2026.03.20 更新：FAQブロック形式の修正、AI依存リスクのフロー図追加、3手法比較表追加、外部エビデンス3本追加

生成AIを日常的に使い始めて、こんなことを感じたことはないでしょうか。「自分は経験があるから、AIに何をどう聞けばいいかわかる。でも経験の浅い若手が同じように使いこなせるかというと、それは別の話だ」と。

これは2000年代の「ググれるかどうか」と似た構造です。検索エンジンが普及した時代、知りたいことを適切なキーワードで検索できる人とできない人の間に情報格差が生まれました。2026年現在、同じことが生成AIとの対話で起きています。

本記事では、生成AI時代に不要になりつつあるスキルと逆に重要性が増しているスキルを整理します。そのうえで、若手社員や副業チームのメンバーをどう育成すればよいか、具体的なアプローチを3つ提案します。

ムラサキ

SE歴20年、10名のチームをマネジメントしている筆者が、現場で実際に感じているスキル格差と教育の試行錯誤をベースにお伝えします。

生成AIで変わるスキルの価値基準

ChatGPT、Claude、Geminiといった生成AIが業務に浸透したことで、ビジネスパーソンに求められるスキルの優先順位が大きく入れ替わりつつあります。

これまで「できて当然」とされていた作業の一部がAIで瞬時に片付くようになりました。一方で、AIには任せられない領域の価値が相対的に上がっています。この変化を正しく認識しないと、自分自身のスキルアップの方向性もチームの教育方針も見誤るリスクがあります。

重要なのは「AIに仕事を奪われる」という恐怖ではありません。「何にリソースを集中すべきかが変わった」という冷静な認識です。東洋経済オンラインで中島聡氏が指摘するように、AI時代には「AIを使いこなして意思決定できるごく少数の人間」だけが組織に残る可能性すらあります。2025年末のHRPro調査では約7割の企業が「生成AI時代のスキル習得」に課題感を示しており、従来のツール操作中心の研修から質的な転換が求められています。ここからは具体的に、不要になる側と必要になる側をそれぞれ見ていきます。

生成AI時代に不要になりつつあるスキル

「不要」とは完全にゼロになるという意味ではありません。時間をかけて習熟する優先度が下がったスキルという位置づけです。

情報収集・整理の単純作業

大量のWebページを巡回して情報を集め、Excelやスライドに整理する。こうした定型的なリサーチ作業はAIの得意分野です。複数の情報源を横断して要約する作業も、人間が数時間かけていたものをAIなら数十秒で処理できます。

翻訳や要約も同様です。精度の面でAIは実用レベルに達しており、下訳としては十分な品質を出せます。こうした作業を「自分の強み」として依存していると、今後は市場価値が目減りしていく可能性があります。

テンプレート型のアウトプット

メールの定型文作成、議事録の整形、報告書のフォーマット埋め。これらの「型に沿って埋めるだけ」の作業もAIが高速にこなします。

生成AI時代にこそ必要になるスキル

不要になる側と必要になる側をまとめると、以下のような価値変動が起きています。

このスキルの入れ替わりは、日経クロステックで紹介された論文「How AI Impacts Skill Formation」でも裏づけられています。AI支援ツールの導入が若手のスキル獲得を妨げる構造的なリスクが指摘されており、教育設計の見直しが急務です。大きく3つの「必要スキル」を順に見ていきます。

課題を言語化し問いを立てる力

AIは「答えを出す」のは得意ですが、「何が問題か」を自ら発見することはできません。現場で何が起きているのかを観察し、本質的な課題を特定して言葉にする。この力は人間にしか持てません。

副業の場面でも同じです。「稼げる副業を教えて」とAIに聞く人と、「自分のスキルセットと週10時間の稼働で3ヶ月以内に月5万円を達成するには」と聞く人では、返ってくる回答の具体性がまるで違います。問いの解像度がそのまま成果の解像度になります。

実際に筆者はClaude無料版に的確な指示を出すことで、プログラミング未経験ながら2週間で業務システムを開発しました。「AIへの問いの立て方」が成果を左右する実例をバイブコーディング実践記で紹介しています。

