AI に仕事を奪われない方法（ベンジャミン・トッド氏の記事より）

雇用・失業・キャリア
この記事は約41分で読めます。

この動画は、AI技術の急速な発展により多くの仕事が自動化される中で、どのようなスキルが価値を持ち続けるかを経済理論と実例を用いて分析している。銀行ATMの導入事例から始まり、AI が一部のスキルの価値を下げる一方で他のスキルの価値を押し上げるメカニズムを解説し、個人がAI時代に適応するための具体的な戦略を提示している内容である。

How NOT to lose your job to AI (article by Benjamin Todd)
About half of people are worried they’ll lose their job to AI. They’re right to be concerned: AI can now complete real-w...
www.youtube.com

はじめに：AI時代のスキル価値について

皆さん、こんにちは。ベンジャミンです。この記事は「AI に仕事を奪われない方法」というタイトルで、AI自動化に関する私の読書研究を踏まえて、将来どのようなスキルが最も価値を持つかという問題に答えようとするものや。さらに、そういったスキルを学び始める方法についてのヒントも含んでる。グラフやリンク、脚注の全てについては、完全版の記事を確認してもらいたい。

約半数の人がAIによって仕事を失うことを心配してるが、その懸念は正当なもんや。AIは今やGitHub上の実際のコーディングタスクを完了し、写真のようにリアルな動画を生成し、人間よりも安全にタクシーを運転し、正確な医療診断を行うことができる。そして今後5年間で急速に改善し続ける予定や（前回の記事で議論したとおり）。最終的には、大規模な自動化と賃金下落が現実的な可能性としてある。

自動化がもたらす逆説的効果

しかし、あまり理解されてないのは、AIが実行できるスキルの価値を下げる一方で、実行できないスキルの価値を押し上げるということや。平均的な賃金は、自動化が巨額の富を生み出し、残された作業が更なる成長のボトルネックになる前に、下落する前に上昇する可能性が高い。

説明するように、ATMは実際にオンラインバンキングがその仕事をもっと自動化するまでは、銀行員の雇用を増加させた。あなたの最良の戦略は、AIがより価値を高めるスキルを学ぼうとすることで、自動化の波に乗ろうとすることや。

では、そのスキルとは何か？簡潔に言うと：

  1. AIを実際の問題解決に応用することを学ぶ
  2. 一般的な生産性、社会的スキル、学習方法の習得を含む個人の効果性
  3. 管理、戦略、起業精神のようなリーダーシップスキル
  4. コミュニケーションと美的センス
  5. 政府で物事を成し遂げる能力
  6. 複雑な物理的スキル

これらが何であり、どのように学ぶかについて、これから詳しく説明していく。

これらのスキルは、機械学習を含むAIに必要な分野の知識と組み合わされた時に特に価値が高くなる。同時に、情報セキュリティ、データセンターと発電所の建設、ロボット工学の開発と保守といった分野、そして経済成長により大幅に拡大する可能性のある分野の知識も重要や。

対照的に、これらのスキルの将来はかなり不確実に見える：

コーディング、応用数学、応用STEM；既存知識の想起や定型的な文書作成、管理、翻訳といった定型的なホワイトカラースキル；アニメーションのような視覚的創作；運転のようなより定型的な物理的スキル。

これが雇用市場全体にどのような影響を与えるか、またはどれくらい早く展開するかを言うのは難しい。推測するとすれば、ホワイトカラーの仕事—金融、技術、法律、政府、医療、専門サービスのような—では、より定型的な作業を行う初級レベルのポジションが、AIエージェントを監督する拡大した管理職クラスに押されて苦戦するやろう。短期的には生産性の向上に伴って初級レベルの賃金も上昇する可能性があるが。

小さなチームや個人が、これまで以上にはるかに多くのことを達成できるようになる。一方、物理的な存在を必要とする仕事—警察、建設作業員、教師、外科医のような—は比較的影響を受けず、ロボット工学が追いつくまでは、おそらくその収入がGDPとほぼ歩調を合わせて成長するやろう。

実践的アドバイス：AI展開スキルの習得

もし一つだけ実践的なアドバイスを強調するとすれば、それは実際の問題を解決するためにAIを展開することを学ぶことや。これは既存の仕事でも学べる可能性が高いが、特に検討すべきキャリア開発の選択肢は、成長するAI応用スタートアップで働くことや。

これはAIについて学ばせてくれるだけでなく、一般的な生産性とリーダーシップスキルを比較的早く身につけさせてくれる。

記事の残りでは、自動化が実際に自動化されていないスキルの賃金を増加させる理由を説明する。そして既存の研究、経済理論、最近のデータ、AIの仕組みの理解を使って、AIによって価値が上昇する可能性が最も高いスキルの種類を特定する。

次に、これらのカテゴリーを使って、将来価値が上昇する可能性が最も高い具体的な作業スキルを特定し、それぞれを学び始める方法を説明する。最後に、これらの点を踏まえてどのように自分を位置づけるかについての締めくくりの考えを述べる。長期の訓練期間や定型的なホワイトカラーの仕事を避けて、小規模または成長組織での役割、サイドプロジェクト、そして何をしていてもAIを応用することを学ぶことを支持する。そして最終的に、より多くのお金を貯蓄し、メンタルヘルスに投資することで、自分をより弾力的にすることや。

セクション1：人々が自動化について誤解していること

1990年代半ば、ATMが銀行に現れ始めた。当時、人々はそれが多くの銀行員を失業させると予想していたし、実際に支店あたりの行員数は21人から13人に減少した。しかし、それは銀行支店の運営をはるかに安くした。

そのため、銀行はもっと多くの店舗を開店した。行員の総雇用は実際に20年間増加したが、行員は今やお金を数える代わりに顧客と話すことに時間を費やすようになった。

自動化が賃金と雇用を減少させると一般的に想定されているが、この例は二つの点でそれが間違いであることを示している。

まず、自動化が自動化されているスキル（この場合、お金を数えること）の賃金を減少させるのは確かやが、しばしば他のスキル（この場合、顧客との会話）の価値を増加させる。なぜなら、それらのスキルが新しいボトルネックになるからや。

次に、部分的な自動化は、特定の職種の人々をより生産的にすることで、その職種の雇用を増加させることがよくある。雇用者はより多くの人を雇いたがるようになる。この場合、より少ない銀行員が同じ数の顧客により良いサービスを提供できるようになった。

完全自動化への道のり

しかし、この話には最後のひねりがある：今日、銀行のような雇用は減少している。部分的な自動化が雇用を増加させた一方で、オンラインバンキングによって可能になったより劇的な自動化は確かにそれを減少させた。これもまた一般的なパターンや。

