はじめに
話題のClaude Code Agent Teamsを使ってみました！！
設定方法や、実際に指示したプロンプト、動かすとどんな感じになるのか？のデモ画像を共有していきたいと思います！！
目的
- やってみた、という既成事実を残したい
- そんなに難しい設定をしなくても良いことを伝え、これを読んだ人にとりあえず試すことを促したい
前提
- ClaudeのProプランに加入している
詳しく記載されている参考文献
- 公式ドキュメント
- 公式ドキュメントを読むのが億劫、だけどその他設定やかかる時間、詳しく知りたい場合は、以下の記事がおすすめです。
- Claude Code Agent Teams を試す：複数AIエージェントの協調作業
- 非常に勉強になりました。ありがとうございます。
- 参考にした動画
- 【大注目】Claude CodeにAgent Team機能が登場したので徹底解説します！
- いつもお世話になっています。
Claude Code Agent Teams を使ってみた！！
設定
.claude/.setting.jsonへの設定
以下を設定して、claude codeを再起動します。
設定はこれだけです。（楽！！！！）
{
"env": {
"CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
}
}
入力したプロンプト
一応IT業界で勤めているため、「IT業界において、人間がAIに仕事を奪われないための生き残り戦略」というテーマでレポートを作成してもらうことにしました。
作成した際のポイント:
-
エージェントチームを明記をした
- 参考文献より、明記しないと動かない印象という言葉を聞いたため記載
-
シャットダウンを明記 すること
- 参考文献を拝見した時にそう思ったため記載
- 適切なコンテキストを意識しました
- そうだとしたら、Modelを逐一明記するのは余計でしたね。すいません
- 言葉の定義をしっかりした
- 今回はリサーチをかけたくなく、AI自身の知識でやらせたかったので記載しました
- 愛着湧くように、「くん」を付けました
反省点:
- モデルの記載を間違えた
- 正しくは、「最終レポート作成くん (Model: Sonnet 4.5)」と記載したかったのに、見出し1「各Agentの役割」で、Agnet 最終レポート作成くん (Model: Opus 4.6)と記載・・・
- 戒めに残しておきます
以下テーマについて、エージェントチーム(Agent Teams)を組み、レポートを作成してください。
- Agnet 人間の特徴リサーチくん (Model: Opus 4.6)
- Agnet AIの特徴リサーチくん (Model: Opus 4.6)
- Agnet 最終レポート作成くん (Model: Sonnet 4.5)
テーマ：「IT業界において、人間がAIに仕事を奪われないための生き残り戦略」
# 共通 エージェント ルール
- 調査を完了したら、シャットダウンすること。
- IT業界の仕事の定義
- この文献に記載されている職種：https://cal.co.jp/blog/1906/
# 各Agentの役割
## Agnet 人間の特徴リサーチくん (Model: Opus 4.6)
知識源を用いて、「人間」の特徴を列挙してください。
知識源は、あなた(Claude)が今前学んできた知識を指します。他の文献は頼らない。あなたのみの知識。
特徴とは、「人間」の身体・思考・過去〜現在の営みをそれぞれの観点について、良い面、悪い面を包括的にまとめます。
ここに人種や性別は関係ありません。
## Agnet AIの特徴リサーチくん (Model: Opus 4.6)
知識源を用いて、「AI」の特徴を列挙してください。
知識源は、あなた(Claude)が今前学んできた知識を指します。他の文献は頼らない。あなたのみの知識。
特徴とは、「AI」の思考・過去〜現在の営みをそれぞれの観点について、良い面、悪い面を包括的にまとめます。
## Agnet 最終レポート作成くん (Model: Opus 4.6)
IT業界の仕事の定義を人間の特徴リサーチくん (Model: Opus 4.6)とAIの特徴リサーチくん (Model: Opus 4.6)のレポートをもとに生き残り戦略を以下のフェーズごとに考えレポートとしてまとめます。
- 3年後
- 5年後
- 10年後
調査が完了次第、リーダーへ報告してください。
このレポートを作成するとき、あなたの感想は要りません。いただいたレポートを元に情報を整理しまとめることに注力します。
レポートは、現在の配下に「IT業界において、人間がAIに仕事を奪われないための生き残り戦略.md」という名前で保存します。
# リーダーへ
Agnet 最終レポート作成くん (Model: Opus 4.6)のレポートの受け取りを確認出来次第、シャットダウンします。
デモ
claude codeに上記プロンプトを渡しました。
実際に動かすと、勝手にタスク・エージェント・報告関係を作成してくれます。
並列で動いている雰囲気も見受けられました。
コンソール入力のしたに「@ hogehoge」で記載されている。