AIの出力を検証・判断する力

生成AIはもっともらしい嘘をつくことがあります。ハルシネーション（幻覚）と呼ばれる現象で、存在しないデータや誤った因果関係を自信満々に提示してきます。

この検証ができるかどうかは、その分野の知識と経験に左右されます。つまり「AIが出した答えの良し悪しを判断できる」こと自体が、今後ますます貴重なスキルになっていきます。

ムラサキ

筆者はメンバーがAIの答えをそのまま言っているだけかなと思ったら、「なぜその答えになるのか」を必ず聞くようにしています。使いこなせているメンバーは理路整然と論拠を示してくれますが、答えだけしか見ていないメンバーは答えに詰まったり、「AIの答えがそうでした…」と言った具合になります。

この検証力を鍛えるには、AIの出力を「使う前にレビューする」習慣が有効です。筆者もNotebookLMでVBAコードの不具合調査を行う際、AIの分析結果を必ず原文と照合しています。具体的な検証フローはNotebookLM活用術7選で詳しく紹介しています。

経験を抽象化して応用する力

過去に経験した個別の成功や失敗から、汎用的なパターンを抽出して別の場面に応用する。この抽象化と転用の力は、AIにはまだ難しい領域です。

たとえば「前職の営業経験で学んだヒアリング手法を、副業のクライアントワークに応用する」といった判断は、自分の経験を構造化して理解していないとできません。AIは大量のデータからパターンを見出しますが、あなた個人の経験を起点にした応用は本人にしかできない仕事です。

若手が成長機会を失うリスクとその構造

検索エンジンが普及した2000年代、「適切なキーワードで検索できる人」と「できない人」の間に情報格差が生まれました。現在の「AIに適切に聞ける力」もまったく同じ構造です。問いの解像度がそのまま成果の解像度になる。そしてこの土台は、数多くの業務経験を通じて築かれるものです。

ところが生成AIがあると、これまでの人材育成で成長エンジンだった「非効率な試行錯誤」をスキップして「それらしい答え」に即座に到達できてしまいます。若手がAIに丸投げして出てきた回答をそのまま提出する。上司は体裁が整っているので問題に気づかない。結果として思考力が鍛えられないまま年次だけが上がっていくリスクがあります。実際にダラス連邦準備銀行の2026年1月レポートでは、AI露出度の高い職種で22〜25歳の雇用が2022年以降13%減少したというデータが示されています。

graph TD
    A["若手がAIに質問"] --> B["即座に回答を取得"]
    B --> C["自分で考えるプロセスを省略"]
    C --> D["試行錯誤の経験が蓄積されない"]
    D --> E["応用力・判断力が育たない"]
    E --> F["AIが使えない場面で対応不能"]
    F -->|"悪循環"| A
    style A fill:#e8f0fe,stroke:#4a86c8
    style B fill:#e8f0fe,stroke:#4a86c8
    style C fill:#fff3e0,stroke:#e6a23c
    style D fill:#fff3e0,stroke:#e6a23c
    style E fill:#fce4ec,stroke:#c77986
    style F fill:#fce4ec,stroke:#c77986

The Conversationの2026年2月の分析記事では、この現象を「トレーニング・デフィシット（訓練不足）」と呼び、エントリーレベルの仕事がAIに置き換わることで若手が基礎スキルを築く機会そのものが失われる構造的リスクを指摘しています。

これは若手の意識の問題だけではありません。組織やチームとして「AIとの向き合い方」をどう教育設計するかが問われています。副業チームやフリーランスのメンター関係でも同じ課題が発生します。

教育側の対策と同時に、当事者であるジュニア自身がどう動くかも重要だ。研究データに基づくジュニアの行動設計を別記事で整理している。

生成AI時代の若手教育3つのアプローチ

具体的にどう教育すればよいか。ブルッキングス研究所は「AI時代こそ基礎力の強化が最優先」と提言しています。この方針に沿って、現場で実践しやすい3つの方法を提案します。

AI禁止トレーニングで思考筋力を維持する

すべての業務でAIを禁止するという意味ではありません。週に1回、特定のトレーニング課題において「AIを使わず自分の頭だけで考える時間」を意図的に設ける方法です。

たとえば「AIなしで企画書の骨子を30分で作る」「自力で競合リサーチを行いレポートにまとめる」といった課題です。これにより、AIがない状態でも自走できる思考の基礎体力を維持できます。筋トレと同じで、負荷をかけなければ筋力は衰えます。

