コンサルタント
コンサルはAIでなくなるのか
研究で見る、なくなる作業・残る仕事・今日からの使い方
結論：コンサルタントという職業がAIでなくなる証拠はありません。なくなりやすいのは職業ではなく、調べる・まとめる・資料にするといった作業です。BCGのコンサルタント758人の実験では、AIの得意な課題で品質が40%以上上がる一方、AIの能力の外側の課題では、AIを使った人のほうが正答率が19ポイント低くなりました。この記事では、研究データをもとに職位別・領域別の見通しを示し、そのまま使える指示文、検証のチェックリスト、よくある失敗までまとめます。
結論
コンサルタントという職業がAIでなくなる証拠はありません。米国ではマネジメント・アナリストが2025〜35年に10%増えると予測されています。ただしデスクリサーチ・議事録・資料の下書きはAIで大きく変わり、価値はどこまでAIを信じるかの判断、顧客の本当の課題を定める問い、利害の違う人の合意を取りつけ、組織を動かす部分に移ります。作業の量で稼ぐ働き方は苦しくなり、判断と実行に責任を持つ働き方は強くなります。
早見表：なくなる作業・変わる仕事・残る仕事
| 区分 | 主な業務 | これからの扱い |
|---|---|---|
| AIが下書きを担う | デスクリサーチ、競合・業界の情報整理、インタビューや会議の議事録、論点の洗い出し、スライドの構成と文章、定型の集計とグラフ化、提案書のたたき台 | AIが一次案を作り、人が事実と筋を確かめて直す。作る時間が減る |
| AIが補い、人が決める | 仮説づくり、分析の切り口の比較、市場規模などの推計、提言の選択肢の整理、反論の想定 | AIで選択肢の幅を広げ、どれを採るかは人が責任を持って決める |
| 人に残る | 顧客の本当の課題を定める、AIの出力が正しいかの見極め、経営層への提言、社内では言い出しにくい判断を第三者として示す、部門間の利害調整、実行まで伴走する | 相手も状況も毎回違い、信頼と責任が前提の仕事。AIが入るほど比重が上がる |
Point
「なくなる」のは職業ではなく、作業の一部です。約950職業を調べた研究でも、機械学習に向く作業はほとんどの職業にある一方、職業ごと自動化できるものはほぼないとされています（#007）。
研究が示すこと：758人のコンサルタントの実験
Dell'Acqua ら（2023）は、BCGのコンサルタント758人を対象に、GPT-4の有無で成果を比べました（#023）。
| 課題の種類 | AIを使った人の結果 |
|---|---|
| AIの能力の内側の課題 | こなした課題が12.2%増、速さが25.1%向上、品質が40%以上向上 |
| AIの能力の外側の課題 | 正答率が19ポイント低下 |
AIの能力には「ギザギザの最前線」があり、どこが内側でどこが外側かは見た目ではわかりません。外側の課題でAIの答えを信じると、AIを使わない人より悪い結果になります。どこまでAIを信じるかを決める判断そのものが、コンサルタントの新しい中核の技能です。
- AIを持った1人が、2人チームに並んだ。P&Gの専門職776人の実験では、AIを持った1人が、AIなしの2人チームと同じ品質の成果を出しました（#027）。1人で担える仕事の範囲が、AIで広がりうることを示しています。
- 良いAIほど、人が考えなくなる。採用担当者の現場実験（査読なし）では、質の高いAIを渡された担当者ほど努力を減らし、AIに従って誤りました（#093）。高性能なAIを使うほど、検証の手順を決めておく必要があります。
- 人とAIを組ませれば良くなる、とは限らない。106の実験のメタ分析では、人とAIの組み合わせは平均で「どちらか一方の良い方」より悪くなりました（#092）。
- AIの助言は、受け手の力で効果が逆になる。AIの経営助言は、強い起業家を伸ばし、弱い起業家の業績を下げました（#029）。顧客にAIを渡すだけでは成果は出ず、使いこなす支援が要ります。
