AI時代に求人需要が変わる仕事を業務単位で見極める方法

「AIに代替される仕事」の一覧を見るたびに、自分の職業名を探してしまう。そこに載っていれば転職を急ぐべきなのか、載っていなければ今のままでよいのか。こうした迷いは自然です。

ただ、職業名だけで将来性を判断すると、重要な違いが抜け落ちます。同じ一般事務でも、データ入力と定型メールが中心の職場と、取引先・社内の間で納期や例外を調整する職場では、AIが変える部分も、残る価値も異なるからです。IT職も同様で、コードを書く時間だけを見れば変化は大きくても、要件の曖昧さをほどき、障害時の影響を判断し、顧客と合意する仕事まで含めれば、役割は一枚岩ではありません。

AI時代に確認したいのは「この職業はなくなるか」ではなく、次の三点です。自分の仕事のどの作業が変わるのか。変わった後に、誰が何の責任を持つのか。その役割に対して、勤務先や地域で支払われる需要の原資があるのか。この順番で見れば、不安を具体的な準備に置き換えやすくなります。

結論：将来性は職業名ではなく、変わる業務と需要の土台を重ねて見る

生成AIへの「曝露」が高いことは、職業そのものの消滅を意味しません。ILOの2025年の分析では、世界の就業者の4人に1人が何らかの生成AI曝露がある職業に就いている一方、最も高い曝露区分は全就業の3.3％でした。ILOは、多くの職業は人の関与を要する複数のタスクから成るため、主な影響は雇用の置換より仕事の変容になりやすいと整理しています。これは日本の職業別求人を予測した数字ではありませんが、「曝露」と「失業」を同じ意味で扱わないための重要な出発点です。 (ilo.org)

国内でも、AI導入はまだ職場全体に均一には広がっていません。JILPTが2024年5月27日から6月27日に実施した、雇用者・公務員2万2,000人の層化Web調査では、勤務先でAIが使われていると認識する人は12.9％、自らAIを利用する人は8.4％、生成AIを利用する人は6.4％でした。Web調査であり、労働者が企業内の利用状況を完全には把握できない限界はあります。それでも、AIが一斉に仕事を奪ったというより、導入済みの職場から業務の組み替えが始まっている段階と読むのが妥当です。 (jil.go.jp)

求人需要はAIだけで決まりません。顧客数や利用者数、人口構成、地域の事業所数、法令上の配置・資格要件、公共報酬や診療報酬、発注量、企業が価格へコストを転嫁できるか、そして人材不足を賃上げや採用で埋める余力があるかで変わります。AIで資料作成が速くなっても、受注が増えなければ採用人数が増えるとは限りません。逆に、人手不足が強い現場では、記録・照合・段取りを省力化できれば、採用を減らすより、利用者対応や品質管理に人を振り向ける可能性があります。

したがって、将来性は次の式で考えると現実に近づきます。

• 業務の変化：定型作業のうち、生成・検索・分類・照合のどこが短縮されるか
• 需要の土台：顧客・利用者・発注・制度の変化で、そのサービス総量はどう動くか
• 実装の条件：情報管理、品質確認、現場設備、取引先との連携、責任分担を整えられるか
• 自分の転用可能性：業界知識、顧客理解、調整、検証、改善を別の役割でも使えるか

まずは5種類のタスクに分けて、自分の仕事を棚卸しする

職業名の代わりに、1週間の仕事を五つのタスクに分けます。比率を厳密に採点するためではなく、どこを観察し、何を学び直すかを決めるための枠組みです。

ここでいう「人が担い続けやすい」は、技術的に自動化できないという意味ではありません。誤りの損害が大きい、個別事情を取り違えられない、説明や契約上の責任を負う、といった理由から、組織が人による確認や決裁を残す可能性が高い領域を指します。AIの性能だけではなく、ガバナンスと業務設計が役割を決めます。

厚生労働省の職業情報提供サイト job tag は、職業ごとのタスク、必要なスキル・知識、仕事の性質を確認でき、社員の能力開発や職務の見える化にも使える設計です。職業名を変える前に、今の業務を近い職種のタスクと比べる材料として利用できます。 (shigoto.mhlw.go.jp)

仕事場面で見る：同じ職種でも変化の濃さは違う

一般事務は、入力から例外管理・調整へ重心が移りやすい

job tagの一般事務には、文書作成、データ入力、書類・データのチェックと保管、伝票管理、メール・電話対応、勤怠管理などが挙げられています。規則や手順書に沿って進む定型事務が多い点は、AIや業務システムによる支援が入りやすい部分です。 (shigoto.mhlw.go.jp)