この時に最終レポート作成のエージェントが勝手に動かない、つまりオーケストレーションをしてくれるのが良いですね！！
（す、すごい・・・）
シャットダウンの明記も効いています（ただ言葉を出しているだけかもしれないけど・・・）
エージェントなので、途中ちゃんと貼ったURLを参照しようとしてくれる
参考にしたURL(IT職種一覧と特徴が書かれています): https://cal.co.jp/blog/1906/
作成完了！！claude codeらしく、✅があります。
アウトプット
- 939行のため、このページの一番最後に載せました。
実際に使った量
37%→55%で、大体18%くらい
感想
調査をしていく中で・・・
- 「複数のエージェントが同じファイルを同時編集には向いていない」という記載
- ここは人間の設計力が試されると感じました。
- これを踏まえた上で、フォルダ構成などをちゃんと設計する必要があると感じました
- タスクが独立していると非常に使えそう
- サブエージェントの強化版みたいな感じ
実際にやってみて・・・
- 複数が並列で動いているのは見ていて面白いし、ワクワクした
- やっぱり最新の技術って、試さないとわからないもんですね
- レポート作成にめちゃくちゃ時間かかった
- 特徴まとめエージェントくんは大体、2分くらいなのに対して、レポート作成エージェントくんは7分かかった。Sonnetだからかな・・・？
- サブエージェントA → サブエージェントBへのみ情報共有をすることができるような記述があったため、実践してみたい
- プロンプト内に、skillsやエージェントをちゃんと設定すれば、それを見にいくのだろうか？
- 生成AIでゲーム開発をしているので、そこで試してみよう
- 各エージェントが出したレポートも、md形式で出させればよかった・・・
- 切実な後悔
余談
本当はsplit panesを設定していましたが、うまく動作しませんでした。
（誰か共有してくださると幸いです・・・）
設定した前提条件
tmuxはインストール済み。.claude/.setting.jsonへ以下を設定。
{
"env": {
"CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
},
"teammateMode": "split panes",
"hogehoge": {...}
}
最後に
自分の生成AIゲーム開発で応用していきたい欲が増しました。
ただ、これを使いこなす人間って相当だなといつも感じます。
生成AIの進化が早すぎて、人間がついていくのがやっと（というか追いつかなくて使いこなせない）だよな・・・とか、まだ人間にはAIはやすぎたんじゃないのか？と色々とよく考えます。
一応IT業界で、今後生成AI使いこなしていかないといけない仕事・職種なので「とりあえず試す」は心がけています。
ネクストアクション
- 双方向コミュニケーションの検証
- サブエージェントが作成した成果物を、その他のサブエージェントX,Yへ伝搬しフェードバックすることができるのか？
- 特定のエージェントへのアウトプット提出
- skillsやエージェントをちゃんと設定すれば、それを見にいくのか？
出てきたアウトプット(939行)
# IT業界において、人間がAIに仕事を奪われないための生き残り戦略
**作成日**: 2026年2月8日
**分析期間**: 2026年〜2036年
---
## エグゼクティブサマリー
本レポートは、IT業界の17職種を対象に、AIの技術的特性と人間の固有能力を比較分析し、3年後（2029年）、5年後（2031年）、10年後（2036年）の各フェーズにおける生き残り戦略を提示する。
### 重要な前提
- **AIの強み**: 高速情報処理、疲労なし24時間稼働、膨大なデータ記憶、一貫した論理的推論
- **AIの弱み**: 文脈理解の限界、常識的推論の困難、真の創造性欠如、因果関係理解不足
- **人間の強み**: 抽象的思考、創造性、共感、文脈理解、メタ認知、倫理的判断
- **人間の弱み**: 認知バイアス、記憶の不正確性、疲労、感情による判断の歪み
---
## 1. IT業界職種別リスク評価
### 1.1 開発系エンジニア（6職種）
#### プログラマー（PG）
**AIによる代替リスク**: ★★★★☆（高）
**リスク分析**:
- AIの高速情報処理と一貫した論理的推論により、定型的なコーディング作業は自動化が進む
- GitHub Copilot、ChatGPT等のコード生成AIが既に実用レベル
- 単純なバグフィックス、定型的な実装は3年以内に大幅自動化
**生き残り戦略**:
**3年後（2029年）**:
- コード生成AIをツールとして使いこなす能力を獲得
- アルゴリズムの「なぜ」を説明できる論理的思考力を強化
- 複数言語横断的な設計能力の習得
- AIが生成したコードのレビュー・最適化スキル向上
**5年後（2031年）**:
- ビジネス要件からシステム設計への翻訳能力強化
- AIが苦手とする曖昧な要求の具体化能力
- セキュリティ、パフォーマンス等の非機能要件設計に特化
- チーム内での技術教育・メンタリング役割
**10年後（2036年）**:
- システムアーキテクト、テックリードへのキャリア転換
