会計

AIで仕事が消える前に、価値の置き場所が変わる – 能力がコモディティ化する時代のキャリア・投資・経営論

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の話になると、AIが人間の仕事を奪うという話と、AIで誰でも生産性が上がるという話に割れがちです。

たぶん、どちらも半分しか見ていません。

仕事、投資、経営の三方向から眺めると、もっと厄介で面白い構造が見えてきます。AIが最初に壊しているのは職業そのものではなく、人間が持っていた能力の値札です。

文章が書ける。調査できる。コードが書ける。数字を集計できる。資料を作れる。これまでなら、それ自体に市場価値がありました。ところがAIは、その供給量を一気に増やします。供給が増えれば、希少性は落ちる。経済の基本です。

では、何が残るのか。

この記事では、AIで消えやすい仕事を職業名で探すことがなぜ危ういのかを解きます。さらに、キャリアの置き場所、企業のAI投資、経営の落とし穴、会計現場で生産性向上をどう数字に落とすかまで一本につなげます。

ポイントは、能力より環境が大事という単純な話ではありません。

AI時代は「能力単体の価値」より「何と組み合わされるか」の価値が大きくなる。ここを外すと、努力しているのに市場価値が下がる。仕事選びが、少し大人のなぞなぞっぽくなってきました。

AIは仕事より先に能力の値札を壊す – できるだけでは差がつかない

AIによる失業を語るとき、多くの人は会社から人が消える場面を想像します。ただ、実際の労働市場ではもっと静かな変化が先に起こります。辞めさせるのではなく、採らない。人を減らすのではなく、増やさない。

この違いは小さく見えて、かなり大きいです。

大量失業より先に、若手の入口が細くなる

Stanford Digital Economy Labが2026年8月に改訂した研究では、ADPの数百万人規模の米国給与データを使い、生成AI普及後の雇用を追っています。全体としては、AIによる経済全体の広範な雇用喪失は確認されていません。

ところが、22〜25歳に絞ると景色が変わります。AI曝露の高い職業で働く若手の雇用は、曝露の低い同年代の職業と同じペースで伸びていた場合に比べ、2026年6月時点で約19％低い水準にありました。しかも調整は解雇より採用減を通じて起きていると報告されています。研究者自身も因果推定ではなく記述的なシグナルだと慎重に位置づけています。 (digitaleconomy.stanford.edu)

ILOの2025年研究も、世界の労働者のおよそ4人に1人が何らかの生成AI曝露を持つ職業にいる一方、多くの仕事は消滅より変容が起こる可能性が高いとしています。 (ilo.org)

いきなり雇用の崖が来るとは限りません。怖いのは、入口が静かに細くなることです。経験者とAIで処理量を増やせるなら、企業は解雇より先に採用計画を変えられます。損益計算書には派手なリストラ費用が出なくても、人件費の自然増が止まる。この変化は見落としやすい。

AIは平均点を上げるが、それは中間層の値段を下げることでもある

NoyとZhangがScienceに発表した実験では、453人の専門職に文章作成業務を行わせたところ、ChatGPTを使った群は平均作業時間が40％短くなり、品質は18％上がりました。しかも恩恵は、もともと成績の低かった参加者ほど大きかった。 (doi.org)

Brynjolfsson、Li、Raymondによる5,179人の顧客サポート担当者の研究でも、生成AI支援によって生産性は平均14％改善し、新人・低スキル層では34％改善しました。一方、熟練者への効果は小さかったとされています。 (nber.org)

これは希望のある話です。能力差を縮め、経験の浅い人でも早く仕事ができるようになる。

ただし、労働市場の目線に変えると別の顔があります。

平均点が上がるということは、普通にできることの希少性が落ちるということです。

文章を書けます。Excelを使えます。調査できます。簡単な分析ができます。以前なら採用理由になった技能が、AI込みでは標準装備になる。会計でいえば、仕訳候補の作成、照合、開示草案、会計基準の一次検索、増減分析のたたき台あたりは、できること自体の価値が薄くなりやすい。

