AIで仕事がなくなる？ 『影響を受ける』と『失業する』を分ける
「AIで仕事が変わる」と聞いて、何を勉強すればよいか迷っている方へ。仕事への影響と雇用のデータを分けて読み、自分が試したい作業から、学ぶ方向を選びましょう。
この記事の目次
何か学びたい。でも、何を選べばいい？
AIのニュースを読んで、資格のページを開く。でも候補が増えるほど、「どれなら役に立つ？」で止まってしまう。せっかく学ぶなら、あとで使えるものを選びたいですよね。まずは、そのニュースが何の変化を伝えているかから見てみましょう。
ILOの2025年報告は、世界の就業者の約4人に1人が、生成AIの影響を受け得る職業に就くと推定しています。この数字は、何を数えたものでしょうか。数えているのは作業が変わる可能性です。失業の状況を知るには、雇用や所得を測った別のデータが必要になります。不安になる見出しでも、何を数えた数字かによって受け止め方が変わります。[1]
では、自分の仕事で変わりそうなのはどの作業でしょう。職業が丸ごとなくなるか、という大きな問いを、調べる、書く、照合する、といった作業へ下ろしてみます。資格を選ぶのは、その後でも遅くありません。
AIへの露出・導入・雇用の変化は違う数字
米国の仕事を細かな作業に分けたEloundouらの研究も、AIが影響し得る範囲を評価しています。一方で、デンマークの11職種・約25,000人・7,000職場を調べたHumlumとVestergaardの2025年4月の未査読稿では、調べた期間の所得や記録労働時間に統計的に有意な変化は見られませんでした。[2][3]
「大きな影響がある話と、食い違わない？」と思うところでしょう。前者は技術で変えられそうな作業、後者はデンマークで既に起きた短期の変化を調べています。可能性を測る段階と、現実の記録を追う段階が違うわけです。[1][2][3]
作業の一部を機械化できそうだ、という推計。企業が導入した、という調査。雇用や所得が変わった、という観察。同じ「AIの影響」でも、そこまでの距離が違います。
資格や講座を選ぶ判断にも、同じ見方を使えます。「需要が増える」と「未経験で応募できる」「この資格がその役割に必要」は別に確認する。仕事の中身と、学ぶ内容がつながっているかへ戻ります。
「AIに負けない資格」より、任せた後に確かめられる作業を選ぶ
もし今、「AIに負けない資格」を検索しているなら、一度だけ、資格名を画面から隠してみてください。残るのは、何ができるようになりたいか。たとえば、毎月の売上を集計している人なら、AIに式を書いてもらうことより、その数字を安心して報告できることが欲しいのかもしれません。
説明用に、注文が三件ある月を考えます。一件はキャンセルでした。「売上の平均」を頼んだら、キャンセルも含めるのか、成立した注文だけなのか。式がすぐ出てくるほど、この条件を読める知識が役に立ちそうです。全部の構文を暗記する前に、使った行と件数を確かめる作業を目標にできます。
先ほどの、職業を作業へ分けた見方を、この集計の場面へ持ち帰ってみます。式を書く、使った行を照らす、数字の意味を報告する。同じ仕事の中でも、AIへ頼みたいところと、自分が読めるようになりたいところを、一つずつ選べそうです。
「人とAIが組めば、確認も含めて良くなるのでは？」。そこにも条件があります。Vaccaro氏らが106実験をまとめた分析では、人とAIの組み合わせは人間だけとの比較では良くても、人間かAIの良い方を上回るとは限りませんでした。単に人が最後に見れば強くなる、という筋書きだけでは選びにくいんですね。[5]
集計の例なら、AIと同じ式を眺めて「合っていそう」と思うだけで終えず、三件を手で足した答えと比べる。そのための知識を学ぶ。ここまで具体的になると、SQLのどの章を読むか、コースに小さいデータの実習があるかまで、選ぶ基準ができます。
ネットワークが気になる人なら、「つながらない」ときに、一つの要求へ応答が返ったかを読む。Linuxが気になる人なら、ファイルを変える前に、どこにあり、誰が触れるかを調べる。どちらも、職業の将来を言い当てなくても始められる作業でしょう。
職業名の不安を、学ぶ作業へ分ける
| 気になる変化 | 確かめたいこと | 学ぶ入口 |
|---|---|---|
| AIが文章を作る | 根拠や対象が合うか | 資料と回答の照合 |
| AIがSQLを書く | 集計する行と条件 | DB・集計の基礎 |
| AIがサーバーを操作する | 変更後に何が動くか | OS・通信・ログの基礎 |
気になる作業から、基礎と資格を選ぶ
OECDも、AIに置き換わる作業だけでなく、AIで支えられる作業や必要なスキルを分けて整理しています。資格の名前を選ぶ前に「自分はどんな作業を理解したいのか」を考える手掛かりになります。[4]
例えば、つながらないネットワークを調べてみたいなら、接続を確かめる基礎実習から始める。分からなかった言葉を一つ残し、その内容が資格の公式範囲とどうつながるかを調べる。最初の体験で関心が変わっても構いません。「これをもう少し知りたい」が見つかれば、次の勉強を選びやすくなります。
左に、できるようになりたい作業を書く。真ん中に、今分からない仕組み。右に、候補のコースや資格の公式範囲。これを一行でつなぎます。たとえば「つながらない理由を説明したい→DNSとHTTPが曖昧→ネットワークの基礎を読む」という形です。
次に、使える時間と環境を確かめます。実機や演習環境が必要なのか、最初は図と短い操作で始められるのか。完了までの大きな約束をする前に、一回分の学びを試してみましょう。
OECDが整理する置換・補完・スキルの違いを踏まえても、将来の見出し一つから投資先を決めるより、自分が増やしたい選択肢をはっきりさせたい。試して生まれた疑問を一つ残せれば、次の学びの理由になります。[4]
