『仕事の大改革』の読書体験談：AIがあなたの仕事を引き継ぎ始めたとき、あなたにはどんな価値が残るでしょうか？
近年、企業で教えていると、面白い現象に出会うことが多い。
明らかに、誰もが AI が重要であることを認識しており、ChatGPT や Claude などの生成 AI ツールを使用し始めています。しかし、私が「AIによってあなたの仕事はどう変わると思いますか？」と尋ねるたびに、いつも短い沈黙があります。
自分の仕事が取って代わられるのではないかと心配する人もいれば、AIの使い方を学べば競争力を維持できると考える人もいます。 一部の人々は、より楽観的な態度を持ち、専門的な経験と対人交流が必要な仕事に従事しているため、短期間に大きな影響を受けるはずはないと考えています。
しかし、これらの考えは実際にはもっと根本的な問題を無視しているのではないかと私はますます感じています。
AIが私たちの日常業務を変え始めたとき、役職は変わらなくても、私たちの仕事はすでに違うものになっているのでしょうか？
最近、「大規模な業務再編: LinkedIn のグローバル トレンド インサイト - AI の波の下でのスキル シャッフル、キャリア シフト、および新しい組織秩序（新しいタブで開く）」を読み、この問題についてさらに深く考えました。
この本はLinkedIn CEOのRyanによって書かれています。 ライアン・ロスランスキー氏とアニッシュ経済機会大臣。 アニーシュ・ラマンとの共著で、中国語版はウー・カイリンが翻訳し、天霞雑誌から出版された。
一般的にAIの動向を語る本と比べて、本書のアプローチは非常に興味深い。 著者 2 人は、技術開発に基づいて AI がどのような新しいタスクを達成できるかを単に私たちに伝えるだけでなく、LinkedIn プラットフォームを通じて観察される世界的な職場の変化を通じて、すべての人に密接に関係する質問に答えようとしています。
仕事のルールが書き換えられつつあるとき、私たちはどうやって自分自身の価値を再理解できるのでしょうか?
読んだ後の私の最大の感想は、これはAIが雇用市場にどのような影響を与えるかを論じた単なる本ではなく、私たちに人生の資産を再評価するよう思い出させる招待状のようなものであるということです。
なぜなら、AI時代において、本当に再編成する必要があるのは、おそらく履歴書だけではなく、仕事、専攻、キャリアに対する私たちの理解全体であるからです。
あなたの仕事は役職ではありません、本当に重要なのは毎日何をするかです
以前はメディア編集者やプロダクトディレクターを務め、経営管理やコンテンツマーケティングにも携わっていました。 現在は、本の執筆（新しいタブで開く）やコンテンツプラットフォームの運営に加え、企業講師やコンサルタントとして招かれることも多く、大学で教鞭を執ったり、学術研究も行っています。
誰かが私にこう尋ねたら、「ビスタ先生、あなたは何をしていますか？」
正直に言うと、より完全な答えを与えるにはしばらく時間がかかるかもしれません。
しかし、これらの一見異なる過去の仕事経験は、『仕事の大改革』を読んだときに、本の中のある点に特に感銘を受けました。
つまり、あなたの仕事は役職ではありません。
私たちは、人の専門的な能力を理解するために専門的な肩書きを使うことに慣れています。 誰かが財務アナリストだと言うと、おそらく財務諸表、予算作成、データ分析を思い浮かべるでしょう。彼がマーケティングマネージャーであれば、私たちは市場調査、広告、ブランド管理を考えます。
しかし、よく考えてみると、財務アナリストが日々行っているのは、本当に財務諸表の分析だけなのでしょうか？
また、数値の背後にあるビジネス上の重要性を上司に説明したり、他の部門とリソースを調整したり、不完全な情報で業務運営に関連する推奨事項を作成したりする必要がある場合もあります。
同様に、マーケティングマネージャーの仕事は、コピーを書いたり、ニュースレターを作成したり、広告プラットフォームを運営したりすることだけではありません。 また、市場の変化を理解し、消費者心理を把握し、部門間の協力を調整し、限られた予算内でリソース配分の決定を下さなければなりません。
これらの業務は同じポジションに属しますが、求められる能力はまったく異なります。
*▲ 同じ専門職名の下で、各タスクは異なる程度に AI によって書き換えられます。 *
かつて、企業は従業員の仕事範囲を定義するために、あたかも各個人が組織のパズルの固定されたピースであるかのように、役職名と職務内容を使用していました。 しかし、AIの登場は、このポジション中心の分業を破壊しつつあります。
AIはあなたが管理職であるかどうかを気にしませんし、上級社員だからと言って仕事内容に特別丁寧になることもありません。 変化するのはあなたが毎日実際に実行するタスクであり、これらのタスクの変化はあなたの立場を徐々に再形成します。
