生成AIに頼めば、メールの下書きも、長い資料の要約も、データの整理も、簡単なコードも、少し前なら人が何十分、何時間とかけていた作業がかなり短い時間で終わるようになりました。
便利です。これは素直にそう思います。
でも、便利になるほど妙な疑問も出てきます。
人がやっていた仕事をAIがどんどん速くこなせるなら、そもそも僕たちは何のために働いているのでしょうか。
生活費を得るため。もちろん、それは大きい。ただ、働く理由をお金だけで説明すると、どうもしっくりこない部分が残ります。仕事を失ったときに失うものは給料だけではありませんし、反対に、給料をもらっていても「自分が何のためにここにいるのか分からない」と感じる仕事もあります。
調べていくと、AIが突きつけているのは「人間の仕事がなくなるか」という問いだけではないように見えてきました。
AIが効率化しているのは、主に仕事を構成するタスクです。一方、人が仕事から受け取ってきたものには、収入のほかにも、役割、他者とのつながり、時間の区切り、能力を使う感覚、誰かの役に立っている感覚などがあります。そして、仕事の成果を「自分には価値がある証拠」にしすぎると、AIが優秀になるほど、仕事ではなく自分自身まで否定されたように感じやすくなる可能性があります。
この記事では、「AIに奪われない仕事ランキング」を作るのではなく、AI時代に人が働く意味と、自分の価値をどこに置くのかを、労働研究と心理学の両方から考えてみます。
AIが仕事を速くしても、「働かなくていい社会」にはまだなっていない
まず確認しておきたいのは、AIが本当に人の仕事を置き換えているのかという点です。
「AIで仕事がなくなる」という話はよく見かけますが、ここには少なくとも三つの別の話が混ざりやすいです。
AIがある職業の仕事に関係すること。AIがその中の一部の作業を自動化できること。そして、その結果として人の雇用そのものがなくなること。この三つは同じではありません。
生成AIが一部の仕事を速くすること自体は、すでに研究でも確認されています。
Shakked NoyとWhitney Zhangが2023年に『Science』へ発表した実験では、文章作成を伴う職業的課題に取り組んだ453人の大卒専門職について、ChatGPTを利用できた参加者は平均で課題時間が40％短くなり、成果物の品質は18％高くなりました。
2025年に『The Quarterly Journal of Economics』へ掲載されたErik Brynjolfssonらの研究では、5,172人のカスタマーサポート担当者を対象に生成AI支援ツールの導入を調べ、1時間あたりの解決件数で測った生産性が平均15％上昇しています。しかも効果は一様ではなく、経験の少ない担当者ほど大きな恩恵を受ける傾向がありました。
こういう数字だけを見ると、「やっぱり人間はいらなくなるのでは」と思いたくなります。
ただ、そこで一段飛ばすと話が変わってしまいます。
国際労働機関（ILO）が2025年に公表した生成AIと職業曝露の分析では、世界の雇用の約4分の1が何らかの形で生成AIに曝露すると推計されています。一方で、著者たちが最も可能性の高い影響として強調しているのは、すべての職が丸ごと消えることより、仕事の中身が変わることです。
日本についても、OECDの2025年報告書『Artificial Intelligence and the Labour Market in Japan』では、調査時点で職場でAIを使っている労働者は8.4％でした。AI利用者の平均35.8％は、仕事の成果や労働条件の指標に改善があったと答えています。その一方、報告書はAIが日本の雇用量をすでに大きく減らしたという明確な証拠はないとも整理しています。
AIは確かに仕事を変えています。でも、「作業が速くなった」から「人間の仕事が不要になった」までには、まだかなり距離があります。
それ以上に、僕が気になったのはここからでした。
仮にAIがもっと進歩して、多くの作業が人間より速くできるようになったとしても、なぜ僕たちは「じゃあ働く意味がなくなる」と感じるのでしょうか。
その疑問を考えるには、そもそも仕事が人に何を与えているのかを見た方がよさそうです。
そもそも、人は給料のためだけに働いているわけではない
働く最大の現実的理由は収入です。
家賃も食費も電気代も、仕事に意味を感じられないからといって待ってはくれません。ここは精神論で飛ばせる話ではないでしょう。
ただ、労働心理学では昔から、雇用には給料以外の機能もあると考えられてきました。
心理学者マリー・ヤホダが提唱した「潜在的剥奪モデル」では、雇用は収入という目に見える機能のほかに、時間の構造、社会的接触、社会的な地位や役割、共同の目的、日々の活動といったものを人に与えやすいと考えます。
