AIが置き換えるのではなく変える仕事とは

著者: Victor Hoang · 更新日: 2026年9月22日

AIは仕事を置き換えません。置き換えるのは仕事の中のタスクであり、他のタスクはそのまま残し、自身の出力を確認するといった、これまでなかった新しいタスクをいくつか加えます。十分な数のタスクが移れば、役割の形は変わりますが、仕事そのものが丸ごと消えることはまれです。タスクと仕事という区別こそが、しっかり計画を立てることと、恐ろしい見出しを読んで怯えることの分かれ目です。

2013年以降に目にしてきた「仕事のX%が自動化される」という数字は、どれも、多くの人が思っているものとは違う何かを測っています。職業を数えているものもあれば、タスクを数えているもの、理論上の露出度を数えているもの、労働者が今AIを使って実際にやっていることを数えているものもあります。リーダーが知りたいこと、つまり18か月後にこの組織図がどうなるかに答えているものはありません。この記事では、予測とその著者を明示するので、ご自身で判断できます。そして、役割の3分の1のタスクが移ったときに実際に何が起きるのかを説明します。仕事の予測だけでなく、AIと仕事全般に関する、対照実験に基づくより広い証拠については、AIは仕事をどう変えているのか、証拠が示すことをご覧ください。

「AIに仕事を奪われるのか」が的外れな問いである理由

職種名は、束です。「財務アナリスト」は、データの抽出、モデル構築、不安げなVPに数字を説明することを束ねています。「カスタマーサービス担当者」は、怒りのメールを読む、注文を調べる、ポリシーを曲げるかどうかを判断する、定型文に聞こえない返信を書くことを束ねています。AIとの関係が同じタスクは2つとありません。パターンのマッチングで、今のモデルが得意とするものもあれば、誰も文書にしていないポリシーに照らして顧客の履歴を比べる必要があるもの、つまり検索ではなく判断を要するものもあります。

「財務アナリスト」を分割できない1つの単位として扱い、AIがそれを「奪う」かどうかを尋ねると、もともとイエスかノーかの問いではなかったものに、イエスかノーの答えが返ってきます。誠実な問いは、どのタスクが移り、どのタスクが残り、移ったタスクがなくなった後に何が加わるのか、です。これは労働経済学者が20年にわたり使ってきた枠組みであり、次に何が起きるかを予測できるので、この記事も全体を通じてこれを使います。

重要な単位は、仕事ではなくタスク

MITの経済学者David Autorは、ほとんどの労働経済学者が今も使っているモデルの枠組みを、2013年の論文「The Task Approach to Labor Markets」で築きました。その中心となる主張は、技術は職業と競合するのではなく、職業の中のタスクと競合するというものです。コンピューターやモデルは、明示的で体系化できるルールに従うタスク（Autorが定型タスクと呼ぶもの）では人の代わりとなり、柔軟な判断や、ルールでは捉えきれない文脈に左右されるコミュニケーションを要するタスクでは、労働者を補完します。

この枠組みは、「仕事の47%が危機にさらされている」という見出しにはどうしても説明できないことを説明します。ATMが登場しても銀行の窓口係がいなくならなかったのはなぜか、文書レビューのソフトウェアが優秀になってもパラリーガルがいなくならなかったのはなぜか、ということです。技術は仕事の定型的な部分を引き受け、判断、人間関係、説明責任を要するタスクは、人間がこなすために残しました。仕事のタスクの組み合わせは変わりましたが、職種名はほとんど変わりませんでした。

Autorの最近の2024年の論文「Applying AI to Rebuild Middle Class Jobs」は、2つ目の要素を加えています。自動化には、技術が人間のやっていたタスクを引き継ぐ置き換え効果と、人間、または機械を監督する人間にしかできない新しいタスクを生み出す再生効果があります。過去の自動化の波では、置き換えたのとほぼ同じ数のタスクが再生されましたが、同じ労働者や同じ時間軸でそうなることはまれでした。そのため、長期的な雇用数が保たれる場合でも、移行は混乱を伴うと感じられるのです。AIについてのAutorの主張はさらに楽観的です。AIは専門的な判断の一部を体系化して、資格の少ない労働者に渡せるため、より重要な意思決定を担える人を広げる可能性があり、単に自動化して置き換えるだけではないというのです。ただしそれは、示された可能性であって、確定した結果ではありません。

