時事ネタの朝礼スピーチならJiJi

星野ひかりのスピーチ

22歳・経営企画部・インターン

通常ビュー PREPビュー

1min. 3min.

ねえ、みんなも「AIに絵を描かせたら思った通りにならなかった！」って経験ありませんか？今SNSで2200万回以上も見られた話題は、歩道を真横から歩く人のイラストがどうしても生成できないというもの。AIはなぜか道路を奥に伸ばしてしまうんです。私もバナー用のイラストを作ろうとして、なぜか人物が宙に浮いてしまったことがあって「え、ホラー？」って笑っちゃいました。これってつまり、AIは大量のデータにある「よくある構図」に引っ張られてしまうんですよね。だから私たち人間が「こういう構図が欲しい」とちゃんと工夫して教えてあげないといけない。SNSでも「背景と人物を分けて作ると上手くいく」と解決策が共有されていました。私たちも「バズり」を狙うとき、トレンドに流されるだけじゃなく、自分なりの工夫を加えることが大事だと思います。今日から一歩、自分の投稿に“ひとさじのひねり”を加えてみませんか？

「ねえ、みんなもAIにお願いしたのに、全然思った通りにならなかったこと、ありませんか？」──これは最近SNSで大きな話題になった出来事とリンクします。ある投稿が2200万回も表示されたのですが、それは「歩道を歩く人を真横から描いて」とAIに頼んでも、どうしても奥に続く道路を描いてしまう、というものです。つまり“ありそうでなかった構図”をAIが苦手としているのです。なぜこんなことが起こるのか。それはAIが膨大な画像データの中から学んでいるからです。ネット上に多いのは「奥行きのある道路の写真」なので、真横の平面的な構図は少ない。そのためAIは「正解」と思い込んでいるパターンに引っ張られてしまうのです。これは、私たちが無意識に「よくあるやり方」に流されてしまうのと少し似ていますよね。私も以前、キャンペーン用にAIで可愛いイラストを作ろうとしたら、なぜか人物が宙に浮いてしまって、「え、これホラー演出？」と一人で笑いながら焦った経験があります。その時、ただAI任せにするのではなく、背景と人物を別々に生成して組み合わせるという工夫を学びました。失敗した瞬間は正直「時間の無駄だったかも」と悔しさを感じましたが、その経験が「AIは人間の発想を補う道具であって、丸投げではダメ」という私の考え方を作ってくれたんです。一般的には「AIは便利だけど完璧じゃない」という学びに落ち着きがちです。でも私は逆に「不完全だからこそ人間のセンスを活かせる」と思っています。SNSの世界も同じで、ただ流行を真似るだけでは埋もれてしまうけど、ちょっとした“自分らしさ”を加えると一気に光ります。だから今日の最初の一歩として、自分の投稿やアイデアに“ひとさじのひねり”を足してみませんか？もしかしたら、それが次の2200万回表示のきっかけになるかもしれません。

佐藤健太のスピーチ

24歳・システム部・SE

通常ビュー PREPビュー

1min. 3min.

正直に言うと、僕もAIに「歩道を真横から歩く人」を描かせてみて失敗しました。必ず道路が奥に伸びてしまうんです。仕組み上の課題として、AIは大量の学習データに偏りがあるので、珍しい構図を苦手とするんですね。これはシステム開発でもよくある話で、想定外のパターンに弱い。僕も新人の頃、テスト環境では動くのに本番でバグが出て「なぜ!?」と冷や汗をかいたことがあります。あの時の悔しさは今でも忘れられません。AIの弱点は「不完全な学習データ」ですが、人間の弱点は「想定外を見落とすこと」です。だからこそ僕らがやるべきは、AIに任せきりにせず、仕組みのクセを理解して補完すること。今日からの一歩として「この仕組みにはどんな盲点があるか？」と一度立ち止まって考えてみませんか？