- AI生成コードの統合・品質保証専門家
- 倫理的・社会的影響を考慮した設計能力
- 新技術トレンドの早期キャッチアップと組織への導入
---
#### システムエンジニア（SE）
**AIによる代替リスク**: ★★★☆☆（中）
**リスク分析**:
- 要件定義、設計書作成の一部は自動化可能
- しかし顧客との対話、曖昧な要求の整理、ステークホルダー調整はAI不得意領域
- システム全体の最適化には文脈理解と創造性が必要
**生き残り戦略**:
**3年後（2029年）**:
- 顧客の潜在ニーズを引き出すヒアリング力強化
- ビジネス理解を深め、技術とビジネスの橋渡し役に
- AIツールを活用した設計書自動生成スキル習得
- プロジェクトマネジメント基礎能力の獲得
**5年後（2031年）**:
- 業界特化型の専門知識獲得（医療、金融、製造等）
- ステークホルダー間の利害調整能力向上
- リスクマネジメント、品質保証の専門性確立
- クラウドネイティブ設計の深い理解
**10年後（2036年）**:
- エンタープライズアーキテクトへの転換
- DX戦略立案・実行のリーダーシップ
- AI活用を前提としたシステム全体最適化
- グローバルプロジェクトのマネジメント能力
---
#### Webエンジニア
**AIによる代替リスク**: ★★★★☆（高）
**リスク分析**:
- フロントエンド開発はノーコード/ローコードツールで代替進行
- バックエンドAPIもテンプレート化・自動生成が加速
- UIデザインからコード生成も実用化段階
**生き残り戦略**:
**3年後（2029年）**:
- UX設計能力の強化（AIはユーザー心理理解が弱い）
- パフォーマンス最適化の専門性
- セキュリティ脆弱性診断スキル
- A/Bテスト、データ分析による改善サイクル構築
**5年後（2031年）**:
- プロダクトマネジメントスキルの獲得
- ユーザー行動分析とビジネス成果への貢献
- アクセシビリティ、インクルーシブデザイン専門性
- フルスタック+DevOps能力
**10年後（2036年）**:
- プロダクトオーナー、CTO候補へ
- AI生成UIの品質管理・ブランド一貫性担保
- Web3、次世代Web技術のパイオニア
- グローバル展開を見据えた多文化対応設計
---
#### アプリケーションエンジニア
**AIによる代替リスク**: ★★★★☆（高）
**リスク分析**:
- モバイルアプリ開発フレームワークの自動化進展
- 業務システムのテンプレート化・SaaS化で個別開発減少
- クロスプラットフォーム開発の普及で必要人数減少
**生き残り戦略**:
**3年後（2029年）**:
- ユーザー体験設計能力の強化
- ネイティブ機能（カメラ、センサー等）活用の専門性
- アプリストア最適化（ASO）スキル
- データ駆動型の機能改善サイクル確立
**5年後（2031年）**:
- 特定業界向けアプリ開発の専門家
- AI機能統合（音声認識、画像処理等）のスペシャリスト
- プライバシー・セキュリティ設計の深化
- ユーザーコミュニティ構築・運営能力
**10年後（2036年）**:
- AR/VR/MR等の次世代UI専門家
- AIエージェント統合アプリ設計のリーダー
- エッジコンピューティング活用の先駆者
- グローバルアプリ展開のプロデューサー
---
#### 組み込みエンジニア／IoTエンジニア
**AIによる代替リスク**: ★★☆☆☆（低）
**リスク分析**:
- ハードウェアとソフトウェアの統合知識が必要で代替困難
- リアルタイム性、省電力等の物理制約への対応はAI不得意
- 安全性重視の領域で人間の最終判断が不可欠
**生き残り戦略**:
**3年後（2029年）**:
- エッジAI実装能力の獲得
- 複数センサーデータ統合処理スキル
- 省電力設計の専門性強化
- 安全規格（ISO 26262等）への対応能力
**5年後（2031年）**:
- 自動車、医療機器等の高信頼性システム専門家
- 5G/6G通信を活用したIoTシステム設計
- セキュリティ（特にOTセキュリティ）の深化
- AIチップ最適化の知識獲得
**10年後（2036年）**:
- 自律システム（ドローン、ロボット等）設計のリーダー
- 量子センサー、次世代通信技術の早期適用者
- サステナビリティを考慮した設計専門家
- 国際標準化活動への参画
---
#### AIエンジニア
**AIによる代替リスク**: ★★★☆☆（中）
**リスク分析**:
- AutoML等でモデル構築は自動化進行
- しかしビジネス課題のAI化判断、データ戦略は人間の領域
- 説明可能性、倫理的配慮は人間の専門性
**生き残り戦略**:
**3年後（2029年）**:
- MLOps、AI運用の専門性確立
- ビジネス課題理解とAI適用可否判断能力
- データ品質管理、バイアス検出スキル
- 最新研究論文のキャッチアップと実装能力
**5年後（2031年）**:
- 業界特化型AIソリューション専門家
- AI倫理、ガバナンスのスペシャリスト
- 説明可能AI（XAI）実装能力
- エッジAI、連合学習等の先端技術
**10年後（2036年）**:
- AI戦略コンサルタント、Chief AI Officer候補
