AIが閉じる「若者の入口」──米国データが示す、3年後の日本の雇用

アメリカでは、AIによって「若者が働き始める入口」そのものが静かに閉じ始めています。スタンフォード大学の分析によれば、AIの影響を強く受ける職種の22〜25歳の雇用は、実データで年率3.8％のペースで減り続けています。同じ職種でも35〜40歳は年2％増えているのですから、これは景気の話ではありません。

では、人口が減り続ける日本では何が起きるのでしょうか。答えは「失業は増えないが、若者が仕事を覚える場所が消える」です。今後3年で日本の雇用に何が起きるのか、企業経営者と自治体が本当に優先すべきことは何かを、公表データだけを手がかりに整理します。

アメリカで実際に起きていること

「AIが職を奪う」ではなく「入口が開かれない」

AIと雇用の議論は長らく思考実験でした。それが実証データの領域に移ったのが、スタンフォード大学デジタル経済研究所のエリック・ブリニョルフソン教授らによる研究「Canaries in the Coal Mine?（炭鉱のカナリア）」です。給与計算大手ADPの実データを用い、約2万5000社・730以上の職種・約460万人分の記録から、AIの影響を職種別・年齢別に追跡しました。ADPが給与計算を担う労働者は2500万人を超え、アメリカの就業者のおよそ6人に1人にあたります。

最初の公表である2025年8月の版では、AIの影響を強く受ける職種の22〜25歳の雇用は相対的に13％減少していました。それが同年11月の改訂版では約16％に拡大し、2026年4月まで延長したデータでは年率3.8％減という水準で推移しています。減少は2024年以降に統計的に有意となっており、金利変動では説明がつかないことも同研究チームが確認しています。

注目すべきは対照群の動きです。同じ22〜25歳でも、AIの影響が小さい職種では雇用が年2％増えています。AIの影響が強い職種でも、35〜40歳は年2％増、31〜34歳は1.7％減にとどまります。つまり打撃は「AI×若手」という交差点に集中しており、労働市場全体が沈んでいるわけではないのです。

ソフトウェア開発者は、この構造がもっとも鮮明に出た職種の一つです。22〜25歳の雇用は2022年終盤のピークから2割近く減りました。かつて新卒が最初に就く仕事の代表格だったコーディングの初級業務が、生成AIによって早々に置き換わったためです。人が減らされたというより、新人に任せていた仕事が求人票から消えた、という表現のほうが実態に近いといえます。

レイオフの数字にも表れ始めた変化

企業側の動きも同じ方向を向いています。2026年に入ってからのアメリカでは、AIを理由に挙げた人員削減の発表が相次ぎました。人材紹介大手チャレンジャーの集計では、5月までのAI関連の削減は年初来8万7714人に達し、全削減理由の22％を占めました。Oracleの約2万1000人、Ciscoの約4000人、Cloudflareの1100人超（全社員の約20％）などが代表例です。

Metaも5月に約8000人を削減しましたが、一部で報じられた1万5000人規模という数字は、社内配置転換や求人取り下げを含めた推計であり、レイオフの実数ではありません。特徴的なのは、削減対象が製造現場ではなくホワイトカラーである点です。Cloudflareは中間管理職や財務・法務・内部監査といった「測る側」の職種、Salesforceはマーケティング・プロダクト・データ分析の職種を対象としました。

Coinbaseに至っては、AIエージェントの支援によって一部のチームを1人体制にまで縮小したと報じられています。事務・管理・分析といった、これまで大卒の標準的なキャリア入口だった領域が直撃を受けているのです。

一方で、これを「AI万能論」で片づけるのは早計です。Salesforceのマーク・ベニオフCEOは、AIがエントリーレベルの仕事を消すという見方を否定し、新卒1000人の採用を打ち出しました。Amazonも1万1000人規模のインターン・新卒採用を継続しています。経営者の間でも見立ては割れており、確定した未来があるわけではありません。