だからこそ、「どの職業がAIに取って代わられるのか？」と単純に問うべきではないと私は考えています。 (私は以前、「PM の美しさと悲しみ」について同じことについて書きました。役職名はまだ残っていますが、その中の職種はずっと前に変更されています。)
さらに考える価値があるのは、「現在の仕事で、すでに AI に引き継げるタスクはどれですか? 再設計する必要があるタスクはどれですか? そして、より多くの時間とエネルギーを投資すべきタスクはどれですか?」ということです。
この質問が正しく問われると、AI に対する私たちの不安がより具体的な行動に変わる機会が得られます。
最も憂慮すべきことは、AI が仕事を置き換えることではなく、自分の価値を証明するために依然として古い方法を使用していることです。
本書では、実践的な「3 カテゴリーのタスク フレームワーク」を提案し、読者にまず日常業務で最も重要な 12 のタスクをリストアップし、次に AI が参加できる程度に応じてそれらを分類することを推奨しています。
1 つ目のカテゴリは、標準化されたレポートの作成、構造化データの整理、固定ルールのチェックの実行、一般的な質問への回答など、AI が単独で完了できるタスクです。
2 番目のカテゴリは、AI を使用して市場データを分析し、マーケティング担当者がどのシグナルが注目に値するかを判断するなど、人間が AI と協力できるタスクです。または コピーの初稿作成を AI に支援させる そして、著者は自分の経験、ブランドの個性、読者の理解を統合します。
3 番目のカテゴリは、本書で強調されている、信頼の構築、複雑な対人関係の処理、倫理的な判断、不確実性に満ちた状況での意思決定など、人間特有の強みを必要とするタスクです。
*▲ まず 12 個のタスクをリストアップし、次に自分の時間がどの列に該当するかを確認します。 *
この一連のカテゴリーは、私自身の過去数年間の仕事の変遷を思い出させます。
ビジネスコラムの執筆を例に考えてみましょう。以前は、情報を収集し、調査レポートを整理し、さまざまな情報源からの情報を比較し、ゆっくりと記事の構成を考え出すことに多くの時間を費やしていたかもしれません。
今では、AI に研究の手がかりの検索と編集、データの分析、議論の方向性の提案、さらには論文に論理的な抜け穴がないかどうかのチェックを依頼できるようになりました。
もちろん、AI が提供する情報やリファレンスは依然としてチェックする必要がありますが、以前に比べてワークフロー全体は確かに大きく変わりました。
ただし、ここからが楽しい部分です。
AI が完全な構造とスムーズな文章を備えたビジネス記事をすばやく作成できるようになったとき、ライターとしての私にどのような価値が残るでしょうか?
タイピング速度ですか？ いいえ。
短時間で3,000ワードを書くことは可能ですか？ おそらくそうではありません。
本当に投資する価値があるものは、AIが勝手に判断しにくいものだと思います。
たとえば、なぜこの問題が今議論される価値があるのでしょうか?一見美しい研究データには、疑わしい前提が隠されているのでしょうか?外資系企業の成功事例は、台湾の中小企業のビジネスの文脈に置いて本当に参考になるのでしょうか？
さらに重要なのは、誰もが同じトレンドについて話しているときに、私のメディア経験、企業コンサルティングの仕事、学術研究に基づいて、異なる視点を提供できるかということです。
これらの問いは、作家が磨き続けるべき能力だと私は思います。
この本は、最初のタイプのタスクに大きく依存することに対して警告しています。 人の労働時間の半分以上が日常的な予測可能なタスクに費やされている場合、将来の仕事のリスクについて慎重に検討する価値があります。
しかし、タスクを自動化できるからといって、必ずしもポジション全体がなくなるわけではないことも付け加えておきます。
企業が AI を導入するかどうかは、依然としてコスト、品質、規制、組織文化、顧客の信頼などの要因に影響されます。 たとえ特定の仕事が技術的に自動化できたとしても、企業が関連するポジションをすぐに排除するという意味ではありません。
したがって、私たちは必ずしも 3 つのカテゴリーのタスクの枠組みを失業リスクを正確に予測するための公式とはみなしません。
これは、労働時間がどこに費やされているか、そして将来的に調整できる方向性を確認するのに役立つ鏡としてより適しています。
私にとって、本当に気をつけなければならないのは、AI に引き継がれる可能性のあるタスクがまだどれだけ残っているかではなく、これらのタスクを完了するための新しい方法があるにもかかわらず、古い仕事の習慣にしがみつき、職業上の価値を証明するために過去の成果を使い続けていないかということです。
AI が答えを安価にすると、判断力は長期的な投資に値する資産になります。
この本を読むと、私が最近企業で教えるときによく共有する概念を思い出します。
