AI活用レベルマトリクスAI Level Matrix
考える力（T軸）× AIの技術スキル（A軸）× ビジネススキル（B軸）の三軸で AI 生産性を定義するフレームワーク。
AI生産性 = T × A × B（乗算モデル）。「何のツールを使うか」でなく「A軸をT軸の延長として使えているか」を測る。HAiiA認定評価軸 v4.0。 A three-axis framework that defines AI productivity as T × A × B (Thinking × AI Skills × Business Skills — multiplicative model).
It measures not which tools are used, but whether AI Skills (A) are being applied as an extension of Thinking (T) — the pivotal distinction for the AI era. HAiiA certification standard v4.0.
AIって便利なツールだよね、と思っている人がほとんどです。でも「便利」だけで終わる人と、「自分の考え方そのものが変わった」と感じる人では、使い方がまったく違う。このTABフレームワークは、その違いを3つの軸——「考える力（T）」「AIの使い方（A）」「仕事の知識（B）」——で測るものです。3つが掛け算になっているのがポイント。どれか一つがゼロに近ければ、全体もゼロに近づきます。 Most people see AI as a handy tool that saves time. But there's a real difference between people who stop there and people who feel their whole way of thinking has shifted. The TAB Framework measures that difference across three axes: Thinking (T), AI Skills (A), and Business Knowledge (B). The key is that they multiply together — if any one of them is near zero, the whole product collapses too.
AI活用の本質的な問いは「A軸（AIの技術スキル）をB軸（ビジネス効率化）の道具として使っているのか、それともT軸（考える力）の延長として使っているのか」にある。前者は「仕事が速くなる」、後者は「思考の質が変わる」。この分岐がTABフレームワークの核。AI生産性はT×A×Bの乗算で決まる——どの軸が0に近づいても全体が機能しない。HAiiA（一般社団法人健全AI教育協会）認定評価軸として、ChatGPT による複数視点レビュー（教育工学・SFIAフレームワーク・心理学・AIガバナンス・行動経済学）を経て v4.0 として確定。 The pivotal question of AI fluency is whether AI Skills (A) are being used as an extension of Business efficiency (B), or as an extension of Thinking (T). The former makes work faster; the latter transforms the quality of thought. AI productivity = T × A × B (multiplicative) — any axis approaching zero collapses the whole. The TAB Framework makes this structure legible. Finalised as v4.0 (HAiiA certification standard) after multi-perspective review covering educational engineering, the SFIA framework, psychology, AI governance and behavioural economics.
TABの中心問題は、A軸がどちらの軸に従属しているかという方向性の問いだ。B軸従属（AI as accelerant）は生産性の線形延長に留まる。T軸従属（AI as cognitive scaffold）は、外部足場としての認知拡張——エクステンデッド・マインド論（Clark & Chalmers, 1998）の実装形態として読める。乗算モデルはここで重要な含意を持つ：T・A・Bはそれぞれ独立した能力ではなく、いずれかの欠落が他を無効化するシステム的結合を前提とする。評価軸としては、SFIAの深度構造（Levels 1–7）との接続可能性と、認知科学的な「メタ認知モニタリング」概念をB軸評価の補助線として参照している。 The central question in TAB is one of subordination: to which axis does A ultimately serve? A subordinated to B (AI as accelerant) produces linear productivity gains and nothing more. A subordinated to T (AI as cognitive scaffold) opens a different register — legible as an implementation of extended mind theory (Clark & Chalmers, 1998), where the boundary of cognition is redistributed outward. The multiplicative model carries a strong systemic implication: T, A, and B are not independently additive capacities but are coupled such that deficiency in any one invalidates the others. Methodologically, the B-axis draws on SFIA's depth structure (Levels 1–7), and metacognitive monitoring — as theorised in cognitive science — functions as a secondary lens for B-axis calibration.