この考え方を大量の先行研究から検証したのが、Karsten Ingmar Paulらによる2023年のメタ分析です。
分析では、就業者は失業者より、こうした潜在的機能へのアクセスが全体として高い傾向がありました。また、時間構造、社会的接触、地位、共同目的、活動、そして経済状況はいずれも精神健康と関連し、それらを同時に入れたモデルでは精神健康のばらつきの19％を説明しています。
19％という数字を「仕事が心の健康の19％を作る」と読むのは誤りです。これは複数研究を統合した統計的な関連であって、仕事さえあれば精神状態が良くなるという意味ではありません。
それでも、この研究からは大事なことが見えます。
人が仕事を失うとき、失う可能性があるのは給料だけではない、ということです。
朝起きる理由が変わる。人と話す機会が減る。自分が何者なのかを説明するときに使っていた肩書きがなくなる。誰かと一緒に進めていた目的が消える。予定表の空白が急に増える。
こうしたものは給与明細には載りませんが、生活の輪郭を作っています。
ただし、ここで「だから人は働かなければならない」と結論づけるのも違います。
同じメタ分析では、学生、家事を担う人、退職者など、労働力人口の外にいる人が一部の潜在的機能を失業者より多く得ているケースも確認されています。家族、学習、地域活動、創作、ケア、ボランティアでも、役割やつながり、時間構造、共同目的は持てます。
つまり、仕事はそれらを得る一つの強力な仕組みではあっても、唯一の仕組みではありません。
ここを分けておかないと、「働いていない人には役割がない」「稼げない人には価値がない」という、とんでもない話にすり替わってしまいます。
「役に立っている感覚」は、仕事を意味あるものにする
同じ八時間を働いて、同じくらいの給料をもらっていても、「今日はちゃんと仕事をした」と感じる日と、「何をしていたんだろう」と感じる日があります。
この差を扱う研究では、**meaningful work（意味のある仕事）**という概念が使われます。
Blake Allanらが2019年に発表したメタ分析は、44論文、計23,144人のデータを統合しています。意味のある仕事だと感じることは、仕事へのエンゲージメント、組織へのコミットメント、職務満足と大きく相関し、生活満足、人生の意味、健康などとも中程度から大きな関連がありました。
ここでも「意味のある仕事を与えれば必ず幸せになる」と因果関係まで断定することはできません。ただ、仕事をどう意味づけているかが、仕事上の態度だけではなく生活全体とも無関係ではないことは見えてきます。
では、何が仕事を意味あるものにするのでしょうか。
Milena NikolovaとFemke Cnossenは、ヨーロッパ30か国のEuropean Working Conditions Surveyの3時点のデータを使った2020年の研究で、自律性、有能感、関係性という三つの要素が、仕事を意味あるものだと感じる個人差の約60％を説明すると報告しています。
自律性は、自分である程度選び、決められる感覚。
有能感は、自分の能力を使い、できるようになっている感覚。
関係性は、他者とつながり、支え合っている感覚です。
この三つは自己決定理論でも重要な心理的欲求として整理されてきました。Marylène GagnéとEdward Deciの仕事の動機づけに関するレビューでも、仕事を外から強制されるものとしてだけではなく、自律的に引き受けられるかどうかが重要な論点になっています。
僕はこのあたりを読んで、働く意味を「何を生産したか」だけで考えると狭すぎる理由が少し分かった気がしました。
同じ成果物でも、自分で考えて作ったのか、誰かの役に立った実感があるのか、周囲と関係を築けたのか、以前できなかったことができるようになったのかで、仕事から受け取るものはかなり違います。
AIは成果物を作る速度を上げられます。しかし、成果物が完成する速さだけでは、そこで人が得ていた意味までは測れません。
でも「仕事ができる＝自分には価値がある」になると苦しくなる
ここで「自己肯定感」という言葉を使う前に、一つ分けておきたいことがあります。
日本で日常的に使う「自己肯定感」はかなり幅の広い言葉です。自分を好きでいられる感覚、自分を認める感覚、自信、自尊心などが混ざって使われることがあります。
一方、心理学研究では self-esteem（自尊感情）、contingent self-worth（条件つきの自己価値）、**performance-based self-esteem（成果に依存する自尊感情）**など、少しずつ違う概念を区別します。
この記事では日常語として「自己肯定感」を使いますが、研究を紹介するときは同じ概念だと決めつけません。
