AIと仕事
AIで仕事はなくなる？
なくなる仕事・残る仕事を研究100件で検証
「AIで仕事がなくなる」という話は、何の数字を根拠にしているかで結論が真逆になります。この記事では、ノーベル賞経済学者の試算、ランダム化実験、米国の給与データ、日本の公的統計まで、一次文献96点から100の事実だけを並べました。すべての数値に出典を付け、査読前の研究や事業者の調査にはその旨を書いています。
結論
即答：職業ごと一気になくなる、という証拠はまだありません。ただし「仕事の中の一部」はすでに置き換わり始めています。2026年10月時点の研究では、経済全体でAIにより仕事や賃金が減った証拠はまだ乏しい。一方で、AIに曝露する職の若手と、フリーランスの文章・画像・コードの案件では減少が観測され始めている。多くの仕事は「消える」より「中身が変わる」。その分かれ目は、定型か・画面の中か・実行か・一人かの4つ。日本では、仕事が消えるより先に人が足りなくなっている。
先に結論：100の事実から言える7つのこと
- 01経済全体では、仕事と賃金はまだほとんど動いていない。デンマークの2万5,000人を追った研究では、賃金・労働時間への1%を超える影響は統計的に否定されました（#033）。米国の職業構成の変化も、インターネット普及期とほぼ同じ速さです（#041）。
- 02動き始めたのは「曝露の高い職の若手」と「フリーランス案件」。AI曝露の高い職の22〜25歳は、横ばいだった場合より19%少ない（#035）。文章・コーディングの案件は8か月で21%減りました（#038）。
- 03「なくなる仕事」の推計は、方法で5倍変わる。職業単位では47%、タスク単位では9%（#001）。完全に自動化できる職業は5%未満という推計もあります（#005）。
- 04AIの効果は、使う人で逆になる。新人の生産性は34%上がり（#021）、熟練の開発者は19%遅くなり（#025）、弱い起業家の業績は8%下がりました（#029）。
- 05頼りすぎると、人の能力が落ちる証拠が出始めた。AIに3か月頼った内視鏡医は、AIなしでの検出率が6ポイント下がりました（#091）。
- 06日本は「仕事が消える」より先に「人が足りない」。2040年に1,100万人の労働力が不足する一方（#067）、事務職は437万人余り、AIを使う人材は339万人足りない、というミスマッチが予測されています（#078）。
- 07分かれ目は4つの要因。仕事が「定型か変動か」「画面の中か現場か」「実行か判断か」「一人か対人か」。職業名ではなく、この4つで自分の仕事を分解すると、どこが変わりやすいかが見えます。
Point
「AIでなくなる仕事ランキング」を見るときの注意。多くのランキングは2013年の推計（米国雇用の47%）を元にしています。同じ研究チームの方法をタスク単位に直すと数字は大きく下がり、さらにその後の研究で「危ない仕事」の像は低賃金職から高賃金職へ反転しました（下の A・B を参照）。
早見表：職業別に見る「なくなる部分」と「残る部分」
「なくなる仕事」を職業名で一覧にすると分かりやすい反面、実態とずれます。研究が示しているのは、職業ごと消えるのではなく、同じ職業の中で置き換わりやすいタスクと残りやすいタスクが分かれる、という姿です（#007）。そこで、検索の多い職業を、タスク単位で並べました。
| 職業 | 置き換わりやすいタスク | 残りやすいタスク | 研究・統計の手がかり |
|---|---|---|---|
| 一般事務 | 伝票・請求書の転記、決まった様式の書類づくり、数字の照合 | 例外の処理、部署間の調整、最終確認の責任 | 生成AIに強く曝露する唯一の職業群（#017）、2040年の余剰推計（#078） |
| コールセンター | 定型の問い合わせへの回答案、通話記録の要約 | 感情の強い相談、規定外の判断 | 新人ほど伸びる（#021）、離職の減少（#031） |
| ライター | 下書き、要約、言い換え | 取材と一次情報、企画、編集の判断 | 作成時間の短縮（#022）、フリーランスの収入減（#037） |
| デザイナー | 案出しのバリエーション、素材の生成 | コンセプト、依頼主との合意づくり | 個々は新しく、全体は似てくる（#028） |
| エンジニア | 定型のコード、テスト、移植 | 設計、要件の聞き取り、レビューの責任 | 速くなる実験（#024）と遅くなる実験（#025）、若手の雇用（#034） |
| 銀行員 | 口座開設や振込の手続き案内、提出書類の不備チェック | 融資の判断、取引先との関係づくり | ATM後も窓口係の総数は減らなかった（#010） |
| 営業職 | リスト作り、メール文面、議事録 | 関係づくり、交渉、決裁者を動かすこと | 電話営業は曝露が最も高い（#014）、対人スキル職は伸びた（#056） |
| コンサルタント | 下調べ、資料の初稿 | 論点の設定、意思決定の支援 | AIの能力の外側では誤りが増える（#023） |
| 教師 | 教材・問題の作成、採点の補助 | 学ぶ意欲を引き出す関わり、生活の指導 | 練習では伸び、本番で落ちる（#095） |
| 医師 | 画像の一次確認、文書の作成 | 診断の最終判断、患者への説明 | 頼りすぎると検出率が落ちる（#091） |
| 看護師・介護職 | 記録、申し送りの文書化 | 身体の介助、観察、家族との対話 | 消えるより先に人が足りない（#067） |
| 建設・現場職 | 積算、書類、工程表の作成 | 身体を使う施工、現場の段取り | 求人は求職者を大きく上回る（#080）、ロボットの雇用への影響（#051） |
| イベントプロデューサー | 企画書、見積、香盤表の作成 | 当日の現場判断、関係者の調整 | 4要因で分解した職業別記事を参照 |
注意
この表は「どのタスクが変わりやすいか」の整理で、職業ごとの消滅確率ではありません。日本でよく引用される「49%」も、601職業の技術的な代替可能性の推計で、失業の予測ではありません（#068）。
なくなる仕事と残る仕事を分ける4つの要因
1980年代以降の労働経済学と、2023年以降の生成AIの実証研究は、ほぼ同じ4つの区分を使ってきました。職業ではなく、あなたの仕事のタスクがどちら寄りかを見てください。
| 要因 | AIに置き換えられやすい側 | 残りやすい側 | 主な根拠 |
|---|---|---|---|
| 仕事の型 | 定型：手順やテンプレートで決まる | 変動：毎回状況が違う | Autor・Levy・Murnane（2003） |
