Shuichiro Ogawa
English

ノート · updated 2026-10-11

生成 AI で下積みの仕事が減るとき、ジュニアは何をすればよいか（学術研究から）

生成 AI が簡単な業務を代替し、ジュニアが下積みを経ずに難しい業務を求められるという問題を、労働経済、熟達化と徒弟制、生成 AI と学習の実験、創作の研究で整理した。

目次（7）
  1. 問いと、この note の範囲
  2. ジュニアの仕事は減ったか
  3. 下積みは熟達に何をしていたか
  4. 生成 AI を使うと練習は置き換わるか
  5. クリエイティブワークでは何が分かっているか
  6. ジュニアが取れる振る舞い
  7. 研究がまだ答えていないこと

問いと、この note の範囲

生成 AI が簡単な業務を引き受けると、人間に残るのは AI が対処できない難しい業務になる。 簡単な業務は新人が腕を磨く場でもあったので、新人は下積みを経ずに難しい業務で結果を求められる。 スポーツでいえば、素振りやリフティングを経ずにいきなり実戦に出される状況である。 この note は、この見立てを三つに分けて研究で確かめる。 ジュニアの仕事は本当に減ったか、下積みは熟達に何をしていたか、生成 AI を使うと練習は置き換わるか、である。 そのうえで、ジュニアの振る舞いとして研究が支えるものを、根拠の強さとともに挙げる。 対象はクリエイティブワーク（デザイン、イラスト、文章）を中心にし、実験の多いプログラミングと数学の学習を補助に使う。 求人のデータや当事者の発言から見た整理は、産業版の 生成 AI で下積みの仕事が減るとき、ジュニアは何をすればよいか（産業界の資料から） にある。

ジュニアの仕事は減ったか

縮小そのものは、米国の給与記録と履歴書のデータで観察されている。 Brynjolfsson、Chandar、Chen は米国の給与記録を使い、AI に露出しやすい職の 22〜25 歳の雇用が、露出しにくい職の同年代と同じ推移をたどった場合より 19% 低く、経験者には同じ差がないことを示した（Brynjolfsson et al. 2026）。 差は主に採用の減少から来ていた。 著者らはこれを因果の推定ではなく記述として位置づけている。 Hosseini Maasoum と Lichtinger は、6,500 万人の履歴書で企業ごとの雇用を職位別に追い、生成 AI を業務に組み込む求人を出した企業では、導入後にジュニアの雇用が導入していない企業より大きく下がり、シニアの雇用は増え続けたと報告した（Hosseini Maasoum and Lichtinger 2025）。 二人はこれを「年功に偏った技術変化（seniority-biased technological change）」と呼んでいる。

一方で、この縮小を生成 AI に帰属させることには反論がある。 Lambert と Schindler は米英加豪の採用と求人を分析し、リモートワークのしやすさと生成 AI への露出を同時に推定すると、生成 AI の係数は小さくなり有意でないことが多いと報告した（Lambert and Schindler 2026）。 二つの露出は同じ職種に重なっているので、片方だけで推定すると取り違えが起きる。 Humlum と Vestergaard は、デンマークの企業調査と行政の雇用記録をつなぎ、生成 AI のチャットボットの導入が収入と労働時間に与えた効果は見られなかったと報告した（Humlum and Vestergaard 2025）。 Dallas 連銀の分析では、AI に最も露出しやすい職種で 20〜24 歳が占める雇用の割合は 2022 年 11 月の 16.4% から 2025 年 9 月の 15.5% に下がったが、全部が失業になったとしても全体の失業率への寄与は約 0.1 ポイントだった（Atkinson and Yamco 2026）。

まとめると、ジュニアの雇用の縮小は観察されるが、その原因を生成 AI に帰属できるかは研究のあいだで割れている。 ただ、縮小の原因が何であれ、ジュニアが簡単な仕事で経験を積む機会が減っていることは、次の節以降の問いを立てる理由になる。

下積みは熟達に何をしていたか

下積みを「練習の量」と見る見方には、限界がある。 Ericsson らは、熟達者と非熟達者の差の多くは、成績を上げるために組まれた練習（意図的練習）の量の差だと論じた（Ericsson et al. 1993）。 しかし、Macnamara、Hambrick、Oswald のメタ分析では、意図的練習が成績の個人差を説明する割合は、ゲームで 26%、音楽で 21%、スポーツで 18%、教育で 4%、職業では 1% 未満だった（Macnamara et al. 2014）。 職業の熟達では、練習の量の不足だけが問題ではない。

