算出方法

最終更新 2026-09-26

1. わたしの仕事の寿命：数字の意味

職業ごとに示す時期は、2026年を基準に、平均的な雇用主がAIのためにこの職業の人の採用を目に見えて減らし始めると推定される時期です。業務の半分が変わる時期や職業がなくなる時期ではなく、人の代替が実際に始まる時期を指します。

• 判定は何年後か（年数）で行い、0.5年刻みです。すでに始まっているとみた職業は0.5年、一世代のうちには来ないとみた職業は上限の30年です。
• 画面の日付は判定の基準日にこの年数を足した日で、残り時間はその日までの時間なので毎日減っていきます。
• 予想の幅：速く進む場合と遅く進む場合を想定した幅です。
• AIの影響：置き換え（人の需要そのものが減る）、人員縮小（チームは小さくなるが職業は残る）、AIを活用（使う道具が変わり、人の需要は保たれるか増える）、代替されにくい（制度や身体を使う作業のために長く守られる）のいずれかです。
• 20年後も人が担う割合：20年後も人が担うとみた中核業務の割合です。
• AIに奪われるリスク：年数で決めます。3年未満は非常に高い、3年以上7年未満は高い、7年以上15年未満は中程度、15年以上は低い。
• 判定ごとに確信度（1〜5）もあわせて記録しています。

2. 職業の判定基準

AIモデルが職業ごとに以下の項目をそれぞれ点数と一行の根拠で判断し、そのうえで計算式ではなく総合的な判断で年数を決めます。判断のもとになるのは、モデルが2026年半ばまでに知っている公開情報（AI技術の水準、産業の動向、制度）です。

• 現在のAI能力（0〜10）：2026年半ば時点で最も進んだAIが、この職業の中核となる成果物を専門家の品質で、人の監督なしにどこまでこなせるか。モデル名やベンチマークの数値ではなく、能力の種類で判断します。
• 能力が届く年：これまでの進歩の速さから見て、中核業務の大部分を十分にこなせるようになる年。
• 導入の年：産業が実際に人を減らし始める年。コスト構造、導入のサイクル、既存事業者や労働組合の抵抗、データ・セキュリティの要件、顧客の受け入れを見て、道具を入れることと人員を減らすことを区別します。
• 制度の壁（0〜3）：免許、署名の責任、規制、公務員の身分、労働協約のように代替を遅らせる仕組みと、それが実際に何年遅らせるか。免許があっても補助スタッフや新規採用から減る構造なら、そのように判断します。

前提：判定基準は、AIの進歩と産業への導入が速く進むと仮定し、免許・制度・身体を使う作業などの制約は現実どおりに反映するよう定めています。そのため、より保守的に仮定した見通しよりも早い時期が出ることがあります。

一貫性：同じ職種の中では、補助職は専門職より遅くならないように、身体を使う作業は知的作業より早くならないように、免許職は免許のいらない職より早くならないように判定します。尺度をそろえるため、いくつかの職業に参考の範囲を置き（例：コールセンターのオペレーター0.5〜2年、配管工・電気工・溶接工20〜30年）、全体が3〜5年に集中しないようにしました。

3. 国ごとの扱い

• 韓国：752職業。韓国標準職業分類（KSCO）第7次の細分類450項目がすべて一つ以上の職業に結びつくように一覧を作りました。韓国の判定は「先進国（米国・韓国・日本など）の平均的な雇用主」を基準にしており、ほかの国の共通の基準線としても使います。
• 米国・日本：技術の水準と導入の速さだけで時期が決まる職業は、共通の基準線をそのまま使います。免許、公的部門の制度、労働法、市場の構造によって時期が変わる職業は、その国の基準で判定し直しました。その国にない職業は除き、その国にしかない職業は加えました。米国790職業（判定し直し159、追加74）、日本770職業（判定し直し164、追加43）。
• 台湾：803職業を台湾の基準で一つずつ判定しました。ほかの国と事情が同じとみた職業は、既存の値を保つと判定し、その判断を記録しています。
• 韓国ページの数字：すでに共有された数字を変えないよう、韓国のページは判定した年数に1.02を掛けて表示しています（例：判定30年→30.6年）。ほかの国のページは判定した年数をそのまま使います。

4. ランキング

• 職業ランキング：その国の職業を、判定した年数が短い順、つまり代替が先に始まるとみた順に並べます。1位が最も早い職業です。年数が同じなら、予想の幅が早い職業を先にします。
• 専攻ランキング：採用減少の推定時期が早い順に並べ、同じなら2030年の採用見通しの点数が低い専攻を先にします。

5. わたしの専攻の寿命

専攻ごとに示す時期は、その国でこの専攻の代表的な課程の卒業生が主に進む進路に、AIのために新規採用の需要を目に見えて減らす圧力が現れると推定される時期です。学科がなくなることや、卒業生がみな仕事を失うことを意味するものではありません。

