AI時代に求められる能力AIへのタスク委任とキャリア不安から

はじめに

「AIに仕事を奪われるのではないか」という不安は多くの人が抱くものです。実際、AIによって特定の職業が失われることがささやかれることもあります。例えば、SNSで「エンジニア不要論」や「コンサル不要論」が騒がれたり、元Google CEOのエリック・シュミットが、アリゾナ大学の卒業式スピーチでAIについて話し始めると、AIに雇用を奪われる恐怖を抱く学生たちからブーイングを受けるということもありました。

このことからAIに多くの仕事を委ねている人は、自分が不要になるのではと感じ、将来のキャリアにも強い危機感を抱くということが想像されます。 ところが、2026年6月26日に公開されたAnthropicの経済レポート（Anthropic, 2026a）では、AI（Claude）にタスクをより「委任」している人ほど、将来のキャリアにポジティブであり、AIに仕事を奪われるどころか、自らのスキルの市場価値が高まっていると感じていることが報告されています。

本稿では、この一見逆説的な結果からAI時代に求められる能力について考えます。

AIへの委任とキャリア不安

Anthropicの経済レポートでは、約9,700人のClaude利用者を対象としたサーベイ結果を、実際の彼らのClaudeの利用データと紐づけて分析しています。ここでは、Claudeの使い方を大きく「自動化（automation）」と「拡張（augmentation）」に分類しています。

ここでいう「自動化」とは、ユーザーが細かくClaudeの作業に介入するのではなく、Claudeにタスクの大部分を任せる使い方（「自動化された使い方」）を指します。一方の「拡張」とは、Claudeにタスクを丸ごと任せるのではなく、人間の思考や判断を補助する“相棒”として使う使い方（「拡張する使い方」）です。

つまり、自動化は「AIにできるだけ多くのことをやってもらう」使い方であり、拡張は「AIと人間が共同で一緒に考える」使い方だと言えます。「自動化された使い方」の方が「拡張する使い方」よりも、よりClaudeに多くの物事をやってもらうことを意味します。

Anthropicの経済レポートは、人々のClaudeの使い方のうち「自動化された使い方」と「拡張する使い方」の割合によって、キャリアに対するAIの影響への考え（=AIがキャリアに対してどのように影響するのかを問う質問に対する回答（収入への影響、雇用の安定性、新たな仕事の見つけやすさ、仕事への意味、仕事に対する自律性、人との関わり方））がどのように変化するのかを確認しています。その結果、「自動化された使い方」の比率が高い利用者ほど、AIのキャリアへの影響をポジティブに見ていました。特に差が大きかったのは、収入への影響と、新しい仕事の見つけやすさに対する考えでした。つまり、「自動化された使い方」をする人ほど、AIは収入にポジティブな影響を与え、新たな仕事を見つけやすくなると考えており、「自動化された使い方」をする比率が少ない人ほど、AIのそれらへの影響をネガティブに見ていました。

※ もちろん、もともとAIに前向きで楽観的な人や熱心な人が、たまたまClaudeに多くのタスクを委任しているだけではないかという反論はあり得ます。つまり「委任しているから楽観的」なのではなく、「楽観的だから委任している」だけではないか、という反論です。これに対して、Anthropicの経済レポートは、利用者がClaudeをどれくらい長く使っているか、つまり早期利用者か後発利用者かを、AIへの楽観的さ/熱量さの代理指標として統制した上で分析しても、推定される関係はほぼ変わらないと報告しています。（もちろん、これだけで因果関係を断定することはできません。また、これはClaudeをより使ってほしいAnthropicのポジショントークとしても捉えることもできますので、その点は注意が必要です。）

では、なぜAIにより多くのタスクを委任している人は、キャリアに対するAIの影響をポジティブなものと見ているのでしょうか。レポートの中ではその理由を断定的には述べていませんが、間接的な説明として「AIをより自動化された方法で利用している人々は、今日その恩恵をより多く享受しているということ」、そして「AIによってより多くのことを学べたと感じているということ」、さらに「タスク全体をAIに委任する人は、AIが単独で何ができるのかを直接観察できるということ」を指摘しています。すなわち、AIにより多くのタスクを委任する人は、自らの業務上の恩恵を受けつつ、AIからより多くのことを学び、一方でAIが出来ること／出来ないことの解像度が高い状態にあると言えます。それゆえに、キャリアに対して漠然とした不安を感じるというよりも、AIを自分の能力を拡張する道具として捉えやすくなっているのではないかということが考えられます。これは一見すると逆説的です。AIに仕事を任せれば任せるほど、「自分の仕事がAIに置き換えられるのではないか」と感じても不思議ではありません。しかし実際には、AIを使っている人ほど、AIの可能性だけでなく限界も体感しています。どこまで任せられるのか、どこから人間の判断が必要なのか、どのように指示をすれば成果物の品質が上がるのかを、日々の業務の中で学習していると言えそうです。

