人事の友人と食事をしていた時、彼女がこんな話をした。彼女の会社で初級データアナリストのポジションを3つ開いたところ、200通以上の履歴書が届いた。面接後、上司が彼女のところに来てこう言った：「Claude で少し確認してみたが、この3つのポジションのコア業務は、2つのモデルと1つのPythonスクリプトで処理できることがわかった。」

求人は取り消されなかったが、3つから1つに変更された。しかもその1つの職務内容は完全に書き直されていた——「データ整理、レポート作成」ではなく、「分析フレームワークの設計、モデル産出の検証、業務サイドとの協力による問題定義」となっていた。

200人以上の応募者のうち、大部分は卒業1、2年の若者だった。彼らの履歴書に記載されたスキル——Excel、SQL、基礎統計——はまさに削除された2つのポジションが担当していた業務だった。

その時は深く考えなかった。スタンフォード・デジタル経済研究所の論文を読むまでは。

カナリアが倒れる方式は、あなたが思うものとは違う

Brynjolfsson、Chandar、Chenの3人の研究者は非常に直接的なことを行った：生成AI爆発の前後で、異なる年齢層における「高AI暴露度」職業の雇用率変化を追跡したのだ。

結果は大多数の人の直感を覆すものだった。

22歳から25歳の若者の雇用率は13%下落した。一方、30歳以上のベテラン従業員の雇用率は逆に6-13%上昇した。 これは我々が普段聞く物語とは全く逆である。メディアは常に「AIは反復性の高い基層作業を代替する」と述べ、ベテラン従業員は年齢が高く学習が遅いため、より淘汰されやすいことを示唆している。しかしデータが語るのは別の話だ。

理由は実際には理解しにくくない。ただ、正視したがらない人が多いだけだ：AIが最も得意とすることは、まさに若者が職場に持ち込むもの——標準化された、コード化可能な、教科書や資格から得た知識——なのである。一方、ベテラン従業員の価値の大部分は、「どんなマニュアルにも載っていない」暗黙知的経験から来ている：扱いにくい顧客とどう交渉するか、情報が不完全な状況でどう判断するか、会議室で口に出されない言葉をどう読み取るか。

これらは、現在のAIがまだ複製できないものである。

ある奇妙な矛盾

論文にはもう一つの発見がある。年齢差異よりもさらに考察に値するものだ：求人は減少しているが、賃金は連動して下降していない。

古典的な需給モデルによれば、これは不合理である。就業機会が減り、労働力が過剰になれば、賃金は抑制されるはずだ。しかし実際には、企業が選択した戦略は減給ではなく、採用停止だった。既存従業員を安くするのではなく、新人を入れないことを選んだのだ。

表面的には「賃金硬直性」効果だが、背後にはより構造的な変化がある：AIが定型的タスクを奪った後、残った仕事は一つ一つの認知密度が高くなった。残された人々にはより多くの判断力、より多くの創造力、より多くの「曖昧な領域での意思決定」能力が必要になった。仕事の価値密度が上昇したため、賃金は下がらない。

しかし門外の若者にとって、これは二重の打撃である——門に入れないだけでなく、門檻自体も高くなっているのだ。

分岐路：自動化か増強化か

論文で最も重要な発見は、第三のデータセットにある。

企業がAIを「自動化」に使って全プロセスを処理する場合、若者の雇用率下降が最も劇的になった。しかし企業がAIを人間の仕事を「増強」するために使う場合——研究者が言う「半人馬モード」で、人とAIがそれぞれの長所を発揮する場合——若者の雇用率は逆に最も急速に上昇した。

同じ技術で、全く異なる2つの結果。違いはAI自体にあるのではなく、人機インターフェースを誰が設計するかにある。

これは製造業での経験を思い出させる。経験が浅くても学習意欲のあるエンジニアの成長が最も速い。彼らは3年かけて蓄積する「手応え」を身につける必要がなくなった。AIがパターン認識の部分を明確に示し、より早く「判断」のレベルに入れるようになったのだ。

半人馬モードは慈善ではない。効率の最適解なのである。

予警の真の対象

研究者がこの論文のタイトルに「炭鉱のカナリア」を使ったのは、あの古い比喩を取ったものだ：坑道のカナリアは人間より早く毒ガスを感知し、その死が鉱夫の退避信号となる。

しかし私はこの比喩をもう一歩転じて考えたい。

カナリアが先に死ぬのは、「より弱い」からではない。新陳代謝がより速く、暴露面がより直接的だからだ。AIの波における若者の境遇も同様である——彼らは能力不足ではない。彼らが訓練された能力が、たまたまAIの射程の真ん中に立っているのだ。

これは何を意味するか？真に変化すべきは若者ではなく、彼らをそのように訓練したシステムだということである。

我々の教育——大学から職業訓練まで——は20年かけて人を「標準化知識の担い手」に形成してきた。暗記し、試験に合格し、SOPに従って実行する。この論理は産業時代には正しかった。企業が必要としていたのは予測可能で交換可能な人的ユニットだったからだ。

しかし今、最も予測可能で交換可能な部分こそ、AIが最も得意とするところなのである。

これは技術問題ではない。これは「何が価値ある知識か」という我々の定義が、根本的に転覆されているということだ。

カナリアの後

職場にいる若者にとって、論文のデータは実際には明確な道を示している：「コード化可能なスキル」の蓄積を停止し、AIが処理できないことの練習を始めることだ。批判的思考、問題定義、文脈横断的コミュニケーション、不確実性での意思決定。しかし最も重要なのは——AIとの協力を学び、それを自分の代替品ではなく、レバレッジにすることである。

企業にとって、この研究が実際に語っているのは：AIを人件費削減に使うのは最も近視眼的な戦略だということである。真の効率は人機協力プロセスの再設計から生まれ、AIが従業員を排除するのではなく賦能することから生まれる。前者は組織のアップグレードをもたらし、後者は一時的なコスト削減と長期的な人材断層しかもたらさない。

教育制度にとって——これは最も重い警鐘である。あなたの卒業生が職場に入った初日、4年間学んだことがすでにAI Agentに代替されていることを発見したなら、これは学生の問題ではない。これは知識体系全体の構造的挑戦なのである。

その人事の友人が後に教えてくれたところによると、その唯一の求人枠は、最終的に32歳で2回転職経験のある人が採用されたという。技術が最も優秀だったからではなく、面接で「この分析結果はおかしいが、どこがおかしいか言えない」と明確に述べることができた唯一の人だったからだ。

カナリアはすでに鳴いている。しかし我々は何を変えたか？親であるあなたは、子供の教育方式をどう調整したいか？教師であるなら、学生に費やす時間をどうより意味あるものにするか？もはや一方向的な知識の押し込みではなく。これはAIに容易に代替されるスキルなのだ。経営者であるなら、風雲急を告げる現在に対応するため、新しいチームをどう組織するか？あなたはどう考えるか？交流を歓迎する。

論文出典：Erik Brynjolfsson, Bharat Chandar, Ruyu Chen. (2025). “Canaries in the Coal Mine? Six Facts about the Recent Impact of Generative AI on Employment.” Stanford Digital Economy Lab Working Paper, August 2025.