生成AIの主戦場は「作る」から「直す」へ——Photoshopの描画指示と音声整形が変える日本の仕事

生成AIの話題では、何もない場所から画像や動画を作る「一発生成」が注目されがちです。しかし、実際の仕事で時間がかかるのは、最初の案を出す瞬間だけではありません。「人物の位置を少し右へ」「この言い回しは残す」「背景だけを変える」「ブランド名の表記を統一する」といった、細かな修正と合意の積み重ねです。

2026年8月、AdobeはPhotoshopにAI機能をまとめた任意の編集画面を追加し、画像へ直接線や矢印を描いて修正意図を伝える機能を発表しました。Googleは、85以上の言語や専門用語に対応し、「えー」「あの」といった言いよどみの除去や文章整形まで行う文字起こしモデルを発表しています。

同じ時期、ITmedia NEWSでは、日本で15年以上映像制作に携わる監督が、生成AIを企画コンテ、参考画像、映像の一部、音楽の方向性共有へ使う実務を紹介しました。そこで語られているのは、AIへ全てを丸投げする未来ではありません。設定、カメラ、照明、感情、小道具を構造化し、クライアントとの認識差を早い段階で減らす仕事です。

三つの動きを重ねると、生成AIの次の主戦場が見えてきます。上手なプロンプトで一度に完成品を出す競争から、人の意図を途中で受け取り、直し、根拠を残す編集工程の競争へ移っているのです。これは広告やデザインだけの話ではありません。会議、営業、教育、商品企画など、曖昧な考えを他者と共有して仕上げる日本の仕事全体に関係します。

Photoshopは「言葉にできない修正」をAIへ渡し始めました

The Vergeが報じたPhotoshopの更新では、ベータ版の「AI Assisted Editor」に、プロンプトによる画像編集、背景除去、画像の拡張などのAI機能が一つのツールバーへまとめられます。従来の編集画面を置き換える強制的な変更ではなく、任意で使う編集画面として案内されています。

中でも重要なのが「markup」です。利用者は画像の上で範囲を選び、色を変えたい場所を示し、矢印で移動先を描き、追加したい物の大まかな形を描けます。長い文章だけで説明するのではなく、ここを、この方向へ、この程度変えたいという空間的な意図をAIへ渡せます。

人同士の制作現場では、これは珍しい方法ではありません。デザイナーへ赤字を入れ、写真へ丸を描き、絵コンテへカメラの動きを矢印で示します。新しい点は、人が既に使ってきた修正言語を、AI側が受け取るようになったことです。利用者がAI専用の呪文を覚えるのではなく、AIが人間の校正方法へ近づきます。

Adobeは、自然言語でマスクを編集する「Instruct Edit with Masks」の更新も説明しています。Firefly Image 5が画像全体の文脈を理解し、閉じた目を開く、帽子を加えるといった変更で、利用者が全ての範囲を細かく塗らなくてもよい方向です。

ただし、「画像全体を理解する」という説明を、制作者の意図やブランドの事情まで理解すると受け取るべきではありません。AIは画像内の対象や関係を推定できても、その表情を変えてよいか、商品ロゴを残すべきか、人物の同意があるかまでは自動で判断できません。操作が簡単になるほど、変更してよい範囲を人が明確にする必要があります。

日本の制作会社や企業の広報部門では、AI機能の有無より、修正指示を三種類へ分けると導入しやすくなります。

修正の種類	例	人が決めること
表現の修正	背景を広げる、色調を整える	ブランド基準、納品品質、元画像との整合
事実の修正	商品名、数値、制服、店舗の外観	公式資料との一致、承認者、公開期限
権利の修正	人物の顔、著作物、ロゴ、声	使用許諾、契約範囲、生成素材の扱い

表現の修正はAIで速くできますが、事実と権利の修正は速さだけで進められません。何を変えたか、誰が承認したか、元データへ戻せるかを記録します。生成ボタンより、変更履歴と差し戻しの設計が実務品質を決めます。

日本の映像監督が示すのは「AIに頼む前の設計」です

ITmedia NEWSに寄稿した映像監督は、実写、グラフィックス、モーショングラフィックスなどを使う制作に15年以上携わり、近年は生成AIを仕事へ取り入れていると説明しています。一方で、AI動画だけで作品を完結させることには、細かな依頼への対応や画の制御というリスクが残るとも述べています。

この現場感は大切です。AIを使うか、使わないかという二択ではありません。企画の参考画像、コンテ、予算上撮れなかったカメラワーク、部分的なCGなど、工程ごとに向き不向きを判断しています。一部へAIを使っても、作品全体の目的、感情、品質を決める責任は消えません。

監督は、思い付きで単語を並べるのではなく、映像の設定、動作、キャラクター、カメラワーク、照明、感情、小道具などを整理し、JSON形式で構造化して指示する方法を紹介しています。これによって、顔、画風、世界観、トーンの揺れを抑え、意図した物語へ近づけます。

