会計

AIが普通になった世界で、何が希少になるのか – 知識の値崩れと、機密・現場・資産・責任への価値移動

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の進化を見ていると、つい能力の話ばかりしたくなります。どのモデルが賢い、どこまで自動化できる。確かにそこは派手です。

でも、仕事や投資で本当に知りたいのは、その一歩先ではないでしょうか。

AIが誰でも使える道具になった後、何に値段が付くのか。

この問いに切り替えると、見える景色が変わります。資料作成、文章、調査、簡単な分析。これまで個人や企業の強みだった能力の一部は、AIによって急速に供給量が増えていきます。

経済学では、供給が増えれば希少性は下がります。希少性が下がれば、そこだけでは高い値段を取りにくくなる。では、その反対側で何が希少になるのか。

この記事では、AI時代の価値を「AIに奪われない仕事探し」ではなく、「AIが増えるほど希少になるもの探し」として考えます。仕事、経営、投資、会計のそれぞれで、どこに価値が残るのかを見ます。

AIを恐れる話でも、礼賛する話でもありません。

むしろ、AIが普通になった世界を先に想像して、まだ普通にならないものを探す話です。

AIの価値は消えない、AIを使えるだけの価値が消える – 能力より希少性を見る

AIがPowerPointのようになる、と聞くと少し乱暴に感じるかもしれません。生成AIは文章だけでなく、分析、画像、動画、プログラミングまで触れるからです。

ただ、経済的な意味ではかなり本質を突いています。

PowerPointが価値を失ったわけではありません。消えたのは、操作できること自体の希少性です。

AIでも同じことが起きる可能性があります。

生成能力の価格は、すでに下がり始めている

NoyとZhangが453人の大卒ホワイトカラーを対象に行った実験では、ChatGPTを使った参加者は文章作成にかかる時間が平均40％減り、成果物の品質は18％上がりました。さらに、もともと能力の低かった参加者ほど改善幅が大きく、成果のばらつきも縮まりました。(pubmed.ncbi.nlm.nih.gov)

ここで面白いのは、生産性向上そのものより「差が縮む」ことです。

Brynjolfsson、Li、Raymondが5,172人のカスタマーサポート担当者を分析した研究でも、AI支援で平均生産性は15％向上し、効果は経験の浅い人や低スキル層ほど大きく出ています。(academic.oup.com)

つまりAIは、上位者だけをさらに強くする道具ではなく、熟練者のノウハウを下位層へ配る機械としても働く。

昔なら、いい文章や資料を作れるだけで希少性がありました。平均点の成果物をAIが大量生産できるなら、その能力の市場価格には下押し圧力がかかります。

「AIですごい資料を作りました」が、いずれ「PowerPointですごい資料を作りました」に近づく。これは十分あり得る未来です。

差が付くのは、モデルではなくモデルの外側になる

ここで企業経営の話に移ります。

Stanford Digital Economy Labが2026年に公表した51件の企業AI導入事例の分析では、42％の事例で基盤モデルの選択は完全に交換可能と評価されました。定型業務ではその割合がさらに高く、複雑な業務ではモデル差が残る。つまり、AIが完全なコモディティになったわけではありません。(digitaleconomy.stanford.edu)

ただし、企業が成果を出す場所は徐々にモデルの外側へ移っています。

Brynjolfsson、Rock、Syversonは、AIのような汎用技術では、技術導入だけでは生産性が跳ねないと論じています。業務プロセス、組織、人材、データ、システムといった補完投資が必要だからです。これを会計屋の言葉に翻訳すると、ソフトを買っただけでは利益は増えない、という極めて当たり前の話になります。(swlb1.aeaweb.org)

ERPを導入しただけで決算が速くならない会社は珍しくありません。マスタが汚い。業務が部署ごとに違う。承認経路が複雑。例外処理が人の頭にしかない。そこへ高性能なAIを置いても、古い業務を高速で回すだけです。