筆者は1on1で課題の対応方法の相談を対面で受けたりします。ここにAIの改善の余地はなく、答えが分かっていることでもメンバが自身で答えを導き出せるようにコーチングを意識して対応しています。なおAIに頼らない業務効率化の手段として、Windows標準機能を活用した自動化テクニックも併用すると思考トレーニングとの相性が良いです。

副業ブログの運営でも同じことを感じています。AIにキーワード選定から本文生成まで任せることは技術的に可能ですが、筆者は構成の最終判断と事実確認を必ず自分で行っています。AI丸投げではなく「自分で考える工程」を残す設計が、副業チームの教育にもそのまま応用できます。1ヶ月目の運営データを副業ブログ1ヶ月目の全データ公開で共有しているので、AI活用の実態も参考にしてください。

AI出力のレビュー訓練で判断力を鍛える

若手にAIで回答を生成させたうえで、その出力を批判的に検証させるトレーニングです。「この回答のどこが正しいか」「どこに根拠が不足しているか」「もっと良い聞き方はなかったか」を自分で分析させます。

最初のうちは先輩がレビューの観点を示す必要があります。回数を重ねるうちに、若手自身がAI出力の品質を自分で判断できるようになっていきます。これは実務における品質管理の訓練にも直結します。

プロンプト比較ワークで暗黙知を共有する

経験豊富なメンバーと若手がペアを組み、同じ課題に対してそれぞれがAIに質問を投げかけます。その後、お互いのプロンプトと得られた回答を比較するワークショップです。

先輩がどんな前提条件を設定し、どういう順番で質問を組み立てているのか。その思考プロセスが可視化されることで、若手は「経験に基づく問いの立て方」を具体的に学べます。暗黙知を言語化して伝達する非常に効果的な手法です。

筆者自身、ブログ記事の作成にClaudeを使う中で「どういう順番で質問を組み立てると精度の高い出力が得られるか」を日々試行錯誤しています。このプロンプト設計のプロセスをClaudeでブログ記事を作成するワークフローで全工程を公開しているので、プロンプト比較ワークの教材としても活用できます。

この3つは会社の研修だけでなく、副業チームや個人のメンタリングでもそのまま使えます。大掛かりな仕組みは不要で、週30分の時間確保から始められます。

よくある質問

まとめ

生成AIの普及により、定型的なリサーチやテンプレート型の文書作成といったスキルの優先度は下がりつつあります。一方、課題を言語化する力、AIの出力を検証する力、経験を抽象化して応用する力はこれまで以上に重要になっています。

最大のリスクは、若手がAIの便利さに依存して「考える経験」を積めなくなることです。かつて「ググれる力」の土台に実務経験が必要だったように、「AIに適切に聞ける力」にも試行錯誤の蓄積が不可欠です。

その対策として、AI禁止トレーニング・出力レビュー訓練・プロンプト比較ワークの3つを紹介しました。いずれも特別な予算や環境は必要なく、今日から始められるものばかりです。AIを使いこなす側の人材を育てるために、まずは教える側が教育の設計を見直すところから始めてみてください。

ムラサキ

「AIを使いこなす側の人材を育てる」と言うのは簡単ですが、教える側がまず自分のAI活用を言語化できていないと始まりません。この記事がその第一歩のきっかけになれば嬉しいです。

ムラサキ

自分のチームでもAI活用は推進している。ただ「AIが言ってました」で思考停止する場面を見ると、速さと成長は別物だと痛感する。

「速く書ける」＝「育っている」は本当か？

AIで3倍のPRを出したエンジニアの評価面談

ある開発チームの半期評価面談での話だ。入社1年半のエンジニアがCopilotとClaude Codeを駆使してチーム内PR数トップを記録した。コード生成をAIに任せ、テスト自動生成も活用し、レビュー指摘の修正もAIに委託する。数字だけ見れば「即戦力」そのものだった。

