著者：伍晖 テンセント研究院
2023年春、OpenAIによる研究論文が「露出度」という言葉を世に知らしめた。この論文では、大規模言語モデルの能力を用いて米国労働省の約1000の職業のタスク記述と照合し、リスク順位を作成した。数学者、税務申告代行者、クオンツアナリスト、作家、ウェブデザイナーが上位に並び、プログラミングとライティングスキルの露出度は100%近くに達した。
それからの3年間、数か月ごとに新たな報告、新たな警告、新たな事例が登場した。SNS上で、AIを使って3時間でかつて1週間かかっていた仕事を終えたと示す者もいれば、求人サイトで10年前に入社した職種が既に消えていることに気づいた者もいる。また、社内のあちこちで「来年はAIで同じことを、もっと少ない人数で実現する」とささやかれるのを耳にした者もいる。
恐怖と興奮が交互に押し寄せた。しかし3年を経て、はっきりと感じられるのは、人々がもはや漠然と「AIは私の仕事を奪うのか」と問うのではなく、自らの日常を分解し始めたことだ——そのうち本当に代替されたものはどれか、単に「強化」されただけのものはどれか、まったく手つかずだったものはどれか。
この漠然とした不安から具体的な検証への転換が、本稿の出発点である。私たちは3つの問いに答えようと試みる。
第一に、2023年6月から2026年6月までの3年間で、AIは職場、雇用、そして具体的な職業にいったいどのような影響を与えたのか。予測でも想像でもなく、追跡可能なデータと実際の事例である。
第二に、過去3年間を理解し、未来を推論する上で役立つ、産業の法則、経済の法則、組織の法則にはどのようなものがあるか。感覚でトレンドを判断するのではなく、繰り返し検証されてきた理論的枠組みに立ち返る。
第三に、この変革の渦中にいる具体的な人々——コードを書く人、プロダクトを作る人、経理をする人、人事に従事する人、マーケティングをする人、契約を審査する人、営業を回る人——彼らは何を経験したのか。第3部で彼らの物語を紹介する。
一、3年間の影響：データ、時系列推移、そして実例（2023.6～2026.6）
2023年から2026年までのこの3年間、AIと職業に関する認識は明らかな修正を経た。ステップ1は識別：どのタスクがAIの能力範囲に露出しているか。ステップ2は観察：本当に代替されたのはどれか。協働パターンはどう進化したか。ステップ3は原因の探究：理論上の露出と実際の代替にタイムラグがあるのはなぜか。ステップ4は深掘り：代替は誰を打撃し、誰を保護するのか。資本はどこへ流れるのか。
以下の7節では、この4つのステップを具体的に展開する。
2023年：理論上の警告と「露出度」のナラティブ
2023年3月、OpenAIは論文を発表し、大規模言語モデルの能力を米国労働省のO*NETデータベースに登録された1016の職業・19265のタスクと照合した。結論：米国の労働者の約80％が、少なくとも10％の作業タスクでGPTの影響を受け、約19％の労働者はタスクの50％以上がAIに露出している。プログラミングとライティングスキルの露出度はほぼ100％、法律や会計などがそれに続く。
露出度の定義は「タスクが大規模言語モデルによって完了時間を大幅に短縮できること」であり、「職が代替される」こととは異なる。これは技術的実現可能性のヒートマップであり、雇用変化のタイムラインではない。
同月、ゴールドマン・サックスは世界で約3億人のフルタイム雇用が自動化に露出する可能性があると試算し、法律業界ではタスクの44％、管理サポート分野では46％が自動化可能とした。6月、マッキンゼー・グローバル・インスティテュートは、生成AIが世界経済に年間2.6兆～4.4兆ドルの付加価値をもたらし得るとした。販売、マーケティング、ソフトウェアエンジニアリング、カスタマーオペレーションが価値増分の最も大きい4つの職能である。
この2つのレポートは2023年の言論界における二つの極を代表している。代替のナラティブと増分のナラティブである。その後の3年間、私たちはこの両極の間を繰り返し行き来することになる。
2024年～2025年：強化効果が主導し、実装が加速
2024年までに、GitHubの公開調査では米国の開発者の92％が業務でAIコーディングツールを使用していることが示された。Stack Overflowの2024年開発者調査では、回答者の81％がAIツールによって生産性が向上したと認め、フロントエンド、フルスタック、バックエンドの開発者で利用率が最も高かった。利用率の上昇と並行して、懸念の拡散は見られず、プロ開発者の72％はAIが自分の仕事の脅威になるとは考えていなかった。
2025年2月、Anthropicの経済指数レポートは、ソフトウェアエンジニアリングタスクがAI利用の37.2％を占め、クリエイティブライティングとコピーライティングが10.3％を占めると示した。すべての利用シーンで、57％が強化、43％が直接的な自動化に分類された。
2023年9月、BCGとハーバード・ビジネス・スクールの実験は「ギザギザの技術フロンティア」を明らかにした。GPT-4を使用したコンサルタントはタスク完了数が12.2％多く、スピードが25.1％速かったが、AIの能力限界を超える複雑なタスクではパフォーマンスがむしろ低下した。人間とAIの協働における中核的能力は「AIを使えること」ではなく、「AIがいつ間違えるかを知っていること」である。
雇用市場では、Freelancer.comの四半期レポートが「AIコンテンツ編集」「プロンプトエンジニアリング」などの新スキル職の需要急増を示し、従来の翻訳、基礎デザイン、データラベリングの案件は顕著に減少した。Upworkの2024年レポートは、経営幹部の40％がAIを理由に正社員を減らし、フリーランス比率を高める計画だと指摘している。
2026年：現実による較正──理論カバレッジ対実カバレッジ
2026年3月、Anthropicは『Labor market impacts of AI: A new measure and early evidence』を発表し、初めて「理論的AIカバレッジ」と「実際のAIカバレッジ」を分離した。レーダーチャートは、法律、芸術・メディア、教育などの分野で理論的カバレッジが80％近くまたはそれを超える一方、実際の適用はコンピューター・数学、ビジネス・金融、管理、事務・行政の4分野に集中していることを示した。技術的な実現可能性から組織への展開までの距離は、この3年間で最も過小評価されてきた変数である。
AIの影響を最も受けた職業トップ10の中で、プログラマーが1位となった。この順位は2023年のOpenAIの理論的露出順位と、ある特徴で大きく重なる。すなわち、高度に構造化され、入力と出力が明確なタスクが最初に突破されたのだ。一致しない点も同様に重要だ。法律業界の理論的カバレッジは80％を超えるが、実際のカバレッジは限定的であり、その理由は技術ではなく制度にある。教育分野も同様で、AIは主に教材生成や補助的な練習にとどまり、中核的な教育インタラクションは代替されていない。
出典：Anthropic 2026年3月レポート。
エージェント軍団：コ・パイロットからエージェントクラスターへ
2026年初頭、Anthropicと愛分析（ifenxi）はそれぞれ報告書で同じトレンドを指摘した。AIは「コ・パイロット」から「エージェント軍団」へと移行しつつあるという。複数の自律エージェントが複雑なタスクを並行して実行し、相互に調整し、人間は目標の設定と結果の審査のみを行えばよい。テックビジネス系公式アカウント「蜗牛成長季」は分析記事で、エージェントが軍団化すると、技術の中核人材は「自らの手で構築する」ことから「目標を定義し、制約を設定し、AIのアウトプットを審査する」ことへと転換し、管理者は「人を管理する」ことから「AIクラスターと例外処理を管理する」ことへと移行する必要があると述べた。