ここ、かなり厳しいところです。

AIは人間の能力を奪うというより、能力のプレミアムを剥がしていきます。

消えやすいのは仕事ではなく、修業のための仕事かもしれない

若手の仕事には、成果物を納めることと、その作業を通じて学ぶことの二つの意味があります。

資料を集める。数字を突き合わせる。過去資料を読む。先輩のレビューを受ける。企業には非効率に見える工程でも、その中に学習が埋め込まれていました。

Stanfordの2026年改訂では、形式化・文書化された知識に依存する職業で若手雇用が弱く、実地経験で身につく暗黙知に依存する職業では経験者の雇用が相対的に強いというパターンも報告されています。 (digitaleconomy.stanford.edu)

これは会計の現場を考えるとよく分かります。

会計基準の検索ならAIは速い。でも、なぜこの処理が揉めるのか、監査人がどこを嫌がるのか、契約の一文が翌期の連結処理にどう跳ねるのかは、実務で鍛えられる部分です。

問題は、その修業タスクまでAIに渡すこと。若手の生産性は上がっても、経験を積む階段の一段目が抜ける。短期効率化と長期の人材育成が衝突します。

だから、AIで仕事がなくなるかという問いだけでは足りません。

見るべきは、その仕事の中にあるどのタスクが安くなり、どの経験が蓄積しにくくなるかです。職業名は同じでも、中身は別物になります。

そして個人にとって厄介なのは、自分が昨日まで誇っていた技能が、明日も同じ値段で売れる保証がないことです。資格や経験が無価値になるわけではありません。ただ、技能を持っているだけでは足りず、その技能を使ってどの判断まで引き受けられるかが問われ始めています。

価値はスキルから補完資産へ移る – 同じAIでも成果が違う理由

AIを導入すれば生産性が上がる。ここまでは分かりやすい。

でも企業経営では、その先が本番です。

1時間の仕事が30分になったとして、その30分は利益になったのか。ここを曖昧にすると、AI導入は派手な成功事例だけ増えて、決算書はほとんど変わりません。

AI導入はソフト購入ではなく、組織資本への投資である

Brynjolfsson、Rock、Syversonは、AIのような汎用技術では、技術そのものだけでなく業務プロセスの再設計、人材育成、新しい製品やビジネスモデルなどの補完投資が必要だと論じています。こうした無形投資は初期には統計や会計上の生産性に表れにくく、後から成果が出る。これをProductivity J-Curveと呼びます。 (aeaweb.org)

経理屋の目線で見ると、ここが面白い。

AIライセンス料やクラウド費用は見えます。ところが、本当に効く投資は見えにくい。

業務フローの変更、マスタ整備、権限設計、データクレンジング、レビュー方法の変更、現場教育。会計上は当期費用になるものも多いのに、経済的には将来利益を生む組織資産になり得ます。

だから導入初期に利益率が悪化しても、それだけで失敗とは言えません。逆にAI利用率が高くても、業務設計が昔のままなら投資回収は弱い。

AI投資を見るとき、費用の額より補完資産が積み上がっているかを見る。この視点はかなり使えます。

投資家が見るべきはAIを使っている会社ではなく、AIで損益構造が変わる会社

AI関連銘柄を見ると、つい導入社数、ユーザー数、モデル性能、設備投資額に目が行きます。

でも株主価値になるには、最終的にキャッシュフローへ落ちなければいけません。

売上単価が上がるのか。営業一人当たりの売上が増えるのか。人件費の伸びが鈍るのか。外注費が減るのか。開発サイクルが短くなって新製品投入が速くなるのか。解約率が下がるのか。

ここまで降りて初めてAIは投資テーマから企業価値の話になります。

特に注意したいのは、AIで工数が減った＝利益が増えた、と短絡することです。

社員が月160時間働く前提で給料が固定なら、10時間浮いても給料は減りません。その10時間で追加売上を作る、採用を抑える、外注を切る、残業を減らす、締め日程を短縮して意思決定を速める。どれかに変換されて初めて経済価値になります。

AI導入率より、余った時間を利益に変換する仕組み。

投資家が見たいのはこちらです。

会計で見ると、生産性向上は利益ではなく余剰能力でしかない

AI導入では、削減時間をそのまま人件費単価で掛けて効果額にする資料を見かけます。

計算はきれいです。でも固定給なら、削減されたのは費用ではなく必要作業量です。P/Lには人件費が残り、現場には余剰能力が生まれる。この余剰能力を何に振り替えるかが経営です。