| 仕事の場 | デジタル：成果が画面の中に残る | 現場：身体で物や人を扱う | Moravec（1988）、Eloundou ら（2023） |
| 仕事の役 | 実行：決まったことを作る | 判断：決めて責任を負う | Dell'Acqua ら（2023） |
| 仕事の相手 | 単独：一人で仕上げる | 対人：人を読み、動かす | Deming（2017） |
注意
「置き換えられやすい側」は、裏返すと「AIで成果を増やしやすい側」でもあります。画面の中で変動の大きい仕事は、置き換え圧と増幅余地の両方が高い「転換点」にあります。4軸のどこにいるかは、AI時代の仕事タイプ診断（24問・約3分）で測れます。
自分の仕事は大丈夫か：5分でできるセルフチェック
1週間の仕事を思い出し、時間を使っているタスクを書き出してから、次の10問に答えてください。「はい」が多いタスクほど、AIで置き換わりやすい側です。職業全体ではなく、タスクごとに付けるのがこつです。
- 01手順書やテンプレートがあれば、新人でも同じ品質で仕上げられる。
- 02成果物が文章・表・画像・コードなど、画面の中で完結する。
- 03相手の顔色や現場の状況を見なくても、仕事が進む。
- 04最終的な判断や責任は、自分ではなく上司や別の人が持っている。
- 05過去の事例を検索して組み合わせれば、ほぼ答えが出る。
- 06一人で始めて一人で終わる。
- 07同じ種類の依頼が、毎週くり返し来る。
- 08間違えても、後工程でだれかが直せる。
- 09依頼主が「AIで作ったものでも構わない」と言いそうな仕事だ。
- 10その仕事の出来を、数字だけで評価できる。
Point
読み方。「はい」が多いタスクは、消えると考えるより「AIに先に渡して時間を空ける候補」と考えてください。研究では、AIが得意な範囲の内側では品質と速さが上がり、外側では誤りが増えています（#023）。どこが内側かを知ることが、最初の一歩です。
よくある誤解と、判断を誤るパターン
| よくある誤解 | 研究が示すこと | 根拠 |
|---|---|---|
| 「ランキング上位の職業は、10〜20年で消える」 | 元の推計の多くは職業単位。タスク単位で見直すと高リスクの割合は大きく下がる | #001 |
| 「3億人分の仕事がAIに奪われる」 | 曝露の推計であって、失業の予測ではない | #015 |
| 「AIの影響を受ける＝失業する」 | 実際の利用は、人の作業を補う使い方が過半 | #081 |
| 「AIを使っていれば安全」 | 熟練者が遅くなった実験や、頼りすぎで能力が落ちた研究がある | #025、#091 |
| 「若手は様子を見ていればいい」 | 最初に動いたのは、曝露の高い職の若手の雇用 | #035 |
| 「現場の仕事は関係ない」 | 産業用ロボットは雇用と賃金に影響してきた。一方で日本の現場は人手不足が深刻 | #051、#080 |
| 「AIで新しい仕事は生まれない」 | 2018年の米国の雇用の約6割は、1940年には無かった職名の仕事 | #050 |
立場別：いま取れる行動
| 立場 | まずやること | 避けたいこと | 根拠 |
|---|---|---|---|
| 学生・就活生 | 志望職の仕事を、入社1〜3年目に任されるタスクまで分解し、AIで置き換わりやすい部分が多すぎないかを見る | 職業名のランキングだけで志望を決める | #035、#044 |
| 若手の会社員 | 定型の作業をAIに渡し、空いた時間を顧客や現場と話す仕事に回す | AIの出力を確認せずに提出する | #021、#023 |
| 中堅・管理職 | チームのタスクを「渡す／一緒にやる／人が持つ」に仕分ける | AIに判断まで任せ、検証の手順を外す | #093、#094 |
| フリーランス | 文章・画像・コードの単価が下がる前提で、企画や取材など上流の比率を上げる | 同じ作業量のまま単価で勝負する | #038、#037 |
| 現場・対人の仕事 | 記録や書類の作業からAIで減らし、対人の時間を守る | 人手不足を理由に、記録の確認まで省く | #067、#056 |
A. 自動化リスクの推計は、方法で何倍も変わる
2013年以降、「どの仕事が消えるか」の推計は方法論の進歩とともに書き換えられてきた。（10項目）
47%
→ 9%
#001
同じ問いでも、方法で数字は5倍変わる
Frey＆Osborne（2013）は米国雇用の47%を高リスクとしました。Arntz ら（2016）が「職業」ではなく「職業の中のタスク」で見直すと、OECD平均で9%。この診断が職業名ではなく4つの要因で仕事を分解するのは、このためです。
出典：Frey, C. B., & Osborne, M. A.（2013/2017）、Arntz, M., Gregory, T., & Zierahn, U.（2016）
14%
高リスク
#002
OECDが個人のタスク単位で見直すと、高リスクの仕事は14%、「大きく変わる」が32%
Nedelkoska＆Quintini（2018, OECD）。32か国の成人スキル調査（PIAAC）で、自動化確率70%超の仕事は14%、50〜70%が32%。「消える」より「変わる」仕事のほうがはるかに多い。
33% vs 6%
国の差
#003
同じ方法でも、スロバキアは33%、ノルウェーは6%
同じOECD研究。差の主因は「どの職業があるか」ではなく「同じ職業の中で仕事がどう組まれているか」。自動化リスクは職業名ではなく、仕事の設計で決まる。
702
職業
#004
47%の元になった研究は、低賃金・低学歴の職ほど危ないと予測していた
Frey＆Osborne（2013/2017）。米国702職業を分析し、賃金と学歴はコンピュータ化確率と強い負の相関を示した。生成AIの曝露研究はこの逆の結果を出している。10年で「危ない仕事」の像は反転した。
60%
の職業
#005
「完全に自動化できる職業は5%未満。しかし60%の職業は作業の3割以上を自動化できる」
McKinsey Global Institute（2017）。46か国・800超の職業・2,000超の作業を分析。結論は「仕事がなくなる」ではなく「ほとんどの仕事が変わる」。コンサルティング会社の推計。
3〜14%
職種転換
#006
2030年までに世界で7,500万〜3億7,500万人が職種を変える必要がある
McKinsey Global Institute（2017）。世界の労働力の3〜14%。課題を「大量失業」ではなく「職種間の移動」として捉えた推計で、新しい仕事の創出が損失を相殺しうるとした。