AI投資のROIは、モデルの性能表ではなく、業務設計の中に隠れています。

会計で消えるのは作業、残るのは数字の背景

経理を例にすると分かりやすい。

仕訳案を作る。勘定科目を検索する。会計基準を調べる。前年差を説明する。連結パッケージの不整合を探す。定型的な開示文章を作る。

このあたりはAIと相性がいい。

では経理の価値がなくなるのか。むしろ逆です。価値の置き場所が変わる。

同じ100億円の減損損失でも、その数字は突然システムから生えてきません。将来キャッシュフローを誰が作ったのか。事業計画の前提は妥当か。過去予算との乖離はなぜ起きたのか。経営者の楽観が混じっていないか。監査人とどこまで議論するのか。

数字を出力する作業が安くなるほど、「なぜその数字になったのか」を説明できる人の価値が上がります。

AIが仕事を奪う、という見方だけでは半分しか見えません。

実際には、AIは仕事の中にある一部の能力を大量供給します。そして大量供給された能力は、やがて競争優位ではなく参加条件になる。

Excelが使えることが経理の強みではないのと同じです。AIを使えることも、いずれ強みではなくなる。

だから見るべきなのはAIの性能ではなく、その性能が普及した後に残る希少性です。

希少性はデジタルの外へ逃げる – 機密、現場、電力はAIが増えるほど重くなる

生成AIは、世界をデジタル化しながら、現実世界への依存も強めます。

AIが賢くなればなるほど、公開情報だけでは差が付かなくなる。計算資源を使えば使うほど、電力や設備が必要になる。画面の中で自動化できるほど、画面の外に残る仕事の相対価値が上がる。

無形資産が膨らむほど、有形資産はボトルネックとして前に出てきます。

公開情報が無料に近づくほど、社内情報は高くなる

AI時代の企業価値を考えるとき、「データを持っている会社が強い」という言い方には少し警戒が必要です。

データなら何でも価値があるわけではないからです。

JonesとTonettiはデータの特徴を非競合性で説明しました。同じデータを複数の主体が同時に使えるため、土地や原油とは性質が違います。コピーできるデータは、持っているだけでは希少資産になりません。(aeaweb.org)

一方、企業の内部には、外から買えないデータがあります。

顧客ごとの取引履歴。値決めの過程。失注理由。設備の故障記録。品質不良の原因。過去の監査指摘。契約交渉の経緯。例外処理。誰が何を見て判断したか。

Stanfordの企業AI調査では、75％の導入事例が独自データをAI戦略の主要要素として挙げ、47％は蓄積データを競争上の堀だと明示しています。(digitaleconomy.stanford.edu)

ここで会計の視点が効きます。

会計基準は公開情報です。競合もAIも知っている。でも、自社の引当金が毎年どこで外れるのか、予算がどの部門で甘くなるのか、海外子会社のどの勘定に異常が出やすいのかは公開されていない。

公開知識が安くなるほど、会社固有の文脈が高くなる。

AI時代の情報資産は、知識量より「外から取得できない履歴」に価値が宿ります。

身体を使う仕事ではなく、現実の例外を扱う仕事が残る

では、現場仕事は全部安全なのか。

そこまで単純ではありません。

ILOの2025年調査では、生成AIへの曝露が最も高いのは事務職で、世界の雇用の約4分の1が何らかの曝露を持つ一方、多くの仕事は消滅より変容が中心になるとしています。(ilo.org)

いまの生成AIは、画面の中ではかなり強い。文章、画像、音声、コードはデータとして扱えます。

しかし現場には、データになり切らない例外が山ほどあります。

設備の微妙な振動。濡れた床。部品の個体差。顧客の表情。予定外の障害物。古い建物の配線。マニュアルにない故障。

もちろんロボットも進歩します。それでも、環境を機械側に合わせて標準化できる工場と、毎回条件が違う現場では自動化の難易度が違う。

だから強いのは肉体労働そのものではありません。

「現実世界の例外を処理できること」です。

これはデスクワークにもあります。決算で想定外の取引が出る。契約書の文言と実態がずれる。子会社の説明と数字が合わない。AIは答えを返しても、現実のどこが変なのかを嗅ぎ取るには、業務への接触が必要です。