下積みのもう一つの働きは、熟達者のそばで仕事に加わる経路だったことである。 Lave と Wenger は、新参者が実践の共同体の周辺の仕事に正統に加わりながら、しだいに中心の仕事へ移っていく学習を「正統的周辺参加」と呼んだ（Lave and Wenger 1991）。 この見方では、周辺の簡単な仕事は、熟達者の判断を間近で見る場を兼ねていた。

自動化がこの経路を壊すことは、生成 AI の前から指摘されてきた。 Bainbridge は、自動化が進むほど人間に残るのは自動化できない難しい対処で、しかも普段の練習の機会は減るという逆説を示した（Bainbridge 1983）。 この note の冒頭の見立ては、この「自動化の皮肉」の生成 AI 版にあたる。 Beane は、ロボット手術の導入で研修医が公式の手順では手術の経験を積めなくなり、規範から外れたやり方で技能を身につける「影の学習」が生まれたことを観察した（Beane 2019）。

経済学の理論は、この経路が雇用の数と別に壊れうることを示す。 Ide のモデルでは、熟達者から新人への暗黙知の伝達は契約に書けず、入門の業務が自動化されると、雇用が減らなくても新人が最も知識のある熟達者から引き離され、成長と厚生が下がりうる（Ide 2025）。 Garicano と Rayo は、新人が日々の業務をこなすことで訓練の費用を払う契約として徒弟制をとらえ、AI がその業務を引き受けると徒弟制が採算に合わなくなりうるとした（Garicano and Rayo 2025）。 ただし同じモデルでは、AI を使う修了者の価値が AI 単独の出力を十分に上回るなら、徒弟制は AI の前と同じように成り立つ。 崩壊は既定ではなく、条件しだいである。

生成 AI を使うと練習は置き換わるか

生成 AI と学習の無作為化実験は、使い方で結果が分かれる。 Bastani らはトルコの高校生ほぼ 1,000 人に数学の練習で GPT-4 を使わせ、練習中の成績は上がったが、AI を外した試験では、答えを出す普通の対話型の群が AI を使わなかった群より 17% 低かった（Bastani et al. 2025）。 答えを出さずヒントで導くように設計した群では、この害がほぼ消えた。 Liu らの 1,222 人の実験でも、AI は短期の成績を上げたが、AI なしで解くと成績が下がり、あきらめやすくなった（Liu et al. 2026）。

害は、考える作業を任せたときに出やすい。 Shen と Tamkin（Anthropic に所属）は、新しいプログラミングのライブラリを学ぶ開発者を無作為に分け、AI を使った群で概念の理解、コードの読解、デバッグの力が落ち、作業の効率は平均では有意に上がらなかったと報告した（Shen and Tamkin 2026）。 AI を使った群の中でも、考える作業を自分に残す使い方では学習が保たれた。 Lehmann、Cornelius、Sting の事前登録した実験では、AI に作業を代わりにやらせる使い方では扱える話題は増えたが一つずつの理解は下がり、説明を求める使い方では理解が上がった（Lehmann et al. 2025）。 Fan らの大学生 117 人の実験では、ChatGPT を使った群の小論文の得点は上がったが、知識の獲得と転移には群のあいだで差がなかった（Fan et al. 2025）。

先に自分で試すことは、AI の助けを学習に変える条件になっている。 Kumar らの事前登録した実験では、LLM の説明は答えだけを見せるより学習を高め、効果は先に自力で解こうとした人で最も大きかった（Kumar et al. 2023）。 これは、先に問題に取り組んでから教わるほうが、先に教わってから解くより学習がよいという研究と同じ向きである。 Sinha と Kapur の 53 研究のメタ分析では、先に問題を解いてから教わる順序の効果は Hedges の g で 0.36 だった（Sinha and Kapur 2021）。 Contractor と Reyes の実験では、AI を使うと AI なしのテストの点が上がり、小さくなりながら 1 週間後も残ったが、残ったのは AI を先生のように使った学生で、AI に文章を書かせた学生では伸びが消えた（Contractor and Reyes 2026）。

クリエイティブワークでは何が分かっているか

創作では、生成 AI は経験の浅い人の成果を大きく上げる。 Doshi と Hauser の実験では、LLM の案を参考にできた書き手の短編は、より創造的でよく書けていると評価され、効果は創造性の低い書き手で大きかった（Doshi and Hauser 2024）。 Hou らの実験室と現役のデザイナーの実験では、発想の段階では AI は全員の創造性を上げ、実装の段階では初心者は伸び続けたが、熟達者は時間がかかるだけで創造性は上がらなかった（Hou et al. 2025）。 ただし、Doshi と Hauser の実験では、AI の案を使った作品は互いに似ていた。

