会計

AIで仕事を消した会社は、どうやって新人を育てるのか – 経験者の無双の先にある、判断力の空洞化

みなさん、おはようございます！こんにちは！こんばんは。Jindyです。

AIが仕訳案を作る。差異分析を書く。契約書の気になる箇所も拾ってくれる。経験のある人にとっては、ずいぶん心強い相棒です。

では、その経験をこれから積む新人は、どこで仕事を覚えるのでしょう。ベテランの仕事が速くなるほど、若手が練習する仕事が消えていく。このねじれを放置すると、今年の決算は速くなっても、数年後の決算を任せられる人が育たないかもしれません。

この記事では、AIによる生産性向上と、人間の成長を切り分けます。そのうえで、新人が自分で考える工程、上司が任せる仕事、数字の元になる現場との接点を、経理の例で具体化します。育成を任される人にも、AIが使えるのに実力がついている気がしない人にも、明日から試せる形にしたい。

問いの出発点は、安宅和人さんの論考『AI native時代の袋小路 ― 見立てる力はどこから来るのか』です。実務の途中で育っていた判断力が、自動化で受け継がれなくなる危険を指摘しています。教育、組織、現実との接点という三つの層から対策を考える視点を受け取り、ここから先は、私なりに仕事の設計へ落としていきます。[1]Between Neuroscience and Marketing

仕事が片づいても、人は育ったとは限らない – 消えるのは作業か、経験の入口か

新人の資料が、入社早々からきれい。説明も筋が通っている。上司としては助かります。ただ、その完成度だけで育成の成果を判断すると、見落とすものがあります。

仕訳の正解と、取引を理解することの距離

例えば、請求書から費用の仕訳案が自動でできたとします。勘定科目も金額も整っている。でも、サービスは今月すでに提供されたのか。来月以降の分が混ざっていないか。そもそも請求書だけで取引の実態をつかめるのか。入力が終わってから始まる問いもあります。

経験のある経理担当者は、契約、検収、支払い、決算のつながりから疑う場所を絞ります。これは手が速いからではありません。書類と現実が一致しない場面に出会い、その理由を確かめてきたからです。

新人が完成した仕訳だけを見ると、その途中が見えない。どの情報が欠けていたか、誰に聞いたか、何を確認して結論を変えたか。答えの裏側にあった探索が、成果物からは抜け落ちます。

もちろん、昔から伝票を打てば全員が育ったわけではない。同じ処理を理由も分からず繰り返すだけなら、入力速度は上がっても判断の幅は広がらない。残したいのは作業そのものより、取引の意味を問い直す機会です。

AIは新人を弱くする、とは研究も言い切っていない

ここは、一度立ち止まりたい。経験者がAIを使えば強く、新人は置いていかれる。その図式だけでは、現実の一面しか捉えられません。

Brynjolfssonらの研究は、顧客対応担当者5,172人へのAI支援の段階的な導入を調べています。時間当たりの問題解決件数は平均15％向上し、経験の浅い人や技能の低い人ほど恩恵が大きかった。AI停止時の対応時間の分析にも、習熟を示唆する結果がありました。[2]arxiv.org

ただし、これは特定企業の顧客対応業務の研究です。経理、法務、経営判断のすべてに同じ効果があるとは言えません。停止時の分析も無作為な実験ではなく、学習の証拠としては留保が要ります。

それでも、AIが経験への入口を必ず閉ざすわけではない、とは言える。熟練者の対応を、その場で試し、顧客の反応から学べる使い方もある。AIを使ったかどうか以上に、使っている間に本人が何を経験したかが分かれ目です。

教育費を削った利益と、将来の判断力は別勘定

経営の目線に移すと、問題はさらにややこしい。AIで処理時間が減り、採用や育成にかける負担も軽くなる。短期の損益には、改善として見えやすい動きです。

一方で、若手が来年どの仕事を任せられるかは、同じようには数字になりません。ここでいう判断力の蓄積は、会計基準上の資産計上を意味しません。経営を見るための比喩です。今期の費用削減と、将来の能力形成を別々に捉えよう、という話です。