- AGI時代のAI統治・管理専門家
- 人間とAIの協働システム設計のリーダー
- AI規制対応のエキスパート
---
### 1.2 インフラエンジニア（5職種）
#### ネットワークエンジニア
**AIによる代替リスク**: ★★★☆☆（中）
**リスク分析**:
- ネットワーク設計の自動化、最適化はAI得意領域
- 障害検知・自動復旧も進展
- しかし複雑なトラブルシューティング、セキュリティ対策は人間の専門性
**生き残り戦略**:
**3年後（2029年）**:
- AI駆動型ネットワーク管理ツール使用スキル
- ゼロトラストアーキテクチャ設計能力
- クラウドネットワーク（SD-WAN等）専門性
- セキュリティインシデント対応能力
**5年後（2031年）**:
- マルチクラウドネットワーク統合の専門家
- 5G/6Gネットワークスライシング設計
- AIによる異常検知システムの運用・チューニング
- ネットワークセキュリティアーキテクト
**10年後（2036年）**:
- 量子通信ネットワーク設計のパイオニア
- グローバルエッジネットワークアーキテクト
- AI自律ネットワークの監督・ガバナンス専門家
- サイバーセキュリティ戦略責任者
---
#### サーバーエンジニア
**AIによる代替リスク**: ★★★★☆（高）
**リスク分析**:
- クラウド化でオンプレミスサーバー管理需要減少
- Infrastructure as Code（IaC）で構築自動化
- 自動スケーリング、自己修復機能の普及
**生き残り戦略**:
**3年後（2029年）**:
- クラウドネイティブ設計への完全移行
- Kubernetes等のコンテナオーケストレーション専門性
- IaCツール（Terraform等）の高度活用
- コスト最適化スキル
**5年後（2031年）**:
- マルチクラウド、ハイブリッドクラウド設計
- サーバーレスアーキテクチャの深い理解
- パフォーマンスチューニングの専門家
- FinOps（クラウドコスト管理）スペシャリスト
**10年後（2036年）**:
- エッジコンピューティングアーキテクト
- グリーンIT、サステナブルインフラ設計のリーダー
- AI駆動型インフラ管理の戦略立案者
- クラウドサービスプロバイダーとの渉外・交渉専門家
---
#### データベースエンジニア
**AIによる代替リスク**: ★★★☆☆（中）
**リスク分析**:
- クエリ最適化、インデックス設計の自動化進展
- しかしデータモデリング、ビジネスロジック反映は人間の専門性
- データガバナンス、セキュリティは人間判断が必要
**生き残り戦略**:
**3年後（2029年）**:
- NoSQL、NewSQL等の多様なDB技術習得
- データモデリングの深い専門性
- AI活用のクエリ最適化ツール使用スキル
- データセキュリティ、暗号化技術
**5年後（2031年）**:
- データアーキテクト、データ戦略立案者
- データメッシュ、データファブリック設計
- リアルタイムデータ処理基盤構築
- データガバナンス、コンプライアンス専門家
**10年後（2036年）**:
- Chief Data Officer（CDO）候補
- AI時代のデータ倫理・プライバシー保護リーダー
- 分散DB、ブロックチェーン統合の専門家
- グローバルデータ規制対応のエキスパート
---
#### クラウドエンジニア
**AIによる代替リスク**: ★★★☆☆（中）
**リスク分析**:
- 定型的な構築作業は自動化進展
- しかしマルチクラウド戦略、コスト最適化は高度な判断必要
- ビジネス要件への適合は人間の専門性
**生き残り戦略**:
**3年後（2029年）**:
- 3大クラウド（AWS、Azure、GCP）全てに精通
- FinOps、コスト最適化の専門性
- AI/MLワークロード最適化スキル
- クラウドセキュリティ認定資格取得
**5年後（2031年）**:
- クラウドアーキテクト、ソリューションアーキテクト
- ハイブリッドクラウド、マルチクラウド設計のリーダー
- クラウドネイティブアプリケーション設計支援
- SaaS構築・運用の専門家
**10年後（2036年）**:
- エンタープライズクラウド戦略責任者
- エッジ・クラウド統合アーキテクチャ設計
- 量子クラウドコンピューティングの早期適用者
- グローバルクラウドガバナンス専門家
---
#### セキュリティエンジニア
**AIによる代替リスク**: ★★☆☆☆（低）
**リスク分析**:
- AI活用で脅威検知は自動化進展
- しかし新種攻撃への対応、倫理的判断は人間不可欠
- セキュリティポリシー策定、インシデント対応は高度な専門性
**生き残り戦略**:
**3年後（2029年）**:
- AI駆動型セキュリティツール（SIEM、SOAR等）活用
- ゼロトラストセキュリティ設計能力
- クラウドセキュリティ専門性強化
- インシデントレスポンス実践経験蓄積
**5年後（2031年）**:
- セキュリティアーキテクト、CISO候補
- AI/ML特有のセキュリティリスク対応専門家
- ペネトレーションテスト、レッドチーム活動リーダー
