AIは仕事を奪う前に仕事を分解する——2030年雇用シナリオと日本企業の人材設計

AIは2030年までに人間の仕事をどこまで代替するのでしょうか。2026年9月9日、Anthropicの経済研究チームは、AIの能力、普及速度、自律性、生産性、人が別の仕事へ移る時間を変数にした三つの米国経済シナリオを公開しました。翌10日に国内で報じられた数字は刺激的です。極端な条件では知識労働者の失業率が17.9％へ上がる一方、より現実的な「大幅」シナリオでは、AIが知識労働の半分を担える能力を持っても、その能力のすべてが実際の職場で使われるわけではありません。

同じ日、日本ではAIベンチャーのオンライン面接にAIを使ったとみられる候補者が現れた事例が報じられました。海外ではMetaの実行型エージェント「Muse」が、利用者の許可を受けてメールを削除し、商品を選び、承認後に購入まで進める様子をThe Vergeが伝えています。AIは求人票の外から仕事へ入り、働く側と採用する側、個人向けサービスと社内システムの境界を同時に揺らしています。

ここで「人かAIか」という二択を置くと、判断を誤ります。職種は一つの作業ではなく、異なる速度、責任、データ、対人関係を持つ仕事の束だからです。日本企業が今決めるべきなのは、何人をAIへ置き換えるかではありません。どの仕事を自動化し、どの仕事を人とAIの共同作業にし、どの経験を次の世代へ残すかです。

結論——職種ではなく「仕事の束」を組み替えます

Anthropicのシナリオが示す最も重要な点は、AIの能力と経済での利用率が同じではないことです。あるモデルが仕事を技術的に処理できても、データへ接続できるとは限りません。誤りを許容できるとは限らず、顧客が受け入れるとも限りません。法令、契約、説明責任、既存システム、費用、現場の習慣が普及速度を変えます。

したがって、会社全体を「AIで代替できる職種」と「人に残る職種」に色分けする方法では粗すぎます。職種ごとに、少なくとも次の五種類へ仕事を分けます。

仕事の種類	AIの役割	人の役割	評価する指標
定型・大量	ルール、機械学習、数理最適化で高速処理します	例外条件と停止線を決めます	処理時間、誤検知、復旧時間
非定型・言語	生成AIが探索、要約、下書きを行います	根拠、文脈、採否を確定します	完了率、修正時間、根拠到達率
対人・関係	会話準備や記録を支援します	信頼形成、交渉、ケアを担います	継続率、異議申立て、満足度
不可逆・高リスク	候補と影響を提示します	採用、契約、送金、公開を承認します	取消可能性、二重承認、監査性
育成・継承	練習相手と教材整理を担います	初学者へ失敗と判断の機会を残します	独力再現率、説明力、引き継ぎ時間

この表の目的は、すべてを生成AIへ寄せることではありません。単純な規則で安定して解ける仕事に高価で出力が揺れる生成AIを使わず、反対に大量の文書や曖昧な依頼を扱う仕事では自然言語の強みを使います。そして、若手が仕事の全体像を学ぶ入口を自動化で消さないようにします。

AIを観察・提案・限定実行・自律運用の四段階で設計した記事では、AIへ渡す権限の昇格表を提案しました。本記事では、その表へ「人が経験を積む経路」と「仕事が社会へ分配される経路」を加えます。権限だけを整えても、初級業務が消え、数年後に承認できる人がいなくなれば運用は続きません。

三つの未来は、予言ではなく感度分析です

Anthropicは未来を一つの数字へ固定していません。「控えめ」「大幅」「極端」という三つのシナリオを並べ、どの前提が変わると成長、賃金、失業がどう動くかを見せています。これは予言というより感度分析として読むべきです。

控えめなシナリオでは、2030年の米国GDPはAIがない場合より1.6％高くなると推計されます。影響はインターネットのように徐々に現れ、雇用と賃金の変化は歴史的な範囲に収まります。大幅なシナリオではGDPが8.3％高くなり、AIは知識労働の半分を実行できる能力を持ち、その多くを自律的に進められるようになります。