AIは無形資産だが、利益は物理ボトルネックにも落ちる

投資家としては、ここが面白いところです。

AIというと半導体やソフトウェアばかり見がちですが、成長の裏では有限なものが消費されます。

IEAは、世界のデータセンター電力消費が2030年に約945TWhへ達し、2024年から倍増すると予測しています。AI向けアクセラレーテッドサーバーの電力消費は年率約30％で伸びる想定です。(iea.org)

モデルやソフトウェアは複製できます。

でも、同じ場所に同じ送電容量を二重に置くことはできません。

電力。送電網。変圧器。冷却。半導体製造装置。データセンター用地。建設能力。水。

こうした資産は、AI需要が強くなるほど制約として見えてきます。

投資では「AI市場が伸びる」ではなく、「伸びたとき値上げできるのは誰か」と問いたい。

売上成長率より、ボトルネックを握る側の粗利率を見る。設備投資が増えたとき、誰の受注残が増えるかを見る。AIの夢ではなく、キャッシュフローの着地点を見る。

希少性は、派手な場所から地味な場所へ移ります。

モデル性能はニュースになります。電力系統の接続待ちはニュース映えしない。最新AIサービスは話題になる。20年分の故障履歴は話題にならない。

でも利益は、話題性ではなく交渉力のある場所に残ります。

AI時代の投資で見たいのは、技術の中心ではなく、技術が避けて通れない関所です。

人の価値は責任に近づく – 答えを出す力より、答えに名前を載せる力

AIがさらに賢くなった未来を想像してみます。

市場分析もできる。会計論点も整理できる。契約リスクも洗い出せる。投資案件のNPVも計算できる。経営会議の資料も作れる。

では、経営者、投資家、会計士、管理職はいらなくなるのか。

ここで残るのが「決める」という行為です。

しかも、単なる選択ではありません。

結果が悪かったときにも、その判断を自分のものとして引き受けることです。

AIは判断材料を作れても、制度上の責任主体にはならない

AIガバナンスの議論を見ると、この方向はかなりはっきりしています。

OECDのAI原則は、AIシステムの適切な機能についてAIの利用主体が説明責任を負い、追跡可能性やリスク管理を確保することを求めています。(oecd.org)

EU AI Actでも、高リスクAIには自然人による監督が組み込まれ、必要に応じて出力を無視、上書き、停止できる仕組みが要求されています。(eur-lex.europa.eu)

技術が高度になるほど、責任の所在を人間側に設計し直しているわけです。

これは会計・監査だともっと露骨です。

PCAOBの2026年の講演では、AIは監査手続きを支援できても、監査意見への責任を負うことはできず、判断、職業的懐疑心、独立性について監査人が責任を持ち続けると整理されています。(pcaobus.org)