ところが評価者は評価シートの「成長」欄で手が止まった。PRの量は3倍。だがレビューコメントへの返答の質は半年前と変わっていない。「なぜこの実装を選んだのか」と聞くと「AIがこう提案したので」と返ってくる。障害対応で呼ばれたとき、自分が書いた（正確にはAIが書いた）コードの挙動を説明できなかった。

このエピソードはZennの記事で紹介された事例だが、筆者の現場でも同じ光景がある。「AIが言ってました」で済ませる若手。それは「誰かが言ったからOK」という精神と同根で、自分の判断を放棄している状態だ。

速度と理解度は別の軸である

Anthropicが2026年1月に発表した論文「How AI Impacts Skill Formation」は、この直感を実証している。52名のジュニアエンジニアを対象に、AIの使い方によって学習効果がどう変わるかを測定した結果、AI使用群は非使用群より理解度が平均17ポイント低かった。さらにAIとの関わり方を6パターンに分けると、概念を質問して学ぶ使い方で理解度86%、出力をコピペして実行する使い方で24%。同じ「AI活用」でも3.6倍の差がついた。

上位パターンの共通点は「AIに考えさせる問いを自分が設計している」こと。「このエラーを直して」と頼むのと「原因の仮説を3つ挙げて」と頼むのでは、自分の脳が使われる度合いが全く違う。

一方、METRが2025年に実施したランダム化比較試験（METR研究）では、経験豊富なOSS開発者16名がAIツールを使った結果、タスク完了時間が19%増加した。経験者は自分の知識とAIの提案を照合するコストが発生するため、むしろ遅くなった。「速度が上がること」と「理解が深まること」は別の現象だ。

週末起業・副業エンジニアにとっての意味

本業のチーム開発なら、レビューで先輩が「なぜこの実装？」と聞いてくれる。上司が評価面談で成長を確認してくれる。副業・週末起業にはその仕組みがない。AIが書いたコードを自分でレビューし、自分で品質を担保する必要がある。理解が浅いまま進んでも誰も止めてくれない環境だからこそ、「理解なき速度」は本業以上にリスクになる。

データで見るジュニアエンジニア氷河期

ここで言う「ジュニアエンジニア」は経験3年未満のエンジニアを指す。新卒に限らず、キャリアチェンジ組や副業で開発を始めた層も含む。

Big Tech新卒採用比率が32%→7%に急落

2019年にBig Techの新卒採用比率は32%だったが、2026年には約7%に落ち込んだ（ByteIota調査）。Ravioの2025年レポートではエントリーレベル（P1/P2）の採用率が前年比73%減少し、全レベル平均の7%減少と比較して桁違いの落ち込みを記録している（Ravio 2026 Compensation Trends）。

企業によって方針が真逆に割れている理由

ただし企業の方針は一貫していない。Salesforceのマーク・ベニオフCEOは「AIで30%生産性が向上したためエンジニア新規採用はゼロ」と宣言した。一方GoogleはEntry-levelを50%削減しつつ経験2〜5年層の採用を27%増やした。AWSのマット・ガーマンCEOは「ジュニアをAIで置き換えるのは最も愚かな判断だ」と真逆の発言をしている。

「ジュニア不要」は業界の合意ではなく、経営判断のひとつに過ぎない。重要なのは、残った採用枠で何が求められるかが変わっていることだ。

日本市場への影響と読み替え方

経済産業省の2030年予測では、先端IT人材が最大55万人不足する一方、従来型IT人材は約10万人余剰になるとされている。ただしこの予測は2019年時点の試算で、生成AIの普及を織り込んでいない。実感としては「先端」のアドバンテージが縮小している。かつては先端の環境や製造技術を知っていること自体が競争力だったが、AIの登場でレガシーのコアの仕組みを理解していれば、やりたいことをAIに伝えて先端領域の実装に対応できる。AIを実践に活かす努力をした人が「先端」に追いつける時代であり、従来の「先端 vs 従来型」という分類自体が揺らいでいる。

SE歴20年の実感では、「知識のアップデートが容易にできる人」と「できない人」の格差が広がっている。自分自身、e2eテストの知識がSeleniumで止まっていたが、AIを活用してPlaywrightにアップデートできた。知っているか知らないかだけで差がつく時代に、アップデートの速度が競争力になる。

