AI時代のキャリア形成では、長期目標を持ちながら、その目標へ進む方法を更新する姿勢が役立ちます。何年後にどの役職に就くかだけを決めても、その間に仕事の分担や採用の条件が変われば、想定した経験を積めない可能性があるからです。
Anthropicの研究者による若手への助言が、キャリアプランのあり方を考える話題になっています。一方、同社は2026年10月16日、社内の雇用とAI活用の変化をまとめた調査を公開しました。研究者の未来像と企業内の観測データは性質が違いますが、重ねて読むことで、いま学ぶべきことを具体的に考えられます。[3]
この記事では、講演者本人の別講演の公開記録と公式調査をもとに、学生や若手社員にとっての判断材料を整理します。特定の年までに仕事がなくなるという前提は置きません。
話題の研究者は、Jascha Sohl-Dickstein氏です。
本人の経歴には拡散モデル研究やGoogle Brain、Google DeepMindでの活動が記載され、MITの講演記録でもAnthropic所属として紹介されています。
MITのCenter for Brains, Minds & Machinesが公開する2025年の別講演では、数年でAGIが到来すると考える大学院生が、その一方で従来どおりの博士課程、ポスドク、教員採用という道筋を想定していた、という会話が紹介されています。
同氏はAIツールを使うことや、研究課題の選び方を見直すことも勧めています。
この助言から読み取れるのは、自分が予想する社会の変化を、自分の進路にも反映させる必要があるという問題提起です。
AIが研究を変えると考えるなら、研究計画の立て方や成果の確かめ方も、その変化に合わせて検討する。
これは本記事の解釈であり、AGIの到来時期が確定したという意味ではありません。
たとえば、ある分野の研究に進みたい学生にとって、大学院は知識を得る場所であると同時に、指導を受け、実験設備を使い、研究仲間を作る環境にもなります。
AIで論文を読みやすくなったとしても、これらを同じ条件で代替できるとは限りません。
進路を考える際は、得たいものを分けると整理できます。資格が必要なのか、現場経験を積みたいのか、研究時間を確保したいのか。
その目的に対して、学校、就職、個人制作とAI活用をどう組み合わせるかを考える方が、刺激的な言葉だけで判断するより具体的です。
Anthropicの公式調査では、技術職採用に占めるジュニアの割合が27％から9％へ低下しました。
技術部門の社員に占めるジュニアの割合も、2025年初頭以降に21％から14％へ下がっています。
二つはそれぞれ、入ってくる人の構成と、在籍する人の構成を示す別の指標です。
以下の表は、公式調査にある数値と、その読み方を整理したものです。
構成比は、分母が変わっても動きます。
仮に採用100人のうち27人だったものが、採用300人のうち27人になれば、人数が同じでも割合は9％です。
これは計算例であり、Anthropicの実際の採用人数を示していません。
比率だけから「若手採用が3分の1になった」と言い換えるのは避ける必要があります。
公式調査では、会社の拡大が続き、技術職の採用も絶対数では増えていると説明されています。
ジュニア比率の変化を、そのまま全社的な採用停止や大量解雇と結び付けることはできません。
ただし、入り口となる職務の構成が変わるなら、若手には別の課題が生じます。
これまで初級業務を担当しながら覚えられた判断を、どこで練習するのかという問題です。
企業を選ぶ際も、採用人数だけでなく、レビューの機会や任せてもらえる仕事を確認する意味が増します。
以下は公式調査の数値とは分けた、学習と仕事への応用例です。
AIを取り入れるときは、一つの業務を準備、実行、確認に分け、自分がどこを担当するか決めると試しやすくなります。
たとえば市場調査なら、候補企業の抽出や比較表の下書きをAIに任せられます。そのうえで、人が調査対象の選び方を決め、情報の日付や条件を原典で照合する。
表が整っていても、対象企業が偏っていれば結論が変わるため、見た目の完成度と調査の妥当性を別に評価します。
プログラミングを学ぶ場合も、動くコードを得る工程と、なぜ動くか説明できる工程は分けておくと役立ちます。
入力の条件を変えたらどうなるか、エラーの原因を絞れるか、外部へ送るデータは何か。
