AI時代の市場価値を作る

市場価値は、人の価値ではなく「今の市場との接続」を表す仮説

最初に、「市場価値」という言葉を人間の順位として使わないことが大切です。賃金、求人、採用されやすさは、本人の技能だけでなく、景気、地域、業界、企業の評価制度、交渉機会、雇用形態、差別や格差など多くの条件に左右されます。高い報酬を得ている人が、人として優れているわけではありません。本記事では市場価値を、「ある時点の仕事の需要と、自分が示せる行動証拠がどれほど接続しているか」という暫定的な仮説として扱います。

AI時代の不安に対して、「創造性があれば大丈夫」「コミュニケーション職は残る」といった能力名だけで答えると、何をすればよいか分かりません。創造には、目的を定める、参考資料を選ぶ、案を比較する、権利を確認する、利用者から反応を得る、修正する、という複数の仕事があります。コミュニケーションにも、聞く、記録する、利害を整理する、説明する、合意を確認する、問題を引き継ぐ、という異なるタスクがあります。

そこで、職業名を一つの箱と見なさず、次の五要素へ分けます。

1. 入力：何の情報、物、人、依頼を受け取るか。
2. 変換：分類、計算、要約、制作、予測など、何を変えるか。
3. 判断：どの基準で案を選び、例外を扱うか。
4. 対話：誰の意図を聞き、誰へ説明し、誰と調整するか。
5. 責任：安全、品質、法令、機密、最終決定を誰が担うか。

【編集部見解】 AI時代に市場との接続を強める人の共通点は、未来を正確に予言できることではありません。変化した仕事を観察し、道具へ任せる範囲を決め、人が確かめる基準を作り、利用者の反応で修正できることです。Muchurekiが夢中経験を扱う理由もここにあります。好きだった対象そのものではなく、その中で本人がどの問題を見つけ、どんな学習循環を自分から回したかを、次の仕事で検証できる形にします。

現在の年収や肩書が低いから、市場価値が固定されたとは考えません。反対に、一つのAIツールを使えたから将来も安泰とも考えません。市場、技能、証拠はいずれも更新されます。その変化を小さく観測できる状態を作ることが、本記事の出発点です。

AIへの「曝露」は、仕事が丸ごとなくなるという意味ではない

【公的推計】 ILOの2025年版指標は、世界の労働者のおよそ4人に1人が、生成AIにある程度曝露する職業に就いていると推計しました。最も高い曝露区分は世界雇用の3.3%であり、ILOは、ほとんどの職業が人の関与を要するタスクを含むため、全面的な代替より仕事の変容が起こる可能性の方が高いと説明しています。[1]

ここでいう曝露は、職業を構成するタスクの一部が、現在の生成AI能力と重なる可能性を示す分類です。会社が実際に導入するか、技術が期待どおり動くか、法令や顧客が利用を受け入れるか、導入利益が費用を上回るか、雇用者が人員削減と業務拡大のどちらを選ぶかまでは決めません。したがって「曝露率が高い職種＝何年後かに消える」という読み方はできません。

一方で、「変容だから心配しなくてよい」と楽観するのも早過ぎます。タスクが自動化されれば、同じ人数で処理量を増やす、担当範囲を広げる、必要人数を減らす、品質基準を上げる、価格を下げるなど、組織は複数の選択を取れます。その影響は、性別、所得、国、職業、雇用契約によって偏る可能性があります。ILOも政策対話と包摂的な移行の必要性を強調しています。[1]

不安をタスクの問いへ変える

• 自分の仕事で、文章や画像など既存情報の変換が中心の部分はどこか。
• 誤りが起きても人が見つけやすく、被害が小さい部分はどこか。
• 顧客の事情、現場観察、身体作業、最終責任が必要な部分はどこか。
• AIで速くなった時、余った時間を品質向上や新しい価値へ使えるか。
• 導入により仕事が増える人、負担が移る人、評価されにくくなる人は誰か。