一方で、取引先から届いた注文に不足情報がある、社内の締切と顧客の希望納期が衝突する、請求内容に通常と違う条件が含まれる、といった場面では、単なる入力の速さだけでは足りません。何を確認し、誰に判断を仰ぎ、どの記録を残すかが仕事になります。

一般事務で準備するなら、文章生成の操作を覚えるだけでなく、業務フローを図にし、例外パターンを分類し、チェック項目を整える力が役立ちます。受発注、経理、人事労務、営業支援、調達など、特定の業務領域を理解できれば、定型処理の担当から、処理の品質や流れを整える役割へ広げやすくなります。ただし、業務が高度化しても、企業がその役割を事務職として採用するか、専門職や他部門へ集約するかは会社によって異なります。求人票では「入力中心」か「関係部署・顧客との調整を含む」かを分けて読みます。

IT職は、コード作成だけでなく要件・検証・運用の価値を見る

ソフトウェア開発では、コードのたたき台、テストケース案、仕様書の下書き、既存コードの説明などに生成AIを使いやすい場面があります。しかし、受託開発のシステムエンジニアには、顧客のシステムを開発し、運用後の問題解決や保守・管理まで担う仕事が含まれます。パッケージソフト開発でも、企画から設計、開発、アップデートまでが仕事の範囲です。 (shigoto.mhlw.go.jp)

たとえば「画面を追加したい」という依頼を受けたとき、実装案を出すだけならAIが補助できます。しかし、誰が使うのか、誤入力時にどんな損害が出るのか、既存データや権限設計と矛盾しないか、リリース後に誰が保守するかを決めるには、業務理解と関係者の合意が必要です。コード生成が進むほど、要件定義、レビュー、セキュリティ、テスト設計、障害対応、運用改善を軽く見ないことが重要になります。

若手は、生成されたコードをそのまま出すのでなく、仕様との差分を説明できる練習をします。中堅は、担当機能の実装経験を、利用部門の課題整理と品質責任へつなげます。管理職は、開発量の削減だけでなく、レビュー密度、事故時の責任、顧客への説明、育成機会がどう変わるかを設計する必要があります。

看護・介護などは、記録支援と対人・専門判断を切り離して考える

看護師の仕事には、診療の補助と療養上の世話に加え、多職種で構成される医療チームの一員としての連携が含まれます。就くには原則として専門教育と国家試験が必要です。こうした資格、対人支援、身体状況への対応、チーム連携を含む役割を、文章作成や記録の自動化だけから判断することはできません。 (shigoto.mhlw.go.jp)

記録の下書き、情報検索、勤務表や物品管理の補助は変わり得ます。ですが、記録支援が進むことと、専門職の需要が直ちに減ることは別問題です。医療・福祉の需要は、地域の人口構成、提供体制、制度上の報酬、施設と在宅の配分、資格者の確保状況にも左右されます。個人が確認すべきなのは、AIを使うかどうかだけでなく、勤務先がどの業務を省力化し、その時間を利用者対応、連携、教育、品質管理のどこへ振り向ける方針かです。

施工管理は、書類効率化と現場の安全・利害調整を分ける

建築施工管理技術者は、施工計画、工事費・工期の調整、作業員の配置、現場での監督・指導、問題解決のためのコミュニケーションを担います。施工図や工程表からの情報整理、写真・報告書の管理、会議資料の下書きは効率化の余地があります。対して、天候、資材遅延、協力会社の稼働、安全上の懸念が重なった現場で、工程と安全をどう両立させるかは、現場固有の判断と調整を要します。 (shigoto.mhlw.go.jp)

この職種では、身体作業そのものだけでなく、現場を成立させる段取りと責任が価値になります。将来性を見る際は、AI活用の有無に加え、地域の工事量、公共・民間案件の構成、資材価格、協力会社の確保、発注者から求められる品質・安全基準を確認します。書類作成が短くなっても、工期や単価の制約が強ければ、賃金や人員配置にすぐ反映されるとは限りません。

営業・管理職は、提案資料よりも意思決定を前に進める仕事を見る

ITコンサルティング営業では、顧客の経営上の課題や予算を把握し、エンジニアと連携して導入案をつくり、見積、契約、導入後の支援まで行います。営業課長には、目標・実績管理、部下への助言、人材育成、他部門調整、重要顧客への対応といった仕事が含まれます。 (shigoto.mhlw.go.jp)

市場調査、提案書、商談記録、メール案はAIで速くなります。それでも、顧客が言葉にしていない不安を確認する、採算と納期を踏まえて約束の範囲を決める、部門間の衝突を解く、部下の仕事の質を評価する、といった役割は残ります。もっとも、対人業務なら需要が安泰というわけではありません。商材の競争力、価格決定権、顧客数、営業体制の集約によって採用需要は変わります。営業職では「人と話す量」より、「何を決め、どの損失を防ぎ、どの顧客価値をつくるか」を求人票と面接で確認することが大切です。