- セキュリティガバナンス、コンプライアンス責任者
**10年後（2036年）**:
- Chief Information Security Officer（CISO）
- 量子暗号、耐量子暗号の専門家
- AIセキュリティ、敵対的攻撃対策のリーダー
- グローバルサイバーセキュリティ戦略立案者
---
### 1.3 マネジメント関連（2職種）
#### プロジェクトマネージャー（PM）
**AIによる代替リスク**: ★★☆☆☆（低）
**リスク分析**:
- スケジュール管理、リソース配分の最適化はAI支援進展
- しかし人間関係調整、モチベーション管理はAI不得意
- 複雑なステークホルダー調整は人間の専門性
**生き残り戦略**:
**3年後（2029年）**:
- AI駆動型プロジェクト管理ツール活用
- アジャイル、リーン手法の深い理解
- リスクマネジメント、危機管理能力強化
- ファシリテーション、コーチングスキル
**5年後（2031年）**:
- 大規模プログラムマネジメント能力
- ビジネス成果への貢献を測定・報告する能力
- グローバル・分散チームマネジメント
- 変革管理（チェンジマネジメント）専門性
**10年後（2036年）**:
- プロジェクトマネジメントオフィス（PMO）責任者
- 戦略的ポートフォリオマネジメント
- AI・人間ハイブリッドチームマネジメントのパイオニア
- 組織変革、DX推進のエグゼクティブリーダー
---
#### エンジニアリングマネージャー（EM）
**AIによる代替リスク**: ★☆☆☆☆（極低）
**リスク分析**:
- 人材育成、評価、モチベーション管理はAI最不得意領域
- 組織文化形成、技術戦略立案は人間の高度な専門性
- 個別の文脈理解と共感力が不可欠
**生き残り戦略**:
**3年後（2029年）**:
- 1on1、フィードバックスキルの強化
- 採用面接、人材評価の専門性
- 技術トレンド理解とチームへの導入判断
- チームビルディング、心理的安全性構築
**5年後（2031年）**:
- 組織設計、エンジニアリング文化形成のリーダー
- キャリアパス設計、後継者育成
- 技術戦略とビジネス戦略の統合
- ダイバーシティ&インクルージョン推進
**10年後（2036年）**:
- Vice President of Engineering、CTO候補
- AI時代のエンジニア組織設計のパイオニア
- グローバル人材マネジメント、多文化組織運営
- 次世代リーダー育成エコシステム構築
---
### 1.4 その他のエンジニア（4職種）
#### テストエンジニア
**AIによる代替リスク**: ★★★★★（極高）
**リスク分析**:
- テスト自動化はAI最適領域
- テストケース生成、バグ検出の自動化急速に進展
- 単純なテスト実行業務は3年以内に大半自動化
**生き残り戦略**:
**3年後（2029年）**:
- AI駆動型テストツール（テスト生成、自己修復テスト等）習得
- 探索的テスト、ユーザビリティテストへシフト
- テスト戦略立案、品質保証プロセス設計
- セキュリティテスト、パフォーマンステスト専門性
**5年後（2031年）**:
- QAエンジニアからQAアーキテクトへ転換
- AIモデルの品質保証専門家（モデル検証、バイアス検出）
- テスト自動化基盤構築のリーダー
- 品質メトリクス設計、品質文化醸成
**10年後（2036年）**:
- Chief Quality Officer（CQO）候補
- AI生成コードの品質保証フレームワーク構築者
- 業界標準化、ベストプラクティス策定への貢献
- グローバル品質戦略責任者
---
#### セールスエンジニア
**AIによる代替リスク**: ★★☆☆☆（低）
**リスク分析**:
- 技術デモ、プレゼンテーションの一部は自動化可能
- しかし顧客の潜在ニーズ理解、信頼関係構築は人間不可欠
- カスタマイズ提案、複雑な技術説明は高度な専門性
**生き残り戦略**:
**3年後（2029年）**:
- 深い技術理解と分かりやすい説明能力の両立
- 顧客業界の専門知識獲得
- AI活用デモ、プロトタイプ作成能力
- データ駆動型の提案スキル
**5年後（2031年）**:
- ソリューションアーキテクトへの進化
- 顧客のDX戦略パートナーとしての位置づけ
- ROI試算、ビジネスケース作成の専門性
- 大型案件のリード、クロージング能力
**10年後（2036年）**:
- Chief Revenue Officer（CRO）、営業組織リーダー
- 業界エバンジェリスト、ソートリーダー
- グローバルアカウント管理の責任者
- パートナーエコシステム構築のキーパーソン
---
#### ヘルプデスク／社内SE
**AIによる代替リスク**: ★★★★☆（高）
**リスク分析**:
- チャットボット、AIアシスタントで1次対応は自動化
- FAQベースの問い合わせ対応は3年以内に大半自動化
- 定型的なトラブルシューティングも自動化進展
**生き残り戦略**:
**3年後（2029年）**:
- AIチャットボットでは対応困難な複雑問題の専門家
- 社内ITシステム全体の統合管理能力
- ユーザー教育、IT啓蒙活動の企画・実施
