AI時代の仕事における意味、アイデンティティ、クラフト：好きだった部分をAIが担うとき何が起きるか

著者: Victor Hoang · 更新日: 2026年9月22日

仕事の意味とは、自分の努力に価値があり、単に承認したのではなく自分がそれを作り上げ、自分のスキルが目に見える形で自分のものだと感じられることです。AIが仕事の中でも負荷が高くのめり込める部分（下書き、診断、設計）を引き受け、人にはその出力を監督する役割だけを残すとき、この感覚は揺らぎます。その損失は感傷的なものではありません。エンゲージメントスコア、誰が会社に残るか、そして自分が作ったとは感じられなくなった仕事にどれだけ自発的な努力を注ぐかに、はっきり表れます。

AIと仕事をめぐる議論の多くは、人員数やタスク数に集中しています。仕事は続けられても、自分の腕を発揮させ、仕事の中に自分自身を見いだせた部分を失った人に何が起きるのかを問う議論は、はるかに少数です。この問いには数十年分のモチベーション研究の裏付けがあります。研究者が生成AIを予見していたからではなく、習熟、当事者意識、アイデンティティの根底にある仕組みが、AIが大規模に試す以前からすでによく解明されていたからです。

重要なポイント

• 米国の従業員のうち、現在の仕事に自分が信じる目的があると答えたのはわずか18%で、45%は主に給料を得るために働いていると答えています。 ギャラップが2025年8月に4,475人の就業者を対象に実施した調査では、逆方向にもギャップがあることがわかりました。理想の仕事には個人的な目的があってほしいと答えた人は30%で、現在それを感じている18%を大きく上回ります。Gallup, "Purposeful Work Boosts Engagement, but Few Experience It"
• 自己決定理論は、自律性、有能感、関係性は好みではなく欲求であり、そのどれか一つでも妨げられるとモチベーションとウェルビーイングに測定可能なコストが生じると主張しています。 デシとライアンの40年にわたる研究では、動機づけの量そのものよりも、その種類（自律的か統制的か）のほうが、成果と継続を的確に予測することがわかりました。Self-Determination Theory, official theory page
• 自分で組み立てた家具には、まったく同じ完成品の家具より63%高い金額を払う人がいますが、それは組み立てを完了した場合に限られます。 ノートン、モション、アリエリーの「IKEA効果」研究では、作業を途中で放棄したり、完成前に壊されたりした途端に、労力によって生じる評価の上乗せが消えることがわかりました。Norton, Mochon & Ariely, Journal of Consumer Psychology (2012)
• 一日の仕事の中で起きる出来事のうち、意味のある仕事での小さくても目に見える前進は、気分、意欲、同僚への見方に最も強い影響を与えます。 テレサ・アマビールとスティーブン・クレイマーの日誌調査が、彼らが「進捗の法則」と呼ぶものの出発点です。Amabile & Kramer, "The Power of Small Wins," Harvard Business Review (2011)
• AIユーザーの86%は、AIの出力を完成した答えではなく出発点として扱っており、58%は1年前には作れなかった成果物を作っていると答えています。 マイクロソフトは、AIが実行の層を担うほど、人間の判断は仕事の中でより中心的になると位置づけています。Microsoft 2026 Work Trend Index Annual Report
• 医学生と医師206人を対象とした調査では、専門職としての能力（自律性とケア提供者としての役割）への脅威がAIへの抵抗を直接予測し、専門職としての承認への脅威は個人的な脅威の感覚を介して間接的に作用していました。 経験豊富な医師は、キャリアの浅い学生に比べて、抵抗も自己への脅威も明らかに小さいことがわかりました。Jussupow, Spohrer & Heinzl, JMIR Formative Research (2022)

