AIで成果が上がっても、人は育つのか？｜「経験債務（Experience Debt）」という新しい人材育成リスク【Case OS Organization Development #3】

Case OS Organization Development #3

AIを使えば、仕事は速くなる。若手でも一定水準の成果物をつくれる。企業にとっては歓迎すべき変化です。しかし、その効率化によって、将来の判断力をつくっていた経験まで失っているとしたらどうでしょうか。今回は、目の前の成果向上と将来の能力形成の間に生まれる「経験債務」という問題を考えます。

AIで成果が上がる。まず、この事実は素直に受け止めたい

生成AIの人材育成を考えるとき、「AIを使うと人が考えなくなる」という話から始めるのは少し違うと思っています。AIによって生産性が上がること自体は、企業にとって明確なメリットだからです。

NBERが5,179人の顧客対応担当者を対象に行った研究では、生成AI支援によって生産性が平均14％向上し、とくに経験の浅い、もともとのスキルが低かった層では改善幅が大きくなりました。AIが熟練者のベストプラクティスの一部を経験の浅い人へ伝えることで、成果の差を縮める可能性が示されています。［1］

以前なら何年か経験しなければ作れなかった初稿を、若手が短時間でつくれる。調査、要約、分析、文章作成、企画のたたき台など、仕事の立ち上がりは明らかに速くなっています。

だから私は、AIを人材育成から遠ざけるべきだとは考えていません。むしろ使った方がいい。ただし、成果が上がったことと、その人自身の能力が育ったことを同じものとして扱わない。ここが今回の出発点です。

前回の記事で考えた「経験設計」の、その先にある問題

前回のCase OS Organization Development #2では、人材育成を「何を教えるか」だけではなく、「どんな仕事を経験させるか」から考える必要があると書きました。

前回の記事で考えたのは、研修で知識を得るだけではなく、実際の仕事を任され、自分で考え、失敗し、フィードバックを受け、振り返り、その結果を次の少し難しい仕事へつなげるという循環です。

ではAIによって、その途中にあった「自分で考える」「試行錯誤する」「失敗する」が大幅に短縮されたら何が起こるのか。ここからが今回のテーマです。

私は、この問題を「経験債務」と呼びたい

ここで一つ、概念を置いてみます。

Experience Debt――経験債務。

これは一般に確立された会計用語や、人材開発分野で広く定義された学術用語ではありません。今回のCase OSでは、AI時代の人材育成を考えるための分析概念として、次のように定義します。

技術的負債に少し似ています。今は動く。今は速い。今は合理的に見える。しかし、見えないところに将来のコストが積み上がっていく。

若手にAIで分析させれば速い。メールを書かせれば速い。仮説を出させれば速い。コードを書かせれば速い。その瞬間のKPIだけを見れば、合理的な判断です。

問題は、その先です。その人が数年後にマネジャーになったとき、AIの分析が間違っていると判断できるでしょうか。顧客の違和感を察知できるでしょうか。前例のない問題で、自分なりの仮説をゼロから立てられるでしょうか。部下がAIの出力を持ってきたとき、「この前提がおかしい」と指摘できるでしょうか。

経験債務は、今日の時間削減には表れません。だからこそ厄介です。

「Performance」と「Capability」を分けて考える

AI時代の人材育成では、二つのものを明確に分けた方がいいと思っています。

一つはPerformance。AIを含めて、実際にどんな成果を出せたかです。もう一つはCapability。未知の問題でも考えられるか、AIの間違いを見抜けるか、理由を説明できるか、AIが使えない状況でも判断できるかという、本人に残っている能力です。

これまでは、ある程度「成果を出せる人＝能力がある人」と考えることができました。しかし生成AIが仕事へ深く入ると、この二つが離れる可能性があります。

AI込みでは高いPerformanceを出せる。しかし、その成果を支えているCapabilityが本人に十分残っているとは限らない。このズレを人材育成側が見落とすと、短期的には優秀に見える組織が、長期的には判断できない組織になる可能性があります。