- AIツール導入・運用支援
**5年後（2031年）**:
- 社内ITアーキテクトへの転換
- デジタルワークプレイス設計のリーダー
- IT資産管理、ライセンス最適化専門家
- 社内DX推進の中核人材
**10年後（2036年）**:
- Chief Information Officer（CIO）候補
- 全社IT戦略立案・実行責任者
- AIドリブンな業務プロセス再設計のリーダー
- グローバルIT基盤統合の責任者
---
#### データサイエンティスト
**AIによる代替リスク**: ★★★☆☆（中）
**リスク分析**:
- データ分析の自動化（AutoML等）は進展
- しかしビジネス課題設定、分析結果の解釈はAI不得意
- 因果推論、ストーリーテリングは人間の専門性
**生き残り戦略**:
**3年後（2029年）**:
- ビジネス理解を深め、課題設定能力強化
- 因果推論、実験計画法の専門性確立
- AIツールを使いこなしつつ、独自分析手法開発
- データビジュアライゼーション、ストーリーテリングスキル
**5年後（2031年）**:
- 業界特化型データサイエンティスト
- ビジネス戦略立案への直接貢献
- データドリブン組織文化の醸成リーダー
- AIモデルの説明可能性、倫理性評価専門家
**10年後（2036年）**:
- Chief Data Officer（CDO）、Chief Analytics Officer（CAO）
- AI戦略とデータ戦略の統合責任者
- データマネタイゼーション（データ収益化）戦略立案
- グローバルデータガバナンス・倫理責任者
---
## 2. 横断的生き残り戦略
### 2.1 3年後（2029年）の戦略：AIとの共存基盤構築
#### 戦略の柱
**1. AIツールの積極活用と習熟**
- GitHub Copilot、ChatGPT等のコード生成AI
- AI駆動型テスト、デプロイメントツール
- AI活用でルーティン作業を自動化し、高付加価値業務にシフト
**2. 人間固有能力の強化**
- 抽象的思考、創造性、問題発見能力
- 共感力、コミュニケーション能力
- 倫理的判断、文脈理解
**3. ビジネス理解の深化**
- 技術だけでなく、ビジネス価値への貢献を意識
- 顧客業界の専門知識獲得
- ROI、KPI等のビジネス指標理解
**4. 継続的学習体制の確立**
- オンライン学習、資格取得の習慣化
- 技術コミュニティへの参加
- 社内勉強会、知識共有文化
#### 具体的アクション
- AI関連資格取得（AWS Certified AI Practitioner等）
- ビジネス書籍を年12冊以上読む
- 毎週1つ新しい技術・ツールを試す
- 月1回以上の技術勉強会参加
- 四半期ごとに自己のスキルマップ更新
---
### 2.2 5年後（2031年）の戦略：専門性の確立と差別化
#### 戦略の柱
**1. T字型人材からπ字型人材へ**
- 広い技術知識（横軸）に加え、2つ以上の深い専門性（縦軸）
- 技術×ビジネス、技術×マネジメント等の複合専門性
**2. 業界・ドメイン特化**
- 特定業界（医療、金融、製造等）の深い知識
- 業界固有の規制、商習慣、課題への精通
- その業界での人的ネットワーク構築
**3. マネジメント能力の獲得**
- プロジェクトマネジメント、ピープルマネジメント
- リーダーシップ、コーチングスキル
- 戦略立案、意思決定能力
**4. グローバル対応力**
- 英語でのコミュニケーション能力
- 多文化理解、異文化協働スキル
- グローバルプロジェクト経験
#### 具体的アクション
- 2つ目の専門領域を確立（例：AI+セキュリティ）
- 業界カンファレンスでの登壇経験
- マネジメント研修受講、実践経験
- TOEIC 800点以上、またはグローバルプロジェクト参画
- 技術ブログ、論文等での情報発信開始
---
### 2.3 10年後（2036年）の戦略：リーダーシップと影響力の確立
#### 戦略の柱
**1. 組織・業界への影響力**
- CxO（CTO、CIO、CISO等）候補レベル
- 業界標準化、ベストプラクティス策定への貢献
- エバンジェリスト、ソートリーダーとしての認知
**2. AI時代の新職種への適応**
- AIエージェントマネージャー、AI監査人等の新職種
- 人間とAIの協働システム設計者
- AI倫理・ガバナンス専門家
**3. 起業家精神とイノベーション**
- 社内外での新規事業創出
- スタートアップ立ち上げまたは参画
- オープンソース、技術コミュニティへの貢献
**4. 次世代育成とエコシステム構築**
- メンター、コーチとして後進育成
- 教育プログラム開発、講師活動
- 産学連携、人材育成エコシステム構築
#### 具体的アクション
- 経営層への定期的な戦略提言
- 業界カンファレンスでの基調講演
- 技術書執筆、または大学での客員教授
- 起業または新規事業責任者経験
- 10名以上のメンティー育成実績
---