数字が語る「若者の受け皿」の縮小

マクロ指標も同じ絵を描いています。ニューヨーク連邦準備銀行の2026年第1四半期データでは、最近の大卒者の失業率は5.7％、不完全就業率は41.5％と、いずれもコロナ禍以降の高い水準で高止まりしています。ただし、すべての数字が暗いわけではありません。

全米大学雇用者協会の調査は、2026年卒の採用を当初前年比1.6％増と見込んでいましたが、2026年4月の改定では5.6％増へ上方修正しました。回答183社の市場評価も「ふつう」が45％で最多です。他方、イェール大学経営大学院が経営者会合で行った調査では、幹部の66％が人員削減または採用凍結を計画していると回答しました。自己選択型の調査という限界はありますが、慎重姿勢の広がりは否定しにくい水準です。

求人の中身も変質しています。民間の求人分析では「エントリーレベル」求人の35％が3年以上の実務経験を求め、ソフトウェア・IT分野では6割超が同水準を要求していました。数年前のLinkedInの分析を引き直した数値である点は割り引く必要がありますが、名目上は初級職でも未経験者が入れない構造は続いています。

この結果として起きているのが、若年層の進路変更です。民間調査では、Z世代の5人に3人が2026年にブルーカラー職に就く可能性が高いと回答し、大卒以上の学歴を持つ層でも半数が現業系のキャリアを検討しています。ホワイトカラーの入口が狭まったことで、労働力が別の方向へ流れ始めているわけです。

アメリカで起きたことの本質

一連のデータから読み取れる本質は、「AIが人を解雇している」ではなく「AIによって企業が採用を止めている」という点にあります。既存社員の解雇には法務コスト、退職金、士気低下、ノウハウ流出といった副作用が伴いますが、採用計画の縮小には目に見えるコストがほとんどありません。企業がまず手をつけるのは、当然ながら後者です。

そしてもう一点、AIが代替しやすいのは「言語化された知識」であるという性質があります。教科書やマニュアルで学べる内容、定型的な調査、様式の決まった文書作成といった業務は、経験の浅い社員が最初に任される仕事とほぼ重なります。逆に、顧客との関係性、現場の勘所、社内の力学といった暗黙知は当面代替されません。AIは中堅・ベテランを助け、新人の存在理由を削るという非対称な効き方をするのです。

日本ではどうなるのか

前提条件がまったく違う

アメリカで起きたことがそのまま日本で再現される、と考えるのは正確ではありません。日本の労働市場には、アメリカにはない四つの前提条件があるからです。人口動態、雇用慣行、AI活用の成熟度、そして企業規模による分断です。この四つを押さえないと、危機感の置き所を間違えます。

第一の前提は人口動態です。日本は労働力そのものが構造的に足りません。リクルートワークス研究所が2023年に公表した推計では、2040年に1100万人の働き手が不足します。国立社会保障・人口問題研究所の推計でも、生産年齢人口は2020年からの20年間で約1300万人減ります。AIが仕事を奪う前に、仕事を担う人がいなくなる社会が先に到来しつつあります。

実際の数字を見ても、日本の雇用は逼迫したままです。2025年度の有効求人倍率は1.20倍と3年連続で低下しましたが、完全失業率は2.6％と低い水準にとどまっています。ただし失業率は前年度から0.1ポイント悪化しており、3年ぶりの上昇です。求人が減っても失業がほとんど増えないという、アメリカとは逆の現象が起きています。

その帰結が倒産統計に表れています。東京商工リサーチによれば、2026年上半期（1〜6月）の人手不足関連倒産は237件と過去最多を更新しました。前年同期比37.7％増で、なかでも「人件費高騰」を要因とする倒産が120件と2.4倍に膨らんでいます。人が採れないだけでなく、払える賃金の水準で人を引き留められない企業から順に脱落しているということです。

雇用慣行という緩衝材、そして時限爆弾

第二の前提は雇用慣行です。日本では解雇規制が厳しく、職務ではなく人に仕事を割り当てるメンバーシップ型の雇用が主流です。この構造のもとでは、AIによって業務量が減っても、企業は人員削減ではなく配置転換で吸収します。アメリカのように四半期単位で数千人が職を失う光景は、日本では起きにくいのです。

