AI時代のエンジニアは、今後どんな仕事を続けられるのでしょうか。コードを書く作業の一部をAIに任せられても、雇用が一律に減るとも、誰の仕事も安泰とも言えません。開発の進め方、職種全体の雇用、若手の学習機会は、それぞれ別に確かめる必要があります。
個人は実装と検証の両方を経験し、チームは生成の速さだけでなく、レビューや育成を含む仕事全体を測る。今できる判断はそこから始まります。
開発工程はどう変わるか
AIは仕様のたたき台、既存コードの説明、テスト候補、変更案の作成を支援できます。ただし、作られた案がその製品に適切かを判断するには、利用者の条件や既存システムへの影響を調べなければなりません。
| 工程 | AIに頼める作業の例 | 人が確かめること |
|---|---|---|
| 要件整理 | 仕様案や確認質問の作成 | 利用者の目的、例外、優先順位 |
| 実装 | 変更案やテスト案の生成 | 権限、既存機能への影響、変更理由 |
| レビュー・出荷 | 差分の要約、検査結果の整理 | 失敗時の影響、承認者、戻し方 |
| 運用・保守 | ログの整理、原因候補の列挙 | 実際の証拠、復旧判断、再発防止 |
たとえば権限変更なら、AIに実装案とテスト案を出してもらった後、人は他の利用者のデータにアクセスできないかを確認します。自動テストの成功だけでなく、レビューと運用まで含めて判断します。
METRの2026年の調査では、3つのOSSリポジトリの保守者4人が、AI生成の変更296件を評価しました。自動テストを通ることと保守者が受け入れることには差がありました。ただし、対象は限られたベンチマークと当時のモデルで、レビュー後にAIが修正する機会もありません。実務全体の合格率として使える数字ではありません。
一人で出荷できる場合に何を残すかは、一人で出荷できる時代のSEの仕事で詳しく扱っています。
人が引き受ける判断と責任
AIの能力が今後どこまで伸びるかは分かりません。次のリストはAIに永遠に不可能な作業の一覧ではなく、AIが支援しても人や組織が責任を持つための実務上の提案です。誰が決めるかは組織と権限によって異なり、エンジニア一人にすべての決定権があるとは限りません。
- 利用者のニーズを確かめる:AIは質問案や意見の要約を作れます。人は利用者や影響を受ける人に話を聞き、現場の制約や困りごとを確かめます。
- 価値と要件の優先順位を決める:AIは選択肢やトレードオフを整理できます。人は使いやすさ、安全性、費用などを比べ、関係者と優先順位を決めます。
- リスクを受け入れ、出荷を判断する:AIはテスト結果や残る懸念をまとめられます。権限を持つ人は影響と戻し方を確認し、残るリスクを受け入れるか、出荷を延期するか判断します。
- 障害に対応し、説明する:AIはログの整理や原因候補の提示を支援できます。対応する人は証拠を確認し、復旧や利用者への連絡を進め、必要な責任者へ判断を引き継ぎます。
- 育成と合意形成を続ける:AIはレビュー案や教材を作れます。先輩や管理者は新人に試す機会とフィードバックを用意し、意見が割れるときは関係者と理由や妥協点を話し合います。
リスクの管理には役割と責任を明確にすることが含まれます。NISTのAIリスク管理フレームワークも、リスク管理における役割と説明責任を扱っています。上の具体例は、その文書が将来のAIの能力を予測した結論ではありません。
AIの生産性は自分の仕事で測る
「生成が速い」と「変更を安全に出荷できるまでが速い」は別の指標です。METRの2025年実験では、慣れた大規模OSSで働く経験者16人の246課題について、AIを使える条件と使えない条件を無作為に割り当てました。主に当時のCursorとClaudeを使った結果、AIを使える課題の完了時間は19%長くなりました。
これは全員にAIが遅いという証拠ではありません。2026年の追試についての報告では、AIを使えない条件を嫌って参加しない人が増えるなど、選択の偏りが問題になりました。研究者は当時より速くなった可能性を考えていますが、効果の大きさは信頼して見積もれないとしています。
