AIと補完関係にあるスキル：今、本当に採用し育成すべきもの

著者: Victor Hoang · 更新日: 2026年9月22日

AI補完スキルとは、AIが最初のドラフトをより多く生み出すほど、価値が下がるどころか高まる人間の能力のことです。具体的には、誰かが答えを生成し始める前に正しい問題を設定すること、証拠が不十分なときに判断を下すこと、もっともらしく聞こえる誤った出力を検証して見抜くこと、何かがおかしいと気づけるだけの専門領域の深さを発揮すること、新入社員に仕事を任せるのと同じ要領でコンテキストを設定してAIエージェントに委任すること、そして上記のすべてが実際に採用されるかどうかを左右する人間関係の仕事をすることです。

「ソフトスキルが今はより重要になる」という指摘は正しいのですが、採用の指示としてはほとんど役に立ちません。リクルーターが何を基準にスクリーニングすればよいのか、マネージャーがメンバーの何を育てればよいのかが分かりませんし、本当に判断力のある候補者と、単に自信があるだけの候補者の区別もつきません。本記事では、もう少し具体的に掘り下げます。これらのスキルが実務でどのような形で現れるのか、何が変わりつつあることを証拠は示しているのか、採用時に何を求めるべきか、そして持続的なスキルと言われながらそうではなかった一例（プロンプトエンジニアリング）を、率直に取り上げます。

重要なポイント

• 分析的思考は、2025年の雇用主にとって最も需要の高いコアスキルであり、約7割の企業が必須と回答しています。一方、AIとビッグデータは、2030年までに必要になると雇用主が見込む成長の速いスキルの筆頭です。出典：World Economic Forum, Future of Jobs Report 2025
• 雇用主は、労働市場で求められるコアスキルの39%が2030年までに変化すると見込んでいます。これは、スキルセットが単一の「AIスキル」という枠に吸収されて消えるのではなく、それ自体が変わりつつあることを示す証拠です。出典：World Economic Forum, Future of Jobs Report 2025
• AIが業務の多くを担うなかで最も重要な人間のスキルを尋ねたところ、働く人々はAI出力の品質管理を1位（50%）、批判的思考（情報を筋道立てて考え、判断を形成すること）を2位（46%）に挙げました。出典：Microsoft Work Trend Index 2026
• 働く人の86%が、AIの出力は完成した答えではなく出発点として扱い、その背後にある思考には自分が責任を持つと回答しています。現在のデータで確認できる、実務上の検証規範に最も近いものです。出典：Microsoft Work Trend Index 2026
• LinkedInの2026年Skills on the Riseのデータによると、技術的なAIスキルと、人間関係に根ざしたスキル（部門横断の協働、リーダーシップ、エグゼクティブへのコミュニケーション）の需要は、ほぼ同じペースで高まっています。どちらかがもう一方に取って代わっているわけではありません。出典：LinkedIn, Skills on the Rise 2026
• 2024/2025年のスタンフォードRegLabの調査では、「ハルシネーションなし」と宣伝されていた主要な商用のリーガルAIリサーチツールでも、テストしたクエリの17%〜33%で引用を捏造または誤って特徴づけていました。一般の担当者が見逃す誤りを捉えるのは専門領域の深さだ、という具体的な裏づけです。出典：Stanford RegLab, "Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools"
• 2026年にギリシャの教師1,339人を対象に行われたランダム化研究では、同じ厳しい採点であっても、人間の同僚によるものだと伝えられたときより、アルゴリズムによるものだと伝えられたときのほうが、不当に厳しい採点を受け入れる傾向が有意に高く、その結果として生じる公平性の格差が約22%拡大しました。訓練を受けた専門家でも、AIのラベルが付いた出力に対して自動化バイアスが働くことを示す証拠です。出典：PNAS Nexus, Goulas, Megalokonomou & Sotirakopoulos, 2026

本当に通用するスキル

上記の証拠には、この6つがさまざまな形で現れています。どれもAI時代のために生まれた新しい美徳ではありません。新しいのは、もっともらしい最初のドラフトを生成するコストが下がったことで、これらのスキルの価値が格段に高まった点です。

