本記事は EVA Daily の記事 "MIT Researcher: Automating Entry-Level Jobs Is Destroying Talent Pipelines" を起点に、独自の分析・考察を加えて執筆しています。

はじめに── あなたの仕事が消えるのではない。成長する機会が消える。

バグ調査はAIがやる。テスト追加もAIがやる。設計ドキュメントもAIが書く。
では、ジュニアエンジニアはどこで「なぜこの設計は危ないのか」を学ぶのでしょうか。

「AIに仕事を奪われる」──この議論はもう聞き飽きたかもしれません。

しかし本当に怖いのは、仕事を奪われること ではありません。仕事に就けたとしても、成長できなくなること です。

MITの研究者 Andrew McAfee 氏は、企業がAIでエントリーレベル職を自動化することに対し、明確に警告しています。「それは自社のタレントパイプラインを破壊する行為だ」と[1]。

この構造、ソフトウェアエンジニアなら見覚えがあるはずです。技術負債（Technical Debt） とまったく同じパターンだからです。

「今は動いているから大丈夫」── その判断が、数年後に組織を蝕む。

本記事では、この問題を 3つの層 で掘り下げます。

企業の問題 ── ジュニアを雇わない（McAfee氏の警告）
もっと深い問題 ── ジュニアが雇われても育たない（Agent Skillsの浸透）
あなたの問題 ── では、どう経験を積むのか？

1. 「シニアはどこから来るのか？」── MIT研究者の根源的な問い

「なぜジュニアアナリストを3人雇うのか？ AIに雑務をやらせて、シニア1人が監督すればいいじゃないか」

──多くの企業が今まさにこう判断しています。データを見れば、それが単なる印象論ではないことが分かります[1][2]。

指標	数値	出典
エントリーレベル求人の前年比	-2%	Handshake（2026年調査）
パンデミック前比	-12%	Handshake（同上）
大卒者（22-27歳）の失業率	5.6%	米国労働統計局（BLS）
Z世代の AI ツール利用率	76%	Deloitte 2025年調査
AI関連の米国月間雇用影響	推定約16,000件	Goldman Sachs 推計（CNBC報道経由）[3]

Goldman Sachs のデータでは、AIに曝露された職種の20〜30歳層の失業率は2025年初頭から 約3ポイント上昇。労働市場全体の上昇幅の 4倍以上 です[3]。

McAfee 氏の問いはシンプルですが、本質的です：

"How else are people going to learn to do the job except via on-the-job learning?"
（OJT 以外に、いったいどうやって仕事を学ぶというのか？）[1]

ジュニアエンジニア → ドメイン知識の獲得 → 失敗と学習 → 判断力の形成 → シニアエンジニア

この「→」の部分が、まさにエントリーレベル職で培われるものです。AIは分析も調査もコード生成もこなせます。しかし ドメイン知識に基づく判断力 ──「このデータは怪しい」「この設計はスケールしない」「この要件には裏がある」──は、実務経験なしには獲得できません。

企業は「今四半期の人件費」を最適化しながら、「次の10年のリーダーシップパイプライン」を破壊しています。しかも、Z世代は 全世代で最もAI採用率が高い（76%がスタンドアロンAIツールを使用）。つまり AIを最も使いこなせる世代を、AIを理由に締め出している という皮肉な状況です[1]。

Goldman Sachs は「大卒者は回復力が高い」と楽観的な見方も示しています[3]。確かに個人は適応するでしょう。しかし、適応した先は御社ではない。 シニアポストは永遠に外部採用頼みになります。

ここまでなら「企業の問題」です。しかし、本当の問題はもう一段深いところにあります。

2. もっと深い問題── Agent Skills が「経験する機会」そのものを奪う

McAfee 氏の警告は「企業がジュニアを雇わなくなる」という 採用側 の問題でした。しかし筆者は、もう一段深い構造変化が進行していると考えています。それは Agent Skills（AIエージェントスキル）の浸透 です。

Agent Skills とは？
単なるチャット型AIアシスタント（ChatGPT等）ではなく、調査・実装・テスト・レビュー・PR作成までを 一連のタスクとして自律的に計画・実行するAIエージェント機能 を指します。GitHub Copilot Coding Agent、Devin、Claude Code、社内AIワークフローなどがこの方向に急速に進化しています。

