WP A 研究ペーパーの先行研究 第四（最終）モジュール。複雑な仕事はひとりで完結せず、ひとつの組織の内側にも全スキルは揃わない。外部コンサルに頼る時代から、痩せた内部コアと外部専門家を案件ごとに束ねる混成チームへ ── この組成は、設計できるのか。先行研究の部品は確立しているが、それらを一本に束ねた統合は、まだ正面からは見当たらない。
ここまでの三つのモジュールで、中立的な人材マッチングが「あいだに立つ仕組み」の系譜に位置し※、マッチングを設計できる学問の土台を持ち※、その入力となる暗黙知の分解が近年ようやく扱えるようになり※、信頼を膨らまないシグナルで設計できる※ことを見た。だが、複雑な仕事は、ひとりの専門家だけでは完結しないことが多い。そもそも、ひとつの組織の内側に、必要なスキルがすべて揃っていることのほうが珍しい。新しい事業を立ち上げれば、内部の人材だけでは届かない領域が、かならず出てくる。
ここでは、公刊されたあるケースを手がかりに考えてみたい1。世界的な酒類企業が、データと AI による変革を進めるにあたって最初に取った手立ては、外部の戦略コンサルティングを雇うことだった。本モジュールは、そのケースが描いた次の転換から話を始める。
本モジュールが立てる問いは、このケースが描く転換から始まる。外部コンサルは変革を軌道に乗せたが、企業はやがて、ある限界に気づいた。同社の言葉を借りれば、「どれだけ戦略的なパートナーでも、それに従っているかぎり、競争優位は生まれない」1。コンサルが持ち帰るノウハウは、コンサルが去れば手元に残らない。残るのは外注の成果物だけで、自分たちの能力にはならない。
そこで同社は方針を変えた。少人数の内部コアを置き、そこへ外部の専門家を柔軟に束ねていく。短い時間で十名規模のデータ専門家を採用し、さらに多数のフリーランスを加えて、ひとつの加速チームを立ち上げた。新規採用のおよそ半分が、外部のフリーランス契約だったという1。固定したピラミッド型ではなく、案件ごとに分野をまたぐ小隊（squad）へ機動的に割り当てていく、ネットワーク型の組織である。
これが、本稿でいう混成チームの原型である。内部の社員と外部の専門家を、案件ごとに組み合わせて束ねるチームだ。見落とせないのは、これが一企業の事情にとどまらず、業界全体の構造的な動きだということである。同じ会社の人どうしが自然に引き合わされてきた従来の仕組みは、リモート化のなかで目に見えて弱った。弱い紐帯も、部署を越えたつながりも、大規模なデータで減少が裏づけられている2。その一方で、地理を越えて外部の専門家とつながれるリモートの母集団が、現実のものになった。内部だけでは完結しない仕事を、外部の専門家で柔軟に補う ── この形が広く成り立つ条件は、近年になってようやく整った。
具体的な案件で考えると分かりやすい。たとえば、ある出版社が、長年積み上げてきたアーカイブを AI で再生する新規事業を立ち上げるとしよう。大規模なインデックスの構築、再利用できるコンテンツの抽出、電子書籍化のバックエンド、需要に応じた価格設計といった工学の役割と、復刊した本を売るためのコミュニティの育成、SNS、主要なストアでのプロモーションといったマーケティングの役割が、三か月のうちに同時に要る。内部にエンジニアはいても、出版マーケティングの専門家は外に求めることになる。複数の役割を、内部と外部で混ぜ合わせて組む ── これが、組まなければならないチームの姿だ。
混成チームを組むのは、思うほどたやすくない。どこに難しさがあるのかは、計算機科学がこれまで積み上げてきたものに照らすと見えてくる。
ネットワークの上で、必要なスキルをすべてカバーし、メンバー間のやりとりのコストが最も小さくなるようにチームを選ぶ ── この「チーム編成問題（team formation problem）」には、長く積み重ねられてきた研究の系譜がある3。ただし、この問題の立て方には前提がある。誰と誰がつながっているか、やりとりにどれだけコストがかかるか、つまり関係の網があらかじめ分かっていることだ。古典的な手法は、この下地がそろって初めて動く。