AIの使い方で成長が3.6倍変わる

Anthropicのスキル形成研究が示す6パターン

Anthropic研究が示した6パターンを詳しく見ると、成長度に明らかな差が出る。

上位3パターンの共通点は、自分が主導権を握っている点だ。AIに「答え」を求めず、「考える材料」を出させて自分で判断している。

「学習モード」と「生産モード」の切り替え術

ただし常に学習モードでは締切に間に合わない。重要なのは「今どちらのモードか」を自覚することだ。

学習モード（時間にバッファがあるとき）：まず5分は自分で考え、仮説を立ててからAIに聞く。AIの回答を読んだ後、自分の言葉で説明し直す。筆者がSeleniumからPlaywrightにアップデートしたときもこのモードだった。実装自体はAI任せだが、「何が変わったのか」「なぜPlaywrightが選ばれるのか」の理解に時間を使った。

生産モード（締切が迫っているとき）：コード生成を丸投げしてOK。ただし、週末に15分だけ「なぜこのコードが動くのか」を振り返る。この振り返りを2週続けてスキップしたら、翌週は意識的に学習モードの比率を上げる。

副業エンジニアは時間が限られるからこそ、この切り替えが効く。すべてを学習機会にする必要はない。

やってはいけないAIの頼り方

最も危険なのは「AIが言ったから正しい」という思考停止だ。筆者のチームでもレビューで「なぜこの設計にしたのか」と聞くと「AIが提案したので」と返ってくる。これはAIに限った話ではなく、「先輩が言ったから」「ドキュメントに書いてあったから」と本質的に同じ問題だ。分岐点は、誰が言ったかではなく、なぜそうなるかを自分で説明できるかにある。

筆者のチームではGemini Gemsでコード品質チェックを「プレレビュー」として規定運用している。AIチェックの結果を鵜呑みにするのではなく、「AIが指摘した内容を自分で理解して反映する」ところまでがプレレビューのプロセスだ。AIチェックは「補助」であり「判断」ではない。

空洞化するキャリアラダーとは何か

消えているのは仕事ではなく学習経路

採用が減り、ジュニアの成長が止まりやすくなる。この2つが重なると何が起きるか。「空洞化キャリアラダー（Broken Career Ladder）」と呼ばれる問題だ。

従来、ジュニアは「既存APIに新しいエンドポイントを追加する」「バリデーションロジックを修正する」といった中間タスクをこなしながら、コードベースの理解とレビュー経験を積んできた。AIがこのタスク層を代替すると、「練習試合」がないままいきなり「本番」に投入される。LeadDev 2025調査では、38%のエンジニアリングリーダーが「AIの導入によってメンタリングの機会が減った」と回答している。

Dreyfusモデルで見るAI時代のスキル習熟

スキル習熟のDreyfusモデルは5段階を定義している。初心者→上級初心者→一人前→熟練者→達人。AIが最も危険なのは「上級初心者」で成長を固定するリスクだ。上級初心者はルールを適用できるが、文脈に応じた判断ができない。AIが答えを出してくれるから正しいルールは適用できる。だが「なぜそのルール」なのか、「この状況では例外があるか」は自分で判断できない。

筆者が「経験から要点を押さえられれば言語仕様は知らなくてもいい」と考えるのは、一人前以上の段階を経ているからだ。20年の実装経験があるから、何が要点で何が枝葉かの判断ができる。これから学ぶ人がその段階をショートカットして同じ判断ができるかは、正直わからない。

ムラサキ

ただ逆の可能性も考えている。実装を経験せずに、最初から上流を目指すのが正解になるかもしれない。

筆者の周囲には、実装はできないが案件の推進力が抜群のマネージャーがいる。要件定義と工程管理に特化し、成果物の最終判断ができる人材だ。AIが製造・テストを担う時代なら、この「上流特化型」が今後のスタンダードになる可能性がある。

実際、AIに製造を任せた場合、人間が見るべきはコードではなくテストケース・テスト結果・エビデンスだ。コードの保守性は「人間が保守する前提」のコストであり、AIが保守するなら不要だ。パフォーマンスやセキュリティはテスト観点に追加すれば済む。今でもセキュリティテストは専用ツールで検証するのが主流だ。

