会計

AIは仕事を奪わない。あなたの仕事の値札を書き換える


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を使える人の給与が上がり、使えない人の給与が下がる。

最近は、そんな言葉をよく見かける。焦る。何か始めないとまずい気もする。とりあえず生成AIを開いて、メールを書かせ、資料を要約させ、今日もAIを使ったと安心する。

でも、ここにはかなり大きな落とし穴がある。

AIを毎日使っていることと、市場価値が上がることは別だ。

電卓を毎日使う人が、必ず高給になるわけではない。Excelを触れる人が全員、経営企画に抜てきされるわけでもない。道具を使えるだけでは、その人の値段は決まらない。

では、何が給与を決めるのか。

本稿を読むと、AI時代の賃金がどう組み替わるのかを、流行語ではなく構造でつかめる。

どんな業務の単価が下がり、どんな仕事に利益が集まりやすいのか。AIで生産性が上がっても、なぜ給与には反映されないことがあるのか。今の専門性を捨てずに、より高く評価される仕事へどう移るのか。

投資でいえば、これは成長市場を探す話ではない。

自分という会社の事業ポートフォリオを組み替える話だ。

会計でいえば、売上を増やすだけでは足りない。粗利率、再現性、代替可能性、リスク負担まで見なければ、その仕事の本当の価値は読めない。

AIに詳しい人になる必要はない。

AIによって、自分の仕事のどこがコモディティ化し、どこに希少性が移るのかを読める人になればいい。

その視点があれば、AIを怖がりすぎず、かといって楽観もしない。明日から何を自動化し、何を鍛えるべきかが見えてくる。

AIが下げるのは人間の価値ではなく、作業の限界価格

経理、営業、エンジニア、コンサルタント。

私たちは職業名で仕事を語りがちだ。だが、AIが代替するのは職業名ではない。仕事の中に含まれる一つひとつのタスクだ。

経理なら、証憑の読み取り、仕訳候補の作成、残高照合、差異コメントの初稿、会計基準の検索、関係部署への確認、会計処理の判断、監査人への説明がある。

この全部が同じ速さで自動化されるわけではない。

ここをひとまとめにして、経理は消える、経理は消えないと議論しても、あまり意味がない。

定型業務の値段は、AIの利用料へ近づいていく

市場価格は、原価と希少性で動く。

これまで一時間かけていた文章やコードをAIが数分で作れるなら、同じ成果物に一時間分の料金を払い続ける企業は減る。

競争が働けば、価格はAIの利用料、確認工数、修正工数に近づいていく。

投資家の目で見ると分かりやすい。

参入障壁が低く、誰でも同じ商品を大量生産できる市場では、価格競争が起きる。売上は増えても粗利率が落ちる。

生成AIは、ホワイトカラー業務の一部に巨大な生産設備を持ち込んだようなものだ。

文章の下書き、定型コード、資料の整形、一般的な調査。こうした成果物は、以前よりはるかに安く、速く供給できる。

人間が不要になるというより、作業だけを売る商売の採算が悪くなる。

ここ、かなり厳しい。

真面目に時間をかけたことは、価格を守る理由にならない。市場が買うのは苦労ではなく、結果だからだ。

高くなるのは上流工程ではなく、失敗のコストを引き受ける仕事

では、要件定義やプロジェクト管理なら安泰なのか。

それも少し雑だ。

上流だから高いのではない。

曖昧な状況で決め、他人を動かし、失敗したときのコストを引き受けるから高い。

たとえばAIは、会計処理の候補をいくつも提示できる。だが、契約の実態、商流、過去の処理、監査対応、税務への波及、経営者への説明まで踏まえ、会社としてどの処理を採るかは別問題だ。

判断を誤れば、決算訂正、税務リスク、信用低下につながる。

企業が報酬を払うのは、知識量だけではない。

決めること。
説明すること。
責任を持つこと。

AIが出力を安くするほど、最終判断の値段はむしろ目立つ。作業原価が下がる一方、判断ミスによる損失額は下がらないからだ。

AIは賃金格差を広げるだけでなく、熟練の値段も壊す

生成AIの研究では、経験の浅い人ほど生産性が大きく上がる事例が報告されている。

顧客対応担当者5,179人を対象にした研究では、AI支援による生産性向上は平均14％で、初心者や低スキル層では34％だった。一方、経験豊富な担当者への効果は小さかった。

