AIで職を失った人、AIで月商1,580万円を稼いだ人｜2026年の明暗を数字で見る

「AIに仕事を奪われる」という話と、「AIで稼げる」という話。2026年になっても、どちらも大量に流れてきます。そして困ったことに、どちらも本当です。

問題は、この2つがいつも別々の記事に書かれていることです。失業の記事には稼いだ人が出てこない。稼いだ人の記事には失った人が出てこない。だから読んでいる側は、自分がどちらの側にいるのか、いまいち判断できないまま終わります。

こんにちは、Synthです。

今日は**「個人がどうなったか」だけ**を、金額と時間の数字で並べます。企業のレイオフ発表の話は最小限にします（そちらはAIで「クビ」になった人、「採用」された人2026で企業視点から詳しくやりました）。ここで見たいのは、その発表の下にいた一人ひとりの家計と時間がどう動いたか、です。

最初に断っておくと、私は中立ではありません。**私自身、AIがなければこのメディアは1日も回っていません。**だから「AIで得をした側」の立場から書いています。その分、都合のいい成功例だけを並べないように、生存バイアスの注意は本文中で何度もしつこく入れます。読み飛ばさずに読んでください。

💴 為替について：本記事のドル建て金額は、すべて1ドル＝150円で日本円換算しています。ユーロ建ての箇所のみ1ユーロ＝170円で計算し、その都度明記します。実際のレートは変動しますので、目安としてご覧ください。

---

まず結論：2026年、明暗はこう分かれた

長い記事なので、先に対比表を置きます。詳細は本文で。

	失った側	得た側
規模	2026年第1四半期だけで世界のテック職 約78,000〜80,000人が削減	AI人材の需要は2025年に245%増、米国のAI求人は前年比163%増
うちAI起因	削減理由の約半分がAI・自動化	AIスキル保有者の賃金は同等職種の非保有者より56%高い（1年前は25%）
直撃した層	エントリーレベルのソフトウェアエンジニア（コード生成・ドキュメント・バグ修正が主業務）	専門知識×AIの掛け算を持つ人（医師・弁護士・数学者などがAIトレーナー高給層）
個人の金額	収入ゼロ、再就職までの期間が長期化	常勤2名の代理店が月商42,000ドル（約630万円）、一人運営のAI写真サービスが月商1,580万円
2030年見通し	9,200万職が消失（WEF予測）	1億7,000万職が創出（WEF予測） → 差し引き+7,800万職

数字だけ並べると「差し引きプラスならいいじゃないか」と見えます。でも消える9,200万人と生まれる1億7,000万人は、同じ人ではありません。ここが今回の記事のいちばん重要な論点です。

---

【失った側】2026年、誰がどう消えたのか

8万人という数字の中身

2026年第1四半期、世界のテック業界で約78,000〜80,000人の人員削減がありました。四半期で8万人です。1日あたり約870人が職を失った計算になります。

そして各種調査によると、この削減理由の約半分がAI・自動化を挙げています。残り半分は金利・景気・コロナ期の過剰採用の反動など、AI以外の要因です。

削減の背景	おおよその割合	内容
AI・自動化による代替	約50%	業務そのものがAIで代替可能になった
過剰採用の反動	—	2021〜2022年に採り過ぎた分の調整
金利・資金調達環境	—	スタートアップの資金繰り悪化
事業ポートフォリオ整理	—	不採算部門の閉鎖・売却

「全部AIのせい」ではない、という点は公平に押さえてください。2021〜2022年のテック業界は、明らかに採り過ぎでした。金利がゼロに近く、資金がいくらでも入ってきた時期に膨らんだ人員が、金利上昇で正常化しただけ——という部分は確実にあります。

ただ厄介なのは、経営者にとって「AIで効率化したので削減します」は、「採り過ぎたので削減します」より圧倒的に言いやすいことです。株価にもプラスに働きます。だから「AI起因」と発表された数字は、実態より多めに出ている可能性があります。逆に、AIで静かに欠員補充をやめている企業（採用しないだけなので発表されない）は、数字に一切出てきません。

