AI時代に転職無限ループを抜け出す「キャリアの住所」の築き方

AIが初級業務と学習の階段を同時に変える構図

AI時代のキャリアを考えるとき、「次に何を学べば生き残れるか」という問いだけでは不十分です。生成AIは特定の職業を一度に消すのではなく、調査、要約、資料作成、一次分析といった仕事の一部を切り出し、その価値や担い手を変えているためです。

スキルは個人が所有する資産である一方、その価格は企業の需要、業界の商慣行、顧客との関係、規制などによって決まります。流行する技術を追うだけでは、この外部環境が変わるたびに転職先を探すことになりかねません。

必要なのは、自分がどの課題領域に属し、誰から信用され、どの成果を再現できるのかを示す「キャリアの住所」です。会社に居続けるという意味ではありません。環境が変わっても他者が自分の専門性を見つけられる、持ち運び可能な座標を持つという発想です。

スキル市場価値だけでは安定しない雇用構造

書き換わる職業より先に縮む初級タスク

ILOの2025年版・生成AI職業曝露指数では、世界の労働者の4人に1人が何らかの生成AI曝露を持つ職業に就き、最も高い曝露区分は世界雇用の3.3％と推計されました。事務職の曝露が最も高い一方、金融分析、ソフトウェア開発などデジタル化された専門職でも曝露が上昇しています。

ここでいう曝露は、失職の予測ではありません。職業を構成するタスクの一部をAIが処理できる可能性を示す指標です。仕事が残っていても、情報収集や定型的な下書きだけを担当するポストは減り、例外処理や顧客への説明、結果への責任が早い段階から求められる可能性があります。

世界経済フォーラムの「Future of Jobs Report 2025」は、2030年までに現在の雇用の22％に相当する規模の変動が起き、1億7000万件の役割が生まれる一方、9200万件が失われるとの企業予想をまとめました。業務に必要な中核スキルも約4割が変わる見通しです。

ただし、これは企業の回答に基づく将来予想であり、確定した雇用数ではありません。重要なのは、雇用全体が一方向に縮小するのではなく、成長する役割と衰退する役割が同時に現れる点です。「需要が高い一つのスキル」を学べば安泰になるという単純な構図ではありません。

生産性向上と若手採用減少の両立

生成AIは経験の少ない人の能力を補う効果を持ちます。NBERが公表した顧客サポート業務の研究では、5179人の担当者にAI支援を導入した結果、1時間当たりの問題解決数で測る生産性が平均14％上昇しました。初心者や低技能層では改善幅が34％に達しています。

これは、熟練者が持つ暗黙知をAI経由で広げられる可能性を示します。しかし企業側から見れば、少ない初級担当者で従来と同じ仕事量を処理できることも意味します。若手一人の生産性向上と、若手向けポストの減少は矛盾せず、同時に起こり得ます。

AIで生まれた時間が自動的に高度な仕事へ移るとも限りません。66社、7137人を対象とした別の実験では、生成AIを利用した人のメール処理時間は週に約2時間減ったものの、仕事の量やタスク構成には明確な変化が確認されませんでした。余白を学習や顧客理解に振り向けるには、職務設計と上司の関与が必要です。

スタンフォード・デジタル経済研究所の2026年改訂分析では、AI曝露の高い米国の職業における22～25歳の雇用が、曝露の低い職業と同じペースで推移した場合より19％低い水準にあると報告されました。差は解雇より若手採用の減少を通じて広がったと分析されています。

同研究は経済全体での大量失職を確認しておらず、結果も因果関係を確定するものではないと注意を促しています。それでも、初級ポストが先に細る可能性を示す早期の警告です。41カ国の求人12億5000万件と雇用記録1億5400万件を使った研究でも、AIを導入した企業の海外拠点では、主にシニア層の増加によって若手比率が下がる傾向が示されています。

転職を重ねても上がらない市場価値の罠

若手が従来担ってきた下調べ、試作、一次対応は、単純作業であると同時に、異常を見抜く感覚や顧客の反応を学ぶ訓練でもありました。経済産業省も生成AI時代の人材・スキルに関する報告で、業務自動化に伴う経験機会の喪失を課題として挙げています。

完成した回答だけをAIから受け取れば、作業時間は短縮できます。しかし、なぜその結論になるのか、どの条件なら誤るのかを説明できなければ、判断を引き受ける役割には進めません。企業が初級タスクを削るほど、意図的に訓練機会を再設計しない限り、将来の熟練者も育たなくなります。

