壊れたキャリアの最初の一段：AIは若手社員が専門家へ育つ道をどう侵食しているか

著者: Victor Hoang · 更新日: 2026年9月22日

「壊れたキャリアの最初の一段」とは、エントリーレベルの社員がかつて担っていた、初稿のリサーチ、定型的なコード、基本的な分析、要約といった仕事をAIが吸収したときに起きることを指します。その仕事は、安く任せられる成果物にすぎなかったわけではありません。若手が反復、修正、経験豊富な人の思考に触れる機会を通じて、判断力を築く場でした。AIがその反復を取り除くと、採用枠が減るだけでなく、まだ誰も代わりを用意していない育成の仕組みが失われます。

これは結論の出ている話ではありません。エントリーレベルの採用データには実際に争いがあり、公平に読むなら、2つのことを同時に受け止める必要があります。AIの影響を受けやすい職種の若い働き手に本当に何かが起きていること。そして、その全体像は「エントリーレベルの仕事が消えている」という見出しが示すよりも、複雑で、集中していることです。

下積み仕事が実際に教えていたこと

何十年もの間、ナレッジワークの最初の2年間は、華やかさのない徒弟制度のように機能していました。若手アナリストがモデルの初稿を作り、シニアアナリストが修正する。その修正こそが学びでした。新人アソシエイトが判例を要約し、パートナーが見落としを指摘する。要約とパートナーの読みとの差が教育でした。若手エンジニアが定型コードを書き、ユニットテストを実行するのは、コードベースがそれを必要としていたからではなく、拙いコードを書いてレビューを受けることが、優れたコードを書けるようになる方法だからです。

組織図の上では、どれも育成には見えませんでした。コストセンターの仕事、つまり、シニアが誰もやりたがらない作業を安価な労働力がこなしているように見えたのです。しかし、成果物は副産物でした。本当の産物は、18か月後に、何千もの小さな修正を直感に近いものとして身につけた若手でした。経済学者はこれを暗黙知と呼びます。完全には書き下せず、そのタスクを十分な回数うまくやれずに繰り返し、パターンに気づくことでしか得られないノウハウです。MITの経済学者デビッド・オーターとニール・トンプソンは、専門性に関する2025年の論文で、まさにこの点を軸にした枠組みを築いています。自動化の影響は、専門性を育てる定型タスクを取り除くのか、専門性を活用する専門タスクを取り除くのかによって決まり、この2つは賃金と雇用人数に正反対の影響を与えます。

AIエージェントやAIコパイロットは、こうした定型的で修正を生む仕事の大部分を、今や直接こなしています。人間が粗い下書きを目にする前に、メモを起草し、定型コードを書き、議事録を要約し、明らかな誤りに印を付けるのです。これは確かな能力の向上です。同時に、意図せずして、22歳を判断を任せられる30歳へと変えてきたまさにその仕組みを取り除いてもいます。

エントリーレベルの採用は本当に崩壊しているのか：証拠が示すこと

独立した3つのデータソースが同じ方向を指していますが、規模はすべて同じではなく、それぞれが何を測っているのかを正確に押さえることが重要です。

数千社のベンチャー支援企業や大手テクノロジー企業の採用データをもとにしたSignalFireの2026年State of Talentレポートでは、大手テクノロジー企業のエントリーレベルと新卒の採用が2019年と比べておよそ65%減少し、アーリーステージのスタートアップでは約76%減少していることがわかりました。レポートはそのメカニズムを直接挙げています。若手エンジニアがかつて12〜18か月かけていた「定型コードの作成、ユニットテストの実行、日常的なデバッグ」は、今ではコーディングアシスタントが担っており、企業は人ではなく、そのタスクのための採用をやめたのです。

より厳密な学術的証拠は、スタンフォード大学のDigital Economy Labから出ています。数百万人の労働者を対象としたADP給与データを用いた2026年8月の分析で、経済学者のエリック・ブリニョルフソン、バーラト・チャンダー、ルユ・チェンは、AIの影響を強く受ける職種で働く22〜25歳の雇用が、影響の小さい職種の同年代の雇用の推移をたどった場合と比べて、約19%低い水準にあることを明らかにしました。このギャップは、2025年7月の15%から1年後には19%へと広がっており、一度きりの調整ではなく、加速する傾向であることを示しています。