愛分析の報告書は浸透経路を指摘する。まず企業ITにおける開発、テスト、運用保守などのタスククラスターを飲み込み、次にビジネスプロセスアウトソーシングやカスタマーサービスなどの職能へと波及する、と。2023～2024年のナラティブは「人間とAIの協働、人間はループの中」だったが、2026年の新たなナラティブは「人間はループの外」である。
学習曲線の断裂：AIが新人の練習場を塞ぐとき
ハーバード・ビジネス・スクールのフラーらは2025年の研究で、数百万件の米国のオンライン求人広告データをもとに、中核的な変数として「学習曲線」を導入した。
学習曲線が急峻な職業——シニア社員の効率がジュニアをはるかに上回り、給与曲線も急である——では、初級スキルが上級スキルよりもAIによって自動化されやすい。初級の仕事は多くが明示的でプログラム可能なタスクから成るため、AIはそれらの入門レベルの練習を直接代替し、新人が「やりながら学ぶ」成長経路を断ち切る。学習曲線が緩やかな職業では、経験によるプレミアムが低く、AIは置き換えよりも強化に長けており、新人がツールを活用して短期間で熟練者に近い成果を出すことを可能にし、むしろ雇用への参入を拡大する。
要するに、AIは急峻な曲線では入門タスクを代替して参入障壁を高め、緩やかな曲線では新人を強化して雇用参入を拡大する。代替と強化の境界線は、職業の高低ではなく、学習曲線の形状にある。
これは2024～2025年の間に見られた矛盾した印象を説明する。多くのベテランプログラマーは生産性が倍増したと感じる一方で、コンピュータサイエンス専攻の新卒者は就職がより難しくなったと感じていた。AIは同じ職業の内部に世代間の非対称性を生み出している。将来の従事者構造はもはやピラミッド型ではなく、「ひょうたん型」になるかもしれない。すなわち、ベテランは希少で高価、新人は参入が難しく、中間層が空洞化する。
資金の行方：「機械を養う」方が「人を養う」より割安になるとき
2026年6月、『晩点LatePost』は米中の大手テクノロジー企業の財務データを分析した。
米国市場：2022年末より、マクロ要因を背景に大手テクノロジー企業で第1波のレイオフが始まった。この半年は、AIプログラミング能力の成熟が引き金となり、新たなレイオフの波が10万人以上に影響を及ぼしている。中国市場：過半数のテクノロジー企業が2021年から人員削減を開始している。2026年6月時点で、従業員数が2021年水準を上回っているのは美団（Meituan）、京東（JD.com）、拼多多（Pinduoduo）、テンセント（Tencent）のみであり、そのうち拼多多とテンセントだけが従業員数と従業員一人当たり利益の同時成長を達成している。年齢不安のボーダーラインは35歳から25歳へと引き下げられた。
一つの重要な指標：中米の主要ソフトウェア・インターネット企業の資本支出は、すでに研究開発費を上回るケースが大半を占めている。計算能力というインフラに投じられる資金が、研究開発チームを養う資金を超えたのだ。時価総額ランキングを見れば、さらに直感的にわかる。ここ5年、中米の時価総額トップ20企業は、明らかにAIとチップハードウェアメーカーへと傾いている。
インターネット大手の内部では、一人当たり生産性が上昇する一方で、従業員総数が減少または停滞するという「シザーズ（乖離）」が生じている。かつて事業拡大は人員増強によって行われていたが、今は計算能力の増強によって実現されている。トークン消費は新たな運営コストとなり、この資金はかつてレポート作成やコピーライティングを担当する従業員の給与として支払われていたかもしれないが、今はチップメーカーやクラウド事業者へと流れている。
出典：『晩点LatePost』2026年6月の報道。
ミクロの現像：4人の2025-2026年
マクロデータが個人に降りかかるとき、それは具体的な人生の選択となる。『財新週刊』2026年6月号のカバーストーリーは、4人の経験を記録している。第三部で見る「能動的に自らを再構築した者たち」とは異なり、これら4つの物語はどこか受動的に耐える色合いを帯びている。その理由の一端は、彼らのほとんどがクリエイティブ業界に属しており、この分野こそAIによる圧迫が最も強い領域だからだ。
呉琼はある企業でAIデータアナリストとして働き、トークン消費量の集計やモデルコストの試算を担当していた。会社のプロジェクトは利益を生まず、上司から自動化システムの構築を命じられ、システム完成後に彼女のポジションは削減された。彼女は転職して伝統的な製造業に入ったが、給与は約30％下がった。AI業界の内側にいたにもかかわらず、彼女に免疫はなかった。
楊茹は音楽配信会社でプロモーションを担当していた。プラットフォームが「AIで可能」という理由で多くの外注スタッフを削減したが、業務自体は消えず、残された正社員に転嫁された。フィードバックのサイクルは数分から半日へと延び、顧客は不満を募らせた。彼女は板挟みとなり、何が起きているのかをうまく説明できなかった。
夏雪は実写ショートドラマの会社で運営を担当していた。会社は全面的にAIショートドラマへと移行し、実在の俳優は不要となった。北京の運営チームは全員解雇された。彼女のパフォーマンスが悪かったからではない。彼女が寄りかかっていたビジネスの前提そのものを、テクノロジーが直接抹消したのだ。
李夢は8年近くビジュアルデザイナーとして働いていたが、育児休暇明けに解雇された。再就職先を探すと、募集要項はAI画像生成、レタッチ、ビジュアルデザイン、動画編集、SNS運用を一人で兼ね備える人材へと変わっていた。かつてはチーム全体で行っていた業務を、今は一人でこなさなければならない。
これら4つの物語は「代替された側」の視点である。第三部で私たちは別の7人を目にする。彼らもまたAIの影響を受ける職に身を置いているが、異なる対応の道を選んだ人々だ。これら二つのサンプルの違いこそ、AI時代における職業の二極化を物語る注釈なのである。
第一部のまとめ
2026年までに、より精緻なフレームワークが浮かび上がってきた。代替されるのは職業ではなく、タスクが再分配されるのだ。技術が未熟だからではなく、組織の消化速度と資本の投資選好が普及のリズムを決定する。すべての人が危険なわけではなく、構造化・標準化可能なタスクに従事する新人や若手社員が最大の衝撃を受けている。
四組のミクロな物語は、こうした判断が個人に降りかかるとき、給与ダウンや転職、二度と開かない求人ページ、突如消滅するポジション、チーム全体の仕事を一人で背負う日常といった形で現れることを示している。トレンドは理性的だが、その代償は具体的だ。
これらの事実の基盤は、第二部でより長期的な理論フレームワークに照らして検証される。技術革命は常に何かを消滅させ、より多くを創り出す。しかし、創造の前提、条件、具体的なメカニズムとは何なのか。
二、法則で未来を予測する：三つの視点
なぜ理論が必要なのか
第一部は過去3年間のデータ、トレンド、個人の経験を提示した。情報量は多いが、ひとつ危険がある。読者が現象に埋没し、短期的な変動を長期的な運命と捉えてしまいかねないことだ。
未来を予測することは謎解きではなく、仮定条件に基づく推論である。以下に示す三つの理論的視点——タスクモデル、スキル偏向的技術変革（SBTC）、創造的破壊と補償メカニズム——は、ミクロからマクロへと進む分析フレームワークを構成する。まずAIが一体何を代替したのかを分解し、次に同じ職業内部でなぜ安全な人と危険な人がいるのかを説明し、最後に新しい仕事はどこから生まれ、経済成長はどこにあるのかを推論する。
三つの視点に共通する価値は、「今週の新たなニュースは何か」という不安からあなたを解放し、より長い周期とより根源的な法則に目を向けさせてくれる点にある。
タスクモデル：「職業は消えるか」から「どのタスクが先に代替されるか」へ
核心問題：AIが特定の職業に与える影響を予測する際、なぜ職業名で見るのではなく、タスクに分解しなければならないのか？