決算業務なら、単純集計をAIに任せ、浮いた時間を異常値分析、子会社との対話、経営への示唆、内部統制の改善に使う。そこで初めて同じ人数で成果の質が上がります。

採用抑制、残業減、外注費減、決算早期化、修正コスト減まで追えば、ようやく効果は数字になります。

AIは工数を削減します。

経営は、その工数を利益か能力へ変換します。

両者は別物です。

この違いを理解すると、AIで伸びる会社と、AIを入れただけの会社が見分けやすくなります。

ソフトウェアは買えます。モデルも多くの会社が同じものを使えます。差がつくのは、その上に乗る業務設計、データ、顧客基盤、意思決定速度、現場の学習です。

つまりAI時代の競争優位は、AIそのものではなく、AIと組み合わせる資産へ移る。投資家は技術ニュースだけでなく、貸借対照表に載りにくい組織能力まで見る必要があります。

残る仕事を探すより、ボトルネックを握る – AIが賢くなるほど強くなる人

では個人はどうするのか。

AIにできない仕事を探す、という答えはあまりおすすめしません。今日できないことを来年もできないとは限らないからです。

もっと耐久性のある考え方があります。

AIが賢くなったとき、自分の価値が下がる場所ではなく、AIが賢くなるほど自分の持つボトルネックの価値が上がる場所に移ることです。

AI曝露が高い仕事ほど危険、ではない

IMFのPizzinelliらは、AIへの曝露とAIとの補完性を分けて分析しています。高所得層や高学歴層の職業にはAI曝露が高い仕事が多い一方、人間との補完性も高い仕事が含まれます。つまり、AIが多くのタスクを支援できる職業でも、それがそのまま代替リスクを意味するわけではありません。 (imf.org)

この区別は実務で効きます。

財務分析はAI曝露が高い。契約書レビューも高い。プログラミングも高い。

でも、そのアウトプットを使って誰が意思決定するかまで見ると話が変わります。

M&AでAIが企業価値評価のたたき台を作れても、前提をどこまで攻めるか、シナジーをどこまで信じるか、この価格で取締役会に上げるかは別問題です。

決算でも同じです。AIが会計論点を列挙できても、監査人との議論を踏まえて会社としてどの処理を採るかは、責任と権限を伴います。

AIが仕事に入ってくることと、人間が要らなくなることは同義ではありません。

情報が安くなるほど、意思決定権の値段は上がる

David Autorは、情報は意思決定のための入力にすぎず、より経済的に重要なのは意思決定そのものだと論じています。AIには、専門家だけが持っていた判断能力の一部をより多くの人へ広げる可能性がある、というのが彼の議論です。 (nber.org)

ここから一歩進めると、AI時代の希少資源が見えてきます。

情報ではありません。情報はむしろ安くなる。

希少になるのは、決める権限、結果を引き受ける責任、顧客との信頼、独自データ、組織内の文脈です。

投資でも、情報差だけで勝つのは以前より難しくなります。決算短信を要約し、競合比較を出し、感応度分析を作るところまでAIが高速化するなら、差がつくのは前提の置き方です。

この経営陣を信用するのか。
この投資は資本コストを上回るのか。
市場が過小評価している不確実性は何か。
どこで自分の見方が間違っていると認めるのか。

情報処理能力から、判断品質へ。

価値の重心が移ります。

仕事をこなす側より、仕事を定義する側に回る

AcemogluとRestrepoは、自動化が既存タスクから労働を押し出すdisplacement effectと、人間向けの新しいタスクが生まれるreinstatement effectを区別しています。自動化だけなら労働需要を弱めますが、新しいタスクが作られれば人間の役割は広がります。 (pubs.aeaweb.org)

キャリアへの示唆は明快です。与えられた仕事を速く処理する能力だけに賭けない。

何を自動化し、何を人間に残すか決める。新しい管理指標や顧客体験を設計する。仕事を受け取る側から、仕事そのものを定義する側へ寄る。

私はこの変化を、経済価値 ≒ 希少性 × AIレバレッジ × 意思決定権 × 責任 × 補完資産、と考えると整理しやすいと思っています。これは学術的な公式ではなく、今回の研究を実務向けにまとめた私なりの整理です。

