連載『AIエージェントがいる3年後』第1章

AIが最初に奪うのは仕事ではなく、「仕事を覚える機会」かもしれない

入口の仕事が消えた組織で、次のプロはどう育つのか

※本稿は2026年7月時点の技術、雇用、研究動向をもとにした未来分析である。特定の職業が必ず消えると断言するものではなく、現在見えている兆候から、2029年までに起こり得る複数のシナリオを考える。

2029年。

ある会社に、新卒社員が入社する。

初日に渡されるのは、業務マニュアルではない。
その会社で数年間働き、社内の資料、顧客情報、過去の提案、会議記録を学習したAIエージェントの利用権限だ。

上司から最初の仕事を依頼される。

「この市場について調べて、来週の提案書を作っておいて」

新人がAIへ目的を伝えると、数分後には市場調査、競合比較、顧客課題の仮説、提案書の初稿まで完成する。

上司は言う。

「そのまま使わず、ちゃんと内容を確認してね」

ただ、新人には分からない。

市場規模の推計は妥当なのか。
参照したデータは信頼できるのか。
顧客が本当に気にしている論点はどこなのか。
もっともらしく書かれた提案の中に、何が抜け落ちているのか。

AIの出力を評価するには、仕事の経験が必要だ。

しかし、その経験を積むために新人が担当してきた調査、整理、比較、下書きは、すでにAIが終えている。

新人は、仕事をしていないわけではない。
成果物も出している。

それでも、数年後に一人で判断できる人間へ育っているかは分からない。

ここに、AIエージェント時代の大きな矛盾がある。

熟練者は、AIの間違いに気づくことができる。
新人は、その違和感を身につけるために仕事をする。
ところがAIは、その違和感を育ててきた仕事から先に引き受ける。

AIによって仕事が消えるかどうかだけを見ていると、この問題を見落とす。

AIが最初に奪うのは、職業そのものではないかもしれない。

未熟な人間が、熟練者になるまでの階段かもしれない。

「仕事がなくなる」より先に、仕事の入口が細くなる

AIによる雇用への影響は、よく二択で語られる。

仕事が奪われるのか。
それとも、AIを使うことで人間の生産性が上がるのか。

実際には、その間にいくつもの段階がある。

職業そのものは残っていても、新人に任せられる仕事が減ることがある。

会社が新卒採用を完全にやめなくても、採用人数を少しずつ絞ることがある。

求人には「未経験可」と書かれていても、入社時点からAIを使って一定水準以上の成果を出すことを求められるかもしれない。

つまり、AI時代の雇用変化は、いきなり職業が消える形ではなく、次のように現れる可能性がある。

起きる変化	表面上の見え方	内側で起きていること
新人向け業務の自動化	仕事が効率化された	経験を積むための課題が減る
採用人数の縮小	少数精鋭になった	職業への入口が細くなる
入社要件の上昇	即戦力採用が増えた	未経験者が経験者になる機会が減る
AIによる成果物の高度化	新人の生産性が上がった	本人の判断力がどこまで育ったか分かりにくい
確認業務への移行	人間が最終判断を担っている	判断経験のない人が、AIを監督することになる

この変化は、失業率だけでは捉えにくい。

同じ人数が雇用されていても、仕事内容の中から「学ぶ工程」だけが抜け落ちることがあるからだ。

若手雇用への影響は、すでに始まっているのか

現在の研究を見る限り、答えはまだ一つに定まっていない。

米国の給与データを分析したStanford Digital Economy Labの研究では、ソフトウェア開発やカスタマーサポートなど、AIの影響を強く受ける職種において、22歳から25歳の若手雇用が減少する傾向が確認された。

2022年末から2025年9月までに、AIへの露出が最も高い職種では、22歳から25歳の雇用が6％減少した一方、同じ職種の年長層では6〜9％増加していた。また、企業全体の雇用変動を調整した分析でも、AIへの露出が高い若手層に相対的な雇用減少が残った。特に、AIが人間を補助する職種より、仕事を自動化する形で使われる職種に減少が集中している。

ただし、これを「AIが若者の仕事を奪った証拠」と断定するのは早い。

研究者自身も、金利、IT業界の採用調整、パンデミック後の反動など、AI以外の要因が混在している可能性を強調している。より広い企業要因を調整すると、AIへの露出と若手雇用の減少が統計的に明確になるのは2024年以降であり、それ以前の変化は他の要因による部分も大きいとされている。

