【機械と人間：第二次総集編】AIは専門職をなくすのか？9つの仕事から見えてきた「人間に残るもの」

生成AIによって、専門職はなくなるのでしょうか。

この問いを考えるために、これまでさまざまな仕事を見てきました。

外科医。

法律家。

教師。

会計・税務。

ライターやクリエイター。

研究者。

エンジニア。

建築家。

そしてリサーチャー。

調べ始めたときには、それぞれ別の話だと思っていた。

ところが並べてみると、かなりはっきりした共通点が見えてきた。

AIによって専門家の仕事が丸ごとなくなっているというより、

「専門性のある場所」が移動している。

のではないか・・・

🌟医療――「手を動かす」から「どこまで任せるか」へ

外科手術では、AIが映像を見て臓器や神経を認識し、手術の状況を説明するところまで来ています。

海外ではロボットが、限定された手術工程を自律的に実行する研究も進んでいます。

そこで問われるようになったのは、

AIにどこまで判断と実行を任せるのか。

です。

すべて人間。

すべてAI。

という二択ではありません。

• 見る。

• 考える。

• 決める。

• 動く。

それぞれについて、人間と機械の役割を設計する。

医療から見えてきた人間の仕事は、

Judgment――判断

でした。

🌟司法――AIを使っても「責任」は消えない

法律の世界でも、AIは、

• 判例を探す。

• 文書を読む。

• 論点を整理する。

• 文章を書く。

ところまで進んでいます。

英国や米国、ドイツでも、裁判官や弁護士によるAI利用を前提としたガイダンスが整い始めています。

しかし共通する考えがあります。

AIを使っても、人間の専門家の責任はなくならない。

AIがそう言った。

では済みません。

司法から見えてきたのは、

Accountability――責任

でした。

🌟教育――「答えが出ること」と「学ぶこと」は違う

教育では、さらに違う問題が出てきました。

AI tutorは、一人ひとりの理解度に合わせて教えることができます。

質問にも何度でも答えられる。

しかし、

AIが課題を解くことと、

生徒自身が学習することは同じではありません。

• 考える。

• 間違える。

• 悩む。

• もう一度やる。

という非効率なプロセスの中で、人間は能力を身につけます。

教育から見えてきたのは、

Learning――学習

でした。

🌟税務・会計――数字が出ても「正しい」とは限らない

税務・会計では、

• 大量の取引を分析する。

• 異常を見つける。

• リスクを判定する。

といった仕事にAIが入り始めています。

しかし、

計算が合っていることと、

その判断が妥当であることは同じではありません。

• どのデータを使ったのか。

• どんな前提なのか。

• なぜその会計処理なのか。説明できなければならない。

ここから見えてきたのは、

Verification――検証

です。

🌟クリエイティブ――ContentからMeaningへ

文章や画像では、もっと分かりやすい変化が起きています。

AIは、

• 文章を書ける。

• 絵を描ける。

• コピーをつくれる。

• 映像もつくれる。

つまり、Outputそのものは大量に生成できます。

だからこそ価値が移る。

• 何を選ぶのか。

• 何を捨てるのか。

• なぜ、それをつくるのか。

MonocleがAIライティングについて問いかけていたように、コンテンツが大量にある時代に希少になるのは、さらに多くのContentではなく、人間とのConnectionなのかもしれません。