つまり、発表ベースの数字は過大にも過小にもなり得る。この曖昧さを飲み込んだうえで読み進めてください。

なぜ「新人の開発職」が真っ先に消えたのか

2026年に最も可視的に影響を受けた職種は、ソフトウェアエンジニアでした。これは多くの人にとって意外だったはずです。数年前まで「AI時代に最も安泰」と言われていた職種だからです。

象徴的なのが Microsoft です。CEOのサティア・ナデラは、社内で書かれているコードの約30%をAIが生成していると公に述べています。そして同社の2025年5月のレイオフでは、対象者の40%超がソフトウェアエンジニアでした。

ここで重要なのは、エンジニア全体が均等に減ったのではないという点です。消えたのは、圧倒的に**エントリーレベル（新人〜3年目）**でした。理由は構造的で、しかも冷酷なくらいシンプルです。

新人エンジニアに任される仕事は、だいたい次の3つでした。

新人の典型業務	AIによる代替度	理由
仕様書通りのコード生成	非常に高い	入力（仕様）と出力（コード）が明確で、正解の判定もテストで自動化できる
ドキュメント・コメント作成	非常に高い	コードを読んで説明文を書く作業はLLMが最も得意な領域
既知パターンのバグ修正	高い	エラーメッセージ→原因→修正のパターンが学習データに大量にある

この3つ、全部AIが得意な領域です。しかも新人より速くて、疲れなくて、深夜も動く。

一方、シニアエンジニアの仕事は「どういう設計にするか決める」「AIの出力が正しいか判断する」「障害が起きたとき責任を持って収束させる」——判断と責任の領域です。ここはまだ人間が握っています。

結果として起きたのが、「はしごの下の段が消える」現象です。新人が経験を積んでシニアになる、という育成の階段の、最初の3段が丸ごとAIに置き換わってしまった。企業から見れば短期的には合理的です。でも5年後、シニアがどこから供給されるのか、という問題は誰も解いていません。

これは開発職に限りません。法務のリサーチ、経理の一次チェック、デザインのバリエーション出し——どの職種でも「新人がやって覚える仕事」が最初に消えています。

消えた・減った職の一覧

2026年時点で、AIによる代替リスクが高いと指摘されている業務を整理します。

領域	リスクの高い業務	代替されやすい理由
IT・開発	エントリーレベルのコーディング、定型的なテスト作成、ドキュメント作成	入出力が明確で正誤判定を自動化できる
事務	データ入力、書類の転記、フォーマット変換	完全に反復作業で、判断の余地がない
カスタマーサポート	スクリプトに沿った一次対応、FAQ回答	想定問答が有限で、過去ログが大量にある
法務	基礎的な判例・条文リサーチ、契約書の一次チェック	文書検索と要約はAIの中核能力
コンテンツ	コンテンツモデレーション、定型記事の量産	ルールベースの判定と定型文生成
製造	組立ラインの反復作業、目視の品質検査、資材ハンドリング	画像認識とロボティクスの組み合わせで代替可能
小売	レジ、在庫管理、基本的な顧客対応	セルフレジ・自動発注システムの成熟

この表を見て「自分の職種が入っている」と青くなった人へ。職種名で判断しないでください。表に入っているのは職種ではなく業務です。あなたの1日のうち、これらの業務が占める割合が何%か——そこが実際のリスクです。

たとえば経理でも、「仕訳を打つだけ」の人と「異常値を見つけて社長に相談する」人では、まったく話が違います。後者は減っていません。むしろ、前者の作業から解放された分、増えている可能性すらあります。

---

【得た側①】AIで実際に稼いだ個人と、その金額

さて、明るい話をします。ただしこの章がいちばん危険なので、先に警告を置きます。

⚠️ これから出す金額は、すべて成功例です。中央値ではありません。 同じことに挑戦して月0円で撤退した人のほうが、桁違いに多く存在します。そして撤退した人は記事になりません。この非対称性を生存バイアスと呼びます。読みながら、常に「これは上澄みだ」と唱えてください。

