
AIで「下積み」がなくなったとき、若手はどう育つのか
生成AIは、経験の浅いエンジニアにとって、かなり強い道具になり始めています。
Microsoft、Accenture、Fortune 100企業の開発者4,867人を対象にしたフィールド実験では、AIコーディング支援を利用したグループの完了タスク数が平均26.08%増えました。さらに、経験の浅い開発者ほど導入率が高く、生産性向上も大きい傾向が報告されています。
IT以外でも似た結果があります。
5,179人のカスタマーサポート担当者を対象にした研究では、生成AI支援によって生産性が平均14%向上し、経験の浅い、またはスキルの低い層では34%の改善が確認されました。
これだけを見ると、AI時代の若手育成は、以前より簡単になるようにも思えます。
分からないコードを説明してもらい、実装案を出してもらう。エラーの原因候補を整理し、テストケースを作ってもらうこともできます。
これまで数年かけて触れてきた知識へ、若手が早い段階からアクセスできる可能性があります。
これは、育成にとって大きなメリットです。
ただ、若手が以前より早く成果を出せるようになれば、熟練するまでの時間も同じように短くなるのでしょうか。
ここには、少し別の問題があります。
仕事を完成させられることと、その仕事を自分で判断できることは、同じではないからです。
さらに、AIや自動化によって、これまで若手が最初に担当してきた仕事が減っていくなら、将来、設計や判断を担う人はどこで実務経験を積むのでしょうか。
本記事でいう「下積み」は、長時間労働や雑用、苦労を指しているわけではありません。
経験の浅い人が、比較的リスクの低い仕事から実務へ入り、失敗、修正、質問、レビューを重ねながら、少しずつ判断できる範囲を広げていく過程のことです。
AIは若手を「早くできる人」にするかもしれない
経験の浅い人ほどAIの恩恵を受けやすいという結果は、若手育成を考える上で重要です。
AIは、熟練者が持っている知識や判断パターンの一部を、経験の浅い人へ早く届けられるからです。
分からない技術用語をその場で確認する。既存コードを説明してもらう。実装方法を複数出してもらい、エラーの原因候補を整理する。
以前なら、先輩を探したり、ドキュメントや検索結果をいくつも読み比べたりしていたことへ、短時間で到達できるようになります。
これは、「若手が育たなくなる」という話とは逆方向の変化です。
AIによって経験差の一部が埋まり、早い段階から実務へ参加できる可能性があります。
だから、若手育成のためにAIを遠ざけるという結論にはなりません。
むしろ、AIを使えること自体が、これからの実務能力の一部になっていくでしょう。
ただ、ここで区別しておきたいことがあります。
早く成果を出せるようになることと、早く熟練者になることは同じなのか。
という問題です。
「できる」と「身につく」は同じではない
生成AIを使ったプログラミング学習でも、この違いを考えさせられる結果が出ています。
2025年の小規模な実験では、生成AIに完成した解答を作らせることで、特に初心者の課題遂行成績は上がりました。
一方で、課題を完了できたことが一貫した知識獲得にはつながらず、初心者ほど完成解へ依存する傾向が確認されています。
つまり、
仕事を終えられる
≠
内容を理解している
≠
次の未知の問題でも判断できる
ということです。
ただし、ここでも「AIを使うと学べない」と単純化はできません。
別の研究では、AIコード生成を使った初心者の課題遂行能力が高まり、その後の手作業課題で明確な悪化は確認されなかった例もあります。
また、成人向けPython教育では、ChatGPTを組み込んだ短期学習によって、プログラミング未経験者と経験者の初期の成績差が縮まった例も報告されています。
AIは、学習を妨げる道具にも、学習を速める道具にもなり得ます。
違いを生むのは、
AIを使うかどうかではなく、AIを使って何を経験させるか。
なのではないでしょうか。
AIは、答えだけでなく「途中」も短縮する
AIが変えるのは、答えへ到達する速度だけではありません。
これまで答えへ到達する途中にあった作業も短くします。
以前なら、
分からない
↓
検索する
↓
複数の資料を読む
↓
違いを比較する
↓
仮説を立てる
↓
試す
↓
失敗する
↓
原因を考える
↓
先輩へ質問する
↓
修正する
という過程を通っていたかもしれません。
生成AIを使えば、