資格名の前に、試したい作業を一つ書く
資格名の前に、試してみたい作業を書く
接続できない原因を調べる、データを検索するなど、気になる作業を一つ選びます。まだ職種を決めていなくても構いません。
基礎を試し、分からなかった理由を残す
操作に必要な言葉を知らなかったのか、仕組みが分からなかったのかを分けます。難しかったという感想だけで適性を決めないでください。
公式の出題範囲と費用を照らす
公式範囲と見比べて、その作業を学べる場所があるかを探す。前提知識と使える時間も見て、一回分を試せるところから選んでみましょう。
もう少し詳しく：研究によって結果が違う理由
技術的に作業が変わり得ることは、同じ人数が失業したことを意味しません。長期の行方を断定せず、作業単位で学びを選びます。
露出があっても、所得や時間がすぐ変わるとは限らない
デンマークの調査と雇用記録を結んだ2025年4月版では、当該期間の所得・記録労働時間に有意な変化を確認しませんでした。観測できたのは、調査した期間の変化です。その後の影響は、続くデータで確かめる必要があります。[3]
機関の報告/レビュー2件、職業露出の研究1件、雇用記録を使う未査読研究1件。メタ分析でも日本の就職予測でもありません。
- 世界の露出推計Gmyrek et al. — Generative AI and Jobs: A Refined Global Index of Occupational Exposure機関の研究報告
- 別のタスク露出評価Eloundou et al. — GPTs are GPTs職業露出の推定
- 短期の影響が小さい結果Humlum & Vestergaard — Large Language Models, Small Labor Market Effects（2025年4月版）準実験・未査読
- 研究とスキル政策の整理OECD Employment Outlook 2023: Artificial Intelligence and the Labour Market機関の研究整理
研究の補足と、よくある疑問
露出の高い職業は、避けた方がよい？
露出は、仕事の作業がAIの影響を受け得るという推定です。職業名だけで避けるより、どの作業が変わり、何を自分が判断したいかを考える材料にします。
この手順を踏めば、就職先が決まる？
学ぶ候補を選んだ後は、求人の条件や経験も確かめてください。実際に試して関心が変わったなら、目標や候補を選び直して構いません。
この学び方なら就職や収入は保証される？
仕事の需要、応募条件、資格の効果、学習の成果はそれぞれ確認が必要です。デンマークの結果は2025年4月の未査読稿での短期の観察。将来の影響がないという保証にも、個人の資格選びの正解にも置き換えません。
出典と確認した範囲（5資料）
出典と、読み取れる範囲
対象・方法：作業評価・専門家判断と職業分類を組み合わせる世界推計。
主な結果：世界の就業者の約4人に1人の職業に一定の生成AIへの露出。
限界：実際の失業率ではない。自動化可能性と雇用喪失は別。査読誌論文ではない。
確認した範囲
ILO掲載の方法・結果・日付を確認。 確認日：2026-10-24
対象・方法：米国の職業・タスクとLLMによる時間短縮可能性の評価。
主な結果：多くの職業でタスクが影響を受け得ると推定。
限界：実際の導入・解雇・賃金を観察した因果推論ではない。著者にAI企業との関係がある。
確認した範囲
掲載要旨・書誌情報を確認 確認日：2026-10-24
対象・方法：デンマークの11職種、約25,000人・7,000職場の調査と雇用記録。
主な結果：当該期間の所得・記録労働時間に統計的に有意な変化を確認せず。
限界：短期・デンマークの観察。永久に雇用影響がないとは言えない。改題・改訂版と混ぜない。
確認した範囲
著者所属研究所の公開PDFの要旨を確認。2025年4月版の結果に限定。 確認日：2026-10-24
対象・方法：AIと雇用・スキルに関する研究・調査の整理。
主な結果：仕事の置換と補完、学び直しの必要を区別して検討。
限界：国・時点・技術が混在する機関報告。個人の資格収益を実証しない。
確認した範囲
OECD掲載の要約・章構成を確認。全章精読は未実施。 確認日：2026-10-24
対象・方法：事前登録した系統的レビュー。106実験、370効果量。
主な結果：人間+AIは人間のみよりg=0.64。人間/AIの良い方との比較ではg=−0.23（95% CI −0.39〜−0.07）。
限界：比較対象で意味が変わる。2020〜2023年の研究、異質性・出版バイアスに注意。
確認した範囲
掲載本文の要旨・結果・限界を確認。統合効果量の再計算は未実施。 確認日：2026-10-24
この記事は複数文献を照合した編集記事です。既存研究を照合し、結果と条件を紹介しています。研究が同じ参加者を含む可能性があるため、文献間の人数を足していません。本文の行動提案・未来のシナリオは編集上の整理です。
この記事から、次に気になる話へ。
AIとクラウドの時代、インフラエンジニアを目指す価値はある？
「サーバーを触る仕事」は、この先も選べるのか。需要の数字と障害研究から、操作を覚える先にある仕事と、最初に学ぶ順番を見ていきます。
AIの答えは、どこまで確かめればよい？
AIの回答を全部調べ直すのは大変です。まずは、間違うと困る数字や条件から。研究を手掛かりに、確認の手間をどこへかけるかを決めましょう。
名前を消せば、AIに送っても大丈夫？
AIに文章を直してもらいたい。でも、仕事の情報をそのまま貼るのは気になる。名前のほかに何を見ればよいか、研究と具体例から、送信前の見直し方を整理します。