実際、二つの競合する力がある。AIツールは人間の労働者をより生産的にし、通常は雇用を増加させる。しかし、AIが彼らができることを全面的に代替し始めると、それは雇用を減少させる。中程度の自動化がある時は、どちらの力が勝つかを予測するのは難しい。しかし、徹底的な自動化がある時は、二番目の力が勝つ傾向にある。

イギリスの産業革命時代、繊維生産は大幅に自動化された。しかし、これは産業をとても生産的にしたため、繊維製造業の雇用は劇的に増加し、数世代後に再び減少した。今日、秘書、管理者、コールセンター労働者、レジ係、テレマーケター、特殊効果アーティスト、アニメーターの雇用は既に急激に減少しており、AIが長期的なトレンドの継続を助けているかもしれん。

しかし、データサイエンスの雇用は2023年中に依然として20%上昇しており、AIが統計分析と視覚化がかなり得意であるにもかかわらずや。これまでのところ、AIはデータサイエンティストを置き換えるよりもより有用にしているかもしれんが、これがどれくらい続くかは見守る必要がある。

別の分析では、AIが確かに翻訳者の需要を減少させたことが分かった。しかし、翻訳者の雇用は依然として正味で上昇している。これは、AIによる減少が一般的な経済成長による増加を相殺するほど大きくなかったからかもしれん、少なくともこれまでのところ。

自動化が実際に雇用に良い影響を与える三番目の方法は、一つの仕事の雇用がしばしば新しい種類の仕事を創造し、社会がより豊かになるため全体的に賃金を上昇させることや。

歴史的に、ほとんどの人が農業で働いていたが、今日の富裕国では数パーセントにすぎない。だから、経済の大多数の仕事は既に自動化されたと言えるやろう。しかし、今日の所得は当時の約100倍高く、全体的に人々がはるかに高給の仕事に移ったことを示している。

韓国のような一部の国では、この移行の多くが一世代で達成された。多くのリモートワークの仕事が自動化されれば、今後も同様のことが起こる可能性がある。

AGIと経済への影響

AGIと経済の相互作用に焦点を当てた研究グループであるEpoch AIは、作業タスクの約3分の1が原則的にリモートで実行できると推定し、それらが全て実際に自動化されれば、経済生産を2倍から10倍増加させるやろうと推定した。そのシナリオでは、リモートでできない全ての非リモートタスクの賃金も、おそらく約2倍から10倍増加するやろう。

実際、ホワイトカラーの雇用が増加する可能性もあるが、役割は完全に残された人間のループと非リモートのボトルネックに焦点を当てるやろう。

これは、自動化が自動化される仕事の労働者にとって非常に破壊的であることを否定するもんではない。ただ、時々彼らの賃金を増加させることもでき、他の仕事の労働者にも利益をもたらすことができると言ってるだけや。これも、特定の職種よりも、価値が上昇または減少するスキルに焦点を当てることを私が好む理由の一つでもある。なぜなら、それを予測するのははるかに困難やからや。

この時点で、あなたは「一般目的ロボット工学と組み合わされたAIが、ほぼ全ての仕事を自動化できるとしたらどうか？確実に賃金は下落するやろう」と言うかもしれん。では、完全自動化は賃金にとって何を意味するか？

銀行員の部分的自動化が雇用を増加させたが、より集約的な自動化がそれを減少させたのと同じように、人間の労働者全体についても同じことが起こるかもしれん。

ロボット工学と組み合わされたAIは、原則的に人間よりも優秀にほぼ全ての経済的に生産的なタスクを実行できるという点で、これまでのどの技術とも異なる可能性がある。多くの経済学者はこの可能性を退けているが、技術自体の専門家たちはそれが可能だと信じている。

そして、それが起こったとすれば、多くの経済モデルは賃金を押し下げ、おそらく生存水準以下にまで押し下げる可能性があることを示唆している。最初は、急速に拡大するデジタル労働者のプールが労働力の供給を大幅に増加させるからや。そして最終的には、AIとロボット工学がエネルギーと資源を人間よりもはるかに効率的に経済的産出に変換できるからや。

明確にしておくが、これが起こるとは言ってない。しかし、一つの可能なシナリオや。

Epochは、完全自動化が経済全体でどのように展開するかの二番目の統合モデルを作成した。彼らのデフォルトの仮定では、10%の自動化が来年に達成されるという（もちろん、そのタイムラインはもっと長い可能性がある）、賃金は最初に約10倍増加し、2030年代後半に最終的な人間のボトルネックが除去されると急落する。

もし代わりに人間がタスクのわずかな割合、例えば1%にのみ必要であり続けるなら、同じモデルは賃金が無期限に増加することを示している。全ての人間が今やその残り1%を行うことになる。これは、100%と99%の自動化の違いが巨大であることを意味する。

どちらが起こるかは分からんが、完全自動化と賃金下落は真剣に受け止めるべき可能性やと思う。

対応戦略

その可能性が実現した場合、何をすべきか？完全自動化への道のりでは、部分的自動化があり、既に述べた理由により、それは賃金を増加させ、一時的により多くの影響力を与える。だから、次のステップはいずれにしても同じであるべきや：今から完全自動化までの時間であなたの貢献と賃金を最大化するために、近い将来に価値が上昇する可能性が最も高いスキルを学ぶんや。

また、政府の再分配にそれほど依存する必要がないように、より多くのお金を貯蓄するという議論もある。詳細は私のSubstack「AGIに個人的に備える方法」を参照してくれ。

セクション2：AIによって価値が上昇する可能性が最も高い4つのタイプのスキル

来るべき数年間は多くの人にとって非常に破壊的であり、富がより集中する可能性が高い。この記事は社会としてどう対応すべきかについてではなく、むしろ個人としてどのように自分を最良に位置づけ、社会がこれらの課題を乗り越えるのをより良く支援できるかについてや。

このセクションでは、あなたのユニークな状況と膨大な種類の仕事を考えて、どのスキルが価値を上昇または減少させる可能性が最も高いかを考えるのに必要なツールを提供することを目指している。

これも明らかに動く目標やが、価値が上昇する可能性が高い4つの主要なスキルカテゴリーに分解してみる。

まず、AIが実行するのが困難なスキル：データが乏しく、混乱しており、長期的な視野のタスクで、人がループにいることが望まれる場合。次に、AIを展開するのに必要なスキル。つまり、AIシステムの組織化と監査、およびデータセンター建設のような補完産業で使用されるスキルのことや。

三番目に、より良く、より安くなるにつれて人々がより多く欲しがるものを作るのに使われるスキル：改善された医療、住宅、研究、贅沢品のような。そして最後に、他人が学ぶのが困難なスキル：あなたのユニークな強みに合った希少な専門知識。

経済学者の聴衆のために、これらは基本的に低代替性、補完性、産出に対する高い需要弾力性、そして非弾性的な労働供給や。

AIが容易に実行できないスキル

では最初に、AIが容易に実行できないスキルとは何か？これについて直感を磨く最良の方法は、最先端のAIツールを使って実際の作業をしてみることや。劣った無料モデルを使わないよう注意してくれ。しかし、AIがどのように訓練されるかの理解に基づいて、AIが何をできて何をできないかについてのより理論的な基盤を提供したい。

