のメールや会議記録、メモをもとに、現在約22万ページ規模のデータベースに成長しているという。「創業者から危機的な状況についてメールが届いたとき、私がそのメールを読み終える前に、エージェントは、その創業者との過去のすべてのやり取りを引き出している」と述べ、これが「アシスタント」と「同僚」の違いだと説明した。
同氏は、同時に、こうした仕組みの失敗パターンにも言及している。誰も手入れをしない「頭脳」は、検索性能だけが高いゴミ捨て場と化し、古い情報を自信満々に提示してしまう。悪いスキルファイルは、悪いプロセスを恒久的に固定化してしまう。そのため、事実の出所を明確にし、矛盾のチェックを行い、人間とエージェントが協働して情報を刈り込む「司書」の役割が不可欠だとタン氏は強調した。
7. 「一度きりの作業をしない」という規律
タン氏が繰り返し強調したのは、「一度きりの作業を絶対にしない」という原則だ。AIエージェントに何か作業をさせ、その結果に満足したら、その場で終わらせるのではなく、その作業内容を「スキル化」して再利用可能な形にする。同氏は、「同じことを2度頼まなければならないなら、それは失敗だ」と述べ、この習慣こそが組織のナレッジを日々積み上げていく鍵だとした。