実例1：常勤2名で月商42,000ドルの代理店

米国テキサス州オースティンのブティック型マーケティング代理店の例です。

項目	数字
常勤スタッフ	わずか2名
担当クライアント数	12社
月商	42,000ドル（約630万円）
一人あたり月商	21,000ドル（約315万円）

従来、12社のクライアントを回すには、コピーライター、デザイナー、アナリスト、ディレクターと、最低でも6〜8名は必要でした。それを2名でやっている。

ここで見るべきは「AIがすごい」ではありません。この2名は、消えた6名分の仕事を吸収して報酬に変えたという構造です。つまりこの事例は、得た側の話であると同時に、採用されなかった6名の話でもあります。同じコインの裏表です。

実例2：一人運営のAI写真サービスで月商1,580万円

もう一つ、規模の大きい例。AIで写真を生成・加工するサービスを一人で運営し、月商1,580万円を達成したソロプレナーの事例が報告されています。

さらに上には、AIヘッドショット（ビジネス用証明写真をAI生成するサービス）で月商4,500万円という事例もあります。

事例	運営人数	月商	特徴
ブティック代理店（オースティン）	2名	約630万円	12社のクライアント業務をAIで巻き取り
AI写真サービス	1名	1,580万円	完全プロダクト型、労働時間と売上が非連動
AIヘッドショット	少人数	4,500万円	明確なビジネス用途、単価が高い
同人クリエイター（FANZA）	1名	月2万円超	小さく始めた例。2026年3月時点

最後の行を入れたのは、ここがいちばん大事だからです。

FANZA同人でAIを活用した個人クリエイターが、2026年3月に2万円超の収益を上げたという記録があります。月2万円です。1,580万円と並べると誤差のように見えますが、現実的な入口はここです。

月2万円は、多くの人にとって「サブスク代が全部無料になって、少し外食が増える」金額です。そして、月2万円を作れた人は月5万円への道筋が見えます。いきなり1,580万円を狙う人は、だいたい0円で終わります。

上澄みと中央値の間にあるもの

先ほどの表を、もう一度「確率」の視点で見てください。

収益レンジ	到達している人の体感的な多さ	必要なもの
月0円	圧倒的多数	—
月数千円〜2万円	かなりいる	継続する習慣と、作ったものを置く場所
月5万〜20万円	それなりにいる	継続 + 誰かの困りごとを解決している実感
月100万円超	ごく少数	上記 + プロダクト化 + 集客の仕組み
月1,000万円超	例外的	上記 + タイミング + 運

私が言いたいのは「夢を見るな」ではありません。**「1,580万円の記事を読んで、月2万円を軽視するな」**です。1,580万円の人も、最初の月は数千円だったはずです。

そしてもう一つ。これらの成功例に共通しているのは「AIが上手い」ことではなく、「解決している困りごとが明確」なことです。AIヘッドショットが売れるのは、AIがすごいからではなく、「証明写真をスタジオで撮るのは面倒で高い」という明確な不便があるからです。AIはその不便を安く解く手段でしかありません。

---

【得た側②】稼ぎではなく「時間が返ってきた」人たち

得をした人は、稼いだ人だけではありません。むしろ人数で言えば、こちらのほうが圧倒的に多いです。

explAIn では、AIを実務に入れた小規模事業者のモデルケースを取材・整理してきました。そこで共通して起きていたのは、売上の増加ではなく時間の返却でした。

現場	Before	After	返ってきた時間
町工場（社員3名・板金加工）	見積1件に約120分	約20分	1件あたり100分。社長の見積作業が1日2〜3時間→30〜40分
税理士事務所（所長1名+事務員2名）	決算書1社チェックに2時間	30分	所長の繁忙期残業が月120時間→月40時間
デイサービス（利用者20名）	介護記録の転記に1名2時間/日	30分	記録関連業務が月55時間→月13時間

数字だけ見ると地味です。月40時間が浮いた、という話に、月商1,580万円ほどのインパクトはありません。

でも考えてみてください。**月42時間というのは、週に約10時間です。**毎日2時間早く帰れる。子どもが起きているうちに家に着ける。土曜に丸1日休める。

介護の現場では、この時間が個別機能訓練の充実と家族面談に回りました。税理士事務所では、同じ人員のまま顧問先を40社から55社に増やせる余力になりました。町工場では、見積返信が平均2.3日から0.4日に短縮され、受注率が32%→41%に上がりました。

「稼ぎが増えた」より「時間が返ってきた」のほうが、再現性は圧倒的に高いです。月商1,580万円は真似できませんが、見積2時間を20分にするのは、多くの人が今週から真似できます。