AIが苦戦する可能性が高い最初の種類のタスクは、AI訓練データにないタスクで、そのデータを収集するのが困難なもんや。LLMはインターネットデータを予測するように訓練することで作成される。これは、パターンマッチングとインターネット上のデータの想起に基づくタスクを非常に得意にする。

そして、それは多くのことが判明した。2015年、FreyとOsborneは、どのスキルが自動化される可能性が高いかについて影響力のある論文を書いた。彼らは社会的スキルが自動化に抵抗する分野の一つになると想定していた。しかし今日、セラピーチャットボットは最も人気のあるAIアプリケーションの一つや。

療法、医療診断、コーディングの多くを含め、人間が学ぶのが困難な多くのスキルは、パターンマッチングシステムによってかなりうまく実行できることが判明した。

LLMは明らかに新しい一般化もできる。例えば、GPT-4に「ピサの斜塔がセントポール大聖堂と場所を交換され、私がロンドンのミレニアムブリッジに立って北を見た場合、何が見えるか？」と質問でき、新しい場所の組み合わせについて答えることができる。

しかし、LLMは依然として多くのことが苦手で、通常これらは訓練データから欠落しているタスクや。一つの例はロボット工学の制御や。

インターネットには膨大な言語テキストデータが含まれているが、3D空間での物理的な動きを説明するデータの同等の蓄積はない。

そして、この動きデータの不在は、現実的な仮想環境を作成してそれを安価に生成するのが困難であるため、修正するのも簡単ではない。つまり、唯一の選択肢は膨大な数の実際のロボットを作成し、それらを動き回らせることやが、それは高価や。だから今日、AIは物理世界との相互作用においてはるかに劣ったままや。

対照的に、多くのホワイトカラーの仕事を実行する方法に関するデータは既にインターネット上に存在する。そして、それらの仕事は主にコンピューター上で実行され、各ステップを追跡できるため、さらに良いデータを収集するのは簡単やろう。

FreyとOsborneはまた、AIがクリエイティブなタスクが苦手やと予測した。しかし今日、それも単純すぎるように見える。2025年の時点で、LLMはブレインストーミング、幅広いスタイルでの執筆、スタイルの新しい組み合わせを含む、韻を踏む詩の創作などが得意や。

しかし、彼らは依然として新しい概念的洞察があまり得意ではない。これはおそらく、最初のタイプのクリエイティブなタスクが訓練データ内でのパターンマッチングに近いが、後者はより大きな外挿を必要とするからや。

混乱した長期的視野のスキル

AIはまた、混乱した長期的視野のスキルで苦戦する可能性が高い。o1や最新のClaudeモデルのような新世代のAIシステムは、LLMをベースモデルとして使用するが、その後強化学習を使用して推論し目標を追求するように教えられる。これは試行錯誤による学習に少し似ている。

AIシステムはタスクを実行しようとし、その後精度が評価され、その後精度を上げる可能性が高い方法で調整される。2024年を通じて、この新しいパラダイムは数学、コーディング、既知の科学的問題への回答におけるAIの能力に劇的な進歩をもたらした。

これは、これらの分野には純粋に仮想的にすぐに検証できる客観的な答えがあり、強化学習に非常に適しているからや。対照的に、会社を設立するようなスキルを考えてみろ。これは明らかに正しい答えがない多くの判断の呼び出しを含み、成功は数年にわたって決定される。だから、この種のスキルで強化学習を機能させるのははるかに困難や。また、起業家が会社を設立するために取るであろう全てのステップを示す大規模なデータセットもない。

他の例には、文化的運動の開始、新しい研究プロジェクトの指揮、または組織的または政治的戦略の設定のようなものがあるかもしれん。これらのスキルは、明確に定義された指示と測定可能な結果が欠如しているという点で混乱している。そして、実装と成功の測定に時間がかかるという点で長期的視野や。

これが、一部の数学とコーディング問題で人間に近い超人的な能力があるにもかかわらず、AIが依然としてほとんどの7歳児よりもポケモンをプレイするのが下手な理由や。また、オフィスに棚のセットを設置してもらうような、比較的簡単に見えるかもしれん多くのタスクでも依然としてひどい。

それは、これらのことには計画、視覚的解釈、誰かを雇う、作業が完了したかを確認することが含まれるからや。モデルは短く、よく定義されたタスクを効果的に実行できるが、より長い期間では一貫性を失い、ループに陥る。

これはまた、これまでAI自動化をほとんど見てこなかった理由も説明する。AIが最も強いソフトウェアエンジニアリングでさえ、約1時間のタスクしかできない。

しかし、ほとんどのソフトウェアエンジニアリングの仕事は、少なくとも複数日かかるプロジェクト、チームとの調整、巨大なコードベースの理解を必要とするプロジェクトで構成されている。

今、AIが混乱した長期的視野のタスクでさえ急速に改善していることも事実や。そして、AI進歩が十分に速く、特に強化学習が十分にうまく一般化すれば、AIがこの種のスキルでさえ比較的早く人間のほとんどを上回る可能性がある。

AIはまた、アイデアのブルートフォース生成だけで新しい知的貢献を始めることができるかもしれん。しかし、混乱した長期的視野のタスクは、AIが最も苦戦する可能性が高いものに対する我々の最良の賭けや。

そして、最も混乱した長期的視野のスキルを実行する能力は、依然として数十年先の可能性がある。これらの見解は、現在のAIシステムとは非常に異なる強みと弱みを持つ新しいAIパラダイムが作成された場合、またはAI進歩が加速した場合には無効になる可能性がある。しかし、今日作ることができる最良の評価やと思う。

人間のループが望まれる場合

次に、AIが技術的にタスクを実行できたとしても、人々が人をループに入れたいので実行することが許可されない場合がある。経済学者によって提案されたこれが当てはまる可能性があるカテゴリーをいくつか見てきた。

まず、法的責任。法廷弁護士のような、特定の種類の重要な決定に対して責任を負う人が必要な場合。

次に、非常に高い信頼性が要求される場合、AIシステムは幻覚を起こし奇妙な間違いを犯すため、人々は人間の専門家に答えをチェックしてもらいたがる。膨大な量のAI生成アーカイブ研究をチェックする人間の歴史家を想像できるやろう。

三番目に、組合と専門的利益団体が関与している場合、ロビイストは仕事を保護するために基準と規制を導入することを目指す。これは、弁護士の専門資格を管理する弁護士のようなもので、彼らの業界でAIが使用されることを阻止しようとする可能性がある。