対角線上の8タイプ + 主要リスクゾーン8 diagonal types + 4 strategic positions
B軸って何を測るの？：B軸は「その仕事を自分ができるか」じゃなくて、「AIがやった仕事の出来を判断できるか」を測ります。たとえば財務の知識がないと、AIが作った財務レポートが正しいかどうかわからないですよね。それがB1（まだわからない）からB8（完全に評価できる）までの段階です。AIを使うなら、使う分野の知識もちゃんと育てていかないといけない、ということです。 What does the B-axis actually measure? It's not whether you can do the job yourself — it's whether you can judge whether AI did it well. If you have no knowledge of finance, you can't tell if the financial report AI generated is right or wrong. That gap runs from B1 (can't evaluate) to B8 (can evaluate fully). Using AI well means growing your domain knowledge alongside your AI skills.
B軸の設計思想：B軸は SFIA フレームワーク（英国発・約200カ国で採用）の深度構造「知っている → できる → 設計できる → 定義できる」を参照しています。B軸の独自点は、「自分ができるか」ではなく「AIがやったことを評価できるか」で測ること。AIが出力した業務成果物の品質を判定できる深度こそが、B軸の本質的な測定対象です。 B-axis design: The B-axis draws on the depth structure of the SFIA framework (originating in the UK, adopted in ~200 countries): "know → can do → can design → can define." Its distinctive point is that it measures not whether you can do it, but whether you can evaluate what AI did. The depth at which you can judge the quality of AI-produced deliverables is what the B-axis truly measures.
B軸の認識論的位置：B軸が問うのは「遂行能力」ではなく「評価能力」——つまり一段抽象度の高いメタ認知的判断力だ。SFIAの深度構造（知識 → 適用 → 設計 → 定義）を参照しながらも、TABにおけるB軸の独自性は「AI出力の品質判定」という評価者ポジションにある。これはポランニーの「暗黙知」論とも接続する：専門家は言語化できない判断基準を持ち、それがAI生成物の真偽・適切性を見抜く能力の根拠になる。逆に言えば、B軸が低い状態でA軸だけが高い人は、AIの誤りに気づけない「有能な無知」の状態に陥りやすい。この非対称リスクがB軸をフレームワークに組み込んだ理由の核心だ。 The epistemic position of the B-axis: The B-axis measures not performance capacity but evaluative capacity — metacognitive judgment at a higher order of abstraction. While drawing on SFIA's depth structure (knowledge → application → design → definition), B-axis in TAB is distinctive in centering the evaluator position: can you assess the quality of what AI produced? This connects to Polanyi's tacit knowledge: experts hold judgment criteria they cannot fully articulate, and those criteria are precisely what allow them to detect error or inappropriateness in AI outputs. The converse — high A with low B — produces a specific failure mode: competent-seeming ignorance, where error passes undetected. That asymmetric risk is the core reason B was included as a first-class axis rather than a modifier.
- 事業設計Business design
- 組織設計Organisation design
- ITIT
- 財務Finance
- 法務Legal
- マーケティングMarketing
- 教育Education
- 営業Sales
- オペレーションOperations
このマス目は、「考える力（T）」と「AIの使い方（A）」の組み合わせを一覧にしたものです。自分が今どのあたりにいるか、確認してみてください。対角線（左下から右上）が一番バランスのとれた状態。右下（AI技術は高いけど考える力が低い）は要注意のゾーンです。各マスをクリックすると、そのタイプの説明が読めます。 This grid maps combinations of Thinking (T) and AI Skills (A). Find where you sit right now. The diagonal running from bottom-left to top-right is the most balanced zone. The bottom-right (high AI skills, low Thinking) is a caution zone. Click any cell to read a description of that type.