数字を作る実務では、サインできるかが最後に残る

経理実務には、AI時代の人間価値を先取りしたような場面があります。

決算数字は、計算として正しいだけでは足りません。

この売上は本当に計上していいのか。この引当率で十分か。この事業計画を減損テストに使えるのか。この偶発債務を注記しなくていいのか。

AIなら論点を並べ、過去事例を検索し、確率まで出せるでしょう。

でも会社が必要としているのは、最終的に「この数字で出す」と決める人です。

ここ、かなり重い。

数字には経営判断が入り、判断には利害が入り、利害には責任がついてきます。

会計の仕事を仕訳処理だと思えばAIにかなり置き換わる。一方、会計を「経済実態を数字として社会に出す仕事」と捉えると、むしろ人間の役割が濃くなる。

作業者は減っても、署名者の責任は薄まりません。

投資でも経営でも、価値はスキン・イン・ザ・ゲームに集まる

投資にも同じ構造があります。

AIが銘柄を分析し、適正価値を計算し、シナリオを作ってくれる。それでも損失を負うのは投資家です。

AIが設備投資案を比較し、もっとも期待値の高い案を提示しても、100億円を実際に投じるのは経営者です。

ここに、知能と責任の分離があります。

知能の価格が下がっても、リスクを引き受ける資本の価格はゼロになりません。

むしろ、誰でも高性能な助言を得られるほど「誰が資本を出すのか」「誰が決断するのか」「誰が失敗を背負うのか」が前に出てきます。

だからAI時代の人間価値は、単純な知識量より、権限と責任のセットに近づく。

知っている人より決められる人。

話せる人より交渉を成立させられる人。

正解を言える人より、その正解に自分の名前と資本を乗せられる人。

ただし、人間の価値が責任だけに収斂すると言い切るのも危険です。

目的を設定する。人を信頼する。交渉する。相手の痛みを理解する。例外を見つける。組織を動かす。こうした能力も残ります。

それでも、多くの能力の最後に責任が接続されるのは確かです。

AIが答えを作る時代ほど、人間には「その答えで行く」と言う役割が残ります。

結論　AI時代に持つべきものは、知識ではなく逃げられない場所かもしれない

会計では、資産とは将来の経済的便益をもたらす資源です。

この定義で自分のキャリアや会社を眺めると、少し怖いことに気づきます。

いま自分が資産だと思っている知識や技能は、本当に希少なままなのか。

AIが同じものを大量供給できるなら、それは価値がゼロになるわけではありません。ただ、超過収益を生む資産ではなくなる可能性がある。

だから、これから積み上げたいものは少し変わります。

他人が持っていない一次情報。現場との接点。顧客との信頼。意思決定に使える履歴。簡単には増やせない物理資産。組織を動かす権限。そして、自分の名前で決める経験。

投資でも同じです。

未来を当てるより、未来が来たときに必ず必要になるものを探す。AI企業の売上予想を競うより、AIが拡大するほど需給が締まる場所を見る。ストーリーではなく、誰にキャッシュが残るのかを見る。

経営なら、AI導入件数をKPIにするより、自社にしかない情報や業務履歴をどう資産化するかを考える方が長く効きます。

そして人生では、少しだけ話が変わります。

知識まで外注できる世界で、何を自分で持つのか。

答えを出すことが簡単になるほど、選ぶことは重くなる。

選んだ結果から逃げないことは、もっと重くなる。

AIがどれだけ賢くなっても、自分の人生の損益計算書にサインするのは自分です。

たぶん最後まで残る価値は、最も賢い人になることではありません。

自分にしか持てないものを持ち、自分にしか決められないことを決め、その結果を引き受けること。

AI時代は、人間の価値を奪う時代というより、これまで知識や肩書きの陰に隠れていた「本当に自分が持っている資産」を、容赦なく時価評価する時代なのだと思います。

AI時代の価値を、もう一段深く考えるための5冊

1．『生成AIで世界はこう変わる』今井翔太

生成AIの仕組みから、仕事、創作、生活、人間の役割までを広く扱う入門書です。技術論だけに閉じず、AIによって消える仕事・残る仕事や、創作の価値がどう変わるかまで射程に入れているため、本文で扱った「AIを使えること自体の希少性が下がる」という論点を理解する入口になります。AIについて断片的なニュースは追っているものの、技術と社会変化が頭の中でまだ一本につながっていない人に向いています。他の4冊より全体像をつかみやすく、議論の土台を作る役割の一冊です。

[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。]

生成AIで世界はこう変わる （SB新書） [ 今井翔太 ]
価格：1,100円（税込、送料無料) (2026/9/5時点)


2．『生成AI時代を勝ち抜く事業・組織のつくり方』梶谷健人

AIを便利なツールとして使う話から一歩進み、事業、サービス、組織へどう組み込むかを扱っています。本文で触れた「モデルそのものより、業務プロセスや組織などモデルの外側で差が付く」という論点と特に相性がいい。AIを導入したのに成果が出ない会社では何が欠けているのか、AIを使った新規事業をどう設計するのかを考える材料になります。個人の仕事術より、経営や事業開発、組織変革の視点からAIを見たい読者向け。他の4冊が社会や産業の構造を考えるのに対し、企業の実装側へ踏み込む点が特徴です。


3．『データエコノミー入門　激変するマネー、銀行、企業』野口悠紀雄

AIの性能そのものではなく、AI時代に価値を持つ「データ」の経済性を考えるなら、この本がつながります。データが企業や金融の競争構造をどう変えるのか、とりわけマネーに紐づくデータを軸に解説しており、本文の「公開知識が安くなるほど、独自データや会社固有の履歴が相対的に高くなる」という話を経済の側から掘り下げられます。なぜデータが資産になるのか、銀行や企業の競争優位がどう変わるのかを知りたい人に向いています。AI本というより、AIが価値を生むための原料と経済構造を見るところが他の4冊との違いです。