理論の出典と内容：タスクモデルは、労働経済学においてAutor、Levy、Murnaneが2003年に提唱した古典的フレームワークに端を発し、その後AcemogluやRestrepoらによって継続的に拡張されてきた。その核心的主張は、技術は職業を代替するのではなく、タスクを代替するというものだ。一つの職業は複数のタスクから構成され、そのうち自動化できるものとできないものがある。労働者は異なるタスク間で時間を再配分するのであり、職業全体が抹消されるわけではない。
Autorらはタスクを5つに分類した。定型的認知タスク（記帳、データ入力など）、定型的肉体タスク（ライン作業など）、非定型的分析タスク（プログラミング、デザインなど）、非定型的相互交流タスク（交渉、管理など）、非定型的肉体タスク（介護、修理など）である。AIとこれまでの自動化技術は、主に最初の二つに衝撃を与える。
AcemogluとRestrepoは、さらに「タスク内容の変化」という動的視点を打ち出した。技術は絶えず一つの職業内部のタスク構成を変化させる。特定のタスクが自動化されると、残ったタスクの重要性が増し、同時にまったく新しいタスクが出現する可能性がある。
応用と予測：タスクモデルを用いて財務分析職を評価する際は、「財務アナリストは消滅するか」ではなく、具体的なタスクの自動化見通しに注目する。伝票作成、照合、標準レポートの生成といった定型的認知タスクは極めて自動化しやすい。一方、不正取引の調査、経営意思決定のサポート、税務計画における判断といったタスクは人間側に残る。
研究開発職にも同様に適用できる。定型コードの生成やユニットテストの作成といったタスクはすでにAIがカバーしている。一方、システムアーキテクチャ設計、技術選定におけるトレードオフの判断、本番環境のトラブルシューティングには依然として人間が必要だ。
このモデルを用いた今後3年間の予測の信頼性は高い。なぜなら、定型的認知タスクに対するAIのカバー範囲はすでに明確であり、コードを書く、契約書を起草する、レポートを生成する、履歴書をスクリーニングする——これらのタスクは「将来代替されるかもしれない」ものではなく、「すでに代替への道を進んでいる」ものだからだ。残る代替不可能な領域は、高度な接触性、非構造化、分野横断的な判断を要するタスクである。
第一部のデータはここで理論的な説明を得る。Anthropicの2026年報告が示した「理論カバー率と実際のカバー率のギャップ」は、本質的にはタスクレベルでのギャップである。法律業界全体の80％がカバーされたのではなく、そのうち契約審査や法規検索といった具体的なタスクがカバーされたのだ。職業ラベルは粗く、タスクこそが分析の正しい粒度なのである。
後続の職業族群の観察では、あるR&D従事者が3ヶ月かけて自身の仕事を複数のスキルに分解し、どれをAIに委ね、どれを自分でやるかを一つ一つ判断した事例が出てくる。まさにこれは、タスクモデルが理論から日常へと降りてきた縮図である。
仮定と限界：この理論は、技術的能力がタスクの記述を通じてマッチング可能であり、労働者が異なる職業のタスクを再構成できることを前提とする。その限界は以下にある。制度、労働組合、法規によるブロックで遅延する代替をカバーしていないこと。まだ創造されていない新しいタスクを含んでいないこと。同じタスクでも異なる組織の文脈で差別化された実行方法があることを十分に考慮していないこと。
スキル偏向的技術変革（SBTC）：なぜベテランはより安全なのか
核心問題：AIは職場における能力格差を縮小しているのか、それとも拡大しているのか。第1.5節で見たように、なぜ新人は参入がより難しく、ベテランはむしろプレミアムが高まるのか。
理論の出典と内容：スキル偏向的技術変革理論は、AcemogluやAutorらによって体系的に論じられた。その核心的洞察は、新技術は通常中立的ではなく、特定のタイプの労働者——通常は高スキル労働者——に偏り、それによって彼らの生産性と賃金を引き上げる一方、低スキル労働者の需要と賃金を押し下げる、というものだ。これこそが、過去数十年にわたり米国製造業で起きた「中間層の空洞化」の基盤的メカニズムである。
しかし、AIの特異性はここにある。AIは一部の高認知タスクにも同時に衝撃を与え得るため、純粋なスキル偏向性ではなく、「タスク偏向性」を形成する可能性がある。初級レベルのプログラミング、法律、デザインのタスクは、高スキル業務でありながら、構造化と標準化の度合いが高いため、配管工や介護職のような高度な接触性を伴う中スキル業務よりも、AIでカバーされやすいのである。
応用と予測：この理論の予測的価値はここにある。将来の職業的安全性は、あなたがスキルのはしごのどの段階にいるかではなく、あなたのタスクの組み合わせにどれだけの「予測不可能性」と「対人バンド幅」が含まれているかにかかっている。経験豊富なバックエンドアーキテクトの価値は、コードをより速く書くことではなく、正しい技術的トレードオフの判断を下し、オンライン障害に直面しても冷静に対処し、部門横断的な協業において対立を解消することにある。これらのタスクをAIはカバーできない。同様に、ベテランのHRBPの価値は、履歴書のスクリーニングや面接の日程調整ではなく、複雑な従業員関係の処理、組織診断の実施、グレーゾーンでの判断を下すことにある。
第1.5節で触れたフラー（Fuller）らの研究——学習曲線が急な職業では初級タスクほど自動化されやすい——は、まさにAI時代におけるスキル偏向的技術変革の具体的な現れである。AIは同一職業内の世代間格差を拡大した。ベテランの「判断プレミアム」は上昇し、新人の「実行価値」は低下する。今後3年間、同じ職種名の下で、AIを使える者と使えない者、エージェント集団と協働できる者とできない者の間では、生産性格差が拡大し続けるだろう。「スーパースター効果」が強まり、上位5％の優秀な人材が不釣り合いなほど大きなリターンを手にする可能性がある。
この理論は、組織レベルでのリソース配分のロジックも説明している。企業はより多くの計算資源を、より高いアウトプットを生むノードに合理的に投じる――2.4節で示したテンセントのトークン割り当て量の差異は、まさにSBTCが組織内部で精緻に現れたものだ。取引コスト理論の中核的洞察――企業の境界は縮小しつつあり、トークンの本質は認知タスクの外部委託費用であるという点――も、ここに位置づけられる。外部との協働コストが内部の調整コストを下回るとき、組織はフルタイムの正規ポジションよりも、柔軟な雇用形態で代替する傾向が強まる。1.7節で李夢が観察した「組織はレゴブロックのようだ」という感覚は、まさにこうした変化の個人レベルでの実感なのである。
前提と限界：上記の推論は、市場価格がスキルの真の生産性を効果的に反映するという重要な前提に依存している。しかし現実には、SBTC理論が予測する「スーパースター効果」は、組織内部の給与バンド、昇進ペース、業績評価サイクルによって人為的に抑制される。これにより二つのミスマッチが生じる。すなわち、エージェントオーケストレーションやAIアウトプット検証のように、まだ報酬体系で正式に価格付けされていない新たな高価値スキルは過小評価される一方で、純粋な手動コーディング速度やフォーマット整形の熟練度のように、まもなく自動化されるにもかかわらず習慣的に保持されている従来型スキルは、惰性によってしばらく過大評価される可能性がある。今後3年間、個人の収入と真の生産性との一致度に一時的な混乱が生じるかもしれない。感度の高い組織はより早く価格体系を調整し、鈍感な組織は過小評価された人材を失っていく。
一部の人事担当者はすでに実践の中で、組織形態の調整速度が個人の効率化速度よりはるかに遅れていることを観察している――火花は飛び散っているが、一面の炎とはなっていない。これもSBTCの限界を裏付けている。すなわち、個人レベルでの分化はすでに起きているが、組織の報酬・昇進制度はまだ追いついていないのだ。
創造的破壊と補償メカニズム：新しい仕事はどこから来るのか