これは希望でもあり、脅威でもある。

新人が短期間で中堅に近づけるなら、教育コストは下がる。一方で、これまで経験年数によって守られていた賃金差も縮む。

十年かけて覚えた定型的な回答をAIが再現できるなら、十年という年数だけでは価格を維持できない。

会計でいえば、過去に積み上げた経験は無形資産だ。ただし、将来キャッシュフローを生まなくなれば減損する。

厳しい言い方だが、経験にも減損テストが要る。

自分の経験のうち、AIがコピーできる部分はどこか。

現場の文脈、交渉、異常への勘、責任ある判断など、コピーしにくい部分はどこか。

経験年数ではなく、経験の中身を棚卸しする時代になった。

職業を守るより、値崩れするタスクを手放す

AI時代の防衛策は、自分の職業を丸ごと守ることではない。

値崩れするタスクを早めにAIへ渡し、人間にしか残りにくい仕事へ時間を移すことだ。

作業を抱え込む人ほど安全に見えて、実は危ない。

安くなる商品を在庫として積み続けているからだ。

生産性が上がっても、給与が上がらない残酷な理由

生成AIを使うと仕事が速くなる。

文章作成の実験では、平均作業時間が40％短くなり、成果物の品質は18％上がった。

知識労働者758人を対象にした別の実験でも、AIの能力範囲内にある課題では、AI利用者は非利用者より多くの課題を処理し、平均25.1％速く作業を終え、品質も改善した。

ならば、AIを使った人の給与も上がるはず。

そう考えたくなる。

だが、会社の損益計算書と個人の給与明細の間には、深い谷がある。

生産性向上は、最初に会社の粗利へ入る

一日八時間かかっていた仕事が六時間で終わったとする。

浮いた二時間が、そのまま本人へ支払われるわけではない。追加の案件を処理するかもしれない。人員補充を止めるかもしれない。価格を下げて受注競争に使う場合もある。

生産性向上の果実は、

・企業利益
・顧客への値下げ
・労働時間の短縮
・処理量の増加
・人員削減
・賃金上昇

のどこかへ配分される。

会計的には当たり前の話だ。

売上総利益が増えたからといって、従業員給与が同額増えるわけではない。

付加価値の分配は、給与テーブル、人事評価、転職市場、労使交渉、代替人材の有無で決まる。

デンマークの労働者と職場を行政記録に結びつけた研究では、AIチャットボットの導入が急速に進んだ一方、導入から二年後までの所得や記録上の労働時間に、2％を超える明確な効果は確認されなかった。

AIを使えば給料が上がる。

この式には、分配という勘定科目が抜けている。

もう一つ、見落とされやすい点がある。

AIで仕事が速くなった人が、同じ給与のまま仕事量だけ増やされるケースだ。

本人は効率化したつもりでも、会社から見れば処理能力に余裕ができたように映る。結果として、空いた時間へ新しい仕事が流れ込み、忙しさだけが元に戻る。

これはAI導入の失敗ではない。

分配設計の失敗だ。

短縮した時間を何へ使うのか。評価指標を件数のままにするのか、判断の質や改善成果へ変えるのか。

ここを決めないままAIを入れると、便利になったのに誰も楽にならず、給与も上がらないという、なんとも残念な着地になる。

会社に評価されるのは時間短縮ではなく、利益への変換

AIで資料作成を二時間短縮しました。

本人にとっては大きい。けれど、経営側から見ると、それだけでは評価しづらい。浮いた二時間が何に変わったのか分からないからだ。

給与交渉で強いのは、利用回数ではなく変換実績だ。

・月次決算を何日早めたか
・問い合わせ件数を何件減らしたか
・ミスや手戻りをどれだけ減らしたか
・分析時間を増やし、どの意思決定につなげたか
・外注費や残業代をいくら抑えたか