ただし、大幅なシナリオでも、実際には大部分の知識労働がAIなしで行われるとされています。知識労働者の賃金は0.3％減とほぼ横ばいで、それ以外の労働者は5.9％増、全体の失業率は4.6％です。技術上の可能性が、そのまま組織全体への導入にならないためです。

極端なシナリオでは前提が大きく変わります。AIが知識労働のほぼすべてで人より生産的になり、ほぼ自律的に実行し、人向けの新しい知識仕事をほとんど生まない条件です。この場合、2030年のGDPはAIがない場合より32.4％高くなる一方、知識労働者の賃金は11.5％減、知識労働者の失業率は17.9％、全体の失業率は11.9％へ上がる推計です。労働分配率も控えめなシナリオの59.4％に対し、45.2％まで下がります。

ここには二つの別の問題があります。一つは社会全体でどれだけ豊かになるかです。もう一つは、その豊かさが賃金、価格、利益、税、公共サービスとして誰へ届くかです。GDPが増えることと、現在の仕事から移る人が生活を守れることは同じではありません。成長率だけをAI導入の成功指標にすると、移行期間の失業、地域差、若手の入口、知識労働者の賃金を見落とします。

また、このモデルは米国を対象とし、政策対応、景気循環、金融市場の混乱、超高性能ロボットの実現などを含まないと説明されています。日本へ失業率の数字をそのまま移すことはできません。日本では人口減少、人手不足、企業規模、雇用慣行、サービス産業の生産性、地域の移動可能性が異なります。使うべきなのは数字の直輸入ではなく、前提を変えたときに結果がどちらへ動くかという考え方です。

日本企業は「採用人数」より仕事の移動時間を測ります

日本では、人手不足だからAIを入れれば雇用問題が解けるという説明がよく使われます。しかし、人が足りない仕事と、AIが得意な仕事が同じとは限りません。介護、物流、建設、宿泊、飲食では、移動、身体作業、対面対応、状況判断が密接につながります。文書作成だけを速くしても、現場の待ち時間や移動距離が残れば、人手不足の中心は変わりません。

反対に、知識労働では一つの職種の中に自動化しやすい仕事が多く含まれます。営業なら、公開情報の収集、面談準備、議事録、提案の下書きは支援しやすい一方、相手が言葉にしていない事情をくみ取り、条件を交渉し、約束へ責任を持つ部分は別です。経理なら、読み取り、照合、仕訳候補は自動化しやすくても、例外取引の理由を確認し、監査人へ説明する仕事が残ります。

そこで、AI投資の指標を「削減できる人数」から「仕事が次の担当へ移る時間」へ変えます。AIが作った下書きを人が確定するまで何分かかるか。例外が発生してから専門家へ届くまで何分かかるか。モデル停止後に手作業へ戻るまで何時間かかるか。担当者が退職した後、別の人が判断根拠を再現するまで何日かかるかを測ります。

この指標なら、自動化と人材育成を同じ表で扱えます。AIが定型部分を引き受けて専門家の時間を空けても、例外が専門家一人へ集中すれば組織は弱くなります。若手が通常案件を経験せず、難しい例外だけを突然渡されれば判断力は育ちません。通常案件の一部を訓練用に残し、AIの提案と自分の判断を比較し、修正理由を書く工程が必要です。

AIで仕事が消える前に目的設定・データ判断・例外対応・責任設計へ上流化する動きを整理した記事では、作業地図、データ地図、責任地図を提案しました。今回の経済シナリオを重ねるなら、四枚目として「育成地図」を加えます。どの通常案件を誰が経験し、いつAIの提案を外して独力で解き、いつ別の人へ教えるかを記録します。

「生成AIを使う」が目的になると、割に合わなくなります

PKSHA Technologyの森下賢志氏はITmediaの取材で、生成AI導入について「できそうだけど、いざ使うと割に合わない」事例が多いと説明しています。重要なのは、AIという一語で異なる技術をまとめないことです。

