「AI時代に生き残るには」で調べて来られた方に、先に結論を書きます。
アメリカでは、AIは仕事を丸ごと消す前に、まず若手の入口を狭めました。AIが人の作業の代わりをしやすい職で、22〜25歳の雇用が、影響の小さい職と同じ伸びだった場合より19%少なくなっています。減ったのは主に採用で、同じ職でも経験のある人には差が出ていません。残ったのは、経験で身につく判断と、AIを補う役割です。だから生き残る戦略は、AIより上手くなることではありません。AIで浮いた時間を「人に残る仕事」の経験に移し続けることです。経験がまだない人は、その経験を積める入口から逆算します。
| 知りたいこと | 答え | 章 |
|---|---|---|
| AIで新卒の採用は減っているか | アメリカでは、AIが代わりをしやすい職で若手の採用が減った。日本の大卒求人倍率は1.62倍で、AIで新卒を減らすという企業は7.5%、増やすも7.5%（まだ数字に出ていない） | 2章 |
| AI時代に残るのは何か | 手順にできる作業ではなく、経験で身につく判断・検証・責任と、現場の仕事 | 3章・4章 |
| 経験がないとどうなるか | AIは経験の浅い人の作業をいちばん底上げする。若手に任せていた作業ほど、人を足さなくても回るようになる。経験を積む入口を、自分で選ぶ必要がある | 5章 |
| 自分は何をすればいいか | 新卒・職歴なし・会社員の現在地ごとに、入口と移し替えを逆算する | 6章 |
| 差はどのくらいになるか | 週40時間、AIで速くなる作業が2割、4割速くなるとすると、5年で768時間。計算機あり | 7章 |
この記事は、AIの時代に、働く人が自分の位置をどう選ぶかの話です。「AIに奪われる仕事・奪われない仕事」の一覧や、AIの使い方の手順は扱っていません。公的な統計で見た、作業ごとの影響の違いと、私がAIで外注をやめた4つの作業は、AIに奪われる仕事・奪われない仕事に書きました。
1. 先に、立場を書きます
私は、会社員として働いたことがありません。20年近く、自宅で一人で働いてきました。だから、会社の中の話は統計と研究で書き、私の経験は、仕事を頼む側から見た話として書きます。
頼む側としては、広告の運用代行、LP・HPの制作、記事・文章の外注、動画の編集の4つを、AIを使って自分でやるようにして、外注をやめました。浮いた費用は、月に数百万円の単位です。私の会社で発注をやめた話で、それで誰かの仕事がなくなった例として書くものではありません。一方で、ログインと公開の許可、最後の判断は、AIに渡していません（AI秘書・AIエージェントに事業の作業を任せる）。この「渡した作業」と「残した作業」の分かれ目が、この記事の軸です。
2. アメリカでは、若手の入口から先に狭くなった。日本はまだ数字に出ていない
2-1. アメリカ：AIが代わりをしやすい職で、22〜25歳の雇用が19%少ない
スタンフォード大学のブリニョルフソンらは、アメリカの給与計算会社ADPの給与データ（毎月350万〜500万人分）で、2026年6月までの雇用の動きを、職ごとのAIへのさらされやすさで分けて比べました（2026年8月改訂の論文）。
| 分かったこと | 中身 |
|---|---|
| 若手 | AIにさらされやすい職の22〜25歳は、さらされにくい職と同じ伸びだった場合より、雇用が19%少ない |
| 経験のある人 | 同じ職でも、同じような差は出ていない |
| 減り方 | 辞めさせたことではなく、主に採用が減った |
| どんな職か | AIが人の作業の代わりをする職で減り、AIが人を補う職では横ばいか増えている。論文は例として、ソフトウェア開発と顧客対応を挙げている |
論文は、経済全体で広く仕事が失われている証拠はない、とも書いています。また、AIが原因だと示したものではなく、早い段階の兆し（炭鉱のカナリア）として読むものだ、と断っています。それでも、どこから先に変わるかははっきりしています。職の中の、若手に任されていた部分からです。
2-2. 日本：大卒求人倍率は1.62倍。AIで新卒を減らす企業と増やす企業は同じ7.5%
日本の数字は、まだ同じ動きを示していません。
- 2027年卒の大卒求人倍率は1.62倍で、前の年（1.66倍）から2年続けて下がりました。求人の総数は74.8万人で2.2%減りました。従業員300人未満の企業で3.5%減り、5,000人以上の企業では4.0%増えています。理由がAIだとは書かれていません（リクルートワークス研究所「大卒求人倍率調査（2027年卒）」）。