混成チームでは、この下地が、半分しか無い。内部の社員どうしは、互いを知っている（関係の線は、ある）。だが、内部と外部のあいだ、そして外部の専門家どうしのあいだには、過去のつながりが無い。束ねようとする相手の多くが、たがいに初対面だ。古典が前提にしていた下地は、まさに補強したい部分で欠けている。
では、下地が無いとき、それを何で補うのか。中立的な人材マッチングは、三つの手を重ねる。〈分解〉まず、人と仕事を計算できる形に分解する。前のモジュールが扱った、暗黙知を含む能力の意味的な分解である※。〈決定論で組む〉関係の親密さに頼らず、同じ入力なら必ず同じ結果になる手続きで組む。組み合わせとして成り立たない相手を、まずふるい落とす ── 外部の専門家が発注者の競合と重なって稼働している場合（競業）、稼働の容量が足りない場合、必要な役割に一つも触れない場合である。残った相手のあいだで、スキルを主軸に適合を測り、なぜその割当かを説明する内訳とともに推奨する。割り当てを下すのではない（型 b）。〈構造で信頼を支える〉初対面の信頼 ── swift trust4 ── は脆い。だからこそ、崩れやすい心理に頼るのではなく、あいだに立つ中立な構造が信頼を支える※。
混成チームをどう評価するか。ここに、もうひとつの設計判断がある。チームの強さを、メンバーの平均では測らない。最も弱い役割で測る。
この考え方には、生産の理論の裏づけがある。ある古典的な理論は、成果が各工程の品質の積で決まる生産を描いた5。ひとつの不良部品が、全体を台無しにしてしまう生産である。スペースシャトルが小さな部品ひとつで失われた事故にちなんで、その名がついている。掛け算で決まる以上、最も弱い工程が全体の足を引っ張り、ほかの工程がどれだけ強くても、それを覆い隠せない。優れた者は優れた者と組む（正の同類マッチング）という、もうひとつの古典6とも重なる。
中立的な人材マッチングのチーム評価も、この掛け算の構造を、やわらかい形で受け継ぐ。完全な「最弱（min）」ほど厳しくはせず、強い役割の貢献も残す。それでいて、弱い役割を平均でならして覆い隠すことはさせない。数式の上では、両者のちょうど中間にあたる※。傑出した一人を置いても、弱い役割があれば、チームの評価は上がらない。
ここで、ひとつ区切りをはっきりさせておく。第一に、これは原理の援用であって、実証ではない。掛け算で決まる生産という理論が「最弱で測るべき」という設計を裏づけるのであって、この評価式がチームの成果を正しく言い当てると実証されたわけではない56。第二に、むしろ慎重になったほうがいい。人間と AI を組み合わせたチームは、しばしば過大に評価される。ある大規模なメタ分析は、人間と AI のチームが、平均すると「二人のうち良いほうが一人でやった場合」にすら及ばないことがある、と報告している7。だから本稿は、組成によって成果が上がるとは主張しない。組成を設計できることと、その成果を保証することは、別の話である。
ここが、本モジュールの核心である。混成チームには、束ねる前の関係の網（下地）が無かった。だが、束ねて働かせるたびに、その下地は内側から少しずつ作られていく。
誰と誰を組み合わせ、仕事をどう分解し、どの受け渡しがうまくいき、何が効いたか ── この遂行の記録が積もる。過去にうまく噛み合った組み合わせは、次の組成で重みを増す※。なかった関係の線が、これまでの遂行の積み重ねから、一本ずつ引かれていく。組成と実行の問題（先行研究が解いたもの）と、この記録の蓄積とが結びついたものを、本稿は仕事の遂行知能（work-execution intelligence）と呼ぶ。
