Meta14B出資の裏側と、AI×人が共創する未来戦略
近年、AIの実用化と企業導入に対して期待と懸念が入り混じる声が多く聞かれます。「本当にAIが約束どおりの成果を出すのか？」という問いを背景に、Scale AIは、「データと評価（eval）」という領域で最も前線にいる企業の一つです。
このインタビューでは、Metaとの大規模な資本提携後にCEO就任したドローグ氏が、現在のScaleの立ち位置や、AIモデルがどのように人間専門家と協業して進化していくかを語っています。
以下、テーマ別に整理していきます。
1. Metaによる出資とScaleの独立性
1-1. 出資の概要と背景
2025年6月、Metaは、Scale AI に約14億ドル（報道によれば14.3〜14.8Bドル）の出資を行い、同社の49%株式を取得する形となりました。
この取引において重要なのは、Scaleが「完全な子会社化」されたわけではなく、独立企業としてのガバナンスと運営が維持される設計が採られている点です。
ドローグ氏は、Metaが新たな取締役席を取得したことを認めつつも、「Metaには特別なアクセスや優先関係はなく、以前と同じルールの下で業務を続ける」と明言しています。
1-2. 体制変化と影響
この出資を機に、Scaleは、モデル向けデータ事業に加え、アプリケーションやソリューション提供の事業領域にも力を入れつつあります。
ただし、一方で組織再編も避けられず、特に生成AI部門（GenAI部門）には構造改革が入っており、従業員削減やチーム再編が行われたという報道もあります。
それでもドローグ氏は、「従来から続けていたデータ事業は非常に強く、アプリケーション事業も成長中」と語り、Scaleとしての方向性は拡張的であるとしています。
2. データラベリング進化と「専門家によるラベリング」
2-1. 一般労働者によるラベリングからの転換
Scale創業当初、モデル訓練のための最初のデータラベリングは、一般のクラウドワーカーや非専門家を活用した低コスト・大量手法が主流でした。
しかし、近年ではAIモデルの性能向上に伴い、より高度な専門知識を伴ったタスクが求められるようになりました。つまり、医師・弁護士・エンジニアなどの専門家が、モデルへのフィードバックや評価（eval）を行う段階に移行しています。
ドローグ氏は、「18か月前には “この短編小説の方が良いかどうか” を答えるようなシンプルなタスクだったが、今では、ウェブサイト構築、がんに関する高度な説明などがタスクになっている」と述べています。
彼によれば、Scaleの専門家ネットワークでは約80%が学士号以上、15%以上が博士号保有者であり、専門性の高いタスクに対応しているとのことです。
2-2. 「Eval（評価）」の役割
evalとは、モデルの出力が「良い／正しい」かを判断するための比較基準を与える作業です。つまり、モデルを訓練・改良するには、ただ大量データを与えるだけでなく、「何が良い回答か」を明示することが不可欠です。
この評価作業は、特に医療、法務、企業プロセスなどミスが許されない分野で重視されており、「良いとは何か」を人間が定義し、モデルに学習させる必要があります。
3. 専門家の獲得・維持の難しさ
3-1. 専門家探しとリファラル戦略
高度な専門家を継続的に確保することは難題です。ドローグ氏は、Scaleが採用において最も重視している方法として「紹介（リファラル）」と「大学・研究機関との連携」を挙げています。
専門家自身が自分の知見をAIに寄与できることに興味を持つケースが多く、「やりがい」と報酬の両面を提供できる環境を整えることが鍵とされています。
3-2. エキスパート保持と差別化
専門家を引き抜かれないようにするためには、働きがい・待遇・評価制度・ネットワークの価値など複数の要因が関わります。ドローグ氏は「優れた体験を提供すること」が長期定着に結びつくと指摘しています。
4. AI環境（エージェント環境）と強化学習の重要性
4-1. 環境ベースでの学習
AIエージェント（例えば、CRM操作、自動処理ワークフローなど）は、環境（sandbox） の中で試行錯誤を重ね、最適解を模索していくことが不可欠です。ドローグ氏は、Salesforce操作や医療システム操作など具体例を挙げ、「エージェントが環境を理解し、自律的に判断できるように訓練すべきだ」と述べています。