一方、デンマークの約2万5,000人、7,000事業所を対象とした研究では、AIチャットボットの利用が広がった後も、対象となった11職種の賃金や労働時間に有意な変化は確認されなかった。利用者の平均的な時間削減も総労働時間の2.8％程度で、その80％は休暇ではなく別の仕事へ振り向けられていた。

ILOも、世界の仕事の約4分の1が生成AIの影響を受ける可能性を示す一方、近い将来に起きやすいのは、職業全体の消滅よりも仕事の中身の変化だとしている。特に、データ入力、記録、会計補助などの事務職は高い影響を受けやすい。

つまり、現時点の証拠はこう読んだ方がいい。

若手雇用への影響を示す警報は鳴り始めている。
ただし、まだ判決は出ていない。

国、産業、企業制度によって結果は大きく異なる。

そして、雇用人数が維持されていたとしても、育成機会が維持されているとは限らない。

「雑務」は、本当に雑務だったのか

新人が担当してきた仕事は、しばしば雑務と呼ばれる。

議事録を取る。
資料を探す。
データを整理する。
メールの下書きを作る。
簡単なコードを書く。
問い合わせへ一次回答する。
先輩が作った成果物を修正する。

確かに、成果物だけを見れば、AIに任せた方が速いものは多い。

しかし、これらの仕事には、成果物を作ることとは別の役割があった。

新人が担当してきた仕事	表面的な成果物	実際に学んでいたこと
議事録	会議内容の記録	誰の発言が重要か、組織が何を優先するか
市場調査	情報の一覧	信頼できる情報源、数字の前提、情報の欠落
提案書の初稿	スライドや文章	問いの立て方、論理の順番、相手への伝え方
簡単な実装	動くコード	システムの構造、失敗の原因、変更の影響範囲
顧客の一次対応	返信文	顧客の感情、例外、言葉になっていない要求
データ入力・照合	整理された数字	現場の流れ、頻発する異常、業務上の癖
先輩の修正対応	完成版への反映	品質基準、暗黙の判断、プロの視点

新人は、議事録そのものを作るためだけに議事録を取っていたわけではない。

会議で何が重要視され、誰が何を決め、表向きの発言と本当の論点がどう違うのかを学んでいた。

簡単なコードを書くことも同じだ。

数行のコード自体に大きな事業価値がなくても、書いて、壊して、原因を探して、先輩に直される過程で、システムを見る目が育つ。

仕事には、少なくとも二つの価値がある。

その仕事が今生み出す成果の価値。
その仕事を経験した人間が、将来生み出せるようになる価値。

企業が自動化するとき、測りやすいのは前者だ。

この作業に何時間かかっているか。
AIに任せれば、いくら削減できるか。
何人分の工数を減らせるか。

後者は、数値にしにくい。

この仕事を経験したことが、3年後の判断にどうつながるか。
この失敗をしたことが、5年後の事故をどう防ぐか。
先輩から受けた修正が、将来の品質をどこまで引き上げるか。

そのため、AIによる自動化では、現在の生産性は上がっているのに、将来の人材供給が弱くなるということが起こり得る。

経験とは、知識を蓄えることではない

AIが必要な知識をその都度教えてくれるなら、人間は細かい経験を積まなくてもいい。

そう考えることもできる。

確かに、暗記する必要性は減る。
過去の事例を覚えていなくても、AIが検索してくれる。
文章の型やコードの書き方も、必要なときに生成できる。

ただ、経験とは単なる知識の保存ではない。

経験によって育つのは、

どの情報を疑うべきか
何が抜けていると危険なのか
どの程度の曖昧さなら進めてよいか
いつ上司や専門家へ相談すべきか
相手が言葉にしていない要求は何か
正解が複数あるとき、何を優先するか

という判断の型だ。

熟練者がAIの出力を見て「なんとなく危ない」と感じられるのは、すべての理由を最初から言語化できるからではない。

似た状況で失敗した記憶、過去に見た例外、顧客の反応、先輩から受けた指摘が積み重なり、違和感として現れる。

AIは、過去の知識を大量に提示できる。

しかし、人間がその中から何を重要だと感じるかは、自分で状況に関わり、結果を引き受けることで育つ部分が大きい。

新人から小さな責任をすべて取り除けば、失敗も減る。

同時に、安全に失敗できる時期も失われる。

AIは、新人を育てる最高の教師にもなれる

ここまで読むと、AIを新人教育から遠ざけるべきだと思うかもしれない。

僕は、そうは思わない。

むしろAIは、これまで一部の人しか受けられなかった高度な徒弟教育を、多くの人へ届ける可能性がある。

顧客対応を行う5,172人を対象とした研究では、生成AIによるリアルタイム支援によって、1時間あたりの問題解決数が平均15％増加した。

特に効果が大きかったのは、経験や技能の少ない人だった。新人層では問題解決数が約30％増え、AIを利用した勤続2か月の担当者が、AIを利用していない勤続6か月以上の担当者と同等以上の成果を出していた。AIが、優秀な担当者の対応方法を新人へリアルタイムで伝え、習熟曲線を短縮したと考えられている。