ただし、これは問題の解決ではなく先送りです。生産性が上がっても人件費が下がらなければ、収益改善は限定的になります。その結果、賃上げの原資が生まれず、優秀な人材から流出していきます。雇用が守られる代わりに、企業の競争力と個人の賃金が犠牲になる。これが日本型調整の実際の姿です。

そして緩衝材が効かない領域が一つあります。新卒採用です。既存社員を守るために採用を絞るという判断は、日本企業にとってもっとも自然な選択肢です。アメリカで起きた「入口の閉鎖」は、雇用慣行が違うからこそ、日本ではより採用抑制という形で現れる可能性があります。守られるのは今いる人であって、これから入る人ではありません。

すでに現れている兆候

兆候は数字に出始めています。ワークス大卒求人倍率調査では、2027年卒の大卒求人倍率は1.62倍と、2026年卒の1.66倍から2年連続で低下しました。一方、2026年4月入社の大卒初任給は、労務行政研究所が東証プライム上場205社を集計した速報値で26万5708円と、前年より1万3283円上がっています。求人の数は減り、一人当たりの単価は上がる。厳選採用への移行を示す典型的なパターンです。

企業側の意識調査はより直接的です。生成AIを積極活用する企業の人事担当者112人を対象とした調査では、88.4％が採用戦略を見直したと回答し、55.4％が採用人数の減少を報告しています。求める能力についても84％が変化を認めており、プログラミングスキル63.8％、創造性・発想力43.6％、生成AIツール活用スキル40.4％が重視されるようになりました。

学生時代に力を入れたことの評価軸まで動いています。75.9％が評価ポイントの変化を挙げ、そのうち65.9％が「新しいツールへの適応力」、56.5％が「創造的な取り組み」を重視すると回答しました。回答者112人という小規模調査であり、母集団もAI先行企業に偏っている点は割り引く必要がありますが、採用の設計思想が転換しつつあることは読み取れます。

AI活用の成熟度に潜む落とし穴

第三の前提は、日本のAI活用が「使ってはいるが、経営に組み込まれていない」段階にあることです。令和8年版情報通信白書によれば、日本の個人の生成AI利用経験率は58.8％と前年の26.7％から倍増しました。しかしアメリカとドイツの75.6％、中国の93.6％には依然として届いていません。

企業の数字はさらに示唆的です。業務で生成AIを利用する企業の割合は日本86.4％と、アメリカ90.9％、ドイツ91.6％に肉薄しています。ところが「組織的な取り組みがない」と答えた企業はアメリカ1.4％、ドイツ4.9％、中国2.6％に対し、日本は27.0％。中小企業に限れば45.6％が組織的な取り組みを行っていません。個人が勝手に使っているだけで、会社としての方針も投資判断もない状態です。

利用理由の内訳も気になります。日本で最多の回答は「無料または安い」の53.9％で、「時間や手間の削減」の42.8％を11ポイント上回りました。正確性を挙げたのはわずか12.7％です。コスト削減の道具として無料版を触っている段階と、業務プロセスそのものを再設計している段階では、3年後に生まれる差は決定的なものになります。

コード生成の利用率が日本7.0％と、アメリカの29.3％の4分の1程度にとどまっている点も見逃せません。生成AIの生産性向上効果がもっとも大きいのはソフトウェア開発領域です。ここで差がつくということは、システム開発の内製化スピード、業務システムの改善サイクル、ひいてはDXそのものの速度で差がつくことを意味します。

企業規模と地域による分断

第四の前提は、AI活用が企業規模と地域によって大きく分断されていることです。帝国データバンクの2026年3月調査では、生成AIを業務で活用している企業は全体の34.5％でした。内訳は大企業46.5％、中小企業32.4％、小規模企業28.0％。従業員1000人超では63.6％に達する一方、従業員5人以下では29.6％にとどまります。