- 同じ研究所の特別調査（2026年6月）で、AIが新卒の採用数に与える影響を聞くと、「変わらない」が68.8%で、「増やす」「減らす」はどちらも7.5%でした。変化が出ているのは採用のあとの育成で、「研修プログラムの内容を見直す」が34.6%、「育成期間が短期化する」が14.7%です。
ただ、入口の一部は、日本でもすでに狭くなっています。厚生労働省の統計で、「情報処理・通信技術者」の有効求人倍率は、2025年3月の1.61倍から2026年7月の1.34倍に下がりました（常用・パートを含む原数値。2026年7月の職業全体は1.05倍）。下がった理由を統計は示していません。それでも、アメリカで若手の雇用が減った職（ソフトウェア開発）と、同じ場所です。
3. 減ったのは手順にできる仕事。残ったのは経験と判断
仕事でAIを使うと何が変わるかは、無作為に割り付けた実験で測られています。
| 研究 | 対象 | 結果 |
|---|---|---|
| Noy & Zhang（2023、Science） | 大卒の専門職453人、文章を書く作業 | かかる時間が40%減り、質は18%上がった |
| Brynjolfsson, Li & Raymond（2025、Quarterly Journal of Economics） | 問い合わせ対応の担当者5,179人 | 1時間に片づく件数が平均14%増えた。経験の浅い人・成績の低い人は34%増えた。経験のある人・成績の高い人への効果は小さかった |
2つ目の結果が、この記事でいちばん大事な数字です。AIは、経験の浅い人の作業をいちばん底上げします。裏を返すと、経験の浅い人がそれまで差をつけていた部分（手順を覚えて、速く正確にこなすこと）は、AIでも出せるようになります。会社から見れば、若手に任せていた作業ほど、人を足さなくても回るようになります。2章で見た、AIが人の代わりをする職で若手の採用から減った、という動きと矛盾しない読み方です。ただし、これは2つの研究を並べた私の読み方です。生産性が上がったから採用が減った、とまでは、どちらの研究も示していません。生産性が上がった分、若手に任せる仕事を増やす会社もありえます。
一方で、経験のある人への効果が小さいのは、経験のある人の強みが、手順ではないところにあるからです。何が例外か、どこで間違えやすいか、誰に何を確かめるか。こうした判断は、経験の中でしか身につきません。
4. 比較優位で考える：AIより上手いことを探さない
4-1. AIの方が何でも速くても、人は「差の小さい仕事」に寄せる
経済学の比較優位（リカード）は、こう考えます。相手の方がすべての仕事で上手くても、自分は「相手との差がいちばん小さい仕事」に時間を寄せた方が、全体の成果は大きくなる。
仮の数字で示します。1時間あたり、AIは書類を10件、判断を1.2件こなせるとします。人は書類2件、判断1件です。AIはどちらでも人より上です。それでも、判断を1件するために諦める書類は、AIなら8.3件、人なら2件です。人が判断を受け持ち、書類をAIに渡すと、同じ時間で全体の成果がいちばん大きくなります。
ただし、比較優位が言えるのは、分担すると全体の成果が大きくなる、というところまでです。その成果のうち、人の取り分（賃金）がどれだけになるかは、別の話です。
4-2. 自動になる工程が増えるほど、人が残る工程の値打ちが上がる
もう1つ、経済学のO-ring理論（Kremer 1993）があります。成果は、工程ごとの出来の掛け算で決まる、という考え方です。1つの工程が弱いと、全体が弱くなります。
4つの工程が、どれも出来90%の仕事を考えます。全体は0.9×0.9×0.9×0.9で、約66%です。ここで3つの工程をAIに渡し、それぞれ99%になったとします。全体は約87%に上がります。このとき、人が受け持つ1工程を1ポイント良くしたときに全体が上がる幅は、0.73ポイントから0.97ポイントへ、約3割大きくなります。自動になる工程が増えるほど、人が残る工程（判断・検証・責任）の出来が、全体を決めるようになります。
判断や検証も、いずれ一部はAIに渡るはずです。だから大事なのは、今の「人に残る仕事」の一覧を覚えることではありません。自動になる工程が増えるたびに、残った工程へ移り続けることです。この式では、自動の工程が増えるほど、残った工程の値打ちが上がるからです。
4-3. ただし、AIが苦手な作業では、使った人の方が間違える
