Sik.limited Logo

2027年、AIが何でもつくる時代に、人は何を仕事にするのか

ソフトウェア工場が仕事の価値を変えるなか、人に求められる判断を考えます。

·

上手に作るだけでは足りなくなった

企画書を書き、デザインを作り、コードを書く時間が急速に短くなっている。以前なら複数人が何日もかけていた仕事を、今は一人がAIとともに進められる。成果物もそれらしく仕上がり、経験を積んだ実務者の仕事と見分けにくいものさえある。

変化はさらに進む。人がAIに一つずつ指示するだけでなく、複数のAIが仕事を分担し、結果を確認して次の工程へ渡す仕組みが生まれている。人が眠っている間にも作業は続く。

これは便利な道具が一つ増えただけの話ではない。採用の基準、専門性の認め方、創作物の値付けを同時に揺さぶる変化だ。就職活動中の人も、採用担当者も、チームを率いる管理職も、同じ問いに直面している。

私たちが長年、競争力だと信じてきた能力を速く安く再現できるなら、その先に何が残るのか。

ソフトウェアを作る工場が現れた

AIエージェントの開発基盤を提供するMastraは、開発タスクを渡すとAIがコードを書き、レビューの工程を経て成果を出す「Mastra Factory」を作った。同社によると、このシステムは自社のプルリクエストの25〜35%を作成し、登録された課題の50〜60%をクローズしている。開発者の入力を少し補助する道具というより、開発業務の流れをエージェントと分担する仕組みだ。

ウェブ開発プラットフォームのVercelも、ソフトウェアファクトリーを紹介している。GitHubやLinearに登録された仕事をAIエージェントが分類し、コードを書いて検査し、人がレビューできるドラフトを作る。チェックが失敗した場合に修正して再確認する工程も含まれる。人の判断を不要にする完全自動の工場ではなく、開発の複数工程をAIにつなげる仕組みだ。

二つの事例が示す方向は明らかだ。コードを書けるだけでは十分ではなくなりつつある。なぜ製品を作るのか、何を先に解決するのか、できたものが実際に問題を解いたのかを判断する必要がある。一方で、その判断を実行に移すために必要な人数は減るかもしれない。

これは開発者だけの話ではない。報告書や広告素材、動画や画像、サービスの画面や事業計画書にも同じ流れが及ぶ。一つ作れば、似たものを数十、数百と作る費用は下がる。競合が苦労して作った成果を参考に、近い水準のものを出すことも容易になる。

もちろん、あらゆる成果物を同じ品質で完全に複製できるという意味ではない。ただ、市場で問われるのは完全なコピーが可能かより、顧客が受け入れる水準のものをどれだけ速く安く作れるかであることも多い。その水準を超えたとき、制作能力の希少性に支えられた価格や仕事は揺らぐ。

試験で測ってきた知的能力も例外ではない

私たちは長い間、難しい試験を突破した人に高い価値を認めてきた。大量の知識を正確に覚え、複雑な問題を読み、制限時間内に正解を導く能力は希少だったからだ。

その領域でAIは高い成果を示している。独立ベンチマークによる韓国の2027学年度大学修学能力試験の評価では、9つのモデル・設定が国語と数学のすべての選択科目、英語、韓国史でそれぞれ満点を取った。APIを使った評価で、英語のリスニングは台本に置き換えられた。税理士などの専門試験についても、問いに答え、蓄積された知識を使う仕事の意味を考え直す必要がある。

この結果だけで、人間の知能全体が代替されたと断言はできない。試験問題を解くことと、不完全な資料を扱い、顧客の事情を理解し、判断に責任を負うことは違う。それでも、試験が測ってきた知識活用能力の相当部分で、人間だけが担い手ではなくなったのは確かだ。

税理士や公認会計士が明日すぐに消えるわけではない。資格制度や法的責任、顧客の信頼が残るからだ。しかし職業名が存続する間にも、仕事の中身は変わりうる。資料の整理、基準に沿った確認、下書きの作成が自動化されれば、同じ仕事量を処理する人数から減っていく可能性がある。

資格を持つ専門家が最終確認をしても、その前段の多くをAIが担うことはできる。顧客が専門家を訪ねる前に、自分で相当な答えを得る経路も増える。制度が職業を守っている間に、市場は別の道を作りうる。肩書きが安全かだけでなく、その中で自分が担ってきた仕事がどの速さで代替されるかを見る必要がある。

創作者の誇りも市場を止められない

創作者にとって、この変化はとりわけ受け入れがたい。長年積み重ねた感覚や技術が、自分のアイデンティティと深く結びついているからだ。何度も書き直して身につけた文章、何年もかけて見つけた画面構成、繰り返し磨いた表現。それに似たものが数回の指示で再現される場面を見れば、不快にも悔しくもなるだろう。

AIの学習データの出どころや創作者の権利をめぐる問題も、引き続き重要だ。ただ、その議論が続く間にも市場は動く。創作者が注いだ時間と愛情の大きさとは別に、顧客は必要な成果をもっと速く安く得る方法を探す。