どれだけAIを使えるかだけではない。そのAIを、どの顧客、データ、権限、信用と掛け合わせられるか。掛け算のどこかにゼロがあれば、能力が高くても成果は伸びません。

だから、適切な環境にいることがすべて、という表現も半分だけ正しいと思います。

環境は確かに大きい。でも良い環境とは、有名企業や高給企業という意味ではありません。自分の技能がAIに代替される場所なのか、AIによって増幅される場所なのか。その違いです。

同じ会計知識でも、数字を転記する場所では価値が薄まり、数字の意味を経営判断へ翻訳する場所では価値が増える。同じプログラミング能力でも、仕様書どおりにコードを書く場所と、顧客の課題から何を作るか決める場所ではAIの作用が逆になります。

キャリア戦略は、強み探しだけでは足りなくなりました。

自分の強みが複利で効く場所を探す。こちらのほうが本質に近いと思います。

結論　AI時代のキャリアは、自分という無形資産の減損テストになる

会計には減損という考え方があります。

資産は、昔いくらで買ったかではなく、これからどれだけキャッシュフローを生むかで価値を見直されます。キャリアも、少し似ています。

時間をかけて身につけた技能だから価値がある。難しい資格だから価値がある。昔はそれで高く評価されたから価値がある。

残念ながら、市場は取得原価を見てくれません。

AIによって同じアウトプットが安く供給されるなら、その技能単体の価値は下がり得ます。

ただ、ここで悲観する必要もありません。

会計上の資産も、単体では弱くても、別の資産と組み合わせることで大きなキャッシュフローを生むことがあります。キャリアも同じです。

会計知識 × AI × 経営判断。
技術 × 顧客理解 × AI。
営業力 × 信用 × AI。
投資経験 × 独自の視点 × AI。

AIによって能力の取得原価が下がるほど、組み合わせ方の価値が上がります。

投資家が企業の参入障壁、顧客基盤、ブランド、経営陣、資本配分を見るように、自分自身も同じように見たほうがいい。

何ができるかではなく、自分の何が簡単には複製されないか。
どんな意思決定に参加できるか。
誰から信用されているか。
どんな文脈を知っているか。
AIを使ったとき、成果が何倍になる場所にいるか。

人生までつなげるなら、たぶんこれが一番怖くて、一番救いのあるところです。

努力の価値がなくなるのではありません。

努力する場所を間違えたときの機会損失が、以前より大きくなる。

だからこれからは、何を学ぶかと同じくらい、どこで学ぶか、何と掛け合わせるか、何を引き受けるかを考えたい。

AIは人間の価値をなくす装置ではない。

人間がどこに価値を置いていたのかを、容赦なく時価評価する装置なのかもしれません。

AI時代の価値を、もう一段深く考えるための5冊

1．『AI大格差　最先端の研究が明かす仕事と給料の未来』宮本 弘曉

AIと雇用の問題を、未来予測だけではなく労働経済学の土台から整理したい人に向いています。技術革新と雇用の歴史、AIが仕事・賃金・格差へどう作用するのか、さらに複数の未来シナリオまで扱っています。この記事で触れた若手の入口、能力の価格低下、AI曝露と雇用の話を、個人の感覚ではなく経済全体から見直せるのが強みです。AIを使える人だけが勝つのか、技術進歩は本当に雇用を奪うのか、といった疑問を数字と理論の両方から考えたい読者に合います。ほかの4冊よりマクロ経済と労働市場に軸足があり、AI論を過度な楽観にも悲観にも寄せずに考えるための基準点になります。


2．『AI中心の経営　The AI-Centered Enterprise：ACE（エース）への組織改革』Ram Bala、Natarajan Balasubramanian、Amit Joshi（森 健訳）

個人がAIを使うだけでは企業の競争力にならない、というこの記事の論点を経営側から掘り下げる本です。テーマは、AIを個別業務の効率化ツールで終わらせず、情報の流れ、業務プロセス、組織そのものをAI前提へ作り替えること。文脈認識AIや企業内の情報流再編、組織横断でAIを使うためのフレームワークが扱われています。AIライセンスを配ったのに成果が出ないのはなぜか、PoCばかり増えるのはなぜか、と感じている人には特に相性がいいでしょう。5冊の中では最も経営設計寄りで、本文の補完資産やProductivity J-Curveを、実際の組織変革へつなげて考えられます。


