AIの普及によって、「これから何を勉強すればいいのだろう」と考える機会が増えた人も多いのではないでしょうか。
生成AIの使い方を覚えるべきなのか、プログラミングを学ぶべきなのか。それとも、コミュニケーション力やマネジメント力のような、人間側の能力を伸ばした方がいいのか。
選択肢が増えたことで、かえって何を優先すればよいのか分かりにくくなっています。
ただ、AI時代に必要なスキルを考えるとき、「AIについて詳しくなること」だけを目標にする必要はありません。
AIは、自分だけでは時間がかかっていた作業や、これまでの知識だけでは難しかった作業を補助してくれます。
一方で、何を依頼するのか、どの情報を渡すのか、出てきた成果が正しいのかを判断するのは、人間側の役割です。
キャリアリコードでは、これから重要になるのは、自分がこれまで身につけてきた仕事の知識や経験を土台にして、AIを使ってできることを広げていくことだと考えています。
この記事では、AI時代に身につけたいスキルを、次の4つに整理して解説します。
- 自分の仕事や専門領域を理解する力
- 現状・課題・ゴールを整理してAIに渡す力
- AIを使って自分の実行力を広げる力
- AIの成果を評価し、改善する力
「AI時代だから、これまでとはまったく違うスキルを身につけなければならない」と考えるのではなく、今持っている能力をどうAIと組み合わせるかという視点で考えてみましょう。
AI時代に必要なのは「AIを使える人」になることだけではない
AIやデジタル技術に関する知識の重要性は高まっています。
世界経済フォーラム（WEF）の「Future of Jobs Report 2025」では、今後重要性が高まるスキルとして、「AI・ビッグデータ」や「技術リテラシー」が挙げられています。
一方で、技術系のスキルだけが重視されているわけではありません。
同じ調査では、分析的思考、創造的思考、柔軟性・適応力、好奇心・生涯学習、リーダーシップなども、重要性が高まるスキルとして挙げられています。
出典：World Economic Forum「The Future of Jobs Report 2025」
日本でも、経済産業省が「生成AI時代のDX推進に必要な人材・スキルの考え方」の中で、生成AIを適切に使うスキルだけでなく、戦略的思考や批判的考察、言語化、問いを立てる力、仮説を立てて検証する力、学び続ける姿勢などを示しています。
出典：経済産業省「生成AI時代のDX推進に必要な人材・スキルの考え方2024」
また、PwCの「グローバルAIジョブバロメーター2026」では、AIの影響が大きい職種ほど、求められるスキルが速く変化していることが報告されています。
同時に、判断力や創造性、リーダーシップなど、人間側の能力を必要とする新しいタスクも増えています。
出典：PwC Japan「2026年グローバルAIジョブバロメーター」
つまり、
「AIを使うための新しいスキル」か「これまで人間が身につけてきたスキル」か
という二者択一ではありません。
AIに文章を書いてもらう、データを整理してもらう、コードを書いてもらうといった「実行する部分」は、以前より補助してもらいやすくなりました。
その一方で、AIに依頼する前には、
- そもそも何をするべきなのか
- どんな情報をAIに渡すべきなのか
という判断があります。
AIが作業した後にも、
- 出てきたものは正しいのか
- 本当に目的を満たしているのか
- このまま仕事で使って問題ないのか
という判断があります。
AIによって実行部分が補助されるからこそ、その前後にある仕事まで含めてスキルを考える必要があります。
AI時代に「どのような人の市場価値が高まりやすいのか」という視点については、AI時代に市場価値が高い人の特徴とは？これから評価される人に必要な7つの力で詳しく解説しています。
AI時代に身につけたい4つのスキル
キャリアリコードでは、AI時代に必要なスキルを単なる「AIスキルの一覧」ではなく、自分の仕事とAIをつなぐ4つの力として考えます。
1. 自分の仕事や専門領域を理解する力
AIが進化しても、自分の仕事について学ぶ必要がなくなるわけではありません。
むしろ、AIが高度な成果物を簡単に作れるようになるほど、その成果が本当に正しいのかを判断するための知識が必要になります。
たとえばエンジニアであれば、現在の生成AIはかなり複雑なコードまで作成できます。
しかし、コードが動いたからといって、それだけで仕事として適切とは限りません。
実際の開発では、
- 要件を正しく満たしているか
- セキュリティ上の問題がないか
- 既存システムとの整合性が取れているか
- 将来の変更や保守がしやすいか
- 不必要に複雑な実装になっていないか