ボストン コンサルティング グループのコンサルタント758人の実験（Dell’Acqua ほか）では、AIが得意な範囲の課題で、AIを使った人は12.2%多くの課題をこなし、25.1%速く、質は40%以上高くなりました。ところが、AIが苦手な範囲の課題では、AIを使った人は、正しい答えを出す割合が19ポイント低くなりました。
どこでAIが間違えるかを見分けられること自体が、人に残る強みです。私は記事を出す前に、毎回、別のAIに反論させています。答えをもらう相手ではなく、反論の相手として使うためです。ソフトバンクグループの孫正義氏も、2026年10月のインタビューで、平日はおよそ1日3時間、週末は1日7時間ほどAIを使い、議論やブレインストーミングをしていると話しています。AIを「考える相棒（thought mate）」と呼び、「AIを使うと頭を使わなくなると言われるが、まったく逆だ」という趣旨のことも述べています。
5. 卵と鶏：エッジは経験で作るのに、経験を積む入口が狭くなる
ここまでをまとめると、こうなります。
- エッジ（その人にしかない強み）は、経験で身につく判断に、AIを伴走させて作る
- ところが、経験を積むための最初の仕事（若手に任されていた、手順にできる作業）は、AIが代わりをしやすい
- だから、経験がない人ほど、経験を積む入口に入りにくくなる
卵（経験）がないと鶏（エッジ）にならないのに、卵を産む場所が減っている状態です。解き方は2つしかありません。AIが代わりをしにくい入口から経験を積み始めるか、AIを使って入口の段を速く上がるかです。どちらを選ぶかは、今いる場所で決まります。
6. 現在地から逆算する
6-1. これから就職する人（新卒）
日本では、まだ入口は開いています（求人倍率1.62倍）。だから会社を選ぶときに、次の2つを確かめます。
- 最初に任される仕事が、AIに代わりをされる側か、補われる側か。書類やデータ整理だけを何年も続ける配属だと、経験として残るものが少なくなります。現場、顧客、判断に早く触れられる配属かを、面接で聞きます。
- AIをどう使い、どこで間違いに気づいたかを話せるか。4-3で見たとおり、AIの間違いを見分けられること自体が、人に残る強みです。学生のうちにAIで何かを作り、どこで間違えたかを自分で確かめた記録は、経験がなくても示せます。
- 仕事でAIを使えるか。総務省の企業向けの調査（2025年度）で、勤め先の生成AIの方針を聞くと、日本は「積極的に活用する」30.1%、「領域を限定して利用する」38.8%、「利用を禁止している」3.5%、「方針を明確に定めていない」20.2%、「わからない」7.4%でした。禁止は少数で、多いのは決めていない会社です。面接で、どこまで使ってよいかを聞けば、答えで分かります。
6-2. 職歴がない人：3本のバイパスを、AIの物差しで並べ直す
職歴がなくても入れる入口を、このサイトでは3本書いてきました。AIの物差しで並べ直すと、順番が変わります。
| 入口 | 扉の開き方（有効求人倍率、2026年7月） | AIとの関係 | AIをどう伴走させるか |
|---|---|---|---|
| 警備・設備管理と第二種電気工事士 | 保安職業従事者（警備員を含む）6.54倍、電気工事従事者3.26倍 | 現場にいること、資格がないとできないことは、AIが代わりにできない | 待機時間に、AIを先生にして資格の勉強をする。独立したら、見積もり・LP・受付をAIに任せる |
| SESから社内SE | 情報処理・通信技術者1.34倍（1年4か月で1.61倍から低下） | 入口の作業（テスト・監視・簡単なコード）は、AIが代わりをしやすい。行き先の社内SE（要件を決め、外注先を管理し、責任を持つ）は補われる側 | 入口の段にとどまらず、AIで学ぶ速さを上げて、早く上の段に移る |
| 期間工 | 生産工程従事者1.59倍 | 体を使う作業で、公的な資料でもAIの影響を受けにくい側に入る。ただし契約は2年11か月などで切れる | お金と時間を買う橋として使い、出口（上の2本）を先に決めてから入る |
3本とも、入口の問題は解けます。職歴がなくても扉が開いているからです。ただ、エッジの問題は、3本とも単独では解けません。その場所で積んだ経験に、AIを伴走させて初めてエッジになります。くわしくは、職歴がない人の、もう一本のバイパス、SESから社内SEへ、期間工で本当に手元に残る金はいくらかに書きました。
6-3. 今、会社で働いている人
自分の仕事を、3つに分けます。
| 分け方 | 例 | どうするか |