答えが安くなるにつれて、判断は長期的な投資に値するものになります。 (この概念については、「答えが無価値になるとき、判断が唯一の複利資産」で詳しく説明されています。)
かつて、企業は、他の人が持っていない知識を持っていたり、普通の人にはできないことができるという理由で専門家を雇用することがよくありました。
たとえば、プログラムの作成方法、財務データの分析方法、美しいプレゼンテーションの作成方法を知っている場合、または特定の業界の専門知識を持っている場合などです。
もちろん、AI の出現だけで、これらの機能が突然すべての価値を失うわけではありません。 しかし、ツールがより普及するにつれて、特定のテクノロジーの運用能力のみに依存して競争上の優位性を維持することは実際には困難になる可能性があります。
私が最近投資した Vibe Coding（新しいタブで開く） を例に挙げます。
以前は、マーケティング担当者がコピーライティングをチェックするのに役立つオンライン ツールを開発したい場合、まずプログラミング言語を学ぶか、データベースに精通するか、開発を手伝ってくれるエンジニアを見つける必要があったかもしれません。
現在では、AI プログラム開発ツールを通じて、自然言語を使用して製品要件を記述し、AI と連携して機能を設計し、プログラムを修正し、アイデアを実際に動作可能な製品に徐々に変換することができます。
しかし、AIと会話できれば商品価値のあるツールを作れるわけではありません。
本当に難しいことは、実際にはプログラムを書く前に起こります。
まず、ユーザーがコピーライティングのプロセスでどのような困難に直面しているかを理解し、どの問題が優先されるべきかを判断し、合理的な使用プロセスを設計し、製品が本当にユーザーを助けることができるかどうかを実際のテストを通じて確認する必要があります。
▲ 5つのステップのうち、実際にAIに引き継ぐのは1ステップのみ。
どのような問題を解決したいのかさえ説明できなければ、AI が 10,000 行のコードを書くのを手伝ってくれたとしても、本当の価値を生み出すことはできないかもしれません。
これも、本書で提案されている 3 種類のタスクを読むときに特に強調したい点です。
AI はますます多くのことを完了するのに役立ちますが、問題を理解する私たち自身の能力を無視することはできません。
実際、AI は問題の分析、戦略の提案、さまざまな視点のシミュレーションにも役立ちます。 いわゆる人間の固有の能力は、決して変わることのないリストとして理解されるべきではありません。
本当に重要なのは、状況を理解し、証拠を評価し、リスクを特定し、AI の助けを借りて最終決定に責任を負う能力を向上し続けることができるかどうかかもしれません。
ツールは私たちの能力を拡張するのに役立ちますが、思考を停止させるものであってはなりません。
AI時代に最も再理解されなければならないのは、かつて「ソフトスキル」と呼ばれていた能力かもしれない
『仕事の大再編』で私がもう一つ感銘を受けたのは、二人の著者が人間の能力を仕事の変革の中核に据え直したことだ。
かつて、企業が人材育成について語るとき、スキルはハードスキルとソフトスキルに分けられることが多かった。
前者には、プログラミング、データ分析、財務管理など、特定の技術や知識によって測定できる能力が含まれます。後者には、コミュニケーション、コラボレーション、創造性、共感、問題解決などの能力が含まれます。
多くの職場では、ハードスキルのほうが目に見えやすく、採用や昇進の際の評価の基準となりやすいことがよくあります。
しかし、AIがより多くの専門的な業務を処理できるようになると、当初はボーナスポイントとみなされていた能力が、実際には仕事の成果を決定する重要な要素になる可能性があります。
この本は、AI時代における人間の能力に注意を払うよう読者に思い出させるために、「5C Human Advantages」を具体的に提案しています。 5つのCとは、好奇心、勇気、創造性、共感、コミュニケーションです。 「AI にできない 5 つのこと: LinkedIn CEO が教える 5C フレームワーク」> でそれらを 1 つずつ解体しました。 教育とビジネスコンサルティングに長く携わってきた私にとって、この視点は特に深く考える価値があります。
授業中に、2 人の生徒が同じ AI ツールを使用して同様のプロンプト単語を入力したとしても、最終結果は依然として大きく異なる可能性があることに気づきました。
その理由は、必ずしも 1 人の人がツールに精通しているというわけではなく、問題に対する理解レベルが異なるためです。
一部の学生は、単に AI が自分たちの仕事を手伝ってくれることを望んでいます。 学生の中には「なぜこんなことをするのか?」と尋ね続ける人もいます。 この答えにはどのような前提が含まれていますか?あなたの会社により適したソリューションはありますか?