18,156
タスク
#007
機械学習に向くタスクはほとんどの職業にあるが、職業ごと自動化できるものはほぼない
Brynjolfsson・Mitchell・Rock（2018, AEA P&P）。米国の約950職業・18,156タスクを評価。機械学習の恩恵を得るには、職業をなくすのではなく仕事の組み方を変える必要がある。
4〜9%
格差縮小
#008
AIは高スキルのタスクを狙う。賃金格差（90:10）はむしろ縮む可能性
Webb（2020）。特許の文章と職務記述の重なりから、ソフトウェアやロボットと違ってAIは高スキルの仕事に向いていると示した。上位10%と下位10%の賃金格差は4〜9%縮小すると試算。
60%
を説明
#009
「定型/非定型」の枠組みは、1970〜98年の大卒需要シフトの6割を説明した
Autor・Levy・Murnane（2003, QJE）。コンピュータはルール化できる定型タスクを代替し、非定型の問題解決を補完する。この枠組みが、以後すべての曝露研究の原型になった。
20→13人
窓口係
#010
ATMで支店あたりの窓口係は20人から13人に減ったが、窓口係の総数は減らなかった
Bessen（2015, IMF）。1988〜2004年の米国。支店の運営費が下がって都市部の支店は43%増え、窓口係の仕事は関係構築に移った。「作業の自動化」と「職の消滅」は別物の、最もよく知られた例。
B. 生成AIの曝露：誰のタスクが、どれだけ
2023年以降、大規模言語モデルが届くタスクの範囲を測る研究が相次いだ。（10項目）
80%
の労働者
#011
タスクの1割以上に生成AIが届く
Eloundou ら（2023）の推計。約19%の労働者はタスクの半分以上に影響を受けうる。曝露は画面の中の仕事に集中し、身体を使う仕事ほど低い。
40%
の雇用
#012
15%→56%
道具しだい
#013
LLM単体で速くなるタスクは15%。LLMを組み込んだソフトなら47〜56%
Eloundou ら（2023）。影響の大半は「素のモデル」ではなく、その上に作られる道具から来る。同じ研究は、賃金が高い職ほど曝露が高いことも示した。
電話営業
と大学教員
#014
言語モデルの曝露が最も高い職は、テレマーケターと大学の語学・歴史の教員
Felten・Raj・Seamans（2023）。産業では法務、証券・商品取引が上位。賃金と曝露には正の相関があり、「話す・書く」が中心の高給職ほど影響を受ける。
3億人
分の仕事
#015
「3億人分の仕事がAIに」は曝露の推計で、失業の予測ではない
Goldman Sachs（2023）。米欧900超の職業から推計。米国の職業の約3分の2が曝露し、そのうち業務の4分の1から半分が置き換え可能。同時に、多くは代替より補完されると明記し、世界GDPを7%押し上げると試算した。
26%
低所得国
#016
AIの曝露は先進国60%、新興国40%、低所得国26%
IMF（2024）。豊かな国ほど曝露が高いが、曝露した仕事の約半数は生産性が上がる側に回る。恩恵も打撃も、先進国に集中する。
24%
事務タスク
#017
生成AIに強く曝露する職業群は事務職だけ。だから女性への影響が2倍以上
ILO（2023）。事務タスクの24%が高曝露、58%が中曝露。他の職業群の高曝露は1〜4%。高所得国では自動化可能性の高い仕事が女性雇用の8.5%、男性雇用の3.9%を占める。
$33 vs $20
時給
#018
AI曝露の高い仕事は、低い仕事より時給が1.6倍高い
Pew Research Center（2023）。米国の労働者の19%が最も曝露の高い仕事に就き、その平均時給は33ドル、最も低い仕事は20ドル。女性21%、男性17%で、従来の自動化とは逆のパターン。
30%超
の労働者
#019
米国の労働者の3割超は、タスクの半分以上が生成AIで変わりうる
Brookings Institution（2024）。GPT-4で職務タスクを採点。約85%の労働者はタスクの1割以上に影響。タスク時間を半分にできる職業にいる割合は女性36%、男性25%。
r=0.13
賃金との相関
#020
実際の利用データで見ると、AIの適用可能性と賃金はほぼ無関係
Tomlinson ら（2025, Microsoft）。Bing Copilotの会話20万件を職務活動に対応づけた。雇用で重みづけた賃金との相関は0.13で、「高所得者ほど曝露」という予測研究の見立てより弱い。適用可能性が高いのは通訳・翻訳、歴史家、作家、営業担当。
出典：Tomlinson, K., Jaffe, S., Wang, W., Counts, S., & Suri, S.（2025）
C. 実験が示す生産性：上がる場所、下がる場所
ランダム化実験と現場実験は、生成AIが効く条件と効かない条件を切り分けた。（12項目）
+34%
新人
#021
AI支援で新人は伸び、熟練者はほぼ変わらない
Brynjolfsson ら（2025, QJE）。5,172人のカスタマーサポートで生産性は平均15%増、新人・低熟練層で34%増。経験の差が縮む。
−40%
時間
#022
文章作成の時間は4割減り、品質は18%上がった
Noy＆Zhang（2023, Science）。被験者間の成果の差も縮小。「下書き」としてのAIの効果。
−19pt
正答率
#023
AIの能力の外側では、むしろ間違いが増える
Dell'Acqua ら（2023）。758人のコンサルタントで、AIの能力の内側では品質40%以上向上、外側では正答率が19ポイント低下。どこが境界かを見極める判断が人の仕事。
出典：Dell'Acqua, F., McFowland, E., Mollick, E. R., et al.（2023）
55.8%
速く
#024
最初のCopilot実験では、課題の完了時間が半分以下になった
Peng ら（2023）。Upworkで募集した95人のプログラマーにHTTPサーバーを実装させると、Copilot群は平均71分、対照群は161分。ただし査読前で、完走は各群35人、信頼区間は21〜89%と広い。
出典：Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M.（2023）
−19%
遅く
#025
熟練の開発者は、AIで「速くなった」と信じたまま、実際は遅くなっていた
METR（2025）。大規模OSSの保守者16人・246課題のランダム化実験。事前の予想は「24%速くなる」、実測は19%遅く、終わった後も「20%速かった」と回答した。体感と実測は一致しない。