といった点も確認する必要があります。
こうした判断には、プログラミングだけでなく、システムの背景や業務要件、運用方法への理解も必要です。
つまり、AIによって「作れるもの」が増えても、自分が正しいと判断できる範囲まで自動的に広がるわけではありません。
自分がほとんど理解できない領域までAIに任せると、
「完成したように見えるが、本当に正しいのか分からない」
という状態になりやすくなります。
そのためAI時代でも、
- 自分の担当業務を理解する
- 業界や顧客について知る
- 専門分野の基礎を身につける
- 成果物を評価できるだけの知識を持つ
ことは必要です。
AIを使うために専門性を捨てるのではなく、自分の専門性を土台にして、AIでできることを広げると考えた方が実務につなげやすくなります。
2. 現状・課題・ゴールを整理してAIに渡す力
AIを仕事で使うときは、「どんなプロンプトを書くか」に意識が向きがちです。
もちろん、指示の出し方は大切です。
ただし、それ以上に意識したいのが、AIが考えるために必要な情報を、現実からズレない形で渡すことです。
たとえば、AIに「売上を伸ばす施策を考えて」とだけ伝えても、AIには現在の事業状況が見えていません。
どのような商品を扱っているのか。
誰が顧客なのか。
どこから集客しているのか。
現在どこに問題があるのか。
どこを目指しているのか。
予算や運用上の制約はあるのか。
こうした背景がなければ、AIは一般的な条件を想定して答えるしかありません。
仕事でAIを活用するなら、少なくとも、
- 現在どのような状態なのか
- 何が問題になっているのか
- なぜそれを問題だと考えているのか
- 最終的にどのような状態を目指しているのか
- どんな制約や前提条件があるのか
を整理して共有した方が、現実に沿った回答を得やすくなります。
これは、単に長いプロンプトを書けばよいという話ではありません。
重要なのは、判断に必要な事実を選び、できるだけ正確に渡すことです。
AIはこちらが共有していない社内事情や、顧客とのやり取り、過去の経緯まで知っているわけではありません。
自分の中では当たり前になっている情報ほど、意識して言葉にする必要があります。
また、AIに良い答えを出してもらおうとして、現実より都合のよい前提を渡してしまうのも避けたいところです。
実際には予算が限られているのにその条件を省いたり、運用上できないことを伝えなかったりすれば、もっともらしい答えが返ってきても実務では使えません。
AIの回答を精緻にしたいのであれば、まずこちらが現実を精緻に伝える。
キャリアリコードでは、この力を単なる「プロンプトを書く力」ではなく、現実の状況を整理し、AIが考えるための材料を渡す力として捉えています。
3. AIを使って自分の実行力を広げる力
AIの大きな価値のひとつは、自分だけでは時間がかかる作業や、以前なら追加の学習が必要だった作業まで実行しやすくなることです。
たとえば、ExcelやGoogleスプレッドシートを考えてみます。
以前であれば、複雑な集計表を作るために、
- 必要な関数を調べる
- 関数の書き方を覚える
- 複数の関数を組み合わせる
- エラーの原因を調べる
- 条件に応じて式を修正する
といった工程を、自分で一つずつ進める必要がありました。
現在は、やりたいことをAIに説明すれば、
- どの関数を使えばよいか
- 数式をどう組み合わせるか
- エラーが出た場合に何を確認すればよいか
といった部分まで相談できます。
Excelのすべての関数を暗記していなくても、基本的な操作や表の仕組みが分かっていれば、AIの支援を受けながら、以前より複雑なものを作れる場面が増えています。
キャリアリコードでは、これを「AIが人間の能力を置き換える」というより、現在持っている能力をAIによって拡張すると考えています。
たとえば、ある業務のスキルを0〜10で考えたとします。
以前はレベル6の仕事をするために、自分自身もレベル6に近いところまで学ばなければ難しい場面が多くありました。
AIを使える現在は、基礎的な知識を持っていれば、不足している部分をAIに補助してもらいながら、より難しい作業に挑戦できる場合があります。
もちろん、「AIを使えば能力が何段階も必ず上がる」という意味ではありません。
仕事によって難易度は違いますし、AIにも得意なことと苦手なことがあります。
それでも、すべてを一人で習得してからでなければ、その仕事に挑戦できないという場面は減っています。
学び方も変わります。
従来の、
覚える → 練習する → 使えるようになる
という流れだけでなく、
基礎を理解する → AIと一緒にやってみる → 分からない部分をその場で学ぶ → 自分で確認する
という進め方も取りやすくなりました。
