「何でもできる人」の正体は『問いを立てる力』か——軸＋幅と空白地帯の仮説

• 想定読者： 「フルスタック」「何でも屋」を目指す、あるいはその実体を知りたい中堅エンジニア。幅を広げる順序とAI時代の価値を見極めたい人
• 前提知識： I型・T型・π型（深さと幅のスキルの形）の基本的な感覚があると読みやすい
• 所要時間： 約11分

概要

「あの人は何でもできる」——チームに一人はいる、専門外の問題でもなぜか形にしてしまう人。だが彼らは”何でも知っている”わけではない。“問いを立てて、埋めている” のだ。

本記事が提案する見方（仮説）はこうだ。深い軸（I型）を持った上で幅に厚みが出ると（T型・π型）、専門と専門のあいだの「空白地帯」に良い問いを立てられるようになる。問いさえ立てば、あとは調べて——いまならAIも使って——埋められる。この連鎖が、外から見ると「何でもできるジェネラリスト/フルスタック」に映る。

この「見方」は精神論ではない。少なくとも”部品”は、確立した理論に支えられている。幅広い知識が新領域の吸収を速める「吸収能力」、領域間の隙間を橋渡しする人が良いアイデアを得る「構造的空隙」、幅広い知識の組み合わせが新規性を生む「再結合イノベーション」、そして「解く力」より「問いを立てる力」が独創性と長期の成功を予測する「問題発見」研究だ。ただし、先に正直に断っておく。これらの研究が支えるのは個々の部品であって、それらを「軸＋厚み→問いを立てる力→空白を埋める→ジェネラリストの正体→幸福」という一本の鎖につなぐ全体像は、本記事の仮説だ。この連鎖をまるごと検証した研究は、現時点で見当たらない。

AI時代、この構図はさらに効く。AIは「答え」を量産するが、「良い問い」は人が立てる。AIが”調べて埋める”コストを激減させたぶん、軸＋幅で良い問いを立てられる人は、空白地帯を以前より速く埋められる。ただし——”軸なしの浅い幅”では、良い問いも立てられず、AIの答えの正否も見抜けない。

そして空白を埋める働き方は、仕事の幸福の7要素のうち貢献・多様・自由・達成に直結する。本記事では、(1)「何でもできる人」の正体、(2) 軸＋幅が効くメカニズム、(3) AI時代の希少性、(4) 幸福との接続、を順に見ていく。

第1部　「何でもできる人」は”何でも知っている”のではない

flowchart TB
    A["深い軸（I型）"] --> B["幅に厚みを足す<br>T型・π型へ"]
    B --> C["空白地帯に<br>良い問いを立てられる"]
    C --> D["調べて埋める<br>（AIも使って）"]
    D --> E["「何でもできる」<br>ジェネラリスト・フルスタック"]
    E --> F["貢献・多様・自由・達成<br>（仕事の幸福）"]

「あの人に聞けば何とかなる」と言われる人がいる。だが観察してみると、彼らは最初から答えを知っているわけではない。知らない領域でも、勘所のいい問いを立て、当たりをつけ、調べて、つなぎ合わせる。専門外の障害でも「たぶんここが怪しい、こう切り分ければいい」と問いを分解できる。

逆に、いくら知識を詰め込んでも「で、何を問えばいいか分からない」人は、空白地帯の前で立ち止まる。差は知識の量ではなく、問いを立てる力にある。

そして問いを立てる力は、天賦の才ではなく、軸と幅の構造から生まれる。順に見ていこう。

第2部　なぜ「軸＋幅の厚み」だと埋められるのか

まず、幅の「質」をはっきりさせたい。ただ広く浅く——「聞いたことがある」程度の知識をいくら並べても、問いは立たない。鍵は、幅の各所に”少しの縦の厚み”——その領域で何が勘所か、どこでつまずくかが分かる程度の厚み——が出ることだ。すると領域ごとに「ここが空白だ」「ここを問えばいい」が見えはじめ、問いを立てられる領域が一気に増える。問いを立てられる範囲は、幅の「広さ」ではなく、幅×各点の「厚み」——面積ではなく体積——で決まる。横棒は、薄い線ではなく、厚みのある板であるほど効く。

ただし、全領域を均一に厚くするのは時間的に不可能だ。現実解は「深い軸（縦）＋要所に厚みの島を作る」。板を一様に厚くするのではなく、勘所に厚みのある点を散らすイメージである。

この構図は、持っているスキルの断面図として描くとつかみやすい（上図）。漏斗の口の広がりが幅、中央を貫く細い管が深い軸（I型）、口から管へ向かう薄青の面が厚みだ。そして漏斗の輪郭の外側——とくに下方の深部——へ向けて、具体的な知識がなくても問いは届く（破線）。口が広く、要所に厚みがあり、軸が深いほど、問いの届く範囲は外へ・下へと広がる。π型なら、この管が2本になる。そして軸が2本に増えると、2つの軸の「あいだ」自体が新たな空白地帯になる——再結合の組み合わせが増えるぶん、問いを立てられる領域はさらに広がる（これも同じ仮説の延長だ）。なお、この図は実証データではなく、本記事の仮説を視覚化した概念図である。