出典：METR（2025）
+26%
完了タスク
#026
企業内の3つの実験を合わせると、開発者の完了タスクは26%増えた
Cui ら（2025, Management Science）。Microsoft・Accenture・Fortune 100企業の開発者4,867人。経験の浅い開発者ほど採用率が高く、伸びも大きかった。標準誤差は10.3ポイントと大きい。
出典：Cui, Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T.（2025）
1人＋AI
＝2人チーム
#027
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
Dell'Acqua ら（2025, NBER）。P&Gの専門職776人の事前登録フィールド実験。個人＋AIは対照群より16.4%短い時間で、AIなしチームと同等の成果。チーム＋AIは12.7%短縮。
出典：Dell'Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., et al.（2025）
+8.1%
新規性
#028
AIのアイデアで個人の物語は新しくなり、全体は似てくる
Doshi＆Hauser（2024, Science Advances）。作家293人・評価者600人。AIの案を5つ使うと新規性8.1%・有用性9.0%上昇、とくに創造性の低い書き手で大きい。一方、作品同士の類似度は約9〜11%上がった。
+15% / −8%
二極化
#029
AIの経営助言は、強い起業家をさらに伸ばし、弱い起業家の業績を下げた
Otis ら（2024）。ケニアの小規模事業者640人にGPT-4のWhatsApp「ビジネス指導」を提供。平均効果はゼロだが、上位層は売上・利益が約15%増、下位層は約8%減。助言を活かすにも力が要る。
出典：Otis, N., Clarke, R., Delecourt, S., Holtz, D., & Koning, R.（2024）
−25%
上司への要求
#030
AI支援を受けた窓口では、「上司を出せ」が4分の1減った
Brynjolfsson ら（2025, QJE）。Fortune 500のソフトウェア企業のサポート担当。顧客が上司への引き継ぎを求める割合が約25%減少し、顧客の言葉づかいも穏やかになった。
−40%
離職
#031
同じAIは、入社6か月未満の担当者の離職を4割減らした
同じ研究。離職率が約10ポイント下がり、基準値25%に対して40%の減少。顧客満足度（NPS）には有意な変化なし。AIは新人の「つらい時期」を短くした。
撤回
+44%の論文
#032
「AIで新素材44%増・特許39%増」の有名な論文は、撤回された
Toner-Rodgers（2024）。1,018人の研究者を対象としたとされた研究は、2025年5月にMITが「データの出所・信頼性・妥当性に確信が持てない」と声明を出し、arXivから取り下げられた。数字は引用しないこと。
D. 雇用と賃金の実データ：まだ動いていないもの、動き始めたもの
給与データと行政データは、予測ではなく実際に起きたことを示す。（12項目）
≈0
賃金影響
#033
2万5,000人を追っても、賃金と労働時間は動いていない
Humlum＆Vestergaard（2025）。デンマークの11職種・2万5,000人。賃金・労働時間への影響は1%超を統計的に否定。節約できた時間は平均2.8%。
−13%
22〜25歳
#034
最初に動いたのは、曝露の高い職の若手の雇用
Brynjolfsson・Chandar・Chen（2025）。米国給与データで、AI曝露の高い職の22〜25歳の雇用が相対的に13%減。同じ職の経験者は横ばいか増加。
19%
不足
#035
AI曝露の高い職の22〜25歳は、横ばいだった場合より19%少ない
Brynjolfsson・Chandar・Chen（2026年8月改訂版）。ADPの給与データで、曝露上位2分位の22〜25歳は約11%減、同年齢の低曝露職は約10%増。乖離は2025年7月時点の15%から19%に広がった。著者は「因果ではなく記述的指標」と明記。
+11%
35〜40歳
#036
同じ時期、年上の世代はどの層も雇用が増えていた
同じ研究。2022年11月比で22〜25歳の雇用は約2%減、一方で年上の全年齢層は増加し、35〜40歳は11%増。AIの影響は「職種」ではなく「職種×年齢」に現れている。
−5.2%
月収
#037
ChatGPT公開から数か月で、ライティング系フリーランスの月収は5.2%減った
Hui・Reshef・Zhou（2024, Organization Science）。Upworkの2022年1月〜2023年4月。文章系の仕事数は2%減、収入は5.2%減。評価の高いフリーランサーも守られなかった。
−21%
求人
#038
自動化しやすい文章・コーディングの案件は、8か月で21%減った
Demirci・Hannane・Zhu（2025, Management Science）。大手フリーランス基盤。画像生成AIの登場後、画像系の案件も17%減。ただし残った案件は複雑で単価が高かった。
3〜7%
賃金転嫁
#039
生産性が上がっても、賃金に回ったのは3〜7%だけ
Humlum＆Vestergaard（2025）。デンマークの2万5,000人。チャットボットで節約した時間が賃金に転嫁された割合は3〜7%で、使用を奨励する企業ほど高かった。賃金と労働時間への効果は1%超を統計的に否定。
8.4%
新しい仕事
#040
AIは仕事を減らすだけでなく、使っていない人にも新しいタスクを作った
同じ研究。64〜90%の利用者が時間節約を報告する一方、労働者の8.4%に「AIによって生まれた新しいタスク」が発生し、そこにはAIを使わない人も含まれた。節約した時間の大半は別の業務に戻った。
+1pt
職業構成
#041
ChatGPT後33か月の職業構成の変化は、インターネット普及期より1ポイント速いだけ
Yale Budget Lab（2025年10月）。米国CPSの職業構成の変化率は1996〜2002年のPC・インターネット期と同程度。AI曝露の指標と失業率の変化に関係は見られなかった。
1%
AI解雇
#042
AIを理由に人を減らしたサービス企業は1%。前年の10%から下がった
ニューヨーク連銀（2025年9月）。NY周辺企業の調査。過去6か月にAIで解雇した企業は1%、今後6か月に予想する企業は13%。AIの影響は解雇より再訓練として現れている。
