AIで仕事がなくなるかを気にするより、先に考えるべきは「AIで短くなった時間を何に回すか」です。LinkedIn News（Pressroom）が2026年3月26日に公開した「The New Math of Work」は、AIで変わるのは肩書きよりも仕事の中身であり、価値の源泉が「同じ仕事を速く多くこなすこと」から「判断・文脈理解・意思決定」へ移っていると整理しました。(LinkedIn News)
この記事では、LinkedInとMicrosoftの公式発信をもとに、AI時代の新しい仕事の計算式の意味、AI後の価値の出し方、スキルの再投資先、生成AI時代に人が磨くべき部分を、実務で使える形に噛み砕いて解説します。(Microsoft)
LinkedInが語る“AI時代の仕事の新しい計算式”とは何か
3月26日のLinkedIn News記事は、Ryan Roslansky氏とAneesh Raman氏の「Open to Work」からの抜粋で、元になった同名記事は3月24日にRyan氏がLinkedIn上で公開しています。両記事の核心はシンプルです。AIで1時間かかっていた作業が10分になったとき、その残り50分を「同じことをもっとやる」に使うか、「人にしか難しい仕事」に振り向けるかで、長期の差が広がるということです。(LinkedIn News)
LinkedInの主張を実務向けに言い換えると、AI時代の新しい仕事の計算式は次の一文にまとまります。
価値 ＝ AIで生まれた余白 × その時間を判断・文脈・意思決定へ再投資できた量
この考え方を、旧来の仕事観と比べると違いが見えやすくなります。(LinkedIn)
| 視点 | これまでの仕事の計算式 | AI時代の新しい計算式 |
|---|---|---|
| 価値の源泉 | 専門性を深め、同じ仕事を速く正確にこなす | AIで浮いた時間を、判断・文脈・意思決定へ再投資する |
| 成長の前提 | 役割は比較的安定している | 役割の中のタスク構成が変わり続ける |
| 評価されやすい人 | 現在の職務で高い処理能力を出せる人 | 仕事そのものを再設計できる人 |
| リスク | 経験不足 | 今の役割に最適化しすぎて変化に遅れる |
大事なのは、AIを「使うか使わないか」の話ではないことです。LinkedInは、仕事は職種名ではなくタスクの束であり、その束の中で何が自動化され、何が協働になり、何が人間に残るのかを見直すべきだと繰り返し述べています。Microsoft側の解説でも、AIが効率仕事を吸収するほど、人間の判断がむしろ中心になると整理されています。(LinkedIn)
なぜ今、この考え方が効くのか
理由は、AIが「職種を一気に消す」のではなく、「職種の中身を静かに組み替える」からです。LinkedInはこの移行期を messy middle と表現し、肩書きは同じでも、求められるタスクとスキルが急速に入れ替わる時期だと説明しています。さらにLinkedInは、10年前は平均的な仕事で必要スキルの変化が約25%だったのに対し、2030年には約70%まで高まると見込んでいます。(LinkedIn)
この変化が厄介なのは、努力家ほど見誤りやすい点です。Ryan Roslansky氏は、構造変化の局面では高パフォーマーほど今の役割でさらに頑張り、結果として「作り替えられつつあるはしごの段」を完璧にしてしまうと指摘します。だから今は、成果を増やすことと、将来の伸びしろを育てることを分けて考える必要があります。キャリアははしごではなく、登るルートを自分で選ぶクライミングウォールに近づいています。(LinkedIn)
まずは仕事を「AIに任せる」「AIと進める」「人が担う」に分ける
AI後の価値の出し方を考えるとき、最初にやるべきは抽象論ではありません。先週やった仕事を分解し、どこがすでにAIで短縮できるのかを可視化することです。LinkedInは、仕事を大きく3つに分けて考えるのが有効だと示しています。(LinkedIn)
| 分類 | 典型例 | ここで必要な力 | 取るべき行動 |
|---|---|---|---|
| AIに任せやすい仕事 | 要約、一次調査、定型文作成、議事録整理、既知パターンの分析 | ツール選定、指示の明確化、品質確認 | すぐ自動化候補にする |