こうした環境訓練では、エラー時には人間にエスカレーションする判断を挟む設計なども求められます。
4-2. 汎化性とデータ価値
全てのタスクを無数に収集するのは不可能であり、「どこまで一般化できるか」が鍵となります。ドローグ氏は、「汎用性のあるタスクやデータはより価値が高い」と語っています。
例えば、「カレンダーからミーティングを探す」タスクは、ある程度どの環境でも応用可能と考えられ、「多様な環境で通用する」知見を持つことが重要です。
5. Uber Eatsにおける起業経験から得た教訓
5-1. 顧客理解と仮説検証
ドローグ氏は、Uber Eatsを立ち上げる際、レストラン経済を理解するために実際に食材を計量して原価構成を推定したと語っています。彼らはレストランが材料・人件費・不動産費にどれほどコストをかけているかを自前で見積もり、そこから手数料率を逆算してモデルを設計しました。
このように、「言われたこと」をそのまま信じるのではなく、「何を言わないか」「根底の動機は何か」を深掘りする姿勢が成否を分けます。
5-2. 粗利率へのこだわり
新規ビジネスを始める際、彼は粗利率（gross margin）を非常に重視するフィルターとして活用します。一般には40%の粗利率が目標とされがちですが、彼は、まず60%の仮説を立てて、なぜそれが成り立たないかを議論する ことを薦めています。
彼曰く、「低い粗利率で始めて“ボリュームで補填する”戦略にはリスクが伴う」という警戒も示しており、差別化の要素や参入障壁を持つことが重要な判断軸となります。
5-3. 「負けないこと」を前提にする戦略
ドローグ氏は、「Not losing（まず負けないこと） が、成功への前提条件だ」と述べています。起業・投資の文脈において、過度なリスクを取ると致命傷を受けかねない。長期的な視点での生存力（事業の継続性）を担保することがまず重要、という考え方です。
6. AIと人間の共存の未来
6-1. 人の役割はいつまで残るか
「いつかAIだけで全てができるのでは」という議論は多くあります。しかしドローグ氏は、モデル進化の歴史を振り返りながら、「人間の知識、判断、専門性は常に新しいものが生まれる限り必要になる」と考えています。
彼は、「ある領域で外部の人間データが不要になる瞬間が来るだろうか？」という問いに対し、「新しい知見や判断が生まれ続ける世界においては、一定の人的介入が残るだろう」という慎重な見解を示しています。
6-2. モデルは“知る”から“やる”へ進化
現在、多くのAIモデルは「知識を記憶・判断」する段階にありますが、実務的には「具体的に代替できる仕事をやる」能力が求められ始めています。ドローグ氏は、「モデルが知っていること」から「モデルが動くこと（自律的に判断・実行すること）」へ向かう時代がすぐそこに来ていると語ります。
この変化において、環境訓練・強化学習・eval設計などが極めて重要な要素となります。
7. まとめ：学びと展望
このインタビューを通じて得られる主要なポイントを整理すると、以下のようになります：
Scale AIのMeta出資は単なる資本提携ではなく、独立性と事業拡張を両立しようとする戦略的な設計であった。
データラベリング／評価（eval）領域の変遷 は、非専門家労働力から専門家主導型へと移行しており、AIモデルの高度化に不可欠なフェーズ。
専門家の確保と定着 は紹介ネットワークや教育機関との関係構築、働きがいの設計によって支えられる。
環境型学習と汎化性 の設計は、AIエージェントが現実世界タスクをこなすための鍵。
起業経験からの教訓（顧客理解、粗利重視、リスク管理）は、AI事業をはじめあらゆる新規事業にも普遍的に適用できる。
人間とAIの役割分担 は、即座にAIが人を置き換えるのではなく、補完・協業のフェーズを経ながら進化していくと思われる。
今後、AI活用が広がるにつれて、こうしたデータ・評価・環境設計・人間との関係設計の「実務的な骨格」が、モデルそのものの能力と同じくらい重要になっていくでしょう。Scale AIのような企業が、そうした「見えにくいインフラ」を支えている点にこそ、技術発展の本質的な苦労と可能性が潜んでいます。