- 顧客企業の中でも使い方に差がある。BCGの2025年の調査では、生成AIを定期的に使う現場の従業員は51%で頭打ちで、管理職・経営層では4分の3超が週に数回使っていました。この差を埋める業務改革の支援は、新しい仕事になります。
AIで速くなる課題と遅くなる課題の差は、開発者を対象にした実験でも確かめられています（エンジニアはAIでいらなくなる？）。
職位別：アナリストからパートナーまで
コンサルティング会社の多くは、若手が調査と資料作成を担い、上位の職位が論点設計と顧客との関係を担うピラミッド型で仕事を分けてきました。AIが最も重なるのは、このピラミッドの下の層の作業です。下の表の「AIとの重なり」は、研究の測定値ではなく当サイトの目安です。
| 職位（目安） | 主な仕事 | AIとの重なり | これから伸ばすこと |
|---|---|---|---|
| アナリスト・若手 | 情報収集、議事録、集計、スライド作成 | 大きい | AIの出力の検証、顧客への聞き取り、論点を自分で立てる練習 |
| コンサルタント | 仮説づくり、分析、資料の構成、顧客の担当者とのやり取り | 中〜大 | AIで出した仮説を現場の事実で確かめる力、顧客の担当者を巻き込む力 |
| マネージャー | 論点設計、チームの管理、品質の責任、顧客との調整 | 中 | AIとメンバーへの仕事の配分、検証の手順づくり |
| パートナー・役員 | 経営層との関係、案件の獲得、最終的な提言の責任 | 小さい | AIで変わる顧客の経営課題をとらえ、新しい支援の形を設計する |
若手への影響は、データにも出始めています。米国の給与データでは、AI曝露の高い職の22〜25歳の雇用が相対的に13%減り、同じ職の経験者は横ばいか増加でした（#034）。ただし著者は因果ではなく記述的な指標としています。若手が下積みで覚えてきた作業がAIに移ると、育成の仕組みも作り直しが必要になります。
領域別：戦略・IT・業務・人事・独立系
| 領域 | AIで変わりやすい部分 | 残る・増える部分 |
|---|---|---|
| 戦略 | 市場・競合の調査、論点の洗い出し、資料作成 | 経営層と課題を定める対話、決めにくい判断を示すこと |
| IT・DX | 要件の文書化、コードや設定の下書き、調査 | AIを業務に組み込む設計、現場への定着、セキュリティと統制 |
| 業務改革 | 業務フローの可視化、定型の分析 | 部門間の調整、現場が使い続ける仕組みづくり |
| 人事・組織 | 制度の比較資料、アンケートの集計 | 社員の納得を得る説明、評価と配置の難しい判断 |
| 独立系・フリーランス | 提案書・報告書の作成時間 | 1人で扱える案件の幅が広がる。専門性と人脈の差が出やすい |
AI時代の仕事タイプ診断では、多くのコンサルタントは橋を架ける人（VDES）に入ります。AIの恩恵を最も受ける一方、AIの外側で誤りやすい「転換点」の位置です。
仕事の値段のつけ方も変わりうる
調査と資料作成の時間がAIで縮むと、「何人を何か月投入したか」で値段を説明しにくくなります。顧客から見ると、作業の量ではなく、どの判断を支え、何が実行されたかで価値を測る方向に変わりえます。これは研究で確かめられた結論ではなく、上の実験結果から当サイトが考える見通しです。
| これまで比重が大きかったこと | これから比重が上がること |
|---|---|
| 調べて分厚い資料にまとめる | 決めるべき論点を絞り、判断の根拠を示す |
| 人数を投入して作業量で応える | AIと少人数で速く回し、検証と対話に時間を使う |
| 提言を出して終わる | 実行の場に入り、現場が動くまで支える |
| 顧客の代わりに調べる | 顧客が自分でAIを使いこなせるよう支援する |
コンサル業務でそのまま使える指示文（プロンプト）例
［ ］を書き換えて使ってください。顧客名や未公開の情報は、勤務先と顧客との契約で認められた環境以外では入力しません。出力はたたき台として、事実と数字は必ず元の資料で確かめます。