|---|---|---|
| AIに渡せる | 定型の書類、議事録、要約、データの整理、下調べ | 渡して、時間を浮かせる |
| AIで速くなる | 企画書、分析、プログラム、調べもの | AIと一緒にやり、自分は検証と判断を受け持つ |
| 人に残る | 判断、検証、責任を持つこと、社内の事情を知っていること、人と会うこと、現場 | 浮いた時間をここに移す |
浮いた時間は、放っておくと、会社が別の作業を足して埋めます。だから移し替えは、待っていても起きません。判断や検証の役を、自分から引き受けに行きます。この移し替えを何年続けたかが、経験の差になります。会社のAIの方針が決まっていない、または使えない場合も、会社の外では、公開されている情報で、自分の勉強や考えの壁打ちに使えます。ただし、会社の未公開の情報や顧客の情報を、個人のAIのアカウントに入れてはいけません。就業規則や契約の秘密保持に触れるおそれがあります。
そのうえで、私の考えを書きます。実益が大きすぎるので、個人の目線では、AIを使わないという選択肢は、もうありません。会社がAIを使わせず、この移し替えが何年もできないなら、その会社に留まるかを考え直す材料になります。
7. 5年で、人に残る仕事の経験は何時間違うか
3章の実験では、文章を書く作業にかかる時間が40%減りました。週40時間のうち、こうした作業が2割（8時間）なら、浮くのは週3.2時間です。これを全部、人に残る仕事に回すと、1年48週として、5年で768時間になります。今、人に残る仕事が週8時間の人なら、その経験は1.4倍になります。
速くなる割合は実験の数字で、自分の仕事で同じとは限りません。4-3で見たとおり、AIが苦手な作業に使うと、かえって間違いが増えます。また、時間がそのまま実力になるわけではありません。判断の難しさ、結果への責任、結果が返ってくる早さで、同じ時間でも身につくものは違います。計算機が出すのは、その経験を積む機会の時間です。自分の数字は、下の計算機に入れてください。
AIを使える人と使えない人で、「人に残る仕事」の経験は何時間違うか
入れた数字は、このページの中で計算に使うだけで、どこにも送られません。
8. よくある質問
AI時代に生き残る仕事は何ですか
職業の一覧より、作業で見る方が正確です。アメリカの研究では、AIが人の作業の代わりをする職で若手の雇用が減り、AIが人を補う職では横ばいか増えていました（2章）。同じ職の中でも、手順にできる作業より、判断・検証・責任・現場の作業が残ります（3章・4章）。職業ごとの傾向は、AIに奪われる仕事・奪われない仕事に書きました。
AIで新卒の採用は減りますか
アメリカでは、AIにさらされやすい職で22〜25歳の雇用が19%少なくなり、主な原因は採用の減少でした。日本では、AIで新卒の採用を「減らす」企業と「増やす」企業が同じ7.5%で、68.8%が「変わらない」としています（2章）。
会社でAIが禁止されていたら、どうすればいいですか
日本で利用を禁止している企業は3.5%で、多いのは方針を決めていない会社（20.2%）です。まず、どこまで使ってよいかを確かめます。会社の外では、公開されている情報で、自分の勉強に使えます。会社の未公開の情報は入れません（6-3）。
経験がない人は、どこから始めればいいですか
AIが代わりをしにくい入口（資格と現場）から経験を積み始めるか、AIを使って入口の段を速く上がるかです（5章・6-2）。
AIを使うと、自分で考えなくなりませんか
答えをもらう相手として使うと、そうなりやすいと思います。反論の相手として使うと、逆に考える量が増えます。私は記事を出す前に、毎回AIに反論させています（4-3）。
9. まとめ
- アメリカでは、AIが人の作業の代わりをしやすい職で、22〜25歳の雇用が19%少なくなった。減ったのは主に採用で、経験のある人には差が出ていない
- 日本の大卒求人倍率は1.62倍。AIで新卒を減らす企業と増やす企業は同じ7.5%で、まだ数字に出ていない。ただ、情報処理・通信技術者の求人倍率は1.61倍から1.34倍に下がった
- AIは、経験の浅い人の作業をいちばん底上げする（問い合わせ対応で34%）。若手に任せていた作業ほど、人を足さなくても回るようになる（採用が減った原因とまでは示されていない）
- 比較優位とO-ring理論で考えると、人は判断・検証・責任に寄せるほど、全体の成果が上がる
- AIが苦手な作業では、使った人の方が間違える。見分けられること自体が強み