研究で分かったこと：今のところ、仕事量の一律な減少より業務の組み替えを示す材料が多い

JILPT調査では、AI利用者1,854人のうち、AIが自分の作業を自動処理化したと答えた人は58.6％、以前になかった新しい作業を創出したと答えた人は42.1％でした。自動処理化された作業があった人の回答では、繰り返しの多い作業が73.8％、複雑な内容の作業が50.2％、創造性を生かす課題解決の作業が54.5％でした。調査報告は、繰り返し作業では自動処理化が優勢である一方、複雑な作業や創造性を生かす課題解決では新規作業の創出が相対的に多い傾向を示しています。 (jil.go.jp)

これは、AIを使ったから新しい仕事が生まれたと因果関係を確定する研究ではありません。利用者本人の振り返りに基づく横断的なWeb調査であり、導入前後の職場条件、企業の成長、人員構成を十分に統制した推計ではないからです。ただ、「定型作業が減れば仕事全体が消える」とは限らず、作業の自動化と新しい確認・設計・連携業務が同時に生じ得ることを示す国内の判断材料にはなります。

ILOの研究は、ポーランドの職業分類にある2万9,753タスクから代表サンプルを取り、1桁のISCO-08職業大分類ごとに雇用者1,640人への調査などを組み合わせ、2,861タスクについて5万2,558件のデータを集めて生成AI曝露を推計しました。事務職が最も高い曝露を保ちつつ、専門・技術職でもデジタル化が進んだ職務の曝露が高まったとされています。ここで測っているのはタスクの自動化可能性・曝露であり、国別の求人減少や個人の失職確率ではありません。日本の雇用慣行、企業規模、業務システム、法規制にそのまま当てはめない注意が必要です。 (ilo.org)

OECDは、AI曝露の測定が、職務のタスクとAIが理論上可能な能力の重なりを使うものであると説明しています。また、集計的な雇用研究では、AIによる負の雇用効果は当時まで明確に見つかりにくかったと整理しています。別のOECD分析では、AI曝露が高い職業の求人で、感情・認知・デジタルのいずれかのスキルを求める割合が8ポイント上昇したという結果が示される一方、事業所パネルによる推計では、それらのスキル需要が低下し始めた証拠も報告されています。つまり、必要スキルの方向は一方向に固定されておらず、導入時期や企業の技術活用によっても変わり得ます。 (oecd.org)

仕事選び・職業場面への活かし方：求人票を「AI可否」ではなく役割の深さで読む

求人票に「AI活用」「DX推進」「業務効率化」とあっても、それだけでは将来性は判断できません。次の順番で具体化します。

• 業務欄から、入力・作成・照合・分析・調整・現場対応・決裁に印を付ける
• そのうち、AIやシステムで短縮できそうな作業と、確認責任が残る作業を分ける
• 顧客、利用者、現場、法令、取引先のどこに需要の土台があるかを確かめる
• AI導入後に浮いた時間を、増員抑制、顧客対応、品質改善、営業、教育のどこへ使う方針かを面接で聞く
• 今の経験から持ち出せるスキルを、業界知識、業務設計、数字、対人調整、品質管理、現場理解に言い換える

たとえば、事務職から次を考えるとき、「生成AIが使える」だけでは職務経歴になりにくいでしょう。「月次集計の作成時間を短縮した」より、「集計の定義を整え、確認者が迷わないチェック表を作り、異常値を関係部署へ戻す流れを整えた」と表現できる方が、仕事の責任範囲が伝わります。これはAIを使わない職場でも転用しやすい経験です。

反対に、AI活用が合わないと感じること自体を、能力不足の証拠にする必要はありません。変化への抵抗感の背景には、仕事内容より職場の導入速度、評価制度、情報管理への不安、疲労の強さがある場合もあります。今の仕事が向いていないと感じる理由を整理する方法で、仕事・職場・状態を分けて見直すと、学び直しや転職を急ぐ前に確かめるべき条件が見えます。

将来性を三つのシナリオで考える

上振れシナリオ：省力化した時間が、品質・顧客対応・新しいサービスに回る

企業がAIで定型処理を短縮し、その分を品質改善、提案、顧客対応、現場の安全、教育に再配分できる場合です。このときは、単純な処理量ではなく、業務を設計し直し、AIの出力を検証し、他者が使える形に整える人の価値が上がりやすくなります。若手は担当業務の全体像をつかむこと、中堅は例外処理と改善の実績を残すこと、管理職は生産性向上の利益を人材育成や品質へつなぐことが課題になります。