ミリ秒単位で大量のカード取引を判定する不正利用検知では、生成AIより従来型の機械学習が向きます。起きてほしいことと避けるべきことが厳密な従業員シフトでは、結果に揺らぎのある生成AIより数理最適化が向きます。決まった条件を確実に処理するだけならルールベースで十分な場合があります。一方、手書き文書、図の配置、曖昧な自然言語を読む仕事では生成AIの強みが出ます。

技術の選択を誤ると、AIの能力は高くても仕事の原価が上がります。モデル利用料だけでなく、入力を整える時間、出力を確認する時間、再実行、誤りの修正、事故時の復旧を足す必要があります。モデル料金ではなく仕事一件を完了するまでの運用原価を考えた記事で扱った四つの費用箱は、雇用シナリオを職場へ落とす際にも使えます。

PKSHAの取材では、業務の特殊性が高い場合は初期費用をかけて調整し、企業間で共通しやすい社内問い合わせなどはSaaSを使う選択肢が示されました。大手AI企業が近く標準機能として提供しそうなものは、急いで自社開発せず、既存サービスで補うか待つ判断もあるといいます。AI導入を進めない判断も、比較に基づくなら立派な技術判断です。

さらに重要なのは、人への投資を止めた後に何が蓄積されるかです。経験者とAIだけで会社を回し、若手採用を減らし続ければ、経験者が退職した後に業務を引き取れる人が不足します。短期の人件費だけを見ると合理的でも、数年後の承認者、改善者、事故対応者を失う可能性があります。

生成AIの導入担当を、公開日までで評価してはいけません。PKSHAはアルゴリズムエンジニアが提案から運用まで関わり、顧客が成果を出せているかをKPIに含めていると説明しています。日本企業でも、導入件数や利用者数ではなく、仕事の完了、現場の追加作業、顧客の成果、若手の独力再現率まで担当者の評価へ入れるべきです。

AIが面接に来た事例は、採用の入口が変わった合図です

ITmediaが報じたオンライン面接では、候補者が社名を誤って読み、発話と口の動きにずれが見られ、面接官がAI利用を疑って面接を終了しました。公開動画と当事者の説明に基づく一件であり、AIによるなりすましが採用市場全体でどの程度起きているかを示す統計ではありません。それでも、オンライン採用の入口で「画面にいる人が、誰の判断を、どの支援で話しているか」が曖昧になった事例として重要です。

対策を「面接中はAI禁止」の一文で終えると、許される支援まで隠れます。翻訳、字幕、発話支援、障害を補う技術、緊張を和らげるメモ、職務経歴の整理には正当な用途があります。一方、別人の映像や音声を使うこと、質問を外部へ送り本人が理解していない回答を返すこと、経歴を生成して偽ることは、採用判断の前提を壊します。

採用側は、利用技術、本人性、能力評価を三つに分けます。

1. 利用技術を申告できるようにします。 字幕、翻訳、読み上げ、要約、回答支援のうち、何をどこまで使うかを面接前に伝えられる欄を設けます。
2. 本人性は別経路で確かめます。 面接映像の自然さだけへ頼らず、応募書類、連絡先、面接後の短い確認、入社手続きで一貫性を見ます。過剰な生体情報収集を本人確認の近道にしません。
3. 能力は工程で見ます。 完成した回答だけでなく、前提を尋ねる、途中の判断を説明する、誤りを指摘されて直す、別条件へ応用する様子を評価します。

AIの利用を認める職種なら、AIを使った課題と使わない課題を組み合わせます。使わない課題は記憶力を競うためではなく、本人が基礎概念と停止条件を持っているかを見るためです。使う課題では、どの出力を採用し、どれを捨て、何を確認したかを説明してもらいます。これはAIを隠す人を捕まえる試験ではなく、仕事での共同作業を先に再現する試験です。

採用後も同じ設計を続けます。面接でAIを使えるのに、入社後は承認されていない個人アカウントしか使えないなら、評価と職場が矛盾します。反対に、面接では禁止したのに、配属後はAIによる大量処理を求めれば、組織が不透明な利用を促します。採用時の利用条件、社内の公式経路、データ分類、監査ログを一つの方針へそろえます。