正直なところ、僕も試しました。「歩道を真横から歩く人」をAIに描かせてみたんです。でも何度やっても道路が奥に伸びてしまう。これは笑うしかない現象でした。SNSでも「車が歩道を走り出した」なんて報告があって、思わず共感しました。記事によれば、この投稿は2200万回以上も表示され、多くの人が「AIって意外にできないことがある」と驚いたそうです。理由はシンプルで、AIは大量の学習データに基づいてパターンを生成する仕組みだからです。ネット上に多いのは「奥行きのある道路の写真」で、真横から見た歩道は少ない。だからAIは「奥に続く道路」を“正しい”と誤認してしまう。これはシステム開発でいう「想定外ケースのテスト不足」と同じです。つまり仕組み上の課題として、AIには「学習データの偏り」という弱点があるかもしれません。僕自身、新人の頃に似た経験があります。テスト環境では完璧に動いていたシステムが、本番リリースした瞬間にバグを吐き出し、現場は騒然。僕は冷や汗をかきながら「なぜだ!?」と必死に調べました。原因はテストデータの偏り。あの時の悔しさと焦りは今でも体に染みついていて、「システムは必ず抜け漏れがある」という戒めになっています。一般的な教訓は「AIは万能ではない、だから注意が必要」ということ。でも僕はさらに一歩進めて考えたいんです。AIの限界を知ることで「人間が補完する余地」が見えてくる。つまり僕らがやるべきは、AIに任せきりにせず「この仕組みにはどんな盲点があるか？」と常に問い直すことだと思います。今日の最初の一歩として、自分の担当している仕事やシステムに対して、その盲点を一つ探してみませんか？それが未来の大きなトラブル回避につながるはずです。

田中美咲のスピーチ

32歳・人事部・係長

通常ビュー PREPビュー

1min. 3min.

「2296万回表示」──この数字に驚きませんか？AIが「歩道を真横から歩く人」を描けない、というシンプルな話題がSNSで大バズりしました。理由は学習データの偏りですが、私が感じたのは「みんなで失敗を共有して学んでいる」ということ。ユーザー同士が「こうしたらうまくいく」と工夫をシェアしているんです。人事の視点で思うのは、これはまさに「リスキリング」そのもの。実は日本企業で積極的にリスキリングを進めているのはわずか8.9%※。時間や人材不足で学びが止まっている現状があります。でも、このSNSの事例のように「遊び心のある挑戦」を共有するだけでも、成長のサイクルは回り出す。今日から一歩、自分の“失敗談”を仲間にシェアしてみませんか？それがチームの学びを広げるきっかけになります。 ※ 帝国データバンク調査より

1. 帝国データバンク調査「リスキリングに積極的な日本企業はわずか8.9%」
   https://www.tdb.co.jp/report/economic/20241120-reskilling2024/

「2296万回表示」──この数字を聞いて、みなさんはどう感じますか？AIが「歩道を真横から歩く人」を描けないという一見シンプルな話題が、SNSで大バズりしたのです。AIはなぜか道路を奥に続けてしまい、思い通りの構図にならない。多くの人が「やってみたけど無理だった」と苦戦し、そのプロセス自体が共感を呼びました。理由は学習データの偏りにあります。ネット上には「奥行きのある道路」の写真は多いけれど、「真横の歩道」の構図は少ない。そのためAIは「奥に伸びる道路」を正解と判断してしまうのです。ここで面白いのは、失敗を共有することでコミュニティ全体が学びを深めている点です。「背景と人物を別々に生成するといい」など工夫を持ち寄り、知恵を磨いている。これは人材育成の現場でも見習うべき姿勢だと思います。実際、帝国データバンクの調査によれば、日本企業でリスキリングに積極的なのはわずか8.9%※。大企業でも15.1%、中小企業では7.7%に留まっています。研修の時間や人材不足が壁となり、学びのサイクルが回らない現状があるのです。私自身も、忙しさの中で研修計画を先送りし、「このままでは若手の成長が止まってしまうのでは」と焦りを感じたことがあります。その時に学んだのは、「大きな制度」よりも「小さな共有」が人を育てる力になる、ということでした。一般的には「学びの機会を増やそう」という結論に行きがちですが、私はそれだけでは足りないと思います。むしろ「失敗や試行錯誤を安心してシェアできる文化」を作ることが大事です。今日からの最初の一歩として、自分の小さな失敗をチームに話してみませんか？それが仲間にとっての学びの種となり、組織全体の成長を後押しするはずです。

1. 帝国データバンク調査「リスキリングに積極的な日本企業はわずか8.9%」
   https://www.tdb.co.jp/report/economic/20241120-reskilling2024/

山田雄一のスピーチ

43歳・経営企画部・課長

通常ビュー PREPビュー

1min. 3min.