基本シナリオ：同じ職種の中で、役割と企業の差が広がる

多くの職場では、まず文書作成、検索、議事録、集計、問い合わせの一次対応などから導入が進むでしょう。その後、データの整備度、情報セキュリティ、顧客が求める品質、現場との接続の有無によって、効果に差が出ます。同じ職種でも、定型処理だけを切り出す会社と、担当者が改善・顧客対応まで担う会社では、必要な能力が分かれます。転職時には職種名より、担当業務、決裁権限、顧客との接点、教育制度を確認します。

下振れシナリオ：効率化だけが先行し、育成と品質確認が薄くなる

短期のコスト削減を優先し、レビュー、OJT、顧客への説明、現場確認まで減らす場合です。若手は基礎業務を学ぶ機会を失い、中堅は確認責任だけを抱え、管理職は事故や品質低下への対応に追われることがあります。AIの導入自体が問題なのではなく、削減した作業の代わりに何を残すかが設計されていないことが問題です。求人票で「少人数」「自走」「効率化」を強調する企業に応募する場合は、レビュー体制、引き継ぎ、顧客対応時の判断者、トラブル時の責任分担を具体的に聞く価値があります。

若手・中堅・管理職が今できる準備

若手は、AIの出力を速く作ることより、出力の誤りを見つけるための業務知識を増やします。自分の担当作業について、入力データ、判断基準、例外、最終確認者を一枚に整理してください。これができると、ツールが変わっても仕事を理解していることを示せます。

中堅は、「自分しかできない作業」を抱え込むより、手順を標準化し、例外判断の理由を言語化します。その上で、顧客課題、部門間の調整、品質保証、後輩育成など、処理の外側にある役割を増やします。個人の熟練を仕組みに変える経験は、業界や職種をまたいで活用しやすい資産です。

管理職は、AI導入の効果を作業時間だけで評価しないことが重要です。削減した時間、増えた確認作業、品質事故、顧客満足、部下の学習機会、残業の変化を一緒に見ます。JILPT調査ではAI利用前後で、仕事のパフォーマンスや公平性、ウェルビーイング、安全・健康について、改善と答えた割合が悪化を上回ったと報告されています。ただし自己申告による変化であり、導入の因果効果を断定する結果ではありません。職場ごとに影響を測る必要があります。 (jil.go.jp)

学び直しは、資格や講座を先に選ぶより、変えたい業務を先に決める方が無駄が少なくなります。厚生労働省は、リスキリングを新しいスキル・知識を習得して別の職務・業務に対応できるようにすることとし、job tag、キャリアコンサルティング、職業訓練、評価制度などを案内しています。まずは職務の棚卸しを行い、足りない知識がデータ処理なのか、業務知識なのか、顧客理解なのか、マネジメントなのかを分けてから選びます。 (mhlw.go.jp)

職業名に不安を感じたときほど、仕事内容を細かく見てください。適職の見つけ方の完全ガイドでは、興味、価値観、得意な環境と仕事条件を結び直す考え方を整理しています。AIを使って価値が上がりやすい役割であっても、その役割に関心を持てるか、対人調整や責任の重さを引き受けたいかは別の問いです。

業務の変化と、自分が大切にしたい働き方を一度に整理したい場合は、キャリアの方向性を整理する診断も使えます。診断は職業の将来性や適性を決めるものではありません。気になる業務、避けたい条件、伸ばしたい役割を言葉にし、求人や学び直しの選択肢を比較するための補助線として扱ってください。

研究の限界と、当てはめすぎないための注意点

AIに関する研究の多くは、職業を構成するタスクへの技術的な曝露を推計します。実際の雇用は、導入コスト、個人情報や機密情報の扱い、労使協議、顧客の受容、既存システムとの接続、規制、景気、地域の人手不足などを経て動きます。高曝露の職業が必ず求人減になるわけでも、低曝露の職業が必ず安定するわけでもありません。

また、海外研究の職業分類や回答者、調査年は日本と異なります。ILOの2025年研究は国際比較のためのタスク推計であり、日本国内の企業別・地域別の採用計画を示すものではありません。JILPT調査は日本の労働者を対象としていますが、Webモニター調査であり、AI利用状況や導入効果は回答者の認識に基づきます。どちらも、個人の雇用や賃金を予言する資料としてではなく、自分の仕事を分解して確認するための材料として使うのが適切です。

「なくなる仕事」を探すより、今の仕事で繰り返している作業を十個ほど書き出し、五つのタスクに振り分けてみてください。その中から、減りそうな作業を一つ、価値を高められそうな作業を一つ選びます。そこから求人票、社内の異動先、学び直しの候補を見ると、AIへの不安は漠然とした職業不安ではなく、確かめられるキャリアの問いに変わります。