実際に影響を受けるタスクの種類

役割の中のタスクはどれも、AIの能力と同じ関係にあるわけではありません。タスクを職種名ではなく種類ごとにまとめることが、予測を曖昧なものではなく役立つものにします。

定型的でルールに基づくタスク：影響を非常に受けやすい

入力が明確で、出力が明確で、両者をつなぐルールがあるタスクは、最も影響を受けやすい種類であり、生成AIよりずっと前からそうでした。データ入力、標準形式の文書レビュー、スケジュール調整、テンプレートによるレポート作成がここに入ります。AI（そしてその前のRPA）は、仕事を理解する必要はなく、ルールが明示的で、例外がまれであればよいだけです。

情報の統合と初稿：影響を非常に受けやすいが、なくなるより拡張されることが多い

文書の要約、メールの下書き、複数の情報源からの調査のとりまとめは、現在の生成AIがまさに得意とすることです。このタスクは仕事から消えません。「2時間かけて書く」ものが「15分かけて編集する」ものに縮み、役割に求められるスキルが、生み出すことから判断することへ変わりますが、役割そのものがなくなるわけではありません。

曖昧さの下での判断：影響を受けにくい

ポリシーの例外を認めるかどうかの決定、不完全な情報のもとで相反する優先事項を比べること、間違えば説明責任を問われる判断は、影響を受けにくいままです。モデルが答えを出せないからではなく、誤った答えの結果を誰かが引き受けなければならないからです。ここでヒューマンインザループの設計が、その名にふさわしい働きをします。モデルが提案し、人が決定してその責任を負うのです。

物理的な存在、人間関係、重要な場面での信頼：影響を受けにくい

物理的にその場にいることを要するタスク、時間をかけて関係を築くタスク、チャットボットには話さないようなことを顧客が打ち明ける相手になるタスクは、別の理由で影響を受けにくいままです。その価値が、何が生み出されるかだけでなく、誰がそれを行うかにも一部由来するからです。交渉、難しい評価面談、対面のケア業務がここに入ります。人間ならではの付加価値では、一部の企業がこうした接点に、コストの判断としてではなく戦略として、あえて人を配置する理由を扱っています。

AIが生み出す新しいタスク：検証、オーケストレーション、例外処理

これは、仕事が失われるという予測の多くが見落としている種類です。それらが書かれた当時には存在しなかったからです。AIが定型業務や下書きの仕事を引き受けるほど、誰かがその出力を検証し、特定の依頼をどのツールやエージェントに任せるかを決め、モデルが自信満々に間違ったものを出すケースを見つけなければなりません。これらは、縮小した古いタスクではなく新しいタスクで、定型タスクが自動化されたばかりのまさに同じ人たちに回ってきがちです。「仕事がなくなった」という見方が、実際に起きたことと食い違うことが多い理由の1つです。

仕事のタスクの3割が移るとき、何が起きるか

サポートチームで、チケット件数の3分の1が、パスワードのリセット、注文状況の確認、標準的な返金といった、単純で繰り返しの質問だったとします。今ではAIがその部分を最初から最後まで処理し、完全に自動化されているか、人が提案された返信を数秒で承認します。その日に仕事を失った人はチームにいません。変わったのは、残ったものの構成です。

残りの3分の2は、より難しいものに偏ります。曖昧なケース、怒っている顧客、台本に収まらない例外です。以前はシフトの大半を簡単なチケットに使っていた担当者は、今ではその大半を難しいものに使い、さらに1年前にはなかった新しいタスクが加わります。AIの自動返信にトーンや事実の誤りがないか、抜き取りで確認することです。役割は残ります。しかし、そこで評価されるスキルは「量を素早くさばく」から「曖昧さを扱い、AIのミスを見つける」へと変わり、求める人材像が異なり、多くの場合は人員も少なくなります。誰か1人の仕事が完全に廃止されたわけではないにもかかわらずです。

計画すべきなのは、「この仕事は5年後にも存在するか」という二択ではなく、このパターンです。役割は移行を生き延びても、記録にある職務記述書より少ない人数と、異なるスキルが必要になることがあります。「どのタスクが移りつつあるのか、残りの束は何を求めるのか」と問えば、「どの仕事が自動化されるか」と問うよりも数か月早く、正しい答えにたどり着けます。