Meta Museは「能力」よりデータ到達範囲を見せました

The Vergeの記者が試したMetaのMuseは、クラウド上の仮想コンピューターを使い、接続したGmailから大量の販促メールを削除しました。Amazonアカウントでは、指定されたサイズ、形、色に合う商品を選び、カートにあった別の商品をどうするか尋ね、利用者の承認後に目的の商品だけを購入しました。低リスクな日常作業を終点まで進める能力が、消費者向けにも届き始めています。

しかし、同じ試用で別の問題も見えました。Museは、Amazonの配送先から記者が滞在している地域を推測し、InstagramやFacebookにひも付いた具体的な関心を列挙しました。Muse自身は、画面では見えにくいAPIデータから関心を読んだと説明したと報じられています。Metaは第三者アプリとのデータ交換を必要な範囲に限り、広告主へ情報を共有しないとしていますが、利用者が許可画面から実際の到達範囲を理解できるかは別の問題です。

この事例は、Anthropicの「能力」と「普及」を分ける理由を具体化します。メール削除や購入ができることは能力です。利用者がデータ範囲を理解し、間違いを戻せ、会社が責任を引き受けられることが普及の条件です。能力が先に進んでも、説明、権限、取消、監査が追いつかなければ、利用率は伸びないか、事故を抱えたまま伸びます。

企業向けエージェントでも、接続ボタンの数を価値にしてはいけません。接続先ごとに「読む」「作る」「変更する」「削除する」「外部へ送る」「支払う」を分けます。メールを整理するだけなら、最初は件名と送信者の読み取り、候補ラベルの提案までにします。削除はごみ箱へ移して一定期間戻せるようにし、完全削除は人に残します。購買では候補選定、カート追加、注文確定、支払いを別の権限にします。

仕事をAIへ渡す際に必要なのは、万能な一個の許可ではありません。一仕事ごとに短く、狭く、戻せる権限です。これにより、AIが高性能になっても、組織は自動的に極端なシナリオへ流されません。能力の増加を見ながら、社会的に受け入れられる速度で仕事を移せます。

90日で作る「仕事ポートフォリオ」

未来の失業率を正確に当てることはできません。しかし、自社の仕事がどのシナリオに近づいているかは観測できます。90日で作るべきものは、全社AI戦略の大冊ではなく、十個の仕事を比較するポートフォリオです。

最初の30日——職種を動詞へ分解します

営業、経理、採用、法務、開発という部署名ではなく、「読む」「探す」「比べる」「決める」「書く」「送る」「変更する」「支払う」「教える」「引き継ぐ」という動詞で仕事を記録します。各仕事について、月の回数、一回の所要時間、使うデータ、誤りの影響、元へ戻せる時間、現在の担当者を記します。

次に、生成AI、機械学習、数理最適化、ルール、人という五つの方法で解いた場合を比べます。流行している技術を先に選びません。最も安く、安定し、説明でき、必要な速度を満たす方法を選びます。人が行う場合も、採用費と時給だけでなく、育成、引き継ぎ、顧客関係、改善提案が蓄積される価値を含めます。

この段階で、若手が最初に経験する仕事へ印を付けます。自動化候補と重なる場合は、すべて消すのではなく、サンプル案件、比較演習、例外レビューとして学習経路を作ります。

次の30日——三つの未来で負荷を試算します

十個の仕事について、AIの利用率を低、中、高の三段階で置きます。能力が上がる速さだけでなく、現場が採用する速さも別に置きます。例えば、AIが文書の80％を作れるようになっても、機密区分や顧客同意により実利用が30％にとどまる場合があります。

各段階で、人に残る確認時間、例外件数、必要な専門家数、若手の訓練件数、モデル停止時の手作業量を計算します。高い利用率ほど人が少なくて済むと決めつけません。確認が難しい出力が増えると、専門家の負荷が上がる場合があります。通常案件が減るほど、将来の専門家を育てる訓練コストも増えます。