4. AIの成果を評価し、改善する力
AIを仕事で使うとき、一度のやり取りで完璧な答えを得ようとする必要はありません。
実際には、
依頼する → 出力を見る → ズレを見つける → 情報や条件を追加する → もう一度依頼する
というやり取りを繰り返しながら、成果物を目的に近づけていく場面が多くあります。
最初の出力が期待どおりでなかったとしても、それだけで「AIは使えない」と判断するのではなく、なぜズレたのかを考えます。
たとえば、
- 前提条件を伝えていなかった
- ゴールが曖昧だった
- 一度に依頼する範囲が広すぎた
- AIが苦手な作業まで任せていた
といった原因が考えられます。
こうしたズレを修正しながら使い続けると、
- どのくらい背景情報を渡せばよいか
- どこまで仕事を分割した方がよいか
- どのような依頼なら安定しやすいか
- どの作業では確認を増やすべきか
- モデルによって何が得意なのか
といった感覚が少しずつ身についてきます。
キャリアリコードでは、こうした積み重ねを**「AIと仕事をする経験値」**と考えています。
AI活用で求められるのは、「正しいプロンプト」を一つ覚えることだけではありません。
どの情報を渡すのか。
どこまで任せるのか。
どこを疑うのか。
どのタイミングで自分が確認するのか。
実際に何度も使いながら、こうした判断ができるようになることが大切です。
そのため、AIについて一通り勉強してから使い始める必要もありません。
メールの下書きや文章整理、調査、Excel、資料作成など、身近な仕事から使い、うまくいった方法とうまくいかなかった方法の両方を蓄積していくことで、自分なりのAI活用方法が見えてきます。
AIがあれば、これまでの勉強は必要なくなる？
AIによって多くの作業を補助できるようになると、「これまでのように勉強する必要はなくなるのでは」と感じることもあります。
実際、以前ほど細かく覚えなくてもよくなった知識や操作はあります。
たとえばExcelでは、必要な関数名や書き方をすべて暗記していなくても、AIにやりたいことを伝えれば数式を提案してもらえます。
プログラミングでも、構文やライブラリの使い方を完全に覚えていなくても、AIに例を出してもらいながら実装できる場面があります。
この意味では、細かな知識をすべて暗記する必要性は下がっていると考えられます。
ただし、「勉強そのものが不要になる」という意味ではありません。
AI時代は、覚えておく必要があることと、理解しておく必要があることを分けて考えることが大切です。
| AIで補いやすくなったもの | 引き続き理解しておきたいもの |
|---|---|
| 関数名や構文 | 何を計算・処理したいのか |
| 操作手順 | なぜその方法を使うのか |
| 文章の下書き | 内容が正しいか |
| コード生成 | 設計・安全性・保守性 |
| 情報を探す作業 | 情報が信頼できるか |
Excelの関数名そのものは、AIに聞けばすぐ分かります。
しかし、
- どの数字を集計したいのか
- 条件をどう設定するのか
- 出てきた結果が妥当なのか
- その集計で業務上の目的を満たせているのか
を判断するには、業務への理解が必要です。
プログラミングでも、文法を細部まで暗記していなくてもコードは作れますが、設計やセキュリティ、保守性について判断するには基礎知識や経験が欠かせません。
AIによって、「調べればすぐ分かることを大量に記憶しておく」必要性は下がるかもしれません。
一方で、
- 原理や仕組みを理解する
- 目的に応じて方法を選ぶ
- 出力を検証する
- 間違いに気づく
- 複数の方法を比較する
といった、判断の土台になる知識は引き続き必要です。
これからの学びでは、「どれだけ覚えるか」だけではなく、何を理解していればAIの力を適切に使えるかという視点も持っておきたいところです。
AI時代は「専門性 × AI」で考える
AIがさまざまな作業を補助できるようになっても、全員がAIの専門家になる必要はありません。
むしろ、それぞれが持っている専門性にAIを組み合わせることで、仕事の幅を広げられます。
たとえば、
営業経験 × AI
なら、商談準備や顧客情報の整理、提案のたたき台作成にAIを使えます。
マーケティング知識 × AI
なら、調査、仮説出し、データ整理、広告やコンテンツの案出しを補助してもらえます。
エンジニアリング × AI
なら、実装やテスト、調査などを補助してもらいながら、より多くの時間を設計や判断に使える可能性があります。
経理知識 × AI
なら、データ整理や数式作成、説明文作成などを効率化できます。
PwCの「グローバルAIジョブバロメーター2026」でも、AI人材をAIエンジニアやデータサイエンティストだけに限定せず、AIと業務をつなぐ人材や、各部門でAIを活用して成果を出す人材まで含めて考える必要性が示されています。