通常、後者の方が AI の出力を実際の結果に変える可能性が高くなります。
企業のコンサルティング業務を別の例として考えてみましょう。
中小企業が AI を導入したいと考えた場合、多くの場合、本当の困難はツールが十分強力ではないことではなく、導入目標について上司と従業員の想像力が異なることです。
上司は効率を改善してコストを削減したいと考えているかもしれませんが、従業員は自分の仕事が代替されるのではないかと心配しています。 情報部門はデータのセキュリティを懸念していますが、ビジネス部門はできるだけ早く結果が得られることを望んでいます。
この場合、AI システムを導入するだけでは変革が成功するとは限りません。
また、さまざまな利害関係者のニーズを理解し、合意形成を支援し、作業プロセスを再設計し、組織メンバーに変更の目的を理解してもらえる人材も必要です。
これらの能力は技術証明書で完全に測定することは困難ですが、AI導入プロジェクトの成否に直接影響する可能性があります。
したがって、今後の人材育成は、従業員にどの AI ツールを操作するかを教えることだけに重点を置くべきではないと私は考えています。
また、AI を使用する際のコミュニケーション スキル、批判的思考、問題定義、複雑な状況で判断する能力を開発できるように支援する必要もあります。
いわゆるソフトスキルは、十分に専門的ではないため、ソフトスキルとは呼ばれません。
逆に、技術的な運用の敷居が徐々に下がってくると、長期的な経験の蓄積が必要なこうした能力が見直される価値が高くなります。 (詳細: 〈味覚×判断力: AI時代のプロフェッショナルが機械OEMに成り下がりたくない2つの武器〉)
キャリアはもはや梯子ではなく、方向性を再選択できる登る壁です。
この本のもう一つの比喩がとても気に入っています。キャリアはもはや登るだけのはしごではなく、登る壁のようなものです。
以前は、成功したキャリアについての私たちの想像は、比較的明確な直線であることがほとんどでした。
若手社員から上級スペシャリスト、そしてマネージャー、ディレクター、そして最後に上級管理職へ。 より高い専門的肩書きとより多くの管理下にある人々は、ますます成功したキャリア開発を意味しているようです。
ただし、現実の生活は必ずしもこの道をたどるとは限りません。
もともとメディアで働いていて、その後ブランド マーケティングに転向した人もいます。企業経営者として長年働き、最終的に教育とコンサルティングに専念することを決意した人もいます。豊かな業界経験を積んだ後、学位取得のために学校に戻った人もいます。
従来のキャリアのはしごというレンズを通して見ると、これらの移行は一貫性がないように見えたり、回り道であるとさえ思われる場合があります。
しかし、クライミングウォールの観点から見ると、状況は異なります。
登山者は必ずしも真っ直ぐ登る必要はありません。時には、前進を続ける前に、新しい支点を見つけるために横に移動しなければならないこともあります。 (今年初めにオノルドが台北 101 でフリーソロをしていたとき、私は「エクストリーム アスリートからキャリア ラダーの考え方を学ぶ」というタイトルの記事も書きました。参考として読むことができます。)
同様に、人のキャリア開発は、同じ部門、同じ役職、さらには同じ業界に限定される必要はありません。
▲右側が私のルートです。その後移動するたびに、それが新たな支点となる。
自分のキャリアを振り返ってみると、この比喩が特に気に入っています。
メディア編集や製品管理からコンテンツマーケティング、企業コンサルティング、教育、学術研究に至るまで、これらの経験は一見すると必ずしも同じキャリアパスに属しているようには見えないかもしれません。
しかし、生成 AI の応用を研究し始めたとき、これらの一見ばらばらに見える経験が新しいつながりを生み出していることがわかりました。
メディアの仕事を通じて、情報がどのように選択され、整理され、広められるのかを理解することができます。製品管理の経験により、ユーザーのニーズや作業プロセスにもっと注意を払うことができます。企業コンサルティングの仕事を通じて、さまざまな業界のビジネス上の問題を観察する機会が得られます。また、学術研究を通じて、直感や少数の事例に基づいて複雑な現象について結論を下すことはできないことに気づかされました。
これらの経験を AI ツールと組み合わせると、同じ問題を別の視点から理解できるようになります。