核心的問い：AIが大量のタスクを消滅させた場合、新しいタスクはどこから生まれるのか。歴史的な技術革命は、どのようにして「一部を破壊し、より多くを創造する」ことを実現したのか。AIが純経済成長を実現するには、どのような条件が必要なのか。
理論的源泉と内容：ヨーゼフ・シュンペーターは1942年に「創造的破壊」を提唱した。資本主義の本質は、内部から絶えず経済構造を革新することであり、新技術は絶えず古い産業を破壊すると同時に、新たな産業を創造する。仕事は静的なストックではなく、技術構造の関数である。馬車が自動車に取って代わられた時、御者の仕事は消えたが、自動車運転手、ガソリンスタンド従業員、自動車整備士などの新たな仕事が大量に生まれ、その総数は失われた仕事をはるかに上回った。ただ、当事者は転換の最中に全景を見ることが難しいだけである。
アセモグルとレストレポの雇用補償フレームワークは、この直感を体系化した。技術は雇用に二つの効果をもたらす。代替効果は、特定の労働タスクへの需要を直接減少させる。一方、補償効果は複数の経路を通じて新たな需要を逆説的に創造する。
- 生産性効果：効率向上が製品価格を下げ、市場需要を拡大し、総生産と労働需要を増やす。繊維機械は布の価格を暴落させ、かえってより多くの繊維労働者の仕事を生み出した。
- 新タスクの創造：新技術が新たな高複雑度タスクを生み出す。たとえば、AI時代にはプロンプトエンジニアリング、モデルのファインチューニング、AIセーフティ・レッドチーム、エージェントオーケストレーションなどが生まれている。
- 資本蓄積：技術がもたらした利益が再投資され、産業チェーンの上流・下流で新たな仕事を生み出す。
- 深化間接効果：技術進歩は新たな補完産業を派生させる。インターネットの基盤はTCP/IPプロトコルだが、EC、オンライン広告、クラウドサービス、コンテンツプラットフォームなどの巨大産業を派生させた。AIの基盤は大規模モデルとコンピューティングであり、トークン管理やAI監査が同様の派生産業になる可能性がある。
このフレームワークの重要な限界は、補償効果は自動的には起こらないということだ。それは市場構造の調整速度、労働者のスキル転換速度、そして制度（教育、社会保障、労働市場政策）の適応能力に依存する。代替が補償を上回れば、短期的には技術的失業と構造的ミスマッチが生じる。これこそが2023～2026年に我々が目撃している状況だ。多くの新たな仕事は依然として形成の初期段階にあり、需要規模はまだ代替された仕事を相殺できない。
歴史の鏡：AIの雇用への影響を理解するための最良の参照枠は、前年のデータではなく、それ以前の技術革命の経験である。
二度の転換に共通する法則：破壊効果が先に顕在化し、創造効果は後から顕在化する。破壊は明確な既存タスクに対して起きるため、目に見えやすく報道されやすい。創造される新たな仕事は初期には境界が曖昧で、正式な職業名がなく、見過ごされやすい。「ウェブ開発エンジニア」は1995年には誰も聞いたことがなかったが、2005年には巨大な職業集団になっていた。「プロンプトエンジニア」は2022年には存在しなかったが、今では最も急成長しているフリーランス職種の一つだ。
S字カーブの核心的洞察――テクノロジーの浸透には独自のリズムがあり、理論上の露出と実際の代替との間の距離は偶然ではない――もここに位置づけられる。現在のAIはまさに「アーリーアダプター」から「アーリーマジョリティ」へと移行する段階にあり、これは浸透速度が加速する一方で、組織制度や個人のスキル調整速度が必ずしも同調して追いつくとは限らないことを意味する。
トークンは「新たな電力」
1.6節では、現段階で資本が人的リソースからコンピューティングへと流れている証拠を示した。しかし長期的に見ると、コスト削減の自動化だけではマクロ経済の純成長はもたらされない。歴史的にあらゆる技術革命が最終的に増分を生み出したのは、単なる「コスト削減」ではなく、新たな消費需要と新産業を生み出したからだ。
トークン消費の持続性が「運用職」を生み出している。従来のソフトウェアは一度納品されれば終わりで、コストは主に研究開発にかかっていた。AIアプリケーションは推論コンピューティングを継続的に消費し、モデルホスティング、推論サービス、モニタリング、コスト最適化などが継続課金される運用プロセスとなる。この持続的な消費は、管理・最適化・監査するための人材を必要とし、それによって新たな運用技術職――AI運用エンジニア、MLOpsエンジニア、AI FinOpsアナリスト――が生まれる。
これらの職種は2023年にはほとんど存在しなかったが、2026年までに技術採用市場で最も急成長しているカテゴリの一つとなった。電力計量が工業経済の血液になったように、トークンは認知経済の計量単位になりつつある。かつては人間の頭脳によって「無料」で実行されていた認知作業が、課金可能で最適化可能なリソース消費として可視化されたのだ。
AIが純経済成長を実現するための三つの条件
産業革命とインターネット革命の歴史を振り返ると、AIが既存労働の代替だけでなく純経済成長をもたらすためには、三つの条件が必要だ。
第一に、トークンコストが等価的な人間の時間コストを下回るレベルまで持続的に低下すること。AIがあるタスクを完了する際のトークン費用が、同等の人間を雇う時給を下回れば、代替は起きる。しかし、コストが十分に低下して初めて、これまで存在しなかった新たなサービスが生まれる。携帯電話のデータ通信料が一定水準まで下がって初めて、ショート動画のライブ配信が国民的消費になったのと同じだ。
第二に、AIの能力がまったく新しいサービスに組み込まれ、増分需要を創造すること。インターネットの成功は「より安く広告を出す」ことではなく、それ以前には不可能だった「検索」という日常的な消費行動を創造したことにある。AIも同様のことを成し遂げる必要がある。すなわち、専門家レベルのサービスを大規模化し、これまで存在しなかった大衆消費を生み出すことだ。潜在的な領域には、パーソナライズされた教育指導、リアルタイム多言語グローバルコラボレーション、科学研究の自動化などが含まれる。
第三に、社会制度と研修体系が労働者の「AI補完」分野への移行を支援すること。これは歴史の教訓の中で最も見落とされがちだが、最も重要な条件だ。産業革命期の英国は、社会制度が技術変革に大きく遅れをとったため、ほぼ二世にわたる激しい陣痛を経験した。インターネット革命では制度調整はより速かったが、それでも「デジタルデバイド」や中高年ホワイトカラーの構造的失業が生じた。AI革命も同様の課題に直面している。1.7節で紹介した、ウー・チョンが30％の減給で転職し、リー・モンが一人でチームを背負うという事例は、いずれも転換の陣痛を個人レベルで映し出したものだ。
現段階の判断
2026年時点において、第一の条件（トークンコストの低下）は急速に進行しており、モデルの推論コストは過去18か月で一桁以上低下した。第二の条件（新サービスによる増分需要の創出）は初期の萌芽段階にある。コード生成、AI検索、AIショートドラマ、AI教育などの方向性は現れたが、まだ代替効果を相殺できるほどの経済的増分にはなっていない。第三の条件（制度と研修）は全体的に遅れており、教育システムは依然として古い職業構造を前提に人材を育成し、社会保障制度は未だに「安定したフルタイム雇用」をデフォルトの前提としている。
今後3年間の核心的変数は第二の条件、すなわち十分な数の新サービスと新需要が生み出されるかどうかである。創造が代替を上回るペースで加速すれば、インターネット転換時の雇用純増効果が再現されるだろう。代替が創造を上回り続ければ、構造的失業の圧力は高まり続ける。市場ではすでに、AI検索の入り口から切り込む起業の試みが現れている。それは、より安価な広告配信ツールを作るのではなく、まったく新しい入り口に成長インフラを構築するものだ。これはまさに「増分の創造」の小さな注釈である。