「やらせてもらえない」から「やる必要がない」へ

従来のAIツール（ChatGPT、Copilot等）は、あくまで 人間が指示を出し、AIが補助する モデルでした。ジュニアエンジニアは少なくとも「何を聞くか」を考え、出力を評価し、自分の手でコードを書く必要がありました。

しかし Agent Skills の世界では、AIが 自律的にタスクを計画・実行・検証 します。

従来のAI補助:
  人間: 「このバグを調査して」 → AI: 「原因はここです」 → 人間が修正

Agent Skills:
  人間: 「このバグを直して」 → AI: 調査→原因特定→修正→テスト→PR作成
                                   ↑ ジュニアが経験すべき全工程をAIが実行

つまり問題は「企業がジュニアを雇わない」ことだけではありません。ジュニアが雇われたとしても、経験を積む機会そのものがAIに吸い取られる のです。

エンジニアの「経験値テーブル」が書き換わる

RPGに例えるなら、Agent Skills は「経験値をもらえるモンスター」を片っ端から倒してしまうパーティメンバーのようなものです。

従来ジュニアが経験していたこと	Agent Skills 導入後
バグの原因調査（ログを読む、仮説を立てる）	AIが自動で特定・修正
設計ドキュメントの作成	AIが自動生成
コードレビューでの指摘を受ける	AIが事前にlint・修正済み
本番障害の初動対応	AIが検知・対応・報告
「なぜこの設計にしたのか」を先輩に聞く	AIが設計理由ごと生成

これらはすべて、ジュニアエンジニアが 「失敗し、学び、判断力を形成する」ための訓練場 でした。Agent Skills はその訓練場を効率化の名のもとに消し去ります。

筆者が最も懸念しているのは、この 「経験の空洞化」が静かに、しかし不可逆的に進行する ことです。採用を絞る判断は可視化できます。しかし「ジュニアが在籍しているのに成長していない」状況は、数値に表れにくく、気づいた時にはもう手遅れです。

──この「見えないまま進行する」構造。エンジニアなら既視感があるはずです。

3. エンジニアが直感的に分かる構造── これは「人材の技術負債」だ

Ward Cunningham が1992年に提唱した「技術負債」の概念は、短期的な近道が長期的なコストを生む という構造を捉えたものです。ジュニア職の削減と経験の空洞化は、まさにこれと同じ力学で動いています。

技術負債との構造的同型性

	技術負債	人材負債
「借り入れ」の瞬間	テストを書かずにリリース	ジュニアを採用せずにAIで代替
短期的リターン	開発速度の向上、納期遵守	人件費削減、今期の利益
利子の正体	バグ修正コスト、変更困難、属人化	育成断絶、暗黙知の消失、外部採用コスト
返済不能になる閾値	レガシーコードの「もう誰も触れない」状態	シニア全員退職後の「もう誰も教えられない」状態
破産（=全面書き直し）	フルリライト	組織文化の再構築（ほぼ不可能）

「利子」は複利で膨らむ

技術負債と同様に、人材負債の利子も複利です。

Year 0: ジュニア採用を停止 → コスト削減 💰
Year 2: メンターを務める中堅が「教える相手がいない」ため育成スキルが衰退
Year 4: シニアが退職 → 暗黙知が流出、しかし後継者がいない
Year 6: 外部からシニアを採用 → 自社文化・ドメイン知識の習得に2年必要
Year 8: 組織の判断力が低下 → AIの出力を検証できる人材がいない

そして Agent Skills が加えるもう一つの「負債」──

AIが書いたコード   → 動いている → でも誰も「なぜこう書いたか」を知らない
AIが育てた組織     → 回っている → でも誰も「なぜこう判断すべきか」を知らない

技術負債のコードが「動いているけど誰も触れない」状態に陥るように、組織もまた「回っているけど誰も育っていない」状態に陥ります。

なぜエンジニアこそこの問題を語るべきか

エンジニアは技術負債の痛みを 身体的に 知っています。

「テストがないコードに機能追加する恐怖」を知っている
「ドキュメントがない設計を解読する徒労」を知っている
「前任者がいない保守の絶望」を知っている

ジュニア職の削減と経験の空洞化は、組織レベルでまったく同じことを起こしている のです。

──では、この構造は日本にどう当てはまるのでしょうか？実は、日本にはすでに「答え合わせ」が存在します。

4. 日本市場への示唆── 新卒一括採用の転換点

この議論は日本にとって、米国とは異なる形で深刻です。

数字が示す日本の現状

日本の新卒採用市場でも、AIによる構造変化はすでに進行しています[4][5][6]：

指標	数値	出典
AI導入で採用戦略を見直した企業	約9割	アカリク調査（2025年、生成AI導入企業対象）
採用人数が「減少傾向」と回答した企業	約6割	同上
2026年卒の新卒採用充足率	69.7%（過去最低・4年連続減）	マイナビ（2025年11月調査）
AI進化でオフィス系新卒求人が消失する予測	最大50%（試算値）	ビジネス+IT