詳しくは各記事にまとめてあります。

• 3人の板金屋がClaudeで見積時間を2時間→20分に短縮した話
• 岐阜の税理士事務所がClaudeで決算書チェック2時間→30分に短縮した話

そして重要なのは、この人たちは誰も職を失っていないことです。町工場の社長も、税理士も、介護スタッフも、全員そのまま働いています。ただ、業務の中の「AIが得意な部分」だけを渡した。それだけです。

これが、この記事でいちばん伝えたい構造です。**AIとの関係は「奪われるか、稼ぐか」の二択ではありません。**大多数の人にとっては「業務の一部を渡して、時間を取り戻す」という第三の道が現実的です。

---

【得た側③】新しく生まれた職と、その給料

では、AIが生んだ職はどれくらいの給料なのか。ここも数字で見ます。

AI関連職の給与レンジ

職種	給与レンジ	日本円換算（1ドル150円）	特徴
プロンプトエンジニア（米国）	$110,000〜$150,000	約1,650万〜2,250万円	高度なコーディングスキルが必ずしも不要
プロンプトエンジニア（欧州）	€45,000〜€65,000	約765万〜1,105万円（1ユーロ170円）	米国とのギャップが大きい
AIトレーナー（入口）	時給$15前後	約2,250円/時	データラベリング中心。誰でも入れるが単価は低い
AIトレーナー（上位）	年収6桁（$100,000超）	1,500万円超	アラインメント研究職。医師・弁護士・数学者などの専門家が中心
AIエンジニア	—	—	米国で最も急成長した職種タイトル

いちばん注目してほしいのは、**プロンプトエンジニアの行に書いた「コーディングスキルが必ずしも不要」**という点です。

プロンプトエンジニアリングは、AIに対する指示の設計です。求められるのは、曖昧な業務要件を、AIが正確に実行できる言葉に翻訳する能力。これは言語能力と業務理解の仕事であって、必ずしもプログラミングの仕事ではありません。

つまり非エンジニアが、比較的短い助走で入れる数少ない高給職ということです。もちろん米国の水準であって日本ではありませんし、この職種名自体が数年で消える（＝全職種の基本スキルに吸収される）可能性も高いのですが、「AIの高給職＝理系のプログラマ限定」という思い込みは、2026年時点ではもう外れています。

AIトレーナーの給与が「時給2,250円〜1,500万円」に開く理由

AIトレーナーの需要は年**25〜35%**で成長していますが、給与レンジが極端に広い。ここに、この記事の核心があります。

層	仕事の中身	報酬
入口層	画像や文章にラベルを付ける（データラベリング）	時給$15前後（約2,250円）
中間層	AIの出力を評価し、良し悪しをフィードバック	案件により変動
上位層	専門領域でAIの回答が正しいか判定し、アラインメント研究に関与	年収$100,000超（1,500万円超）

上位層で求められているのは、AIの知識ではありません。医学、法律、数学、金融といった専門領域の高度な知識です。「この医学的回答は正しいか」を判定できるのは医師だけで、AIエンジニアには判定できません。

だからこそ、最も高給なAI関連職に就いているのは、AIのジェネラリストではなく、各分野の専門家です。

これは「AIを学べば安泰」という発想への、いちばんきつい反証です。AIを学んだだけの人は、時給2,250円のラベリング側に並びます。10年やってきた専門を持っている人が、そこにAIを足すと1,500万円側に行く。差を生んでいるのはAIではなく、AI以前に積み上げた何かです。

その他、生まれている職種

• AIセキュリティ専門家 — プロンプトインジェクションなどAI特有の攻撃への対策
• AI倫理担当 — 差別・偏見・法規制対応
• AI品質保証（QA）スペシャリスト — AI出力の検証・ハルシネーション検出の仕組み作り
• ロボット技術者・自動化エンジニア — 物理世界との接続
• AIマーチャンダイジング — 小売の需要予測・品揃え最適化
• 物流最適化スペシャリスト — 配送ルート・在庫配置の最適化

Gartnerは、2026年までに企業の80%超が生成AIを業務に統合すると予測しています。80%の企業が導入するということは、80%の企業に「導入して運用する人」が必要になるということです。この需要は、AIベンダーではなく導入する側の企業で発生します。

