AIでホワイトカラーの価値はどこに置かれるのか

AIでホワイトカラーの価値はどこに置かれるのか

Contact

AI活用の相談、まずは無料で承っています

コラムで取り上げたテーマについて、貴社への適用可能性をお気軽にご相談ください。

無料で相談する

事業開発・SEO/AIO担当

株式会社Moji ビジネス開発・コンテンツマーケティング担当 鹿児島県出身。大学2年次から複数のスタートアップで長期インターンを経験し、営業・事業開発と0→1の立ち上げに携わる。2026年9月より、生成AI特化の開発会社・株式会社Mojiに参画。AI開発プロジェクトの事業開発と運営体制づくりを担当しながら、自社メディアのコンテンツ運用をリードしている。

はじめに：全てのホワイトカラーの職種がAIに奪われるわけではない

生成AIの急速な普及を受けて、これまで人間が担ってきたホワイトカラーの仕事が奪われるのではないかという懸念が広がっている。文章作成や情報整理、顧客対応といった知的業務まで、AIが短時間で処理できるようになったためだ。

実際、スウェーデンの決済企業の公式発表によると、2024年生成AIを活用したカスタマーサービスが、導入後1か月で問い合わせの約3分の2に対応し、約700人分のフルタイム業務に相当する仕事を処理した。

しかし、こうした事例から、ホワイトカラーそのものの価値が失われると結論づけるのは早い。生成AIによって変わるのは、仕事の有無だけではなく、人間の価値が置かれる場所だからだ。

文章を書く、情報を整理する、資料を整えるといった「成果物を作る作業」は、AIによって短時間で行えるようになった。一方で、何を解決すべきかを定め、AIの出力が適切かを判断し、最終的な意思決定に責任を持つことは、依然として人間に委ねられている。

これからのホワイトカラーの価値は、「作る力」よりも、「問い、判断し、決める力」にある。

この結論を以下の各章で順番に立証する。

1．AIで「成果物を作る仕事」の価値は下がり始めている

AIが直ちにホワイトカラーの職業そのものを消しているとは、現時点では言えない。しかし、メールや報告書、議事録、プレゼン資料などを一定の形に仕上げる作業は、以前ほど多くの時間や専門性を必要としなくなり始めている。

OECDやILOの分析でも、職業全体がすぐに消えるというより、一部の業務が自動化され、仕事の進め方が変わる可能性の方が高いとされる。

職場で使われる「AI」は、LLMだけではない

職場でのAI活用を考える際には、「AI」と「大規模言語モデル（LLM）」を区別する必要がある。

AIは、画像認識、音声認識、需要予測、異常検知、検索、データ分類などを含む幅広い技術の総称だ。その一部であるLLMは、大量の文章から言葉のパターンや関係を学び、文章の生成、要約、分類、言い換えなどを行う。

LLMの進歩によって大きく変わったのは、人間が日常的に使う言葉で指示を出し、文章を中心とした成果物を短時間で作れるようになったことである。

現在の職場では、AIは主に次のような形で使われている。

  • メールや顧客向け説明文の下書き
  • 会議の議事録や長い資料の要約
  • 報告書やプレゼン資料の構成作成
  • データの整理、集計、グラフ化
  • 社内文書の検索や問い合わせ対応

こうした活用は、業務時間を短縮し、成果物の水準も引き上げる。文章作成を対象とした実験では、ChatGPTを使った参加者の作業時間が短くなり、成果物の品質も向上した。カスタマーサポートの研究でも、AI支援によって処理件数が増え、とりわけ経験の浅い担当者への効果が大きかった。

つまり、生成AIは、文章や資料を「まず形にする」ために必要な時間と技能の希少性を下げている。成果物を作れること自体の価値がなくなるわけではないが、それだけで他者との差を生み出すことは難しくなりつつある。

2．AIが成果物を作れても、そのまま仕事に使えるとは限らない

生成AIは、文章や要約、資料のたたき台を短時間で作れる。しかし、成果物を生成できることと、それを実際の仕事で採用できることは同じではない。

AIの能力には「ギザギザ」がある

AIの能力は、仕事の難易度に応じて単純に上下するわけではない。一見よく似た業務でも、高い成果を出せるものと、かえって誤った結論を導きやすいものが混在している。この不均一な境界は、「ギザギザの技術的フロンティア」と呼ばれる。