3．『生成AI×経理・会計　実務入門』白井 敬祐

AIによって経理の仕事が具体的にどこまで変わるのかを、現場の業務単位で見たいときに使いやすい一冊です。請求書処理、経費精算、売掛金管理、月次増減分析、他社開示例の調査、決算書分析、役員報告資料など、日次から年次まで幅広い経理・会計業務を扱っています。この記事で書いた、工数削減はそのまま利益ではなく余剰能力である、という論点と合わせて読むと面白いはずです。単にAIで速くするだけでなく、浮いた時間をどの高付加価値業務へ移すのかという問いが見えてきます。5冊の中では最も現場に近く、AIによる仕事の変化を抽象論ではなく自分の業務フローに落としたい人向けです。

[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。]

生成AI×経理・会計　実務入門 [ 白井　敬祐 ]
価格：2,200円（税込、送料無料) (2026/9/3時点)


4．『生成AI投資の教科書』ジョン・シュウギョウ

AI時代に投資家の情報優位がどう変わるのかを、実際の投資行動から考えたい人向けです。生成AIの基礎から、投資スタイル別の活用、プロンプト設計、情報収集や分析、自分専用のAIアシスタント構築までを扱っています。この記事では、情報が安くなるほど差がつくのは前提の置き方や判断品質だと書きました。本書の実践法をその視点で読むと、AIに銘柄を決めてもらうためではなく、調査コストを下げて人間が本当に考えるべき論点を浮かび上がらせる道具としてAIを捉えやすくなります。5冊の中では投資家の手元に最も近く、AIを企業分析へどう組み込むか試したい読者に向いています。


5．『AI時代に仕事と呼べるもの　「あなただけ」の価値を生み出し続ける働き方』三浦 慶介

経済や企業の話から少し離れて、では自分は何を価値として残すのかを考えるための本です。AI活用スキルそのものではなく、AIが広がっても人間側に残る価値や、成果を生み続ける働き方に焦点を当てています。この記事の最後で触れた、自分という無形資産をどう組み合わせるか、AIが賢くなるほど価値が増える場所はどこか、という問いと直接つながります。雇用統計やAIツールを理解しても、自分のキャリアへどう落とせばよいか分からない人には入りやすいでしょう。ほかの4冊が経済、組織、実務、投資を扱うのに対し、この本は最終的に自分の仕事の意味へ視点を戻してくれます。


AIと雇用の全体像から入りたいなら『AI大格差』、会社がAIで本当に変わる条件を知りたいなら『AI中心の経営』から読むと流れをつかみやすいです。経理・会計の仕事へ直結させたいなら『生成AI×経理・会計　実務入門』、投資判断へ持ち込みたいなら『生成AI投資の教科書』が具体的です。そして、自分自身のキャリアや働く意味まで考えたいなら『AI時代に仕事と呼べるもの』へ進む。5冊を通して読むと、AIという一つの技術を、労働市場、企業、会計、投資、個人という別々の角度から眺められます。

それでは、またっ！！

引用論文・参考文献

  • Brynjolfsson, E., Chandar, B., & Chen, R. (2025, revised 2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. 若手雇用、採用減、暗黙知と形式知の違いに関する記述的分析。 (digitaleconomy.stanford.edu)
  • Gmyrek, P., Berg, J., Kamiński, K., et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140. 世界の職業別GenAI曝露と、代替より職務変容が中心となる可能性を分析。 (ilo.org)
  • Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187–192. 専門職453人を対象としたランダム化実験。 (doi.org)
  • Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889–942. 顧客サポート担当者5,179人を対象に生成AI導入の生産性効果を分析。 (nber.org)
  • 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. 汎用技術と業務再設計、人材、無形資産などの補完投資との関係を分析。 (aeaweb.org)
  • Pizzinelli, C., Panton, A. J., Tavares, M. M., Cazzaniga, M., & Li, L. (2023). Labor Market Exposure to AI: Cross-country Differences and Distributional Implications. IMF Working Paper 2023/216. AI曝露と人間との補完性を区別して労働市場への影響を分析。 (imf.org)
  • Autor, D. (2024). Applying AI to Rebuild Middle Class Jobs. NBER Working Paper 32140. AI、専門知識、情報、意思決定の関係について論じた研究。 (nber.org)
  • Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30. 自動化による労働代替と、新しいタスク創出による労働需要回復を理論的・実証的に整理。 (pubs.aeaweb.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。