AIの成果は、時間、品質、売上、コスト、リスクのどれかに翻訳する。

ここまでやって、ようやく市場で売れる実績になる。

AIを使った事実は費用明細に近い。

何を生んだかが損益だ。

経理屋としては、AI活用を語るならROIまで出してほしい。

プロンプトを百個持っていても、利益を生まなければ、便利な趣味で終わる。

AIスキルの賃金プレミアムを誤読しない

米国の求人データを使った研究では、AIスキルを求める求人に、同一企業内で11％、同一職種内で5％の賃金プレミアムが確認された。

ただし、このAIスキルには機械学習、深層学習、画像認識などの専門的な能力が含まれる。

生成AIに質問できる人全員の給与が上がった、という話ではない。

AI利用が一般化すれば、簡単な操作はプレミアムではなく入場券になる。

メールが使える。
表計算が使える。

それと同じだ。

報酬が付くのは、希少な組み合わせである。

会計が分かる。
事業が分かる。
AIで処理を設計できる。
出力の誤りを見抜ける。
関係者へ説明できる。

この掛け算は、まだ誰でも持っているわけではない。

AI単体の知識より、既存の専門性と接続したAI活用の方が、模倣されにくい。

投資でいえば、単品の商品ではなく、他社が再現しづらい事業モデルを持つ会社に近い。

AIを使った時間ではなく、増やしたキャッシュを語る

AI時代の評価で見るべきは、何時間使ったかではない。

何時間を生み、その時間を何へ再投資し、どんな結果を出したかだ。

給与を上げたいなら、AIを操作する人で止まってはいけない。

AIの生産性を、会社の利益と自分の実績へ変換する人になる必要がある。

転職より先に、自分の中で労働移動を起こせ

AI分野が伸びるなら、AI企業へ転職した方がいい。

そう考える人もいるだろう。

だが、成長産業へ移れば全員が高いリターンを得られるわけではない。

株式投資でも、成長率の高い会社を高値で買えば損をする。

キャリアも同じだ。市場の成長性だけでなく、自分の取得価格と競争優位を見なければならない。

これまで積んだ業界知識、実務経験、信用、人間関係を捨て、未経験者としてAI市場へ入る。

それは、利益の出ている事業を売却し、流行の新規事業へ全額投資するようなものだ。

少々、乱暴である。

最初の労働移動は、転職ではなく一日の中で起こす

最も安全で再現性が高いのは、同じ会社、同じ職種の中で時間配分を変えることだ。

一日の業務を並べる。

AIに任せられる作業。
AIに下書きを任せ、人が確認する作業。
人が主導すべき判断。
人間関係や責任を伴う仕事。

この四つに分ける。

経理なら、証憑整理や文章の初稿を圧縮し、差異の原因調査、会計論点の検討、事業部との対話、経営への説明へ時間を移す。

多くの人がここで止まる。

AIに渡したいが、間違えたら怖い。だから結局、自分で最初から全部やる。

これでは品質は守れても、時間は一円も生まれない。

必要なのは、全自動化か手作業かの二択ではない。

重要度の低い部分から任せ、確認ポイントだけを人間が握ることだ。

月次業務なら、初稿はAI、数値確認は担当者、重要判断は責任者という具合に、リスクに応じて統制を置く。

AI導入は、業務削減ではなく内部統制の再設計でもある。

営業なら、議事録や提案書の骨格をAIへ渡し、顧客の本音を聞く時間、提案の仮説を磨く時間を増やす。

これが本当の労働移動だ。

会社を辞めなくても、人間の時間を低単価業務から高単価業務へ移せる。

AIの答えを疑える人ほど、AIを大胆に使える

AI活用で差がつくのは、質問の上手さだけではない。

AIが得意な領域と、危ない領域の境目を知っているかどうかだ。

BCGのコンサルタントを対象にした実験では、AIの能力範囲内にある課題では成果が向上した。

一方、AIの能力範囲外に設定された複雑な課題では、AI利用者が正答する確率は、AIを利用しなかった人より19％低かった。

出力が自然だからこそ、人は間違いを見逃す。

会計では特に危ない。

もっともらしい基準番号。
存在しない例外規定。
前提を無視した結論。

文章が滑らかでも、仕訳が正しいとは限らない。

AIを使いこなすとは、全部任せることではない。

前提を入れる。
証拠を求める。
一次情報を確認する。
数字を再計算する。
責任の所在を人間に戻す。

チェック能力が高い人ほど、大胆に自動化できる。

ブレーキの性能が高い車ほど、速く走れるのと同じだ。

これから高く売れるのは、AI人材ではなく再設計できる人

ILOの分析では、世界の労働者の約4分の1が、何らかの生成AI曝露を受ける職業に就いている。

ただし、最も可能性の高い影響は職業そのものの消滅ではなく、仕事を構成するタスクの変化だと整理されている。

日本についてOECDは、AIが労働力不足への対応や技能の補完、意思決定の支援に役立つ可能性を示す一方、職場でのAI利用率は8.4％にとどまり、成果を実感する割合も他国より低いと報告している。