「AIスキルで賃金56%増」という数字の読み方

最後に、いちばん引用されている数字。

**AIスキルを持つ労働者は、同等職種の非保有者より56%高い賃金を得ている。**そして注目すべきは、1年前この数字は25%だったということです。1年で25%→56%。格差が2倍以上に広がっています。

この数字、2通りの読み方ができます。

読み方	解釈	含意
楽観的	AIスキルの価値がまだ上昇中。今から学んでも十分間に合う	学習の投資対効果が高い時期
悲観的	持つ人と持たない人の格差が急拡大している	遅れた人が追いつくのが年々難しくなる

私は両方が同時に正しいと思っています。今はまだ「学べば大きく報われる」フェーズです。同時に、この差が広がり続けるなら、着手が遅れるほど不利になるのも確かです。

ただしこの56%という数字には統計的な注意が必要です。AIスキル保有者は、そもそも新しい技術に自発的に手を出す層です。学習意欲が高く、成長業界にいて、大都市の企業に勤めている傾向があります。AIスキルが賃金を上げたのか、賃金の高い環境にいる人がAIスキルを持ちやすいのか、因果の向きは単純ではありません。

「AIを学べば給料が1.56倍になる」という読み方は、たぶん間違いです。「AIを学ぶような動き方をしている人が、結果的に高い賃金を得ている」のほうが実態に近いでしょう。それでも、動くべき方向としては同じです。

---

【最重要】「作れる側」に回った人たちの得

ここからが、私がいちばん書きたかった章です。

これまで見てきた「得た側」は、①稼いだ人、②時間が返ってきた人でした。でも実は、もう一つのタイプの得があります。それは、非エンジニアが自分でツールを作れるようになったという得です。

「欲しいものを、自分で作れる」という変化

2023年以前、業務ツールが欲しい非エンジニアの選択肢は3つでした。

選択肢	コスト	問題
既製のSaaSを買う	月数千〜数万円	自社の運用に合わない部分は諦めるしかない
外注する	数十万〜数百万円	修正のたびに費用と時間。小さな改善ができない
Excelマクロで頑張る	時間	できることの限界が早く来る

2026年、ここに4つ目が入りました。AIに手伝ってもらって自分で作るです。

これは「プログラミングを覚える」とは違います。作りたいものを言葉で説明し、出てきたものを試し、直したい点を伝える——このループが回せれば、動くものができます。求められているのは、コードを書く能力ではなく、何が欲しいかを言葉にする能力と、出てきたものが正しいか判断する能力です。

私の話をします

explAIn は、まさにこのタイプの得の産物です。

このメディアは、Astro という静的サイトジェネレータで作られていて、Cloudflare 上で動いています。記事の執筆、ソースの一次確認、内部リンクの整理、公開後の検証——この工程の大半をAIが担っています。運営しているのは、エンジニアではない個人です。

3年前なら、これは成立しませんでした。メディアを1つ立ち上げるには、エンジニアとデザイナーとライターと編集者が必要でした。最低でも数百万円の初期費用と、月々の人件費がかかりました。個人が始められるものではなかった。

いま、それが一人で回っています。私は毎日この事実に驚いています。同時に、この構造は「かつてこの仕事をしていた人たち」の仕事を奪った側でもあるということも、忘れないようにしています。得た側は、必ずどこかで誰かの失った側とつながっています。

「使う側」と「作る側」の差

AIの活用には、実は3段階あります。

段階	やっていること	得られるもの
第1段階：使う	文章を書かせる、要約させる、翻訳させる	作業時間の短縮（数十%）
第2段階：仕組みにする	よく使う指示をプロンプトとして保存し、手順を標準化する	自分以外も使える再現性
第3段階：作る	自分の業務に合わせたツール・自動化そのものを組み立てる	他人が真似できない資産

多くの人は第1段階で止まります。それでも十分に得なのですが、第1段階の得は**誰でも得られるので、差になりません。**全員がChatGPTを使うようになれば、ChatGPTを使えることは強みではなくなります。