理論と現実の交差：「自由に使え」から「節約して使え」へ
2026年半ば、世界中のテクノロジー大手は相次いで社内AI利用ポリシーを調整した。多用を奨励し上限を設けない方針から、差別化された割り当てとROIの算定へと移行したのだ。Metaはコア従業員にトークン割当制限の覚書を出し、Microsoftは一部従業員のサードパーティAIツールの利用認可を取り消し、Tencentは全社一律の使用枠をタスクに応じた動的な配分へと変更した。調整の背後には同一の現実がある。すなわち、大量のトークン消費が非効率な消費であり、AI支出の利益への貢献が予想を大きく下回っているという現実だ。マッキンゼーの『AIの現状2025』によると、世界の約2000社のうち、AIがEBITに明確に貢献したと回答した企業はわずか39%にとどまる。
この転換がテクノロジー採用のペースに与える影響は二重である。短期的には、予算制約が「使うためだけの使用」による消費の一部を抑制し、採用スピードを熱狂から理性へと回帰させるだろう。しかし中長期的に見ると、有効な消費と無効な消費を区別し、タスクごとに価格付けし、リソースを高生産性分野に傾斜配分することこそが、S字カーブがキャズムを越えてメインストリーム展開に至るための必要条件だ。電力革命もインターネット革命も、「公共財」から「従量課金」への同様の転換点を経験している。
創造的破壊理論の予測にとって、鍵となる変数はトークンの総量ではなく、有効なトークンの増加率である。コスト制約がより高い割合の「有効な消費」、つまりAIが単に既存の労働を代替するのではなく、まったく新しいサービスに組み込まれて増分需要を生み出す方向に促されれば、補償効果のペースは予算引き締めによって減速するどころか、リソース集中によって加速する可能性がある。逆に、予算削減が主に革新的な試行錯誤に及ぶようであれば、組織は「コスト削減による代替」という快適領域に後退し、新たなタスクの創造は旧タスクの消滅よりも遅れ、構造的失業の圧力は持続的に高まるだろう。
今後3年間の核心的な観察点は、組織が無効な消費を削減する一方で、「増分型AIアプリケーション」への投資を維持、あるいは増やしているかどうかだ。これこそが、AI経済の純成長が成り立つかどうかを判断する先行指標である。
AIは「技術導入期」から「制度消化期」へと移行している。技術導入期（2023-2025）の特徴は、無限供給の幻想、全員試用、リソース未計上である。制度消化期（2026年以降）の特徴は、予算制約の回帰、タスク別課金、有効消費と無効消費の区別、高生産性ノードへのリソース集中である。
これは後退ではない。電力革命の初期、工場は自家発電所を建設し、電気を好きなだけ使っていた。その後、送電網が整備され電力価格の仕組みが確立されると、工場はどの生産ラインにモーターを付ける価値があるかを計算し始めた。インターネット初期には、帯域は公共財だったが、後にトラフィック費用が事業ラインごとに精算されるようになった。トークン経済における無料のランチが終わるのは、AIが真のインフラになるために不可欠な通過儀礼である。
第二部のまとめ
三つの理論的視点は、異なる階層から同じ問いに応答している。すなわち、現象や感情に振り回されず、この変革の法則をどう理解するか、という問いだ。
タスクモデルは分析の粒度を提供する──職業ラベルから具体的なタスクへと降りていくこと。これが後続のあらゆる判断の基盤となる。スキル偏向型技術進歩は、職業内部の分化を説明する──経験豊富な者の判断プレミアムは上昇し、新人の実行価値は低下する。不公平だが、技術進歩の歴史的パターンに合致している。創造的破壊と補償メカニズムは、最も長い周期の枠組みを提供する──破壊と創造は同じプロセスの両面であり、純粋な結果は創造の速度と制度の適応リズムにかかっている。
2.4節の業界事例分析では、これら三つの理論を、2026年半ばに世界中のテクノロジー大手が一斉に調整を行った実際の出来事に当てはめて集中的に検証した。それは、AIの職業への影響が一方向的な技術決定論ではなく、技術力、組織制度、コスト構造、そして個人の選択が共に作用した結果であることを示している。AIは現在「技術導入期」から「制度消化期」へと移行しつつある──予算制約の回帰、タスク単位の課金、高生産性ノードへのリソース集中。これは、AIが真のインフラとなるために不可欠な段階である。
第三部では、これらの理論を具体的な職業群の現場観察に落とし込む。研究開発、プロダクト、財務、HR、マーケティング、法務、セールス──それぞれの職業群の従事者たちは今、何を経験しているのか。彼らのストーリーは、これらの理論的枠組みをどのように裏付け、あるいは修正するのだろうか。
三、職業群：この3年の形成
第二部では五つの理論的枠組みを整理した。枠組みは座標系を提供するが、職業の運命を決めるのは、毎朝目覚め、ツールを開き、今日何をすべきかを決める、具体的な人々である。
以下の七つのストーリーは、2026年3月から6月にかけて行ったインタビューに基づく。対象者は研究開発、プロダクト、財務、HR、マーケティング、法務、セールスの分野に分布し、勤続年数は3年から15年まで様々だ。第一部の「代替された者たち」の視点とは異なり、彼らのほとんどは今も元の分野に留まっている。共通する問いはこれだ。AIがますます多くの基礎的タスクを飲み込んでいくとき、一人の従事者は自分自身を何として再定義すべきなのか。
最初のストーリーは、最も強い衝撃を受けている研究開発職から始まる。
研究開発：林舟、自分自身をAgentとして扱う人
林舟は2022年卒業、コンピューターサイエンス専攻で、フロントエンドを志望していた。当時、フロントエンドはまだインターネット業界で人気の職種であり、彼女は大手に入社した。
2024年末、彼女は質的な変化を感じた。
「Claude Opus 4.5バージョン以降、AIはインターンより優秀になった。」
彼女は自分の仕事の習慣を変えた。以前は自分でコードを書き、リリースしていた。今は自分自身をAgentとして扱い、最初の3か月をあることに費やした──彼女自身はそれを「事前投資行動研究」と呼んでいる。自分の仕事習慣を記録し、大規模モデルが何をできて何をできないかを見極め、それぞれの能力を一つのSkillとして書き出したのだ。
「最初はプロンプト集作りからです。各Skillの背後にあるのはあなたの判断です──このタスクをどこまでやれば完了とみなすのか、境界はどこにあるのか、いつ止めるべきなのか。」
3か月後、Skillはスムーズに回り始めた。以前は1日かかっていた仕事が2時間で終わるようになった。そうして彼女には多くの時間ができ、他の職種を研究できるようになった。この言葉を言うとき、彼女の口調はごく普通だった。
彼女はまた、今作っているツールはすべてAgent向けであり、人間が使うためではないと言う。
節約できた時間を、彼女は無為に過ごさなかった。余暇には情報美学をテーマにしたブログを運営している。彼女は自分の執筆プロセスも分解し、12のSkillを抽出し、記事を生成するたびにこの12のSkillを呼び出す。
「本業とブロガーは、実際には同じ基盤となる能力を使っています──審美眼、構造化、ツールへの感度です。」
ネットでよく言われる「フロントエンドは死んだ」について、彼女は言う。「初級・中級は必要なくなりました。今はAgentエンジニアであり、よりエンジニアリング能力が重視されます。今後2〜3年で、Skillのハーネスがある程度に達すれば、指数関数的な成長が起こり、ループエンジニアリングになるでしょう。」
インタビューの最後に、彼女はこう認めた。「プロジェクトマネジメント能力はエンジニアにとって最も希少な能力であり、AI化が最も難しい。異なる利害や異なる能力を持つ人々を調整しなければならないからです。」
先週、彼女はキャリア支援イベントに参加した。上海から飛行機で3時間かけて来たが、大雨に遭い1時間遅れた。主催者がなぜそんなにこだわるのかと尋ねると、彼女は言った。「このイベントが、次に何をすべきかを明確にしてくれると感じたんです。だから、この旅を完遂しなければと思いました。」