考えることの外部化に関する批判

ここで、AIへタスクを委任することに対して最もよく向けられる批判は、「タスクを丸ごとAIに任せることは、考えることの外部化であり、学習機会の喪失やスキルの陳腐化を招く」というものです。タスクを委任すればするほど自分の頭を使わなくなり、長期的には自分の市場価値を毀損する、という懸念です。

Anthropicの経済レポートのデータは、少なくとも本人たちの実感レベルでは、この懸念とは異なる事実を示しています。回答者の68%が「AIによってより多くのことを学べている」と答えていますが、「学べている」と答える割合は、自動化比率が高い人でも低い人でもほぼ横ばい、つまり、たくさん委任している人が学ばなくなっているという傾向は観察されませんでした。その一方で、「AIによって自分のスキルの市場価値が高まった」と感じる割合は、自動化比率が高いほど明確に上昇していました。つまり、委任を増やしても学びの実感は減らず、スキルの市場価値の実感はむしろ増えているということです。「委任＝思考の外部化＝スキルの空洞化」という直感的な図式は、少なくともこのデータからは支持されていません。

なお、ここで押さえておきたいのは、「委任」と「丸投げ」の違いです。 BCGのコンサルタント244名を対象とした研究では、生成AIとの協働に働く方法が、人間とAIの分担を明確に切り分けて委任する「ケンタウロス型」、AIと密に統合しながら働く「サイボーグ型」に加えて、問題の設定も実行もAIに明け渡してしまう「セルフオートメーター型」の3つに分かれることが報告されています（Randazzo et al., 2026）。Anthropicの経済レポートの「委任」がどこに該当するかは明記されていませんが、良い「委任」とは少なくとも、3つ目の「丸投げ」とは区別されるべきものです。本来的な意味でのタスクのAIへの委任は、①タスクを言語化して構造的に切り出し、②成果物の要件と判断基準をあらかじめ指定し、③返ってきたアウトプットの良し悪しを評価することです。

そのように考えると、委任の度合いが上がるほど、実行スキルの比重は下がり、代わりに「タスク設計」「評価」「判断」のスキルの比重が上がります。この構図は、AnthropicがClaude Codeの約40万セッションを分析した別の研究で、実際のデータとして観察されています。Claude Codeはコーディング等のタスクを自律的にこなしてくれるAIエージェントですが、この中での典型的なセッションでは、「何をすべきか」というプランニングの意思決定の大半を人間が担い、「どうやるか」という実行の意思決定の大半をAIが担うという分業が成立していました。さらに、ドメイン専門性の高い人ほど1つの指示あたりにAIがこなす仕事量が多く、セッションが成功（テストの通過やコミットなど検証可能な形でのタスク完了）に至る割合も高かったのです（ただし、中級者と上級者の間の差は小さいことも報告されています）（Anthropic, 2026b）。つまり、委任の度合いが高くなっても専門性の価値は消えるのではなく、委任の質を決める形で残り続けます。委任する人のスキルの市場価値が高まっていると感じられているのは、まさにこの、実行から設計・評価へのスキルの重心移動を本人たちが体感しているからではないでしょうか。

AI時代に必要なスキル

AIに委任できるとは、「AIツールの操作に詳しいこと」でも「AIと仲良く壁打ちできること」でもなく、その委任を成立させるための設計・評価・判断を担えることです。この能力の分解として参考になるのが、Anthropicが公式の教育プログラムとして提供している「AI Fluency」の4Dフレームワークです（Dakan & Feller / Anthropic, 2025）。このフレームワークは、AIとの効果的・効率的・倫理的・安全な協働に必要な能力を、Delegation（委任）、Description（記述）、Discernment（識別）、Diligence（誠実さ）の4つに整理しています。

Delegation： 何を任せるかを見極めるスキルです。目標を定め、タスクのどの部分を・いつ・どのようにAIに委ねるかを判断する力を指します。人間とAIの委任を実験的に検証した研究では、人間からAIへの委任が失敗する根本原因は、AIへの抵抗感ではなく、自分自身の能力と任せる相手の能力を正しく見積もれない「メタ知識の欠如」にあることが示されています（Fügener et al., 2022）。何を任せ、何を自分に残すのかという切り分けの質は、業務理解と自己理解の深さがそのまま反映されます。

Description： 任せる内容を言語化するスキルです。成果物の要件・制約・完成条件を、AIが実行可能な形で記述する力を指します。前述のClaude Codeのセッションの分析における、ドメイン専門性の高い人ほど1つの指示あたりにAIがこなす仕事量が多かったという結果（Anthropic, 2026b）は、まさにこのDescriptionの質の差を捉えたものだと解釈できます。