その兆候は、すでに学習研究でも見えている

基礎資料で扱った2025年のPNAS掲載研究では、約1,000人の高校生を対象とした数学学習実験で、通常型GPTを利用した学生は練習中の成績が48％向上しました。一方、AIを外した試験ではAIを利用しなかった対照群を17％下回りました。答えをそのまま渡さず、ヒントなどの学習支援を組み込んだAIでは、その悪影響が大幅に緩和されています。［2］

もちろん、これは高校生の数学学習を対象とした研究です。企業の人材育成へ、そのまま数字を当てはめることはできません。それでも、AIを使っている最中の成果と、AIを外した後にも本人へ残っている能力は、別々に見る必要があるという示唆は大きいと思います。

Microsoft Researchが319人の知識労働者から936件の生成AI利用事例を調べた研究でも、AIへの信頼が高いほどクリティカルシンキングを行う努力が少ない傾向が確認されています。同時に、AI時代の批判的思考は「自分で情報をゼロからつくること」から、AI出力の検証、複数情報の統合、仕事全体の監督へ移っていると整理されました。これは因果研究ではありませんが、「AIを使えば自然に思考力も伸びる」という前提を置かない方がよいことを示しています。［3］

つまり、AIによって思考が不要になるのではありません。思考すべき場所が変わるのだと思います。

だからといって、「昔の面倒な仕事を残そう」ではない

ここは誤解したくありません。昔の若手が苦労したから、今の若手にも同じ苦労をさせる。これは経験設計ではありません。

転記、議事録の清書、フォント調整、単純な情報収集、決められた形式への変換。こうした仕事はAIへ移した方がいいでしょう。

問題は、何が単なる無駄で、何が能力形成に必要だった認知的な摩擦なのかを区別することです。

例えば、顧客の話を聞いて「本当の問題は何だろう」と悩むこと。情報が足りない中で仮説を立てること。自分の分析を上司に否定され、何が間違っていたのか考え直すこと。複数の選択肢から一つを選び、その理由を説明すること。面倒ですし、時間もかかります。しかし、その「面倒」の中で判断力が育っていた可能性があります。

「AIでできる仕事」ではなく、「AIに渡してよい経験か」で考える

AIに仕事を任せるとき、私は三つの軸を見ると整理しやすいと考えています。これも基礎資料で提示したフレームです。

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。
リスク――間違った場合の影響が重大か。説明責任が高いか。
学習――その仕事を自分で行うことが、将来の判断能力形成に重要か。

この三つで考えると、仕事はおおむね四つに分けられます。

Automateは、定型要約、転記、整形など。AI主体でよい領域です。

Augmentは、分析、企画、文章、調査など。人が考えながらAIで拡張する領域です。

Human Commandは、採用、昇格、安全、倫理、重大顧客判断など。AIを助言者として使っても、最終判断は人へ残します。

そして最後が、Protected Practiceです。

これは「AIでもできる。しかし、育成上の理由から、あえて人に先に考えさせる仕事」です。若手の問題設定、分析の初案、顧客面談、トラブル対応、提案仮説。こうした仕事を最初からすべてAIへ渡すと、短期の効率と引き換えに経験債務が積み上がる可能性があります。

Protected Practiceは「AI禁止」ではない

Protected Practiceというと、「その仕事ではAIを使わせない」と聞こえるかもしれません。しかし、そうではありません。

例えば若手に新しい市場の分析を任せるとします。最初から「市場分析をして、課題と打ち手を出して」とAIへ丸投げさせるのではなく、まず本人が市場構造を考えて仮説を置く。そのあとAIへ別の見方や反証を出してもらい、自分の仮説と比較し、どちらを採用するのか本人が決める。同じAIでも、使う順番で経験の質はかなり変わります。