出典：PwC Japan「2026年グローバルAIジョブバロメーター」
目指すのは単に「AIが使える人」ではなく、
自分の仕事にAIをどう組み込めるかを考えられる人
です。
プログラミングやAI技術は全員が学ぶべき？
AI時代に備えるために、「プログラミングを学んだ方がいい」「AIの仕組みを深く理解した方がいい」と考える人もいるでしょう。
こうした学習が役立つ場面はあります。
ただし、すべての人がエンジニアレベルのプログラミングやAI技術を学ぶ必要があるわけではありません。
必要な技術レベルは、職種や目指すキャリアによって変わります。
たとえば営業職であれば、機械学習モデルを自分で構築できることよりも、AIを使って商談準備や顧客情報整理、提案作成を効率化する方が、仕事に直接つながる場合があります。
一方で、エンジニアやデータ分析に関わる人であれば、プログラミングやAPI、データ構造、AIモデルの特性について理解を深める価値は高くなります。
ただし、職種を問わず持っておきたいのが、AIリテラシーです。
少なくとも、
- AIに何ができるのか
- 何が苦手なのか
- どこで間違いやすいのか
- AIの回答をどこまで信用してよいのか
- 機密情報や個人情報をどう扱うのか
- 自分の仕事のどこに組み込めそうか
といった基本的な性質は理解しておきたいところです。
IPAの「DXリテラシー標準」でも、すべてのビジネスパーソンを対象に、AIの仕組みや活用可能性、できること・できないことなどを理解することが示されています。
全員がAIを作れる必要はありませんが、AIをどう扱うかは理解しておく。
そのくらいの距離感で考えるとよいでしょう。
「AI時代だから」という理由だけで、自分の仕事との接点が薄い技術を片っ端から学ぶ必要もありません。
限られた学習時間を使うなら、今の仕事でAIを活かすために何が不足しているのかから考える方が、実務につながりやすくなります。
何から学ぶか迷ったら、今の仕事から考える
AI時代に何を学ぶべきか迷ったときは、流行しているスキルから選ぶのではなく、まず今の仕事を見直してみましょう。
STEP1：今やっている仕事を書き出す
日常的に行っている業務を、一度一覧にします。
STEP2：時間がかかっている作業を探す
たとえば、
- 手作業で繰り返している
- 調査に時間がかかる
- 下書きやたたき台を毎回作っている
- 大量の情報を整理している
- 判断材料を集めるのに時間がかかる
といった仕事です。
STEP3：その一部をAIに手伝わせる
最初から仕事全体を任せる必要はありません。
レポートの下書きだけ、情報整理だけ、数式作成だけ、といった小さい部分から試します。
STEP4：そこで不足したものを学ぶ
実際に使ってみると、
- AIに状況をうまく伝えられない
- 出力が正しいか判断できない
- 業務そのものを整理できていない
- データの見方が分からない
- AIに任せる範囲を切り分けられない
といった不足が見えてきます。
その不足部分が、次に学ぶべきスキルの候補です。
つまり、
勉強 → 実践
だけでなく、
実践 → 足りないものを知る → 勉強する
という順番でも構いません。
キャリアリコードでは、AI時代のスキルアップは、今の仕事を起点に考える方が無駄が少ないと考えています。
「AI時代だから何を勉強するべきか」ではなく、
自分の仕事を、AIを使ってどこまで広げたいか
から考える。
そうすると、必要な学習内容も具体的になります。
まとめ｜AI時代は「自分×AI」でスキルを広げる
AI時代に必要なのは、AIツールの操作方法だけではありません。
この記事では、必要な力を次の4つに整理しました。
- 自分の仕事や専門領域を理解する力
- 現状・課題・ゴールを整理してAIに渡す力
- AIを使って自分の実行力を広げる力
- AIの成果を評価し、改善する力
AIによって、細かな操作方法や知識をすべて暗記しなくてもよい場面は増えています。
一方で、AIが作ったものを正しく判断するための業務知識や専門性まで不要になるわけではありません。
AI時代だからといって、これまで積み上げてきた経験やスキルを捨てて、まったく別の専門性を身につける必要もありません。
まずは、
自分の専門性 × AI
という形で考えてみてください。
そして、「何を勉強すればよいのか」と迷ったら、今の仕事の中からAIに少し手伝ってもらえそうな作業を一つ探してみましょう。
実際に使ってみて感じた、
「AIにうまく伝えられない」
「出てきたものが正しいか判断できない」
「もっとできることを増やしたい」
という不足が、次に身につけるべきスキルを教えてくれます。
