AIに任せてよい仕事、任せてはいけない仕事｜「経験債務」を防ぐProtected Practiceという仕事設計【Case OS Organization Development #4】

Case OS Organization Development #4

AIでできる仕事は、これからさらに増えていきます。しかし、人材育成や組織開発の視点から見ると、「AIでできるか」だけでは仕事を分けられません。AIへ仕事を渡した結果、将来の判断力をつくる経験まで失わないか。今回は「経験債務」を防ぐために、Human × AIの仕事をどう設計するかを考えます。

「AIの使い方を教える」と「AIと考える経験をつくる」は違う

AIを人材育成へ組み込むとき、同じ「AIを使う研修」でも、設計によって学習の質は大きく変わります。AIの操作方法や便利な使い方を教えるだけの研修と、受講者自身がまず考え、その後にAIの回答と比較し、違いを検証する研修では、身につくものが同じとは限りません。

例えばロジカルシンキングであれば、最初からAIに論点を分解させるのではなく、まず本人が自分なりに分解する。その後でAIにも同じ課題を考えさせ、切り口の違い、抜け漏れ、前提の違いを比較する。最後に、どちらを採用するのかを本人が判断する。この順序なら、AIを使いながらも「自分で考える経験」を残すことができます。

これは、前回の記事で考えた「経験債務」を考えるうえでも重要です。問うべきなのは、AIを使わせたかどうかではありません。人が考える経験を、AIとの仕事の中にどう残したか。ここが、AI時代の人材育成の質を分けるポイントになるのだと思います。

AI時代の仕事設計で、問いを一つ変えたい

企業で生成AIの導入を考えると、

「この仕事はAIでできますか？」

という問いがよく出ます。

もちろん必要な問いです。AIによって速く、安く、精度高くできるなら、活用しない理由はありません。

ただ、人材育成まで考えるなら、もう一つ問いを追加した方がいいと思っています。

この二つは同じではありません。

AIでできる仕事でも、人が一度自分で経験した方がよい仕事があります。逆に、これまで人がやっていたからといって、今後も人にやらせる意味がない仕事もあります。

だから仕事を、

人かAIか

という二択で分けるだけでは足りません。

Human × AIの仕事を4つに分ける

今回のCase OSでは、仕事を四つに分けて考えます。

Automate
AI主体で処理する仕事。

Augment
人が考え、AIによって思考や作業を拡張する仕事。

Human Command
AIを助言者として使っても、最終判断と責任は人が持つ仕事。

そして、

Protected Practice。

AIでもできる。しかし、将来必要な能力を育てるために、あえて人が先に考える領域です。

Automate｜もう、人が経験しなくてもよい仕事

Automateは分かりやすい領域です。

転記、形式変換、単純要約、定型分類、議事録の整形、決まったルールによる一次チェック。こうした仕事を「昔は若手がやっていたから」という理由だけで残す必要はありません。

例えば若手社員に大量の文章をコピー＆ペーストさせても、将来の判断力はほとんど育ちません。フォントを揃えることに2時間かけても、企画力は上がらない。

人材育成という言葉を使うと、「苦労させること」に価値を置いてしまうことがあります。しかし、苦労と経験学習は同じではありません。

なくしてよい面倒は、なくした方がいい。

AI時代だからこそ、ここははっきりさせたいと思います。

Augment｜AIに答えを出させるのではなく、思考を広げてもらう

次がAugmentです。

調査、分析、企画、文章作成、仮説構築など、多くの知的業務はこちらへ入ります。

AIへ丸投げするのではなく、人の思考とAIを組み合わせる。

例えば市場分析なら、自分なりの市場構造を一度考える。その後AIへ別の分け方を提示させる。違いを見る。必要ならデータを探す。最後に、自分がどの構造を採用するのか決める。