したがって、将来のキャリアの競争力は、同じ道をどこまで進むかによって決まるのではなく、異なる道を通じて蓄積された経験を新しい能力の組み合わせに変換できるかどうかによって決まるのではないかと私はますます考えています。
この視点は、10 年、20 年、あるいはそれ以上にわたって働いている友人にとって特に重要です。
これまで培ってきた経験をすべてひっくり返す必要は必ずしもありませんし、情報工学のバックグラウンドがないからといってAI時代の働き方改革に参加できないと考える必要もありません。
逆に、これまで蓄積してきた業界知識、人脈、経営経験、専門的判断などが、キャリアを再配置するための重要な支点となる可能性もあります。
重要なのは、私たちが元の役職から離れて、これらの経験の間にできるつながりを再確認する意思があるかどうかです。
組織図から作業図へ: 企業は、従業員の働き方を変えずに AI の学習を要求するだけでは済みません。
この本は個人的な読書に適しているだけではありません。ビジネスリーダーや人事部門が組織の観点を検討する時間も価値があると思います。
特に、本書は組織図から業務マップの概念に移ります。
以前は、企業が仕事を計画するとき、通常、どの部門が必要か、何人の従業員が必要か、各役職がどのようなタスクを担当するかを決定していました。
たとえば、マーケティング部門はブランディングと広告を担当し、ビジネス部門は顧客開発を担当し、カスタマーサービス部門は顧客の問題に対処する責任を負い、情報部門はシステムの保守を担当します。
この分業は必要ですが、AI はさまざまな立場にまたがるタスクの完了を支援できるため、企業は「どのタスクを人間が行うべきか」を再考する必要もあります。 AIに任せるのに適しているのはどれでしょうか？ 人間と AI のコラボレーション方法の再設計が必要なのはどれですか?
私はかつて、企業で教えているときによくある状況に遭遇しました。
同社はAIの教育や研修に多額の予算を投じており、従業員も真剣に授業を受講し、さまざまなツールの使い方を習得している。 しかし、現場に戻っても、当初の業務手順や業績指標、上司の管理方法は全く変わっていません。
その結果、従業員はAIを学んだものの、日常業務で実際にAIを活用する方法を知りません。
もともと多忙な方の中には、追加で AI の勉強が必要になり、仕事量が増えるという方もいらっしゃいます。
このことから、企業は AI 変革を教育やトレーニング プログラムに単純化することはできないことを思い出します。
企業が AI を使用してコンテンツ マーケティング プロセスを改善したい場合は、生成型 AI の使用方法を従業員に教えるだけでなく、コンテンツの企画、データ収集、初稿の作成、事実確認、レビュー、公開の間の役割分担も再考する必要があります。
*▲ 組織図はどの部署に人がいるのかを見るものであり、業務マップは誰がすべてを行うべきかを見るものです。 *
AI がすでに調査データの整理や初稿の作成に役立つのであれば、マーケティング担当者は視聴者調査、コンテンツ戦略、パフォーマンス分析により多くの時間を費やすべきでしょうか?
監督者もパフォーマンスの評価方法を調整し、仕事のパフォーマンスを測定する主な基準として単に週に作成される記事の数や作成される写真の数を使用しないようにすべきでしょうか。
同様に、企業が AI カスタマー サービス システムを導入する場合、システムが自動的に返信するメッセージの数をカウントするだけではありません。
また、どの問題を AI に安全に引き渡せるか、どの状況を人間の顧客サービスに引き継ぐ必要があるか、従業員が複雑な問題の解決や顧客関係の運営により多くの時間を費やせるようにするにはどうすればよいかを考える必要もあります。
この観点から見ると、AI 変革における本当の困難は、新しいソフトウェア セットを購入することではなく、作業方法を再設計することです。 (「逆分業」を読んだときに、私も同様の経験をしました。1 人が AI チームを指揮できるようになると、分業の単位はもはや部門ではなく、タスクになります。)
部門の設立や従業員数という観点だけでリソース配分を考えるのではなく、業務の観点から組織を理解することが、これからのビジネスリーダーに培わなければならない重要な能力であるとさえ思います。