マトリクスは T軸（考える力）× A軸（AIの技術スキル）の交差を可視化します（B軸は上のスケール定義を参照）。各セルをクリックすると、そのアーキタイプの定義と所属ゾーンが表示されます。 対角線（T＝A）が最もバランスの取れた状態。赤系は技術過信リスク（A高×T低）、琥珀系は AI 依存傾向（A高×T低で主体性が薄い領域）、緑系は上位統合ゾーンを示します。 The matrix maps the intersection of the T-axis (Thinking) and the A-axis (AI Skills); the B-axis is shown in the scale definitions above. Click any cell to reveal the archetype's definition and its zone. The diagonal (T = A) marks the most balanced state. The red band indicates Risk A — tech over-confidence (high A, low T). The amber band marks AI-dependency tendency. The green band marks the upper-integration zone.
マトリクスはT×A空間のフェーズ図として読める。対角線（T＝A）は動的平衡ラインであり、そこからの乖離がシステム的歪みを示す。A高×T低（右下）領域は「技術過信」というより認知的不均衡状態——ツールの能力が自己評価のアンカーとなり、思考の外部委託が進む。A低×T高（左上）は潜在的資源の未活用。両極のリスクは非対称で、前者は誤りが不可視化されやすく、後者は単に機会損失に留まる。断絶点（たとえばT5→T6）はスキルの量的蓄積ではなく認知モードの相変化であり、評価設計上の重要な含意を持つ。 The matrix is legible as a phase diagram of the T×A space. The diagonal (T = A) is the dynamic equilibrium line; deviations from it indicate systemic distortion. The high-A, low-T region (lower-right) represents not merely "tech over-confidence" but a state of cognitive imbalance — where tool capability becomes the anchor for self-assessment and cognitive offloading accelerates unchecked. High-T, low-A (upper-left) is simply unactivated latent capacity. The two risks are asymmetric: the former tends to make error invisible; the latter is opportunity cost only. Discontinuities in the scale (e.g. T5→T6) mark phase transitions in cognitive mode rather than incremental skill accumulation — a distinction with significant implications for assessment design.
「何に使うか」ではなく「どう使うか」がレベルを決める What matters is not what, but how
「議事録を作るのにAIを使った」という事実だけでは、レベルはわかりません。AIに丸投げして出力をそのまま貼り付けた人と、自分の観点を加えながら一緒に考えた人では、まったく違うレベルです。大事なのは使った後、自分の思考がどう変わったかです。 The fact that you used AI to write meeting notes doesn't tell us your level. Someone who copy-pasted the output unchanged and someone who shaped it with their own thinking are at completely different levels. What matters is how your thinking changed after using it.
同じ「議事録作成」でも A2×T2 にも A5×T4 にもなる。ユースケースはレベルを決めない。レベルを決めるのは「どう使うか」と「使った後、自分の思考と仕事がどう変わったか」。 The same "minute-taking" can be A2×T2 or A5×T4. The use case does not determine the level. What does is how you used it, and how your thinking and work shifted afterwards.
ユースケースによる分類は表面的な行動記述に留まり、認知的プロセスを捉えない。同一タスクでも、AIを「入力→出力」のパイプとして扱う場合と、思考の対話パートナーとして扱う場合とでは、認知負荷の配分と思考の深度が根本的に異なる。この区別はアクティブラーニング研究における「表面的処理 vs. 深層処理」（Marton & Säljö, 1976）の構造と相同であり、TABではその差異を「使用後の認知変化」として操作的に定義している。 Use-case taxonomies capture surface behavior, not cognitive process. For the same task, treating AI as an input-output pipe versus treating it as a dialogic thinking partner involves fundamentally different distributions of cognitive load and depth of processing. This distinction is structurally homologous to the surface/deep processing dichotomy in active learning research (Marton & Säljö, 1976). TAB operationalises the difference as "post-use cognitive change" — a measurable, if self-reported, indicator of processing depth.
A軸はB軸の延長か、T軸の延長か Is A an extension of B, or of T?