同時に、成果の分配も見ます。AIで一時間短縮したとき、その時間は追加業務、顧客対応、学習、休息のどこへ移ったでしょうか。売上が増えても、現場の仕事だけが増えていないでしょうか。生産性向上の一部を賃金、勤務時間、教育予算、価格へどう戻すかを決めます。

最後の30日——昇格と降格を一度ずつ試します

一つの仕事を提案段階から限定実行へ上げます。例えば、問い合わせ回答の下書きから、承認済み情報だけを使う社内回答へ進めます。昇格条件は、正答率だけでなく、根拠到達率、修正時間、例外検出、人への引き継ぎ、利用者の異議申立てを含めます。

別の仕事では、AIを停止して人へ戻します。モデル障害、料金急騰、誤出力、接続先停止を想定し、何分で縮退できるかを測ります。手順書があっても、担当者が実行できなければ戻れません。降格試験を通して初めて、AIの利用率を安全に上げられます。

採用でも小さな試験を行います。AI利用を申告できる課題、AIなしで基礎を説明する課題、AI出力を修正する課題を一組にし、評価者間のばらつきを見ます。候補者を監視するためではなく、入社後の実務と同じ能力を公平に見るために調整します。

見るべき六つの指標

AI時代の人材戦略は、利用席数や生成回数だけでは測れません。少なくとも次の六つを月次で並べます。

• 仕事完了率：AIを呼び出した回数ではなく、顧客や次工程が受け取れる状態まで完了した割合です。
• 人への引き継ぎ時間：AIが止まった時点から、適切な人が文脈を理解するまでの時間です。
• 取消・復旧時間：誤った変更、送信、削除から元へ戻るまでの時間です。
• 独力再現率：担当者がAIなしでも前提、判断、停止条件を説明し、代表的な課題を解ける割合です。
• 育成入口の残存率：若手が通常案件、例外、顧客反応を学べる件数が確保されているかを見ます。
• 価値の還元先：短縮時間と増加利益が、追加業務だけでなく賃金、教育、顧客価値、休息へ戻った割合です。

この六指標があれば、控えめ、大幅、極端のどの未来が近づいても調整できます。AIの能力が予想より遅ければ、人の技能と従来技術を生かせます。予想より速ければ、権限、復旧、育成、分配の準備を前倒しできます。大切なのは、一つの予測へ賭けることではなく、前提が変わったときに仕事の束を組み替えられることです。

参考にした情報

• Anthropic Institute「Scenarios for our Economic Future」（2026年9月9日公開の経済シナリオと探索ツール）
• ITmedia AI＋「結局、AIはどれだけ人間の労働を代替し給料を下げるのか」（2026年9月10日）
• ITmedia AI＋「“割に合わない”AI導入、どう回避？」（2026年9月10日）
• ITmedia AI＋「まさかの『AIが面接に来た』」（2026年9月10日）
• The Verge「Meta’s Muse AI works and creeps me out」（2026年9月10日）

最後に——残す仕事ではなく、残す能力を決めます

2030年の失業率を一つに決めることはできません。AIができる仕事、企業が実際に任せる仕事、人が新しく始める仕事、移動にかかる時間が同時に変わるからです。だからこそ、日本企業は「この職種は残る」という予想より、「前提が変わっても仕事を組み替えられる能力」を持つ必要があります。

定型作業をAIへ渡すことと、若手の成長機会を渡し切ることは同じではありません。高性能な生成AIを使うことと、最も安定した方法を選ぶことも同じではありません。AIが面接、メール、購買、社内業務へ入るほど、本人、権限、成果、育成、分配を別々に設計する必要があります。

次の人員計画を作るとき、何人減らせるかではなく、三年後に誰が例外を説明し、誰がAIを止め、誰が次の人へ教えられるかを一行ずつ書けるでしょうか。その答えを持つ会社ほど、どのシナリオが来てもAIを成長と働きやすさの両方へ結び付けられるはずです。