転職はこの問題を解決する有力な手段ですが、転職そのものを成長とみなすのは危険です。新しい会社へ移るたびに、社内固有の業務知識、顧客からの信用、意思決定者との関係を最初から築き直す必要があります。流行するツール名だけを基準に職場を選ぶと、ツールの陳腐化に合わせて水平移動を繰り返す構造に陥ります。

IMFの職業移動に関する国際分析では、若い大卒者がAIとの補完性が低い職業から、補完性の高い職業へ移るケースには賃金上昇が伴いました。一方、初期キャリアの足掛かりとなる仕事が失われれば、その上向きの移動自体が難しくなるとも指摘しています。

OECDのキャリア移動研究が強調するように、移動には企業間転職だけでなく、社内異動や職種転換も含まれます。重要なのは回数ではなく、移動後に担当範囲、意思決定権、学習機会が増えたかどうかです。

日本の訓練機会に残る雇用形態格差

日本では、学習機会が本人の意欲だけで決まっていません。厚生労働省の令和6年度「能力開発基本調査」によると、計画的なOJTを正社員に実施した事業所は61.1％でしたが、正社員以外への実施は27.1％でした。自己啓発の実施率も正社員45.3％に対し、正社員以外は15.8％です。

能力開発や人材育成に問題があると回答した事業所は79.9％に上ります。学び直しを呼びかけるだけでは、時間、費用、実務経験へのアクセスに恵まれた人ほど先へ進み、雇用形態や職場による格差が拡大します。

AI時代の「市場価値」は、個人が講座で得た知識だけでは形成できません。仕事を任され、失敗を修正し、熟練者から評価を受ける機会まで含めて初めて、外部でも通用する能力になります。

「キャリアの住所」をつくる四つの座標軸

課題領域に根を下ろす需要の座標

第一の座標は、どの技術を使えるかではなく、誰のどの問題を解く人なのかです。「人事」「営業」「エンジニア」といった職種名だけでは広すぎます。顧客獲得、人手不足への対応、品質保証、法令順守など、予算が付く課題まで具体化します。

例えば人事担当者なら、「生成AIを使える人」よりも、「採用難の職種を特定し、現場責任者と要件を設計し、入社後の定着まで改善できる人」の方が住所は明確です。利用するAIサービスが変わっても、人材需給や組織設計への理解は残ります。

需要の座標を確かめるには、自社の経営計画、顧客から繰り返し寄せられる相談、法制度の変更、業界団体の議論を観察します。求人票の頻出語だけでなく、「放置すると誰が、どのように困るか」を言葉にできる領域を選ぶことが重要です。

AIを監督する判断と実績の座標

第二の座標は、知識量ではなく判断の履歴です。生成AIが複数の案を短時間で作れるほど、何を採用し、何を捨て、どのリスクを引き受けたかが人間の価値になります。

業務ごとに「課題」「制約」「自分が下した判断」「AIへ委ねた部分」「得られた成果」を記録すると、単なるスキル一覧が実績の説明へ変わります。失敗事例も、見落とした条件と修正方法を説明できれば、判断力を示す材料です。

OECDのスキル・ファースト市場に関する報告は、学歴や勤続年数だけでなく、実証されたスキルを採用、配置、育成で評価する方向性を示しています。ただし、プロフィールにスキル名を並べるだけでは不十分です。どの文脈で成果へ変換したかまで示して、初めて強いシグナルになります。

AIを利用する際は、最初から答えを任せ続けない工夫も必要です。まず自分で仮説を作り、AIの案と比較し、差が生じた理由を上司や専門家に説明します。便利さを享受しながら思考過程を残すことが、経験機会の消失を防ぎます。

社内外の人間関係が生む信用の座標

第三の座標は関係資本です。仕事は能力だけでなく、「この課題ならあの人に相談できる」という他者からの認識を通じて集まります。所属企業だけに人間関係を閉じると、退職と同時に住所を失いやすくなります。

LinkedIn上で行われた大規模実験を分析したScience掲載研究は、5年間にわたり2000万人超のネットワーク、20億件の新たなつながり、60万件の転職を調べました。転職機会を最も生みやすかったのは、親友だけでも面識がほとんどない相手だけでもなく、中程度に弱いつながりでした。効果は業界によって異なるため、単純に知人の数を増やせばよいわけではありません。