人間のタッチに対する強い好みがある場合、多くの人は単に人間が特定のサービスを提供することを好む。おそらく贅沢として。これは、乳母、説得力のある物語を持つアーティスト、宗教指導者のようなものかもしれん。

一部の仕事では、物理的な存在が必要や。ロボットが効果的になった後でも、人々は警察や教師のような用途でそれらに依存することを躊躇する可能性があるやろう。

制度的慣性。AIは以前の技術の波よりも早く採用されると予想するが、それでも多くの組織はAIツールの適用が遅く、人間がより長い間重要な仕事に留まることを意味する。これには、例えば、多くの政府の仕事や競争が困難な強固な堀を持つ企業が含まれるかもしれん。

最後に、意図の調整。非常に強力で正確なAIシステムでさえ、人間が何をして欲しいかを知る必要がある。AIシステムに対して好みを指定することがますます多くの役割に含まれる可能性がある。

今述べた要因は、非常に有能なAIシステムがあっても適用される可能性があるため、最初の二つよりもはるかに長い間ボトルネックになり続ける可能性がある。一方で、これらがどの程度AIの使用をボトルネックにするかは分からん。例えば、人々は結婚式でしばしばクラシック音楽を演奏し、ほとんどの人は人間の音楽家を好むやろう。

しかし、最近では録音がはるかに安く便利なため、ほとんどの人は結局録音を使用することになる。同様に、人々が人間が作った商品を好み、AI製品が何らかの点で劣ったままであっても、他の点ではるかに優れているため、人々が圧倒的に使用するものになるかもしれん。

また、賃金を高く保つために、これらの人間のループの仕事に対する需要が、それらを実行できる人間の供給に対して十分にあるかどうかはまだ分からん。人々が依然として人間が作ったアートを望んでも、誰もがアーティストになれるわけではない。

最後に、自動化が物理的インフラによってボトルネックになるスキルがある。汎用ロボット工学が明日から素晴らしく機能し始めたとしよう。手作業の仕事を自動化するのにどれくらい時間がかかるか？おそらくしばらくかかるやろう。今日のロボット生産は数百万台や。全ての手作業の仕事を自動化するのに必要な約10億台を構築するには時間がかかる。多くの人が期待するよりも早いかもしれんが。

比較的遅いロボット生産と物理的タスクに関するデータの不足は、これらの物理的タスクの自動化が認知的なものに遅れをとる期間を作り出すやろう。

実際、認知的タスクへのAIの展開でさえ、利用可能な計算能力によって多少ボトルネックになる。特に初期のシステムが多くのテスト時間計算を使用する場合。これは、初期のAI自動化が研究開発のような最高価値のタスクに焦点を当て、より低賃金の仕事の自動化を多少遅らせる可能性があることを意味する。

だから、最初のカテゴリーはAIが実行するのに苦戦する可能性が高いスキルやった。二番目はAI展開に必要なスキルや。

AI展開に必要なスキル

2025年には、最先端のAIにアクセスすることは既に、あらゆるトピックの専門アドバイザーと家庭教師のチームに24時間年中無休でアクセスすること、個別プロジェクトのための無制限のコーディング能力、そして短い管理タスクを実行できる無制限のリモートワーカーを持つことに少し似ている。

これらのツールは既に個々の労働者に、これまで以上に物事を実現するためのはるかに多くの力を与えている。そして、我々は既にこれを世界で最も成功したスタートアップアクセラレーターであるY Combinatorで起こっていることで見ることができる。彼らは現在のバッチの70%がAIに焦点を当てており、10年前の同様のスタートアップよりも数倍速く成長していると言っている。

この効果はソフトウェアスタートアップの仮想的で妨げられない世界で最も顕著やが、可能性は広がっている。技術スタートアップで働く必要はなく、AIを使ってより迅速に新しいスキルを学び、アドバイスを得て、作業を編集し、ソフトウェアを作成することなどができる。

そして、真の仮想労働者は、この影響力を再び劇的に増加させるやろう。これは、これらのAI労働者を指揮するスキルが信じられないほど価値のあるものになる期間を作り出す可能性が高い。

これらのスキルには、問題を発見し何に焦点を当てるかを決定すること；最新モデルの長所と短所を理解し、その弱点を回避する設計方法；明確なプロジェクト仕様の作成；エンドユーザーが本当に何を望んでいるかの理解（ユーザーエクスペリエンス）、エラーチェックを含むAI労働者のシステム設計；関与する人々の理解と調整；そして責任を負うことなどが含まれる可能性がある。

実際、これらのスキルの多くは人間を管理するスキルに似ており、有能な人間の管理者がAIチームの管理により優れているという証拠が既にある。

これらのスキルは、AIが比較的困難とする混乱した長期的視野のタスクであるだけでなく、AIを補完するものでもある。これは、AIが良くなるにつれて、それらが少なくなるのではなく、もっと必要になることを意味する。この二つの効果が組み合わさって、その価値を倍増させる。

対照的に、長い仕立て職人の家系から受け継がれたオーダーメイドのナポリ風スーツの職人製作者であることは、AIが簡単に複製できるものではないが、それを補完するものでもない。これは、このスキルの市場価値が、それを上回るのではなく、世界の所得とほぼ歩調を合わせる可能性が高いことを意味する。

AI展開に補完的である可能性がある他のスキルは、次のようなAIスケールアップに必要な分野に関与するものや：

  1. AIハードウェアの専門知識。AIが改善し続ける場合、これらのシステムを実行し訓練するためのチップの巨大な構築があるやろう。
  2. AI開発。AIがより価値のあるものになるにつれて、それを1%より効果的にすることの価値は再び比例的に増加し、AI研究開発の残りのボトルネックは価値が大幅に増加する。ただし、これに取り組むことは、その開発を加速することでAIからのリスクを増加させる可能性もあることを覚えておいてくれ。
  3. データセンターと発電所の建設、ロボット工学の開発と保守など、AI展開に必要な物理的タスク。

最後に、サイバー情報セキュリティ。ロボット工学とAIが経済の全てにより統合されるようになると、これらのシステムのセキュリティが重要になる。結局のところ、誰もロボット執事に誘拐されたくはないやろう。

社会がより多く使用できるものを生産するスキル

三番目のスキルのカテゴリーは、社会がはるかに多く使用できるものを生産するスキルや。何を意味するか？私は年に一度だけ税務申告書を提出する必要がある。AIが登場して税務申告書の提出を自動化し、コストを半分にしても、私は依然として年に一度だけ提出し、そのお金を他の何かのために貯蓄するやろう。

対照的に、ライドシェアリングはタクシーをより安く便利にし、それは人々がそれらをはるかに多く使用し始めることにつながった。場合によっては、以前よりもタクシーにより多くのお金を費やすこともある。そして実際、タクシー市場は過去10年か20年で大幅に成長した。