仕事の意味は「ソフトな話題」ではない

「自分の仕事に意味を感じられるか」を、従業員満足度のあれば嬉しい要素として、スループットや出力あたりのコストよりも下に位置づけたくなるかもしれません。しかし、上記のギャラップの数字はその整理に異を唱えています。自分の仕事に自分が信じる目的があると答える従業員は現在18%にすぎませんが、30%は理想の仕事がまさにそれを提供するものだと答えています。この12ポイントの差は、好みの差ではありません。目の前にある定着率と努力の差であり、現在のAI導入が始まる何年も前から存在していました。AIは意味の問題を生み出すわけではありません。この差のどちら側にどの仕事が落ちるかを変え、再設計が雑に進められると、差を急速に広げかねません。

その仕組みは、裁量的な努力を通じて働きます。裁量的な努力とは、人が自ら発揮すると決めた能力の一部であり、どんなマネージャーにも強制できないものです。意味のある仕事をしている人は、難しい課題に自ら手を挙げ、誰にも任されていないミスに気づき、何かを正しく仕上げるために10分余計に残ります。意味を剥ぎ取られた仕事をしている人は、職務記述書に定められた最低限のことだけをこなし、より良い条件が現れた瞬間に他の職場を探し始めます。ギャラップの調査対象の半数近く、45%はすでに仕事との関係を取引的なもの、つまり給料のために出社するものだと表現しています。AIが仕事の中で自分のものだと感じられた最後の部分を取り除くとき、最も大きな影響を受けるのはこの層です。

具体的な喪失：AIが面白い20%を取り、監督業務だけが残るとき

AIが定型的な負担を取り除けば、意味は高まりうる

この問題の最も明快な形は、感情面ではなく構造面にあります。ほとんどの仕事は、負荷が高くのめり込めるタスク、定型的なタスク、純粋な間接業務が混在したものです。AIがうまく導入されれば、定型的な間接業務が取り除かれ、人にはより負荷が高くやりがいのある仕事が多く残ります。定型的なチケットのAI下書きを受け取り、複雑なエスカレーション対応を自分で担当するサポート担当者は、満足度が高いと報告する傾向があります。AIが、やりたくなかった部分を引き受けたからです。

残余タスクの問題

失敗パターンは逆の方向に進みます。AIが、判断を要し、目に見える自分のものと言える成果物を生んでいた下書き、診断、設計の仕事を引き継ぐと、人には誰ももともとやりたがらなかった部分、つまりモデルの出力を一行ずつレビューし、検証し、修正する仕事だけが残ることがあります。これをハックマンとオールダムの職務特性モデルに当てはめてみましょう。1976年に提唱されたこの枠組みは、新しい働き方に対しても今なお有効です。このモデルは、技能の多様性、タスクの完結性、タスクの重要性、自律性、フィードバックという5つの職務次元を挙げ、それらが「経験された仕事の有意味感」、つまりその仕事に意味があり、そこでの努力が評価されているという感覚につながると説明します。AIの出力のミスを監視する仕事は、この5つのほぼすべての次元で低く評価されます。同じ出力を何度も確認する作業には、技能の多様性がほとんどありません。ひとまとまりのものを最初から最後まで作ったというタスクの完結性も失われます。作ったのはAIで、人間は検査しただけだからです。そして貢献が見えなくなります。完成した下書きや、ゼロから対応して解決したケースが評価されるようには、丁寧な検証が誰かに評価されることはありません。

だからこそ、人間の判断力を鋭く保つことは見た目以上に難しい問題なのです。検証作業は、置き換えた生成的な仕事より満足度が低いだけではありません。レビュー担当者がAIの微妙なミスを見抜くために必要な判断力そのものを、むしばんでいきます。その判断力は、他人の試みを検査することではなく、自分の手で作業を行うことで培われるからです。仕事の面白い20%をAIに渡し、残りを「品質管理」と呼ぶチームは、仕事を簡素化したわけではありません。負荷が高くやる気の出るタスクを、負荷が高くやる気の出ないタスクにすり替え、同じ人に両方で同じように優れていることを求めたのです。

IKEA効果：労力と当事者意識は同じもの

ノートン、モション、アリエリーのIKEA効果の研究は、この入れ替えが見かけ以上にコストがかかる理由を、最も明快に説明しています。研究によると、自分で家具を組み立てたり、折り紙を折ったり、レゴを組んだりした人は、他の誰かが作った同一の完成品よりも、自分の作品を大幅に高く評価しました。ある研究では最大63%です。参加者は、自分が組み立てた不完全な作品を、自分の基準では専門家が作ったものとほぼ同等に評価しました。研究者はこの過大評価を、結果ではなく労力そのものによるものだと説明しています。