実務では、以前の同僚、取引先、顧客、業界勉強会の参加者と、成果や課題を共有できる関係を保ちます。情報を一方的に求めるのではなく、自分が得た知見や紹介を返すことが信用につながります。

社内では、直属部署以外のプロジェクトに参加することも有効です。異なる部門に自分の判断力を知る人が増えれば、退職せずに新しい経験を得る社内公募や異動の選択肢も広がります。

別の組織へ持ち運べる証拠の座標

第四の座標は、成果を第三者に伝えられる証拠です。資格は基礎知識を示せますが、複雑な業務を最後まで遂行できることまでは証明しません。反対に、豊富な経験があっても、社内用語だけで説明すれば外部から評価されにくくなります。

顧客情報や機密を除いた上で、企画書の構成、業務フロー、意思決定基準、改善前後の変化をポートフォリオ化します。成果物を公開できない仕事では、解決した問題、関係者、制約、本人の役割を短い事例として整理し、可能なら上司や協働者から推薦を得ます。

OECD Skills Outlook 2025は、経験の浅い人向け業務の需要が弱まる一方、AIの能力を超える複雑な仕事を担う経験者の需要は維持される傾向を紹介しています。実務証拠は、初級タスクの先にある複雑な仕事を任せられることを示す通行証になります。

四つの座標がそろえば、転職は不安から逃げる反射的な行動ではなくなります。現在地からどの経験を追加すれば別の役割へ移れるかを判断する、経路選択へ変わります。

個人任せの学び直しが広げる格差と企業責任

「キャリアの住所」は、狭い専門領域への定住を勧める考えではありません。一つの顧客や社内制度に依存しすぎれば、産業構造が変化したときに移動できなくなります。需要の座標を定期的に見直し、隣接領域でも使える判断原則や成果証拠を増やす必要があります。

もう一つの危険は、雇用不安をすべて個人の学習不足に帰すことです。IMFの2026年報告は、先進国の求人のおよそ10件に1件が少なくとも一つの新しいスキルを要求する一方、AIスキルの普及が若年層に新たな難題をもたらす可能性を指摘しています。学ぶ内容が変わる速度に、個人だけで追随するのは困難です。

企業には、AI導入前後で若手向けタスクがどれだけ減ったかを点検し、観察、試作、顧客対応、レビューを含む訓練経路を作り直す責任があります。講座の受講数ではなく、社員が例外を処理し、判断理由を説明し、一人で担える範囲が広がったかを育成の成果として見るべきです。

JILPTの「人材育成の社会的基盤を考える」は、日本が職場内OJTを中心とする企業内完結型の育成に依存してきた一方、人材流動化や職務変化によって限界が表れていると指摘します。社内公募、在籍型出向、業界横断研修、職業コミュニティを接続し、転職しなくても境界を越えた経験を得られる仕組みが欠かせません。

半年ごとに更新するキャリア住所録の実践

まず一枚の紙に、現在解いている課題領域、説明できる判断実績、自分の仕事を知る社内外の人、持ち運べる成果証拠を書き出します。空白が多い座標こそ、次の半年で取り組むべき課題です。

転職を検討するときは、年収や職種名だけでなく、新しい職場で複雑な仕事への階段が用意されているか、AIの出力を評価する責任を持てるか、社外でも通用する証拠を残せるかを確認します。現在の会社で異動や越境プロジェクトによって得られる経験も比較対象に含めます。

磨くべきなのは、いつでも交換可能なスキルの束だけではありません。「この問題なら任せられる」と周囲が説明できる、課題、判断、信用、証拠の組み合わせです。会社を移っても消えない住所を持つことが、AI時代の転職無限ループから抜け出す出発点になります。

参考資料:

• Generative AI and Jobs: A Refined Global Index of Occupational Exposure
• Future of Jobs Report 2025
• Bridging Skill Gaps for the Future: New Jobs Creation in the AI Age
• Exposure to Artificial Intelligence and Occupational Mobility
• 令和6年度「能力開発基本調査」
• 生成AI時代のDX推進に必要な人材・スキルの考え方2024
• Canaries in the Coal Mine?
• How Does AI Change Labor Demand? Evidence from 41 Countries
• Generative AI at Work
• Shifting Work Patterns with Generative AI
• 人材育成の社会的基盤を考える
• Promoting Better Career Choices for Longer Working Lives
• OECD Skills Outlook 2025
• A Skills-First Labour Market
• A causal test of the strength of weak ties