消えるか、残るか。

この二択ではない。

仕事は分解され、並べ替えられ、再び束ねられる。

そのとき高く評価されるのは、AIを触れる人だけではなく、業務全体を見て、人とAIの担当範囲を設計できる人だ。

どのデータを使うか。
誰が承認するか。
誤りをどう検知するか。
例外案件をどこへ戻すか。
事故が起きたら誰が説明するか。

これは単なるIT導入ではない。

業務、会計、内部統制、人事評価まで含む経営設計だ。

経理・財務の経験は、ここで効く。

数字の流れだけでなく、証憑、承認、権限、牽制、説明責任を見てきた人は、AI導入を便利機能で終わらせず、会社の仕組みに落とせる。

自分の専門性を捨てず、その上にAIを載せる

高給分野へ行くために、過去を全部捨てる必要はない。

自分がすでに知っている業界、業務、顧客、数字の上にAIを載せる。

その方が速いし、強い。

何より、簡単にはコピーされない。

転職は、その後でいい。

まず自分の仕事の中で、低単価の作業から、高単価の判断へ移動する。

そこで実績を作れば、社内でも社外でも選択肢が増える。

結論　AIに渡すのは仕事ではない。未来へ進むための重りだ

AI時代に必要なのは、恐怖でも万能感でもない。

自分の仕事を、冷静に時価評価する目だ。

昨日まで高く売れた作業が、明日も同じ価格で売れる保証はない。

反対に、これまで目立たなかった調整、検証、説明、責任が、急に希少な資産になることもある。

だから、AIを使う。

流行に置いていかれないためだけではない。

自分の時間を取り戻すためだ。

一時間かけていた下書きを十分にする。

浮いた五十分で、顧客の話を聞く。現場を見る。数字の違和感を掘る。子どもと話す。勉強する。次の仕事を作る。

AIが生む本当の利益は、文章の速さではない。

人間が、人間にしかできないことへ戻れる時間にある。

これから給与が高くなるのは、AIに負けなかった人ではないだろう。

AIに任せるものを決め、自分が引き受ける責任を選び直した人だ。

仕事の値札が書き換わる時代は怖い。

けれど、値札が固定されていないということは、自分で付け直せる余地もある。

積み上げてきた経験は、捨てなくていい。

ただ、磨き方を変えればいい。

AIに渡すのは、自分の仕事ではない。

これまで自分を足止めしていた、重たい作業だ。

手が空いたら、その手で次の未来をつかめばいい。

AI時代の働き方を、もう一段深く考えるための5冊

AIの変化は速い。

今日覚えたツールが、半年後には古くなっていることもある。だからこそ、操作方法だけでなく、仕事の価値がどこへ移るのか、人間は何を担うのかという土台を持っておきたい。

ここでは、本稿の内容をさらに深掘りしたい人に向けて、AIと仕事、キャリア、市場価値を考えるための5冊を紹介する。

全部を一気に読む必要はない。

今の自分が抱えている不安に、最も近い一冊から手に取ってほしい。

1．『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

AIに仕事を奪われない方法を探している人ほど、最初に読みたい一冊だ。

本書が掘り下げるのは、AIの使い方ではない。経験知、決断、レビュー、責任といった、人間が仕事の中で生み出す価値である。

AIで資料や文章を作れるようになっても、その内容で本当に目的を達成できるのかを判断するのは人間だ。誰かが決めなければならないし、結果に責任を持たなければならない。

本稿で触れた、作業から判断へ移動するという話を、さらに深く理解できる。

AIスキルを増やす前に、自分は仕事を通じて何を提供しているのかを見直したい人に刺さるはずだ。読後は、AIにできることより、自分が引き受けるべき仕事の輪郭が見えてくる。


2．『その仕事、AIには無理です。』高木裕仁

AIを使いたい。でも、どこまで任せてよいのか分からない。

そんな人に向いている。

ブレーンストーミング、文書要約、社内ナレッジ検索、営業支援、AIエージェントなどの事例を通じて、AIが力を発揮する場面と、期待どおりに動かない理由を整理している。

特に参考になるのが、AIに任せられる仕事と、任せてはいけない仕事の境界線だ。

AIは、もっともらしい文章を作るのがうまい。だが、業務の前提が曖昧なら、答えも曖昧になる。社内文書が整理されていなければ、AIを導入しても魔法は起きない。

AI活用がうまくいかない原因を、プロンプトの書き方だけに求めたくない人におすすめしたい。失敗しないためのブレーキを手に入れられる一冊だ。

[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。]

その仕事、AIには無理です。 [ 高木裕仁 ]
価格：2,200円（税込、送料無料) (2026/7/21時点)


3．『AIを味方につける仕事術 AI活用のもやもやを現場の力に翻訳する』木田浩理

AIを触ってはいる。でも、仕事の成果につながっている感じがしない。

そこで止まっている人に読んでほしい。

本書のテーマは、現場の違和感を、AIとデータで解決できる問いへ変換する翻訳力だ。

売上が伸びない。作業が遅い。会議が長い。

こうした漠然とした不満をAIに投げても、役に立つ答えは返ってこない。問題を分解し、検証できる形へ変え、具体的な行動まで落とす必要がある。

その流れを5Dフレームワークとケーススタディで学べる。

AIの専門家になりたい人というより、営業、企画、経理、管理部門など、現場の課題を解決したい人向けの本だ。AIを便利な検索窓から、成果を出す相棒へ変えたい人には、かなり実用的な一冊になる。