中小企業基盤整備機構の調査では、中小企業のAI導入率は20.4％、検討中を含めても39.0％です。導入目的の最多は「業務効率化・作業時間短縮」の87.0％で、人手不足対応は31.7％。効果を実感している企業は業務効率化で83.2％にのぼり、付加価値創出でも22.3％と、従来のIT利用の7.4％を大きく上回りました。使えば効く、という結果は出ているのです。

導入が進まない理由は資金ではありません。同調査では「成功事例の情報が足りない」と答えた企業が83.3％、「ベンダーや製品を選ぶ情報が足りない」が79.8％と、情報の壁が突出しています。必要な公的支援としても、導入費用の助成77.9％に次いで導入事例の情報提供が70.5％を占めました。何を、どこから、いくらで始めればよいのかが分からない、という状態です。

業界別の格差も鮮明です。生成AI活用率はサービス業47.8％、金融38.6％に対し、建設26.4％、運輸・倉庫27.5％と最低水準にあります。ところが人手不足倒産がもっとも多いのは建設業で、2025年度は全441件のうち112件を占めました。人がいちばん足りない業界で、AI活用がいちばん遅れている。この逆転が、日本の地域経済が抱える最大の構造問題といえます。

自治体が置かれている位置

自治体の状況はさらに厳しいものがあります。地方公務員数は1994年の約328万人をピークに、2025年4月時点で約280万9000人まで減少しました。30年間で約47万人減った計算です。採用市場も縮小しており、受験者数は2012年度の約60万人から2023年度の約40万人へと3割以上減り、競争率は8.2倍から4.6倍へ低下しています。

それでも業務は増え続けています。制度改正への対応、災害対応、住民ニーズの多様化、そしてデジタル化そのものへの対応です。人員は横ばいか微減で、業務だけが増える。この構造的ギャップが現場の疲弊の正体であり、AI活用が「効率化のオプション」ではなく「行政サービス維持の必須条件」になりつつある理由です。

生成AIの導入状況には、規模による断層がはっきり出ています。総務省の調査（2024年12月末時点）では、都道府県の87.2％、指定都市の90.0％がすでに導入済みで、実証実験や導入予定を含めると100％が着手しています。一方、その他の市区町村は導入済み29.9％、実証中・導入予定を含めても51％にとどまり、残る半数は検討段階にすら至っていません。

導入が進まない理由の第1位は「取り組むための人材がいない、または不足している」で549件。次いで「AI生成物の正確性への懸念」522件、「導入効果が不明」471件と続きます。人材不足を解消するためにAIを入れたいのに、AIを入れる人材がいないという循環に、多くの小規模自治体が閉じ込められています。

基幹業務システムの標準化も重い課題です。令和7年度末（2026年3月）が原則期限とされていましたが、令和8年1月末時点で移行が完了したのは対象3万4592システムのうち1万3283システム、38.4％にとどまりました。期限内移行が困難な「特定移行支援システム」は前年12月末時点で8956システム（25.9％）、これを一つ以上抱える自治体は935団体で全1788団体の52.3％に達しています。

遅延の背景も人の問題です。全国約1700自治体が同時期に移行するためベンダー側のエンジニアが不足し、自治体側も情報システム部門の体制が限られています。長年のカスタマイズによる現行システムの複雑さも加わり、想定を超える工数が発生しました。標準化という土台の整備に人手を取られている間、AI活用は後回しになっているのが実情です。

今後3年、日本の雇用はこう動く

ここまでの前提を踏まえ、2026年から2029年までの3年間に日本で起きる変化を、五つの予測として整理します。いずれも公表データから合理的に導ける範囲の見立てであり、突飛なシナリオではありません。むしろ、すでに始まっている変化が可視化されるまでの時間差の話だと考えるほうが正確です。

予測1　総雇用は減らないが、求人の中身が入れ替わる

日本の完全失業率が大きく上昇する可能性は低いと考えられます。労働力人口そのものが減少し、人手不足倒産が過去最多を更新している状況では、AIによる効率化は不足の穴埋めに吸収されるためです。統計上の雇用者数は横ばいか微増で推移する公算が高いといえます。