ソフトウェア開発でも、Microsoft、Accentureなど3社で行われた実験では、AIコーディング支援を利用した開発者の完了タスク数が平均26％増えた。最近入社した人や若手層の増加率は27〜39％で、上級者の8〜13％より大きかった。ただし、この研究では生成されたコードの品質までは評価されていない。

これは重要な結果だ。

AIは、新人の仕事を奪うだけではない。

新人が数か月かけて身につけてきた仕事の型を、より早く学ばせることもできる。

いつでも質問できる。
分からない言葉をその場で説明してくれる。
自分の下書きへ瞬時にフィードバックを返してくれる。
異なる選択肢を比較し、なぜその判断をするのか説明してくれる。

先輩が忙しくて教えられなかったことも、AIなら何度でも付き合える。

これまで上司や配属先の運に左右されていた教育を、一定水準まで標準化できる可能性もある。

問題は、AIを使うかどうかではない。

AIが新人の代わりに仕事をするのか。
それとも、新人の隣で仕事を教えるのか。

その設計によって、結果は正反対になる。

成果を出せたことと、能力が身についたことは同じではない

AIを使えば、新人でも早い段階から高い成果を出せる。

ただし、AIを使った状態で成果が出たことを、そのまま本人の成長だと捉えるのは危険だ。

高校生約1,000人を対象に数学学習を調べた研究では、GPT-4を使える生徒は、練習中の成績が大きく向上した。

一方、一般的なチャット形式でAIを利用した生徒は、後にAIを使えない状態で試験を受けると、最初からAIを使わなかった生徒より成績が17％低かった。答えを直接与えず、段階的なヒントを出すよう設計されたAIチューターでは、この悪影響が大きく抑えられた。

これは学校教育の研究であり、そのまま職場へ当てはめることはできない。

それでも、示されている構造は重要だ。

AIがあるときのパフォーマンスと、AIを使いながら本人が獲得した能力は、別々に測らなければならない。

AIへ問題を丸ごと渡し、出てきた答えを整えるだけなら、短期的な成果は上がる。

しかし、本人の頭の中に問題の構造が作られないことがある。

逆に、自分で最初の仮説を立てた後にAIと比較する。
AIには答えではなくヒントを出させる。
異なる案の弱点を説明させる。
最後に、自分の言葉で判断理由を説明する。

そうした使い方なら、AIは学習を加速させる。

電卓がある時代に、すべてを暗算する必要はない。
AIがある時代に、すべての文章やコードをゼロから作る必要もない。

しかし、電卓へ何を入力すべきか分からない人は、正しい計算をできない。

同じように、AIへ何を任せ、出力のどこを疑うべきか分からない人は、AIが高性能になるほど大きな間違いを起こす。

人材育成には、短期的な生産性を下げる側面がある

新人を育てるには、先輩の時間が必要になる。

質問に答える。
成果物を添削する。
考え方を説明する。
失敗した後の処理を手伝う。
自分でやれば早い仕事を、あえて新人へ任せる。

企業にとって、これは短期的なコストだ。

米国のソフトウェア技術者を調べた研究では、チームメンバーと同じ建物で働く人は、離れて働く人よりオンライン上のフィードバックを22％多く受けていた。

この近接性は、若手の長期的な能力形成やキャリアには良い影響を与える一方、特に上級者の短期的なプログラミング成果を減らしていた。つまり、先輩が新人を育てる時間は、組織の今日の生産性と引き換えになっていた。

AIは、この誘惑をさらに強くする。

新人へ教えながら1時間かけるより、AIに10分でやらせた方がいい。
先輩がレビューするより、別のAIにチェックさせた方がいい。
新人を10人採るより、経験者を2人採り、AIを持たせた方がいい。