| 場面 | 指示文の例 |
|---|---|
| 論点の洗い出し | 「［中堅製造業の新規事業の立ち上げ］について、経営会議で決めるべき論点を、重要度の高い順に挙げてください。論点ごとに、判断に必要な情報も添えてください。」 |
| 仮説の幅を広げる | 「［売上の伸び悩み］の原因の仮説を、顧客・商品・販売経路・組織の観点で挙げ、それぞれを確かめるために見るべきデータを書いてください。」 |
| 反論を想定する | 「次の提言に対して、［財務担当役員］が出しそうな反論と、その答え方を挙げてください。提言：［ ］」 |
| インタビュー設計 | 「［現場の営業担当者］へのインタビューの質問案を作ってください。誘導にならない聞き方で、事実を聞く質問と意見を聞く質問を分けてください。」 |
| 議事録 | 「次の会議の記録を、決まったこと・保留の論点・担当と期限に分けてまとめてください。発言者の推測はしないでください。」（記録を貼る） |
| スライドの構成 | 「［業務改革の中間報告］の構成案を作ってください。各ページの主張を一文で書き、その主張を支える根拠の種類を添えてください。」 |
| 要点の短縮 | 「次の報告書の要点を、経営層が読む前提で、結論・理由・次にやることの順にまとめてください。」（本文を貼る） |
| 自分の分析を点検させる | 「次の分析の弱いところを指摘してください。前提が成り立たない場合と、データが足りない箇所を分けて挙げてください。」 |
| 顧客向けのAI活用支援 | 「［経理部門］の定型業務を挙げ、生成AIで下書きを任せられるもの・人が確認すべきもの・任せないほうがよいものに分けてください。」 |
「反論を想定する」「自分の分析を点検させる」のように、AIに自分の誤りを探させる使い方は、AIの外側の課題で誤る危険を減らす助けになります。答えを出させるより、点検役として使う場面を増やしてください。
AIの出力を顧客に出す前のチェックリスト
- その課題はAIの得意な範囲か、外側かを考えた（前例の少ない判断、社内事情に依存する問いは外側になりやすい）
- 数字・固有名詞・日付を、元の資料や一次情報で確かめた
- 出典の示されない主張を、そのまま結論に使っていない
- AIが出さなかった選択肢や反対の見方を、自分で一つ以上考えた
- 顧客の現場で聞いた事実と、AIの出した仮説が矛盾していないか確かめた
- 顧客名・未公開情報を、認められていない環境に入力していない
- AIをどの作業に使ったかを、必要に応じて顧客に説明できる
依頼する側のチェック：AI時代にコンサルに頼むべきか
調べてまとめるだけなら、社内でAIを使えば済む場面が増えています。依頼の前に次を確かめると、外部に頼む価値がある仕事かを見分けやすくなります。
- 社内では言い出しにくい判断や、部門をまたぐ調整が必要か
- 決めるべき論点が、社内でまだ定まっていないか
- 提言だけでなく、実行と定着まで支援が必要か
- その分野の経験や、他社での失敗事例の知見が判断に効くか
- 求めている成果物が、資料の量ではなく判断や実行の結果として定義できるか
当てはまる項目が少ない場合は、まず社内でAIを使った調査と整理から始め、判断の段階で外部の力を借りる分け方もあります。
よくある失敗と、避け方
| 失敗 | 起きること | 避け方 |
|---|---|---|
| AIの答えをそのまま資料に載せる | 外側の課題では誤りが増え、顧客の信頼を失う | 数字と固有名詞は一次情報で確かめ、点検役としてもAIを使う |
| 作業が速くなった分、資料を増やす | 顧客の判断は楽にならず、価値が伝わらない | 空いた時間を論点の絞り込みと顧客との対話に回す |
| 若手に検証を教えないまま作業をAIに渡す | 誤りを見抜ける人が育たない | AIの出力を検証する手順を育成の中に組み込む |
| 顧客の情報を私用のAIに入力する | 契約や情報管理の違反になりうる | 勤務先と顧客で認められた環境だけを使う |