例えば、難しい案件をすべてベテランへ集めれば、当面は品質を守れる。けれど、その人の異動や退職で承認が止まるなら、効率化と同時に属人化も進んでいます。処理時間だけを見ていると、ここを見逃す。

投資家としても、少人数で売上を伸ばす企業を見たとき、その生産性を何が支えているかは気になります。仕組みとして再現できるのか。数人の熟練者の経験を使い切っているのか。利益率だけでは答えが出ない問いです。

ここには部門間のずれもあります。処理を担う部門には省力化の目標があり、人事には育成の目標がある。でも、誰が若手に渡す案件を確保するのかが決まっていないと、両方の計画が立派なまま、本人には仕事が回らない。現場の管理職だけに善意で補ってもらうには限界があります。自動化の計画に、減らす作業と、別途用意する学習機会を並べて書く。それなら、何を失い、何を作るかを経営として話せます。

仕事が減ることは歓迎したい。そのうえで、減った仕事がどんな学習機会を運んでいたかを点検する。この二つは両立します。

問題は、新人が楽をすることではありません。自分で判断した経験がないまま、判断できる人として扱われることです。見栄えのよい資料ほど、その差を隠してしまう。

判断力は、通過する工程から設計する – AIに聞く前と、答えを受け取った後を残す

では、新人のためにAIを禁止すればいいのか。仕事全体を昔に戻すのは無理があります。そこで、練習する部分を小さく区切り、何を自分で考えるかを決めておく方法を提案します。

最初の見立てを、短くても自分で置く

例えば予実差異の説明なら、AIへ表を渡す前に、本人が三つだけ書く。どの項目が動いたか。その理由をどう考えるか。何を確かめれば、その考えが間違いだと分かるか。

最初から立派な文章はいりません。売上は増えたが粗利率が下がった。値引きか、商品の構成変化か、仕入価格かもしれない。その程度でも、自分の仮説があれば、AIの説明と比べる場所ができます。

仮説がないまま整った答えを受け取ると、なるほど、で終わりやすい。先に考えていれば、自分は数量を疑ったのに、AIは単価を挙げた、という差が残る。その差を元データで確かめることが、次の経験になります。

ただし、分からない新人を白紙の前に放置しても困る。初めての論点なら、先輩が一件だけ考え方を実演する。何を見るかの足場を渡し、次の一件を本人に考えてもらう。自力で考えることと、独学に丸投げすることは違います。

AIを答えの配達係から、練習相手へ変える

Bastaniらは、トルコの高校生約千人を対象に、数学学習でGPT-4を使う実験を行いました。通常のチャット型支援を使った群は、練習では成績が上がった一方、AIなしの試験では対照群より成績が17％低下しました。答えを直接渡さず、教師が用意したヒントなどで支援する設計では、この悪影響が大きく抑えられています。[3]PNAS

これは短期の数学学習の結果で、職場の長期的な能力低下を証明したものではありません。それでも、支援中の出来と、自分でできるようになったかを分ける理由にはなります。

職場で試すなら、AIへ完成した説明文を求める前に、自分の仮説に足りない情報を挙げてもらう。別の原因でも同じ数字になるか、確かめる資料は何か、と問い返してもらう。AIが示した論点の正しさは、社内資料や担当者への確認で押さえます。

同じ案件でも、完成品を受け取る使い方と、考え直す材料を受け取る使い方がある。後者を育成の時間に組み込む、という提案です。

上司の正解を当てる研修から、小さく任せる仕事へ

研修で説明できても、本番では動けない。これは本人の理解だけでなく、任せ方にも原因があり得ます。見学と資料作成だけでは、自分の判断が誰にどう影響するかを確かめにくいからです。

そこで、影響範囲を限定した案件を、確認から完了まで担当してもらう。例えば一つの費用項目について、契約を読み、発生時期を考え、不明点を担当者へ聞き、処理案を先輩へ説明する。承認権限は従来どおりでも、調査と提案の主担当にはなれます。