変わるのは求人の構成です。定型的な事務、一次的な調査・資料作成、初級の設計・コーディング、コールセンターの一次対応といった業務は、求人票から静かに消えていきます。代わりに、介護、建設、物流、保守、対人サービスといった物理的な現場と、AIを設計・運用する側の職種に需要が集中します。総量ではなく配分が変わるのです。

この変化がもっとも早く出るのは新卒採用です。事務系総合職の採用枠は縮小し、その分だけ厳選採用と初任給引き上げが進みます。すでに2027年卒で求人倍率が2年連続低下する一方、初任給が高い伸びを続けているのは、その先行指標と読むべきでしょう。

予測2　人手不足は解消せず、不足の中身が変わる

「AIが普及すれば人手不足が解決する」という期待は、部分的にしか当たりません。AIが得意なのは情報処理であり、日本の人手不足がもっとも深刻なのは物理的な現場だからです。建設業の生成AI活用率が26.4％と最低水準にとどまっている事実が、その非対称性を示しています。

3年後に起きるのは、事務職の不足は緩和し、現場職と技術職の不足はさらに悪化するという二極化です。同じ会社の中でも、総務部門は人が余り気味なのに現場は回らない、という状態が常態化します。ここで配置転換を設計できるかどうかが、企業の存続を分ける分岐点になります。

予測3　賃金と生産性の格差が企業間で開く

AIを組織的に導入した企業は、一人当たりの生産性を上げ、その原資で賃金を上げ、結果として人材を集めます。導入しなかった企業は生産性が変わらないまま人件費だけが上昇し、採用力を失います。組織的取り組みなしの企業が中小で45.6％を占める現状は、この分岐が3年以内に顕在化することを意味します。

帝国データバンクの調査でも、生成AIの悪影響として「使いこなせる人とそうでない人の格差拡大」を挙げた企業が18.8％、大企業では23.6％にのぼりました。格差は企業間だけでなく企業内にも生まれます。同じ職場で、AIを使う社員の処理量が使わない社員の数倍になる状況は、評価制度と人事制度の再設計を迫ることになります。

予測4　自治体は「人が増えない」前提での再設計を迫られる

自治体職員が今後増える見込みはありません。生産年齢人口が2020年からの20年間で約1300万人減る中で、民間との人材獲得競争は激化する一方です。特に土木・建築の技術職と情報系人材の確保は、すでに多くの自治体で困難になっています。

3年以内に、住民サービスの水準を維持するために業務そのものを削るか、AIと外部リソースで補うかの二択を迫られる自治体が出てきます。2026年7月14日に人工知能基本計画の第Ⅱ期計画が閣議決定され、行政のAI活用が国家戦略として明確に位置づけられたことも、この流れを後押しします。導入済み29.9％にとどまる市区町村にとって、これは政策的な追い風であると同時に、取り残されるリスクの明示でもあります。

予測5　地域間格差がAIによって拡大する

もっとも警戒すべきはこの点です。AIは本来、人材が薄い地域ほど恩恵が大きい技術です。人が足りない現場でこそ、業務の自動化と知識の底上げが効きます。ところが実際のデータは逆を示しています。大企業46.5％に対し小規模企業28.0％、都道府県87.2％に対し市区町村29.9％。AIは、すでに人材がいる場所から先に普及しているのです。

この状態が3年続けば、生産性の差は取り返しのつかない水準になります。地域の中核企業がAIで生産性を上げ、賃金を上げ、周辺の人材を吸い上げる。取り残された企業は人が採れずに縮小する。地域内での再編が加速し、雇用の受け皿そのものが減っていく展開が現実味を帯びます。

経営者と自治体が本当に優先すべきこと

企業が今すぐ着手すべき五つの優先順位

1. 棚卸しは「人」ではなく「タスク」の単位で

職種ごとにAI代替可能性を判断するのは粗すぎます。一つの職種の中で、代替できる工程と絶対に人が担う工程を分け、前者から順に置き換える。この解像度がないまま導入すると、ツールを契約しただけで終わります。