文章なら、自分で主張を置く。その主張に対する反論をAIへ出させる。弱い部分を修正する。

問題解決なら、AIに仮説を20個出させるだけではなく、

「なぜこの20個なのか」
「重要度は同じなのか」
「何を検証すべきなのか」

を人が考える。

AIが思考を代行するのではなく、人間一人では得られなかった比較対象を増やす。

この使い方なら、AIによって経験が薄くなるのではなく、むしろ経験の密度を上げることもできます。

Human Command｜「AIがそう言ったから」では終われない仕事

三つ目はHuman Commandです。

採用。昇格。人事評価。重要顧客への最終提案。安全判断。倫理判断。撤退判断。重大な投資判断。

こうした仕事でもAIは使えます。

候補者情報を整理する。評価の偏りをチェックする。別の選択肢を提示する。リスクを洗い出す。過去事例を探す。

しかし最後に、

「誰を採用するのか」
「誰を昇格させるのか」
「この案件を断るのか」
「このリスクを取るのか」

を決めるのは人です。

なぜなら企業活動には、答えだけではなく責任の所在が必要だからです。

AIは提案できます。しかし、AIは昇格させた人材の将来に責任を持ちません。AIは撤退を提案できますが、その判断を社員へ説明する立場にはありません。

AIが高度になるほど、人間の仕事は減るのではなく、どこで人間が最終判断を引き受けるのかを明確にする必要性が高まるのだと思います。

そして最も重要なのが、Protected Practice

今回、一番掘り下げたいのはここです。

Protected Practiceは、一般に確立された人材開発用語として紹介しているものではありません。Case OSでは、「AIでもできるが、将来必要な能力形成のために、人が先に経験する領域」という意味で使っています。

例えば若手コンサルタントなら、

問題設定。
仮説の初案。
顧客インタビュー前の論点整理。
分析の最初の切り口。
提案ストーリーの初案。

こうしたものです。

AIに聞けば、かなり良いものがすぐ出ます。
それでも、最初から全部をAIへ渡すべきでしょうか。

私はそうは思いません。

なぜなら、この仕事で重要なのは「正しい初稿ができること」だけではないからです。

自分で考えて外す。何が足りなかったかを知る。別の視点を見る。自分の前提に気づく。修正する。

その過程そのものが能力になります。

「経験債務」は、どうやって積み上がるのか

前回の記事では、AIによって現在の仕事を高速化する代わりに、将来必要になる判断能力を形成する経験を失い、そのツケを将来へ繰り越すことをExperience Debt――経験債務と呼びました。

これは、今日の成果だけを見ていると気づきにくい問題です。

AIで仕事が速くなる。
本人も上司も助かる。
成果物もきれいになる。

しかし、その裏で、

自分で調べる。
仮説を立てる。
失敗する。
赤入れされる。
修正する。
説明する。

といった経験が消えていく。

短期的には良いことばかりに見えます。

ところが数年後、その人が管理職になったときに、「なぜこの分析がおかしいのか」が説明できない。AIが出した結論の異常に気づけない。部下の初案をレビューできない。

そこで初めて、以前失った経験のコストが表面化します。

人が仕事をしなくなること自体が問題なのではありません。

AIに任せる前に、三つの問いを置く

では、実際の仕事をどう分類すればいいのでしょうか。

私は三つの問いを置くと整理しやすいと思っています。

1．価値

AIを使うことで、時間・品質・探索量が大きく改善するか。

改善が小さいなら、無理にAIへ移す必要はありません。一方、定型作業のように大きな改善が見込めるなら、積極的に任せる。

2．リスク

AIが間違えたとき、どれだけ大きな問題になるか。

誤字修正と採用判断では、同じ「AIができる仕事」でも意味が全く違います。

3．学習

その仕事を本人が経験することは、将来の能力形成にどれだけ重要か。

今回、一番追加したいのがこの軸です。

これまで企業のAI導入では、

効率が上がるか。リスクは問題ないか。

までは比較的よく考えられてきました。

しかし、

その仕事を失うことで、人が育たなくならないか。

は、まだ十分に議論されていないと思います。

ロジカルシンキング研修なら、どう変えるか

冒頭で紹介した読者コメントが、まさにこの問題を具体化しています。

ロジカルシンキング研修でAIを使うなら、

「AIにロジックツリーを作ってもらいましょう」

だけでは弱い。

例えば、

まず自分で問題を分解する。
その後AIにも分解させる。
自分とAIでどこが違ったのかを見る。
どちらの切り口がよいのか議論する。
AIの分解にも漏れや重複がないか確認する。
そして最後は自分で修正する。