先輩は結論を先回りして渡す代わりに、どこで違和感を持ったか、何が分かれば結論を変えるかを聞く。実際の判断理由を言葉にしてもらい、必要なところで止める。失敗させ放題という意味ではありません。顧客や決算に重大な影響を出す前にレビューする責任は、組織が持ちます。

振り返りでは、正しかったかだけでなく、何を根拠にしたかを残す。同じ結論でも、証拠を確かめた人と、前月の処理をコピーした人では、次に任せられる仕事が違うからです。

任せる側の評価も揃えたいところです。部下に考えてもらうと時間がかかり、その遅さだけで上司が評価を落とすなら、自分で片づける方へ流れます。育成を求めながら、育成した人が損をする仕組みになっていないか。担当できる人が増えたことを評価に含めるなど、上司が手を離すための準備にも意味を持たせたい。若手の意欲の話にする前に、仕事を渡せる環境かを見たいのです。

育成の単位を、伝票何件、資料何枚から、一つの判断をどう完了したかへ変えてみる。処理件数を捨てる必要はありませんが、それだけで成長を測らない。

AIで浮いた時間が、全部追加案件に吸い込まれたら、練習の時間は生まれません。短い検討と振り返りを予定に置き、先輩の時間も確保する。育成を業務として扱うところまでが設計です。

画面の外に、判断の根拠を取りに行く – 数字と現実がずれた場所が教材になる

AIが作った分析を別のAIに点検させる。それは助けになります。ただ、両方に同じ不完全な情報しか渡していなければ、現実とのずれは残ります。新人が経験を積む入口も、そこにあります。

在庫一覧が整っていても、箱の中までは分からない

例えば、在庫一覧には数量も単価もあり、計算上の不整合もない。ところが現物を見に行くと、長く動いていない箱が棚の奥にある。担当者に聞けば、仕様変更で使い道がなくなっていた。これは説明のための仮想例ですが、数字が整うことと、事業の状態が分かることの距離を示しています。

データに滞留や販売見通しが適切に反映されていれば、AIも分析を助けられます。反映されていない事実は、誰かが拾ってくる必要がある。現場へ行く意味は、AIには永久にできない仕事を探すことではなく、今の情報に何が入っていないかを知ることです。

経理の新人なら、契約書を読むだけでなく、何を売り、どこで引き渡し、誰が検収するかを確かめる。未回収一覧を見るだけでなく、担当者が何を理由に回収できると考えているかを聞く。

現場を見れば自動的に分かるわけでもありません。行く前に疑問を一つ置き、戻ってから処理や見通しのどこが変わったかを書く。見学を経験に変えるには、前後の判断をつなぐ必要があります。

ベテランの違和感も、検証できなければ思い込みになる

ここで、経験者側にも宿題があります。昔からこうだ、何となく危ない、という言葉だけでは、新人は判断の仕方を学べません。先輩の顔色を読む技術ばかり上達してしまう。

KahnemanとKleinの論考は、熟練した直観が育つ条件として、環境に学べる規則性があり、経験と明確なフィードバックを得られることを挙げています。本人の強い自信だけでは、判断の正しさは保証できない、という指摘もあります。[4]bear.warrington.ufl.edu

実務に引き寄せれば、長く担当したという事実と、判断を修正してきたという事実は分けて見たい。売掛金の回収を楽観した後、実際に回収されたか。需要が戻ると考えた後、在庫は動いたか。結果を追わなければ、外した見立ても自信と一緒に保存されます。

AIは、先輩の説明に別の仮説を出す相手にもなる。ただし、AIの反論も正解扱いしない。先輩も新人も、何を見れば決着がつくかを話せること。その環境なら、経験の少ない人の問いが、組織の思い込みを崩すこともあります。

来月の育成を変えるなら、一件を最後まで追ってみる

大きな人材戦略から始めなくても、次の一か月で試せることがあります。日常業務の中から、先輩が説明でき、結果も比較的早く確かめられる論点を一つ選ぶ。費用の発生時期でも、予実差異でも構いません。