2. 採用計画は「減らす」のではなく「設計し直す」

新卒を減らせば数年後に中堅層が空洞化します。AIが初級業務を吸収するなら、新人が経験を積む場を意図的に作らなければなりません。従来は下積みを通じて自然に伝わっていた暗黙知を、どう継承するか。ここを設計できた企業だけが、5年後に管理職を確保できます。

3. 組織としての方針を文書化する

誰が責任者で、どのツールを使い、どの情報を入力してよく、生成物をどう検証するか。この四点を決めるだけで、「組織的取り組みなし」の45.6％から抜け出せます。情報漏洩リスクを懸念して禁止するのではなく、使ってよい範囲を明示するほうが実効性は高くなります。

4. 浮いた時間の使い道を先に決める

効率化それ自体は目的になりません。削減した工数を営業活動に回すのか、新規事業の検討に充てるのか、残業削減として賃金原資に変えるのか。行き先を決めずに効率化すると、増えた余力は別の作業で埋まり、成果として計上されないまま終わります。

5. 外部の情報と支援を取りに行く

中小企業が導入に踏み切れない最大の理由は資金ではなく情報でした。成功事例の情報不足83.3％、製品選定情報の不足79.8％という数字がそれを示しています。同業種の導入事例を一つ具体的に知ることが、社内の百回の議論より効きます。省力化投資補助金をはじめとする支援策も、事例とセットで検討することで採択率と実効性が上がります。

自治体が優先すべき五つの論点

1. 標準化対応を確実に終わらせる

移行完了38.4％という現状で新しい取り組みに手を広げるのは危険ですが、標準化はAI活用の土台でもあります。データが標準仕様で整理されて初めて、AIによる横断的な活用が可能になります。移行を単なる義務対応で終わらせず、その後の活用を見据えた設計にできるかどうかが分岐点です。

2. 市区町村の「未導入7割」から抜け出す

導入効果が不明という理由で先送りする自治体が471件ありましたが、議事録作成、文書要約、住民向け文章の平易化といった用途は、すでに全国で効果が実証されています。全庁展開を最初から目指す必要はなく、一部署の一業務から始める判断で十分です。

3. 人材不足を前提とした広域連携に踏み出す

導入課題の第1位が人材不足である以上、単独の自治体で専門人材を抱える発想には限界があります。共同調達、近隣自治体との合同研修、都道府県による支援の枠組みを使うほうが現実的です。人材を採る前提の計画は、多くの場合そのまま計画倒れになります。

4. 人工知能基本計画を地域の計画に接続する

国家戦略として位置づけられた以上、予算措置と支援メニューは今後厚くなります。自治体DX推進計画や総合計画の改定時期にこれを織り込めるかどうかで、3年後に使える予算と人材の量が変わります。

5. 域内企業のAI導入支援を産業政策の中心に据える

おそらくこれがもっとも重要です。地域の中小企業が生産性を上げられなければ、賃金は上がらず、若者は流出し、税収は減り、行政サービスの原資が失われます。導入費用の助成を求める企業が77.9％、事例情報の提供を求める企業が70.5％という数字は、自治体が果たすべき役割を具体的に示しています。

やってはいけない三つのこと

一つ目は、AI導入の目的を人員削減に置くことです。日本の労働市場では、削減した人員をすぐ再採用することはできません。人を減らす道具としてではなく、今いる人の処理能力を引き上げる道具として設計するほうが、日本の条件には合っています。

二つ目は、新卒採用を数だけ絞ることです。3年後に必要になる人材は、3年前に採用していなければ育っていません。AIによって初級業務が減るのであれば、採用数ではなく育成プログラムの中身を変えるのが筋です。

三つ目は、「様子を見る」という判断です。導入企業と非導入企業の差は、時間の経過とともに指数的に開きます。個人の生成AI利用率が1年で26.7％から58.8％へ倍増した速度を考えれば、3年は十分に長い時間です。今日の様子見は、3年後の採用力と収益力の差として跳ね返ってきます。