本人の初回思考
↓
AIによる代替案・反証
↓
本人による比較・判断
↓
実務で試す
↓
人間からフィードバック
↓
振り返り
↓
次の仕事

AIは、思考を代行する装置にもなれば、思考を深める装置にもなる。分かれ目は、AIの性能ではなく、仕事と学習の設計にあります。

AIは「経験を奪う装置」にも「練習量を増やす装置」にもなる

ここはAIについて悲観しすぎる必要もありません。

2025年にScientific Reportsへ掲載されたHarvard大学の物理コースでのRCTでは、194人の学生を対象に、研究知見を踏まえて設計されたAI Tutorと対面のアクティブラーニングを比較しました。AI Tutorを使った学生は、より短い時間で高い学習成果を示しました。重要なのは、単純にChatGPTを渡したわけではなく、足場かけ、適切なフィードバック、正確な情報、本人のペースに合わせた学習などが意図的に設計されていたことです。［4］

これは、経験債務への一つの答えだと思っています。

AIを使うと能力が落ちるのではない。答えを代わりに出すAIだけを使わせれば、経験を飛ばす可能性がある。一方、考えさせ、試させ、フィードバックするAIなら、むしろ練習量を増やせる。

企業研修でも、同じ発想が必要になるはずです。

研修は「AIの使い方を教える場」から、「AIと経験する方法を学ぶ場」へ

例えばロジカルシンキング研修。AIにロジックツリーを作らせる方法を教えるだけなら、短期的には便利です。しかし本人が一度も論点を分解せず、AIが作った構造を見るだけなら、ロジカルシンキングを学んだことになるのでしょうか。

むしろ研修では、まず自分で問題を分解する。その後AIにも分解させる。違いを見る。「なぜAIはこの切り口を使ったのか」「こちらの方が本当にMECEなのか」「そもそも最初の問いは正しいのか」を議論する。

AIを使うことで、以前なら一つしか検討できなかった仮説を五つ比較できる。反対意見を大量にぶつけられる。ケースの難易度を瞬時に変えられる。そう考えると、AIは研修を弱くするどころか、設計次第では実践量を増やすことができます。

「Experience Guardrail Learning Loop」をつくる

AI時代の育成を一つの流れにすると、次の形が分かりやすいと思っています。

実務課題を選ぶ
↓
本人がまず仮説・初案をつくる
↓
AIから代替案・反証・フィードバックを得る
↓
実務で試す
↓
顧客・同僚・上司から現実のフィードバックを得る
↓
AIとAAR・内省を行う
↓
上司と判断プロセスをレビューする
↓
AIなしの確認課題で能力保持を確認する
↓
一段難しい次の仕事へ進む

人事評価も「成果」だけでは足りなくなる

ここまで来ると、人事評価にも影響します。

AIを使って以前の2倍の成果物を出した。それは評価すべきです。AIを使わず時間をかけた人を高く評価する理由はありません。

しかし同時に、その人がAIの間違いを検証できるか、予想外の状況で修正できるか、なぜその判断をしたのか説明できるかも見なければならない。

そこで私は、AI時代の人材を見るときに、Performance–Capabilityの二重帳簿を持つべきだと考えています。

Performance Ledger
AIを含めて、顧客や事業へどんな成果を出したか。

Capability Ledger
AI出力を検証できるか。異常を察知できるか。説明・修正できるか。未知の問題へ考え方を転用できるか。

経験債務は、若手だけの問題ではない

経験債務というと、若手育成の話に見えます。しかし、本当は組織全体の問題です。

若手が経験を失う。数年後、その人がマネジャーになる。そのマネジャーが、自分自身で十分に経験していない仕事について部下を育てる。AIの判断を評価できない。さらに次の世代へ経験を渡せない。

こうなると、経験債務は個人に蓄積するだけではなく、組織の能力継承そのものを弱くする可能性があります。

これまで企業は、熟練者の経験を若手へどう伝えるかに悩んできました。AI時代には逆に、そもそも次の熟練者が育つだけの経験を組織内に残しているかを考えなければならなくなります。