ただし新しい課題が生まれる。人間が実装する場合、「X > 20」「X >= 20」「X >= 19」程度のバリエーションしか想定しなくて済んだ。だから境界値テストの範囲も暗黙の信頼で絞れた。AIが実装する場合はその信頼がない。極端な話、AIが「X in (20, 21, … 100)」のようなコードを書いたとき、101が期待値にならない問題にどう気づくか。つまり「要件をテスト観点に厳密に落とし込む設計力」が従来よりはるかに重要になる。

結論は出せない。「実装経験がないと判断力が育たない」という見方と、「中間工程をスキップして上流を目指すのが正解」という仮説が共存している。ただ「要件定義＝テスト設計」が一体化した新しいスキルセットが求められるのは確かだ。

5年後に自分のキャリアが枯渇するリスク

どちらのルートを取るにせよ、「AIで速く書けるだけ」の人材は市場価値が下がる。要件整理・設計ができる人材と、コード生成しかできない人材の格差は広がる。副業エンジニアは特に「判断力の証明」が難しい。ポートフォリオの数ではなく、なぜその設計を選んだかの質が問われる時代になる。

生成AI時代に必要なスキルと不要になるスキルの全体像は「教育する側」の視点から整理した記事で扱っている。今回はその「教えられる側」としてどう動くかの話だ。

今日からできる3つの行動設計

行動①：PRに「Why」を1行書く習慣

「なぜこの実装を選んだか」を毎回PRに1行書く。「AIがこう提案した」は理由にならない。「○○の制約があるため、△△のアプローチを選択した」と書けるかどうかが、判断力を可視化する最もシンプルな方法だ。

副業の個人開発でもコミットメッセージに同じことを適用できる。未来の自分が読み返したとき「なぜこの選択をしたのか」がわかるコミットログは、ポートフォリオとしても強い。

行動②：判断品質を可視化するレビュー術

筆者のチームではGemini Gemsによるプレレビューを定常運用している。個人開発でも同じ仕組みは作れる。AIにコードレビューを依頼し、指摘事項を「理解して」反映する。重要なのは、同じ種類の指摘を2回受けたらそれは自分の判断基準に穴があるサインだということ。指摘をノートに記録し、3回目が来る前に自分で潰す。

レビュー結果をただ反映するだけなら、Anthropicの6パターンでいう「コード生成を丸投げ」と変わらない。レビュー結果を「なぜその指摘が正しいのか」まで自分で腹落ちさせるプロセスが、判断品質を上げるトレーニングになる。

行動③：AIが代替できない文脈理解力を鍛える

「なぜこのテーブル設計になったのか」「なぜこの命名規則なのか」——コードには書かれていないが変更判断に不可欠な情報がある。現在のAIはプロジェクト固有の文脈が苦手だ。RAGやコンテキストウィンドウの拡張で改善は進んでいるが、「経緯と意図」を完全に把握するには至っていない。

筆者自身、要件整理と設計に注力できるようになったことで、コアスキルの向上につながっている。AIが実装の細部を担当するなら、人間は「どう実装するか」ではなく「なぜこの要件なのか」「この設計で何を実現するのか」に時間を投資すべきだ。Claude無料版でバイブコーディングした経験でも、プログラミング経験があるからAIへの指示の精度が上がった。言語仕様を知らなくても「要件の抜け漏れ」は拾える。その感覚はAIでは代替できない。

AI時代を生き残るジュニアエンジニアの戦略まとめ

「理解なき速度」はキャリアリスクになる

Anthropic研究が示すとおり、AIの使い方で理解度に3.6倍の差がつく。「速く書ける」は汎用スキルになり、差別化軸は判断品質にシフトした。

Big Techの新卒採用比率は32%→7%に急落している。注目すべきは、残った枠で求められるスキルが変わったことだ。キャリアラダーの空洞化が進む中、「実装スキップで上流特化」という新しいルートも出ている。ただしテスト設計力という新たな必須スキルが必須になる。

副業・週末起業エンジニアへの応用

副業・週末起業ではレビュアーがいない。PRに「Why」を書く、AIレビューの結果を理解して反映する、要件の文脈を自分で押さえる。この3つの自己防衛策が本業以上に重要になる。