差がつくのは第3段階です。そしてここに来られるかどうかを分けているのは、プログラミングの才能ではなく、「これ、自分で作れるんじゃないか？」と一度でも試してみたかどうかだけだった、というのが私の実感です。

---

明暗を分けたものは何だったのか

ここまでの実例を並べて、共通する構造を抜き出します。

「置き換えられる仕事」と「増幅される仕事」

	置き換えられる仕事	増幅される仕事
入出力	入力が決まれば出力も決まる	入力が曖昧で、何を作るか自体を決める必要がある
正誤判定	正解がある（自動で検証できる）	正解がない（誰かが判断して責任を負う）
成果の上限	時間に比例する（作業量＝成果）	AIを使うほど伸びる（判断の質＝成果）
例	転記、定型返信、仕様書通りのコード	設計、交渉、企画、レビュー、責任の引き受け

シンプルに言えば、「何をやるか決まっている仕事」は置き換えられ、「何をやるか決める仕事」は増幅されました。

AIが取れないもの3つ

2026年時点で、AIがどうしても引き受けられないものが3つあります。

1. 判断 AIは選択肢を出せますが、選べません。正確には「選んだように見える出力」は出せますが、それが外れたときに責任を持てません。だから、最終的に選ぶ人が必ず必要です。

2. 責任 税理士の押印、医師の診断、弁護士の代理——これらは能力の問題ではなく、法的に人間が負うことになっている役割です。AIがどれだけ賢くなっても、法制度が変わらない限り、ここは人間の領域です。

3. 関係性 「あの人が言うなら」という信頼、10年の取引の記憶、言わなくても伝わる文脈。これらは文書になっていないので、AIは学習できません。そして、この3つ目を最も多く持っているのは、たいてい年配の人です。

明暗を分けた、たった一つの分岐点

実例を並べていて気づいたことがあります。得た側の人たちは、AIに詳しかったわけではありません。

町工場の社長は、LLMの仕組みを知りません。税理士も知りません。月商1,580万円のソロプレナーも、たぶんモデルの内部構造には興味がないでしょう。

共通していたのは、「自分の仕事の中で、いちばん面倒な部分」を明確に言えたことでした。見積作成。決算書チェック。介護記録の転記。証明写真を撮りに行く面倒さ。

AIを学ぶ前に、自分の面倒を特定する。これが分岐点でした。逆に、「AIで何かできないか」から入った人は、だいたい何もできずに終わっています。順番が逆なんです。

---

2030年までの見通し：+7,800万職の中身

世界経済フォーラム（WEF）の「Future of Jobs Report 2025」は、2030年までの見通しをこう出しています。

項目	規模
新しく生まれる職	1億7,000万
消失する職	9,200万
差し引き	+7,800万職

差し引きプラス。数字だけ見れば、明るいニュースです。

でも、この記事の冒頭で書いた通り、消える9,200万人と生まれる1億7,000万人は、同じ人ではありません。

小売のレジ係が、AIセキュリティ専門家になるわけではありません。データ入力担当が、AIアラインメント研究者になるわけでもありません。マクロの数字はプラスでも、ミクロの個人にとっては、消えた側から生まれた側へ移動できるかどうかが全てです。

そして移動には、時間と、学習の余力と、経済的な余裕が要ります。失業してから学び始めるのは、いちばん条件が悪いタイミングです。だから、まだ仕事があるうちに動くことに意味があります。

移動のしやすさには、はっきり傾斜があります。

移動のパターン	難易度	理由
今の仕事 → 今の仕事＋AI活用	低い	業務知識をそのまま使える。いちばん現実的
今の仕事 → 隣接業務（同業界のAI導入担当など）	中	業界知識が効く
今の仕事 → まったく別のAI専門職	高い	ゼロからの積み上げになり、若手と競合する

推奨は、圧倒的に一番上です。キャリアチェンジではなく、キャリアの上書き。今の仕事を捨てずに、AIを足す。これがいちばん成功率が高い道です。

---

今日からできる3ステップ

抽象論を終わりにして、具体的な手順を書きます。この3つだけです。

ステップ1：自分の1週間を書き出す（所要：1週間、1日5分）

まず、自分が何に時間を使っているかを記録します。手帳でもスプレッドシートでも構いません。1日の終わりに、その日やった作業を箇条書きで5分だけ書く。それを1週間続けます。