【架空例】 経理補助の智子さんは「入力業務は全部なくなる」と不安でした。一週間の仕事を分けると、領収書の転記だけでなく、科目が不明な例外の照会、申請者への不足連絡、二重計上の確認、締め日前の進捗共有がありました。まず公開された架空伝票で読み取りを試し、誤認識しやすい項目を記録しました。自動化できる入力と、人が確認すべき例外を分けたことで、学ぶべきことが「AI全般」から、例外分類、会計ルール、依頼者への確認へ具体化しました。これは雇用安定を保証しませんが、次の行動を選べる分析です。

求人データが示すのは、AI技能だけでなく「組み合わせ」の需要

【研究】 OECDは10か国のオンライン求人を分析し、AIへの曝露が高い職業の求人のうち、72%が何らかの管理技能、67%が業務プロセス技能を求め、半数超が社会情動技能、デジタル技能を求めていたと報告しています。[2] これは日本だけの結果ではなく、求人文に書かれた需要を分析したものです。技能が実際の採用や成果を因果的に高める割合ではありません。それでも、「AIを作る専門家」以外にも、業務を整理し、人と調整し、デジタル道具を使う組み合わせが求められていることを考える材料になります。

【公的報告】 OECD諸国でAIを使用する企業の比率は、2021年のおよそ7%から2025年にはおよそ20%へ上がったと整理されています。[3] 平均の数字には、国、産業、企業規模による大きな差があります。求人でAI活用を掲げていても、実務のデータ基盤、教育、利用ルールが整っているとは限りません。面接では「どの部署が、どの仕事で、どのデータを使い、誰が品質責任を持つか」まで聞く必要があります。

【企業調査】 World Economic Forumの2025年報告は、55経済圏、1,000超の雇用主の回答をもとに、2030年までに労働者の既存技能の39%が変わる、または古くなると回答者が予想し、100人中59人に訓練が必要になると見込んだと報告しています。[4] 同じ報告は、雇用創出1億7,000万、消失9,200万、純増7,800万、雇用の入れ替わり22%という雇用主予測も示します。[4] これらは企業の期待を集計したシナリオであり、確定した未来ではありません。

三つの情報を合わせると、全員が同じ講座を受けるべきだ、という結論にはなりません。むしろ、企業導入はまだ不均一で、職種ごとに変化するタスクが違い、AI技能と業務・対人技能の組み合わせが必要だと分かります。自分の学習は、次の三層で選びます。

1. 業務知識：何が正しい状態かを判断する基準。
2. AI・デジタル技能：道具へ適切に依頼し、出力を扱う操作。
3. 実装技能：人、手順、権限、機密を調整し、現場で使われる形にする力。

【編集部見解】 市場価値を高める「共通点」は、流行語を多く知ることではなく、この三層のうち自分に欠ける部分を、実際の仕事と結びつけて学ぶことです。

共通点1：ツールから入らず、解くべき課題を分解する

ここから示す四つの「共通点」は、人物を追跡して因果関係を確かめた研究結果ではありません。 ILO、OECD、NISTなどの資料と、仕事を小さく試すための編集実務をもとに、Muchureki編集部が「変化へ対応する時に確認できる行動」として整理した実践枠組みです。自分に当てはまる性格診断としてではなく、今月試す行動を選ぶチェック項目として使ってください。

市場との接続を更新する最初の行動は、「生成AIで何かしたい」ではなく、「誰の、どんな困りごとを、どの品質で変えたいか」から考えることです。同じ要約でも、会議参加者が次の担当を確認する要約、医療情報を患者へ説明する要約、契約条件を比較する要約では、許される誤りと確認者が違います。ツールの機能が同じでも、仕事の設計は同じではありません。

一つの仕事を六問で分ける

1. 利用者は誰で、読後または利用後に何を判断するのか。
2. 入力情報はどこから来て、利用許可と更新日は確認できるか。
3. 繰り返しやすい変換と、例外を見分ける判断はどこか。
4. 誤りが起きた時の被害、気づく人、戻す方法は何か。
5. AIを使う前後で、時間だけでなく品質を何で比べるか。
6. 最終的に説明し、承認し、責任を持つのは誰か。

最初の実験は、失敗しても被害が小さく、正解を人が確認しやすく、機密を含まないタスクを選びます。公開済みの文章を見出し別に整理する、架空の商品問い合わせを分類する、自分の学習ノートから確認問題を作る、といった課題です。顧客の個人情報、未公開の経営情報、ソースコード、健康情報を、許可なく外部サービスへ入力しません。