NTTドコモ、キリンHD、ソフトバンクなど大手がAI選考を本格運用し、学生側もES作成・模擬面接でのAI活用が一般化しています。

なぜ日本は米国より脆弱なのか── 「新卒一括採用」という構造的依存

米国のジョブ型雇用では、エントリーレベル職はあくまで「最初のポジション」です。労働者は転職を通じてキャリアを構築し、企業も中途採用で人材を補充できます。

一方、日本の伝統的モデルはこうです：

新卒一括採用 → 配属 → OJT（2-3年）→ ジョブローテーション → 管理職
     ↑                                                    ↓
     └──────── この全体が「一本のパイプライン」 ────────────┘

このパイプラインの 入口（新卒採用）を絞ると、途中のOJTも、出口の管理職候補も、すべてが連鎖的に干上がる 構造です。米国のように「途中から中途採用で補充する」文化が弱い日本では、入口の破壊はパイプライン全体の破壊を意味します。

日本はすでに「答え合わせ」を経験している── 製造業の2025年問題

実は、日本の製造業はこの「人材パイプライン断絶」をすでに経験しています。

2025年問題──団塊世代の熟練技能者が大量退職し、OJTで受け継がれてきた暗黙知（「勘」「コツ」「例外対応」）が失われる危機です。多くの製造現場で：

「技」を教えられるベテランがいなくなった
マニュアル化できない判断力が消失した
映像記録・VR化・AI活用で必死に補おうとしている──が、追いつかない

これはまさに McAfee 氏が警告している構造と同じです。 そして今、同じことがホワイトカラーの世界で起きようとしています。

米日比較── 構造的リスクの違い

観点	米国	日本
影響を受ける層	エントリーレベル全般	事務系・ルーチン業務の新卒枠
育成モデル	ジョブ型 OJT（転職で補完可能）	新卒一括 → 長期 OJT（代替困難）
パイプライン断絶のリスク	高い	極めて高い（入口=唯一の供給源）
Z世代の AI リテラシー	76%がAIツール利用	ES・就活でのAI活用が急増
先行事例	──	製造業の2025年問題（暗黙知消失）

技術負債のメタファーで言えば、日本の新卒一括採用モデルは 「テストもドキュメントもない巨大なモノリシックアプリケーション」 に相当します。リファクタリング（採用モデルの再設計）なしに一部を削除すれば、全体が壊れます。

もちろん、日本には「若手を育成する制度的慣性」──研修制度、メンター制度、解雇規制による雇用安定──もあります。問題が「即時の雇用消失」として表れるのではなく、「配属後の経験空洞化」として静かに進行する のが日本型の危険です。見えにくいぶん、対処が遅れやすい。

──問題の深刻さは十分に伝わったはずです。では、この時代をどう生き抜くか。

5. 経験を積めない時代に、どう経験を積むか？

ここまでの議論を整理します。

第1の壁: 企業がジュニアを雇わない          ← McAfee氏の警告
第2の壁: 雇われても経験を積めない          ← Agent Skillsの浸透
第3の壁: 経験なしにはシニアになれない      ← 構造的に不変

嘆いていても解決しません。AIが訓練場を奪うなら、自分で訓練場を作る しかない。

📌 戦略1: 「AIの出力を疑う」を習慣にする

Agent Skills がコードを自動生成する時代に、最も価値のある経験は 「それが本当に正しいか判断する力」 です。

❌ AIが生成したPRをそのままマージする
✅ AIが生成したPRを「なぜこの設計にしたのか？」と問い直す

具体的には：

AIが生成したコードの 設計意図を自分の言葉で説明できるか テストする
AIの提案を あえて別のアプローチで実装してみて 、どちらが優れているか比較する
AIが「動くコード」を出した時に 「なぜ動くのか」をドキュメントに書く 習慣をつける