問題設定：どの問いに答えを出すかを決める

AIは、問われた質問に対する答えを出すのが非常に得意です。しかし、問いそのものが間違っていると指摘するのは、はるかに苦手です。たとえばAIシステムに「チャーンを減らして」と頼むと、リテンション施策の一覧が返ってきます。ところが本当の問題は、そもそもそのセグメントに売るべきではなかった価格設定の誤ったティアだった、ということがあります。モデルは忠実に答えましたが、依頼を設定した人が的を外していたのです。

だからこそ、システム思考の価値は下がるどころか上がっています。うまく問題を設定するとは、その問題が周囲のシステムとどうつながっているかを理解することです。何が上流にあるのか、何が症状で何が原因なのか、役に立つ「良い答え」には少なくとも何が含まれている必要があるのか。AIは与えられた枠の中で実行できますが、その枠が間違っていると確実に指摘することはできません。あなたが本当は何を解決したかったのかを、独立して知る手段がないからです。

不確実性の下での判断：証拠が明確でないときに決める

AIモデルは、デフォルトで自信たっぷりです。裏づけとなる証拠が強くても、乏しくても、矛盾していても、流暢で整った答えを出します。しかも出力の流暢さからは、そのどれなのかは分かりません。ノイズの多い3か月分のデータに基づく予測も、安定した3年分のトレンドに基づく予測も、見た目の完成度はまったく同じです。

「完全には分かっていません。その点をこのように見積もっています」と誠実に答えるしかない、本当の不確実性の下での意思決定は、データが明確なときの意思決定とは別のスキルです。前述のMicrosoftの2026年Work Trend Indexによると、AIが実行の多くを担うなかで、働く人が最も重要だと考える2つのスキルのひとつでもあります。「この提言はXを前提にしていますが、Xは不安定です」と言える人は、AIシステムには構造的にできない仕事をしています。AIは自分が何を知らないのかを知らないからです。

検証とエラー検出：もっともらしい誤答を見抜く

「AIが実行の多くを担う」と聞いて最も直接的に思い浮かぶのがこのスキルです。誰かがその実行をチェックしなければなりません。ただし、チェックすることは、ざっと目を通すことではありません。重要なポイントで紹介したスタンフォードRegLabの調査では、「ハルシネーションなし」と宣伝されたリーガルAIツールでも、テストしたクエリの17%〜33%で引用を捏造したり、内容を歪めたりしていました。これらの誤りは一目で分かるものではなく、さっと読んだだけでは通ってしまうほどもっともらしいものでした。だからこそ、誰かが気づく前に書面に入り込んでしまったのです。

ヒューマンインザループによるレビューが機能するのは、そのループに入っている人間が、AIのハルシネーションが起こしやすい種類の誤りを実際に捉えられる立場にいる場合だけです。書式やトーンをちらっと見るだけでは意味がありません。誤りを捉えるレビューと、単に遅延を加えるだけのレビューとの違いこそが、このスキルが本物であるか、見せかけにすぎないかの分かれ目です。

専門領域の深さ：専門性こそが誤りを見抜く力になる

検証が機能するのは、何が間違いかを見分けられるだけの知識があるときだけです。AIが生成した契約条項、財務モデル、臨床サマリーを読むとき、一般の担当者は、内容に矛盾がなく文章として整っているかどうかは確認できます。しかし、矛盾がなく、整っていて、それでも間違っている条項を見抜けるのは、その領域に本当の深さを持つ人だけです。誤りは表面的な見せ方ではなく、モデルが微妙に誤って理解した専門知識の中にあるからです。

これは、AIが専門性の価値を平坦にするという考えに対する最も強い反論です。専門性のうち、タイピングの速さや調べればすぐ分かる事柄の記憶にすぎなかった部分とは違い、「現実の世界でこれは正しく見えるか」というパターン照合にあたる部分については、むしろ逆の結果になります。特定の業界や部門が実際にどう動くかを長年見てきて培われたビジネス感覚があれば、AIが生成した予測が一桁ずれていることを、顧客に届く前に見抜けます。多くの専門家にとって、この深さは仕事における自己認識の一部でもありました。だからこそ、AI時代における意味、アイデンティティ、そして職人技では、それを築く機会を失うことを、単なるスキルギャップ以上の問題として扱っています。