一社だけを見れば、合理的な判断かもしれない。

しかし、すべての会社が同じ判断をすると、問題が起きる。

どの会社も若手を育てず、完成した中堅だけを採ろうとする。

数年後には、その中堅を作る企業が存在しなくなる。

企業は、他社が育てた経験者を採用することで人材育成を省略できる。
しかし、社会全体は人材育成を省略できない。

これは、人材育成のフリーライダー問題と言える。

AIによって短期的な育成コストを回避しやすくなるほど、社会全体では中堅や熟練者の供給が細る。

2029年に新人採用を減らした結果が、本格的に表れるのは2032年や2035年かもしれない。

そのとき企業は、「AIを監督できる経験者がいない」という問題に直面する。

AIを確認する仕事ほど、経験が必要になる

AI時代には、人間は作業者ではなく、AIの監督者になる。

よく語られる未来だ。

ただ、監督は簡単な仕事ではない。

誤字を見つけるだけなら、それほど経験はいらない。

しかし、

分析の前提が間違っていないか
顧客の意図を取り違えていないか
法律上の例外を見落としていないか
数字は正しくても、意思決定として危険ではないか
最適化の対象そのものが間違っていないか

を判断するには、作業を実際に経験してきた人間が必要になる。

ところが、AIの出力が一見きれいであるほど、未経験者は間違いに気づきにくい。

本人が文章を書いたことがなければ、説得力のある文章と、もっともらしいだけの文章を区別しにくい。

自分でコードを壊したことがなければ、正常に動いているように見えるコードの危険な箇所を想像しにくい。

顧客に怒られた経験がなければ、AIが生成した丁寧なメールのどこが相手をさらに怒らせるか分からない。

つまり、

人間が作業をしなくてよくなるほど、その作業を経験した人間の判断力が貴重になる。

しかし、その判断力をどこで育てるのかという問題が残る。

2029年、若手育成は4つの未来に分岐する

AIによって、若手が必ず育たなくなるわけではない。

企業が仕事と学習をどう設計するかによって、未来は大きく分かれる。

シナリオ	企業で起きること	2029年以降の結果
AI徒弟制度	AIがヒント、比較、添削を行い、人間が仮説と判断を担う	新人の習熟が速まり、育成格差も縮小する
高い入口・細い階段	採用人数を減らし、入社時点から高いAI活用能力を求める	少数の若手は急成長するが、多くの人が職業へ入れない
見かけの即戦力化	AIによって新人も高度な成果物を出すが、能力を別に測らない	通常業務は回るが、例外や事故に対応できる人が育たない
人材パイプラインの崩壊	新人向け業務と育成予算を同時に削減する	数年後、中堅不足と特定の熟練者への依存が深刻になる

最も期待したいのは、AI徒弟制度だ。

AIが新人を置き換えるのではなく、優秀な先輩の思考やフィードバックを拡張する。

新人は、従来より早い段階から難しい仕事へ触れられる。
分からない部分はAIに質問できる。
先輩は、基本的な説明ではなく、より高度な判断や価値観を伝えることへ集中できる。

一方、最も起きやすく、しかも気づきにくいのは「見かけの即戦力化」かもしれない。

成果物だけを見れば、全員が優秀に見える。

そのため、会社も本人も成長していると思う。

しかし、AIが停止したとき、未知の問題が出たとき、複数のAIが異なる答えを出したとき、誰も判断できない。

組織の中には大量の成果物があるのに、その成果物を本当に理解している人間が少ないという状態だ。

日本では、新卒採用制度が強みにも弱みにもなる

日本の企業では、完成した技能だけでなく、将来性を見て新卒を採用し、入社後に育てる考え方が比較的強い。

この仕組みは、AI時代に一つの強みになる可能性がある。

仕事の入口が市場取引だけで決まらず、企業が未経験者をまとめて受け入れるなら、AIによって一部業務が自動化されても、若手を育てる枠を維持できる。

一方、採用制度だけを残し、育成の中身が失われる可能性もある。

新卒社員は採用される。
研修も受ける。
AIを使って成果物も出す。

それでも、本人が少しずつ責任を持ち、失敗し、先輩から修正を受ける工程がなければ、雇用されていることと育っていることが分離する。

厚生労働省の労働政策基本部会でも、AIやロボティクスが労働市場へ与える影響として、「新卒、若手採用への影響」「学校教育と労働政策の連携」「新卒・若手の能力開発」が正式な検討論点に挙げられている。必要な技能についても、単にAIを操作する能力だけでなく、AIを前提に人間の役割や社会構造を再設計する能力まで含めて議論されている。