これは「AIを使うスキル」ではなく 「AIの判断を上書きできるスキル」 であり、まさにシニアエンジニアの仕事そのものです。

📌 戦略2: 「失敗できる場所」を意図的に確保する

業務でAIが失敗の機会を奪うなら、業務外で失敗の機会を自ら作る 必要があります。

訓練場	得られる経験	なぜAIに奪われないか
OSSコントリビューション	他人のコードを読む力、設計思想の理解	文脈理解が必要、AIだけでは完結しない
個人プロジェクト（AIなしで）	ゼロからの設計判断、泥臭いデバッグ	意図的にAIを外すことで生の経験を得る
障害対応の振り返り参加	本番環境の複雑さ、判断の連鎖	暗黙知の塊、リアルタイム判断が必要
技術記事の執筆	理解の言語化、知識の構造化	「なぜ」を説明する行為はAIに代替困難
勉強会での登壇・質疑応答	想定外の質問への対応、即興的思考	対人・即興はAIの外側

特に 「AIをあえて使わない時間」 を設けることが重要です。筋トレで補助器具を外すのと同じで、自力で負荷をかけなければ筋力はつきません。

📌 戦略3: 「AIの限界」が露出する仕事を選ぶ

すべての仕事が等しくAIに代替されるわけではありません。AIが完全に代替しにくいのは、正解がコード内に閉じておらず、利害・責任・文脈・リスク許容度を含む判断 です。こうした領域に意図的にポジションを取ることで、経験の機会を確保できます。

AIが得意なこと（＝経験が積みにくくなる領域）:
  → 定型的なコード生成、データ分析、ドキュメント作成

AIが代替しにくいこと（＝経験が積める領域）:
  → ステークホルダーとの要件交渉（利害調整）
  → レガシーシステムの移行判断（「何を捨てるか」の責任を伴う意思決定）
  → チーム間の技術的コンフリクトの調整（人間関係と技術の交差点）
  → 本番障害時の優先順位判断（不完全な情報下でのリスク判断）
  → 「この機能は作らない」という判断（ビジネス文脈の理解）

📌 戦略4: 「育成する側」に早く回る

McAfee 氏の警告は、裏を返せば 「育成できる人材の価値が急騰する」 ことを意味します。

ジュニアを育てるスキル──メンタリング、コードレビュー、設計判断の言語化──は、AIには代替できません。そして 「教える」行為自体が最も深い学びになる という事実は、AI時代でも変わりません。

経験年数に関わらず、今日から始められることがあります：

後輩のPRに 「なぜ」を問うコメント を書く
自分の設計判断を ADR（Architecture Decision Record） として残す
チーム内で 「AIの出力をレビューする場」 を提案する（詳しくは次章）

6. 人材負債を「増やさない」AIの使い方── 組織とチームの実践

ここまでは個人の戦略でした。しかし人材負債は 組織の問題 です。AIを「人を減らすツール」ではなく「人を育てるツール」として使えば、負債を増やさずに済みます。

❌ 人材負債を増やすAIの使い方

目的:  人件費削減・効率化
方法:  ジュニアがやっていたタスクをAIに置き換える
結果:  ジュニア不要 → 採用削減 → パイプライン断絶

これが McAfee 氏が警告している「デフォルトの使い方」です。AIを 人間の代替（Replacement） として導入するパターンです。

✅ 人材負債を増やさないAIの使い方

目的:  育成の加速・判断力の早期獲得
方法:  ジュニアの「雑務」をAIが引き受け、浮いた時間で「判断」を経験させる
結果:  ジュニアの成長加速 → パイプライン強化

AIを 人間の増幅（Amplification） として使うパターンです。具体的には、

📌 実践1: 「AIにやらせる／自分でやる」を意図的に分ける

すべてをAIに任せるのではなく、タスクの種類によって使い分ける ルールをチームで設計します。

タスクの種類	AIの役割	人間（ジュニア）の役割
ボイラープレートコード生成	AIが実行	レビューして設計意図を言語化
バグ調査	AIが候補を3つ提示	人間が仮説を立て、検証する
設計ドキュメント	AIが初稿を生成	人間が「なぜこの設計か」を議論
コードレビュー	AIがスタイル・lint修正	人間がアーキテクチャ判断をレビュー
障害対応	AIが検知・データ収集	人間が優先順位を判断し対応