自分のチームでは、似た種類の変更をいくつか選び、AI利用の有無、開始から出荷までの時間、レビュー待ち、修正回数、出荷後の不具合を記録してください。難しい案件だけ片方に集まると比較できません。件数が少なければ結論を急がず、作業の種類とモデルが変わった時にも測り直します。
雇用の数字は何を示しているか
米国では若手について注意すべき観測と、職種全体についての予測が並んでいます。両者は対象も期間も違うので、そのまま足し合わせることはできません。
Stanford Digital Economy Labの2026年8月の分析は、米ADPの給与データを使いました。2026年6月時点で、AIの影響を受けやすい職種の22〜25歳の雇用は、影響が小さい職種の同年齢層と同じペースで推移した場合より約19%低い水準でした。これはソフトウェア職だけの数値ではなく、AIが差の原因だと確定したものでもありません。
一方、米労働統計局の見通しでは、ソフトウェア開発者、品質保証アナリスト、テスターを合わせた雇用が2025年から2035年に10%増えると予測しています。開発者単独の予測も10%です。将来の予測であって、特定の会社や新人の採用を保証する数字ではありません。

日本については、IPAのDX動向2026が企業のAI活用と人材の状況を調べています。企業の導入状況は、エンジニアの採用人数そのものではありません。転職や採用を判断するときは、対象地域と職種、経験年数を絞り、求人の仕事内容や採用条件も確認してください。
新人が経験を積む機会をどう残すか
AIに答えを出してもらう速さと、本人が後で変更を直せる力は分けて考えます。Anthropicの短期実験には、Python経験はあるものの対象ライブラリを知らない主に若手52人が参加しました。事後クイズの平均はAI支援群50%、手書き群67%でした。
この結果は特定の短い課題での差です。AIとの会話方法の違いは参加者の行動を観察して分類したもので、会話方法自体を無作為に割り当てたわけではありません。「質問すれば必ず学習できる」とは断定できません。
たとえば、任意の入力欄を空のまま保存するとエラーになる不具合を、新人が調べる場面を考えてみます。新人は、どんな操作でエラーが起きるかを再現し、本来どう動くべきかを書きます。原因や修正案を考える際に、AIに候補を尋ねてもかまいません。
新人は候補をコードと照らし合わせ、空欄の場合と入力がある場合のテストを書いて、修正を確かめます。レビューでは、新人が原因と変更内容を説明し、レビューする先輩が別の修正案や見落としを伝えます。分からない点は一緒に調べ、後日、条件の違う不具合でも原因を追えるか確認します。
こうした進め方なら、AIを使いながら、新人が調査から検証まで経験する機会を作れます。これは育成のための提案であり、上記実験で効果が証明された手順ではありません。
理解を深める個別の検証方法は、AIコーディング時代の理解負債も参考になります。
筆者の考え
筆者は、AIを使うエンジニアには、業界の知識とコンピューターアーキテクチャの理解を結び付け、適切な選択をする力が必要だと考えています。AIが持つ知識を活用できても、公開情報に現れない現場の制約や、業務を通じて蓄積された暗黙知が十分に伝わるとは限りません。人が現場の人から事情を引き出し、判断に生かす必要があります。
業界知識だけでも技術理解だけでもなく、両者を結び付けることが大切です。処理やデータの流れを理解した上で、AIが示す案も含めて、性能や安全性などのトレードオフを現場の条件と照らして判断します。
たとえば、製造業の在庫管理システムを設計する架空の場面を考えてみます。現場への聞き取りで、通信が途切れても出荷作業を止められない事情が分かれば、常時通信を前提とする設計と、現場で一時的にデータを保持して後から同期する設計では、選び方が変わります。後者を選ぶ場合も、同期の遅れやデータの食い違いをどう扱うか、安全性や運用上の負担と合わせて検討する必要があります。
将来、AI同士の連携や知識の共有を含む周辺エコシステムが高度になれば、こうした知識の制約はある程度緩和されるかもしれません。筆者は、そこに至るまでにはそれなりの時間がかかると考えています。