なぜ「厚みのある幅」が問いを生むのか。メカニズムは4つある。

(1) 吸収能力——幅があるほど、新しい領域を速く吸収できる。 Cohen & Levinthalの「吸収能力（absorptive capacity）」理論は、新しい知識を理解・吸収・活用する能力が、すでに持っている関連知識の幅に依存することを示した¹。まったく縁のない領域の情報は、どれほど貴重でも素通りする。逆に、隣接領域の素養が少しでもあれば、新領域を「調べてなんとかする」回路が回る。横棒の厚みとは、この回路の太さだ。しかもこの効果は、知識へのアクセスが豊かになるほど拡大する——企業を対象とした145件の研究の統合分析では、スマートフォン以降の情報環境で、吸収能力がイノベーションに与える効果が以前のほぼ2倍に高まっていた²。情報が増えた時代ほど、それを吸収できる幅の価値が上がる（これは組織レベルの知見だが、個人にも同じ理屈が働くと考えられる）。

(2) 構造的空隙——隙間を橋渡しする人が「良い問い」を独占する。 Burtの「構造的空隙（structural holes）」研究は、異なる集団や知識領域の”隙間”を橋渡しする人が、情報の優位と「良いアイデア」の源泉を得ることを示した。673名のマネージャーを対象にした調査では、領域をまたぐネットワークを持つ人のアイデアが、独立した評価で高く評価され、却下されにくかった³。理由は単純で、一つの領域に閉じた人には見えない「両側の隙間」が、橋渡しする人には見えるからだ。空白地帯への問いは、空白の両側を知る人にしか立てられない。

(3) 再結合——幅広い知識の組み合わせが新規性を生む。 イノベーションの正体は、多くの場合「既存知識の新しい組み合わせ」だ——ただし新奇な組み合わせの多くは平均すると当たり外れが大きく、突破口はその分散の中から生まれる⁴。1,790万本の論文を分析した研究では、最もインパクトの大きい仕事は「慣習的な基盤＋非典型的な組み合わせ」のバランス型で、このタイプは被引用で上位10%に入る確率が2倍だった⁵。深い軸（慣習的な基盤）の上に幅広い知識があると、組み合わせの選択肢が増え、空白地帯に新しい結合を持ち込める。

(4) 技術ブローカー——IDEOの「横棒」の正体。 デザイン会社IDEOの研究は、この構図を具体的に見せる。IDEOは40以上の産業をまたぐ知識を蓄え、ある産業の既知の解を、別の産業の未解決問題に転用していた⁶。これが「技術ブローカー」——T字の横棒が実際に機能する姿だ。ただし、T字型・π型を直接定量検証した研究は乏しく、ここは定性研究に依る点は付記しておく。

4つに共通するのは、幅は知識そのものより「問いを立て、つなぐ」ために効く、という構図だ。横棒は雑学のコレクションではない。空白地帯を見つけ、問いを立て、別領域の解を運び込むための装置である。

第3部　AI時代——”問いを立てる力”が希少になる

「解く力」と「問いを立てる力」は別物だ。Getzelsらの古典的研究では、美術学生のうち、描き始める前に長く対象を探索する「問題発見型」の作品が、独立評価でより独創的と判定された。さらに卒業後の複数回の追跡調査で、問題発見型のほうが職業的成功を収めていた——一方、IQや成績は成功と無相関だった⁷。良い問いを立てる力は、解く力やテストの成績とは独立した、長期で効く能力なのだ。

この区別が、AI時代に決定的になる。AIは「答え」を量産する。だが、何を問うかは人が決める。AIが「調べて埋める」コストを激減させたぶん、軸＋幅で良い問いを立てられる人は、空白地帯を以前より速く埋められる。第2部のメカニズムが、AIという増幅器で加速する。

ただし、二つの但し書きがある。第一に、軸なしの浅い幅では、そもそも良い問いが立てられない。吸収能力が低く、どこに空白があるのかも見えない。第二に、AIの答えは「惜しいが間違い」を含む。それを見抜くには、検証できる深い軸が要る。AIは問いを立てる作業の助けにもなるが、問い自体を丸投げすると平均的でありふれた問いしか返らず、人間の問う力が痩せていく——この両面を指摘する論者もいる⁸。だから順序はやはり「深い軸が先、その上で幅」だ。AI時代になぜ深い軸が要るかはAI時代の検証の深さで詳しく扱っている。

実際、AIの普及で、エンジニアが時間を使う配分は「コードを書く」から「AIの出力を検証し、束ねる」側へ移りつつある⁹。この変化は、まさに「問いを立て、空白を見極め、つなぐ」力の価値を押し上げる方向に働く。

第4部　それが幸福（7要素）につながる

空白地帯を埋める働き方は、仕事の幸福に直結する。誰もやっていない価値を出すのは貢献であり、領域を横断するのは多様、自分で問いを立てて動くのは自由、できなかったことができるようになるのは達成だ。「何でもできる人」が生き生きして見えるのは偶然ではない——この働き方が、仕事の幸福を決める7要素のうち複数を、同時に満たすからだ（7要素そのもののエビデンスはいい仕事は『選んで』手に入らないで詳述している）。