4．『半導体戦争　世界最重要テクノロジーをめぐる国家間の攻防』クリス・ミラー

AIを画面の中だけで考える危うさを教えてくれるのが、半導体産業の歴史と地政学を描いた本書です。コンピューティング能力を支える半導体が、技術競争だけでなく国家戦略、サプライチェーン、軍事力にまで接続してきた過程を扱います。本文の「AIという無形資産が増えるほど、半導体、電力、設備などの物理ボトルネックが重くなる」という投資視点を深めるのに適しています。AI関連株を技術の成長率だけで見てよいのか、利益はサプライチェーンのどこに残るのかを考えたい人向け。5冊の中で最もリアルアセットと地政学に近い一冊です。


5．『AI倫理　人工知能は「責任」をとれるのか』西垣通・河島茂生

本文の最後に置いた「人間の価値は責任に近づく」という主張を、そのまま肯定するのではなく、少し距離を取って考えるための本です。自動運転事故の責任、AIの人格、監視や選別、AIによる創作などを題材に、そもそもAIに責任を負わせるとは何を意味するのかを問い直します。AIが判断できるなら人間は決定から降りてもよいのか、責任主体とは何なのかという疑問を持つ読者に向いています。他の4冊が経済的な価値や競争優位を見るのに対し、制度と倫理の側から人間の役割を考え直せる点が大きな違いです。


生成AIそのものを整理したいなら『生成AIで世界はこう変わる』から入り、企業でどう価値に変えるかを考えたいなら『生成AI時代を勝ち抜く事業・組織のつくり方』へ進むと流れがつかみやすいでしょう。データを競争優位として見たいなら『データエコノミー入門』、AI投資を半導体や供給制約まで広げたいなら『半導体戦争』がつながります。そして、この記事の最後にある「責任」という言葉に引っかかったなら、『AI倫理』を読むと議論が一段深くなります。5冊を通して見ると、AIの未来を「どこまで賢くなるか」ではなく、「賢さが安くなった世界で何が希少になるか」という角度から考えやすくなります。

それでは、またっ！！

引用論文・参考文献

  • Noy, S. & Zhang, W. (2023), Experimental evidence on the productivity effects of generative artificial intelligence, Science, 381(6654), 187–192. DOI: 10.1126/science.adh2586. (pubmed.ncbi.nlm.nih.gov)
  • Brynjolfsson, E., Li, D. & Raymond, L. R. (2025), Generative AI at Work, The Quarterly Journal of Economics, 140(2), 889–942. DOI: 10.1093/qje/qjae044. (academic.oup.com)
  • Pereira, E., Graylin, A. W. & Brynjolfsson, E. (2026), The Enterprise AI Playbook: Lessons from 51 Successful Developments, Stanford Digital Economy Lab. (digitaleconomy.stanford.edu)
  • Brynjolfsson, E., Rock, D. & Syverson, C. (2021), The Productivity J-Curve: How Intangibles Complement General Purpose Technologies, American Economic Journal: Macroeconomics, 13(1), 333–372. DOI: 10.1257/mac.20180386. (swlb1.aeaweb.org)
  • Jones, C. I. & Tonetti, C. (2020), Nonrivalry and the Economics of Data, American Economic Review, 110(9), 2819–2858. DOI: 10.1257/aer.20191330. (aeaweb.org)
  • Gmyrek, P. et al. (2025), Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140. DOI: 10.54394/HETP0387. (ilo.org)
  • International Energy Agency (2025), Energy and AI. (iea.org)
  • OECD, AI Principles, adopted 2019 and updated 2024. (oecd.org)
  • European Union (2024), Regulation (EU) 2024/1689, Artificial Intelligence Act, Article 14 Human oversight. (eur-lex.europa.eu)
  • Botic, G. R. (2026), In the Arena: Financial Statement Auditors and the Academic Community, Public Company Accounting Oversight Board. (pcaobus.org)

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。