日本にとって本当の問いは、新卒採用を続けるかどうかだけではない。

AIがいる職場で、新卒社員が経験を積む仕組みを作り直せるか。

ここにある。

企業は「自動化する仕事」ではなく、「残す経験」を決める必要がある

AI導入では、よく「どの業務を自動化できるか」が調査される。

これからは、それだけでは足りない。

各業務を、現在の成果価値と、人材育成上の価値という二つの軸で見る必要がある。

	学習価値が低い	学習価値が高い
成果価値が低い	積極的に自動化する	教材化・シミュレーション化して残す
成果価値が高い	AIに任せ、人間が統制する	人間とAIの共同作業にする

成果価値も学習価値も低い単純作業は、自動化していい。

成果価値は低くても、仕事の基本構造を理解するために重要な作業は、実業務として残せなくても、研修やシミュレーションとして残す必要がある。

成果価値が高く、学習価値も高い仕事は、AIへ丸投げせず、人間が仮説、判断、振り返りに関わる設計にする。

これは、非効率に見える。

AIなら数分でできることを、あえて新人に考えさせるからだ。

しかし、教育とは本来、短期的な非効率を引き受け、将来の能力を作る行為だ。

すべての仕事を今日の効率だけで最適化すれば、明日の熟練者はいなくなる。

AI時代の人材育成を作り直す6つの設計

企業が新人の成長を守るために必要なのは、「AIを使わせない期間」を作ることではない。

AIを使いながら、本人の判断力が蓄積される仕組みを作ることだ。

従来の運用	危険なAI導入	育成につながるAI導入
新人が初稿を作る	AIが最初から完成稿を作る	新人が仮説を作り、AI案と比較する
先輩が修正する	AIが自動修正して終了する	AIが修正理由を示し、先輩が重要部分を解説する
簡単な仕事から任せる	簡単な仕事をすべて削除する	模擬案件や安全な環境で経験させる
成果物を評価する	AI込みの完成度だけを見る	判断理由、検証方法、再現性も評価する
先輩が育成を担う	教える時間を非生産的とみなす	育成と知識移転を正式な成果として評価する
一人でできることを測る	常にAIを使った成果だけを測る	定期的にAIなしでも基礎理解を確認する

特に重要なのは、AIを利用した成果と、本人の能力を分けて見ることだ。

たとえば、完成した提案書だけでなく、

「なぜこの構成にしたのか」
「AIの提案から何を外したのか」
「もっとも危険な前提は何か」
「反対の結論になる条件は何か」

を説明させる。

コードであれば、動いたかどうかだけでなく、

「どこで壊れる可能性があるか」
「別の実装を選ばなかった理由は何か」
「AIが生成した箇所をどのように検証したか」

を見る。

AI時代には、完成品よりも、完成品との距離の取り方が能力を示す。

新人側も、AIとの付き合い方を選ぶ必要がある

企業だけでなく、個人にも分岐がある。

AIを使わずに頑張ることが正解ではない。

AIを使わなければ、成果速度の差は広がり、より難しい仕事へ進む機会を失う可能性がある。

一方、何でも最初からAIへ渡していれば、自分の中に判断の基準が育たない。

大切なのは、AIを回答装置としてではなく、思考の比較対象として使うことだ。

一つの基本形は、

自分の仮説を作る
→ AIへ依頼する
→ 両者の差を見る
→ 根拠と例外を検証する
→ 最後に自分の言葉で説明する

という順番だ。

毎回すべてを一人で完成させる必要はない。

それでも、自分は何を考え、AIによって何が変わり、なぜ最後の案を選んだのかは残した方がいい。

AIが間違えた記録も重要になる。

どんな指示で間違えたか。
なぜ自分は気づけなかったか。
どの確認をしていれば防げたか。

AIの成功例だけを集めるより、失敗を記録した方が判断力は育つ。

これから価値が上がるのは、AIより速く初稿を作れる人ではない。

AIを使いながら、最も速く判断力を蓄積できる人

だと思う。

確度が高いこと、まだ分からないこと

2029年までの若手雇用と人材育成について、現在の時点で整理するとこうなる。

分類	予測
確度が高い	調査、記録、初稿、基本実装、一次対応など、新人が担ってきたデジタル業務の多くにAIが入る
確度が高い	新人にも、入社直後からAIを使って一定水準の成果を出すことが求められる
確度が高い	成果物の完成度だけでは、本人の能力や成長を判断しにくくなる
確度が高い	AIの出力を評価し、例外へ対応できる人材の価値が上がる
変数が大きい	若手の総雇用数がどこまで減るか。国、景気、産業、人手不足の程度で異なる
変数が大きい	AIが育成コストを下げるか、育成機会そのものを壊すか
期待したい未来	誰でも高度なフィードバックを受けられ、習熟までの時間が短くなる
最悪の未来	成果物は増える一方、判断できる中堅が育たず、組織がAIと少数の熟練者へ依存する