データが示していないこと

注意深く読むと、スタンフォードの論文は、それに関する見出しよりも正確で、かつ限定的です。研究者は、「AIに関連する、経済全体に及ぶ広範な雇用の置き換え」を示す証拠は見つかっていないと明言しています。影響は、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特定の職種に集中しており、労働市場全体に広がっているわけではありません。メカニズムは若い働き手の採用抑制であって、レイオフの波ではありません。同じ職種のより年長で経験豊富な働き手には、同様の減少は見られず、AIが人間のタスクを置き換えるのではなく補完する場面では、若い働き手の雇用は横ばい、あるいは増加すらしています。

LinkedInの経営陣も、別の角度から同じパターンを指摘しています。広く議論された2025年5月のニューヨーク・タイムズ寄稿で、LinkedInのチーフ・エコノミック・オポチュニティ・オフィサーであるアニーシュ・ラマンは、「キャリアラダーの最初の一段が壊れつつある」のを目にしていると書きました。デバッグ作業がAIツールに移った若手コーダーや、書類審査がAI支援のワークフローに移っていくのを見守る新人パラリーガルを例に挙げています。LinkedIn自身のワークフォースデータでは、全体の採用は依然として2019年12月の水準を20%以上下回っており、労働市場全体が鈍いことから、AI固有の影響を通常のマクロ経済の軟化から切り分けるのが難しくなっています。AIの話に見えるものの一部は採用凍結の話でもあり、その2つをきれいに切り分けることは、今も未解決の問いです。

正直な要約はこうです。AIの影響を受けやすい特定の職種群で、若い働き手の採用に、具体的で現実の変化が起きています。その傾向は安定するどころか広がっているように見えます。そして、それは労働市場全体にわたる広範な崩壊にはなっていません。最初の主張に備えてください。2つ目の主張には懐疑的であり続けてください。

暗黙知の伝達という問題

採用数が安定したとしても、2つ目の、より静かな問題が残ります。まだ残っているエントリーレベルの仕事の中身が空洞化されたとき、その仕事の質はどうなるのか、ということです。

哲学者のマイケル・ポランニーは、これを「我々は語れる以上のことを知ることができる」と表現しました。熟練した判断は、ルールとして完全に言語化することができないことが多いものです。ベテランのアンダーライターは、ローンのファイルを見て、理由を説明できる前に何かがおかしいと感じ取れます。パートナーは、若手のメモを読んで、欠けている論点を特定する前に、内容が薄いとわかります。その直感は、それ以前の何千もの修正が凝縮された残滓であり、その大半は明示的な記憶としては忘れられ、パターン認識としてのみ残っています。この残滓をダウンロードすることはできません。それは、今やAIのほうが速く上手にこなす、個別で退屈なタスクを通じてしか積み上がらないのです。

これは、採用だけの問題ではなく、実際の設計上の問題を生みます。それでも採用される若手がいても、その仕事のすべてがAIの生成した下書きのレビューと承認であり、自分で拙い初稿を書くことが一度もなければ、修正が内面化されるステップを逃してしまいます。他人の仕事をレビューすることは、誤りを見つける力は養いますが、そもそも誤りを避ける思考については、はるかに学べません。それは、自分自身でタスクに苦闘して初めて築けるものです。オンボーディングの設計を、今こそ意図的に作り直す必要があるのはこのためです。下積み仕事を渡せば自分で何とかする、という従来の既定は、割り当てるべき下積み仕事がなくなれば成り立ちません。

若手がかつて学んだこと、AIが今していること、学びの置き換え方

どの行にも共通するパターンは同じです。学びは、成果物を作ることの中にあったのではありません。若手の最初の試みと、専門家の修正との間のギャップの中にありました。AIが最初の試みを自らこなしてそのギャップを閉じてしまうなら、解決策は、安価な仕事を割り当てた偶然の副産物としてではなく、設計された演習として、意図的にそれを再び開くことです。