AI時代の仕事設計にとって最も重要な発見は、その境界条件です。当事者意識による評価の上乗せは、本人が実際にタスクを完了したときにしか現れません。労力を中断させたり、最後の工程を他の誰かに渡したりすれば、効果もそれとともに消えます。AIが完成させた下書きをレビューすることは、機能的には中断された条件にあたります。人間は労力を注ぎましたが、当事者意識を生む種類の労力ではありません。ものを仕上げたのはAIだからです。これは、下書きの作成にAIを使うことへの反論ではありません。レビュー専任に再設計された仕事から、その仕事にかつて伴っていた当事者意識や誇りが静かに失われても、驚くべきではないという指摘です。ダッシュボード上の成果が同じか、それ以上に見えていたとしてもです。

アイデンティティへの脅威：専門性が自分自身そのものだったとき

人数は少ないものの影響の大きい層にとって、喪失はタスクへの満足度を超えてアイデンティティにまで及びます。放射線科、税法、システムアーキテクチャ、シニアコピーライティングといった領域で10年かけて深い専門性を築いた人は、その専門性を、していることではなく、自分自身の一部として経験することがよくあります。かつてその専門性を必要とした診断のパターン認識、法務の一次分析、最初の下書きをAIが行うようになったとき、脅威は「自分の仕事は残るのか」ではありません。むしろ「自分の代名詞となっていることを機械が行うなら、自分を特徴づけるものは何か」に近いものです。

AI起因のアイデンティティへの脅威に関する研究は、この問題に有用な構造を与えています。医学生と現役の医師206人を対象とした調査では、2つの異なる脅威の次元が見つかりました。専門職としての承認（地位や専門性が認められること）への脅威と、専門職としての能力（自律性とケア提供者としての実際の仕事）への脅威です。能力への脅威はAIへの抵抗を直接予測し、承認への脅威は、本人がどれだけ個人的に脅かされていると感じるかを介して間接的に作用していました。2つのグループはキャリアの段階によっても異なっていました。まだ十分に発揮していないアイデンティティに多くを投じてきた医学生は、自分の能力が本物であることをすでにキャリアを通じて証明してきた経験豊富な医師よりも、強い抵抗と強い自己への脅威を示しました。AIによるアイデンティティへの脅威は、労働力全体に均等に及ぶわけではありません。職業人としての自己価値の感覚が新しい人や、AIが今担っているまさにそのスキルと強く結びついている人に集中します。

これは単純な変革管理の問題とは異なり、研修資料、導入のお知らせメール、タウンホールで対処しようとすると、実際に起きていることを見誤ります。専門性がアイデンティティへの脅威にさらされている人は、新しいツールの使い方に戸惑っているのではありません。職場での自分とは何者かを再計算しているのであり、その再計算には研修の1サイクルよりも長い時間がかかります。

本当に意味を守るもの

研究は一貫した短いリストを示していますが、そのどれもAIの導入を遅らせることではありません。

習熟

自己決定理論における有能感の欲求は、課題を避けることではなく、スキルの成長が目に見えることで満たされます。再設計された仕事にも、本人が示せる何かで測定可能なほど上達していく道筋が残っているべきです。それはAIには下せない判断であっても、クラフトのうち引き続き人の手で行う部分であっても、AIへの移行によって生まれた余地での新しいスキルであっても構いません。

自律性

デシとライアンの自律性の欲求は、自分の行動の起点であると感じることであり、監督がまったくないことではありません。問題へのアプローチの決め方、AIを上書きするタイミング、作業の順序づけといった意味のある裁量が保たれた仕事は、AIが実行の多くを担っていても、これを守ります。