Discernment： アウトプットの良し悪しを見極めるスキルです。AIのアウトプットが増えるほど、ボトルネックは「作ること」から「見極めること」に移ります。ナレッジワーカー319名を対象としたMicrosoftとカーネギーメロン大学の研究チームの調査も同じような結果を示しています。この研究では生成AIを用いた働き方では、ナレッジワーカーの批判的思考の中身が「自ら情報を集め、作ること」から「AIの出力を検証すること」「複数の応答を統合し、タスクを監督すること」へとシフトしていることを指摘しています（Lee et al., 2025）。

Diligence： 判断と責任を手放さないスキルです。委任とは、実行を任せることであって、結果への責任と最終判断を放棄することではありません。この違いが成果を分けることを示したのが、プロのリクルーター181名を対象としたハーバード・ビジネス・スクールのフィールド実験です。高品質なAIの支援を与えられたリクルーターほど、1件あたりの検討時間と労力を減らしてAIの推奨を無批判に受け入れるようになり、結果として、低品質なAIを与えられたリクルーターよりも評価の精度が低くなりました。研究者はこれを「居眠り運転（falling asleep at the wheel）」と呼んでいます（Dell'Acqua, 2022）。なお、これは生成AI以前の予測型AIを用いた実験ですが、優秀なAIほど人間の注意が緩むという構造は、生成AI時代にもそのまま通じる教訓です。AIが優秀になるほど、人間が判断を手放す誘惑は強くなります。だからこそ、判断を握り続け、成果にコミットする覚悟を持つことは、AIの性能向上とともに希少で価値あるスキルになっていきます。

これらから考えられる企業への示唆は下記の通りです。 多くの企業のAI活用ガイドラインは、「AIはあくまで補助として使い、丸ごと任せてはいけない」という「拡張する使い方」のみを推奨する設計になりがちです。安全性の観点から一定の合理性はあるものの、上記の議論を踏まえれば、この方針は従業員から「委任のスキルを習得する機会」と「それに伴うAIのキャリアに対するポジティブな影響と市場価値の実感」を奪っている可能性があります。一方で、委任を野放しにすれば「セルフオートメーター型」の丸投げや「居眠り運転」を招くことも、上記の研究群が示す通りです。求められるのは委任の一律禁止でも放任でもなく、委任してよいタスクの見極め（Delegation）、要件と完成条件の言語化（Description）、評価基準の整備（Discernment）、判断責任の明確化（Diligence）といった、委任を安全に成立させるための仕組みづくりです。4Dフレームワークは特定のツールの操作方法ではなく、AIが進化していっても常に重要になる基礎スキルです。

おわりに

冒頭のアリゾナ大学のブーイングが象徴するように、一部の人はAIに対する不安を持っています。一方でAnthropicの経済レポートが示したのは、AIに最も多くを委ねている人たちが、最もキャリアに楽観的で、最も自分のスキルの価値を実感しているという事実でした。

もちろん、これは相関関係であって因果関係を示しているものではなく、自己申告に基づく実感であって賃金データによる裏付けでもありません。委任する人の考えが正しいのか、それとも来るべき変化を見誤っているのかは、今後の経済統計等が答えを出すことになるでしょう。それでも、「奪われる」という受け身の不安の対極に、「委ねて、設計し、評価する」という能動的な関わり方があり、そちら側に立つ人ほど未来を前向きに見ているという構図は、AI時代のキャリアと組織を考える上で重要な出発点になるはずです。

Velcore Consultingでは、そのようなAI時代に能動的に仕事ができる人材を募集しています。

Velcore Consultingの求人一覧はこちら

---

出典・参考文献

• Anthropic (2026a). Anthropic Economic Index report: Cadences（2026年6月26日）. https://www.anthropic.com/research/economic-index-june-2026-report
• Anthropic (2026b). Agentic coding and persistent returns to expertise（2026年6月16日）. https://www.anthropic.com/research/claude-code-expertise
• Dakan, R., & Feller, J. / Anthropic (2025). The AI Fluency Framework. Anthropic Academy「AI Fluency: Framework & Foundations」. https://anthropic.skilljar.com/ai-fluency-framework-foundations
• Dell'Acqua, F. (2022). Falling Asleep at the Wheel: Human/AI Collaboration in a Field Experiment on HR Recruiters. Harvard Business School, Laboratory for Innovation Science Working Paper.
• Fügener, A., Grahl, J., Gupta, A., & Ketter, W. (2022). Cognitive Challenges in Human–Artificial Intelligence Collaboration: Investigating the Path Toward Productive Delegation. Information Systems Research, 33(2), 678–696. https://doi.org/10.1287/isre.2021.1079
• Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI '25). https://doi.org/10.1145/3706598.3713778
• Randazzo, S., Lifshitz, H., Kellogg, K. C., Dell'Acqua, F., Mollick, E., Candelon, F., & Lakhani, K. R. (2026). Cyborgs, Centaurs and Self-Automators: The Three Modes of Human-GenAI Knowledge Work and Their Implications for Skilling and the Future of Expertise. Harvard Business School Working Paper 26-036.