| 顧客にAIを導入して終わる | 使いこなせない部門では成果が下がることもある | 使い方の設計と定着まで支援範囲に入れる |
コンサルタントが今からできること
- 01
一次アウトプットはAI、構成と検証は自分
リサーチと資料の下書きをAIに任せ、論点の構成と事実の検証に時間を使います。
- 02
AIが外れた事例を記録する
どの種類の課題でAIが誤ったかを記録すると、自分とチームの「最前線の地図」になります。
- 03
顧客との対話に時間を戻す
課題を定め、合意を作り、組織を動かす仕事は、AIに任せにくく、人に残りやすい部分です。
- 04
AIを使った業務改革を自分の専門にする
顧客企業の中でAIの使い方に差がある今、その差を埋める支援は新しい仕事になります。
出典
本文の「#」付きの番号は、研究が示す100の事実の該当項目へのリンクです。それ以外の数値の出典は下に挙げます。業務の分解は、研究の枠組みを当サイトがこの職業に当てはめたものです。
- 01BCG (2025). AI at Work 2025: Momentum Builds, But Gaps Remain. 11か国・地域の従業員10,600人超。生成AIを定期的に使う現場の従業員は51%で頭打ち、管理職・経営層は4分の3超が週に数回使う。コンサルティング会社の調査。 https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain
- 02U.S. Bureau of Labor Statistics. Occupational Outlook Handbook: Management Analysts. 2025〜35年に10%増と予測。 https://www.bls.gov/ooh/business-and-financial/management-analysts.htm
この記事の要点
- コンサルタントという職業がなくなる証拠はない。米国のマネジメント・アナリストは2025〜35年に10%増の予測。
- 758人の実験で、AIの能力の内側では品質が40%以上上がり、外側では正答率が19ポイント下がった。
- 調査・議事録・資料の下書きはAIへ。価値は課題を定める問い、検証、合意形成と実行支援に移る。
- 最も影響を受けるのは若手の作業。検証を教える育成への作り直しが必要になる。
FAQ
よくある質問
職業としてなくなる証拠はありません。米国ではマネジメント・アナリストが2025〜35年に10%増えると予測されています。デスクリサーチや資料作成はAIで大きく変わりますが、課題を定めること、提言と意思決定の支援、組織を動かす合意形成は人に残ります。
職業として淘汰される証拠はありません。ただし作業の量で価値を出す働き方は苦しくなります。AIの出力を検証し、判断と実行に責任を持つ働き方が強くなります。
758人のコンサルタントの実験では、AIの能力の内側の課題で品質が40%以上上がりました。一方、外側の課題ではAIを使った人の正答率が19ポイント下がりました。どこまでAIを信じるかの判断が成果を分けます。
AIを持った1人がAIなしの2人チームと同じ品質を出した実験があり、若手が担ってきたリサーチと資料作成の一部は、AIに移っていくと考えられます。若手のうちから顧客への聞き取りと検証の経験を積むことが重要になります。
やめるべきだと示すデータはありません。ただし入口の作業がAIに移るため、調べてまとめる力だけでは差がつきにくくなります。業界や業務の専門性と、AIの出力を検証する力を合わせて持つことをおすすめします。
顧客企業の中で生成AIの使い方に差があるという調査結果があり、その差を埋める業務改革の支援には需要があります。AIを業務に組み込む設計と、現場への定着を支援できる人は求められやすくなります。
AIの得意・不得意を見極めて検証する力、顧客の本当の課題を定める問い、利害の違う人を動かす合意形成、実行まで伴走する力です。