もちろん、ジョブ マッピングは、AI に置き換えられる人材を見つけることだけにとどまるべきではありません。 企業は、テクノロジーの導入を組織の能力に真に変えるために、従業員のトレーニング、仕事量、キャリア開発、責任の帰属も考慮する必要があります。
もはや学歴だけでは十分ではありませんが、最新のツールを追い求めるだけでは学習はできません。
学術研究に携わり続け、企業、公共部門、大学で教鞭を執る者として、私もこの本の教育と人材育成について論じた部分にとても感動しました。
この本は、まず学校教育を終え、その後学んだ知識を頼りに何十年も働くという過去のモデルが新たな課題に直面していることを思い出させます。
これは、学歴がもはや重要ではないということではなく、学校教育によって確立された知識ベースでは、今後数十年間に変化する仕事のニーズを完全にはカバーできない可能性があるということです。
教育現場ではとても真面目な生徒によく出会います。
彼らは、いくつかの AI ツール セットを購読し、さまざまなオンライン コースに参加し、最新の技術開発を追跡し続けています。 しかし、私が彼らにさらに尋ねると、「これらのツールを学習した後、あなたの仕事に具体的にどのような変化が生じましたか?」
答えるのが難しいと感じる人もいます。
そこで私は、多くの時間を勉強に費やしているにもかかわらず、必ずしも知識を仕事の結果に変えることができない人がいるのはなぜだろうか、と考えました。
その理由の1つは、私たちが学習を新しい知識の継続的な蓄積として理解することに慣れすぎていることだと思いますが、その知識が実際に私たちの行動を変えたかどうかを確認するために過去を振り返ることがほとんどないことです。
今すぐ AI ツールのセットを学習すれば、明日にはより強力な機能を備えた新製品が登場します。 ツールの更新速度を追い続けるだけの学習だと、学習が終わらない不安に陥りがちです。 (このサイクルから抜け出す方法については、「AI ツールを収集するだけではない: 4 段階の設計ワークフロー」で説明しました。)
したがって、私はAI時代の学習を能力の継続的な蓄積のプロセスとして理解することを好みます。
今日は即効性のある単語を 10 個覚えて、明日には操作スキルを 20 個覚えるということではなく、本当に解決する必要がある問題から始めて繰り返し練習することで、さまざまなツールや状況に対応できる能力を徐々に構築していきます。
たとえば、AI を学習しているマーケターは、ツールをソーシャル投稿の生成に役立てるだけで終わるべきではありません。
さらに、AI を使用して顧客のニーズを分析し、コンテンツ戦略を設計し、マーケティング結果を評価し、実際の運用から何度も市場と消費者についての理解を蓄積する方法についてさらに考えることができます。
このような学習成果は、特定のツール セットに完全に関連付けられるわけではありません。
将来、より強力な AI モデルが登場したとしても、彼は蓄積した専門知識と手法を新しい作業状況に移すことができます。
これがAI時代に追求する価値のある学習複利だと思います。
本当に価値のある学習により、今日は昨日よりも少しだけ多くのことを知ることができるだけでなく、明日さまざまな問題に直面したときに使える能力をさらに身につけることができます。
この本を AI 業務再編の実験にするにはどうすればよいでしょうか?
この本の最後に提案されている 30 日、60 日、90 日の行動計画を読んだとき、私は特に自分自身の教育活動について思い出しました。
これまで企業向け AI コースの多くは、ツールの導入や操作演習に重点を置く傾向がありました。 学生は授業でAIのさまざまな機能を見るとすぐに驚きますが、実際に仕事に戻ると、本来の働き方をどう変えていけばいいのか分からないかもしれません。
「大仕事再編」の見解を実践的な学習計画に変えたいのであれば、90日間の「AI仕事再編実験」を企画してみたいと思います。 これは、全員に 90 日間ですべての AI ツールを習得するように求めるものではなく、学生が自分の作業を再検討し、変更する価値があるものを見つけ、小規模な実験を通じて徐々に新しい機能を構築できるようにするためのものです。
*▲ 3 か月、3 つのステージ、各ステージでいくつかのことだけを実行します。 *
フェーズ 1｜1 日目から 30 日目: 急いでツールを学ぶのではなく、自分の作業を確認します。