書けたら、各項目に印を付けます。

印	意味	判定基準
A	定型作業	同じ入力なら同じ出力になる。判断がほぼ不要
B	判断が絡む	状況に応じて答えが変わる。責任が発生する
C	人と会う	交渉、相談、雑談、信頼構築

Aの割合が高いほど、AIで返せる時間が多い（＝同時に、代替リスクも高い）。BとCが高い人は、AIに任せられる部分は少ないですが、代替リスクも低いです。

この作業を飛ばして次に行かないでください。自分の面倒を特定していない人は、AIを触っても何もできません。順番が全てです。

ステップ2：Aの作業を1つだけAIに渡す（所要：1週間）

1週間分のAリストの中から、いちばん時間を食っている1つを選びます。複数選ばないでください。1つです。

そして、その作業をAIにやらせてみます。ポイントは3つ。

• **完璧を目指さない。**AIの出力が6割の出来でも、そこから自分が直したほうが速いなら勝ちです
• 具体的に指示する。「メールを書いて」ではなく「取引先A社への納期遅延のお詫びメール。原因は部品調達の遅れ。代替案として分納を提案。3〜4段落、丁寧すぎない敬語で」
• **失敗したら指示を直す。**AIを変えるのではなく、言い方を変える

1週間やって、時間が半分になれば成功です。ならなければ、選んだ作業が悪かったか、指示が曖昧だったかのどちらかです。

ステップ3：うまくいった指示を「保存」する（所要：30分）

ここが、多くの人が抜かす一番もったいないステップです。

うまくいったプロンプトを、メモ帳でもドキュメントでもいいので**保存してください。**そして次回、それをコピーして使う。これだけで、第1段階（使う）から第2段階（仕組みにする）に上がります。

さらに欲を言えば、その保存したプロンプトを**同僚に渡してください。**同僚の時間も減ります。そして「AIに詳しい人」というポジションが、社内で勝手に立ち上がります。

この3ステップの総所要時間は、2週間と30分です。月商1,580万円は保証しませんが、月10時間くらいなら、かなりの確率で返ってきます。

具体的なツール選びはAI文章作成ツールおすすめ5選、副業として伸ばしたい場合はAIを使った副業の始め方にまとめてあります。

---

年代別・職種別の現実的な戦略

同じアドバイスが全員に効くわけがないので、分けて書きます。

年代別

年代	置かれている状況	推奨戦略
20代	業務知識の蓄積が薄く、AIに代替されやすい定型業務を任されがち。エントリーレベルの職が減っているので最も逆風	「言われた通りにやる」から早く抜ける。AIを前提に、最初から設計・検証側の訓練を積む。専門領域を1つ決めて深く掘る（浅く広くは最も危険）
30〜40代	業務知識はある。管理業務も持ち始める。いちばん有利な位置	今の業務知識にAIを足す。第3段階（作る側）に到達しやすい。社内のAI導入担当を取りに行くと、業界知識とAIの掛け算になる
50代以上	新しいツールへの心理的ハードルが最大。一方で関係性と暗黙知は最も豊富	AIを覚えるのではなく「AIに任せられる面倒を1つ渡す」だけでいい。3つ目の資産（関係性）が最も強いので、そこを守りながら定型業務だけ削る

20代がいちばん厳しい、というのは直感に反するかもしれませんが、2026年のデータはそう示しています。はしごの下の段が消えたことの直撃を受けているのは、若い世代です。逆に言えば、その中で設計・検証側に早く回れた20代は、供給が細っているぶん、数年後に相当な希少価値になります。

職種別

職種	消える業務	残る・伸びる業務	最初にやること
事務・経理	転記、フォーマット変換、一次チェック	異常の発見、社内調整、判断の橋渡し	月次で必ず発生する定型作業を1つAIに渡す
エンジニア	仕様書通りの実装、定型テスト、ドキュメント	設計、レビュー、障害対応、AI出力の検証	書く速度ではなく「AIの出力の誤りを見抜く速度」を鍛える
クリエイター	バリエーション出し、下書き、単純加工	コンセプト設計、クライアントとの合意形成、品質の最終判断	AIを下書き係にして、自分は「選ぶ人」に移る
士業（税理士・社労士等）	資料の一次チェック、条文リサーチ、報告書ドラフト	最終判断、署名・押印責任、顧問先との関係	独占業務の線を明文化したうえで、ドラフト工程だけ渡す
営業	提案書の型作り、議事録、フォローメール	関係構築、交渉、無理筋の案件の見極め	商談後の事務作業を全部AIに寄せて、商談数を増やす
販売・接客	在庫管理、基本的な問い合わせ対応	対面の接客、店舗の空気づくり、常連との関係	発注・シフト・POP作成など裏方の作業から渡す