明日から始める最初の一歩

最もハードルが低いのは「PRやコミットメッセージにWhyを1行書く」ことだ。今日のコミットから始められる。理由を書こうとして「書けない」と気づいた時点で、それは自分が理解していないサインになる。その気づきが、AI時代のキャリアを分ける。

ムラサキ

AI活用は止めない。でも「AIが言ってました」で済ませる限り、速さは成長に変わらない。自分の言葉でWhyを語れるかどうか。そこだけは譲れない。

よくある質問

2026.03.20 更新：文部科学省2024年度統計データの追加、FAQのブロック形式変更、タイムライン追加、外部エビデンスリンクの追加を実施しました。

中学に入って1ヶ月で学校に行けなくなった。

約1年間、家にいた。そこから少しずつ動いて、今はSE歴20年、金融系システム開発の課長をやっている。部下が10人いて、家庭もある。

文部科学省の2024年度調査によると、小・中学校の不登校児童生徒数は約35万4千人で過去最多を更新した。12年連続の増加で、中学校ではおよそ15人に1人が不登校という計算になる。自分もその「元・不登校児」の一人だ。

劇的な逆転劇ではない。ただ、いくつかの分岐点で少しだけ動いた。その話を書いてみる。

ムラサキ

20年前の自分に「課長やってるよ」と言ったら、たぶん信じないと思います。でも事実です。

小3で世界が変わった

小学3年のとき、両親が離婚した。母に連れられて田舎の実家に引っ越した。

知らない土地だった。周りに知っている人はいない。子供ながらに「ここは自分の場所ではない」と感じていた気がする。

小学校は断続的に休むことはあったが、合計すると2ヶ月くらいで、ほぼ通っていた。ただ「楽しかった」という記憶がほとんどない。なんとなくやり過ごしていた。毎日をこなしていただけだった。

振り返ると、この時期にすでに「環境が変わることへの疲弊」の種はあったのだと思う。

中学、1ヶ月で止まった

中学に入学した。また環境が変わった。

引越しもあって、周りに知り合いはほぼいない。同級生たちにはすでに小学校からの関係性がある。その中にぽんと放り込まれた。

疎外感があった。「またゼロからやるのか」という気持ちが重かった。小学校をなんとかやり過ごしてきた分、中学で完全に糸が切れた。

1ヶ月で行かなくなった。正確には、行けなくなった。

明確ないじめがあったわけではない。誰かに何かをされたわけでもない。ただ、あの教室にいることが自分にはできなかった。

不登校の1年間は意外と暇じゃなかった

学校に行かない日々が始まった。約1年間続いた。

何もしていなかったかと聞かれると、そうでもない。ゲームをやり、勉強もしていた。PCを触り、Magic The Gatheringにハマった。

「不登校＝引きこもって何もしない」というイメージを持つ人がいるかもしれないが、自分の場合はむしろ忙しかった。学校という枠がなくなった分、自分の興味に全振りできた。

親は無理に登校を促すことが一切なかった。これは今思うと大きい。

代わりに相談機関に定期的に通っていた。相談員の人と遊んだり、少し話したりする程度。カウンセリングという堅い感じではなく、ただ一定のサイクルで外に出て誰かと過ごす時間があった。

当時はなんとも思っていなかったが、今振り返るとこの距離感がちょうどよかったのだと思う。詰められず、放置もされない。その間で少しずつ息をしていた。

文部科学省は「不登校児童生徒への支援の在り方について」の通知の中で、不登校の時期が休養や自分を見つめ直す等の積極的な意味を持つことがあると明記している。当時の自分がまさにそれだったのだと、この文書を読んで腑に落ちた。