Boston Consulting Groupのコンサルタント758人を対象とした実験では、AIの得意な範囲にある課題において、利用者の作業速度と成果物の品質が向上した。一方、複数の情報を慎重に組み合わせる必要がある課題では、AIを使った参加者の方が正しい結論に到達しにくかった。

重要なのは、AIを「簡単な仕事には強く、難しい仕事には弱い」と単純に分類できない点だ。文章作成や分析といった同じ種類の仕事でも、与えられる情報や必要な判断によって、AIの得意不得意は変わる。

特にAIは出された問題に答えることを得意とする一方で、自ら問いを立てることを苦手とする。これはLLMが「与えられた文脈に続く適切な言葉を生成する仕組み」として学習されていることが背景にある。また問い立ては、組織の価値判断や目的に依存する。従って、どの問いを解くべきかを決めるには、人間が目的と文脈を与える必要がある。

AIの成果物を鵜呑みにしてはいけない

AIは、存在しない事実や出典を示したり、重要な条件を省いたり、相関関係を因果関係のように説明したりすることがある。しかも、出力される文章は自然で説得力があるため、利用者が誤りに気づきにくい。

誤った内容を顧客への説明、経営判断、社外発信などに使えば、信用の低下や経済的な損失につながりかねない。そのため、AIの出力は「完成品」ではなく、人間が確認することを前提とした「案」として扱う必要がある。

文章作成ではAIは初稿や言い換えを得意とするが、誰に何を伝えて会社としてどこまで約束するかは決められない。

情報処理では大量の資料を要約・分類できるが、どの情報を重要とみなすかはその仕事の目的によって変わる。

資料作成では見栄えのよい構成を提示できるが、その会議で何を共有し何を決めるべきかまでは定められない。

AIに任せやすいのは、与えられた条件のもとで情報や表現を整理し、成果物の形を作る部分である。目的を定め、必要な前提を選び、出力を検証して採用するかを決める役割は、人間に残る。

3．仕事を「問いの設定・作成・評価・意思決定」に分解すると、人間の価値はどこに残るだろうか

ここでは、「新商品の売上を改善するための提案資料を作成する仕事」を例に、七つの工程に分解して考えてみよう。

①課題設定｜人間中心・AIは補助

まず、売上不振の原因として何を検証するのかを定める。

新規顧客が不足しているのか、初回購入後の再購入率が低いのか、価格や商品内容、販売チャネルに問題があるのか。AIは原因の候補を出せるが、事業目標や社内事情を踏まえて、優先して解くべき課題を決めるのは人間である。

②情報収集｜AI中心・人間が選別

設定した課題を検証するため、売上データ、顧客属性、購入履歴、広告効果、アンケート、競合商品の価格などを集める。

AIは検索や情報抽出を効率化できる。一方、今回の判断にどの情報が必要なのか、情報源やデータの条件が信頼できるかは、人間が確認しなければならない。

③生成・整理｜AI中心・人間が方向づけ

集めた情報を分析し、表、グラフ、要約、スライドなどの形にする工程である。ここはAIが特に力を発揮しやすい。

たとえば、販売チャネル別の売上推移をグラフ化する、顧客アンケートを分類する、問題点を要約する、提案資料の構成を作るといった作業は、AIに任せられる。人間は、分析の観点と資料の筋道を指定する。

④評価｜人間

AIが作った分析や資料について、数字は正しいか、結論と根拠はつながっているか、重要な例外が抜けていないかを確認する。

売上と広告費が同じ時期に減っていたとしても、それだけで広告費の減少が売上低下の原因だとは言えない。季節要因や競合商品の値下げなど、別の可能性も考える必要がある。業務で使える水準かを判断するのは人間だ。

⑤意思決定｜人間

分析をもとに、値下げ、広告の強化、商品の改善、購入後のサポート拡充など、複数の選択肢から方針を選ぶ。

AIは各案の効果やリスクを比較できる。しかし、予算、人員、期限、利益率、ブランドへの影響を踏まえて何を優先するかは、組織として決めなければならない。

⑥実行・説明｜人間

決定した方針を経営陣、営業部門、開発部門などへ説明し、協力を得る工程である。

AIは説明資料やメール、想定問答を作れるが、相手の立場や懸念に応じて説明を変え、反対意見を調整し、合意を形成する役割は人間が担う。

⑦責任｜人間

施策を実行した後は、結果を振り返り、継続、修正、中止を判断する。

AIは結果の集計や原因候補の整理を支援できるが、採用した判断を関係者に説明し、その結果を引き受ける主体にはならない。

このように分解すると、AIが代替しやすいのは、情報を集め、整理し、成果物として形にする工程である。一方、課題設定、評価、意思決定、実行、責任では、人間の役割が大きい。