どの職種でも、構造は同じです。**定型を渡して、判断と関係性に時間を寄せる。**それだけです。

---

あなたへの影響

長い記事になったので、最後に持ち帰ってほしいことを4つだけ。

1. 「AIに仕事を奪われる」も「AIで一発当たる」も、どちらも極端です。 2026年の現実の多数派は、その間にいます。**業務の一部を渡して、月に数十時間を取り戻した人たち。**この人たちは記事にならないので目立ちませんが、いちばん人数が多く、いちばん再現しやすい。

2. 月商1,580万円の記事を読んで、月2万円を軽視しないでください。 上澄みの数字は、行動の動機にはなっても、目標にはなりません。成功例だけが記事になり、撤退した大多数は記事にならない——この非対称性を頭に置いたまま、数字を眺めてください。

3. AIを学ぶ前に、自分の面倒を特定してください。 得をした人たちに共通していたのは、AIの知識ではなく「自分の仕事で何がいちばん面倒か」を言葉にできたことでした。順番を間違えると、AIをいくら触っても何も起きません。

4. 判断・責任・関係性は、まだ人間の領域です。 そしてこの3つは、業務年数が長い人ほど多く持っています。AI時代に不利なのは、年齢ではなく「定型業務の割合が高いこと」です。

最後に、私自身の立ち位置をもう一度。私はAIで得をした側で、このメディアもAIなしでは1日も回りません。だからこの記事は、根本的に楽観側に寄っています。その偏りを差し引いて読んでください。

そのうえで一つだけ確信を持って言えるのは、2026年時点では、まだ「今から動けば間に合う」フェーズだということです。AIスキル保有者の賃金プレミアムが25%→56%に広がったという数字は、価値がまだ上昇中であることの裏返しでもあります。上昇が止まる前に、1つでいいので自分の面倒をAIに渡してみてください。

---

関連記事

• AIで「クビ」になった人、「採用」された人2026｜Klarna・Duolingo・国内SIerの実例から見える未来 — **企業視点でのレイオフ・採用の動きはこちら。**Klarna・Duolingo・Salesforce・国内SIerの実名事例を28,000字で
• AI理由の大量解雇、2026上半期15万人の内訳 — 削減の数字そのものを構造から分解した記事
• AIを使った副業の始め方｜月5万円を目指す現実的なロードマップ — 「得た側」に回るための具体的な入口
• 3人の板金屋がClaudeで見積時間を2時間→20分に短縮した話 — 時間が返ってきたタイプの実例
• 岐阜の税理士事務所がClaudeで決算書チェック2時間→30分に短縮した話 — 士業がAIに渡す線の引き方
• AI文章作成ツールおすすめ5選 — ステップ2で使うツールの選び方

---

参考にしたソース

• AI Job Loss Statistics（SQ Magazine）
• Nearly 80,000 tech workers have already lost their jobs in 2026（TechRadar Pro）
• AI Job Disruption Report: Roles Eliminated & Created 2026（AI Magicx）
• Prompt Engineering Salary（Coursera）
• AI Trainer Salary（Wealthvieu）
• New Artificial Intelligence Job Opportunities（Mercor）
• AI Jobs 2026 Hiring Boom（Kore1）
• AI活用事例（MatrixFlow）

📌 最終ファクトチェック：2026年7月25日 本記事の金額・人数・給与レンジは、上記ソースの公開時点の値です。為替は1ドル＝150円（ユーロ建ては1ユーロ＝170円）で換算しています。個別事例の収益額は運営者本人の申告に基づく報告値であり、第三者による監査を経たものではありません。再現性を保証するものではない点にご留意ください。