最初は先輩が、資料のどこを見たか、何を疑ったかを実演する。次は新人が自分の仮説を置き、AIも使って確認先を考え、実際に調べて処理案を出す。その後、関連する支払い、訂正、翌月の数字など、案件に応じた結果まで追う。

途中に、AIの説明を見る前に自分で考える時間と、AIを閉じて理由を説明する時間を短く入れます。目的は完全な手作業能力の復活ではありません。情報が欠けたときに、分からない場所を特定し、誰に何を聞くかを考えられるか。その確認です。

評価も、処理の速さに加えて、前提を説明できたか、反対の証拠を探したか、適切な時点で相談できたかを見る。育成のための新しい報告書を量産する必要はありません。既存のレビューに短い判断メモを添えるところからで十分です。

教材の選び方にも工夫が要ります。例外だけを集めると、通常の状態が分からない新人には難しすぎる。基本的な案件と、条件が一つ変わった案件を比べる方が、判断を変える境目が見えます。同じ請求書でも、提供期間が変わると何を確認するか。金額だけが大きくなったら、相談先は変わるか。正常を知り、違いを説明し、その違いが結論に効くかを確かめる。件数を闇雲に増やすより、比較する条件を選ぶ発想です。

ここで示した進め方は、研究で効果が確立された万能な研修制度ではありません。現場で試し、任せられる範囲が広がったかを見ながら直すための案です。

AIが進化すれば、人が担う工程も変わるでしょう。それでも、何を知り、何を知らず、何を確かめて判断したかを振り返る場は残せる。経験の積み方は、道具に合わせて作り直していいのです。

結論　熟練者の時間を、次の熟練者へ投資する

AIで経験者が強くなれるなら、その余力をどこへ振り向けるか。経営の姿勢が出るのは、ここだと思います。

自分なら一瞬で分かる仕事を、若手に説明してもらう。黙って直せる箇所で、何を見落としたかを一緒に確かめる。今日の処理だけを考えれば、回り道です。けれど、その時間を使わずに、明日の判断者だけが欲しいというのは、少し都合がよすぎる。

判断できる人を市場から採ればよい、と各社が考えることもできます。ただ、誰かが育てる工程を担わなければ、その人材は増えません。育成は、どこかの会社がやってくれる無料サービスではない。

新人に必要なのは、AI以前の苦労を一通り再現することではありません。自分が出した判断が現実と出会い、間違っていれば考え直せる仕事です。その機会を任せる側にも、受け取る側にも、AIで増やせる余地がある。

ベテランだけが無双して終わる職場と、その力で次の熟練者を育てる職場。数年後に差がつくのは、AIの契約数より、今日だれに何を任せたかかもしれません。

AI時代の経験と判断力を、もう一段深く考える5冊

1．『イシューからはじめよ［改訂版］ 知的生産の「シンプルな本質」』安宅和人

AIへ何を頼むかの前に、そもそも何に答えを出すべきか。その入口を考えるための一冊です。解くべき問題を見極め、仮説を立て、分析と伝達を組み立てる流れが扱われています。本記事で提案した、自分の見立てを先に置く練習とも接点があります。きれいな差異分析ができても、経営の判断に関係しない説明ばかり増えるなら、問いの設定から見直したいところ。若手には分析を始める前の地図として、上司には依頼する仕事の目的を言葉にする手がかりとして向いています。他の四冊が学び方や組織の条件を考えるのに対し、この本は、限られた時間をどの問いに使うかを考える役割です。


2．『「経験学習」入門 職場が生きる人が育つ』松尾睦

同じ仕事を担当しても、そこから学べる人と、作業だけで終わる人がいる。この違いを考えたい人に合う本です。経験から学ぶ力、挑戦と振り返り、周囲とのつながり、OJTの進め方などを扱っています。AIで仕事の形が変わっても、経験を渡しただけで成長を期待してはいけない、という問題意識につながります。本記事の、一件を最後まで任せて結果を追う案を、自分の職場でどう運用するか考えるときの補助線になるでしょう。新人本人の努力だけに原因を求めず、どんな仕事と支援を用意するかへ目を向けたい管理職にも向いています。五冊の中では、日々の育成の手順へ最も直接的につなげて読みやすい位置づけです。