ホワイトカラーの価値は、「成果物を作る能力」から「仕事を定義し、動かす能力」へと移っていくのである。

4．今後、ビジネスパーソンに求められる力

今後求められるのは、単にAIを操作する力ではない。重要なのは、「課題を設定する力」「出力を評価する力」「意思決定し、結果に責任をもつ力」の三つである。

①課題を設定する力

生成AIは、与えられた問いに対して答えを作る。しかし、問いが曖昧であれば、返ってくる答えも表面的なものになりやすい。

たとえば、次のような指示を出したとする。

売上を分析してください。

この指示では、何が問題なのか、どのデータを見るべきなのか、何の判断に使うのかが分からない。そのため、AIは一般的な情報を広く整理できても、実際の意思決定につながる分析を行うことは難しい。

一方、次のように課題を具体化すれば、分析の焦点は明確になる。

新商品の売上が計画を20％下回っている。新規顧客数は想定通りだが、初回購入後の再購入率が低い。顧客属性、購入商品、購入後30日以内の行動を比較し、再購入率低下の原因仮説を三つ挙げてください。各仮説について、追加で確認すべきデータも示してください。

両者の違いは、指示文の言葉遣いが巧みかどうかではない。後者では、何が問題なのか、何を明らかにしたいのか、どの条件を考慮するのか、何をもって良い答えとするのかが定義されている。

必要なのは、単なる「プロンプトを書く技術」ではない。仕事の目的を分解し、解くべき問いを定める力である。

AIの性能が高まるほど、曖昧な問いにも、それらしい回答が返ってくるようになる。だからこそ、もっともらしい答えを得ることより、正しい問いを設定することの重要性が増していく。

②出力を評価する力

AIが作った文章が自然であっても、内容が正しいとは限らない。

数字や出典に誤りがないか（事実性）、結論と根拠がつながっているか（論理性）、利用目的に合っているか（適合性）、重要な論点が抜けていないか（完全性）を確認し、どこまで使えるかを見極める必要がある。

成果物を作る速度が上がるほど、その質を正しく判断できる人の価値は高まる。

③意思決定し、結果に責任をもつ力

AIは複数の選択肢を示し、それぞれの効果やリスクを整理できる。しかし、組織として何を優先し、どのリスクを受け入れるかは決められない。

人間には、予算、人員、期限、組織方針、関係者の利害といった現実の制約を踏まえて方針を選び、その理由を説明する役割がある。さらに、実行後の結果を確認し、期待した効果が得られなければ判断を修正しなければならない。

この三つの力は、筆者独自の整理ではない。AnthropicがClaude Academyで公開する4Dフレームワークも、AI活用における四つのコア能力として、委任力 (Delegation)、記述力 (Description)、評価力 (Discernment)、倫理的責任 (Diligence) を挙げている。

これらは、前述の①〜③とほぼ対応する。

  • 委任力：AIに任せる範囲を定める力　→①
  • 記述力：AIと対話する力　→①
  • 評価力：AIの出力が使えるかを見極める力　→②
  • 倫理的責任：AIとの協働で得た結果に責任を持つ力　→③

結論：AIを使う力より、課題を定義し判断する力

生成AIが広く普及すれば、文章を作らせることや、情報を要約させること自体は、特別な能力ではなくなっていく可能性がある。

そのとき差がつくのは、AIへの指示文を器用に書ける人だけではない。

何を問題として扱うかを定め、AIの出力を事実・論理・目的に照らして評価し、組織固有の制約を踏まえて最終的な判断を下せる人である。

これからのホワイトカラーに求められるのは、AIより速く作業することではない。AIを使いながらも、仕事の目的、品質、意思決定に対する主導権を手放さないことである。

参考文献

Contact

AI活用の相談、まずは無料で

コラムで取り上げたテーマについて、貴社への適用可能性をお気軽にご相談ください。

無料相談する
前の記事

AEOとは？SEOとの違いと重要性・具体的な対策をわかりやすく解説

 次の記事

Codex Cloudとは？できること・利用条件・企業での安全な試し方を解説
コラム一覧に戻る