一言まとめ
2022年卒のフロントエンドエンジニアは、4年の間に「コードを書く人」から「AIを指揮する人」へと変わった。以前は1日かかっていた仕事が2時間で終わり、浮いた時間をフルスタックの学習、ブロガー活動、業界観察に充てている。彼女は「フロントエンドは死んだ」という言説に打ちのめされることなく、自らを「AI時代のキャリアサンプル」へと変えた。AIで効率を高め、パーソナリティで価値を高め、指揮能力で未来に備える。
プロダクト：周錚、「会社の広告出稿を手伝う」から「ブランドがAIに見つけてもらうための支援」へ
このPMはインターネット大手で商業広告に3年間携わり、デジタルマーケティングの最前線にいた。この経験を通じて、彼は企業が「トラフィックを買う」という核心的な意思決定の場に深く関わり、三つの重要な認識を蓄積した。
第一に、プラットフォームのルールが変化している。ユーザーの注意は従来の検索エンジンからAI検索の入口へと移行している。Google AI Overviewsの月間アクティブユーザー数は20億を超えた。「ユーザーは自分でリンクをクリックするのではなく、AIが直接答えを出すことに慣れ始めている。以前のSEOやSEMの手法は、地盤が揺らいでいる。」
第二に、クライアントの不安が変化している。ブランド側は彼に尋ねる。AI検索の時代に、どうすれば推奨されるのか？どうすれば言及されるのか？新しいルールはあるのか？従来の成長経路は機能不全に陥り、新しい経路はまだ形になっていない。
第三に、供給側の空白だ。市場に出回っているほとんどのAIマーケティングツールは「コンテンツ作成支援」や「単一チャネルへの広告配信」に留まっており、「AIプラットフォームがどのように推奨するか」から出発した全体最適のソリューションが欠けている。
彼は勤続3年という節目で起業を選んだ。その論理は「飽きたから」ではなく、いくつかの極めて具体的な判断に基づく。
市場のタイミングは明確だ。Gartnerの予測では、2026年の世界のAI支出は2兆5200億ドルに達し、44%増。マッキンゼーのデータによれば、企業の88%が定常的にAIを利用しており、23%がAI Agentを大規模展開している。「これは未来のトレンドではなく、進行中のインフラ再構築だ。」
切り口が十分に前方にある。彼はAIライティングツールや広告運用アシスタントを作るのではなく、AI検索の入口から切り込む。まず企業がAIプラットフォームでいかにブランドを推奨されるかを理解し、それから戦略、コンテンツ、配信、コンバージョンを決定する。このポジショニングは、単一機能ツールからプラットフォーム型プロダクトへ進化する余地を本来的に備えている。
チームは補完的だ。コアメンバーはトップインターネット企業とAI商用化の第一線から来ており、プロダクト、検索、技術、商用化、オペレーション、エンタープライズサービスをカバーする。起業は個人の衝動ではなく、一群の人々が同じ機会を見出した結果だ。
彼が作っているのは、企業のAI時代に向けたAgentマーケティングプロダクト群だ。出発点はAI検索成長──ブランドがAI検索結果で推奨され、言及されるよう支援する。そこから戦略生成、コンテンツと情報源の配信、効果分析、全チャネルへの広告配信、コンバージョンへと展開する。本質的には、AI検索の入口からスタートし、企業成長の全体的な連鎖を徐々にカバーしていくものだ。
彼の商業広告のバックグラウンドは、AI起業においてむしろ核心的な強みとなった。「お金と顧客に近い」ことが、企業の実際の支払いロジックとトラフィックの痛点を知ることに繋がる。この視点は、AI実装段階において、純粋な技術視点よりも競争力がある。
「3年は短すぎず、ちょうど良い。業界を触って十分な手触りがあり、しかも大企業の慣性に固まってしまっていない。」
スタートアップという形態自体も、AIによって再形成されている。彼らの目標はマーケティングサービス事業者ではなく、企業向けの成長インフラとなることだ。よりフラットに、より階層を減らし、より密度の高いコラボレーションを実現し──ある個人が急成長期に、より大きな責務を担うことができる。
一言まとめ
3年間の商業広告PMの経験から、AI検索がビジネスの入り口を塗り替える機会を見抜き、単一機能ツールではなくAgentマーケティングプロダクト群に賭けることを選んだ──これは大企業からの逃避ではなく、構造的変化を見極めた上での主体的な選択である。
マーケティングとビジネス開発：陳念、「AIはコピーを書けるが、顧客をどうにかできない」分水嶺に立つ
陳念は多角的な事業を営む会社に4年間勤め、最初はインターネット業界向けマーケティングを担当し、後にチップのビジネス開発に異動した。目下、彼女は再び異動しようとしている。
彼女が最初に見た変化は、従来のマーケティング職が急速に圧迫されていることだ。ブランド部門のコピーライター、マーケティングクリエイティブ、企画などの仕事は、すでに大規模にAIに取って代わられている。彼女は身近な数字を挙げた。あるコーヒーブランドのブランド運営チームは9人から2人に削減された。ニューメディア運営など特定分野のポジションは全般的に縮小されている。従来の4A広告会社におけるクリエイティブ職の需要は急減した。マーケティングクリエイティブは、かつて人間のひらめきが必要とされていた領域だが、今やAIによって瓦解しつつある。
しかし彼女は同時に、AIにはできないことを明確に見極めている。顧客への提案、発注、関係維持──こうした対面のコミュニケーションと信頼構築が必要な仕事は、AIでは代替しにくい。B向けの複雑な営業、例えばクラウド営業は、意思決定チェーンが長く、多様な利害調整を伴い、顧客のビジネスに対する深い理解が求められるため、AIが本当の意味で介入するのは難しい。彼女は一つの例を挙げた。ある携帯電話メーカーの母の日キャンペーンのコピー事件で、AIは感情豊かなコピーを書けても、世論リスクや社会的感情を主体的に識別することはできない。「価値判断と危機感知は、今なおAIの盲点です。」これは、たとえコピーがAIによって生成されても、最終的な承認者は人間でなければならず、しかもその役割の価値はむしろ上昇していることを意味する。
彼女の目には、AI時代はマーケティングとビジネス開発の価値階層を再定義しつつある。
実行層──コピーの生成、素材制作、基本的なクリエイティブ──は急速にAIに取って代わられている。判断層──リスク管理、価値観の審査、戦略の取捨選択──は価値が上昇しており、より高い業界理解力とリスク意識が求められる。信頼層──ビジネス開発の核心的な競争力は、決して「文章がうまいこと」ではなく、「話が合い、信頼できること」だ。AIが強力になればなるほど、人と人との間の信頼はむしろ希少になる。
採用側もこのトレンドを裏付けている。「クリエイティブ人材の採用」から「AIを使いこなすオペレーターの採用」へとシフトしているのだ。従来のマーケティング職は縮小される一方、AIで戦略策定から実行まで全工程をカバーできる複合型人材への需要が高まっている。AIによる効率化が進んだ後、人に求められるアウトプットの水準はむしろ上がった。生き残るのは、より良いコピーを書ける人ではなく、よりビジネスを理解し、リスクを判断でき、クライアントをしっかり掌握できる人だ。
四年間、彼女はマーケティングとBDという二つの役割を経験し、一つの会社の中で二度の転身を遂げた。プライベートではMBAのダブルディグリーを取得中だ。「こんな時代だからこそ、何か証明になる拠り所が一層必要だと感じる」と語る。
一言まとめ
四年間同じ会社に勤め、マーケティングからBDへ。従来のマーケティング職がAIに侵食される現場を目の当たりにし、AIの死角も見抜いた——実行レイヤーの価値は下がり、判断レイヤーと信頼レイヤーの価値は上がっている。二度の異動は、いずれもAIができない側へと自分を移すものだった。