将来を見据えて、医療、より良い住宅、より良い娯楽、贅沢品、個人開発、研究、その他多くのものについても同じことが言えるかもしれん。

対照的に、ライセンシングのような法的要件を満たすために必要な仕事や、需要が主に政府によって設定される部門では、より固定された需要がある可能性がある。

例えば、医療に対する需要が一般的にGDPとともに増加しているにもかかわらず、イギリスの医療従事者の給与は過去10年間で実質的に下落している。

より広く、AI自動化の世界でどの部門が経済の他の部分よりも速く成長する可能性が高いかについて考えることができる。例えば、AI自動化は巨額の富を創造し、おそらく最も多くの資本を所有する数パーセントに集中するかもしれん。所得不平等の増加は贅沢品に対する需要を急増させるやろう。サンフランシスコでオーダーメイドの茶葉テイスティングイベントを提供するようなものは、AIが実行するのが困難であり、需要の増加を見る可能性が高い。

最後に、他人が学ぶのが困難なスキルがある。高級レストランでのサーバーのような仕事を考えてみろ。人々が豊かになるにつれて外食する機会が増えると予想され、これは物理的で社会的スキルを重視する仕事で、人々が人間のタッチに対する強い好みを保持する可能性がある。だから、多くの手作業と小売サービス部門の仕事で雇用の増加を見ることを期待し、その賃金は一般的に経済の他の部分と歩調を合わせて成長するやろう。

しかし、これらの仕事は、比較的少ない訓練で人々が参入できるため、異常に大きな賃金の増加を見ない可能性がある。他の多くの人がそのスキルを学べる場合、そのスキルに対する賃金がどれだけ増加するかは制限される。

最も価値が上がるスキルは、労働市場が需要増加に対応するのに長い時間がかかるものや。例えば、建設作業員の場合、電気技師になるなどのより専門的な職業を学ぶか、データセンター建設など需要が増加する分野に特に焦点を当てることができる。これらのより専門的なスキルを持つ人々は、急速な成長期間中に重要なボトルネックになる可能性が高い。

将来最も価値が上がる具体的な仕事スキル

では、将来最も価値が上がる具体的な仕事スキルは何か？価値が上がる可能性が最も高いスキルのカテゴリーを見てきた。これらのカテゴリーを適用して、いくつかの具体的で価値のある仕事スキルについて全体的な推測をしてみよう。

先ほどのカテゴリーの少なくとも二つ、理想的には四つ全てを満たすスキルが欲しい。また、比較的広く転用可能なスキルに焦点を当てる予定や。

ここでは、最も興味のあるスキルに進んでもらって構わんし、これらのスキルを学ぶ方法に関するさらなるリソースへのリンクについては、元の記事をチェックすることが特に有用かもしれん。

1. AIを実際の問題解決に使用するスキル

まず、AIを実際の問題解決に使用するスキルや。これらは、AIシステムの強みと弱みを理解すること、AIのシステムを設計し世界の他の部分とインターフェースすること、AIシステムへの指示の仕様、システムを使用する人々のためのユーザーエクスペリエンス（UX）など、自動化が困難なAI展開に必要なスキルや。

これは、AIがより有能になるにつれて、これらのシステムを指揮できる人々が力の乗数になるため価値がある。AIができない混乱した調整作業と必要な監督がボトルネックになる。おそらく最終的には、経済の多くがAIシステムにどのような指示を与えるかを理解することになる可能性もある。

誰でも最新のAIツールを使って職場で実際の成果を達成しようとすることで、このスキルを学ぶことができる。現在の仕事やサイドプロジェクトでこれを実行できる。このスキルの学習を加速させる場所に転職したい場合は、AI応用スタートアップや実際の問題を解決するためにAIを使用しようとしている他の成長組織で働くことを検討してくれ。

この種の役割では、このスキルを学ぶだけでなく、起業精神、管理、一般的な生産性などのことも学ぶやろう。最先端のモデルを使用し、次の1世代か2世代で何が可能になるかについても考えるようにしてくれ。

2. 個人の効果性

次に、個人の効果性。これをいくつかのカテゴリーに分解する。最初は、一般的に生産的で積極的な人間になることを学ぶことや。これは、目標の設定、タスクを追跡し締切を守るシステムを持つこと、自分を動機づけ集中することを学ぶこと、会議の運営や基本的な感情管理のような良い職業習慣を意味する。

これらのスキルはどの仕事でも有用なので、多くの自動化があっても、おそらく依然として有用やろう。また、これらは代理性と最初から最後まで物事に責任を持つ能力に関連しており、これはAIの弱点でもある。そして、これらはあなたの他のスキルの価値を倍増させる。

一般的な生産性を向上させる多くの方法があり、キャリアガイドの「どの仕事でもより成功するための証拠に基づいたアドバイス」という記事でリストアップしている。また、Cate Hallの「より代理的になる方法」という記事も参照してくれ。

個人の効果性の中で、社会的スキルも分けて考える。これは関係を築くこと、他人とうまく調整すること、他人の感情を理解することを意味する。AIは既にしばしば人間よりも共感的と評価されているが、少なくとも贅沢として、人々が実際の人との関係を望む場合が依然としてあるやろう。

さらに、より多くの定型作業が自動化されるにつれて、残されたもののより大きな部分が人間のチーム間の調整になる可能性がある。例えば、大きなAIエージェントのチームを管理する3人の創設者を想像してみろ。その3人の創設者は非常によく同期され、コミュニケーションが上手である必要があるやろう。

または、今や自分の作業だけでなく10のAIの出力についても上司に報告しなければならないソフトウェアエンジニアを想像してみろ。社会的スキルは、管理など、私がリストアップする他のスキルの多くへの重要な入力でもある。

これは学ぶのが困難やが、たくさん練習できる状況に身を置き、良い社会的スキルを持つ人々と時間を過ごし、「どの仕事でもより成功する方法」の記事のメモも参照してくれ。

三番目に、個人の効果性の中で、学ぶことを学ぶことがある。これは、新しい知識体系とスキルを迅速に把握する能力を意味する。世界がより速く、より予測不可能に変化している場合、新しいスキルに迅速に再訓練する能力がより価値のあるものになる。

同時に、AIはほぼ何でも安価な1対1の指導を受けることを意味し、多くの人がこれにより以前よりもはるかに速く学ぶことができると言っている。最後に、このスキルはリストの他の全てのスキルでも役立つ。

このスキルの学習方法について。今述べたように、AIはほぼあらゆるトピックについて24時間年中無休のパーソナライズされたコーチングを受けることができるため、多くのスキルを学ぶのがはるかに速くなった。一般的な生産性を向上させる多くの実践的な方法があり、どの仕事でもより成功する方法に関する記事でリストアップしている。

3. リーダーシップスキル

三番目の大きなカテゴリーはリーダーシップスキルで、これを管理、起業精神、戦略に分解する予定や。これらは全て、AIが実行するのが困難で、AIによって提供される増加する影響力から利益を得るもののように思える。また、社会がはるかに多く使用できるものであり、学ぶのが困難でもある。