AIが「歩道を真横から歩く人」を描けない、そんな弱点が2200万回以上も話題になりました。多くの人が試して失敗し、笑いながらも「なるほど」と納得したのです。戦略的に考えると、これは「市場がどこにあるか」を示すヒントです。AIは万能ではなく、不得意な領域がある。つまり「人間の工夫が介在する余地」がまだまだ大きいということ。私自身、過去に新サービスを立ち上げた際、競合が得意としない部分にフォーカスしたことで市場を取れた経験があります。一般的には「AIはまだ完璧じゃない」で終わりがちですが、むしろ「不完全さの隙間こそビジネスチャンス」と考えるべきです。今日の一歩は、「AIが苦手なこと」をあえて探してみること。そこに戦略的な可能性が眠っているかもしれません。

AIが「歩道を真横から歩く人」を描けない──こんな話題が2200万回以上もSNSで表示されました。多くの人が試して失敗し、「車が歩道を走り出した」なんて笑える失敗例まで出てきた。けれど、この現象が示しているのは単なる笑い話ではありません。「AIが不得意とする領域が、まだ確実に存在する」という事実です。理由は学習データの偏りです。AIは大量のデータからパターンを学ぶので、ネットに多い「奥に続く道路」の構図ばかりを“正解”だと考えてしまう。だから「真横の歩道」を描けない。つまり、AIは万能ではなく、不得意分野がある。戦略的な視点で言えば、これは「人間の工夫や直感が活きる余地」がまだ多く残されているということです。私自身、過去に新サービスを立ち上げたとき、競合が不得意とする領域にフォーカスした経験があります。当時は市場全体が「効率化」に走っていましたが、私は「人が安心して相談できる場」をあえて重視しました。数字では測れない価値でしたが、その隙間に需要があり、結果として大きな成果につながったのです。あのときの「他がやらない部分にこそチャンスがある」という実感は、今も私の経営観を支えています。一般的には「AIはまだ完璧じゃない」と結論づけがちです。しかし、私はむしろ「AIが苦手な部分をどう使うか」という戦略的な側面にも注意を払うことで、より大きな成果につながるかもしれないと考えます。今日からの一歩として、自分の業務の中で「AIでは補えない部分」を探してみませんか？そこに新しい価値を創るヒントが隠されているはずです。

鈴木恵子のスピーチ

48歳・企画部・部長

通常ビュー PREPビュー

1min. 3min.

AIが「歩道を真横から歩く人」を描けない──そんな意外な弱点が2200万回以上も話題になりました。理由は学習データの偏りですが、私が思い出したのはベル研究所のことです。20世紀にトランジスタやレーザーを生んだ伝説的な研究所も、親会社AT&Tの解体後に創造性を失っていきました※。AIも同じで、いくら優れた仕組みでも与えるデータや環境次第で限界が見えてしまうのです。私自身も、過去に「完璧だ」と思った仕組みが環境変化で通用しなくなり、悔しさを味わったことがあります。その時に学んだのは、「長期的に残るのは仕組みそのものではなく、工夫し続ける文化」だということ。今日の一歩は、失敗や不完全さを受け入れ、それを次の工夫の糧にする姿勢を持つことだと思います。 ※ ベル研究所の歴史より

1. ベル研究所 - Wikipedia
   https://ja.wikipedia.org/wiki/ベル研究所

AIが「歩道を真横から歩く人」を描けない──そんな意外な弱点がSNSで2200万回以上も話題になりました。多くの人が試して失敗し、AIがなぜか奥に続く道路を描きたがる現象に笑いと驚きが広がったのです。理由は学習データの偏り。ネット上に多い構図を「正解」と思い込むため、珍しい平面的な風景を再現できないのです。私はこれを見て、ベル研究所の歴史を思い出しました。20世紀にトランジスタやレーザー、携帯電話の概念まで生み出した伝説の研究所も、親会社AT&Tの解体後、自由な研究文化を失い、創造性が次第に失われていきました※。どんなに優れた仕組みや組織も、与えられた環境やデータが偏れば、いずれ限界を迎える。AIも同じだと感じます。私自身も似た経験があります。過去に「この仕組みなら長く使える」と信じて導入した制度が、環境変化によって数年で時代遅れになってしまったことがありました。その時の悔しさは強烈で、「仕組みそのものは必ず古くなる、残るのは工夫し続ける文化だ」と痛感しました。あの苦い体験が、私の「仕組みよりも文化を大事にする」という考えを形作ったのです。一般的には「AIは万能ではない」という教訓に落ち着きがちですが、私はむしろ「不完全さをどう受け入れ、次の工夫につなげるか」が本質だと思います。今日の最初の一歩として、自分の業務やチームの中で「これはもう古いかもしれない」と感じる仕組みを一つ探し、その上で「次の工夫」を考えてみませんか？それが文化として根付いたとき、私たちはAIにも負けない持続的な力を持てるはずです。

1. ベル研究所 - Wikipedia
   https://ja.wikipedia.org/wiki/ベル研究所