【架空例】 採用アシスタントの亮さんは、求人票の草案作成へAIを使おうとしました。最初は「魅力的な求人を書いて」と依頼し、抽象的な表現ばかりになりました。そこで仕事を、現場への聞き取り、職務の動詞化、必須条件と育成可能条件の分離、差別的表現の確認、文章化、責任者承認へ分けました。AIは公開情報をもとに文章候補を出す部分だけに置き、実際の職務、条件、表現の適切性は人が確認しました。成果は「AIを使った」ではなく、求人作成の工程と確認責任を明確にしたことです。

自分の夢中経験も同じ見方で分解できます。動画制作に夢中だったなら、編集ソフト名ではなく、視聴者の目的を聞く、素材を選ぶ、版を比較する、権利を確認する、反応で直す、という行動を探します。その一部をAIで速め、残りでどんな価値を高めるかを考えます。過去の経験は、未来の職を保証する資格ではなく、新しい工程を学ぶ時の足場です。

共通点2：出力を信じるのでも拒むのでもなく、検証手順を持つ

生成AIの出力は自然な文章に見えても、事実、引用、計算、固有名詞、最新情報が正しいとは限りません。「AIがそう答えた」は、顧客や上司への根拠になりません。反対に、誤りがあるから全く使わないと決めれば、安全に補助できる領域も試せません。必要なのは、用途ごとに確認項目と中止条件を決めることです。

【公的ガイド】 米国NISTの生成AIリスクプロファイルは、もっともらしい誤情報、データプライバシー、情報セキュリティ、有害な偏り、知的財産、過度な依存、人間とAIの構成など複数のリスクを整理し、組織が統治、測定、管理する行動を示しています。[5] この文書は個別製品の安全を保証するものではありませんが、「正確さだけを一回確認すればよいわけではない」ことを理解する枠組みになります。

用途別の検証表を作る

検証力を自己PRにするなら、「誤りに気をつけました」では弱い表現です。「公的資料の発行日と対象母集団を確認し、二つの数字が別定義だったため比較を中止した」「顧客情報を除いた架空の問い合わせ十件を試し、返金可否や本人確認など担当権限が必要な三件を人の確認へ戻した」と、判断基準を示します。

【編集部見解】 検証はAI専門家だけの仕事ではありません。自分の業務で何が正しいかを知る人、顧客が誤解する場所を知る人、現場の例外を知る人が必要です。夢中になって詳しくなった領域にも、情報源を比べた、細部の違いに気づいた、他者へ分かる言葉に直した経験があるかもしれません。それを「詳しい」で止めず、確認手順として見える形にします。

共通点3：人の事情を聞き、AIの出力を使える形へ実装する

AIが短時間で案を作れても、現場で使われなければ価値は生まれません。利用者が本当に困っていること、既存の手順、権限、評価指標、心理的な抵抗、アクセシビリティを理解し、導入範囲を調整する必要があります。ここで求められる対人技能は「人当たりのよさ」だけではなく、異なる立場から条件を聞き、論点を記録し、合意した範囲を確かめる具体行動です。

たとえば問い合わせ回答案をAIで作る時、管理者は処理時間を短くしたい、担当者は誤回答の責任を心配する、顧客は自分の状況を理解した説明を求める、法務は約束範囲を制限したい、情報担当は入力データを管理したいかもしれません。「便利だから導入する」だけでは、誰かへ確認負担が移り、表面上の時間だけが短くなります。

実装前に聞く四種類の質問

• 利用者へ：現在どこで止まり、何ができれば助かるか。
• 実務担当へ：例外、暗黙の判断、誤りの発見方法は何か。
• 責任者へ：許容できない失敗、承認、記録義務は何か。
• 影響を受ける人へ：負担、評価、雇用、アクセスで不利益が生じないか。