Jennifer CrockerとConnie Wolfeが2001年に提唱したcontingencies of self-worthのモデルでは、人の自尊感情は、本人が「ここで成功できるかどうかに自分の価値がかかっている」と考えている領域での成功・失敗に反応しやすいとされます。
たとえば、学業成績を自分の価値の証明にしている人なら、試験結果が単なる試験結果ではなく、「自分には価値がある／ない」という判定になりやすい。外見、他者からの承認、競争など、自己価値を預ける場所は人によって違います。
仕事も、その一つになりえます。
「仕事がうまくいったから嬉しい」こと自体は問題ではありません。難しい仕事をやり遂げれば自信になるのは自然です。
苦しくなりやすいのは、そこから一段進んで、仕事ができる自分には価値がある。仕事ができない自分には価値がないという形になったときです。
Victoria Blomが2012年に発表した縦断研究では、2,121人の働く男女を追跡し、performance-based self-esteem、つまり成果を出せることに自尊感情が強く依存する傾向が、後のバーンアウトを予測する重要な要因の一つになっていました。
もちろん、この研究から「仕事を頑張る人は燃え尽きる」とは言えません。仕事で達成感を得ることと、自分の存在価値を成果だけに預けることは別です。
ここは似ていますが、かなり違います。
仕事を失敗したときに「今回はうまくいかなかった」と感じるのか、「うまくできない自分には価値がない」と感じるのか。その差は小さく見えて、心の中ではかなり大きい。
そしてAIは、この境界を妙にはっきり見せる技術なのだと思います。
AIが怖いのは、仕事だけでなく「自分の価値」まで代替された気がするから
ここからは、AI研究が直接証明した事実ではなく、これまでの研究をつないで僕が考えたことです。
AIに対する不安には、「職を失って収入がなくなる」という極めて現実的な不安があります。これは軽く扱えません。
でも、それだけでは説明しにくい反応もあります。
自分が何年もかけて覚えた文章作成をAIが数秒でやる。時間をかけて身につけた分析方法をAIが使う。新人に教えてきた知識を、ツールが最初から持っている。
そのとき湧く「自分はいらないのでは」という感覚は、必ずしも「明日解雇される」という話だけではありません。
もし「人より速く書ける」「難しいことを知っている」「この作業を自分だけができる」という能力に自己価値を強く預けていたら、AIがその領域へ入ってきた瞬間、技術比較がそのまま自己評価に入り込んできます。
AIが文章を速く書く。
本来なら、それは「このツールはこのタスクが速い」という事実です。
ところが心の中では、「自分が書く意味がない」「自分の価値が下がった」に変換されることがある。
CrockerとWolfeの自己価値の随伴性研究は、AIについて研究したものではありません。Blomの研究もAI導入を扱っていません。ですから「AIは自己肯定感を下げる」と科学的事実のように言うことはできません。
ただ、成果を自分の価値の証明にしているほど、その成果を別の存在が簡単に出せるようになったときに揺れやすいという見方には、これらの研究から考える余地があります。
一方で、AIが逆の働きをする可能性もあります。
OECDの日本の報告では、AI利用者の一部で仕事の成果や労働条件の改善が報告され、学習機会や仕事の楽しさなどの側面でも恩恵が示されています。AIに単純作業を任せた結果、本人が判断したいこと、考えたいこと、人と関わることに時間を使えるなら、仕事の意味がむしろ増える人もいるでしょう。
結局、AIを入れたかどうかだけでは決まりません。
何をAIへ渡し、何を人に残し、その人が仕事のどこに意味を感じていたか。
ここで結果はかなり変わります。
「人間にしかできない仕事」を探し続けるだけでは、また不安になる
AI時代の仕事について調べると、「これからは人間にしかできない能力が重要になる」という説明によく出会います。
言いたいことは分かります。僕もこの考え方自体を否定するつもりはありません。
実際、OECDが2026年に公表したAI曝露指標では、現在のAI能力は、定型的な情報処理、事務作業、形式化しやすいタスクの要求に比較的近い一方、文脈に応じた判断、対人理解、複雑な意思決定、責任を必要とする職業の要求とは距離があると整理されています。
現時点の仕事選びや職務設計を考えるなら、これは重要な情報です。
ただ、僕は「だから一生、人間はそこへ逃げれば安全だ」とは読みませんでした。
同じOECDの資料も、AIが実際の仕事へ与える影響は技術能力だけではなく、導入の仕方、規制、組織の変化、社会的な選択に左右されるとしています。AIそのものの能力も変わります。