ただし、ここでも正直な留保を置く。幅を広げること自体が幸福なのではない。幅が幸福に効くのは、それが問いを立てる力を通じて貢献・自由・達成を生むときだけだ。幅（多様）単体のエビデンスは、実のところ中程度にすぎない。そして、全員がπ型を目指すべきでもない——一つの深い軸を究め続けて、貢献と達成を得る道もある。π型は「空白地帯を埋めることに喜びを感じる人」にとっての一つの形であって、万人の正解ではない。

ひとつの仮説として——どこまでが確かか

最後に、エビデンスの線引きをはっきりさせておきたい。本記事の中心にある連鎖——「軸＋厚み→問いを立てる力→空白を埋める→ジェネラリストの正体→幸福」——のうち、個々のメカニズムは確立した研究に支えられている。幅が新領域の吸収を速めること（吸収能力）、隙間を橋渡しする人が良いアイデアを得ること（構造的空隙）、幅広い知識の組み合わせが新規性を生むこと（再結合）。ここは堅い。

だが、それらを一本につないだ全体像は、確定した事実ではなく仮説だ。この連鎖をまるごと検証した研究は見当たらないし、「問いを立てる力こそジェネラリストの正体だ」という命題を直接調べた研究もない。「スキルの漏斗」「問いの届く範囲」は、実証ではなく説明のための比喩である。AI時代に「問い」が希少になるという話も、現状は論考のレベルにとどまる。

それでも、各部品が確かなぶん、仮説としては検討に値すると考えている。確立した事実として鵜呑みにするのではなく、あなた自身の経験と照らして、当てはまるかどうかを確かめてほしい。

まとめ

「何でもできる人」は、何でも知っているのではない。軸＋幅で良い問いを立て、空白を埋めているのだ。吸収能力・構造的空隙・再結合・問題発見——確立した理論が、この構図を裏付ける。

AIは答えを量産するが、問いは人が立てる。だからAI時代、軸＋幅で問いを立てられる人の価値は、むしろ上がる。ただし、軸なしの浅い幅では問いも立てられず、AIの答えも検証できない。順序はやはり、深い軸が先だ。

そして、空白を埋める働き方は、貢献・多様・自由・達成という幸福に直結する。幅そのものが目的なのではない。幅が問いを立てる力を生み、それが幸福を生む——この順番を取り違えないことが肝心だ。

「何でもできる人」になりたいなら、まず一つを深く掘る。その軸の上に幅を足し、空白地帯に問いを立てる。それがAI時代に、最も希少で、最も幸福に近い働き方になる。

関連記事

このテーマに関連する他の記事もご覧ください：

• いい仕事は『選んで』手に入らない——適職7要素のエビデンスと、作り変える技術 - 本記事が「幸福」と呼ぶ7要素の中身
• I型・T型・π型——深さと幅のスキルマトリクス - スキルの「形」の分類
• 「軸なしジェネラリスト」はなぜ頭打ちになるのか - 「深さなしの幅」が積み上がらない理由
• 従業員の幸福は『施策』では買えない——適職7要素を“設計”する組織のレバー - 組織が幸福を設計する側の話

参考資料

本文中の引用番号に対応する参考資料を番号順に記載しています。

1. Absorptive capacity: A new perspective on learning and innovation - Cohen, W. M., & Levinthal, D. A., Administrative Science Quarterly (1990). 【信頼性: 高】 ↩︎

2. Absorptive capacity and innovation: A meta-analysis - Stettler, T. R., et al., Journal of Product Innovation Management (2025). 【信頼性: 中〜高（メタ分析・145研究）】 ↩︎

3. Structural holes and good ideas - Burt, R. S., American Journal of Sociology (2004). 【信頼性: 高】 ↩︎

4. Recombinant uncertainty in technological search - Fleming, L., Management Science (2001). 【信頼性: 高】 ↩︎

5. Atypical combinations and scientific impact - Uzzi, B., Mukherjee, S., Stringer, M., & Jones, B., Science (2013). 【信頼性: 高（ただし知識の幅とチーム多様性の寄与は未分離）】 ↩︎

6. Technology brokering and innovation in a product development firm - Hargadon, A., & Sutton, R. I., Administrative Science Quarterly (1997). 【信頼性: 中〜高（定性的エスノグラフィー）】 ↩︎

7. The Creative Vision: A Longitudinal Study of Problem Finding in Art - Getzels, J. W., & Csikszentmihalyi, M., Wiley (1976)（書籍）. 【信頼性: 中〜高（芸術領域・小サンプルの縦断研究）】 ↩︎

8. AI can help you ask better questions — and solve bigger problems - Gregersen, H., Harvard Business Review (2023). 【信頼性: 中（実践的論考）】 ↩︎

9. DORA 2025: State of AI-Assisted Software Development - Google Cloud / DORA (2025). 【信頼性: 高】 ↩︎