コンテキスト設定と委任：新入社員を管理するようにエージェントを管理する

AIシステムが単発の質問への回答から、複数ステップの作業を計画して実行するAIエージェントとして動く段階へ進むにつれて、新たに欠かせなくなるスキルがあります。作業が始まる前に境界、目標、エスカレーションのルールを設定することです。エージェントが作業している間、自分がその場にいないことが多いためです。これは、プロンプトのスキルではなく委任のスキルです。うまい検索クエリを考えるよりも、新入社員のために職務記述書とガードレールを書くことに近いものです。

すでに人間とエージェントのチームを運用している企業では、成果の質が、最初のスコープをどれだけうまく設定したか、エージェントが自分で決めてよいことは何か、いつ確認に戻ることを求めるかに大きく左右されると分かってきています。ここを誤ると、些細な承認でエージェントが滞るか、誰にも気づかれないまま監督なしで暴走し、高くつく失敗になってから発覚するかのどちらかです。

人間関係の仕事：これらが採用されるかどうかを決める

最初の5つのスキルは、それを使う人が信頼されていなければ意味がありません。提言が、関係者が行動に移せる形で伝えられなかったために、会議の中で潰れてしまうこともあります。信頼を得て、場の空気を読み、部門をまたいで合意を取りつける関係構築は、AIに取って代わられると言われたことは一度もありません。AIが生成するアウトプットが増えたことで、むしろ目立つようになっています。懐疑的なVPが「確認しました。これは正しいです」という言葉を信じる、その相手にならなければならないのです。その信頼は時間をかけて、対面で築かれるもので、モデルには引き継げません。これこそが人間ならではの付加価値の論理です。一部のタッチポイントを人が担い続けるのは、習慣ではなく、そこでは人間のほうが成果を出すという証拠があるからです。

もう少し目立たない側面もあります。AIがチームメイトのときの信頼に関する調査では、人々がAIが関わった仕事を信頼するか疑うかは、誰がそれを保証しているかにも左右されることが示されています。関係構築のスキルと検証のスキルは、互いを補強し合います。信じてもらえるだけの信用がなければ、検証は意思決定を変えません。

通用しないスキル：プロンプトエンジニアリングという事例

プロンプトエンジニアリングは、持続的なキャリアへの投資として売り込まれながら、結局は過渡的なスキルだったことが分かった最も明確な例なので、率直に取り上げる価値があります。2023年初頭には、言語モデルに向けて指示を慎重に言語化することは、希少で報酬の高い専門職のように見えました。しかし2026年には、モデルの文字通りの解釈を補うために正確な言い回しを作り込むというそのスキルは、独立した職種として残るのではなく、ほかの職種に大部分が組み込まれています。理由は単純です。モデルが、平易で曖昧な指示を扱えるようになり、自分から確認の質問もするようになったことで、人間とモデルの間の専門的な「翻訳者」の価値が縮小したのです。有用なまま残っているもの、つまりAIシステムが作業をうまくこなすために何を必要とするかを理解すること、コンテキストを構成すること、適切な例を与えることは、なくなったわけではありません。ただ、独立した仕事ではなくなり、AIプロダクトマネジメント、応用AIエンジニアリング、AIを多用する専門領域の職種といった役割の中に、基本的な期待として組み込まれたのです。

この教訓は、プロンプトエンジニアリングそのものを超えて一般化できます。AIツールの現時点の特定の制約を補うことだけに価値が依存しているスキルは、その制約が技術的に解消された瞬間にリスクにさらされます。求人票に次の「必須のAIスキル」が現れたとき、評価するための有用なフィルターになります。そのスキルが補っている点について、基盤となるモデルが劇的に向上したとしても、そのスキルは依然として重要でしょうか。問題設定、判断、検証、専門領域の深さ、委任、人間関係の仕事は、すべてこのテストを通過します。狭いツール上の回避策は、通常は通過しません。