HRBP：何漫、人の心と利害のあいだで綱渡り
何漫がHRBPとして働き始めて2年余り。入行した時期は、ちょうど人員削減の波が来ていた。
彼女は数多くの退職面談を経験してきた。当初は抵抗があったが、やがては優しく、かつ揺るがずに社員が現実を受け入れる手助けができるようになった。そしていつしか、やや皮肉な事実に気づく。彼女は人のキャリアの終わりに向き合う手伝いをしているが、自分自身のポジションもまた、AIによって再定義されようとしているスタート地点に立っているのだ。
HRBPの仕事は、AIによって真っ二つに分けられつつある。
半分は機械に任せられる部分だ。年次有給休暇の計算、表彰や評価、人的予算における煩雑なLCリリース計算——これらは計算式をスキル化すれば、エージェントが数分で結果を出し、1〜2時間の手作業が省ける。社員のパフォーマンス異議申し立ての面談後には、AIによる自動議事録で要点と争点を生成し、その後の参考にする。
もう半分は機械が触れられない領域だ。社員間の対立マネジメント、退職面談、マネジメント層のエンパワーメント——こうした面と向かってのやり取り、絶妙なさじ加減、いつ強く出て、いつ柔らかく出るかという判断が求められる仕事は、今のところAIには代替できず、彼女自身が動くしかない。
しかし、彼女はその安全性が長く続くとは限らないとわかっている。社内の表彰には「野生PM」「野生RD」といった肩書きが現れ始め、社員が越境して働くことを奨励している。チームによってはQAすら不要になり、一人でAIを使って全工程をこなした方が、むしろ成果が良いという。この状況に彼女は複雑な思いを抱く。組織が自ら積極的に職務の境界を曖昧にし始めたとき、自分の「代替不可能性」はいったいどの部分で成り立つのかと。
まだ完全な答えは見つかっていないが、彼女はよりマクロな構図を捉えている。社員一人ひとりがAIを使って効率を上げていても、企業全体の効率と売上は目立って向上していない。その原因は、組織の形態が追いついていないことにある。点での爆発は全体の力に結集できず、重複作業は依然として多く、エントロピーの増大は続いている。知識労働のアウトプットはすでに過剰で——コーディング、デザイン、コピーライティング、市場はその量を到底受け止めきれない。だが、量の増加はまだ質的変化をもたらしていない。今の状態を、彼女は「火花はあちこちで散っているが、一面を焼く火にはならない」と表現する。
こうした観察により、彼女はHRBPがいま何をすべきかを再定義した。「社員のAI化」から「組織のAI化」へとマネジメント層をプッシュすることが、彼女の新たな命題だ。一人ひとりがAIを多用することではなく、ワークフロー全体をAIフレンドリーに、エージェントフレンドリーにし、ツールを本当の意味でプロセスに組み込み、表層に浮かせるだけにしないことだ。
一言まとめ
2年余りのHRBP経験で、人員削減も、組織がAIを前にぎこちなく転身する様子も見てきた。彼女はしだいに実感している。AIは標準化できるあらゆる業務を代替できるが、人の心と利害のあいだで綱渡りをする判断力は代替できない——ただ、組織そのものがいまだ激しく揺れているいま、その綱はますます細くなっている。
営業：周さん、安定したシステムのなかから新世界の列車を眺める
周さん、今年38歳。インターネット業界から起業し、3年前に現在の会社へ入社。政府・公共・法人向け営業を担当している。
営業手法は、彼が20年前にこの業界に入った頃と大きく変わらない。一つひとつの顧客を足で稼ぐスタイルだ。会社には統一された顧客管理システムすらなく、表の入力には飛書、企業微信、テンセントドキュメント、キングソードキュメント、OA暗号化シートが混在している。本社がAI活用プラットフォームを導入しても、ほとんど反応はない。
ただ、面白いことに、彼がここ2年手掛けてきたビジネスはAIそのものと直結している。一昨年までは大規模モデルを動かすためのサーバーや一体型機器を販売し、顧客がモデルを運用するのを支援していた。今年はトークン販売に転換した。顧客は引き合いを出し、模索はするが、実際に本格導入するケースは少ない。セキュリティレベルの高い企業はプライベートクラウドでの導入を選び、データを外に出さない。残りの顧客は、トークン購入がどちらかといえば「とりあえず席を確保する」意味合いが強く、使いこなしているとは言いがたい。
国内のトークン販売は同質化が激しく、主に価格競争だ。だが彼の会社は社内の利益目標により、インターネット系クラウドベンダーには値引きで太刀打ちできない。このビジネスが持続可能かどうかは疑問符がつく。
AIは彼のプロダクトを変えたが、彼の働き方をさほど変えてはいない。チームはAIを顧客開拓に使っていないし、AIを営業補助に使ってもいない。既存顧客の維持が中心で、新規開拓はほぼないため、AIという新しいやり方が入り込む余地が乏しいのだ。社内と外界とのギャップは巨大で——社外ではAIが日々目まぐるしく変わるのに、彼の組織ではほとんど変化を感じられない。
より直接的な打撃は給与に現れている。会社はリストラではなく、減給を選んだ。この3年、収入は階段を下りるように減ってきた。減給がもたらしたのは精鋭化と効率化ではなく、全般的な倦怠感——社員のモチベーションは下がり、会社の改革はいっそう遅くなる。
それでも彼は、自ら進んでAIイノベーション実験ワークショップに参加している。仕事で触れる内容と外界の差があまりに大きいからだ。学びたい、変わりたい、もしかしたら明日にでも変化が本当に訪れるかもしれないから。
一言まとめ
38歳、サーバーもトークンも売ってきた。AIは彼の扱う商品棚を塗り替えたが、彼の働き方は素通りしていった。減給は組織の倦怠をさらに深め、彼は期待通りには訪れないかもしれない転機を待つ——旧システムの歯車は噛み合わず、新世界の列車は加速しながら去りつつある。
経理財務：宋遥、数字のなかではなく、ビジネスの前に
宋遥は合弁のハードウェア企業のCFOだ。このポジションからAIを見ると、現場社員とはまったく視点が異なる——彼女の目に映るのは、特定の職種の代替ではなく、財務機能全体の基盤ロジックが根本から書き換えられようとしている姿だ。
会社には2つのAIのリズムがあり、彼女はその狭間で、最も直接的な観察者となっている。
外資パートナーは5、6年前から財務データフローの統合に着手していた。現地でなくてもよい財務データ処理や分析などの業務を地域ごとに集約し、各国にはコアとなるCFOなどの役職だけを残した。約2年前には、こうした集約されたデータ分析業務はすでにAIに置き換えられ——レポート、分析レポート、予測はすべて自動化され、人員は大幅に削減された。しかも、各部門のCEOや事業責任者に対し、自らAIを活用して現場の財務データを取得する能力を身につけるよう求めてきた。この背景にある考え方はこうだ。財務データは財務部門が独占すべきではなく、事業責任者一人ひとりが直接アクセスできるようにすべきだと。
中国側は別のリズムで動いている。会社としてもAIは使っている——減資のような複雑な手続きをする際に、大規模モデルで業界のベストプラクティスを得て、コストと時間を節約している。CEOはテクノロジーへの信頼が厚く、社員に大規模モデルで業界事例を取得するよう促し、さらにエージェントを構築して見積もりの比較に使っている。だが、情報セキュリティの問題があるため、データ分析などのコア部分へのAI適用には極めて慎重で、外資パートナーのような代替を前提とした推進には到底及ばない。社員は主に、プロジェクト手続きの相談や税務条項の検索といった補助的な使い方をしている——有用ではあるが、「再構築」には遠い。