しかし、これらをマスターできれば、最も価値のあるものの一つになることができ、そのためのヒントも提供する。

起業精神とは、新しいプロジェクトのアイデアを発見し、戦略を作成し、積極的に人々とリソースをそれらの周りで調整し、リスクを処理できることを意味する。我々が見てきたように、人間の創設者の小さなチームは既に以前よりも多くのことを達成でき、すぐに大きなAI労働者のチームを瞬時に編成できるかもしれん。

誰でも、新製品の立ち上げ、会議の運営、オンラインストアの運営など、サイドプロジェクトや職場での新しいイニシアチブを実行することで、起業家スキルを練習できる。AIは、この種のプロジェクトが以前よりもはるかに速く進むことを意味するやろう。

起業家のキャリアに焦点を当てたい場合は、組織の設立に関する我々のプロフィールを参照してくれ。新しく急速に成長している組織に参加することも、これらのスキルを学ぶ素晴らしい方法や。

次のクラスターは、人事管理、製品管理、プロジェクト管理を含む管理や。管理の一部は、人々が責任を負う人をループに入れたい長期的視野の混乱したタスクや。そして、より多くの人間管理者が、AIによって強化されたより小さなチーム、または最終的に大きなAIのチームのいずれかを監督する、よりトップヘビーな組織を多く見ることになると推測している。

今日、管理職の雇用は急速に成長しているが、特定の中間管理職がAIツールによって削減される可能性もある。人事管理スキルはAIシステムの管理にも役立つ。

このスキルを学ぶには、管理のベストプラクティスについて読んでくれ。そして、趣味プロジェクトで請負業者やボランティアを管理するなど、小規模で管理を始めてみろ。管理が得意な人の下で働けるかどうか見て、そこから管理職に進むよう努めてくれ。ベストプラクティスを適用し続け、管理する人々からフィードバックを収集しながらメンターシップを求めてくれ。

戦略、優先順位付け、意思決定は、リーダーシップスキルのもう一つの部分や。これは、組織のビジョンとミッションとメトリクスの設定、優先順位の特定、高い賭けの決定を行うことを意味する。AIが物事を成し遂げることを容易にするにつれて、重要な問題は最初に何をするかを決定することになる。

そして、それもまた、AIが遅れを取る可能性が高い混乱した長期的視野のタスクや。AIが特定の種類の予測と意思決定で間もなくほとんどの人間よりも優れるようになる可能性があるのは事実やが、人間は依然として決定をレビューするためにループに入る必要があるやろう。

このスキルを学ぶには、それを持つ人と一緒に働くよう努めてくれ。次に、小さくても、戦略を開発し、そうするためのベストプラクティスを適用することを練習できる領域を見つけることに焦点を当ててくれ。記事では、最も一般的な優先順位付けフレームワーク、戦略に関する人気の本、意思決定に関する我々の記事のリストを見つけることができる。

また、趣味として予測を練習し、結果を追跡することをお勧めする。決定補助としてAIツールと予測プラットフォームの使用を学んでくれ。文書作成は自動化されつつあるが、最良の思考補助の一つでもあるので、その理由で学ぶ価値がある。

リーダーシップスキル内の最後のクラスターを真の専門知識と呼ぶ。これは、重要な分野の専門レベルの理解、研究の美的センス、おそらく新しい概念的洞察を行い、本当に複雑な問題解決を行う能力を意味する。

専門家は、AIシステムと重要な決定の監督を提供するために必要であり、それらを補完するやろう。さらに、良い概念的洞察と研究の美的センスを持つことは、それらが究極のデータ貧弱で混乱した長期的視野のタスクであるため、自動化するのが最も困難なことの一つになる。AIがブルートフォースの創造性が得意かもしれんとしても。

そして最後に、これらのスキルはほとんどの人が学ぶのも困難や。専門知識は、AI展開、AI開発、ロボット工学、コンピューターハードウェア、サイバーセキュリティ、発電など、大幅に成長する可能性が高い部門で最も価値があるやろう。そして、米中関係、AI規制、国防など、政府政策の重要な分野でも。

一方で、AIが良くなるにつれて、真の専門知識のバーは継続的に上昇するやろう。十分に速く最前線に到達し、そこに留まることができると思う場合のみ、この選択肢を追求すべきや。

真の専門知識を開発するには、トップ実践者の下でメンターシップを見つけ、集中的に練習し、その分野で進歩するための標準的な訓練ステップを追求してくれ。

4. コミュニケーションと美的センス

四番目の仕事スキルは、コミュニケーションと美的センスや。これは、デザイン、美しさ、人々が好むものについての良い判断を持つこと；個性、物語、ユニークなブランディング、聴衆との個人的なつながりを持つこと；さらにメッセージ戦略、PRとブランド戦略を意味する。

多くのコンテンツ作成とマーケティングが自動化されるように見えるが、人々は依然として実際の興味深い人々との関係を望むやろう。そして、大量のコンテンツやデザインを作成することが容易になるにつれて、何が良いかを選択するスキル—美的センス—がより価値のあるものになり、最初に何を作成するかの戦略的側面も同様や。

確かに、クールであることを学ぶのはかなり困難やが、YouTubeチャンネルのような特定の聴衆との深い関係を発展させようと努めることができる。

AIを使ってコンテンツ作成を支援し、時間をかけて何が機能するかを見ることで美的センスを調整することを練習できる。ChatGPTから簡単に得られる種類の資料ではなく、よりパーソナリティ主導のコンテンツとストーリーテリングに焦点を当ててくれ。

5. 政府で物事を成し遂げるスキル

五番目は、政府で物事を成し遂げるスキルや。これは、新しい政策を通過または実施するために、誰と話し、どのように正しくフレーミングするかを知ることを意味する。

また、政治戦略と政府の意思決定のようなことも意味する。政府の多くの定型知識作業が自動化されたとしても、政府部門は少なくとも経済の規模と同様に維持される可能性が高い。

人々は意思決定者が実際の人であることを望むやろうし、これは政府で物事を実現する曖昧で長期的視野のスキルが価値を保つことを意味する。特に社会に違いをもたらすという観点から。

実際、より多くの作業が自動化されるにつれて、政府はますます重要になる可能性すらある。また、市場競争にあまり直面しないため、採用も遅い可能性が高い。

これを学ぶには、国会議員のスタッフになるなど、このスキルを持つ人のために働いてくれ。または、政策スキルに関する記事で説明している政策への他の標準的な参入経路を検討してくれ。より初級レベルの定型分析ポジションを超えることができると思う場合、これは特に有望や。

6. 複雑な物理的スキル

六番目の仕事スキルは複雑な物理的スキルで、これは手術の監督、データセンター電気技師と建設、半導体技術者など、予測不可能な、または高いリスクの環境で正確な物理的タスクを実行する能力を意味する。需要が拡大している分野で。