個人は何を学び、組織は何を変えるか
判断の責任を果たすには、AIに答えを求める力に加え、答えを現場の条件と照らし、自分で確かめる力が必要です。実装を続けながら、次のような技能を仕事の中で練習できます。組織には、その練習に使う時間と、判断を支える人や権限を用意する役割があります。
聞き取りと要件の言語化:利用者の依頼をそのまま仕様にする前に、誰が何に困り、どの条件で作業できないのかを聞き取ります。たとえば入力画面の改善なら、利用者の操作を確認し、空欄や入力間違いのときに必要な動作を具体例で書きます。AIに質問候補を出してもらい、人が利用者に確かめてもよいでしょう。管理者は利用者と話す機会を設け、書いた要件をプロダクト担当者や先輩と見直す時間を確保します。
業務の理解と優先順位付け:要望を比べるには、業務の流れや変更の影響を知る必要があります。エンジニアは、たとえば入力項目を減らす案について、利用者の手間、後工程で必要な情報、安全性を調べ、譲れる条件と譲れない条件を整理します。実際の業務を知る人に案を確認し、なぜその順番にしたか記録する練習が役立ちます。組織は業務担当者と相談できる場を作り、優先順位を決める権限者を明確にします。
設計とトレードオフ:変更を選ぶ前に、複数の実装案について保守のしやすさ、性能、費用、失敗時の影響を比べます。小さな変更でも、既存の仕組みを使う案と新しく作る案を図や短い文章にし、採用理由と残る懸念をレビューで説明してみてください。AIに別案を求めても、前提や根拠はコードと運用条件で確かめます。組織は設計レビューの時間を見積もりに含め、経験に応じて判断できる範囲を広げます。
コード読解・検証・テスト:生成された変更を安全に使うには、コードの流れを追い、期待する動作と失敗条件を検証する力が要ります。たとえば権限変更なら、既存の認可処理を読み、許可された利用者と別の利用者の両方についてテストを書きます。テストが通った理由と、テストだけでは分からない点もレビューで説明します。先輩は修正案を渡すだけでなく、調べ方と見落としを共有し、管理者はレビューと再調査の時間を確保します。
セキュリティと出荷のリスク判断:エンジニアは、扱う情報、アクセス権、影響を受ける利用者、検出方法と戻し方を整理し、残るリスクを言葉にします。たとえば権限の抜けが疑われたら出荷を止め、追加検証の結果を承認者に示します。組織は誰でも懸念を申し出て確認を求められる運用と、出荷を承認・延期できる人を定めます。リスクを受け入れる決定を、権限のない担当者に押し付けないことも必要です。
障害調査と運用:障害時に推測を事実と混同しないよう、ログ、変更履歴、監視情報から仮説を立て、証拠で絞り込む練習をします。演習では、エラーが増えた時刻と直前の変更を照合し、復旧手順と利用者への連絡内容を考えます。AIの原因候補は手がかりとして使い、実際の記録で確認します。組織は演習や対応の振り返りに時間を取り、新人が経験者と組める体制、相談先、障害時の交代要員を用意します。
説明と合意形成、育成:意見が割れたときは、誰にどの影響があり、何を根拠にどの案を選ぶのかを整理して伝えます。たとえば納期と安全性が競合するとき、エンジニアは選択肢、未確認の点、延期や段階的な出荷の影響を示し、製品担当者や承認者と判断します。レビューでは新人にも理由を説明してもらい、先輩は別案や改善点を具体的に返します。管理者はレビュー時間を評価と計画に組み込み、意見の相違を相談できる場を作ります。
実装から離れることだけが成長の道ではありません。要件整理への参加を考える人は、AIで実装コストが下がる中、上流へ移るべきかも参考になります。学習の記録には、変更の目的、判断理由、テストと戻し方を残せます。社外に出すときは顧客情報や機密を含めないでください。
著者
IT業界20年以上の実務経験を持ち、日本国内有数のPVを誇る大規模Webサービスで事業部長・CTOを複数社で歴任。Windows/iOS/Android/Webと技術の変遷を経験し、現在はAIネイティブへの変革に注力。DevGENTでは、AIコードエディタ・自動化ツール・LLMの実践的な使い方を日英西3言語で発信中。











コメントを残す