嫌いな祖母がくれた転機

転機は意外なところからやってきた。

祖母が、不登校の子供が通う施設を見つけてきた。母にそこへ行かせるよう提案した。

正直に言うと、祖母のことは好きではなかった。だからその提案も素直には受け入れられなかった。半強制的に通い始めた記憶がある。

でも結果として、この施設に通えるようになったことが自分の人生で一番大きな転機だった。中学の間に約1年かけて、そこに通えるようになった。

高校は消化試合、大学でプログラミングに出会った

高校は自宅から近い普通科に進学した。田舎なので選択肢がほぼなかった。

正直、面白くなかった。ただ通っていただけだった。唯一、数学だけは成績がよかった。

大学進学する生徒がほとんどいない高校だったが、担任の先生に「大学に行け」と勧められた。おそらく学校の進学実績を作りたかったのだと思う。理由はどうあれ、この一言がなければ大学には行っていなかった。

工学部の夜間に進学した。ここで初めて「学ぶ場所が自分に合っている」と感じた。

理由は2つある。自分でカリキュラムを組めること。そして団体行動を強制されないこと。小中高とずっと苦手だった「集団の中にいること」から解放された。

そしてプログラミングに出会った。コードを書いて、動く。自分の書いたものが画面上で結果を返してくる。これが純粋に面白かった。

学校が面白くなかったのではなく、学ぶ内容と環境が自分に合っていなかっただけだった。大学でそれに気づけたことは大きい。

就活を知らないまま社会人になった

就職活動の仕組みを正直よくわかっていないまま就職した。情報系の学部だったので、そのままSEになった。

大企業を目指すという発想がそもそもなかった。「この規模の会社なら自由にやれるだろう」「自分が活躍できるだろう」という見立てがあった。

結果的にその読みは当たっていた。20年間、同じ会社で転職せずに課長になった。部下が10人いる。金融系のクライアントを担当し、システムを作っている。

ただ今振り返れば、もっと大きな環境に挑戦してみても面白かったかもしれない。当時の自分には想像もつかなかった選択肢が、実はあったのだろうと思う。これは後悔ではなく、今だから言える感想だ。

不登校と関係あるもの、ないもの

社会人を20年やってきて、自分の特性についてはだいぶ理解が進んだ。

よく「不登校の影響で人付き合いが苦手なんでしょう」と思われるかもしれないが、自分の場合はそうではないと思っている。

不登校だったことをすべての原因にしてしまうと、自分自身を見誤る。「不登校だったから」と「もともとの自分の性格」は分けて考えた方がいい。

教育機会確保法のパンフレットでは、不登校はどの児童生徒にも起こり得るものであり、問題行動ではないと明確に位置づけている。この考え方は、不登校経験者が自分を過度に特別視しないための支えにもなるはずだ。

課長としてチームをまとめる中で、対応の仕方は経験値で学んでいった。マニュアルがあったわけではない。場数を踏んで「こういう時はこう返す」というパターンを蓄積していった。不登校経験があろうがなかろうが、社会人はみんな同じことをやっていると思う。最近は生成AIの登場でSEに求められるスキルも変わりつつあり、その変化と若手教育のアプローチについては生成AI時代に必要なスキルと若手教育の進め方で詳しく書いている。

よくある質問（FAQ）

まとめ｜不登校は「終わり」じゃなかった

ずっと不登校のままだったら、今の状態はなかったと思う。

動いたタイミングがあった。それは自発的なものだけではなく、嫌いな祖母からの半強制もあった。大学進学も先生の一言がなければなかった。自分の意思だけで切り拓いたわけではない。

でも、どちらでもいいと思う。きっかけが自発的か他発的かは問題ではない。動いた事実だけが残る。

ムラサキ

不登校の経験は「終わり」ではなかったし、「始まり」でもなかった。ただ、人生の一部だった。それをそのまま書けたことに意味があると思っています。

SE歴20年の業務自動化術｜SendTo・Selenium・AIエージェントまで

SendToフォルダの自作ツール、PowerShell、Seleniumからコードレビューエージェントまで。SE歴20年が20年かけて磨いた「自分の仕事を自分で楽にする」自動化テクニックと比較表。

shumatsu-lab.com

2026.05.02

SE歴20年の時短術｜Excel業務効率化15選

SE歴20年の筆者が実務で使うExcel時短テクニック15選。ショートカット・テーブル・PowerQuery・VBA設計思想まで網羅。

shumatsu-lab.com

2026.02.17

文部科学省2024年度統計データの追加、FAQのブロック形式変更、タイムライン追加、外部エビデンスリンクの追加を実施しました。