これは、我々が見てきたように、ロボット工学の開発が遅れる可能性が高く、手作業タスクの主要なボトルネックを作り出すからや。特にAI展開に必要で、ロボットや他の人々が実行するのがより困難なものについて。このスキルを学ぶには、この分野の標準的な経路で見習いをしてくれ。

より不確実な将来を持つスキル

では、より不確実な将来を持つスキルは何か？以下は価値が下がる可能性がより強いスキルや。部分的自動化がしばしば最初は仕事の需要を上げるが、後で下がることを見てきたように、これを予測するのは非常に困難で、これらのスキルについても同じことが簡単に当てはまる可能性がある。しかし、現在の私の考えはこうや。

1. 定型的な知識作業

最初は定型的な知識作業—文書作成、管理、分析、アドバイス提供のような：基本的に、現在のAIの波によって最も影響を受ける可能性が高い仕事に関する全ての研究は、最大の影響が収入の70パーセンタイルから90パーセンタイルの間のホワイトカラーの仕事にあることに同意している。これはアメリカでは約10万ドルから20万ドルや。

AIは、多くの例がデータセットに存在し、パターンマッチングや情報の想起を含むため、既にこの種のタスクにかなり役立っている。今後、さらに多くのデータを収集することがより容易になり、多くのタスクが強化学習が機能する程度に短く明確になるやろう。

より具体的には、これには多くの場合の文書作成とコピー編集；金融アナリスト、法務事務員、公務員、検眼士が行うような簡単な分析の実行；医療診断のような確立された情報の想起；管理；翻訳などのスキルが含まれる可能性がある。

各組織で、これらの仕事の多くは、大量のAIエージェントまたはAI支援人間を監督する少数の人々に置き換えられ、組織をよりトップヘビーにする可能性がある。Luke Dragoはこれをピラミッド置換と呼んでいる。

とは言え、経済が成長するにつれて、新しいニッチが収益性を持つようになるにつれて、組織の総数も拡大する。だから、各組織がこの種のタスクを行う人をより少なく必要とするかもしれんとしても、少なくともしばらくの間は総雇用は下がらない可能性がある。

これらの役割は、クライアントとAI生成アドバイスについて話し合う、AI生成出力の結果をチェックする、より小さいがより生産的な労働力のための訓練への投資の増加、AIシステムへの指示の提供など、AIのギャップにより多くの時間を費やすように進化する可能性もある。

多くのギャップがある場合、雇用はあまり変わらない可能性がある。各労働者が過去の数人の出力を持つ可能性があることは言うまでもなく、それは多くの分野でそれらに対する需要をさらに増加させるやろう。多くの組織もAIツールの採用が遅く、これらの仕事がより長く存続するのを助けるやろう。

これら全てが、これらの変化がホワイトカラー専門職の雇用の変化に正確にどう翻訳されるかを言うのは困難であることを意味する。

いくつかの特定の専門職の中間的な見通しについて、いくつかの推測をここに示す。投資管理では、しばしばより高い給与を受ける少数の労働者によって監督される量的システムのより大きな使用に向けた長期的傾向の継続を期待する。

戦略コンサルティングでは、AIの適用方法について組織にアドバイスするのに適した位置にあり、最近急速に成長している。AIに関するアドバイスの需要の増加は、現在ジュニア従業員によって行われている仕事の自動化を潜在的に相殺する可能性があり、より上級の役割のために訓練するためにジュニア従業員を雇うことを依然として望む可能性がある。

専門サービスの見通しは戦略コンサルティングに似ているが、おそらく少し悪い。なぜなら、自動化がより困難な新しい戦略的作業をあまり行っていないからや。例えば、定型的な会計はますます自動化され、おそらくより少数の会計士がより複雑なケースに焦点を当てることになるやろう。

上級弁護士は、研究を支援するためにAIを使い始める可能性が高いが、重要な決定をレビューし、クライアントと議論する必要があり、それができる人々の賃金が増加する可能性がある。しかし、定型的な法的作業と研究はより自動化され、需要がより固定されている限り、部門の総規模は縮小する可能性がある。

政府では、研究、証明、アドバイスの提供、管理を行うことに焦点を当てた公務員のポジションは、AIを使用するおそらくより大きなクラスのより上級の従業員と政治的ポジションを支持して縮小する可能性がある。

最後に、医療では、労働者は診断、管理、監視により少ない時間を費やすが、治療の管理のような物理的タスクにより多くの時間を費やす可能性がある。分析専門分野が最もリスクが高いように見える。情報の想起に大幅に基づく医学訓練全体は、看護に比べて少し価値が下がり、医師の給与は最近の歴史ほど成長しない可能性がある。

2. コーディング、数学、データサイエンス、応用STEMスキル

それが定型的な知識作業やった。二番目はコーディング、数学、データサイエンス、応用STEMスキルや。10年前、80,000 Hoursで、我々は人々にコーディングを学び、需要が爆発する直前にデータサイエンスに入るよう言った。だから、そのアドバイスに従った人々にとってはかなりうまくいった。

しかし、今日、将来を見据えて、これらのスキルの見通しはもっと不確実や。コーディングは今AIが最も得意なもので、最も急速に改善している分野や。プログラミングは仮想で迅速なフィードバックループがあるため、強化学習に比較的適している。ソフトウェア開発者の雇用は、多年の成長の後、2024年に横ばいやった。

一方で、多くの人がAIツールによって最初にコーディングを学ぶのがはるかに速くなったと言っているし、できることの範囲も上がった。ソフトウェアの需要も、生産がより安くなるにつれて拡大する可能性があり、以前は価値がなかったプロジェクトが価値を持つようになることを意味する。

だから、数年学ぶことの価値は下がったかもしれんとしても、1、2ヶ月コーディングを学ぶことの価値が実際に上がったことさえもっともらしい。また、起業精神やデザインなど、他のスキルを補完するのに十分なコーディングを理解する場所にはるかに迅速に到達できるかもしれん。

だから、これまでのところ、スキルの価値が下がったことは明らかではない。しかし、今後5年間で何が起こるかも考慮する必要がある。その時間に、AIがより長く複雑なプロジェクトでさえ、多くの種類のコーディングで人間を明らかに上回り始める可能性が非常に高いように思える。

しかし、それが起こったとしても、ソフトウェアエンジニアはAIシステムの管理についてのより多くの役割に移ることができ、コーディングの知識を使用するが他のスキルと組み合わせるかもしれん。しかし、他の人はその変化をするのに苦労するかもしれん。

データサイエンティストの状況は似ているが、これまでのところ、データサイエンスの雇用は急速に成長し続けている。今この分野に入ることを考えている場合は、基本的なスキルの実装ではなく、データ分析を行う方法の概念的理解を得ることにより焦点を当ててくれ。