まず学生に、日常の最も重要な 12 の作業タスクをリストアップし、各タスクに必要なおおよその時間を記録し、AI が単独で完了できる度合い、人間と機械のコラボレーションの度合い、人間の高度な参加を必要とする度合いに応じて分類するよう求められます。
次に、反復性が高く比較的リスクの低いタスクを選択し、AI を使用してプロセスを改善してみます。 たとえば、会議の議事録を整理したり、顧客からよく寄せられる質問をまとめたり、標準化されたレポートの作成を支援したりするなどです。
この段階での目標は、すぐに多くの人員を節約することではなく、まず自社の作業プロセスを理解し、優先的に改善する価値のある領域を特定することです。
フェーズ 2 | 31 日目から 60 日目: 単一ツールの操作から完全な人間と機械のコラボレーションまで
2 か月目では、専門的な判断が必要な仕事をさらに選択し、新しい AI コラボレーション プロセスを設計できます。
たとえば、AI に市場データの分析を支援させ、マーケティング担当者にブランド戦略の調整方法を決定させます。または、顧客サービス記録の分析を AI に支援させてから、サービス チームが顧客エクスペリエンスを向上させる方法について話し合います。
この段階では、AI の出力にどのような欠点があるのか、手動で修正する必要がある領域は何か、その過程でどのような経験と判断を使用したかを具体的に記録するよう学生に指示します。
なぜなら、人間と機械のコラボレーションの焦点は、AI にもっと多くのことをやらせるだけでなく、人間がどこで役割を果たすべきかを再理解することにあるからです。
フェーズ 3 | 61 ～ 90 日目: 実験結果を継続的に運用できる新しい機能に変換する
3 か月目では、前の 2 つのステージの結果を振り返って確認する必要があります。
労働時間が短縮されたかどうかを比較するだけでなく、出力の品質、エラー率、顧客満足度、従業員が価値の高い仕事により多くの時間を費やせるかどうかも評価する必要があります。
実験が効果的であれば、新しいワークフローをさらに整理し、必要な検査メカニズムを確立し、それをチームの他のメンバーに宣伝する価値があるかどうかを検討できます。
最後に、学生は 12 の作業タスクを再検討して、90 日間の実験後に作業内容と能力要件にどのような変化が生じたかを確認するように求められます。
この種の学習方法は、単に従業員に多数の AI ツールを学習させるよりも、AI を日常業務に真に統合できる可能性が高いと私は信じています。
なぜなら、人が個人的に仕事の再編成実験を完了し、自分の働き方が実際に変わったことを確認したとき、その人はもはや会社から何を学ぶべきか指示されるのを受動的に待つだけではなく、積極的に仕事を設計する能力を持ち始めるからです。
これが、AI の教育とトレーニングがもたらすことを期待する長期的な価値です。
この本を読んだ後、さらに聞きたいのですが、AI によってもたらされた効率性の配当は最終的に誰に流れるのでしょうか?
『働き方改革』はキャリア変革についてかなり前向きな見方をしていますが、個人の競争力をどう向上させるか以外にも、さらに検討する価値のある問題がいくつかあると思います。
まず第一に、AI によって作業効率が大幅に向上した場合、節約された時間によって従業員はより価値のある仕事に従事する機会が得られるのでしょうか、それとも会社は出力要件をさらに高めるのでしょうか?
この本では、Microsoft と LinkedIn が実施した調査 (両者が共同で実施した「2024 年の仕事傾向指数（新しいタブで開く）」を参照) によると、AI を使用する労働者にインタビューしたところ、AI は時間を節約し、重要な仕事に集中し、より創造性を刺激するのに役立つと述べていると述べられています。
これらの結果は確かに有望ですが、別の可能性も無視できません。
マーケティング担当者が以前は 1 日に 2 記事しか完成できなかったが、AI を活用することで 6 記事を完成できるようになった場合、会社はマーケターに市場調査や戦略計画に余分な時間を投資することを許可するでしょうか、それとも 1 日に 12 記事を作成することを要求されるのでしょうか?
管理方法が変わらなければ、AI による効率向上が仕事の質の向上に直結しない可能性があります。
第二に、企業が従業員が AI を学習し続ける必要があることをますます強調するようになったとき、学習にかかる時間とコストを誰が負担すべきでしょうか?