もし働く意味を「AIより上手にできること」に置くなら、技術が進歩するたびに自分の価値を再審査しなければなりません。
文章、分析、対人理解と、技術が進むたびに「まだ人間の方が上手な領域」へ境界線を引き直し続けることになります。それでは、働く意味そのものが技術の進歩に振り回されやすくなります。
しかも、そもそも仕事の意味の研究が示していたのは「誰より速いか」だけではありませんでした。自分で選べること、能力を使えること、人と関係を持てること、目的を感じられること。そこには、AIとの勝敗とは別の軸があります。
人間にしかできないことを考えるのは大切です。
でも、「人間にしかできないから価値がある」だけにすると、技術の性能が更新されるたびに、その価値まで揺れやすくなります。
AI時代の「働く意味」は、能力競争より仕事との関係を組み直すことにある
では、これから働く意味をどう考えればいいのでしょうか。
「好きな仕事をしよう」と言えば簡単ですが、現実の仕事はそんなに都合よく選べません。生活のために働くこともあるし、待遇や家族事情、地域、健康、能力、求人状況などで選択肢は変わります。
だから、人生の使命を見つけるような話ではなく、もう少し小さく分けた方が使いやすいと思います。
まず、自分が仕事から何を受け取っているかを見る。
収入はもちろんです。そのうえで、人とのつながりが大きいのか。毎日のリズムなのか。自分の能力を使えることなのか。誰かに必要とされる役割なのか。学べることなのか。自分で決められる範囲なのか。
仕事が嫌になったときにも、この分解は役立ちます。
「仕事そのものが嫌だ」と思っていても、実際には裁量がなさすぎるのかもしれません。人間関係が壊れているのかもしれない。何のための作業か分からないのかもしれない。逆に、仕事内容は好きでも、生活できる収入になっていない場合もあります。
全部を「やりがい」で包むと、何が足りないのか分からなくなります。
AIについても同じです。
AIに任せたい仕事と、自分が引き受けたい仕事を分ける。
入力、整形、定型文、検索、要約のような部分をAIに渡した方が楽になる人もいます。一方で、最終判断、説明責任、誰かとの調整、何を優先するかを決めることまで手放すと、仕事の手応えが薄くなる人もいるでしょう。
どこまで自動化すれば快適になるかは、その人が何に意味を感じていたかで変わります。
そして、もう一つは仕事の成果と自分自身を切り分けることです。
AIを使って成果が上がったから、自分の価値が上がったわけではない。
AIに負ける作業が増えたから、自分の価値が下がったわけでもない。
これは「気にしなければいい」という話ではありません。評価や賃金が生産性と結びつく職場では、成果は現実に重要です。
でも、評価の対象になる能力と、人間としての価値は同じものではないと分ける余地はあります。
仕事以外にも役割や所属を持つことも、この分離に関係します。
仕事だけが「自分は何者か」を支えていると、その一本が揺れたとき全部が揺れます。家族との関係、友人、趣味、学習、地域、創作、ケアなど、仕事以外にも自分が時間を使う場所があれば、仕事を軽視するのではなく、仕事一つに全人格を背負わせずに済みます。
僕は「AIに勝てるか」で働く意味を決めない方がいいと思う
資料を追っていくと、「人間にしかできない能力」を探すだけでは、この問いには十分に答えられないと感じました。
AI研究が示しているのは、技術が一部のタスクを速くし、職務の中身を変え始めていることです。労働心理学が示しているのは、人が仕事から受け取っているものが給料や処理速度だけではないこと。そして自己価値の研究からは、成果を自分の価値そのものにしてしまうことの不安定さが見えてきます。
この三つを一緒に考えると、「AIに勝てる仕事は何か」だけを探すのは少し違う気がします。
僕が考えたいのは、自分は何を速くこなせるかより、何に時間を使い、何を引き受け、誰と関わり、どんな役割を持ちたいのかという方です。
AIに任せた方がいい作業は任せればいい。それで仕事が少し楽になるなら、それも技術を使う意味でしょう。それでも自分が引き受けたい判断や責任や関係が残るなら、働く意味まで一緒に消えるとは限りません。
そして、働けない時期がある人、雇用という形で働いていない人、無償で誰かを支えている人まで含めて考えるなら、なおさら「生産性＝人の価値」という式は成り立ちません。
ここまで調べて最後に残ったのは、「自分は仕事に何を預けているんだろう」という疑問でした。
少なくとも僕は、AIや仕事の成果を評価するときの尺度を、そのまま自分自身の価値を測る尺度にはしたくありません。
参考文献・出典