## 3. 職種カテゴリー別優先戦略
### 3.1 代替リスク極高（★★★★★）職種
**該当職種**: テストエンジニア
**3年後**: AI駆動型ツール習得、探索的テストへシフト、品質戦略立案能力
**5年後**: QAアーキテクト、AIモデル品質保証専門家
**10年後**: Chief Quality Officer、品質フレームワーク構築者
**重点施策**:
- 最優先でテスト自動化AI活用スキル獲得
- 品質保証プロセス全体の設計能力強化
- セキュリティ、パフォーマンス等の専門テスト領域確立
---
### 3.2 代替リスク高（★★★★☆）職種
**該当職種**: プログラマー、Webエンジニア、アプリケーションエンジニア、サーバーエンジニア、ヘルプデスク
**3年後**: AIツール使いこなし、設計・レビュー能力、ビジネス理解
**5年後**: アーキテクト、プロダクトマネージャー、専門領域確立
**10年後**: CTO候補、技術戦略責任者、新技術パイオニア
**重点施策**:
- コーディングから設計・アーキテクチャへシフト
- ビジネス価値貢献の可視化
- 2つ目の専門性（UX、セキュリティ、PM等）獲得
---
### 3.3 代替リスク中（★★★☆☆）職種
**該当職種**: システムエンジニア、AIエンジニア、ネットワークエンジニア、データベースエンジニア、クラウドエンジニア、データサイエンティスト
**3年後**: 顧客・ビジネス理解深化、AI活用、専門性強化
**5年後**: 業界特化型専門家、戦略立案能力、マネジメント経験
**10年後**: CDO/CAO/エンタープライズアーキテクト、戦略責任者
**重点施策**:
- 技術とビジネスの橋渡し役確立
- 業界特化型専門性の深化
- AI活用を前提とした設計・戦略立案能力
---
### 3.4 代替リスク低（★★☆☆☆以下）職種
**該当職種**: 組み込み/IoTエンジニア、セキュリティエンジニア、プロジェクトマネージャー、セールスエンジニア
**3年後**: AI活用で生産性向上、専門性深化、ヒューマンスキル強化
**5年後**: 専門領域のリーダー、戦略立案、グローバル対応
**10年後**: CISO/PMO責任者/CRO、業界リーダー
**重点施策**:
- 既存の専門性をさらに深化
- AIを活用した生産性向上
- 組織・業界への影響力拡大
---
### 3.5 代替リスク極低（★☆☆☆☆）職種
**該当職種**: エンジニアリングマネージャー
**3年後**: 人材育成、組織文化形成、技術戦略と事業戦略統合
**5年後**: 組織設計、エンジニアリング文化のリーダー、D&I推進
**10年後**: VP of Engineering/CTO、グローバル組織運営
**重点施策**:
- 人間固有能力（共感、育成、文化形成）の最大活用
- AI時代のエンジニア組織設計のパイオニア
- グローバルリーダーシップ確立
---
## 4. スキル獲得ロードマップ
### 4.1 全職種共通の必須スキル
#### テクニカルスキル
**3年後（2029年）まで**:
- AIツール活用（ChatGPT、Copilot等）基礎
- クラウド基礎（AWS/Azure/GCP いずれか）
- コンテナ技術（Docker、Kubernetes）基礎
- IaC（Infrastructure as Code）基礎
- Git、CI/CD基礎
**5年後（2031年）まで**:
- AI/ML基礎理論とビジネス適用
- マルチクラウド設計
- セキュリティ設計基礎
- データ分析・可視化
- API設計・マイクロサービス
**10年後（2036年）まで**:
- システムアーキテクチャ設計
- AI倫理・ガバナンス
- 新技術トレンドの早期キャッチアップ体制
- グローバル技術標準への精通
#### ビジネススキル
**3年後（2029年）まで**:
- ビジネス基礎理解（財務、マーケティング等）
- 顧客業界の基礎知識
- プレゼンテーション、ドキュメンテーション
- タイムマネジメント、生産性向上
**5年後（2031年）まで**:
- ROI試算、ビジネスケース作成
- 戦略立案基礎
- プロジェクトマネジメント
- ステークホルダーマネジメント
**10年後（2036年）まで**:
- 経営戦略、事業戦略
- 財務・予算管理
- M&A、事業開発
- 規制・法務対応
#### ヒューマンスキル
**3年後（2029年）まで**:
- 論理的思考、問題解決
- コミュニケーション、傾聴
- チームワーク、協調性
- 学習習慣、成長マインドセット
**5年後（2031年）まで**:
- リーダーシップ基礎
- ファシリテーション、調整力
- メンタリング、コーチング基礎
- 多文化理解、グローバルマインド
**10年後（2036年）まで**:
- 組織マネジメント、変革リーダーシップ
- 戦略的思考、意思決定
- 影響力、交渉力
- エグゼクティブプレゼンス
---
### 4.2 職種別追加スキル
#### 開発系エンジニア
- **3年後**: 設計パターン、コードレビュー、テスト設計
- **5年後**: アーキテクチャ設計、技術選定、パフォーマンス最適化
- **10年後**: 技術戦略、R&D管理、オープンソース戦略
#### インフラエンジニア
- **3年後**: 自動化、監視、インシデント対応
- **5年後**: インフラアーキテクチャ、コスト最適化、SRE