重要なポイント

• 技術は、定型的で体系化できるタスクでは代替となり、判断や非定型の問題解決を要するタスクでは労働者を補完します。自動化は歴史的に、時間をかけてタスクを置き換えると同時に再生もします。出典：Autor, "The Task Approach to Labor Markets" (NBER, 2013)
• Autorによれば、AI固有の機会は、タスクを自動化して置き換えるだけでなく、専門家レベルの意思決定をより多くの労働者に広げることです。ただしこれは、示された可能性であって、大規模にはまだ測定された結果ではありません。出典：Autor, "Applying AI to Rebuild Middle Class Jobs" (NBER, 2024)
• FreyとOsborneの、米国の雇用の47%がコンピューター化の高いリスクにさらされているという、広く引用される2013年の推定は、職業単位の判断であってタスク単位の測定ではなく、職業が丸ごと消えるのではなく変化する、という状況を表せませんでした。出典：Frey and Osborne, "The Future of Employment" (Oxford Martin School, 2013)
• OECDは、タスクベースの手法を使い、21か国の仕事のうち自動化の高いリスクにあるのは約9%にすぎないと突き止めました。FreyとOsborneの数字のおよそ5分の1です。出典：Arntz, Gregory, and Zierahn, "The Risk of Automation for Jobs in OECD Countries" (OECD, 2016)
• 47%という数字が発表されてからほぼ10年後も、最もリスクが高いと指摘された職業における米国の雇用は、予測が示唆したようには崩壊していませんでした。出典：ITIF, "Oops: The Predicted 47 Percent of Job Loss From AI Didn't Happen" (2022)
• 2025年時点で、業務タスクの47%は主に人間が、22%は主に技術が、30%は両者の組み合わせで行われており、WEFは2030年までにこの内訳が均等に近づくと見ています。出典：World Economic Forum, Future of Jobs Report 2025
• 同じWEFの報告書は、2030年までに世界で1億7,000万の新しい雇用が生まれ、9,200万が置き換えられて、差し引き7,800万の純増になると予測しており、同時に中核的な職務スキルのほぼ40%が変化するとしています。出典：World Economic Forum press release, January 2025
• BLSは現在、すべての詳細な職業にAIへの露出度として低、中、高、「非常に高」の評価を付けていますが、その露出が、タスクの自動化を意味するのか拡張を意味するのかは、明示的に区別していません。出典：BLS, "Artificial Intelligence (AI) Exposure Categories"

名前を挙げて検証する、各種の予測

取締役会向け資料に載っている大きな自動化の数字には、必ず著者、手法、明記された限界がありますが、通常、その3つがスライドに載ることはありません。それらを明らかにすれば、役に立つ予測と、恐ろしいだけの予測を見分けられます。

FreyとOsborneの47%（2013年）：実際に測っていたもの

オックスフォード大学のFreyとOsborneは、70の職業を専門家の判断で自動化可能かどうかに手作業でラベル付けし、そのラベルをONETの全データベースに広げるように機械学習モデルを訓練しました。出力は、タスクごとではなく職業ごとの1つのリスクスコアだったため、一部のタスクは自動化でき、他は自動化できないという職業、つまりほとんどの職業を表せませんでした。批判する側は、ファッションモデルやスクールバスの運転手のような職業を、その仕事の構造に合わない形で高リスクに分類している点も指摘しました。47%という数字は、特定のモデル化上の選択の下で、コンピューター化の可能性*を推定した、査読を経た本物の推定値です。20年以内に労働者の47%が失業するという予測では決してありませんでした。そして現在のベストプラクティスは、この手法ではなく、タスクベースの手法です。

OECDによるタスクベースの修正

Arntz、Gregory、Zierahnが、職業全体のラベルではなくタスクの構成を使って同様の問いを再度検証したところ、OECD全体の推定値は約9%に下がり、韓国の6%からオーストリアの12%までの幅がありました。同じ大枠の問いで、答えがまったく違ったのは、分析の単位が「仕事」から「仕事の実際のタスク構成」に変わったからです。この10分の1近い差は、見出しの数字の先にある手法まで読むべきだという最良の論拠です。

その後の10年が実際に示したこと

2022年までに、情報技術イノベーション財団（ITIF）は、FreyとOsborneが最もリスクが高いと指摘した職業に何が起きたかを調べました。その規模の大量の雇用喪失は現実になっていませんでした。それは自動化が何の影響も及ぼさなかったという意味ではなく、影響が、残った職業の中でのタスクとスキルの変化として現れたということです。それこそ、タスクベースの枠組みが予測し、職業ベースの枠組みには見えないことです。