ここで価値を生んでいるのはJSONという形式そのものではありません。頭の中の曖昧なイメージを、他者が再利用できる条件へ分解する力です。以前なら監督、撮影、照明、美術、編集の会話で調整していた内容を、AIにも読める形へ翻訳しています。

企画コンテを早い段階で高い解像度まで作れると、クライアントとの認識差を本番前に発見できます。完成後に「想像と違う」と言われるより、撮影前に色、構図、動き、感情の違いを直せます。AIの価値は制作人数を減らすことだけではなく、高価な本番工程へ進む前に、安く誤解を見つけることにあります。

これは、AI時代に人の仕事が目的設定、例外対応、責任設計へ上流化する動きの具体例です。画像を一枚作る作業が速くなっても、何を伝えるか、誰へ見せるか、どの誤解を避けるかを定義する仕事は増えます。制作担当者の役割は、手を動かす人から、判断条件を編集する人へ広がります。

一方で、初期案が早く作れるからといって、修正回数が自動的に減るとは限りません。クライアントが無限に別案を求めれば、生成の速さが確認の渋滞を作ります。案を出す前に「比較するのは色だけ」「構図は固定」「三案から一案を選ぶ」「承認後は前工程へ戻らない」と決める必要があります。

文字起こしが整うほど、消した情報の意味が重要になります

The Vergeが紹介したGemini 3.5 Transcribeは、85以上の言語と専門用語を扱い、文章の形式を整え、「um」「uh」などのフィラーを除去できると説明されています。独自の語彙を与えて固有の綴りや専門用語へ対応し、録音済み音声では最大三人の話者を分け、単語単位の時刻情報も付けられます。

文字起こしの次に整形まで行う点は、画像のmarkupと同じ変化です。AIは素材をそのまま複製するだけではなく、人が使いやすい完成形へ近づけます。会議録なら、言いよどみを消し、段落を整え、専門用語を統一できれば、読み返す時間を減らせます。

しかし、整った文章は、実際の発言より確定的に見えることがあります。「たぶん来週には」「ええと、条件が合えばできます」という発言から迷いや条件が消え、「来週できます」と読める文章になれば、意味が変わります。フィラーは多くの場合ノイズですが、交渉、人事面談、事故調査、医療、顧客対応では、迷い、訂正、間が重要な情報になる場合があります。

Googleが発表前にThe Vergeへ説明した追加モデルの一部について、公開後に「今回は発表していない」と訂正した経緯も記事に記されています。これはAIモデルの性能とは別の話ですが、現場に重要な教訓があります。新機能の発表、提供開始、対象地域、利用可能な端末を同じ意味で扱わないことです。記事によれば、Transcribeは英語でmacOS版Geminiアプリの全利用者、Androidの一部地域・言語、開発者向け公開プレビューから展開され、Chrome対応は今後とされています。日本語を含む各環境で同じ日に同じ機能を使えるとは限りません。

日本企業が整形型文字起こしを使うなら、音声原本と整形結果の間に次の情報を残します。

1. 収録日時、参加者、録音への同意を記録します。
2. 利用したモデル名と設定、専門用語辞書の版を記録します。
3. フィラー除去、要約、表記統一のどれを適用したかを記録します。
4. 決定事項と数値は、音声の該当時刻へ戻れるようにします。
5. 外部共有版は、発言者または責任者の承認後に確定します。

読みやすい議事録と、証拠としての逐語記録は目的が違います。一つの文章で両方を満たそうとせず、「原音」「逐語」「整形」「承認済み要約」の四層に分けます。普段の確認には要約を使い、争いが起きた時は時刻情報から原音へ戻ります。

画像と音声で同時に起きている「入力方法の反転」

PhotoshopのmarkupとGeminiの文字起こしは、別の製品に見えます。しかし、どちらも人がAIへ合わせて入力する負担を減らします。画像では長い文章を考える代わりに線や矢印を描き、音声ではキーボードで清書する代わりに話した内容から文章を作ります。

これまで生成AIの利用者は、モデルが理解しやすいプロンプトを書くことを求められました。これからはAIが、指差し、下書き、音声、マスク、専門用語辞書など、人間側の多様な表現を受け取ります。入力方法がAI中心から人中心へ反転します。

ただし、操作が自然になるほど、AIを使っている感覚は薄くなります。Photoshopで背景を広げた結果が生成物なのか、文字起こしで削られた言いよどみが何だったのかを、完成物だけから判断しにくくなります。自然な操作と透明な履歴を同時に設計しなければなりません。

以前、Smart KurashiではFigmaのモーション機能とAI生成がデザインの参加者を広げる変化を取り上げました。参加の壁が下がることは歓迎できますが、作れる人が増えることと、公開責任を持てる人が増えることは同じではありません。ブランド、アクセシビリティ、誤認、権利、保存期間を判断する編集役が必要です。