【架空例】 コールセンターの由佳さんは、長い応対履歴の要約を試しました。最初は要約時間だけを測りましたが、次の担当者が重要な約束を見落とす例がありました。そこで、顧客の要望、会社が約束した内容、未解決事項、次回期限を必須欄にし、担当者が原文リンクを確認して承認する手順へ変更しました。利用者五人から、必要項目と読みにくい表現を聞き、二週間で様式を三回直しました。由佳さんが示せるのは「プロンプト力」ではなく、利用者の判断に必要な情報を定義し、誤りを戻す工程を設計した行動です。

この力は、部活で練習方法を提案した経験、創作チームで版を管理した経験、ゲームで初心者向け説明を変えた経験、家族の予定を調整した経験にも種があります。ただし、対象人数、法的責任、権限が仕事では違います。過去経験から「できる」と断定せず、共通する行動を小さく試し、仕事固有の知識を学びます。

【編集部見解】 AI時代に人が残る、という抽象的な安心より、「誰の判断を助けるために、何を聞き、どこを人の責任として残すか」を説明できる方が、転職にも現職改善にも使えます。

共通点4：学んだことを、小さな仕事の証拠へ変える

AI関連のニュースや講座を追い続けても、仕事で使えるかは分かりません。学習を市場との接続へ変えるには、「知った→試した→失敗を記録した→利用者に見せた→修正した」という循環を残します。資格や修了証が求人の必須条件なら取得に意味がありますが、それだけで業務の判断や実装を証明するわけではありません。

最初の成果物は、現職の許可された業務か、公開情報・架空データで作ります。営業なら公開情報から企業調査の下書きを作り、出典、確認質問、推測を色分けする。事務なら架空の申請十件を分類し、自動処理できるものと人へ戻すものの基準を書く。制作なら同じ目的の三案を作り、利用者テスト、権利確認、修正理由を残します。重要なのは完成品の豪華さより、本人の判断が見えることです。

成果物に添える七項目

1. 誰のどんな判断を助けるものか。
2. AIを使う前の方法と問題は何か。
3. 使用した情報と、入力しなかった情報は何か。
4. AIへ任せた部分と、人が判断した部分はどこか。
5. どんな誤りが出て、どう見つけ、どう直したか。
6. 利用者の反応で何を変更したか。
7. 実務導入には、さらに誰の承認と知識が必要か。

時間短縮を示す場合は、同程度の課題を複数回測り、品質の悪化や確認時間も含めます。一回だけ速かった結果を一般化しません。文章作成が二十分短くなっても、事実確認が三十分増えたなら、全体では改善していません。成果物を作る人ほど、都合の悪い結果も記録します。

夢中経験から学習法を再利用することもできます。音楽で短い区間を録音して比較した人なら、AI出力の一要素だけを変えて品質を比べる。ゲームで失敗ログを分類した人なら、誤回答の型を記録する。研究で一次資料へ戻った人なら、生成文の出典を検証する。ただし、似た学習行動があるという仮説です。新しい職務の成果は、実際の課題で改めて確かめます。

【編集部見解】 市場価値が更新されたかを見る最小単位は、講座数ではなく、「以前より、誰かの仕事を安全に一つ良くできたか」です。その証拠を次の学習選択へ使います。

三つの架空例：事務、営業、制作の仕事を組み替える

以下は方法を示すための架空例であり、実在の人物・企業・選考結果ではありません。AI導入による雇用や成果を保証する事例でもありません。同じ職種でも会社、顧客、規程により条件は異なります。

架空例A：事務職の航さん

航さんは会議メモ作成の時間を減らしたいと考えました。会社の許可を確認し、機密を含まない社内研修の録音で試しました。AI要約には担当者と期限の取り違えがあったため、発言箇所へのリンク、担当・期限・未決事項の必須欄、人の承認を追加しました。三回の試行で、要約時間、確認時間、修正件数を別々に記録しました。自己PRでは「議事録を自動化した」と言わず、「誤りの影響が大きい項目を定義し、原文へ戻れる確認様式を作った」と説明します。

架空例B：営業職の沙羅さん

沙羅さんは商談前の企業調査にAIを使いました。しかし最初の出力には、別企業の情報と出典のない業界推測が混ざりました。そこで、一次情報を企業の公式開示と公的統計に限定し、事実、仮説、質問を三列へ分けました。AIは資料内の候補抽出に使い、URL、発行日、対象期間を本人が確認しました。商談では「AIが分析した課題」を断定せず、仮説を質問として確かめました。示せる行動は、情報の境界を引き、事実から質問を設計したことです。