AIを「仕事が速くなるツール」として使うのと、「自分の考え方が広がるツール」として使うのは、全然違います。前者は作業が速くなるだけ。後者は、自分では思いつかなかった視点に気づいたり、問いの立て方が変わったりします。どちらが悪いわけじゃないけれど、後者に気づいているかどうかが、AI時代の分岐点です。 Using AI to make work faster is one thing. Using it to expand how you think is something else entirely. The first just speeds up tasks. The second opens perspectives you wouldn't have reached alone, and changes the questions you ask in the first place. Neither is wrong, but knowing the difference — and aiming for the second — is the real fork in the road.
ほとんどの人は A軸（AIの技術スキル）を「仕事が速くなる」B軸拡張として使う。それ自体は間違いではないが、「思考の質が変わる」T軸拡張として使えるかが AI 時代の本質的分岐点。A軸の高さは目的ではなく、T をどこまで A 経由で拡張できるかの手段。 Most people use the A-axis (AI Skills) as a B-axis extension — "work gets faster." That is not wrong, but the pivotal distinction of the AI era is whether you can use it as a T-axis extension — "the quality of thought changes." A high A is not the goal; it is the means by which T is extended.
A軸のB軸従属とT軸従属は、ツール観の根本的な差異を反映する。前者はAIを生産関数の入力として扱い、後者は認知インフラとして扱う。後者においてAIは、ヴィゴツキーの「近接発達領域（ZPD）」を拡張するメディアとして機能する——現在の独力では到達できない思考の領域に、対話を通じて接続させる装置として。この観点からすれば、A軸スキルの高さは手段であり、ZPDの拡張幅がT軸への寄与度を規定する。「A軸を上げれば良い」という発想の罠は、手段と目的の転倒にある。 B-subordination and T-subordination of the A-axis reflect fundamentally different theories of what a tool is. The former treats AI as an input to a production function; the latter treats it as cognitive infrastructure. In the latter register, AI functions as a medium that extends the Zone of Proximal Development (Vygotsky) — a device that connects the user, through dialogue, to regions of thought not reachable by independent effort. From this perspective, A-axis skill level is purely instrumental; what matters is the magnitude of ZPD expansion it enables, which is the actual contribution to T. The common trap — "just get better at AI" — is precisely a means-ends inversion.
これは「現在地」であって「固定された人格」ではない Current locus, not fixed identity
診断の結果は「今の自分はここにいる」という地図上の現在地です。性格診断じゃないので、「自分はずっとこのタイプ」ということはありません。行動を変えれば、現在地も変わります。ただし、段階と段階の間には「壁」があって、経験を積むだけでは超えられないこともある。認知のモードそのものが変わるときにだけ、次のレベルに進めます。 Your result is a position on a map — where you are right now. It's not a personality type, so there's no such thing as "I'll always be this." Change your actions and your position changes too. That said, some transitions between levels aren't just about accumulating more experience — they require a genuine shift in how you think, not just how much you've done.
この結果は「今この瞬間の現在地」を示すもの。固定された人格ではなく、行動次第で変わり続ける。断絶点（A2→A3、T5→T6 など）は経験量ではなく「認知モードの変化」を意味する。 The result shows where you currently sit, not a fixed identity. It shifts with action. The discontinuities (A2→A3, T5→T6, etc.) signal a change in cognitive mode rather than an increase in experience.
TABの結果を固定的アイデンティティとして読む誘惑は、測定論的誤謬——特性論的解釈の投影——だ。フレームワークは状態記述であり、特性記述ではない。断絶点の存在はこの点で重要な含意を持つ：ドレイファスの技能習得モデル（初心者→達人）における質的転換と同様、特定の閾値において認知の組織化原理そのものが変化する。この相変化は経験量の線形蓄積では説明されず、スキーマの再構造化（アコモデーション、ピアジェ）に近い。実践的含意として、断絶点をまたぐ介入は量的フィードバックより質的メタ認知介入の方が効果的であることを示唆する。 The temptation to read TAB results as fixed identity reflects a measurement fallacy — the projection of trait-theoretic interpretation onto what is a state description, not a trait description. The discontinuities carry a specific theoretical implication: analogous to the qualitative shifts in Dreyfus's skill acquisition model (novice to expert), certain thresholds in TAB mark changes in the organising principles of cognition itself, not increments within a continuous scale. These phase transitions are not explained by linear accumulation of experience; they more closely resemble Piagetian accommodation — schema restructuring under cognitive pressure. The practical implication is that interventions designed to bridge discontinuity points are better served by qualitative metacognitive scaffolding than by quantitative feedback loops.