- Paweł Gmyrek, Janine Berg, Karol Kamiński, Filip Konopczyński, Agnieszka Ładna, Balint Nafradi, Konrad Rosłaniec, Marek Troszyński (2025), Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140. https://doi.org/10.54394/HETP0387
- OECD (2026), “The OECD AI exposure measure: Mapping the OECD AI Capability Indicators to occupations”, OECD Artificial Intelligence Papers, No. 59, OECD Publishing, Paris. https://doi.org/10.1787/f3da0f0a-en
- OECD (2025), Artificial Intelligence and the Labour Market in Japan, OECD Publishing, Paris. https://doi.org/10.1787/b825563e-en
- Erik Brynjolfsson, Danielle Li, Lindsey Raymond (2025), “Generative AI at Work”, The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
- Shakked Noy, Whitney Zhang (2023), “Experimental evidence on the productivity effects of generative artificial intelligence”, Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
- Karsten Ingmar Paul, Hannah Scholl, Klaus Moser, Andrea Zechmann, Bernad Batinic (2023), “Employment status, psychological needs, and mental health: Meta-analytic findings concerning the latent deprivation model”, Frontiers in Psychology, 14:1017358. https://doi.org/10.3389/fpsyg.2023.1017358
- Blake A. Allan, Cassondra Batz-Barbarich, Haley M. Sterling, Louis Tay (2019), “Outcomes of Meaningful Work: A Meta-Analysis”, Journal of Management Studies, 56(3), 500–528. https://doi.org/10.1111/joms.12406
- Milena Nikolova, Femke Cnossen (2020), “What makes work meaningful and why economists should care about it”, Labour Economics, 65, 101847. https://doi.org/10.1016/j.labeco.2020.101847
- Jennifer Crocker, Connie T. Wolfe (2001), “Contingencies of self-worth”, Psychological Review, 108(3), 593–623. https://doi.org/10.1037/0033-295X.108.3.593
- Victoria Blom (2012), “Contingent self-esteem, stressors and burnout in working women and men”, Work, 43(2), 123–131. https://doi.org/10.3233/WOR-2012-1366
- Marylène Gagné, Edward L. Deci (2005), “Self-determination theory and work motivation”, Journal of Organizational Behavior, 26(4), 331–362. https://doi.org/10.1002/job.322
コメント