目に見える貢献

ハックマンとオールダムのタスクの完結性とフィードバックの次元は、どちらも同じ方向を指しています。人は、自分が作ったもの全体を目にし、それがどう受け止められたかを知る必要があります。仕事を見えない確認ステップに細分化する再設計はこれを奪います。たとえ小さくても、成果の全体に対する当事者意識を人に与える再設計はこれを保ちます。

重要なことでの前進

アマビールとクレイマーの進捗の法則は、この4つの中でおそらく最も実行に移しやすいものです。彼らの日誌調査では、仕事のよい一日を生む最大の要因は意味のある仕事での目に見える前進であり、挫折は逆方向にさらに大きな影響を与えることがわかりました。リーダーはこれを意図的に設計できます。明確なマイルストーン、素早いフィードバックループ、ツールの手柄にするのではなく具体的な貢献を名指しする称賛です。

下の表は、これらの4つに加えて専門職としてのアイデンティティについて、AIがそれぞれをどう脅かしうるか、何がそれを支えるのかを整理したものです。

リーダーが実際にできること

まず、人員数のレンズではなく職務特性のレンズを使って、AIがどのタスクを取り除き、どのタスクが残ったかを点検することから始めましょう。AIが定型的な80%を取り、負荷が高く判断の重い20%を残したのなら、再設計はおそらく問題なく、意味がむしろ高まることもあります。負荷が高くやりがいのある部分を取り、監督業務が残ったのなら、古い構造に新しいツールを取り付けるだけでなく、仕事そのものの積極的な再設計が必要です。

人に仕上げる機会を与えてください。IKEA効果はたとえ話ではなく設計上の制約です。人が他人の完成品を延々と検査し続けるのではなく、成果の全体の帰属可能なひとまとまりを自分で仕上げられるように、AI支援の仕事を構成しましょう。たとえ範囲が小さくても、全面的に自分のものである仕事は、範囲が大きくても部分的にしか自分のものでない仕事に勝ります。

見かけではなく、本物の自律性を守ってください。仕事から実質的な判断をすべて取り除いておきながら、使うフォントだけを選ばせても、誰も満足しません。自己決定理論は、自律性とは、すでに決まった決定について意見を求められることではなく、自分がその決定の起点だと感じることだと明確に述べています。

目に見える前進を意図的に設計してください。アマビールとクレイマーの発見は、意味のある仕事での前進が、他のどの単一の出来事よりも良い一日を生むというものでした。つまり管理できるということです。AI支援のワークフローの中にマイルストーンを設け、フィードバックループを素早く閉じ、AI支援による素早い成果物をチーム全体のスループットの中に埋もれさせず、特定の人が実際に何を貢献したかを名指ししましょう。

アイデンティティへの脅威は、導入のお知らせよりも長い対話として扱ってください。特に、AIが今触れているスキルにアイデンティティの多くがかかっている、キャリアの浅い人に対してはそうです。医師と医学生の研究は、このグループには仕事が安泰だという安心だけでなく、専門性が次に何になるのかについての信頼できる説明と、それを信じるよう求められる前にその説明に自信を持てるだけの時間が必要だと示唆しています。

これらのどれも、AIを遅らせることを求めてはいません。求められているのは、ツールの導入と同じ真剣さで仕事の再設計に取り組むことです。ツールは午後の過ごし方を変えますが、1年後にその仕事の中に自分自身を見いだせるかどうかを決めるのは再設計だからです。AIが実行を担うとき役割がどう変わるかについて、より広い視点で知るには、実行者からオーケストレーターへとAIが置き換えるのではなく変える仕事をご覧ください。アイデンティティへの脅威の研究に見られるキャリア段階ごとのパターンは、AI時代のキャリアパスや壊れたキャリアの最初の一段とも直結しています。立ち返れる実証済みのアイデンティティが最も少ない人は、キャリアの初期にいる人に偏っているからです。また、意味の喪失は定着リスクとして積み重なるため、企業文化と従業員の定着、バーンアウト文化、ワークスロップと労力・当事者意識の関係、説明責任の文化をつくるとも近い関係にあり、本記事とあわせてお読みいただく価値があります。より大きな枠組みは仕事の未来とは何かで扱っています。