応用数学と応用STEMのスキル、特に既存の知識の適用を含むものについても同様の発言ができる。AIは既に、既知の答えがある明確に定義された科学的または数学的質問に答えることでPhDレベルを超えている。

3. 視覚的創作

三番目は視覚的創作や。AIは既に画像生成が非常に得意で、写真のようにリアルな動画を解読しようとしている。一貫性を保ち、詳細な視覚的指示に従うのにまだ苦労しているため、人間の監督に対する大きな必要性が依然としてある。しかし、代理性と多様式性が改善されるにつれて、これは今後数年で修正される可能性がある。

述べたように、2024年には特殊効果アーティストとアニメーターの大規模な解雇があり、グラフィックデザイナーの雇用は横ばいやった。一方で、一部のクリエイターは、AIツールを使用して以前よりも劇的に多くを生産できるようになるやろう。

4. より予測可能な手作業スキル

四番目は、より予測可能な手作業スキルや。長年の予測の後、自動運転タクシーがついに実際に展開され、非常に速く成長している。これが主要都市全体にどれくらいで展開されるかは分からんが、次の5年間で運転手の大規模な解雇の波を見ても驚かないやろう。

一般的に、ロボット工学は予測可能で、より単純で、より低いリスクの環境でのタスクを実行するのが最も簡単やと分かるやろう。例えば、彼らは既に多くの倉庫の仕事をしている—ただし、これはまだ倉庫労働者の雇用を減少させていない。おそらくオンラインショッピングで倉庫の需要がさらに速く増加したからや。

しかし、ロボット工学の次の数世代は転換点に達する可能性がある。

キャリア戦略に関する最終的な考え

最終セクションは、キャリア戦略に関するいくつかの締めくくりの考えや。これらの全ての発展を考えて、次のいくつかのキャリアステップにどのようにアプローチすべきか？

1. 初級ホワイトカラーの仕事を飛び越える方法を探す

まず、初級ホワイトカラーの仕事を飛び越える方法を探してくれ。AIがリーダーシップスキルの価値を増加させるにつれて、以前はそれらへの訓練経路として機能していた初級レベルの仕事の価値を減少させている可能性がある。

だから、これらの訓練の仕事の一つを得ることを望んでいた就職市場に入る大学卒業生として、何をすべきか？理想的には、すぐにリーダーシップスキルを学ぶことができる役割を見つけることかもしれん。例えば、良いメンターと一緒に働くことができる任意の仕事で。

しかし、そのようなものを見つけることができない場合はどうするか？まず、任意の仕事でAI展開と個人効果性スキルを学び始めることができ、それらも私の最も価値のあるスキルのリストの上位にある。

次に、請負業者を管理したり、新製品の立ち上げを手伝ったりするなど、既存の役割で小規模でもリーダーシップやコミュニケーションスキルを練習する方法を見つけることができるかもしれん。そうでなければ、コミュニティプロジェクトの運営、ブログの執筆、サイドビジネスの運営など、何らかのサイドプロジェクトや真剣な趣味を始めることができるかもしれん。

これらはリーダーシップスキルを練習させ、AIツールを使用することで以前よりもはるかに多くのことを達成することもできる。

フルタイムの仕事に関しては、小さいが成長している組織での役割は、この種のスキルをより速く身につけることができるため、より魅力的に見える。対照的に、大企業では専門化がより多く、初級レベルの役割はしばしばより多くの定型作業を含む。

選択肢がある場合、実際の問題にAIを適用する技術スタートアップでの役割は特に魅力的に見える—なぜなら、AI展開、起業精神、そして一般的に物事を成し遂げることを同時に学ぶことができるからや。Luke Dragoの記事「ムーンショットのケース」も参照してくれ。

ホワイトカラーの道を飛び越えることができない場合、もう一つの選択肢は、調停者、イベント主催者、高級観光など、複雑な物理的スキル、物理的存在、社会的スキルによってパフォーマンスが推進される部門に焦点を当てることや。

2. 長期訓練期間の開始について慎重になる

二番目に、PhDや医学のような長期訓練期間の開始について慎重になってくれ。AI自動化は既に以前の技術の波よりも速く起こっており、加速する可能性があり、予測困難な効果があるため、長期訓練期間の魅力を減少させている。

これは1、2年の訓練を費やすべきではない、または長期訓練プログラムを決して始めるべきではないと言っているわけではない。例えば、真の専門知識の価値が上がること、AI進歩がより遅いと思う場合に研究中に有用な作業ができること、または他の選択肢の中で最良である場合の組み合わせにより、大学院研究は依然として価値があるかもしれん。しかし、代替案についてより深く考える価値がある。

大学を終えることはどうか？ほとんどの人にとって、これは雇用可能性の大幅な向上をもたらすため、依然として価値がある。しかし、中退のケースは以前よりも良く見える。特に大学がAIツールの使用さえ許可しない場合。ただし、有償の仕事をするオファーがない限り、通常は中退に対して注意を促す。

しかし、夏のプロジェクトを通じてなど、そのようなオファーを得る可能性がある位置により速く到達しようとするか、または単に大学をより迅速に終えようと試みることができる。

3. 変化に対してより弾力的にする

三番目に、自分を変化に対してより弾力的にしてくれ。速く、予測不可能な変化に対処する一つの方法は、すべての仕事で有用な個人効果性スキルを学ぶことや。しかし、人生をより柔軟で弾力的にする方法についても考えることができる。

それは、単一の国に過度に結びつかないこと、多くの異なる種類の機会がある大都市に住むこと、以前よりも多くのお金を貯蓄すること、一般的なメンタルヘルスへの投資をより多くすることかもしれん。

4. 波に乗る

最後に、波に乗ろうと努めてくれ。目標は、常に自動化に抵抗する単一の仕事を見つけることではなく、むしろそれの1、2歩先を行き続けることや。これは、AIが何ができるかを把握し続け、何が起こっているかについて洞察を持つ人々をフォローし、最大のボトルネックがどこにあるかに継続的に調整することを意味する。

行動に移す方法

では、これをどのように行動に移すことができるか？今週は、現在または希望する仕事でAIを適用する小さな新しい方法を見つけることについて考えてくれ。

今月は、私が強調した仕事スキルの一つを選び、それをより速く学び始めるために取ることができる1、2のステップについて考えてくれ。

次の四半期には、これらのスキルの一つにより焦点を当てるために、より大きな変更を行うべきかどうかを検討してくれ。

聞いてくれてありがとう。役に立ったことを願っている。そうであれば、他に利益を得ると思う人に転送してもらい、最後にAIで何が起こっているか、それがあなたのキャリアにとって何を意味するか、そして社会がそれについて何をする必要があるかについてのより多くの記事を購読してくれ。

コメント

タイトルとURLをコピーしました