分からない
↓
AIへ聞く
↓
もっともらしい回答が出る
までを、かなり短くできます。
業務効率としては、望ましいことです。
検索方法を知らずに30分迷う。書式を整えるだけで時間を使う。同じ定型コードを何度も書く。単純な転記を繰り返す。
こうした負荷を残しておく理由はありません。
一方で、従来の「途中」には、学習につながる経験も混ざっていました。
なぜこの方法では動かないのかを考える。二つの方法を比較する。エラーメッセージから原因を推測する。自分の仮説が外れ、先輩から「なぜそう判断したのか」と聞かれる。
修正したあとに、自分が何を誤解していたのかを理解する。
AIは結果を得るまでの時間を短くする一方で、理解へ至る途中に存在していた摩擦の一部も取り除く可能性があります。
だからといって、その摩擦を全部残す必要はありません。
問題は、どの摩擦を消し、どの経験を別の形で残すかです。
残すべきなのは「苦労」ではなく、学習につながる負荷
昔の方が仕事は大変だった。
だから昔の方が人は育った。
その話へ戻る必要はありません。
データ転記を100回経験したからといって、判断力が100倍になるわけではありません。
Excelの書式を何時間も直す。同じ定型文を何度も手入力する。コピー&ペーストを繰り返す。必要な情報が見つからず、社内を何時間も探す。
こうした作業は、AIや自動化で減らしてよいはずです。
一方で、自分で仮説を立て、複数案を比較する。根拠を確認し、失敗の原因を考える。判断理由を説明し、レビューを受ける。
実際の制約の中で決める経験には、技能形成につながる部分があります。
整理すると、次のように考えられます。

これは教育学上の正式な分類ではなく、AI時代の育成を考えるための実務上の整理です。
必要なのは、苦労を残すことではなく、学習につながる負荷だけを残すことです。
学べる情報が増えることと、判断した経験が増えることは違う
現在は、知識そのものへアクセスすることが、以前より簡単になっています。
技術書、動画、オンライン講座、eラーニング、資格学習、そして生成AI。
知りたいことを調べる手段は増えました。
一方、仕事の中で身につく技能には、知識を知るだけでは得にくいものがあります。
OECDは成人学習を、formal learning、non-formal learning、informal learningなどに分けて捉えており、職場で同僚から学んだり、実際の仕事を通して学んだりすることも重要な学習として扱っています。
2025年のOECD調査では、加盟国平均で働く人の28%が、毎日「learning by doing」を行っていると回答しています。
職場そのものが、学習環境になっているわけです。
たとえば、本番システムの変更を考えてみます。
夜間作業で、関係者が待機している。予定時間を超え始め、手順書にない警告が出た。ただし、システムそのものは動いている。
このまま変更を続けるのか。
いったん止めるのか。
ロールバックするのか。
AIへ警告メッセージを渡せば、意味や原因候補は説明してくれるでしょう。
でも、顧客業務への影響、変更の可逆性、残りの作業時間、周辺システム、過去の経緯、現在の監視状態、関係者との合意まで含めて、「今回は進む」と判断し、その結果を引き受ける経験は別です。
警告メッセージの意味をAIへ聞くことと、その状況で本番作業を続けるか決めることは、同じ仕事ではありません。
学べる情報が増えることと、現実の制約下で判断した経験が増えることには、距離があります。
上流人材だけ欲しい。でも、その人はどこから生まれるのか
企業が求めるIT人材を並べると、顧客と話せる、要件を整理できる、設計できる、リスクを判断できる、プロジェクトをリードできる、といった能力がよく挙がります。
AI時代には、こうした能力の重要性がさらに高まるかもしれません。
ただ、その人たちは最初から設計や判断ができたわけではありません。
従来のキャリアをかなり単純化すれば、
決められた作業
↓
定型業務
↓
小さな例外判断
↓
部分的な設計
↓
顧客要件の整理
↓
全体の設計・判断
というように、責任範囲を少しずつ広げてきました。
実装、テスト、運用、問い合わせ、障害調査、小さな変更。
こうした仕事を経験しながら、「なぜそうするのか」を覚えていきます。
もし生成AIによって最初の一、二段が大きく効率化されたら、どうなるでしょうか。
AI・自動化
↓
初級作業が減る
?
