役職名は、驚くほど仕事内容を適切に表していません。アナリストと呼ばれる人は、午前中はスプレッドシートの整理、午後は曖昧な依頼の解決、最後の1時間は同僚への決定事項の説明に時間を費やすかもしれません。これらの活動は、自動化に対して同じようには反応しません。だからこそ、次にどの職業が消滅するかを断言するよりも、タスクリストの方がはるかに有用だと私は考えています。
曝露とは、タスクに関する問題です。
国際労働機関（ILO）の2025年調査では、タスクレベルの情報を用いて、生成型AIへの職業的曝露を調査しています。曝露とは、テクノロジーが仕事に影響を与える可能性を示すものであり、既に消滅した仕事の数を表すものではありません。同じ役割でも、定型的な文書作成、関係管理、説明責任を伴う意思決定など、様々な業務が含まれる可能性があるため、この区別は重要です。
個人的な練習として、代表的な1日を取り上げ、実際の活動に分割してみましょう。「レポートを作成する」という表現はまだ広範すぎます。インプットの収集、定義の確認、段落の草稿作成、結果の信頼性の判断は、それぞれ独立したステップです。これらのステップが明確になれば、支援が役立つのはどの部分で、個人が責任を負うべき部分はどこなのかという問題が生じます。
草稿作成時間の短縮は、計算の一部に過ぎません。
支援なしで40分かかる架空のタスクを考えてみましょう。ツールを使えば5分で最初の草稿を作成できますが、確認に20分、エラー修正にさらに10分かかります。結果として、タスク完了まで35分かかります。これは改善ではありますが、草稿作成時間だけを比較した場合の8倍の短縮とは大きく異なります。これらの数値はあくまで例であり、測定された生産性の結果ではありません。
見落とされがちな要素は、レビューコスト、つまり成果物を使用可能な状態にするために必要な労力です。回答の検証が容易な場合はレビューは迅速に行えますが、誤りが疑わしい場合ははるかに時間がかかります。単に作業を次の担当者に押し付けるだけの大きな成果よりも、確実に5分を節約できる方がはるかに価値があります。
明確な終了条件のある小規模な実験を選びましょう。
有益な試行には、明確な入力、許容可能な出力、そして結果を比較する方法が必要です。例えば、機密情報ではない概要を読みやすい会議要約に変換できるツールがあるかどうかを検証し、省略された決定事項や捏造された詳細を評価します。機密情報および承認されたサービスに関する雇用主の規則に従ってください。利便性は、業務データの提出を許可するものではありません。
合計時間、修正、および後続の質問について簡単な記録を残しましょう。3つの追加の説明メッセージを生成するドラフトは、必ずしも改善とは言えません。同様に、時間の節約はわずかでも、難解な文書を理解しやすくするツールは、依然として価値があるかもしれません。測定方法は、タスクを実行する理由を反映している必要があります。
慣れ親しむことと並行して判断力を養う
私の考えでは、答えを吟味する方法を学ぶことは、答えを求める方法を学ぶことと少なくとも同等に価値があります。スプレッドシートでは、それは数値の出所をたどることを意味するかもしれません。顧客メッセージでは、企業が守れない約束を認識することを意味するかもしれません。いずれの場合も、専門知識があれば、ユーザーは流暢な応答かどうかを判断することができます。
次の実践的なステップは控えめです。繰り返し行う作業を1つ選び、良い仕事とはどのようなものかを定義し、限定的な比較を行います。最終結果を向上させる手順は残し、隠れたレビュー作業を生み出す手順は廃止します。キャリアは単一の生産性スコアに収まるものではありませんが、自分のタスクをより明確に理解することは、有益な出発点となります。
私なら最初に何を測るか
チェックや修正を含めたタスク全体を測定してください。AIへの曝露は、実際に雇用が失われることとは異なります。
AIへの曝露と自動化の違いは何ですか？
曝露とは、テクノロジーが影響を与える可能性のあるタスクを指します。自動化とは、システムによって実際に実行される作業を指します。採用、信頼性、そして人間の責任が、その結果に影響を与える。
意見を寄せる
コメントは確認・承認後に表示されます。テーマに沿った異なる意見も歓迎します。