日本の組織では、この編集役を「AIに詳しい一人」へ集中させない方がよいでしょう。制作担当は表現、法務は権利、商品担当は事実、情報システム担当は保存とアクセス、承認者は公開責任を見ます。AI担当者はモデルを操作しますが、作品や議事録の意味を単独では決めません。

日本の現場で先に作るべき五つの編集ルール

新機能を導入する前に、部門共通の短いルールを作ると、試行錯誤を止めずに事故を減らせます。

元データを残します

画像、音声、動画、文章の原本を、生成後のファイルと分けて保管します。AI編集を重ねたファイルだけを残すと、事実と表現の境界を確認できません。保存期限は内容の機密性と契約に合わせますが、公開中の制作物は根拠へ戻れる状態にします。

変更点を見えるようにします

画像ではマスク、生成範囲、利用モデル、指示を記録します。音声では削除、整形、話者分離、要約を区別します。全ての試行を永久保存する必要はありませんが、採用版がどの変更を通ったかは残します。

事実と演出を分けます

広告で背景を美しくする演出と、商品の形や機能を変える修正を同じ扱いにしません。会議録でも、読みやすい言い換えと、決定内容の書き換えを分けます。数値、日付、固有名詞、契約条件は原資料へ照合します。

承認の節目を減らしすぎません

生成が速くても、公開前の人の確認は残します。一方、全ての小さな試行に管理職の承認を求めると使われません。下書き、社内共有、外部公開の三段階に分け、外へ出るほど確認を強くします。

AIを使わない選択肢を残します

人物の尊厳、未公開製品、機密交渉、子どもの音声など、外部AIへ渡さない素材を先に決めます。AI編集画面が任意であることは重要です。便利な機能を標準にしても、案件ごとに従来手順へ戻れるようにします。

90日で「生成速度」ではなく「修正の質」を測ります

AI導入の効果を、生成枚数や文字起こし時間だけで測ると、粗い案が増え、確認者の負担が見えなくなります。90日間、一つの制作物または一種類の会議に絞って、修正工程を測ります。

30日：現在の差し戻しを数えます

広告バナー、採用動画、営業会議など一つを選びます。初稿から確定までの時間、案の数、差し戻し回数、事実誤り、権利確認、承認待ちを記録します。AIを導入する前の基準を作ります。

修正指示も分類します。「もっと明るく」のような感覚的指示、「商品を右へ」のような位置指示、「価格を変更」のような事実指示、「人物を差し替え」のような権利を伴う指示です。どこで認識差が起きているかを見ます。

60日：二つの入力方法を比較します

同じ種類の案件で、文章プロンプトだけの方法と、markup、マスク、音声、構造化項目を組み合わせる方法を比較します。初稿の速さだけでなく、最終確定までの時間、修正の往復、確認者が見た案の数を測ります。

文字起こしでは、逐語版と整形版を両方作り、決定事項、数値、担当者名の一致率を確認します。フィラー除去で読みやすくなっても、条件表現が落ちた件数が増えるなら、設定や用途を見直します。

90日：公開責任まで含めて標準化します

効果が確認できた工程だけを標準手順へ入れます。元データ、採用版、変更履歴、承認者を一つの案件番号で結びます。利用モデルが変わっても続けられるように、製品固有のボタン名より「原本」「変更」「確認」「公開」という役割で手順を書きます。

評価指標は、初稿生成時間、確定までの時間、差し戻し回数、事実修正数、権利確認漏れ、原本へ戻る時間です。生成時間が半分になっても差し戻しが倍なら、全体の仕事は速くなっていません。採用した案の数ではなく、意図通りの成果物へ少ない往復で到達できたかを見ます。

参考・出典

• ITmedia NEWS「避けるのか、とことん使いこなすのか——明治のCMに生成AIを取り入れた映像監督の本音」（2026年8月28日）
• The Verge「Adobe is adding more AI to Photoshop」（2026年8月27日）
• The Verge「Google’s new AI transcription edits out your ‘ums’ and ‘ahs’」（2026年8月26日）

結論——AI時代の専門性は「最後まで直せること」です

Photoshopのmarkupは、言葉だけでは伝えにくい画像修正を線や矢印で示せるようにします。Geminiの文字起こしは、話した内容を専門用語へ合わせ、読みやすい文章へ整えます。日本の映像監督の実務は、AIが出した一案より、設定、構図、感情、顧客との合意を設計する工程が重要だと教えています。

三つに共通するのは、人の仕事が消えるという単純な変化ではありません。手作業で初稿を作る時間が減る一方、どこを直すか、何を残すか、誰が承認するかを決める比重が高まります。専門性は、道具を独占することではなく、完成の条件を説明し、途中の変更を追い、最後の品質に責任を持てることへ移ります。

次のAI導入会議では、「何枚作れたか」「何分で文字にできたか」だけでなく、「意図した完成形まで何往復だったか」を測ってみませんか。生成ボタンの速さではなく、修正の質と根拠を守れる組織ほど、道具が変わっても自分たちの表現と判断を失わずに使いこなせるはずです。