[商品価格に関しましては、リンクが作成された時点と現時点で情報が変更されている場合がございます。]

「経験学習」入門 職場が生きる人が育つ [ 松尾睦 ]
価格：2,200円（税込、送料無料) (2026/10/17時点)


3．『失敗の科学 失敗から学習する組織、学習できない組織』マシュー・サイド

若手に挑戦させたいと言いながら、失敗した瞬間に犯人探しが始まる。それでは、判断の経験より、失敗を隠す技術が育ってしまいます。本書は医療や航空などの事例を通じ、失敗を学習へ変えられる組織の条件を考えます。本記事で触れた、判断の根拠と結果を追う仕組みを、報告や評価の文化まで広げて考える際に役立つテーマです。AIが出した案でも、人が承認した案でも、外れた理由を検討できるか。そこに関心のある人に向いています。挑戦を勧める側の善意だけで組織は変わるのか、という問いも持って読みたい一冊。個人の学習を扱う本と組み合わせると、学ぶ本人と、学べる環境を作る側の両方が見えてきます。


4．『熟達論 人はいつまでも学び、成長できる』為末大

頭で説明できることと、状況に応じて身体が動くことの間には、距離があります。元陸上選手の為末大さんが、遊、型、観、心、空という五つの段階から熟達を考える本です。AI時代の仕事だけを扱う本ではありませんが、言葉で受け取った知識と、繰り返す中で身につく理解の関係を考える入口になります。本記事の、画面の外で現物や人に触れる経験という話を、もう少し広く捉えたい人向けです。ただし、スポーツの熟達をそのまま経理の能力に置き換えるのではなく、何が共通し、どこが違うかを考えながら読むとよさそうです。仕事の効率や研修制度の話から少し距離を取り、自分が何かを身につけた過程を振り返る役割の一冊です。


5．『具体と抽象 世界が変わって見える知性のしくみ』細谷功

一件の処理を覚えたのに、少し条件が変わると手が止まる。反対に、先輩は別の案件でも共通する構造をつかんでいる。その差を考える助けになる本です。具体的な事象と抽象的な構造を行き来する思考を、短い章と漫画を交えて扱っています。本記事で提案した、通常の案件と条件を一つ変えた案件を比べる練習にもつながる視点です。単に事例集を増やすだけでなく、何を同じと捉え、何の違いで判断を変えたかを説明したい人に向いています。AIの文章を読んで分かった気になったときにも、自分で別の具体例へ戻せるかを考えるきっかけになります。五冊の中では、経験を別の仕事へ持ち運ぶための思考に焦点を当てる本です。


何を考えるべきかから整理したいなら『イシューからはじめよ［改訂版］』。職場の育成を変えたいなら『「経験学習」入門』と『失敗の科学』を組み合わせる。自分が技能を身につける過程を見直すなら『熟達論』、経験を別の案件へ応用する思考を鍛えたいなら『具体と抽象』から入ると、今回の問いが自分の仕事につながりやすくなります。

それでは、またっ！！

引用論文・参考文献

  • [1] 安宅和人『AI native時代の袋小路 ― 見立てる力はどこから来るのか』（2026年5月26日）、著者ブログ。
  • [2] Erik Brynjolfsson, Danielle Li, Lindsey Raymond, Generative AI at Work, The Quarterly Journal of Economics, 140(2), 889–942 (2025). 著者公開版・本文。
  • [3] Hamsa Bastani et al., Generative AI without guardrails can harm learning: Evidence from high school mathematics, PNAS, 122(26), e2422633122 (2025). 論文本文。
  • [4] Daniel Kahneman, Gary Klein, Conditions for Intuitive Expertise: A Failure to Disagree, American Psychologist, 64(6), 515–526 (2009). 論文公開PDF。

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

RECOMMENDこちらの記事も人気です。