よくある質問

Q. 日本でもAIによって若者の雇用は減りますか。

A. 失業率が上がる形では現れにくいと考えられます。日本は労働力人口が減少しており、2025年度の完全失業率は2.6％と低水準です。ただし新卒の求人構成は変わります。2027年卒の大卒求人倍率は1.62倍と2年連続で低下し、生成AIを活用する企業の55.4％が採用人数の減少を報告しています。総量ではなく職種構成が変わる形で影響が出ます。

Q. AIによって最初に影響を受ける職種はどれですか。

A. 定型的な事務処理、一次調査や資料作成、初級のプログラミング、問い合わせの一次対応など、マニュアル化された知識で成立する業務です。アメリカのデータでは、AI露出度の高い職種の22〜25歳の雇用が年率3.8％減少している一方、35〜40歳は年2％増加しており、影響は経験の浅い層に集中しています。

Q. 中小企業はいつからAI導入を始めるべきですか。

A. 検討ではなく着手の段階にあります。中小企業のAI導入率は20.4％で、導入企業の83.2％が業務効率化の効果を実感しています。一方で中小企業の45.6％が組織的な取り組みを行っていません。全社展開を待たず、一部署の一業務から始めて成果を測るのが現実的な進め方です。

Q. 自治体職員の仕事はAIに置き換わりますか。

A. 置き換わるのは仕事ではなく工程です。地方公務員数は1994年の約328万人から2025年に約280万9000人まで減っており、人員が増える見込みはありません。議事録作成や文書要約など定型工程をAIに移し、住民対応や政策判断に人を再配置するのが基本方針になります。

Q. 新卒採用は減らすべきでしょうか。

A. 数を減らす前に育成設計を見直すことが先決です。AIが初級業務を吸収すると、新人が経験を積む機会そのものが失われます。採用を絞れば数年後の中堅層が空洞化するため、経験を意図的に設計して与える仕組みづくりが必要になります。

Q. AI導入が進まない最大の理由は何ですか。

A. 資金ではなく情報です。中小企業調査では、成功事例の情報が足りないと答えた企業が83.3％、ベンダーや製品の選定情報の不足が79.8％でした。自治体では「取り組む人材がいない」が最多の課題です。いずれも、外部の事例と支援制度にアクセスすることで解消できる性質の障壁です。

Q. 今後3年でもっとも大きなリスクは何ですか。

A. 地域間・企業規模間の格差拡大です。生成AI活用率は大企業46.5％に対し小規模企業28.0％、都道府県87.2％に対し市区町村29.9％と、人材が厚い側から先に普及しています。本来はAIの恩恵が大きいはずの人材の薄い地域が取り残される構造が、3年で固定化する恐れがあります。

まとめ

アメリカで起きているのは、AIによる大量解雇ではなく、若者が働き始める入口の静かな閉鎖です。日本では雇用慣行と人口減少がその衝撃を和らげますが、和らげるだけで消すわけではありません。影響は失業率ではなく、求人構成、賃金格差、そして地域間格差という形で現れます。

危機の本質は、AIが人を減らすことではありません。AIを組織として使いこなせた側と、そうでない側の差が、生産性と賃金と採用力を通じて3年で決定的な水準に開くことです。そして日本では、その差がもっとも開きやすいのが、人材がもともと薄い地方の中小企業と小規模自治体だという点にあります。

優先すべきことは複雑ではありません。業務をタスク単位で分解し、組織としての方針を文書化し、浮いた時間の使い道を決め、外部の事例と支援を取りに行く。自治体であれば、標準化を土台として使い、広域で人材を補い、域内企業の導入支援を産業政策の中心に据える。いずれも今日から始められる範囲の話です。

3年後の雇用環境を決めるのは、AIの進化速度ではありません。今年どこまで手を動かしたかという、きわめて実務的な差の積み重ねです。