| AIと進める仕事 | 企画の叩き台、資料構成、コード下書き、比較表作成、候補案の洗い出し | プロンプト設計、レビュー、前提条件の追加 | 協働前提で手順を作る |
| 人が担うべき仕事 | 優先順位づけ、利害調整、顧客の本音把握、例外判断、方向性の決定、信頼構築 | 判断、文脈理解、交渉、説明責任 | 浮いた時間をここへ振り向ける |
特に見落としやすいのが3つ目の領域です。LinkedInは、人に残る仕事として、曖昧な状況で方向を決めること、利害の違う相手の間で折り合いをつけること、何をやらないかを決めること、現場の空気を読むこと、顧客が本当に困っている点を理解することを挙げています。これは管理職だけの話ではありません。医師、技術者、マネージャー、教師など、あらゆる仕事に存在する「人間の解像度」が対象です。(LinkedIn)
15分でできる棚卸し
- 先週やった仕事を、大小問わず15個書き出します。
- それぞれに「AIに任せる」「AIと進める」「人が担う」のラベルを付けます。
- 「AIに任せる」が多いのに、今も全部を手作業でやっている部分を3つ選びます。
- 浮いた時間を何に使うかを、先に予定表へ入れます。ここを決めないと、余白は会議と雑務で消えます。
AI後の価値の出し方は「時短の先」にある
LinkedInが強調しているのは、AIで生まれた余白を単純増産に使うか、価値の高い仕事へ再投資するかで、見た目は同じでも数か月後・数年後の差が大きくなるという点です。要するに、AIで速くなること自体では差はつきません。何を深めるために速くなったのかで差がつきます。(LinkedIn)
たとえば、実務では次のような再投資が考えられます。
| 職種 | AIで短くなる作業 | 再投資先 | 出やすい価値 |
|---|---|---|---|
| 営業 | 企業調査、メール下書き、商談メモ整理 | 意思決定者の利害整理、提案シナリオ設計、関係構築 | 大型案件化、失注理由の減少 |
| マーケティング | 記事下書き、競合要約、レポート整形 | 仮説設計、顧客インタビュー、訴求の切り分け | 企画精度向上、再現性 |
| バックオフィス | 文書作成、FAQ回答、定型集計 | 例外処理、ルール改善、部門間調整 | 手戻り削減、品質安定 |
| エンジニア・PM | コード雛形、仕様ドラフト、論点整理 | 問題設定、優先順位判断、ユーザー影響の検証 | 無駄開発の削減、意思決定の質向上 |
LinkedInが紹介したJonetta Gresham氏の例も象徴的です。看護師からプロジェクトマネージャーへ転じた彼女は、AIで履歴書を役割に合わせて整理し、さらに学習時には自分の話し方や理解しやすい比喩に合わせて説明させることで、単なる省力化ではなく「次の仕事に進むための学び」に時間を使えるようになりました。ここで重要なのは、AIを敵ではなく、学習を前に進める相棒に変えた点です。(LinkedIn News)
失敗しやすいのは、浮いた時間を追加タスクで埋めてしまうことです。会議数だけ増える、AIの出力をそのまま量産する、レビューや顧客理解の時間がむしろ減る。この状態では「速くなった」だけで、「価値が増えた」とは言えません。AI導入後に見るべき指標は、処理件数だけでなく、手戻りの減少、意思決定の速さ、提案の質、顧客理解の深さです。(LinkedIn)
生成AI時代に人が磨くべき部分
LinkedInの2026年版「Skills on the Rise」では、伸びているのはAI関連スキルだけではありません。Cross-Functional Collaboration、Team Management、Mentorship、Executive & Stakeholder Communication などの人間系スキルが重要視される一方で、Prompt Engineering、Large Language Models、AI Business Strategy なども伸びています。加えて、LinkedInは2025年の別の公式発信で、AIリテラシー自体が最も伸びているスキルで、前年比で倍増したと説明しています。(LinkedIn News)
さらに2026年のLinkedInデータでは、米国でAIリテラシーを求める職種が前年比70%増、世界では75%の企業がAI時代に人間的スキルの重要性が増したと答えています。必要なのは「AIを使える人」か「人間味のある人」かの二択ではなく、その両方です。(LinkedIn News)