AIが財務キャリアに与える衝撃は、彼女の目には層としてくっきり映っている。初級レベルのデータ分析やデータ処理のポジションは、将来的に高確率でAIに代替されるだろう。法務やITの初級ポジションも同様で——フロントエンドエンジニアがフルスタックになれなければ、転換を迫られる。しかし、深い専門領域では依然として人が必要だ。税務プランニング、ファイナンスとビジネスの融合、資金構造のアレンジ——こうした専門的な判断と信頼が求められる仕事は、AIでは置き換えられない。
そこから彼女が導き出したのは、AIが財務人材をビジネスの最前線へと押し出しているという判断だ。もはや数字とだけ向き合って帳簿をつけるだけではだめで、市場を理解し、ビジネスを理解し、意思決定に参加しなければならない。
財務人材は二つのタイプに分かれつつある。一つは標準化された事務の実行者で、AIに置き換えられようとしている。もう一つはAIを使いこなし、ビジネスを理解し、判断を下せるプロフェッショナル——後者こそが、残るに値する人材だ。
一言まとめ
CFOの視点、中外2つのAIのリズムの狭間で、財務機能が書き換えられる様を見つめる。初級職は代替されつつあるが、深い専門領域はむしろ価値が高まっている——AIが生み出すものが増えれば増えるほど、正否を判断できる人は希少になる。財務人材の未来は、数字のなかではなく、ビジネスの前にある。
法務：沈黙、トークン請求書と曖昧な思考
沈黙は、ある大手ティーブランドで法務を担当している。2026年からAIが日常業務に入り込み始めた。主に二つのシーンで使う。判例や法令の検索、そして契約審査だ。会社はディレクター級向けに有料AIツールを導入したが、実際に使ってみると問題は少なくない。
無料モデルは専門性が足りない。国内の主要な無料ツール数種類は、法律領域ではAIのハルシネーションが顕著で、誤った答えをしばしば出し、ユーザーとしばらく論争した末にようやく自分のミスを認める始末だ。有料モデルは改善されているが、トークン消費が理不尽だ。彼女が例を挙げる。法律と税務のクロスする問題を質問したとき、背景情報も出力ファイルもデータ量は大きくないのに、7〜8回の質疑応答で1700クレジットを消費し、換算すると最低でも10ドルになる。単純なタスクでもこれだけコストがかかり、課金ロジックが不透明なため、彼女はチームに広く推奨しづらい。
しかし、AIには確かな有用性がある。フレーム契約の策定、日常的な契約審査、販促企画の審査、事例評価、文書起草——こうした標準化されたモジュールは、AIが徐々に引き継ぎつつあり、おそらく人間よりも細かく、速く、正確に行える。判例検索は特に使い勝手がよく、かつては人手で判例を探すのに半日かかることもあったが、今ではAIが直近3年間の特定類型の判例を素早く見つけ出せる。
彼女個人にとって、AIを使える案件では50％の時間を節約でき、日常業務全体で見れば20％から30％の時間短縮になる。しかしチーム内で文書作成を専門にしているメンバーにとっては、代替される可能性はより高い——ただしそれは、その人たちがAIを使いこなせることが前提だ。そして彼女の見るところ、多くの同僚はAIを使いこなせておらず、ミスリードされやすい。彼女の提案はこうだ。まずは自分で考え、手探りで進めてからAIを補助的に使うべきであり、いきなり問題を機械に投げるべきではない。
AIは法務業務の境界線も再定義しつつある。紛争解決、交渉、対立マネジメント——これらはより多くのビジネス背景や交渉スキルを必要とする仕事であり、AIでは代替しづらい。一方、フレーム契約の策定や日常審査といった標準化された事務は、AIが一歩一歩引き継いでいる。彼女の会社の法務チームはもともと規模が小さく、契約審査の量も多くないため、現在の影響は小さい。しかし彼女は、契約審査量の多い会社であれば、AI導入後に人員を削減するのはほぼ必然だと観察している。
彼女が属する業界全体では、AIの活用事例はまだ多くない。本質的にサービス業であり、製品開発や広告デザインなどの面では依然として人手に頼る部分が多い。サプライチェーン面でのAI技術の導入も深くは進んでおらず、主に従来のデジタル化プログラムや電子リマインダーに依存している。
彼女の気づきがある。AIは専門職やスーパーバイザーレベルの文書作成の仕事を代替できるが、それは思考の筋道が明確であることが前提だ。もし思考が曖昧なら、AIは使い回しの文章を出力するだけで、ビジネス要件を到底満たせない。
一言まとめ
法務、有料モデルのToken請求と無料モデルの幻覚の間で、AIの境界を繰り返しテストしている。標準化された契約審査は代替されつつあり、紛争と交渉は依然として人間の判断が必要だ——そしてAIが文書を作成できる前提は、まず自分自身が明確に考えていることだ。
はじめに提起された三つの問いに戻ろう。この三年間でAIは職場にどのような影響を与えたのか？未来を理解するのに役立つパターンは何か？その渦中にいる人々は何を経験しているのか？
第一の答えは、影響は実在するが、その粒度は職種ではなくタスクにある、というものだ。プログラミング、執筆、法律文書、データ分析が真っ先に浸透し、実際の導入はコンピューター、金融、管理、行政の分野に集中している。理論上のカバレッジと実際のカバレッジの間のギャップは、技術的に可能であることが組織的に可能であるとは限らないことを私たちに思い出させる。
第二の答えは、パターンが繰り返し実証されている、というものだ。技術浸透はS字曲線をたどり、取引コストの低下が組織の境界を変え、技能偏向的技術変化が内部格差を拡大し、創造的破壊は常に一つの集団を淘汰し、さらに多くを創り出す。現在は技術導入期から制度消化期へ移行しつつある——予算制約の回帰、タスク単位での資源価格設定、無効な消耗の特定と排除、これらは技術がインフラとなるための不可避の段階だ。
第三の答えは、個人の対応が分かれつつある、というものだ。ある者は自らをエージェントとみなして能力を再構築し、ある者は古いシステムの中で転機を待ち、ある者はAIができない側へと身を移し、ある者は綱渡りの上でバランスを練習する。彼らに共通の答えはないかもしれないが、共通の特徴はある。混乱の中で行動し続け、形作られる過程で自分が何に形作られつつあるのかを理解しようとすることだ。
ここに至り、一つの基本的な見立てが浮かび上がる。AIの職業への衝撃に、統一された終局はない。タスクレベルでは明確な代替と増強であり、組織レベルでは境界の縮小と形態の再構築であり、社会レベルでは資本の流れと制度適応のせめぎ合いだ。三者のリズムも歩調も異なり、個人の安全感は、この落差に対する冷静な認識から生まれる。
個人にとって最も重要なのは、どの職種が安全かを予測することではなく、可搬性のある能力セットを構築することだ。タスクを分解する能力、AIの出力品質を判断する能力、曖昧な領域で取捨選択する能力、異なる利害や異なる能力を持つ人々を調整する能力である。これらの能力に共通する特徴は、AIがまだ届かないということだ。
組織にとっての責任は、より早く人員削減を行い、より早くAIを導入することではなく、無効な消耗を見極める前に信頼を消耗せず、職務の境界を調整する前に責任の境界を曖昧にしないことだ。コストは計算でき、Token請求には細かな計算が必要だが、人の成長にも階段が必要だ——AIが新人の練習場を断ち切ったとき、組織は新しい方法でベテランへと至る道を再構築する意思があるかどうかは、コスト問題と同じテーブルに載せるべき課題である。
社会にとって、教育システムは一つの事実を認める必要がある。古い職業構造をひな型とした人材育成モデルは機能不全に陥りつつある。社会保障は別の事実に向き合わねばならない。安定したフルタイム雇用をデフォルトの前提とする制度設計が、プラットフォーム化・アトム化する雇用の現実によって揺るがされている。技術は待てるが、代替される人はあまり長く待てない。
2023年から2026年にかけて、パニックはデータによって較正され、パターンは事例によって検証され、勇気は個人の中で育ち続けた。技術と社会変動の奔流の中で、人は小さくもあり、大きくもある——小さいのは潮流の方向を遮れないことであり、大きいのは自らを塑造できることだ。次の三年間も、塑造は続いていく。