成果が上がることと、技能が育つことは別の問いである。 Zhou と Lee は 400 万点を超える作品の投稿データで、画像生成 AI を使い始めた作家の生産性が 25% 上がり、閲覧あたりのお気に入りが 50% 増えた一方、作品の新規性の平均は下がったと報告し、発想と選別の力が重要になると論じた（Zhou and Lee 2024）。 Fu らは初心者のデザイナー 36 人に生成 AI ありとなしで広告を作らせ、生成 AI に慣れていない人で発散的思考が上がったと報告した（Fu et al. 2026）。 どちらも作品や短時間の課題の測定で、ジュニアの技能が数か月や数年でどう育つかは測っていない。

入口の仕事の側では、AI を使わない作り手が押し出されている兆候がある。 Kim、Jin、Lee は Pixiv で、画像生成 AI の公開後に AI を主な道具にしないイラストレーターの投稿が減ったことを報告した（Kim et al. 2026）。 画像生成 AI と発注の研究は センスのない決定権者は、クリエイターへの発注をやめるのか：画像生成 AI の問題を「発注」「慣れ」「裾野」の三つの環で確かめ、AI スロップの研究と重ねる にまとめてある。

ジュニアが取れる振る舞い

ここまでの研究から、ジュニアの振る舞いとして支えのあるものを六つ挙げる。 根拠の強さは項目ごとに違うので、各項に添える。 実験の多くは学生とプログラマーが対象で、創作のジュニアで振る舞いの効果を長く追った研究は見つからなかった。

一つめは、先に自分で試してから AI に説明を求めることである。 先に自力で取り組んでから説明を受けると学習が最もよく（Kumar et al. 2023）、問題を先に解く順序の利点はメタ分析で支えられている（Sinha and Kapur 2021）。 根拠は、学生を対象にした無作為化実験とメタ分析である。

二つめは、生成を任せず、理解のために使うことである。 作業を代わりにやらせる使い方では理解が下がり、説明を求める使い方では上がった（Lehmann et al. 2025、Shen and Tamkin 2026、Contractor and Reyes 2026）。 これも学生と開発者の実験で、課題の直後から 1 週間ほどの測定である。

三つめは、AI なしで確かめる時間を作ることである。 AI で練習した成果は、AI を外すと消えることがある（Bastani et al. 2025、Liu et al. 2026）。 自分の理解を AI なしで取り出す練習と、間をあけて繰り返す練習は、学習技法の総説で効果の高い技法とされている（Dunlosky et al. 2013）。 創作に置き換えるなら、AI なしで描く、書く、組む時間を定期的に残すことにあたる。 ただし、創作の技能でこの練習の効果を測った研究は見つからなかった。

四つめは、フィードバックを自分から求めることである。 AI に聞けば済む場面が増えると、熟達者に尋ねる機会が減る。 職場のフィードバック探索のメタ分析では、勤続年数と年齢が長いほどフィードバックを求めなくなり、新人のほうが求める傾向がある（Anseel et al. 2015）。 ただし同じメタ分析では、フィードバックを求めることと成績の関係は小さかった。 求めること自体より、何をどう尋ねるかが効く可能性があり、ここは研究がまだ答えていない。

五つめは、発想と選別の判断を練習することである。 生成 AI が作品の数を増やすほど、何を作るかを決め、出てきたものから選ぶ力の比重が上がる（Zhou and Lee 2024）。 AI の案を使った作品は似てくるので（Doshi and Hauser 2024）、似たものの中から違いを選べる判断が作り手の差になる。 これは観察研究と短期の実験から導いた見立てで、選別の練習が技能を伸ばすかは測られていない。

六つめは、熟達者のそばで仕事ができる場を選ぶことである。 失われうるのは練習の量より、熟達者の判断を間近で見る経路だった（Lave and Wenger 1991、Macnamara et al. 2014、Ide 2025）。 公式の経路が細ると、規範の外で学ぶ道を探すことになる（Beane 2019）。 徒弟制が成り立つかは、AI を使う修了者の価値が AI 単独の出力をどれだけ上回るかに左右される（Garicano and Rayo 2025）。 ジュニアの側からは、熟達者の判断に触れられる仕事と職場を選ぶことが、この経路を残す手段になる。 これは理論と観察研究からの推論で、選び方の効果を比べた研究はない。

研究がまだ答えていないこと

創作のジュニアが生成 AI を使いながら数年かけて技能をどう育てるかを追った縦断研究は、見つからなかった。 映像と広告の初期キャリアについての査読研究も見つからなかった。 生成 AI と学習の実験は、ほとんどが数十分から数週間の課題で、対象は学生とプログラマーである。 日本の創作の現場を対象にした研究も見つからなかった。

関連ノート

未検証事項

主要主張に未検証の記述は残していない。

参照文献

書いた人：小川 修一郎（Design Researcher / Consultant） 経歴を見る →