十分なリソースを持っている専門家にとっては、ツールを購読したり、コースに参加したり、新しいテクノロジーの研究に時間を投資したりするのは比較的簡単かもしれません。
しかし、シフト勤務をしなければならない人、家族の介護の責任がある人、または職場環境にデジタル リソースが不足している人にとって、AI 機能の継続的な改善にはより高いコストがかかる可能性があります。
学習をスピードアップする必要があると全員に伝えるだけで、それに対応する研修リソースや就労支援を提供しない場合、職場での既存の格差がさらに拡大する可能性はありますか? (これは、「AI は虫眼鏡であり、魔法の杖ではありません」での私の観察とも一致します。AI が拡大するのは、多くの場合、元のギャップです。)
最後に、AI 時代のすべてのキャリア リスクが個人の学習意欲に起因するわけではないことも自分に言い聞かせたいと思います。
個人の就職機会は、個人の能力に依存するだけでなく、産業の発展、企業投資、労働制度、全体的な経済環境などの要因にも影響されます。
個人が率先して学び、自分自身の位置を変えることはできますが、企業や団体も責任を持って、より多くの人が変革に参加できるような条件を作り出す必要があります。
私にとって、これらの問題は、本書が強調する積極的な行動の価値を弱めるものではありません。むしろ、AI 時代における仕事の再編成は、個人の能力を向上させるための競争であるだけでなく、企業経営と社会的機会の再分配方法の根本的な変化でもあるということを、より明確に理解することができます。
自分の価値を再定義することは、AI 時代における最も重要なキャリアの教訓かもしれません。
『The Great Work Reorganization』を読んだ後、ここ数年間、常に新しいツールを試し、学術研究に投資し、さまざまな AI アプリケーションを開発し始めたプロセスを思い出しました。
振り返ってみると、これらの試みはどれもあまり明確な道をたどったようには見えません。
時々、私は AI がメディア問題の構築にどのような影響を与えるかを研究しています。 時々、私は企業クラスで学生に AI を使用して作業プロセスを改善する方法を教えます。時々、私はコンピューターの前に座って、突然のアイデアを実際に使用できるガジェットに変えようとします。
以前は、これらのことがあまりにも分散しすぎており、明確な専門的位置付けを確立するには、特定の領域にもっと集中する必要があると感じていたかもしれません。
しかし、この本を読んだ後、私はこれらの経験を別の視点から理解するようになりました。
おそらく、AI時代に本当に重要なのは、自分の役職を一言で要約できるかどうかではなく、さまざまな経験の間のつながりを発見し続け、それを新しい問題を解決する能力に変換できるかどうかです。
また、メディアの仕事から徐々にコンテンツマーケティング、教育、コンサルティングの仕事に移っていったとき、私は将来どのような人間になりたいのか事前に考えていなかったように思います。
興味深い問題に遭遇したからといって、研究に投資することがよくあります。新しいツールを使えば、これまでできなかったことを解決できることがわかり、試し始めます。
一見偶然に見えるこれらの選択が、徐々に積み重なって今の私になっています。
したがって、キャリアの次のステップを考えている友人たちに私が共有したいのは、「AI を早く学ばなければ淘汰される」という不安を引き起こすスローガンではありません。
その代わりに、皆さんに静かな時間を見つけて、仕事や人生の経験を再整理していただきたいと思います。
考えてみてください、あなたは毎日何をするのに最も多くの時間を費やしていますか? AI によってすでに実行できるものは次のうちどれですか?繰り返しのタスクに多くの時間を費やす必要がなくなったら、本当に重要なことに集中したいと思いますか?
さらに、矛盾している、あるいは無駄だとさえ感じた過去の経験は、将来自分自身を再配置する際の重要な資産となる可能性がありますか?
これらの質問に対する万能の答えはないと思います。
元の専攻を深め続けることを選択する人もいるかもしれませんし、分野を超えて成長しようとする人もいるかもしれません。 また、慣れ親しんだ職場環境を離れて自分のビジネスを始めることを選択する人もいるでしょう。
最終的にどの道を選択するとしても、少なくとも、専門的な肩書き、学歴、特定のツールを操作する能力に自分の価値を全面的に置かないようにすることはできます。
役職が変わる可能性があるため、ツールは引き続き更新され、今日見慣れたワークフローが明日にはまったく新しいものになる可能性があります。
しかし、私たちの過去の蓄積された経験、問題を理解する能力、他者との信頼を築く方法、そして不確実性に直面して継続的に学習して調整する姿勢は、依然として再出発するための重要な基盤となる可能性があります。
AI時代に本当に追求する価値があるのは、決して代替されないことではなく、常に価値を再創造できる能力を持っていることです。
これは、『仕事の大改革』を読んだ後、私が自分の仕事や教育の現場に最も持ち帰ってもらいたい思い出でもあります。
AI が私たちが慣れ親しんだタスクを引き継ぎ始めたとき、何が残っているのかを自問するのではなく、さらに深く考える必要があります。
さて、ついに時間を解放して、これまで実現する機会がなかった価値観を創造できるようになるでしょうか?
おそらく、これこそが、今回の職場再編で期待できることなのかもしれない。
さらに読む:
- AI にできない 5 つのこと: LinkedIn CEO が 5C フレームワークを直接教え、AI 時代にはかけがえのない存在になる
- 『上司の最強の仕事術』を読んでの感想：AIが答えをくれるのに、なぜ上司は自分で質問を定義しなければならないのか
- 1000 日後、私たちがどのような人間になっているのかが気になります。「次の 1000 日」を読んでください
- 答えが無価値になったとき、複利資産となるのは判断だけです
📚 書籍購入リンク: 「仕事の大再編: LinkedIn の世界的傾向からの洞察 - AI の波の下でのスキル シャッフル、キャリア シフト、および新しい組織秩序」（新しいタブで開く）