0.1pt
失業率
#043
若手の減少を全部失業に数えても、米国の失業率は0.1ポイントしか上がらない
ダラス連銀（2026年1月）。曝露の高い職に占める若手の割合は16.4%から15.5%に低下。その減少がすべて失業になったとしても、2022年11月以降の失業率への寄与は0.1ポイント。
52%
不完全雇用
#044
2023年卒の米大卒の52%は、1年後に学位の要らない仕事に就いていた
Burning Glass Institute（2025）。工学系でも25%超。報告書は、この傾向はパンデミックにも生成AIにも先立つ構造的なものだと注意している。若手の苦境のすべてをAIのせいにはできない。
E. マクロ経済と技術史：効果は大きいか、遅いか
ノーベル賞受賞者を含む経済学者の試算と、過去の汎用技術の教訓。（11項目）
0.66%
/10年
#045
ノーベル賞経済学者の試算は「効果はある、ただし控えめ」
Acemoglu（2024）。既存の曝露推計とタスク単位のコスト削減から、全要素生産性の上昇は10年で最大0.66%。効果は「何を自動化し、組織をどう変えるか」の判断で決まる。
4.6%
のタスク
#046
AIに曝露し、かつ自動化して採算が合う米国のタスクは、全体の20分の1
Acemoglu（2024）。米国の労働タスクの20%が曝露し、そのうち採算が合うのは23%。掛け合わせると約4.6%。ここからGDPの押し上げは10年で0.93〜1.16%と計算した。
0.53%
保守的推計
#047
「学習しにくい難しいタスク」を考慮すると、生産性効果の上限は0.53%に下がる
同論文。初期の実証は学びやすいタスクに偏っているため、文脈依存の難しいタスクを織り込むと、10年のTFP上限は0.66%から0.53%、GDPは0.90%へ。著者は「AIが所得格差を縮める証拠はない」とも書いている。
+1.5pt
生産性
#048
ゴールドマン・サックスは、生成AIが生産性成長率を年1.5ポイント押し上げると見る
Goldman Sachs（2023）。10年で世界GDPを7%（約7兆ドル）押し上げる推計。Acemoglu の試算とは1桁違う。差は「何割のタスクが、どれだけ安く自動化されるか」の仮定にある。
2.6〜4.4兆ドル
年間
#049
McKinsey は生成AIの経済効果を年2.6〜4.4兆ドルと見積もる
McKinsey Global Institute（2023）。16業務・63のユースケース。現在の技術で、労働者の時間の60〜70%を占める活動が自動化可能とした。「技術的な潜在力」であり、実現値ではない。
60%
が新しい仕事
#050
2018年の米国の雇用の約6割は、1940年に存在しなかった職名の仕事
Autor ら（2024, QJE）。1940〜2018年の国勢調査の職名を追跡。技術は仕事を消すだけでなく作ってきた。ただし1980年以降の新しい仕事は、高給の専門職と低賃金のサービス職に二極化している。
出典：Autor, D., Chin, C., Salomons, A., & Seegmiller, B.（2024）
−0.2pt
ロボット1台
#051
労働者1,000人あたりロボット1台で、雇用率は0.2ポイント、賃金は0.42%下がった
Acemoglu＆Restrepo（2020, JPE）。1990〜2007年の米国の通勤圏データ。産業用ロボットは地域の雇用と賃金に測定可能な負の効果を持った。生成AI以前の、最も引用される自動化の実証。
50〜70%
賃金構造
#052
過去40年の米国の賃金格差の変化の半分以上は、自動化で説明できる
Acemoglu＆Restrepo（2022, Econometrica）。500の人口集団を1980〜2016年で分析。定型タスクに特化した集団の相対賃金の低下が、賃金構造の変化の50〜70%を占める。
0.70 vs 0.35
%/年
#053
1987年以降、自動化が仕事を消す速さは、新しい仕事が生まれる速さの2倍
Acemoglu＆Restrepo（2019, JEP）。1947〜87年は置換効果（−0.48%/年）と復権効果（+0.47%/年）が釣り合っていた。1987〜2017年は置換−0.70%に対し復権+0.35%。問題はAIが仕事を消すことではなく、新しい仕事を作る速さが落ちたこと。
40年
電化
#054
電気が工場の動力の半分に達するまで、最初の発電所から40年かかった
David（1990, AER）。1920年代初めでも工場の機械駆動の電化は半分強。生産性統計に現れるまでの遅れは、汎用技術の常。AIの効果が「まだ数字に出ない」ことは、効果がないことを意味しない。
15.9%
過小評価
#055
無形投資を数えると、米国の生産性は公式統計より16%高かった
Brynjolfsson・Rock・Syverson（2021, AEJ: Macro）。汎用技術には測定されない無形投資が先行し、生産性は一度下がってから上がる「Jカーブ」を描く。2017年末時点の補正後TFPは公式値より15.9%高い。
F. スキル・賃金・格差：誰が得をし、誰が損をするか
技術変化の恩恵は均等には広がらない。その分かれ目は何か。（11項目）
+12pt
シェア
#056
対人スキルを要する職は、30年で雇用シェアを増やした
Deming（2017, QJE）。1980〜2012年の米国で、社会的スキルを多く要する職の雇用シェアが約12ポイント増。
−3.3pt
STEM
#057
数学は得意だが対人は要らない仕事は、1980〜2012年にシェアを3.3ポイント落とした
Deming（2017, QJE）。賃金と雇用が最も伸びたのは、数学と社会的スキルの両方を要する仕事。技術だけの仕事は、技術が進むほど安くなる。
+56%
賃金プレミアム
#058
AIスキルのある求人の賃金は56%高い。前年の25%から倍増
PwC（2025, Global AI Jobs Barometer）。6大陸・約10億件の求人広告。AI曝露の高い産業の生産性成長は2018〜22年の7%から2018〜24年の27%へ。相関であり因果ではない。
出典：PwC（2025）
51%
がIT以外
#059
AIスキルを求める求人の半分以上は、IT以外の職種
Lightcast（2025）。米国の13億件超の求人。AIスキルを含む求人は年収が28%（約1万8,000ドル）高く、生成AI関連求人は2023年の1万6,000件から2024年に6万6,000件超へ。広告上の年収であり、実際の賃金ではない。
1.8%
の求人
#060
AIスキルを求める米国の求人は、まだ全体の1.8%