ポイントは、AIに「作業」を任せ、人間に「判断」を残す ことです。技術負債の文脈で言えば、これは「自動テストは書くが、テスト設計は人間がやる」のと同じです。

📌 実践2: AIを「壁打ち相手」として使う

Agent Skills を「代行者」ではなく 「対話相手」 として位置づけ直します。

❌ 代行モード:  「このバグを直して」 → AIが全部やる → ジュニアは何も学ばない

✅ 壁打ちモード: 「このバグの原因について、3つの仮説を出して」
                → ジュニアが仮説を評価 → 自分で検証 → AIに結果を説明
                → AIが「その検証方法で見落としている観点は？」とフィードバック

この使い方なら、AIは 「いつでも質問できるシニアエンジニア」 として機能します。ペアプログラミングの相手がAIになるイメージです。ジュニアは判断のプロセスを経験でき、かつAIがいるので安全に失敗できます。

📌 実践3: 「AIレビュー会」を OJT の場にする

前セクションでも触れましたが、これを組織の仕組みとして定着させることが重要です。

週次「AIレビュー会」のフォーマット:

1. 今週AIが生成したコード/設計/ドキュメントを1件ピックアップ
2. ジュニアが「AIの判断」を評価し、改善案をプレゼン
3. シニアが「自分ならどう判断するか」を共有
4. 差分を議論 → 「なぜ人間の判断が違うのか」を言語化

これにより：

ジュニアは AIの出力を批判的に評価する訓練 を積める
シニアは 暗黙知を言語化する機会 を得られる
チーム全体で 「AIが見落とすもの」への感度 が上がる

技術負債の返済で「リファクタリングの日」を設けるように、人材負債の返済として 「AIレビューの日」 を設ける。これが、人材負債を増やさないAI運用の核心です。

Replacement と Amplification の見分け方

最後に、自分のチームのAI導入が「負債を増やしていないか」をチェックする簡単な基準を示します。

問い	Replacement（負債↑）	Amplification（負債↓）
ジュニアの仕事は増えた？減った？	減った（AIが代替）	変わった（判断業務にシフト）
ジュニアは「なぜ」を説明できる？	できない（AIが全部やった）	できる（プロセスを経験した）
シニアが抜けた時、判断根拠を説明できる？	できない（AIの出力履歴しかない）	できる（人間の判断プロセスが残っている）

3つ目の問いが最も重要です。「シニアがいなくてもAIで回る」は一見理想的に見えますが、判断の根拠が人間の中に蓄積されていない なら、それは組織がAIに依存しているだけであり、人材負債を積み続けている証拠です。

まとめ── 「人材負債」を返済できるのはエンジニアだけかもしれない

McAfee 氏が指摘するように、すべての自動化の波は同じパターンをたどります：

「冗長な」職を削減する

それらの職が担っていた知識移転の重要性に気づく（手遅れ）

すでに失われた組織の記憶を必死に再構築しようとする

技術負債と人材負債。両者に共通する最大の教訓は、「返済コストは、借り入れた時点では見えない」 ということです。

テストを書かないコードが「今は動いている」ように、ジュニアを雇わない組織も「今は回っている」。しかし技術負債と同様に、気づいた時にはもう返済不能 になっているのが常です。

エンジニアはこの構造を直感的に理解できる稀有な存在です。だからこそ、この問題を「人事の話」として傍観するのではなく、技術負債と同じ urgency で 組織に警鐘を鳴らすべきではないでしょうか。

AIはツールです。しかし そのツールを意味ある形で使える人間を育てる仕組み を壊してしまえば、ツール自体の価値も失われます。自分自身の「人材パイプライン」──学び、判断力、育成力──への投資を怠らないこと。それが、AI時代に 技術負債も人材負債も積まない エンジニアの生存戦略です。

References

[1] MIT researcher Andrew McAfee warns automating entry-level jobs could backfire - EVA Daily, 2026-05（元記事: Fortune）

[2] MIT AI expert warns automating Gen Z entry-level jobs could backfire - Yahoo Finance, 2026

[3] Goldman Sachs Data: AI Job Displacement and Labor Market Impact - CNBC, 2025-08; Goldman Sachs: AI Displacing 16,000 Jobs/Month - TechRepublic, 2026

[4] "生成AI時代"に変わる新卒採用戦略 - HR Pro, 2025

[5] AI時代における就職活動・採用プロセスの変容 - 同志社大学政策学部, 2026-04

[6] AI進化でオフィス系「新卒」の50％が消失、若者は「もう不要」なのか - ビジネス+IT; 2026年卒企業新卒内定状況調査 - マイナビキャリアリサーチLab, 2025-11

最終更新: 2026-05-19