- 経験がない人は、AIが代わりをしにくい入口から始めるか、AIで入口の段を速く上がる
- 会社で働く人は、AIで浮いた時間を人に残る仕事に移す。週3.2時間なら、5年で768時間の差
10. 出典
- Erik Brynjolfsson, Bharat Chandar and Ruyu Chen “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence” Stanford Digital Economy Lab（2026年8月12日改訂）https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine
- リクルートワークス研究所「大卒求人倍率調査（2027年卒）」（2026年4月）https://www.works-i.com/surveys/item/260423_recruitment_saiyo_ratio.pdf
- リクルートワークス研究所「【特別調査】人口減少・AI時代の新卒採用と育成」（2026年6月）https://www.works-i.com/research/report/recruitment-training-report.html
- 厚生労働省「一般職業紹介状況（職業安定業務統計）」（令和7年3月分・令和8年7月分、参考統計表6）https://www.mhlw.go.jp/toukei/list/114-1.html
- 総務省「令和8年版 情報通信白書」図表Ⅰ-2-1-1 生成AI活用方針の策定状況（国別）https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121110.html
- Shakked Noy and Whitney Zhang (2023) “Experimental evidence on the productivity effects of generative artificial intelligence” Science 381(6654) https://doi.org/10.1126/science.adh2586
- Erik Brynjolfsson, Danielle Li and Lindsey Raymond (2025) “Generative AI at Work” The Quarterly Journal of Economics 140(2), 889-942 https://www.nber.org/papers/w31161
- Fabrizio Dell’Acqua et al. “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality” Harvard Business School Working Paper 24-013（2023） https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321
- Michael Kremer (1993) “The O-Ring Theory of Economic Development” The Quarterly Journal of Economics 108(3), 551-575
- Blackstone “SoftBank CEO Masayoshi Son: Superintelligence, AI Investing, and the Future of Robotics”（Inside Blackstone、2026年10月13日）https://www.blackstone.com/insights/article/softbank-ceo-masayoshi-son-superintelligence-ai-investing-and-the-future-of-robotics/
11. あわせて読む
- AIに奪われる仕事・奪われない仕事（公的統計で見る作業ごとの影響と、自分の仕事を分ける自己点検ツール）
- AI秘書・AIエージェントに事業の作業を任せる（任せた作業と、ログインと公開の許可を自分に残す線）
- AIへの質問のしかた（答えが違うときの2つの線）
- 職歴がない人の、もう一本のバイパス（警備・設備管理と第二種電気工事士）
- SESから社内SEへ（入口と、上の段への移り方）
- 期間工で本当に手元に残る金はいくらか（「2年11か月」という上限の意味）