シニア人材パイプラインの問題：5〜10年後に起きること

AIと仕事に関する報道の多くがここを飛ばすのは、これが測定ではなく予測であり、予測は見出しが示すよりも慎重に扱うべきだからです。しかし、メカニズムは十分に明快です。今日のシニアエンジニア、アナリスト、アソシエイトの大半は、過去のエントリーレベルの下積み仕事で育てられました。2024年から2026年に採用された世代にとって、その下積み仕事が本当に薄くなっているなら、2030年代初めに判断を担う人材になるはずの人たちは、かつて彼らを生み出した反復を積み重ねていないことになります。

SignalFireのレポートはこれを直接取り上げ、「業界全体が若手人材への投資をやめたとき」に生じる「システミックリスク」と呼び、5〜10年先のリーダー不足の可能性を警告しています。これは、投資先企業に若手人材を採用し続けてほしいという独自の動機を持つベンチャー企業の主張なので、事実ではなく仮説として扱ってください。しかし、根底にある論理は誰が言うかには左右されません。専門性の構築には何年もかかり、それを育てたタスクが自動化された今、その時間は現状では勘定に入っておらず、代替の仕組みで実績のあるものはまだ大規模に動いていません。学びのループを意図的に置き換えることなく、3年連続で若手のパイプラインを空洞化させる組織は、おそらく織り込んでいない2032年の人材層に賭けているのです。同じ論理から、AI人材戦略には今や、頭数の計算だけでなく、専門性そのものについての、育てるか買うかの真剣な判断が含まれなければなりません。縮小するプールからシニア人材を買うのか、再設計した徒弟制度で社内で育てるのかです。偶然による育成という従来の取り決めがもはや成り立たない中で、企業が採用する若手に対して何を負うのかという問いは、AI時代の職場の社会契約が、雇用主に既定の対応ではなく誠実な答えを求めている、まさにその種の問いです。

AIは暗黙知も伝達できるか：反証となる証拠

全体像は、引き算だけではありません。公平な記事であれば、そう述べる必要があります。特定の形で導入すれば、AIは新人の練習の場を取り除くだけでなく、新人と専門家の距離を縮められるという実際の証拠があります。

最も明確な例は、経済学者のエリック・ブリニョルフソン、ダニエル・リー、リンジー・レイモンドによる、Quarterly Journal of Economicsに掲載された大規模な研究です。5,000人を超えるカスタマーサポート担当者に生成AIアシスタントを提供したところ、平均生産性は14%向上しましたが、その向上は均一ではなく、新人や低スキルの担当者は34%向上した一方、最も経験豊富な担当者はほとんど変わりませんでした。その説明が重要です。このツールは、その会社の最も優れた担当者のパターンを学習し、その凝縮された専門性を他の全員にリアルタイムで提示していました。学習曲線を飛び越える近道というより、新人の肩越しに立つコーチのように機能したのです。

AIを知識伝達の仕組みとして使うか、タスクを取り除く仕組みとして使うかというこの区別は、技術そのものの事実というより、ほとんどが設計上の選択です。「トップパフォーマーならここをこう言う」と提示するツールは教えてくれます。顧客に直接答えるだけのツールは教えません。ほとんどの企業は、翌四半期の生産性指標に表れるため、後者の速い選択肢を既定にしています。デビッド・オーターは、2024年のNBER論文で、これに関連するより楽観的な主張をしています。AIの本当の機会は、医療、法律、熟練技能職において、正式な資格を持たない働き手にも専門家レベルの意思決定支援を広げることにあり、かつては得るのに何年もの徒弟修業が必要だった専門性の一形態を、事実上民主化できるというのです。彼はこれを、企業が何を作るかの予測ではなく、可能性として位置づけています。

リーダーが実際にできること

以下の対策に、特別なものはありません。かつては高価な人的労働の副産物として自動的に起きていた学びの仕組みを、意図的に置き換えるものであり、今や意図的に設計しなければならないのです。

意図的な練習を、贅沢ではなく費用項目として扱う

心理学者のアンダース・エリクソンの専門性に関する研究によれば、仕事での単なる時間の積み重ねではスキルは育たず、素早く具体的なフィードバックを伴う構造化された練習が育てます。AI以前は、若手の下積み仕事が偶然にその両方を提供していました。今は、リーダーが意図的にその反復を組み込み直さなければなりません。AIにできるタスクを若手に与え、まず補助なしで取り組ませ、その後で比較するのです。かつては無料だった時間がかかります。他のあらゆる能力への投資と同様に予算を確保してください。実際にそうだからです。