これはかなり大きな経営課題だと思います。

マネジャーは、経験債務を管理する人になる

AIが高度になるほど、マネジャーが「一番答えを知っている人」である必要は薄くなります。しかしマネジャーには、AIにないものがあります。

実際の仕事を任せる権限。どこまで失敗を許すか決める権限。誰と仕事をさせるか決める権限。フィードバックする責任。そして、その人の次の経験を決める力です。

だからAI時代のマネジャーには、この仕事はAIへ渡してよい、これは本人に一度考えさせる、ここから先はAIを使わせる、この失敗は本人に経験させる、ここは重大だから介入する、といった判断が必要になります。

前回の記事で「マネジャーは経験を設計する人になる」と書きましたが、もう一歩進めるなら、マネジャーは経験債務が積み上がりすぎないよう管理する人でもあるのだと思います。

AI利用率だけを人材育成KPIにしない

経営側にも注意が必要です。

「全社員のAI利用率80％」「AIで年間○万時間削減」。こうしたKPIは分かりやすく、AI導入を進める初期には意味もあります。

しかし、それだけでAI活用の成功を判断すると、生産性を上げるほど経験債務が積み上がるという逆説が起きる可能性があります。

AI利用率、削減時間、成果物の品質だけでなく、若手がどんな判断経験を持ったか、AIなしでも最低限の能力を保持しているか、失敗から何を学んだか、次の難しい仕事へ進めているかまで見る。

AI時代の人的資本経営では、効率化のKPIと能力形成のKPIを同時に持つ必要があります。

結論｜AIに仕事を渡す前に、「この経験まで渡してよいか」を考える

AIによって仕事が速くなることは止めるべきではありません。むしろ、もっと使えばいい。単純な作業は減らす。情報収集も速くする。初稿もつくらせる。分析の幅も広げる。

その上で、一つだけ問いを追加したい。

失っても問題のない経験なら、迷わずAIへ渡せばいい。しかし将来の問題設定、判断、異常検知、顧客理解、マネジメントに必要な経験なら、AIによって効率化するだけでは足りません。別の形で、その経験をつくり直す必要があります。

経験債務は、AIを使うことで発生するのではありません。AIによって消えた経験を、組織が設計し直さなかったときに発生する。私は、そこが重要だと思っています。

AI時代の人材育成とは、AIを使える人を増やすことではない。AIによって仕事が変わり続けても、次の判断ができる人を育て続けられる組織をつくることです。

短期のPerformanceを上げながら、長期のCapabilityも育てる。その両方を設計できるかどうか。

AI時代の人材育成の勝負は、そこに移り始めています。

Case OS Organization Development #3

次回の記事

次は、

AIに任せてよい仕事、任せてはいけない仕事｜「Protected Practice」で考えるHuman × AIの仕事設計【Case OS Organization Development #4】

を考えたいと思います。

「AIでできるか」ではなく、「AIにやらせてよいか」。さらに、「AIにやらせることで、将来必要な経験まで失わないか」。

次回は、仕事をAutomate／Augment／Human Command／Protected Practiceに分け、AI時代の仕事設計をもう少し実務的に掘り下げます。

参考・引用資料

［1］Brynjolfsson, Li & Raymond, “Generative AI at Work”, NBER Working Paper 31161 / The Quarterly Journal of Economics
5,179人の顧客対応担当者を対象とする生成AI支援の生産性効果を参照。

［2］Bastani et al., “Generative AI without guardrails can harm learning”, PNAS（2025）
生成AI利用中の成果と、AIを外した際の学習成果の違い、ガードレール付きAIの影響を参照。

［3］Lee et al., “The Impact of Generative AI on Critical Thinking”, Microsoft Research / CHI 2025
319人・936事例の知識労働者調査、AI利用下での批判的思考の変化について参照。

［4］Kestin et al., “AI tutoring outperforms in-class active learning”, Scientific Reports（2025）
Harvard大学物理コース、194人を対象としたAI TutorのRCTについて参照。