• 一つの専攻に一つの値です。学士課程があれば学士の卒業生を、なければその国の主な課程（短大・専門学校、修士、専門職学位など）を基準にし、学士でない場合は画面に表示します。
• 基準日の2026年9月24日から何か月後かを6か月刻みで判定し、30年（360か月）先まで見ます。予想の幅もあわせて置きます。根拠が足りなければ「判断保留」、30年以内には来ないとみれば「30年以上」と表示します。
• 判定の順序：主な進路を決め、新卒が担う仕事のうちAIで減るものを探し、導入を遅らせたり雇用を支えたりする要因（現場の業務、責任、免許、需要）を検討してから時期を決めます。職業の年数の平均や計算式で自動的に出すことはせず、景気や人口の変化による採用減はAIによる代替とはみなしません。
• 国ごと：まず韓国の198専攻を判定して基準線にしました。米国220、日本239、台湾249の専攻は、主な進路が同じ基準線を探し、課程の仕組み、主な進路、免許・採用の制度、現地の需要を比べたうえで、値をそのまま使うか、直すか、新しく判定しました。
• 卒業年を選ぶと、その年の卒業時期（韓国は2月末、米国は5月末、日本は3月末、台湾は6月末として計算）と推定時期を比べ、卒業後の残り時間を示します。推定時期そのものは卒業年によって変わりません。
• 専攻一覧の基準：韓国は教育部の7大系列による4年制大学・専門大学の学科、米国はCIP 2020（米国教育統計センターNCESの学科分類）、日本は大学・短期大学・専門学校の学部・学科名、台湾は教育部の学科一覧と大学の公式な学科紹介です。
• 限界：判定の段階では新たなウェブ調査を行わず、すでに集めた資料で判断しました。AIの要因と景気・人口・予算の要因を切り分ける統計がないため、教育や公衆衛生のようにそうした要因が大きい専攻は確信度が低く、幅が広くなっています。

6. うちの大学の寿命（韓国のみ）

韓国の大学321校のこれから10年の運営環境を5段階（安定・良好・注意・警戒・不透明）で判定します。募集環境、学生の定着、保護される学科、財政の体力、制度上のシグナル、立地の6つの軸を見て、軸ごとの規則による計算値とAIモデルの判定をあわせて使います。直近3年のデータを使い、政府の公式な等級や閉校の確率ではありません。詳しい基準は대학 전망 판정 기준（韓国語）にあります。

7. わが街ランキング（韓国のみ）

韓国語ページ「AI가 살고 싶은 지역 순위」（AIが住みたい地域ランキング）は、韓国の市・郡・区256か所ごとにAIモデルが公開データを調べ、5年・10年・20年後それぞれについて5つの項目を0〜100点（5点刻み）で判定した結果です。

AIの素点は中央に集まっているため、画面にはすべての地域・期間・項目に同じ式を使って広げた全国比較の換算点を表示します。項目の点数＝60＋1.4×（素点−55）で、0点未満は0点、100点を超えれば100点とします。総合点は換算した項目の点数に上の重みを掛けて足した値で、等級と順位もこの点数で決めます。一つの項目でも判断の根拠がなければ、その期間の総合は保留します。

住宅価格・治安・自然環境はまだ点数に入れていません。点数は共通のルールに沿った解釈で、確率、公式の評価、実測値ではありません。基準日は2026年9月24日です。

8. 3分でできる適職診断

状況についての質問3つと、好きな活動についての24問（5段階で回答）から6つの傾向（現場・手仕事、探究・分析、創作・表現、対人・支援、説得・主導、整理・管理）の点数を出し、職業ごとのO*NETの興味プロフィールと比べて適合度を計算します。候補は、その国の判定でAIによる代替が遅いとされた職業（7年以上で影響が「AIを活用」か「代替されにくい」の職業、または12年以上の職業）だけです。準備期間に6か月以内を選ぶと、免許や試験が必要な職業は除きます。設問はO*NET Interest Profilerの形式を参考に独自に作りました。

9. 生活費シミュレーター

いまの資産、毎月の支出、収入、給料が止まる時期を入れると、それまでにたまるお金と、その後の支出で生活資金が尽きる時期を単純なキャッシュフローで計算します。職業を選ぶと、その職業の推定代替時期を給料が止まる時期として選べます。支出の削減、追加の収入、再就職、運用利回り、物価といった条件を変えて比べることもできます。失業や破産を予測するものではなく、入力した金額はサーバーに送らず、保存もしません。