未来を見極めるには、失業率だけでは足りない。

これから注目すべきなのは、

新卒・若手と経験者の採用比率
「未経験可」の求人に求められる実質的な経験年数
入社後に新人が自分で担当する業務の範囲
先輩が育成へ使う時間
研修費やメンター制度の変化
AIを使わない状態でも判断力を測る仕組み
例外処理や事故対応を経験できる機会

だ。

求人が残っていても、これらが失われているなら、人材育成の空洞化は進んでいる。

人間が育つには、効率化しない時間が必要になる

AIエージェントは、仕事から多くの無駄を取り除く。

それ自体は、歓迎すべきことだ。

意味のない転記、形式だけの資料、同じ内容を繰り返す会議まで、人材育成の名目で残す必要はない。

雑務を美化するべきでもない。

長時間働かなければプロになれないという考え方を守る必要もない。

ただし、すべての非効率が無価値なわけではない。

自分で考える時間。
分からずに悩む時間。
失敗して修正される時間。
先輩の判断を隣で見る時間。
小さな責任を任される時間。

これらは、成果物を最速で作るという目的だけを見れば非効率だ。

しかし、人間が能力を身につけるという目的では必要になる。

AI時代の人材育成は、「古いやり方をどこまで残すか」という話ではない。

人間が育つために必要だった機能を見つけ、それを新しい形で作り直せるか

という話だ。

議事録を人間が書き続ける必要はない。

しかし、会議の中で何が重要だったかを新人に説明させることはできる。

単純なコードを本番環境へ投入させる必要はない。

しかし、AIが生成したコードに意図的な欠陥を入れ、新人に発見させることはできる。

すべての問い合わせへ新人が返信する必要はない。

しかし、難しい顧客対応をシミュレーションし、言葉の選び方を振り返ることはできる。

仕事から学習機会が自然に生まれなくなるなら、組織が意図的に学習機会を設計しなければならない。

AIが間違っていると言える人を、誰が育てるのか

AIによって、若手の仕事がすべてなくなるとは限らない。

むしろ、多くの若手はAIを使いながら、以前より高度な成果物を作るようになるだろう。

だからこそ、問題は見えにくい。

成果は出ている。
会社も成長している。
本人も忙しく働いている。

それでも、その人が将来、一人で意思決定を引き受けられるとは限らない。

AIが最初に奪う可能性があるのは、単純作業ではない。

単純作業の中に埋め込まれていた、観察、失敗、修正、信頼獲得の機会である。

企業にとって、AIに任せた方が速い仕事を、それでも人間に経験させる理由を説明することは難しい。

短期的には、非効率だからだ。

しかし、その非効率をすべて削除した組織には、数年後、AIの判断を引き受けられる人間が残らない。

AI時代の人材育成とは、単にAIを使える人を増やすことではない。

AIが間違えたとき、なぜ間違っているのかを説明できる人を、途切れずに育てることだ。

これから企業が決めなければならないのは、どの仕事をAIへ渡すかだけではない。

どの経験を、次の世代へ残すのか。

AIが先へ進むほど、その問いは重くなる。

次章

1人で100人分働ける時代、会社は何人必要になるのか

AIエージェントによって、一人が複数の専門業務を同時に動かせるようになったとき、会社の人数、管理職、チーム、採用、評価制度はどう変わるのか。

次章では、人間をAIへ置き換えるという単純な話ではなく、AIを組織の一員として組み込んだ会社が、どのような形へ変わるのかを考える。

主な参考資料

Stanford Digital Economy Lab「Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence」および追加分析。

Erik Brynjolfsson、Danielle Li、Lindsey Raymond「Generative AI at Work」『The Quarterly Journal of Economics』。

Anders Humlum、Emilie Vestergaard「Large Language Models, Small Labor Market Effects」。

Hamsa Bastaniほか「Generative AI without guardrails can harm learning」。

Natalia Emanuel、Emma Harrington、Amanda Pallais「The Power of Proximity to Coworkers」。

厚生労働省・労働政策基本部会「今後の検討テーマ及び進め方」。