↓
小さな判断
↓
部分設計
↓
高度な判断
もちろん、AIによって若手向けの仕事が大幅に消えていると、現時点で一律に断定できるわけではありません。
AIの生産性効果も、タスクや経験、対象コードベース、品質要求などによって異なります。
この記事で考えたいのは、仕事が消えるという予測ではありません。
初級タスクが減った場合、その仕事に含まれていた育成機能を、何で代替するのか。
という問題です。
企業が「判断できる人材」を必要とするなら、判断する経験をどこかで用意しなければなりません。
経験量から、経験密度へ
では、若手にもっと多く働いてもらえばよいのでしょうか。
そうではありません。
大量の仕事へ長時間触れていたことで、結果として経験機会が増えていた時代はあったかもしれません。
しかし、経験を増やすために長時間労働へ戻ることは、育成方法とは言えません。
AIや自動化で不要になる仕事は減らす。
労働時間も増やさない。
その代わり、一つの仕事から得られる経験を濃くする。
ここで重要になるのが、
経験量から、経験密度へ。
という考え方です。
たとえば、若手が10件の定型テストを実行する代わりに、AIが作ったテストケースをレビューする。
何が不足しているかを考え、異常系を追加する。なぜそのケースが必要なのかを説明し、不具合が見つかったら再現条件を整理する。
その内容を、有識者からレビューしてもらう。
作業数は減っていても、仕様理解、比較、仮説、判断、説明、レビューという経験は増やせます。
1日を長くするのではなく、同じ1日の中に含まれる判断経験を増やす。
AI時代の育成では、こちらの方が重要になるのではないでしょうか。
これから必要なのは「仕事」ではなく「経験」を設計すること
従来のOJTでは、仕事があることと育成機会があることが、ある程度重なっていました。
若手向けの仕事が来て、担当する。分からなければ質問し、失敗し、レビューを受ける。次は少し難しい仕事を任される。
仕事そのものの中に、育成の階段が含まれていたわけです。
初級タスクが減るなら、その階段を偶然に任せにくくなります。
そこで企業側が、
どの経験を、どの順番で、どの責任範囲で経験させるのか。
を考える必要があります。
この記事では、それを「経験設計」と呼びます。
育成のために不要な仕事を残すのではありません。
その仕事が、どんな学習機能を持っていたのかを分解し、別の方法で用意します。
AIの答えを、若手の教材に変える
一つは、AIを回答装置としてだけ使わないことです。
たとえば、若手が障害原因を調査するとします。
すぐAIへ質問し、返ってきた回答をそのまま使うのではなく、
まず自分の仮説を出す
AIへ質問する
AIの回答と自分の仮説を比較する
根拠を確認する
採用する案と却下する案を決める
判断理由を説明する
有識者からレビューを受ける
という流れにする。
これは、確立済みの唯一の教育手法という意味ではありません。
AIを実務へ入れながら、本人に判断経験を残す一つの方法です。
大切なのは、AIの答えを隠すことではなく、AIの答えを教材に変えること。
です。
AIが間違っていれば、なぜ間違っているのかを探せます。
正しそうなら、なぜ正しいと判断したのかを説明できます。
自分では思いつかなかった案なら、どの前提が違ったのかを比較できます。
AIを使うことで、「考えなくてよくなる」のではなく、比較対象を増やすこともできます。
答えではなく、「なぜ」を説明してもらう
若手育成では、成果物だけを見るとAI依存との区別が難しくなります。
コードが動いている。資料が完成している。回答が正しい。
それだけでは、本人がどこまで理解しているか分かりません。
そこで、なぜその方法を選んだのか、何を根拠にしたのかを確認します。
ほかにどんな案があり、AIの提案を採用したのはなぜか。却下した案を使わなかった理由や、考えたリスクについても説明してもらいます。
正解を出せるかだけでなく、正解だと判断した理由を説明できるかを見る。
ディーシステムの運用ナレッジでも、手順そのものだけではなく、ProcedureDetails、ReasonWhy、RiskLevelといった形で、「何をするか」に加えて「なぜ行うのか」「何が危険なのか」を残す考え方があります。
AIが「何をするか」を簡単に提示できるようになるほど、育成では「なぜそうするのか」を扱う意味が大きくなります。
判断責任の半径を、少しずつ広げる
もう一つ必要なのは、仕事の難易度だけでなく、判断責任を段階的に広げることです。
いきなり重要な本番判断を任せる必要はありません。
たとえば、
見学
↓
補助
↓
一部の作業を担当
↓
自分で判断案を出す
↓
有識者レビューの下で担当
↓
主担当
というように進められます。
最初は、正解を決める責任を有識者が持つ。
次は、若手に案を出してもらう。
その次は、一定の範囲なら本人に決めてもらう。
経験が増えれば、判断できる範囲を広げます。
育成とは、難しい仕事を突然任せることではなく、本人が責任を持つ判断範囲を段階的に広げることです。
仕事を任せる量より、「どこまで自分で決めたか」を見る方が、AI時代の経験を考える上では重要になるかもしれません。
有識者は「答えを出す人」から「判断基準を渡す人」へ
ディーシステムのSAP・ERP運用でも、これに近い構造があります。
この事例自体は、AIを使った若手育成制度ではありません。
元顧客でSAP・ERP運用に携わっていた有識者を、定年退職後にディーシステムが雇用し、新しい運用体制への知識継承を支援している事例です。
ディーシステム側にもSAP・運用に詳しいリーダーがおり、若手を含むチームで運用しています。
特徴的なのは、有識者が若手の代わりにすべての仕事を処理しているわけではないことです。
若手が実務を行い、分からないことは質問する。有識者は過去の経緯を説明し、若手が考えた対応をレビューする。必要な場面では、判断を支援します。
実際のチームでは、若手が有識者へ気軽に質問し、有識者も若手の意見を尊重しながら、対応内容を確認しています。