10. わたしの人生難易度

8つのステージに分けた質問（人によって23〜46問）で、お金（収入、支出、資産、借金、住まい）、仕事、公的なセーフティネット、頼れる人、健康、ケア、最近の出来事とこれから、欠乏の12の領域をたずね、最も厳しい条件を中心にまとめてLv.1〜10のレベルを決めます。計算は端末の中で決まった規則どおりに行い、回答をAIやサーバーに送りません（サーバーにはレベルなどの匿名の集計1件だけを送ります。プライバシーポリシー参照）。レベルの境目は、実際の利用者の分布ではまだ検証していません。

11. わたしの就職序列

36問（最初の答えによって学生、卒業予定、初めての就職準備、在職中の転職、再就職の5つのコースに分かれます）で学歴（学校名ではなく区分）、経歴、能力の3つの軸の点数を出し、その国の求職者全体（学生・新卒・経験者）をまねた合成集団と比べて1〜10級を決めます。3つの軸の比重は国ごとに違います（学歴・経歴・能力の順に、韓国25・40・35%、米国15・45・40%、日本25・30・45%、台湾20・40・40%）。目標の条件、分野の状況、年齢はこの級には入れず、「自分の目標の就職難易度」に別に反映します。確率ではなく、求職者の構成比のような基準値には推定が多く含まれます。回答はブラウザの中だけで計算し、サーバーには送りません。

12. データの出典

• 韓国標準職業分類（KSCO）第7次（韓国統計庁）：韓国の職業一覧の範囲を決めるのに使いました。
• 米国標準職業分類（SOC 2018）：職業を米国の統計やO*NETのデータに結びつけるのに使いました。
• O*NET 29.1（米国労働省 雇用訓練局）：職業ごとの業務一覧と興味プロフィール。適職診断の職業の傾向の点数はここから来ています。
• 米国労働統計局（BLS）の雇用予測 2025–2035：米国のページでは、表示する職業がBLSの一つの職業分類（SOC）に対応する場合に限り、雇用成長率を表示します。米国で別の職業として分けた項目は、その範囲を反映し、異なる職業の成長率を混ぜた値は表示しません。韓国・日本のページに米国の数値を流用せず、台湾は現地の数値がある場合に限って表示します。専攻ページの数値は専攻そのものではなく、対応する主な進路の雇用予測です。
• Microsoft Researchの「Working with AI」研究データ（arXiv 2507.07935、CC BY 4.0）：職業ごとのAI適用スコアです。基準線（韓国）の職業を判定するとき、このスコアにO*NETの身体作業の割合を反映した参考値（百分位）とBLSの雇用成長率を、判定するAIに一緒に示しましたが、その値に従わず独自に判断するよう指示しました。年数を計算する式には使っていません。
• 台湾：法令データベース（全國法規資料庫）、行政院主計總處、勞動部勞動力發展署、考選部、衛生福利部、教育部などの公的機関の資料で、免許・制度や学科に関する事実を確認しました。
• 大学：韓国の大学情報公開サイト（대학알리미）、教育統計、教育部や機関の公式発表。学校ごとの出典は各大学の結果ページにあります。
• 地域：行政安全部の住民登録人口統計、韓国統計庁のKOSIS、学校情報公開サイト（학교알리미）、健康保険審査評価院、自治体や教育庁の資料、地方財政の公開資料、報道など。地域ごとの出典は判定の記録に残しています。

This page includes information from the O*NET 29.1 Database by the U.S. Department of Labor, Employment and Training Administration (USDOL/ETA). Used under the CC BY 4.0 license. O*NET® is a trademark of USDOL/ETA. YOU’RE NEXT (Opening Step) has modified all or some of this information. USDOL/ETA has not approved, endorsed, or tested these modifications.

13. 誰が判定したのか

公開資料の調査・整理と見通しの判定はAIモデルが行います。判定結果と解説文は、追加のAIレビューと自動チェック（形式、値の範囲、同じ職種内での順序、根拠との対応）を経て、人が最終確認したうえで公開しています。職業・専攻の解説文は、収集した資料と判定の根拠に基づいて作成しています。

14. 限界と誤りの報告

• 見通しはすべて推定で、確実ではありません。技術、景気、制度が変われば変わりうるほか、判定をやり直すと数字が変わることがあります。
• AIの判定は間違うことがあります。資料を読み違えたり、最新の変化を見落としたり、事実でない内容を根拠にしたりする可能性があります。
• 数字は職業・専攻・地域の単位での平均的な流れです。同じ職業でも、会社、地域、個人の経歴によって大きく異なることがあります。
• 誤りを見つけたら、2024opennext@gmail.comにページのアドレス、誤っている内容、できれば根拠となる資料を送ってください。大学のデータは、各大学の結果ページの「정정 요청」（訂正の依頼）から送ってください。確認したうえで必要なら直します。詳しくはお問い合わせをご覧ください。

サービス紹介 · 算出方法 · 利用規約 · お問い合わせ · プライバシーポリシー
YOU’RE NEXT · 運営 Opening Step · 2024opennext@gmail.com