スキル、価値の源泉、採用でのシグナル

採用で実際に何を求めるか

「優れたコミュニケーション能力」や「AIツールに抵抗がない」と書く求人票では、ほとんど何も選別できません。より良いやり方は、自己申告ではなく実際の業務を使って、特定のスキルに結びついた証拠を求めることです。

このスキルを本当に試せる質問

「批判的思考は得意ですか」と聞く代わりに、AIが生成したものかどうかを問わず、ある提言に同意できず、それを覆すかどうかを決めなければならなかった経験を、順を追って説明してもらいます。「AIにどれくらい慣れていますか」と聞く代わりに、欠陥のあるAI生成の出力をその場でレビューしてもらい、最初に何を確認するか、またその理由を話してもらいます。「リーダーシップ力はありますか」と聞く代わりに、自分は正しいと分かっていることについて、懐疑的な相手を動かさなければならなかった具体的な場面を聞きます。

これらに共通するパターンは、具体的な過去の行動のほうが自己評価より優れ、設定できるならその場でのライブ演習のほうが過去の行動に関する質問より優れている、ということです。有能な検証をその場で装うのは、あとから説得力をもって説明するよりはるかに難しいからです。

良い答えと、準備された答えの違い

「AIをどう使っていますか」への準備された答えは、機能一覧のように聞こえます。どのツールを、どのプロンプトで、どのショートカットで使うか、といった内容です。本物の答えは、意思決定のプロセスのように聞こえます。AIで何を生成し、何は再確認なしには決して信用せず、なぜ自分の仕事ではその線引きがその位置にあるのか、という具体的な理由です。後者の答えからは、前者では分からない批判的思考が見えます。候補者が、自分の判断がどこで価値を生み、どこで冗長になるのかを、実際に考え抜いていることが分かるからです。

採用でのシグナルとしてのAIリテラシーとは、「ChatGPTを使ったことがあるか」ではありません。実際に担当する業務について、AIシステムの出力をレビューなしで信頼できる場面と、できない場面を具体的に説明できるかどうかです。漠然とした熱意も、漠然とした疑いも、具体的で根拠のある線引きと比べれば、弱いシグナルです。

すでにいるチームでこれらのスキルを育てる

ほとんどの組織は、これらのスキルすべてについて、ゼロから採用しているわけではありません。すでにチームにいる人の中で育てようとしています。そのための実践的な取り組みは、通常、検証を、暗黙のバックグラウンド作業として扱うのではなく、役割の中で名前の付いた、目に見える一部にすることから始まります。「このワークフローでAIの誤りを見抜く」ことが誰の仕事にも明示的に含まれていなければ、より速く、より目立つ作業と競合するため、確実には行われないものです。

また、前述のパターン照合を育てる、専門領域での経験を積ませることも意味します。正しい状態がどう見えるかに十分触れていなければ、「このAI生成の数字はおかしい」という直感は育ちません。そのため、実行中心で判断の要素が最も少ない仕事をすべてAIに任せ、若手が後でAIを監督するのに必要な経験の土台を築けなくなることには、反対の立場を取ります。今日のスピードと、5年後の専門性との間のこのトレードオフは、なりゆきではなく、意図的に決めるべきです。

運用面では、ここは従業員データが真価を発揮する場面でもあります。ReworkのPeopleアプリは、そのために作られた側面があります。研修の修了だけではなく、実際に誰が現場で判断力を養っているのかを示すワークフローデータと、スキルやコンピテンシーのトラッキングを組み合わせるものです。はるかに大きな問いの中の小さな一部ですが、チームの誰が本記事で述べたスキルを持っているのかを明確に把握できていない場合、出発点として役立ちます。

これは、AIが人を無能にしていると言いたいわけではありません。重みを担う能力が入れ替わっているのです。この10年間、誰が最も速く最も多くのアウトプットを出せるかを最適化してきたチームは、今や、誰が正しい問題を設定し、根拠のある判断を下し、その場の誰も気づかなかったミスを見抜けるかを最適化する必要があります。これはタイピングの速さよりも見極めるのが難しく、だからこそ、これに早く習熟した組織は、もはや存在しない人材のために求人票を書き続けている組織に対して、複利で効いてくる本物の優位性を持つことになります。