Stanford AI Index 2025（Lightcast データ）。2023年の1.4%から1年で2割増。需要は急伸しているが、絶対水準はまだ小さい。
3倍
ナース・プラクティショナー
#061
AIは「専門家の仕事を、専門家でない人に開く」道具になりうる
Autor（2024, NBER）。看護師の上位資格であるナース・プラクティショナーは2011〜22年に約22万4,000人へ3倍増え、中央値年収12万5,900ドル。大卒でない成人の6割が低賃金サービス職に就く米国で、AIは中間層の仕事を再建しうると論じた。
+30%
サービス職
#062
1980〜2005年、米国で最も伸びた仕事のひとつは、最も賃金の低いサービス職だった
Autor＆Dorn（2013, AER）。低スキルのサービス職の労働時間シェアは25年で30%増。中間の定型職が減り、上と下が増える「二極化」の実証。AI以前から、技術は中間を削ってきた。
48%→97%
大卒プレミアム
#063
大卒と高卒の賃金差は、1979年の48%から2005年に97%へ倍増した
Autor（2014, Science）。共働き世帯で見ると、大卒世帯と高卒世帯の年収差は30,298ドルから58,249ドルへ（2012年ドル）。ただし2005年以降、プレミアムの伸びは止まっている。
45%
収入減の原因
#064
失業後の収入減の45%は、元の職のスキル要件が上がったことで説明できる
Braxton＆Taska（2023, AER）。求人データ2007〜2017年。技術が進んで元の仕事の要件が変わると、失業者は自分のスキルがまだ通用する、より賃金の低い職に移る。失う仕事より「戻れない仕事」が問題。
+11%
同じ会社で
#065
同じ会社の中でも、AIスキルを求める求人は賃金が11%高い
Alekseeva ら（2021, Labour Economics）。米国の求人2010〜2019年。同じ職名の中でも5%高く、管理職で最も大きい。広告上の賃金で、AI専門スキルへの対価（AIを「使う」スキルではない）。
出典：Alekseeva, L., Azar, J., Giné, M., Samila, S., & Taska, B.（2021）
79% vs 34%
採用の差
#066
同じ国の曝露職でも、ChatGPT利用は開発者79%、ファイナンシャルアドバイザー34%
Humlum＆Vestergaard（2024/2025）。デンマークの11職種10万人。若く、経験が浅く、成績が高く、男性の労働者ほど先に使い始めた。平均的な労働者は、自分のタスクの約3分の1で作業時間を半分にできると考えている。
G. 日本：仕事が消える前に、人が足りない
日本の公的統計と研究機関の推計。海外の議論がそのまま当てはまらない理由。（14項目）
1,100万人
不足
#067
日本は「仕事が消える」より先に「人が足りない」
リクルートワークス研究所（2023）。2040年に1,100万人の労働供給不足。野村総研（2015）が49%を代替可能と試算した国で、現実に先に来たのは不足でした。
601
職業
#068
日本の49%は「601職業の技術的な代替可能性」であって、失業の予測ではない
野村総合研究所（2015）。オックスフォード大学の Osborne・Frey と共同で、国内601職業の代替確率を試算。抽象的な概念の整理・創出や、他者との協調・説得・交渉を要する職業は代替が難しいとした。
341万人
2030年
#069
労働力不足は2027年頃から急に進み、2030年には341万人が足りなくなる
リクルートワークス研究所（2023）。労働需要が一定という前提のシミュレーション。2040年の1,100万人は、その延長線上にある。
24.1%
不足率
#070
2040年の労働供給不足率は24.1%。「4人必要な仕事に3人しかいない」
同報告。労働供給は2030年の約6,337万人から2040年に約5,767万人へ。介護を週4日必要な人が週3日しか受けられない、という水準の不足。
9.1%→26.7%
個人利用
#071
日本の生成AI利用経験は1年で約3倍になったが、まだ4人に1人
総務省（2025, 情報通信白書）。2023年度9.1%から2024年度26.7%へ。20代は44.7%。同じ調査で米国68.8%、ドイツ59.2%、中国81.2%。
出典：総務省（2025）
46.8% vs 90%
企業利用
#072
17.3%
の企業
#073
2024年夏、生成AIを業務で使う企業は17.3%。半数近くは予定なし
帝国データバンク（2024）。全国4,705社。活用17.3%、検討中26.8%、予定なし48.4%。会員企業のインターネット調査。
6.4%
の雇用者
#074
2024年半ば、仕事で生成AIを使う日本の雇用者は6.4%だった
労働政策研究・研修機構（2025）。雇用者2.2万人の調査。職場でAIが使われていると認識する人は12.9%、自分でAIを使う人は8.4%、生成AIは6.4%。報道の熱量と現場の実態の差。
32.6%
不安が増加
#075
AIを使い始めた人では「仕事を奪われる不安」が高まった人が、低下した人の2倍
同調査。AI利用者のうち不安が高まった32.6%、低下17.9%、影響なし44.9%。周囲にAIで職を失った人がいると答えたのは16.8%。使うほど、不安は具体的になる。
26.2%
の職場
#076
2026年、AIを導入した職場は26.2%。企業規模で4倍の差
日本生産性本部（2026年7月）。雇用者1,100人。1,001人以上の企業で54.0%、100人以下で14.2%。導入職場での利用率は64.7%。「漠然とした不安」は56.0%。
4,535万人
2070年
#077
生産年齢人口は2070年に4,535万人と、2020年の6割になる
国立社会保障・人口問題研究所（2023）。15〜64歳人口は2020年の7,509万人から2043年に6,000万人を割り、2070年には4,535万人。65歳以上が38.7%。AIの議論の前提は、人が減ることにある。
437万人
事務職が余る
#078
2040年、事務職は437万人余り、AI・ロボットを使う人材は339万人足りない
経済産業省（2026）の2040年就業構造推計。専門職は181万人不足し、うちAI・ロボット等を利活用する人材は需要782万人に対して供給443万人。国内投資の拡大を前提にした試算。
出典：経済産業省（2026）
半世紀で最低
求人充足率
#079
2023年の求人充足率は、この半世紀で最も低い