架空例C：制作職の陸さん

陸さんは生成画像を使って企画案を増やしましたが、ブランドとの不一致と権利説明に困りました。依頼者へ利用目的、公開範囲、避ける表現を聞き、案出し段階だけにAIを限定しました。参考にした資料、生成部分、本人が描き直した部分を記録し、最終素材は権利確認済みのものへ置き換えました。利用者三人へ見せると視線誘導が分かりにくいと言われ、構図を修正しました。「制作が速い」だけでなく、利用条件を確認し、人の評価で案を絞る工程が証拠になります。

三例に共通するのは、ツール名ではありません。目的を決める、入力範囲を制限する、誤りを記録する、利用者へ聞く、人が責任を持つ箇所を残す、という仕事の循環です。ツールが変わっても、この循環は更新できます。

また、全員が転職を選んだわけではありません。現職で許可された小実験を行い、自分が興味を持てる役割と不足技能を確かめています。試した結果、検証や調整が苦痛なら別の役割を探せます。夢中になれるかは重要な手がかりですが、労働条件、健康、報酬、育成機会も同時に確認します。

30日で「AIが不安」を一つの仕事証拠へ変える

将来予測を読み続ける代わりに、30日で一つの安全な実験を完了します。現職で試す場合は、所属先の利用規程、情報管理、著作権、顧客同意を確認し、許可されないデータを使いません。使えない場合は公開情報と架空データへ切り替えます。

第1週：観察する

一週間の仕事を十五分単位で完全に測る必要はありません。代表的な仕事を三つ選び、入力、変換、判断、対話、責任へ分けます。時間がかかる場所、ミスが起こる場所、利用者が待つ場所を記録します。AIを使う課題は、失敗の影響が小さく、正解を確認できるもの一つに絞ります。

第2週：比較する

同程度の課題を、従来方法とAI補助方法で複数回試します。作成時間だけでなく、確認時間、誤りの数と種類、利用者の理解、やり直しを記録します。AIが優れた結果だけを選ばず、うまくいかなかった入力も残します。機密、偏り、権利、説明責任のチェック表を作ります。

第3週：人に見せて直す

同僚へ無断導入せず、許可された範囲か架空課題で、想定利用者二〜三人に見せます。「便利ですか」ではなく、「どこで判断に迷うか」「原情報へ戻りたい場所はどこか」「使わないとしたら理由は何か」を聞きます。反応を一つ選び、様式か手順を修正します。

第4週：証拠と次の選択を作る

目的、工程、入力範囲、確認基準、失敗、変更前後、利用者の反応、未解決リスクを一枚へまとめます。次の学習は、実験で不足した一項目だけを選びます。業務知識が足りなければ職種知識、出力検証が弱ければデータや情報源、現場実装が難しければ要件整理や進行を学びます。

現職に実験機会がなく、希望職種の求人要件とも大きく離れているなら、転職サービスの比較は「登録すること」ではなく情報収集の選択肢になります。複数サービスについて、対象年代・職種・地域、求人の具体性、担当者の支援範囲、連絡方法、退会手順を公式情報で比較してください。登録前に、①今の経験で応募可能な職務、②不足する技能、③学習支援のある求人、④希望条件に合う求人件数を質問項目として用意します。急いで応募や退職を決める必要はありません。

診断を使う場合は、「AI時代に通用するタイプ」という判定を求めるのではなく、自分が過去に回した学習循環を思い出す入口にします。夢中になった経験で、観察、試行、検証、説明、協働のどこを自然に続けたか。結果を一つ選び、この30日実験の役割へ接続します。最後は成果物と他者の反応で確かめます。

【この記事の到達点】 「AIに仕事を奪われるか」という答えのない恐怖を、「自分の仕事のどのタスクが変わり、何を人が判断し、今月どの証拠を作るか」という操作可能な問いへ変えることです。市場価値は未来予測で与えられる称号ではなく、役立つ仕事を安全に作り、その証拠を更新する過程で育ちます。