クリエイティブから見えてきたのは、

Edit / Meaning / Connection――編集・意味・接続

でした。

🌟研究者――AnswerからQuestionへ

研究者の世界では、GoogleのAI Co-Scientistのように、

• 論文を読む。

• 仮説をつくる。

• 仮説を批判する。

• 実験候補を考える。

ところまでAIが入り始めています。

AIがAnswerを大量につくれるようになる。

すると人間には、

そもそも何を研究するのか。

という仕事が残ります。

既存の問いに高速で答えるのではなく、

「私たちは問いそのものを間違えているのではないか」

と考える。

研究者から見えてきたのは、

Question――問い

でした。

🌟エンジニア――CodeからSpecificationへ

ソフトウェア開発では、AIがコードを書き始めています。

• テストを書く。

• デバッグする。

• 修正する。

AIエージェントなら、複数工程を連続して進めることもできます。

すると、

コードを書くこと自体のコストは下がります。

その代わり、

• 何をつくるのか。

• どんなデータ構造なのか。

• どんな条件を満たすのか。

• どこまでAIに権限を渡すのか。

が重要になる。

つまり、

Codeが安くなるほどSpecificationが高くなる。

エンジニアから見えてきたのは、

Specification / Architecture / Constraint――仕様・構造・制約

でした。

🌟建築家――DrawingからIntentへ

建築も同じです。

• CAD。

• BIM。

• Generative Design。

• AI。

と進むにつれて、

• 図面を描くこと。

• モデルをつくること。

• 設計候補を大量につくること。

が機械化されてきました。

しかし、

• この場所に何を建てるのか。

• 誰のためなのか。

• 何を大切にするのか。

• 何を「良い建築」と考えるのか。

は別の問題です。

AIはOptimizationには強い。

でも、

何を最適化すべきか

は人間が決めなければならない。

建築家から見えてきたのは、

Intent / Brief / Context――意図・要件・文脈

でした。

🌟リサーチャー――InformationからEvidenceへ

そして最後に調査。

AIは、猛烈な速度で情報を集められるようになりました。

• 検索する。

• 読む。

• 要約する。

• 比較する。

• 引用付きのレポートまでつくる。

でも、市場調査なら、

• そもそも市場をどう定義するのか。

• 何を一次情報とするのか。

• どの数字を信用するのか。

• 矛盾する情報をどう扱うのか。

• 存在しない市場規模をどう推計するのか。

が必要です。

情報がたくさんあることと、

正しい調査ができることは同じではありません。

AIがInformationを大量につくるほど、

何をもって「分かった」とするのかが重要になる。

リサーチャーから見えてきたのは、

Evidence / Research Design――証拠と調査設計

でした。

🌟並べると、一つの法則が見えてくる

こうして見ると、共通する方向があります。

AIは、

既に問題として定義されたものを処理し、生成し、探索するコスト

を猛烈に下げています。

だから人間の専門性は、その一段上へ移る。

1. 何を問題とするのか。

2. 何を目的とするのか。

3. 何を証拠とするのか。

4. 何を良いものとするのか。

5. どこまで機械に任せるのか。

という仕事です。

🌟AIによって専門家が不要になるのではなく、「専門家」の定義が厳しくなる

ここには、少し皮肉なことも起きそうです。

これまでは、

• たくさん知っている。

• 計算できる。

• コードを書ける。

• 図面を描ける。

• 情報を探せる。

• 文章を書ける。

こと自体が専門性でした。

AIによって、その多くが誰でも使えるようになります。

だから、

「作業ができる専門家」

の価値は下がるかもしれません。

一方、

• なぜそうするのか説明できる。

• 前提を疑える。

• AIの間違いを発見できる。

• 問題を再定義できる。

• 異なる専門領域をつなげられる。

• 結果に責任を持てる。

という、

専門分野の構造そのものを理解している人

の価値は上がる。

つまりAIは、

専門性をなくすというより、

専門家であることのハードルを上げる

のかもしれません。

🌟そして、すべての専門職に共通して現れる三つの仕事

さらにまとめると、人間側に残っているものは、大きく三つに整理できそうです。

1．Frame

• 何を問題とするのか。

• 何を目的とするのか。

• 何を証拠とするのか。

つまり、

世界の切り取り方を決める。

2．Architect

仕事を分解し、

• 人間。

• AI。

• データ。

• 専門家。

• システム。

へ役割を配る。

つまり、

知性の配置を設計する。

3．Meaning

• なぜそれをするのか。

• 誰のためなのか。

• どんな未来をつくりたいのか。

つまり、

意味を与える。

🌟AI時代の専門家とは何なのか

もしかすると、これからの専門家とは、

「自分ですべてをつくれる人」

ではなくなるのかもしれません。

• AIに何を任せるかを判断できる。

• AIの答えを疑える。

• AIが扱える形に問題を構造化できる。

• 異なる知識をつなげられる。

そして、

AIがつくったものに対して、最終的に「これは良い」「これは違う」と言える。

そんな人です。

だからこそ、

1. Question。

2. Evidence。

3. Intent。

4. Architecture。

5. Meaning。

6. Judgment。

が希少になる。

AIによって、人間の仕事がなくなる。というより、

人間の仕事が、一段上へ押し上げられている。

これまで見てきた九つの専門職からは、そんな景色が見えてきます。そして次に考えなければならないのは、これらすべての専門家を抱え、AIも抱え、

一つの組織として動かす仕事。

つまり、

経営とは何なのか。

なのだと思います。

もしこの記事にご興味を持っていただけましたら、こちらで僕が考える新しい仕事の定義も書いてみたので、ぜひご参照ください。

→みなさまそれぞれの立場や状況に合わせてどんなふうに仕事が変わっていくのか、一緒に考えられるコンテンツになっています^_^

📚 関連記事・マガジン

AIが、仕事を変え、教育を変え、医療や司法、創造のあり方まで変え始めています。これから人間は何を機械に任せ、何を自分たちの役割として残していくのか。 医療・教育・司法・経営・クリエイティブ・社会制度など、さまざまな現場から「人間と機械の役割分担」と、「分界点」「境界線」を考える記事を集めるマガジンです。

#生成AI #AIエージェント #税務 #会計 #KSK2 #国税庁 #TaxAdministration #経営戦略 #意思決定 #DX #AI活用 #AI時代の働き方 #AIエージェント #デジタルDX #業務効率化 #リスキリング #税務会計 #公認会計士 #税理士 #国税庁 #KSK2 #データ駆動経営 #コーポレートガバナンス #未来の働き方 #イノベーション #FutureDesign #クリエイティブ #プロフェッショナルサービス #経営者 #組織設計 #HumanAI #エンジニア #ソフトウェア開発 #AIコーディング #組織設計 #Architecture #HumanAI #DX #未来の仕事 #研究 #科学 #研究者 #AIサイエンティスト #経営学 #イノベーション #HumanAI #未来

CROSS Business Producers
CROSS Graph Team
Knowledge Architect　フランソワ🐾
未来を描く事業開発のプロフェッショナル。
新規事業・AI戦略・未来構想の伴走支援を行っています。
「正しい戦略より、美しい構想を。」

💻ウェビナー開催！参加者募集中👇

今流行りの「 #データセンター 」「 #エネルギー 」に関する最新情報です！ぜひお申込みください✨