WEFのFuture of Jobs 2025：現時点で最もよく記録された内訳

WEFは2025年の報告書のために、55の経済圏で1,400万人の労働者を代表する1,000社超の雇用主を調査しました。これは、仕事が人間と機械の実行にどう分かれているかについての、最新のデータです。その2025年の基準値である、人間のみ47%、技術のみ22%、組み合わせ30%は、それ自体がタスク単位の見方の証拠です。仕事の大半は、きれいに「自動化」か「そうでない」かに分かれるのではなく、役割の内部で分かれているのです。

BLSのAI露出度カテゴリー：有用だが、細かい注意書きを読むこと

BLSの最新の露出度評価は、入手できる米国政府のデータの中で最も粒度が細かいものですが、BLSは、「露出」が測っているのは、AIが職業のタスクの大きな割合に触れうるかどうかであり、仕事を置き換えるか、人が同じ仕事をより速くこなせるようになるだけかではない、と明言しています。ファイナンシャルアドバイザーが「非常に高い露出」と評価されているのは、ここでの拡張のパターンに合います。アドバイザーは存在し続け、タスクの構成が変わるのです。

経営陣に示される次の予測の読み方

仕事の喪失や創出の数字を取締役会向け資料に載せる前に、3つの問いを立ててください。分析の単位は、職業かタスクか。職業単位の数字は、役割の中の部分的な変化が見えないため、リスクも安全も過大に見積もります。手法は何か。専門家の判断か、専門家の判断を外挿するモデルか、観測された利用データか。観測された利用データは、AIベンダーやBLSの新しい露出度の取り組みから入手できるようになってきており、事実に最も近いものです。そしてその予測は、Autor、WEF、BLSがいずれもそうしているように、自らの限界を明記しているか。限界が何も書かれていないものは、まだその限界が見つかっていないだけの予測です。

実際に判断しようとしている役割にとって、これが意味すること

これは、AIが労働に与える影響が小さい、あるいは遠い先の話だと主張するものではありません。WEF自身の数字は、2030年までに中核的なスキルのほぼ40%が変化すると予測しており、どう見ても本物の混乱です。主張はもっと絞られています。組織図上の職種名ではなく、役割の内部のタスク構成に照らして計画することです。どのタスクが定型的で体系化できるか、どのタスクがまだ委任できない判断や信頼を必要とするか、そして検証やオーケストレーションの新しいタスクがどこで静かに現れつつあるかを棚卸ししてください。その棚卸しは、技術的には「消えた」役割が1つもない場合でも、職種名の予測が役に立つことを教えてくれるより数か月早く、どこで採用し、リスキリングし、人員を縮小すべきかを教えてくれます。

タスク単位の見方は、人間の側にも、スプレッドシートだけでなく意図的な注意が必要な理由も説明します。役割のタスク構成が変わると、「良い仕事をする」ことの意味も、今度は確認する側に回ったモデルをどれだけ信頼するかも変わります。これらの問いは、AIネイティブな文化とは実際にどのようなものかと人間とエージェントのチームが信頼をどう築き直すかで扱っています。

いくつか、挙げておくべきリスクがあります。検証とオーケストレーションは、企業がAIエージェントやコパイロットを導入したからといって自動的に現れるわけではありません。モデルのミスを見つける責任を誰かが負わなければ、誰かの名前で出てしまった誤った出力を通じて、企業はそのギャップに気づくことになります。このライブラリーがワークスロップと呼ぶ失敗です。また、本物の能力の変化と、それを装ったマーケティングを見分けることも大切です。そのパターンはエージェントウォッシングとは何かで扱っています。そしてタスク構成の変化は、技術的負債のように、請求書が届くまで目に見えないまま積み重なるため、これを継続的な棚卸しではなく1回限りの見直しとして扱うこと自体が、1つのリスクです。基本的なAIガバナンスのプロセスは、それを見つけるために作られています。

組織図上の職種名は、AIが自社の従業員に何をしているかを探すのに、最も役に立たない場所です。その下にあるタスクの一覧こそが、本当の変化が、1つのタスクずつ、両方向に起きている場所なのです。

次に誰かが、ある仕事は安全だ、あるいは絶望的だと言ったら、どのタスクのことかを尋ねてください。