B軸は「自分ができるか」でなく「AIの出力を評価できるか」で測る B measures whether you can evaluate AI's output
たとえば法律の知識がゼロの状態でAIに契約書を作らせたとします。AIは自信満々に文章を出してきますが、あなたはそれが正しいかどうか判断できません。それがB1の状態です。AIを「道具として使える」と「AIの出力を信頼できるかどうか判断できる」は別のことです。B軸が育たないまま A軸だけ上がると、見た目はうまく使えているようで、実は危ない状態になります。 Imagine you know nothing about law and you ask AI to draft a contract. AI produces something confident-looking, but you have no way to tell if it's correct. That's B1. Being able to use AI as a tool is different from being able to judge whether its output can be trusted. If your A-axis grows without your B-axis keeping up, you look capable on the surface but you're actually in a risky position.
B軸が問うのは、ある業務領域で AI が生成した成果物の品質を判定できる深度。「自分がその業務をできる」より一段抽象的な問い。B1（未経験）でも AI は使えるが、B1 のままでは AI の出力の正誤を判断できない。AIを使いこなすには、B軸の成長が A軸・T軸の成長と並走する必要がある。 The B-axis asks how deeply you can judge the quality of deliverables AI generates in a given domain — a question one level more abstract than "can I do this task myself." Even at B1 (no experience) you can use AI, but at B1 you cannot tell whether its output is right or wrong. To truly wield AI, B must grow alongside A and T.
B軸の「評価能力」測定は、認識論的に「正当化された真なる信念（JTB）」の判定能力に近い。AIの出力が正しいかどうかを判断するには、その領域の命題的知識だけでなく、判断の根拠を構造化できるメタ知識が必要だ。これはポランニーの暗黙知論が示す通り、言語化されていない専門的判断力——「何かがおかしい」という直感の背後にある構造認識——によって担われることが多い。したがってB軸の成長は、単なる知識量の増加ではなく、その領域における判断の語彙と構造の内面化を意味する。A高×B低が「有能な無知」を生むのは、この評価語彙なしにAI出力を消費しているからだ。 The "evaluative capacity" that the B-axis measures is epistemologically close to the capacity to adjudicate justified true belief (JTB) — to assess not just whether an output looks plausible but whether it is well-grounded. This requires not only propositional knowledge of the domain but meta-knowledge sufficient to structure the grounds for judgment. As Polanyi's tacit knowledge framework suggests, this capacity is often carried by inarticulable expert judgment — the structural recognition behind the intuition that "something is off." B-axis growth therefore means not the accumulation of facts but the internalisation of a domain's evaluative vocabulary and reasoning structure. High-A, low-B produces "competent ignorance" precisely because AI output is consumed without that vocabulary — plausibility is mistaken for correctness.
※ 本フレームワークは HAiiA（一般社団法人健全AI教育協会）の認定評価軸として設計された独自モデルです。ChatGPT による複数回の専門家視点レビュー（教育工学・SFIAフレームワーク・心理学・AIガバナンス・行動経済学）を経て v4.0 として確定。 * This framework is an original model designed as an evaluation axis for HAiiA (Healthy AI Intelligence Association) certification. Finalised as v4.0 after multiple expert-perspective reviews covering educational engineering, the SFIA framework, psychology, AI governance and behavioural economics.