ここまでやる。

同じ「AIを使った研修」でも、全く違います。

前者はAI活用研修です。
後者は、AIを使った思考経験の設計です。

そして翌週以降の現場で差が出るのは、こちらなのだと思います。

問題解決研修なら、「AIより先に仮説を持つ」

問題解決でも同じです。

課題を入力して、

「考えられる原因を20個出してください」

と聞けば、一瞬で仮説候補が出ます。

便利です。

しかし、それだけを繰り返していると、

「どの仮説を見るべきか」

を決める力が育たない可能性があります。

だから、最初に本人へ聞く。

「あなたは原因を何だと考えるのか。」

その後AIへ聞く。

違いを比較する。

自分が見落としていたものを確認する。

逆に、AIが出したが重要ではないものを捨てる。

この捨てる判断まで本人に戻す。

AIが仮説を大量に出せる時代だからこそ、人間には「何を見るか」を選ぶ経験が必要になります。

プレゼンテーションでも、最初のストーリーは人が考える

プレゼンテーションでも同じです。

AIへテーマを渡せば、スライド構成はすぐに作れます。

でも、何を一番伝えたいのか。相手は何を判断しなければならないのか。何を捨てるのか。

ここまでAIへ最初から決めてもらうと、「資料は作れるが、相手を動かす論理は組めない」ということが起こり得ます。

だからProtected Practiceとして、

最初の一枚の紙に、自分でストーリーを書く。

その後AIと比較する。

この小さな順序の違いが、将来の能力形成では大きな差になるかもしれません。

若手だけではない。管理職にもProtected Practiceがある

経験債務は、若手だけの問題ではありません。

管理職にもあります。

AIへ1on1の質問を全部考えてもらう。

部下へのフィードバック文を全部作ってもらう。

評価コメントを全部作ってもらう。

確かに速くなります。

ただし、管理職本人が、

「この部下に今何を期待するのか」
「どこまで任せるのか」
「何を伝えれば成長につながるのか」

を考えなくなれば、マネジメント能力にも経験債務が積み上がります。

AIはフィードバック文を書くことができます。

しかし、何をフィードバックすべきかを考える経験まで渡してよいとは限りません。

Protected Practiceは、「昔ながらのOJT」を復活させる話でもない

ここも重要です。

Protected Practiceは、若手へ仕事を丸投げすることではありません。

「自分で考えてみて」

と言って放置するだけなら、単なる属人的OJTです。

必要なのは、

本人がまず考える。

AIで比較する。

実務で試す。

上司が判断プロセスを見る。

フィードバックする。

振り返る。

次の仕事へ進む。

という仕組みです。

つまり、Protected Practiceは「仕事を残すこと」ではなく「学習が起こる形で仕事を残すこと」です。

マネジャーの仕事は、答えを教えることから「AIの介入範囲」を決めることへ

AI時代のマネジャーには、新しい判断が増えます。

この仕事は最初からAIへ渡していい。

これは本人に一度考えさせた方がいい。

ここから先ならAIを使っていい。

この失敗は本人に経験させる。

これは重大なので早めに介入する。

つまり、部下育成とは、

「何を教えるか」だけでなく、「どこまでAIに任せるか」を設計する仕事

になります。

前回の記事で、マネジャーはExperience Designerになると書きました。

Protected Practiceを加えると、それはさらに具体的になります。

私は、これがAI時代の管理職育成でかなり重要になると思っています。

人事がやるべきことは、「研修一覧」より「経験一覧」をつくること

人事にも新しい仕事が生まれます。

例えば会社として、

「課題設定力を育てたい」

とします。

これまでなら、

課題設定研修をつくる。

という発想になりやすい。

しかし経験設計の考え方なら、

「社内のどんな仕事を経験すると、課題設定力が育つのか」

まで考えます。

新規顧客のヒアリング。

新規事業の仮説設定。

不具合の原因分析。

既存施策の見直し。

こうした仕事を「育成資源」として捉える。

そのうえで、

どこまでAIを使わせるのか。

何は本人に考えさせるのか。

上司は何を見るのか。

何を評価するのか。

まで設計する。

これは、人事が研修提供者からCapability Architectへ変わるという話ともつながります。

Protected Practiceを組織に実装する5ステップ

考え方だけでは組織は変わりません。

実務へ落とすなら、私は5ステップで考えます。

STEP1｜仕事をタスクへ分解する
「営業」「人事」「企画」といった職種ではなく、実際に何をしているのかまで分ける。

STEP2｜育てたい能力を決める
問題設定、判断、顧客理解、専門性、説明、交渉など、将来何を残したいのかを決める。