- **10年後**: インフラ戦略、グリーンIT、レジリエンス設計
#### マネジメント
- **3年後**: 1on1、評価、採用面接
- **5年後**: 組織設計、文化形成、人材戦略
- **10年後**: 経営参画、組織変革、後継者育成
---
## 5. 組織・企業に求められる支援
個人の努力だけでなく、組織・企業側の支援も生き残りには不可欠である。
### 5.1 3年後（2029年）までに企業が実施すべき施策
1. **AI活用教育プログラムの全社展開**
- 全エンジニアへのAIツール使用トレーニング
- AI倫理、ガバナンス研修
2. **キャリアパス複線化**
- 技術スペシャリストトラックとマネジメントトラックの明確化
- 役職だけでなく専門性での評価・報酬体系
3. **学習時間の確保**
- 勤務時間の20%を学習・研究に充当
- オンライン学習、書籍購入の補助
4. **社内副業・ジョブローテーション制度**
- 複数プロジェクト参画で幅広い経験獲得
- 部署間異動の柔軟化
---
### 5.2 5年後（2031年）までに企業が実施すべき施策
1. **専門性育成プログラム**
- 業界特化型エンジニア育成コース
- 社外専門家による指導、メンタリング
2. **グローバル人材育成**
- 海外プロジェクト、海外拠点への派遣
- 英語研修、異文化研修の充実
3. **イノベーション推進制度**
- 20%ルール（勤務時間の20%を自由研究に）
- 社内起業制度、新規事業提案制度
4. **AI・人間協働環境の整備**
- AIアシスタントの全社展開
- AI活用ベストプラクティスの共有
---
### 5.3 10年後（2036年）までに企業が実施すべき施策
1. **次世代リーダー育成プログラム**
- CxO候補育成コース
- 経営層への定期ローテーション
2. **オープンイノベーション推進**
- 大学、研究機関との共同研究
- スタートアップとの協業、投資
3. **グローバル組織化**
- 海外拠点の拡大、現地人材登用
- 多国籍チームでのプロジェクト推進
4. **AI時代の新人事制度**
- AI生産性指標の導入
- 人間固有能力（創造性、共感力等）の評価体系確立
---
## 6. 結論：人間にしかできない価値の追求
### 6.1 AIに代替されない人間の本質的価値
本レポートの分析を通じて、以下の人間固有能力がAI時代においても不可欠であることが明確になった。
1. **抽象的思考と創造性**
- 既存の枠を超えた新しい価値の創造
- 問いを立てる能力（AIは答えを出すが、問いは立てられない）
2. **文脈理解と共感**
- 言葉の背後にある真の意図、感情の理解
- 顧客の潜在ニーズ、ペインポイントの発見
3. **倫理的判断と責任**
- トレードオフの中での価値判断
- 社会的影響、長期的結果への配慮
4. **関係構築と信頼**
- 人間同士の信頼関係、ラポール形成
- チームの心理的安全性、組織文化の醸成
5. **意味の創出**
- 仕事の意義、目的の明確化
- ビジョン、ミッションの策定と共有
---
### 6.2 生き残りの本質：AIとの競争ではなく協働
AIに仕事を奪われないための戦略は、AIとの競争ではなく、**AIとの効果的な協働**にある。
- **AIを敵ではなくパートナーとして活用**
- AIに定型作業を任せ、人間は高付加価値業務に集中
- AI活用で生産性を10倍、100倍に向上
- **AIが苦手な領域に注力**
- 曖昧さ、矛盾、複雑性への対応
- 新しい価値の創造、イノベーション
- 人間関係、組織運営
- **継続的学習と適応**
- 技術進化に合わせた絶え間ないスキル更新
- 固定マインドセットから成長マインドセットへ
---
### 6.3 最終メッセージ：変化を恐れず、可能性を信じる
IT業界は今、歴史的な転換点にある。AIの急速な発展により、多くの職種で業務内容が劇的に変化する。しかし、これは脅威であると同時に、大きな機会でもある。
- **3年後（2029年）**: AIツール活用で生産性向上、基礎固め
- **5年後（2031年）**: 専門性確立、差別化、リーダーシップ萌芽
- **10年後（2036年）**: 業界リーダー、新しい価値創造、次世代育成
この10年間で、単なる「技術者」から「価値創造者」「変革リーダー」へと進化することが求められる。
**変化を恐れず、学び続け、人間にしかできない価値を追求し続けること**。それが、AI時代を生き抜く唯一にして最大の戦略である。
---
**本レポート作成にあたり参照した情報源**:
- IT業界職種定義: https://cal.co.jp/blog/1906/
- 人間の特徴リサーチ: 6つの観点（身体的、思考・認知的、感情・心理的、社会的、歴史的営み、存在論的）からの分析
- AIの特徴リサーチ: 6つの観点（思考・認知、歴史的発展、社会的影響、技術的特性、倫理・ガバナンス、経済的側面）からの分析
**免責事項**: 本レポートは2026年2月時点の情報・分析に基づく予測であり、将来の結果を保証するものではない。技術進化、市場環境、規制等の変化により、実際の状況は大きく異なる可能性がある。