本人が若手の成長を喜んでいる様子も確認されています。
ここで有識者が仕事を全部引き取ってしまえば、目の前の処理は速くなるかもしれませんが、若手には経験が残りません。
反対に、若手だけへ任せればリスクがあります。
だから、若手が実務を担い、有識者は、背景、判断理由、例外、レビューを支えるという役割に分けています。
経験者の価値は、自分が全部できることだけではなく、若手が判断できる範囲を広げることにもあります。
AI時代には、ここへさらにAIが加わる可能性があります。
AI
検索・候補・生成
↓
若手
仮説・選択・実行・説明
↓
有識者
背景・レビュー・判断基準
↓
若手が判断できる範囲を広げる
AIが情報検索や候補生成を担えば、有識者が一からすべてを説明する時間も減らせるかもしれません。
そこで空いた時間を、有識者自身が処理することではなく、若手の判断をレビューし、経験を言語化して渡すことへ使う。
これは、今後の一つの育成モデルになり得ます。
AI時代の育成では、「仕事を与える」より「経験を設計する」
AIによって、若手が以前より早く答えへたどり着けるようになる。
それ自体は、悪いことではありません。
経験の浅い開発者や担当者ほど大きな生産性効果を得た研究があるように、AIは、若手が早く実務へ参加するための強い支援になり得ます。
学習そのものを速められる可能性もあります。
ただし、早く答えへたどり着けること、成果物を完成させられること、未知の状況で自分で判断できることは同じではありません。
だから、AIによって不要になった仕事を、育成のためだけに残す必要はありません。
単純作業は減らしてよい。
無意味な手戻りも減らしてよい。
長時間労働へ戻る必要もなく、AIを禁止する必要もありません。
その代わり、仮説を立て、比較し、根拠を確認する。間違えて修正し、判断理由を説明して、レビューを受ける。
現実の制約の中で決める経験を、仕事の中へ意図的に組み込む必要があります。
これまで企業は、「仕事を渡せば、その中で人は育つ」と考えることができました。
AIによって仕事の構成が変わるなら、これからは、誰に、どの仕事を渡すかだけではなく、誰に、どの経験をさせるか。
そこまで考える必要があります。
マナビDX Questでも、企業の実課題や実データに基づくケーススタディを通じて、問いや仮説を立てながら課題解決のプロセスを経験するPBL型の学習が採用されています。
知識を与えるだけでなく、実践の中で考える経験を設計する一例です。
AI時代の育成で重要になるのも、似た方向ではないでしょうか。
なくなった下積み仕事を復活させるのではない。
その仕事の中に偶然入っていた学習機会を見つけ、もっと短く、もっと意図的に若手へ渡す。
長く働かせるのではなく、一つの仕事から得られる判断、比較、説明、レビューの量を増やす。
AI時代の若手育成で増やすべきなのは、労働時間ではなく「経験密度」なのかもしれません。
参考資料
Microsoft Research|The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers
NBER|Generative AI at Work
https://www.nber.org/papers/w31161
NBER|Measuring the Productivity Impact of Generative AI
https://www.nber.org/digest/20236/measuring-productivity-impact-generative-ai
Kazemitabaar et al.|Studying the effect of AI Code Generators on Supporting Novice Learners in Introductory Programming
https://arxiv.org/abs/2302.07427
Chen et al.|Examining the Usage of Generative AI Models in Student Learning Activities for Software Programming
https://arxiv.org/abs/2511.13271
McCulloh et al.|Generative AI in Computer Science Education: Accelerating Python Learning with ChatGPT
https://arxiv.org/abs/2505.20329
OECD|Trends in Adult Learning
https://www.oecd.org/en/publications/trends-in-adult-learning_ec0624a6-en.html
OECD|Where, what and how are adults learning?
IPA|マナビDX Quest
https://dxq.manabi-dx.ipa.go.jp/
次に読む記事
AIが「作る」時代に、人は何を設計するのか
AIによって実装や資料作成の一部が速くなるほど、人に残る仕事は何か。
成果物を作ることではなく、要件、判断基準、評価方法、責任範囲をどう設計するのかという視点から、AI時代の仕事を考えます。
若手の最初の仕事は、将来の何につながるのか
AI以前から、テスト、データ確認、問い合わせ対応などの初期業務には、単なる作業以上の育成機能がありました。
一見地味に見える仕事の中で、確認、比較、判断、報告の力が、その後の設計や顧客対応へどうつながるのかを考えます。
実際に、経験者の判断を若手へどう渡しているのか
SAP・ERP運用では、経験者が若手の代わりにすべてを処理するのではなく、背景や判断理由、例外を伝えながら実務を支える体制があります。
若手が仕事を担い、有識者がレビューと判断基準を渡す。この記事で述べた「経験を設計する」を、実際の運用体制から紹介します。