厚生労働省（2024, 労働経済白書）。2010年代以降の人手不足は過去3つの局面の中で最も長く「粘着的」。日本では、AIによる失業より先に、埋まらない求人が現実になっている。
出典：厚生労働省（2024）
7.72倍
有効求人倍率
#080
建設躯体工事の求人は求職者1人に7.7件。全職業平均の7倍
厚生労働省 職業安定業務統計（2025年度、JILPT集計）。保安6.41倍、土木作業6.21倍、職業計1.10倍。現場の仕事ほど、人が足りない。
H. 利用の実態：誰が、何に、どれだけ使っているか
実利用データと大規模調査が示す、AIの現在地。（10項目）
57 : 43
増幅：自動化
#081
実際の利用データでは、過半が「人の作業を補う」使い方
Anthropic Economic Index（2025）。数百万件の実利用で、57%が増幅、43%が自動化。職業の約36%で業務の4分の1以上にAIが使われている。
37.2%
がIT系
#082
AIの利用はプログラミングに集中し、業務の4分の3以上で使う職業は4%
Anthropic Economic Index（2025年2月）。Claude の約100万会話のうち37.2%がコンピュータ・数学系の職業のタスク。業務の75%以上にAIを使う職業は約4%にとどまる。事業者自身のデータで、利用者は開発者に偏る。
27%→39%
丸投げ
#083
8か月で「AIに丸投げする」使い方が27%から39%に増え、初めて「補助」を上回った
Anthropic Economic Index（2025年9月）。2024年末から2025年8月にかけて、指示して任せきる「自動化」型の会話が増加。企業向けAPIでは77%が自動化型。使い方は補助から委任へ移っている。
73%
仕事以外
#084
ChatGPTの会話の73%は仕事ではない。仕事での最大用途は文章作成（40%）
Chatterji ら（2025, NBER）。2025年7月時点で週7億人・週180億メッセージ。仕事関連は約27%で、そのうち40%が文章作成。OpenAI社員を含む著者による研究で、企業向けプランは含まない。
出典：Chatterji, A., Cunningham, T., Deming, D., Hitzig, Z., Ong, C., Shan, C., & Wadman, K.（2025）
40%
2年で
#085
生成AIの普及速度は、パソコンより速い
Bick・Blandin・Deming（2024, NBER）。2024年8月の全米代表調査で、18〜64歳の約40%が生成AIを利用、就業者の28.1%が仕事で利用。PCは1981年の登場から3年で約20%だった。
5.4%
時間節約
#086
使っている人の時間節約は労働時間の5.4%。経済全体では1.1%
Bick・Blandin・Deming（2025, セントルイス連銀）。2024年11月調査で、利用者の自己申告の時間節約は週40時間のうち約2.2時間。普及率を掛けると、経済全体の生産性押し上げは約1.1%。
16%
の労働者
#087
米国の労働者で「仕事の一部をAIでしている」人は6人に1人
Pew Research Center（2025年2月）。就業者5,273人の調査。AIを仕事に使うのは16%。63%は「ほとんど、または全く使わない」。普及の報道と現場の実態には差がある。
8%
毎日
#088
職場でAIを「毎日」使う人は8%。ホワイトカラーと現場で3倍の差
Gallup（2025年6月）。年に数回以上使う人は2年で21%から40%に倍増したが、毎日は8%。頻繁に使う割合はホワイトカラー27%に対し、生産・現場職は9%。
出典：Gallup（2025）
約18%
米企業
#089
米国企業のAI利用率は、質問の仕方を変えただけで約2倍に見える
米連邦準備制度理事会（2026年4月）。国勢調査局の企業調査で「財・サービスの生産に使う」企業は2024年初の4.6%から2025年9月に約10%。2025年11月に「何らかの業務で」に広げると約18%。数字は定義で動く。
16pt
男女差
#090
AI曝露の高い職でも、女性はChatGPTを仕事で使う割合が16ポイント低い
Humlum＆Vestergaard（2025, PNAS）。デンマークの11職種18,000人。同じ職業の中でも12ポイントの差が残る。AIの恩恵は、使う人と使わない人の間の既存の格差を広げうる。
I. 人間の側：信頼、スキルの低下、不安
AIを使う人間に何が起きるか。過信、依存、能力の変化。（10項目）
28.4→22.4%
検出率
#091
AIに3か月頼った内視鏡医は、AIなしでの腺腫検出率が6ポイント落ちた
Budzyń ら（2025, Lancet Gastroenterology & Hepatology）。ポーランド4施設・19人の熟練医・1,443件。AI導入後、AIを使わない検査での検出率が28.4%から22.4%へ。臨床現場でAIによる「脱スキル化」を示した最初の実データ。
g=−0.23
人＋AI
#092
人とAIを組ませると、平均では「どちらか一方の良い方」より悪くなる
Vaccaro・Almaatouq・Malone（2024, Nature Human Behaviour）。106の実験・370の効果量のメタ分析。人がAIより強い課題では組み合わせが効き（g=+0.46）、AIが人より強い課題では足を引っ張る（g=−0.54）。
良いAI
ほど不正確に
#093
質の高いAIを渡された採用担当者のほうが、判断の精度が下がった
Dell'Acqua（2022, 査読なし）。採用担当者181人・応募書類44件の現場実験。AIの推薦が優秀なほど担当者は努力を減らし、AIの選択に従って誤った。「運転中の居眠り」と名づけられた現象。
319人
の知識労働者
#094
AIへの信頼が高い人ほど、批判的思考をしなくなる
Lee ら（2025, CHI）。知識労働者319人・936件の実例。生成AIへの信頼が高いほど批判的思考は減り、自分への自信が高いほど増えた。自己申告の相関であり、著者はMicrosoft所属。
出典：Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N.（2025）
+48% / −17%
練習と本番
#095
AIで練習問題は48%多く解けたが、AIなしの試験では17%悪化した
Bastani ら（2025, PNAS）。トルコの高校生約1,000人のランダム化実験。GPT-4に自由にアクセスした生徒は練習で伸び、本番で落ちた。ヒントだけ出す「家庭教師型」（練習+127%）では悪化しなかった。設計で結果が逆転する。