この複利には、学術的な足場がある。AI を中核に据えた事業では、一つひとつの遂行がデータとなり、次の遂行を改善する循環が働く8。組織学習の研究も、経験の蓄積が単位あたりのコストを下げ、その知識が人・道具・手順という媒体に宿って初めて持続することを、長く実証してきた9。ただし、これらはいずれも別の文脈（大規模な消費者向け事業や、製造・サービス業）の原理であり、本稿は原理を取り入れるにとどめる。仕組みそのものは実装されている（過去の協働を次の組成へ送る）。だが、複利が産業規模で回るかどうかは、時間と量の問題であり、いまは構想にとどまる。仕組みがあることと、それが実証されることとは、分けて受け止めるべきだ。
ここで、冒頭のケースに戻ってみよう。外部コンサルのノウハウは、コンサルが去るとともに失われた。だが、内部に束ね、内側に記録を積み上げていけば、遂行知能は残る。混成チームの遂行知能を、中立な構造の内側に置くこと ── それが、§4 の堀の構想である。ただし、堀の土台にしてはいけないものを、先に外しておく。信用スコアのデータが積もること自体を、堀とは考えない。専門職の取引は、一回が長く、頻度は低く、再現性も確かでない ── 取引実績のデータは、砂のうえの堀になりかねない※。積もるのは、取引の実績ではなく、仕事の遂行のしかたである。
最後に、本モジュールの立ち位置をはっきりさせておく。本モジュールは、これまでの三つと、向きが逆である。M-1〜M-3 は、学術が示したものを中立的な人材マッチングが取り入れる、という順序だった。混成チームの組成は、そうではない。
裏づけを探したかぎり、部品はどれも学術的に確立している ── チーム編成問題の最適化3、最弱で測る生産の理論5、初対面の信頼4、遂行の複利89。だが、〈社員と外部専門家の混成チームを、AI が分解して組成し、遂行の記録で複利的に改善し、中立な構造の内側に積む〉という一連のつながりを、一本に束ねた先行研究は、公開・査読の範囲で、正面からは見当たらない。実務でも、複数役割のチームは、人の手で選んで組むか、既成の代理店を使うかで成り立っており、決定論的に自動で組成する実装は、公開された範囲では確認できない10。部品は確かだから空想ではなく、つなぎ目が空いているから新規性がある。
ここでは、学術が実装に先んじるのではなく、実装が先に走り、研究がそれを位置づける。中立的な人材マッチングの組成ロジックは、この空白に立つ原案である。だからこそ、限界もはっきり書いておく。第一に、見知らぬ専門家を動的に編成した先行研究は、数チーム・数十名規模の制御された実証11か、別の文脈で得られた原理であって、産業規模に広げられることまでは示されていない。本稿はこれを「実証済みの機能」とは扱わない。第二に、先行の実証はおおむね仕様の明確な課題であり、暗黙知と関係の継続が重い高度専門職の業務とは、前提が異なる。第三に、組成はスポット型（終われば解く）であり、束をまたいで記録する層は別に要る ── その層を中立な構造の内側に置くのが、遂行知能の構想である。第四に、組成ロジックそのものが、まだ広く検証されていない。本稿はこれを、これから検証されるべき原案として示す。
本モジュールをもって、先行研究（§2）の四つの柱 ── あいだに立つ仕組み（M-1）、マッチングの設計（M-2、その入力の分解は M-2b）、信頼のシグナル（M-3）、混成チームの組成（M-4）── が出そろった。いずれも、中立的な人材マッチングを学術の中に位置づけ、何を取り入れ、何を保証と呼べないかを定めるものであった。だが、四つを通じて開いたままの宿題がある。中立性は当事者性なしにどう信頼されるか（M-1）。検証の正確さをどう担保するか（M-3）。そして、内側に積もる遂行知能を、どう堀に変えるか（本モジュール）。WP A 本体 §4 は、この宿題を、決定論的な清算の背骨・正準なスキルの地図・双方向の信用・尊厳の層・サンドボックスという堀の束として束ね、仕事の遂行知能の複利として論じる。外部コンサルとともに去ったものを、内側に残す ── その設計が、次の主題である。
全主張に一次資料・学術／公的出典を付す。確＝一次・査読／公式。中＝確信度中。※＝先行研究モジュール参照。確定書誌はドシエ参照。