AI出力のレビューを、QAの関門だけでなく訓練の機会にする

多くの企業では、すでに若手が出荷前にAI生成の下書きをレビューしています。そのレビューを学びの機会として扱っている企業は少数です。解決策は手順にあります。経験豊富なレビュアーが意見を述べる前に、若手に自分の言葉で何をなぜ変えるかを書き出させ、その後で両者を比較します。その差分が学びであり、かつて赤ペンの添削が教えていたものと同じで、場所が移っただけです。誰が何をなぜレビューしたかを記録するワークフローツールは、これを失われたSlackのスレッドではなく、検索可能な訓練記録に変えます。あわせて、後にワークスロップとして表れる、レビューされず根拠のない出力への防御にもなります。

一つのキューではなく、複数のタスクを若手に回す

若手の仕事のすべてが一つのAIワークフローの監督になると、狭いループでは深さが身につきますが、より雑多で自動化の進んでいない仕事が以前は無料で提供していた、隣接する判断に触れる機会が得られません。3か月はリサーチ支援、3か月は分析レビュー、3か月は顧客との通話に同席、というように意図的にローテーションさせることで、その幅を意図的に作り直せます。

メンターシップを、割り当てではなく説明を軸に再設計する

従来のメンターシップは、近さに頼ることが多くありました。若手がシニアの近くに座り、仕事ぶりを見て、規範を受動的に吸収していたのです。リモートワークや、ますますAIが介在する仕事によって、その経路は細くなりました。特に、フロンティア企業と呼ばれるものの中で、より多くのチームが人間とエージェントのチームとして動くようになるほどそうです。解決策は、メンターシップを判断を語る明示的な行為にすることです。シニアがAIの推奨を上書きしたという事実だけでなく、なぜ上書きしたのかを若手に順を追って説明します。これが機能するのは、若手社員がシニアの前で戸惑いを認めても安全だと感じられる場合であり、これは訓練の問題であると同時に心理的安全性の問題でもあります。そして、失敗が情報として扱われる場合、つまり非難の文化と学習の文化の違いが表れる場合です。

これらのどれも、AI導入を遅らせることを求めてはいません。求められるのは、従来の徒弟制度が非効率の副産物の上に成り立っていたことを受け入れ、その非効率がなくなったなら、徒弟制度を独自の意図的な仕組みとして作り直さなければならないと認めることです。組織の他の部分にエージェント型ワークフローとよりAIネイティブな文化をすでに展開しているAIチェンジマネジメントの計画の中で行ってください。このステップを飛ばせば、ギャップは自らを告げることはありません。静かに積み重なってAI文化的負債となり、何年も後に、存在しないリーダー層という形で表れます。

重要なポイント

• 大手テック企業のエントリーレベルと新卒の採用は2019年と比べておよそ65%減少し、アーリーステージのスタートアップでは約76%減少しています。出典：SignalFire State of Talent Report, 2026
• AIの影響を強く受ける職種の22〜25歳の雇用は、そうでない場合より約19%低い水準にあり、1年前の15%のギャップから拡大しています。これは解雇の増加ではなく、採用の抑制によるものです。出典：Stanford Digital Economy Lab, "Canaries in the Coal Mine," August 2026
• 米国全体の採用は、依然として2019年12月の水準を20%以上下回っており、AI固有の影響を切り分けるのを難しくする、より広い労働市場の背景となっています。出典：LinkedIn Economic Graph Workforce Report, January 2026
• 生成AIアシスタントの利用により、カスタマーサポート担当者の生産性は平均14%、新人担当者では34%向上しました。トップパフォーマーのパターンを提示したことによるものです。出典：Brynjolfsson, Li, and Raymond, "Generative AI at Work," NBER / Quarterly Journal of Economics
• 専門性に対するAIの影響は、判断力を育てる定型タスクを自動化するのか、それを活用する専門タスクを自動化するのかによって決まり、賃金と雇用に正反対の影響を与えます。出典：Autor and Thompson, "Expertise," NBER, 2025