出典：Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakci, Ö., & Mariman, R.（2025）
54人
の脳波
#096
ChatGPTで文章を書いた人は脳の結合が最も弱く、直後に自分の文を引用できなかった
Kosmyna ら（2025, MIT Media Lab）。54人の脳波測定。LLM群は検索エンジン群・脳のみ群より結合が弱かった。査読前で、鍵となる交差セッションは18人のみ。著者自身が過度な一般化を戒めている。
52%
が不安
#097
米国の労働者の半数はAIの影響を心配し、3人に1人は「機会が減る」と見る
Pew Research Center（2025年2月）。就業者5,273人。52%が職場のAIの将来に不安を持ち、32%は自分の雇用機会が減ると予想。希望を持つ人の2倍以上。
5人に3人
失職の不安
#098
金融・製造の労働者の5人に3人は「10年以内にAIで職を失う」と答えた
OECD（2023, 雇用見通し）。7か国の労働者5,300人・雇用主2,000社。調査は2022年初めで、ChatGPT登場前。OECDは雇用の27%が自動化リスクの高い職業にあると推計。
出典：OECD（2023）
66%
の経営者
#099
経営者の66%は「AIスキルのない人は採用しない」。71%は経験より AI スキルを取る
Microsoft・LinkedIn（2024）。31か国31,000人。経験豊富でAIを使えない候補より、経験が浅くてもAIを使える候補を選ぶ経営者が71%。事業者調査である点は割り引いて読む。
39%
のスキル
#100
雇用主は2030年までに既存スキルの39%が変わると見込み、100人中59人に再訓練が要る
世界経済フォーラム（2025, Future of Jobs）。55経済圏・1,000社超。2030年までに1億7,000万人分の仕事が生まれ、9,200万人分が消える（純増7,800万人）。AIだけでなく脱炭素や人口動態も含む雇用主の予想。
職業別に読む
同じ職業名でも、仕事の中身は人によって違います。職業別の記事では、その職業に固有の一次データと、上の100件のうち関係するものを並べ、どのタスクが変わりやすいかを分解しています。
この記事の作り方
- 数値は、論文の本文か公式の要旨・報告書で確認できたものだけを載せています。報道記事だけが根拠の数字は使っていません。
- 査読前の論文、事業者が自社製品について行った調査、コンサルティング会社の推計には、本文にその旨を書いています。
- 撤回された論文（#事実のうち「撤回」）は、引用してはいけない例としてあえて残しています。
- どの数字も、職業の将来や個人の失業確率を予言するものではありません。研究が何を測り、何を測っていないかを、各項目で読んでください。
- 診断の採点式・重み・限界は方法論ページに全文を公開しています。
この記事の要点
- 経済全体では、AIで仕事と賃金が減った証拠はまだ乏しい。変化は曝露の高い職の若手とフリーランス案件から始まっている。
- 「なくなる仕事」の推計は方法で5倍変わる。職業名ではなく、仕事の中のタスクで見る（職業別の早見表とセルフチェックを参照）。
- AIの効果は使う人で逆転する。新人を引き上げる一方、熟練者を遅くし、頼りすぎると能力を落とす。
- 日本は人手不足が先に来ている。ただし事務職の余剰とAI人材の不足というミスマッチが予測されている。
FAQ
よくある質問
2026年10月時点では、大量失業が起きているとは言えません。米国の職業構成の変化はPC・インターネット普及期と同程度で、AIを理由に人を減らしたサービス企業は1%でした（ニューヨーク連銀、2025）。ただし変化が先に出ている層はあり、AI曝露の高い職の若手と、文章・画像・コードのフリーランス案件です。職種ごとの見通しは「職業別に読む」の各記事で分解しています。
2026年10月時点では、経済全体で仕事や賃金が減った証拠は乏しく、デンマークの2万5,000人の追跡でも、賃金・労働時間への1%を超える影響は統計的に否定されました。一方、米国ではAI曝露の高い職の22〜25歳の雇用が相対的に減り、フリーランスの文章・コーディング案件も減っています。「全体はまだ、局所では始まっている」が現状です。
年数を示せる研究はありません。ノーベル賞経済学者 Acemoglu の試算では、AIによる生産性の押し上げは10年で最大0.66%と控えめです。電気が工場の動力の半分に届くまで最初の発電所から40年かかったように、汎用技術の効果は時間をかけて現れます。
多くは2013年の推計（米国雇用の47%が高リスク）が元で、同じ問いを職業ではなくタスク単位で見直すとOECD平均で9%まで下がります。さらに生成AIの研究では、危ないとされる仕事が低賃金職から高賃金職へ反転しました。ランキングは方法と年代を確認して読んでください。
日本では仕事が消えるより先に人手不足が来ています。2040年に1,100万人の労働力不足が予測され、求人充足率は半世紀で最低です。ただし経済産業省の推計では、2040年に事務職は437万人余り、AI・ロボットを使う人材は339万人足りません。人は足りないが、仕事と人の組み合わせがずれる、という形です。
職業名より、仕事の性質で見るほうが確かです。研究で一貫して残りやすいのは、毎回状況が違う仕事、身体で物や人を扱う仕事、決めて責任を負う仕事、人を読み動かす仕事です。米国では対人スキルを要する職が30年で雇用シェアを伸ばしました。看護・介護、教育、現場の段取り、交渉を伴う営業などは、この性質を多く含みます。ただし同じ職業でも、記録や書類などの定型部分はAIに置き換わりやすくなります。
米国では、AI曝露の高い職の22〜25歳の雇用が相対的に減った一方、同じ時期に年上の世代の雇用は増えていました。志望する職の「1〜3年目の仕事」をタスクに分解し、AIを使って早く判断や対人の仕事に進める職場かどうかを確かめてください。
まだ途上です。2024年夏に生成AIを業務で使う企業は17.3%、2024年半ばに仕事で生成AIを使う雇用者は6.4%でした。2026年の調査では、AIを導入した職場は26.2%で、企業規模で4倍の差があります。
研究で一貫しているのは、AIが得意な定型・画面の中・実行の部分を先に手渡し、判断と対人の部分に時間を寄せた人ほど成果が伸びたことです。まず自分の仕事を4つの要因で分解してみてください。AI時代の仕事タイプ診断（24問・約3分）で、どこが変わりやすいかを測れます。