STEP3｜4分類する
Automate、Augment、Human Command、Protected Practiceへ仕分ける。

STEP4｜実務演習とレビューを設計する
本人→AI→実務→上司レビューという流れをつくる。

STEP5｜評価・配置・次の経験につなげる
経験を一度きりのOJTで終わらせず、次のアサインメントへ接続する。

この5つまでつながって初めて、「AI活用」が「組織開発」になると思います。

AI利用率だけを追う会社と、組織能力を育てる会社

AI導入の初期段階では、

利用率。
利用人数。
削減時間。
生成回数。

といった数字が必要です。

ただ、その数字だけでは「強い組織になったか」は分かりません。

100時間削減した。

でも、その結果、若手が仕事を理解しなくなった。

これは本当に成功でしょうか。

逆に、AIで100時間削減し、その時間を顧客対話、難しい案件、振り返り、新しい挑戦へ使った。

こちらなら話は違います。

今後は、ここまで見た方がいいと思っています。

「経験債務」という言葉を、経営指標にできないか

前回の記事へのコメントを読んでいて、改めて感じたことがあります。

「経験債務」は、人材育成だけの言葉ではなく、経営がAI導入を判断するための言葉にもできるのではないかということです。

AI導入によって、

Performanceはどれだけ上がったか。
同時に、
Capabilityをつくる経験はどれだけ減ったか。

その減った経験を、別の形で補えているか。
ここまでを見る。

そうすれば、

「AIで何時間削減したか」

だけではなく、

「その効率化で、将来の組織能力を削っていないか」

まで経営会議で議論できます。
経験債務は見えません。

だからこそ、言葉を置く意味があります。
名前がつけば、問いを立てられる。
問いを立てられれば、設計できます。

結論｜AIへ仕事を渡す前に、「この経験まで渡してよいか」を問う

AIはこれからもっと仕事をできるようになります。

だから、

「これはAIでできますか？」

という問いだけでは、人とAIの仕事を設計できなくなると思います。

必要なのは、

AIを使う価値は高いか。

間違ったときのリスクは大きいか。

そして、

その仕事を人が経験することに、将来の学習価値があるか。

という三つの問いです。

AIに任せてよいものは、任せる。

人が判断すべきものは、人が引き受ける。

そして、AIでもできるけれど人が育つために必要な仕事は、Protected Practiceとして意図的に残す。

これは、非効率を守る話ではありません。

その違いを設計できる会社が、AIによる短期のPerformance向上と、長期のCapability形成を両立できるのではないでしょうか。

経験債務を増やさず、AIを使う。

私は、それがAI時代の人材育成・組織開発における、かなり重要な設計原則になると思っています。

Case OS Organization Development #4

次回の記事

次は、

AI時代のマネジャーは何をする人になるのか｜「答えを教える人」から「経験と判断を設計する人」へ【Case OS Organization Development #5】

を考えたいと思います。

AIが答えを出せるようになるほど、上司が「一番詳しい人」である必要性は下がっていきます。それでもマネジャーが必要なのはなぜか。

次回は、AIコーチと人間マネジャーの違い、Experience Designer、Accountability、1on1、評価、仕事のアサインメントまで掘り下げます。

参考・引用資料

本記事は、これまでのCase OS「AI時代の組織開発」調査で整理したHuman × AI Design、Experience Debt、Protected Practice、Capability Architectureの考え方をもとにしています。Protected PracticeおよびExperience Debtは、Case OSがAI時代の組織開発を考えるために用いている分析概念です。

Brynjolfsson, Li & Raymond, “Generative AI at Work”, NBER / QJE
生成AIによる生産性向上、とくに経験の浅い層への効果を考える際に参照。

Bastani et al., “Generative AI without guardrails can harm learning”, PNAS（2025）
AI利用中の成果と、AIを外した後に保持される学習成果が同一ではない可能性について参照。

Kestin et al., “AI tutoring outperforms in-class active learning”, Scientific Reports（2025）
適切な足場かけを組み込んだAIが学習を支援し得ることについて参照。