すべての創作者が消えるという意味ではない。特定の人の視点や信頼を求めて依頼する需要は残るだろう。しかし、市場にある多くの仕事は、そもそも一人にしか作れない作品を求めていたわけではない。決められた目的に合わせ、一定水準以上の成果を期限までに出す仕事だった。AIの成果が依頼者の基準を満たし始めれば、同じ量を作る人数は減る可能性が高い。

最も危ういのは、AIの成果に欠点があることを理由に変化全体を否定することだ。今の欠点を指摘することは必要だが、それが今後も人の仕事を守ると信じれば、自分の仕事がどこまで代替されているかを見落とす。

創作者の感覚はこれからも重要だ。ただし、その感覚が表現を生み出す技術だけにとどまれば、守るのは難しい。何を作るかを決め、誰にどんな体験を届けるかを理解し、数多くの成果から必要なものを選び、最後まで責任を持つところまで広げる必要がある。

就職活動では成果の裏にある思考が問われる

就職活動中の人には厳しい話に聞こえるかもしれない。入社してから学ぼうとしていた仕事が、入社前に自動化されているからだ。新人が経験を積むために担ってきた調査や下書き、定型的な実装が減れば、最初の仕事を得るハードルも上がりうる。

だからこそ、ポートフォリオに何を載せるかを考え直したい。見栄えのよい成果物を作る力は基本になる。AIを活用して完成度を高めることもよい。ただ、成果物だけで競えば、より速く大量に作る人や道具と競うことになる。

どんな問題を見つけ、なぜそれを選んだのか。最初の仮説のどこが間違い、何を見て方向を変えたのか。そうした過程を説明できる必要がある。面接で条件を変えられたり、予想外の質問を受けたりしても、自分の思考を続けられることが大切だ。

AIの答えを暗記した人と、その答えを検討しながら自分の判断を育てた人は、似た書類を提出できる。しかし、なぜその選択をしたのかを尋ねれば、違いが見えてくる。

採用では完成品より判断の過程を見る

採用担当者にとっても、従来の評価方法は難しくなる。応募書類の文章は滑らかになり、ポートフォリオも精巧になる。しかし、それだけで応募者が何を理解しているかを判断しにくくなる。

AIを使ったかどうかの見極めに集中する方法は長続きしないだろう。入社後もAIを使う可能性が高いからだ。むしろ、道具を使いながらどんな判断をしたのかを確かめたい。

企画案のどの部分に最も自信がなかったか、顧客の反応が予想と違えば何から確認するか、AIの提案のうち何をなぜ捨てたのか。そう尋ねればよい。一つの正解を当てさせるより、根拠を調べ、考えを修正する過程を見る。

組織も新人に求める姿を見直す必要がある。すぐに一人で成果を出す力だけを評価すれば、AIを使って最も見栄えのする成果物を作った人が有利になる。ともに問題を見つけ、学び、判断を育てる人を探すなら、その過程が見える採用を設計しなければならない。

リーダーは数字と答えの裏を見る

部長級のリーダーにとって、AIは歓迎すべき道具であると同時に、答えにくい問いでもある。生産性が上がれば、短い時間でより多くの仕事ができる。同時に、今と同じ人数や働き方が今後も必要なのか、説明を求められる場面も生じる。

生産量だけを基準にチームを運営すると、大切なものを見落とす。書類は増えても、解くべき問題自体が間違っているかもしれない。機能の追加は速くなっても、利用者は以前より迷うかもしれない。ダッシュボードの数字が改善しても、顧客体験が悪化することはある。

例えばサービスの利用時間が延びても、利用者が満足しているとは限らない。必要な情報を見つけられず、長く滞在した可能性もある。数字は変化が起きた場所を示すが、その中で起きたことをすべて表すわけではない。

リーダーはチームに答えを早く持ってくるよう求めると同時に、その答えが何を見落としているかも問う必要がある。顧客の実際の行動を観察し、現場の声を聞き、数字が説明できない部分を確かめる。AIの提案やデータは判断を助けるが、結果への責任までは引き受けない。

チームには考える余地も必要だ。速い報告書と改善した数値だけが評価される組織では、問題の前提から問い直す人はいなくなる。最初の目標が間違っていたと言え、指標が改善しても顧客体験は悪化したと報告できなければならない。そうした声を聞き、方向を変えるのはリーダーの仕事だ。

人は減るかもしれない。だからこそ深く考える

AI時代にはすべての人に新しい機会が開ける、とだけ語ることはできない。実際に消える仕事もあり、少人数で運営されるチームも出る。長く評価されてきた技術が、短期間でありふれたものになることもある。

その現実を認めるところから始めたい。自分がしてきた仕事を無条件に守ろうとするより、その仕事が顧客や組織にどんな価値を生んできたかを見直す。どの工程がすでに自動化でき、その成果が使われる現場にどんな未解決の問題が残るかを知る必要がある。

AIには難しい問いを投げ、答えを検討する手伝いをさせられる。資料を集め、選択肢を比較する助けにもなる。だが、何を問題とし、何をよい結果と呼び、その判断が誰にどう影響するかは、最後まで人が考えなければならない。

2027年に必要なのは、AIを使わない人ではない。AIの成果を考えずに受け入れない人だ。誰でも似たものを速く作れるとき、何を作る価値があるかを問い、それを必要とする人に実際に届いたか確かめる人。その人に次の役割が生まれる。

参考資料

最新の記事