4．『AI時代に生き残る人材になる！ 「ない」仕事のつくり方』マツダミヒロ

AIに代替されない既存職種を探すだけでは、少し守りに入りすぎかもしれない。

本書が提示するのは、まだ名前の付いていない役割を自分で作るという発想だ。

AI時代には、既存の問題に正解を返す力だけでなく、そもそも何を解決するべきなのかを発見する力が問われる。

自分の経験、得意分野、周囲が困っていることを組み合わせ、そこから新しい役割を設計していく。会社から仕事を与えられるのを待つのではなく、自分で仕事の入口を作るわけだ。

転職先を探しても、しっくりくる仕事が見つからない。今の専門性を生かしながら、新しいキャリアを作りたい。

そんな人には、この本の問いが効く。

次に就く仕事を探す本ではない。次の仕事を生み出すための本だ。


5．『生成AI・30の論点 2025-2026』城田真琴

AIを仕事術だけで終わらせず、経営や投資の視点から見たい人には、この一冊が合う。

AIエージェント、AI検索、半導体、生成AI企業のビジネスモデル、規制、ハルシネーション、社会への影響など、生成AIをめぐる論点をビジネス、テクノロジー、社会・経済の三方向から整理している。

AI関連企業へ投資するときも、利用者が増えているという話だけでは不十分だ。

誰が利益を得るのか。
どこにコストが発生するのか。
競争優位は続くのか。
規制によって事業モデルは変わらないか。

こうした問いを持てるかどうかで、AIニュースの見え方は大きく変わる。

新しいツールを追いかけるより、AI市場全体の地図を持ちたい人に向いている。仕事、経営、投資を一本の線でつなげて考えるための補助線になる本だ。

[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・30の論点　2025-2026 [ 城田真琴 ]
価格：2,200円（税込、送料無料) (2026/7/21時点)


自分の仕事の価値を見直したいなら、『AI時代に仕事と呼べるもの』。

AIに任せる範囲を判断したいなら、『その仕事、AIには無理です。』。

AIを実務の成果へつなげたいなら、『AIを味方につける仕事術』。

新しいキャリアや役割を作りたいなら、『「ない」仕事のつくり方』。

経営や投資まで視野を広げたいなら、『生成AI・30の論点』。

AI時代に差がつくのは、未来を正確に予言できる人ではない。

変化を学び、自分の仕事を何度でも作り直せる人だ。

一冊の本が、明日からの仕事を突然変えるとは限らない。

それでも、仕事を見る目が変われば、選ぶ行動は変わる。

その小さな変化が、数年後の給与やキャリアを分けることはある。

それでは、またっ！！

引用論文・参考資料

  1. Brynjolfsson, E., Li, D. & Raymond, L. R.（2023）
    Generative AI at Work, NBER Working Paper No.31161.
    顧客対応担当者5,179人のデータから、AI支援による生産性向上と、経験の浅い人ほど効果が大きいことを分析。
  2. Noy, S. & Zhang, W.（2023）
    Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, Science, 381.
    専門的な文章作成業務において、生成AIが作業時間と品質へ与える影響をランダム化実験で検証。
  3. Dell’Acqua, F. et al.（2023／2026）
    Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality.
    2023年にHBS Working Paperとして公表され、2026年にOrganization Scienceへ掲載。AIの能力範囲内と範囲外で、効果が逆転する可能性を示した。
  4. Humlum, A. & Vestergaard, E.（2025）
    Large Language Models, Small Labor Market Effects, NBER Working Paper No.33777.
    デンマークの行政記録を利用し、AIチャットボットの普及と所得・労働時間・職務再編の関係を分析。
  5. Alekseeva, L., Azar, J., Giné, M., Samila, S. & Taska, B.（2021）
    The Demand for AI Skills in the Labor Market, Labour Economics, 71, 102002.
    米国の求人情報を用い、AI関連スキルへの需要と賃金プレミアムを分析。
  6. Gmyrek, P. et al.（2025）
    Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper No.140.
    世界の職業をタスク単位で分析し、生成AIへの曝露度と職務変化の可能性を推計。
  7. OECD（2025）
    Artificial Intelligence and the Labour Market in Japan.
    日本のAI利用率、労働者への影響、技能形成、労働力不足への対応策を国際比較の視点から分析。

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。