実務で優先して磨くなら、次の4領域が外しにくいです。
| 磨く領域 | 具体的に何を指すか | なぜ今重要か | 明日からの実践 |
|---|---|---|---|
| AIリテラシー | 何をAIに任せるかの判断、プロンプト設計、出力検証、リスク理解 | すでに基礎スキル化が始まっている | 毎日1業務だけAIで置き換え、結果を記録する |
| 判断力 | 優先順位づけ、例外対応、何をやらないかを決める力 | 自動化が進むほど差が出る | 重要案件ごとに「判断理由」を1行で残す |
| 文脈化力 | 顧客背景、社内事情、過去経緯を踏まえて出力を調整する力 | AIは一般論は強いが固有文脈は弱い | AIに依頼するとき、目的・相手・制約を必ず添える |
| 対人影響力 | ステークホルダー調整、説明、信頼形成、育成 | 人間系スキルの需要が上がっている | 会議では報告だけで終わらず、意思決定論点を1つ前に出す |
ここでよくある誤解は、「まずAIの小技を覚えて、その後で人間力を磨けばいい」という順番です。実際は逆で、AIを使うほど、何を任せて何を自分で引き受けるかの判断が必要になります。だからAI活用と人間の強みは、並行して磨く方が伸びやすいです。
個人努力だけでは限界がある 組織が変えるべき3つのこと
LinkedInの元記事が良いのは、この変化を自己責任論で終わらせていない点です。AI後の転換には、時間、金銭的な余裕、デジタルアクセス、試行錯誤できる安定が必要で、機会は均等ではないと明言しています。だから企業やマネージャーは、AI導入と同時に、学ぶ時間と試す余白を設計する必要があります。(LinkedIn)
実際、Microsoft WorkLabで紹介されたRyan氏の説明では、LinkedInは仕事そのものを軸に編成する「work chart」を試し、AIで何を作れたかを見せてもらう “builder” という職種の採用も進めています。またLinkedInの2026年データでは、学位や肩書きよりスキルを優先する組織で、AI人材パイプラインが8.2倍に伸びたとされています。AI時代の評価は、肩書きの延長ではなく、再設計した仕事で何を生み出せるかへ動いています。(Microsoft)
組織としては、少なくとも次の3つを見直す価値があります。
- 学習を「業務外の自主努力」にしない
30分でもいいので、業務時間内にAI実験枠を確保する方が定着します。 - 評価を処理量だけに寄せない
AI導入後も件数だけを見ると、判断・調整・改善に時間を使う人が損をします。 - 肩書きよりも proof of work を見る
資格や経歴は参考になりますが、これからは「AIを使って何を改善したか」を示せる人が強くなります。
今日からできる90分の実践プラン
難しく考えなくて大丈夫です。まずは1週間、次の流れだけ試してください。
- 20分
先週の仕事を15個書き出します。メール返信、会議準備、調査、資料作成など細かい単位で十分です。 - 20分
15個を「AIに任せる」「AIと進める」「人が担う」に分けます。 - 20分
「AIに任せる」から3つ選び、実際に生成AIで置き換えてみます。完璧を目指さず、60点でいいので試します。 - 20分
浮いた時間を使う先を1つだけ決めます。顧客ヒアリング、論点整理、優先順位見直し、上司や関係者とのすり合わせなど、判断が要る仕事が最優先です。 - 10分
1週間後に振り返ります。見るべきなのは「AIを何回使ったか」ではなく、「どの判断が速くなったか」「どの手戻りが減ったか」「どの提案が具体化したか」です。
まとめ
LinkedInが語るAI時代の新しい仕事の計算式は、AIで仕事が消えるかを数える話ではありません。AIで浮いた時間を、判断、文脈、関係性、意思決定にどれだけ再投資できるかを問う話です。仕事を3つに分け、AIに任せる部分を増やし、人にしか難しい部分へ時間を移す。まずはそこから始めるのが最短です。(LinkedIn)
明日やるべきことは1つです。先週の仕事を棚卸しし、「AIで短縮する作業」を3つ、「その時間で深める判断業務」を1つ決めてください。その1歩が、AI時代に仕事の価値を落とさず、むしろ伸ばす現実的なスタートになります。
コメント