こうした確認を自分で行えば、生成結果を受け取るだけで終わりません。
就職や転職に使う制作物では、完成品と併せて、目的、採用した案、却下した案、検証結果を残す方法が考えられます。
面接で説明するときも、AIを使った箇所と自分が判断した箇所を明確にできます。
たとえば集客ページなら、作った速度だけでなく、誰に向けて何を伝えようとしたか、なぜその構成にしたか、公開前に何を確かめたかを示す。
制作の途中にある選択を説明できれば、別の課題に取り組むときの考え方も伝わります。
専門知識は、この確認の土台になります。
AIに質問する能力だけを切り離して鍛えるのではなく、学んだ知識を使って出力を点検し、分からなかった部分を学び直す循環を作ると、勉強と制作を結び付けられます。
AIに投入される計算量が増えても、その倍率がそのまま回答品質や代替できる仕事の倍率になるわけではありません。
実際の導入には、データの準備、既存システムとの接続、費用、確認の手間などが関わります。
能力の向上があっても、職場で使える条件が整うまで時間がかかる場合があります。
また、調査にある「AIの稼働時間が人の6倍」は、成果や人員換算の指標ではありません。
AI側は推論やツールの実行時間、人側は人数に週40時間を掛けた推計で、測り方が異なります。
この数値から「社員の6倍の仕事をこなした」「6人分の人件費を削減できた」とは判断できません。
予測を読むときは、何が増えるのかを先に確認すると誤解を減らせます。
計算資源なのか、正答率なのか、処理件数なのか。さらに、その変化が自分の希望する職務のどの工程に関係するかを考えて初めて、進路の材料になります。
AnthropicはAIを開発し、自社の仕事にも深く組み込む企業です。
一般企業とは、利用環境も業務構成も違います。
同社の調査だけで、すべての業種や地域で同じ採用変化が起きるとは結論できません。
希望する企業では、公開されている求人票や説明会の内容を確認し、業務の変化を具体的に尋ねる方が有用です。
「AIを導入していますか」だけでなく、「若手は何を担当し、誰からどのようにフィードバックを受けますか」と聞けば、成長できる環境かを見極めやすくなります。
学習でも、AIで完成したことと、自分でできるようになったことを分けて記録しておきましょう。
支援がないと説明できない部分が分かれば、次に学ぶ範囲を絞れます。
不安から学ぶ対象を次々に替えるより、理解の穴を一つずつ埋める方が進捗を確かめやすくなります。
最初に、関心のある職業で解きたい課題を一つ選びます。「マーケティングに進みたい」なら、誰にどんな商品を届けたいのか。
「研究をしたい」なら、何を明らかにしたいのか。役職や肩書きより先に、扱いたい対象を具体化します。
次に、手元の知識とAIで作れる小さな成果物を決めます。
架空の商品向けの調査、公開データの分析、簡単なアプリなど、内容を自分で検証できる範囲が適しています。
会社の情報を扱う場合は、利用できるAIと入力してよい情報を社内ルールで確認してください。
以下は本記事が提案する実践例です。
期間や順番は、自分の学業・業務に合わせて調整できます。
1週目：一つの課題を選び、誰に何を届ければ成功かを書き出す。
2週目：AIを使って試作し、利用箇所と作業時間を記録する。
3週目：根拠や動作を確かめ、可能なら他者の意見をもらう。
4週目：修正した成果物と判断の記録をまとめ、次に学ぶ内容を決める。
作業時間には、指示、出力の確認、修正も含めます。
生成に数分しかかからなくても、確認に長時間かかれば、その工程はまだ改善が必要です。
逆に、以前は作れなかったものを完成できたなら、時間短縮以外の価値も記録できます。
この小さな実践を材料に、次の授業、資格、担当業務、応募先を選び直します。
長期目標は方向を示し、短い実践は現在地を確かめる役割を持たせる。
目標と行動を別の時間幅で管理すれば、変化を待つだけの状態から抜け出しやすくなります。
進路を見直す際は、「その職業は残るか」という問いを、自分が担いたい課題と、そこで学べる経験に分解してみてください。
仕事の名称が同じでも、任される作業や評価される成果が変わることは考えられます。
まずは関心のある分野で、一つの成果物を作り、自分の言葉で説明できるところまで確かめる。
その経験をもとに次の学習や応募を選べば、将来予測に振り回されずにキャリアの判断を更新できます。
.png){kind=logo}
