新人と先輩の対話：AI時代の学び方
不安を抱える新人のマイと、先輩のコアが交わす、作り直したカフェでの会話です。仕事を失う不安、AIに練習問題をやらせること、何を学ぶか、誰に聞くか、先輩はAIをどう使うか、採用側は何を見るかを率直に話し、研究の根拠も添えます。
業界に入ったばかりの人と、その人たちを導く先輩のための記事です。
マイとコアは、イメージしやすいように作った人物で、実在の人物ではありません。会話は例で、数字は末尾の公開研究によります。どこがデータで、どこが登場人物の意見かを明記します。多くの研究は小さいか、ベンダーの発表なので、慎重に読んでください。
先に要点#
- 市場が変わらないと約束できる人はいません。けれど、理解、デバッグ、コードの説明は、今も採用で確かめられます。
- AIに練習問題を書かせると、学びが減りうる。先に自分で書き、AIには後で説明してもらう。
- 先輩に聞くのは、自分で試した後。試したことを持っていく。
- 先輩もAIを確かめるべき。速く感じることは測定ではありません。
- 毎月3つの問いを自分にして、本当に進歩しているかを確かめる。
場面#
金曜の午後、会社の近くのカフェ。マイは入社3か月で、試用期間中です。コアはマイのチームの先輩で、この仕事を8年しています。
1. 「AIに仕事を奪われるのが怖いです」#
マイ： コアさん、正直に言うと、すごく不安です。友達が、AIがコードを書けるから、新人の採用を減らす会社が増えていると言うんです。
コア： 確かなことは約束できないよ。分からないから。でも、読んだことを共有するね。給与データを使ったスタンフォード大学の研究では、AIの影響を強く受ける職種の22〜25歳の雇用が、他の層より約13%減っていた。
マイ： じゃあ、やっぱり本当なんですね？
コア： 待って。それはアメリカのデータで、相関なんだ。2つのものが一緒に動いただけで、一方が他方の原因とは証明していない。報道ではプログラミングがよく名指しされるけど、論文の要旨はこの職種だけを挙げてはいない。ベトナムで同等の数字も、僕は見ていない。だから僕の考えは：適度な心配は当然。でも、それに学び方を決めさせないこと。
学び： 入り口は狭くなるかもしれませんが、データは相関にすぎず、よその国のものです。自分で動かせるものに集中しましょう：自分の力です。
2. 「練習問題を全部AIにやらせています。速いです」#
マイ： ちょっと恥ずかしいことがあって。課題をAIに貼ると、すぐ動くコードを書いてくれて、それを提出しているんです。すごく速くて。
コア： 先週のレビュー、覚えてる？ なぜ二重ループにしたのか聞いたら、説明できなかったよね。
マイ： はい、動くことしか分かりませんでした。
コア： 2026年初めに公表された、Anthropicの試験の話をするよ。52人のプログラマー、多くは経験が浅い人に、見慣れないPythonのライブラリを学んでもらった。その後の知識テストで、AIを使った群は約50%、自分で書いた群は約67%。差が最も大きかったのはデバッグの問題だった。
マイ： AIで私はバカになるんですか？
コア： 断言はできない。標本は小さくて各群26人だし、僕は要旨を読んだだけで、論文全体は読んでいない。AI群は約2分速かったけど、その差は統計的に有意ではなかった。でも、僕が見ていることと合うんだ。学ぶべき部分そのものをAIに書かせる人は、デバッグが足りなくなる。
マイ： じゃあ、どうすればいいですか？
コア： この規則を試してみて：先に20分、自分で書いて、それからAIに説明や間違いの指摘を頼む。新しいコードは頼まない。説明を頼む。
学び： AIは、代わりに学ぶより、説明するほうが得意です。比べるための自分の版を持つために、先に書きましょう。
3. 「じゃあ、何を学べばいいですか？」#
マイ： AIが簡単なコードを書けるなら、何を学べばいいですか？
コア： 5つあると思う。ただ、これは僕の意見で、検証済みの事実ではないよ：
- 他人のコードを読む。 毎週、知らないファイルを1つ読み、何をするか言葉で言い直す。
- 体系的にデバッグする。 再現、絞る、仮説、検証。当てずっぽうはだめ。
- テストを書く。 テストは「正しい」の意味を教えてくれる。
- Gitとレビューを使う。 人と働くのは日常だから。
- 判断を説明する。 なぜこのやり方で、あのやり方ではないのか。
マイ： どれもAIにもできることじゃないですか？
コア： AIは一部をやる。でも、結果に責任を持つ人は理解していないといけない。新人のための12か月計画の記事を読んでみて。僕より詳しく書いてある。
4. 「AIとコアさん、どちらに聞けばいいですか？」#
マイ： AIに聞くべきか、コアさんの邪魔をするべきか、迷うことがあります。
コア： こう分けてる。AIに聞くのは概念と例：「ポインタを説明して」「ループの例を出して」。僕に聞くのは文脈と判断：「うちのプロジェクトはなぜこのやり方か」「ここは直すべきか」。
マイ： 聞き方はどうすればいいですか？
コア： まず15分ほど自分で試して。それから3つ持ってきて：何を試したか、何を期待したか、何を見たか。そうすれば僕は早く答えられるし、君の考え方も見える。
マイ： でも、バカな質問が怖くて。
コア： その3つがある質問は、バカじゃない。バカな質問は、先に試さず、何を試したか言えない質問。
5. 「コアさんはAIをどう使っているんですか？」#
マイ： コアさんはAIを使いますか？
コア： 毎日使う。骨組みの作成、サンプルのテスト、変なコードの説明みたいな繰り返しの部分にね。でも変更は全部読むし、レビュー用のチェックリストもある。僕がよく使う15項目チェックリストを見てみて。
マイ： じゃあ、ずっと速くなったんですよね？
コア： そう思っていた。それから、2025年7月のMETRの研究を読んだ。経験豊富な16人の開発者が246の実際の作業をして、半分はAIあり、半分はなし。AI群は約19%遅かった。なのに本人たちは、約20%速くなったと信じていた。
マイ： えっ、じゃあAIは役に立たないんですか？
コア： 気をつけて、そうは言ってない。標本は小さいし、彼らはよく知っているプロジェクトで作業したし、ツールは2025年初めのもので、その後だいぶ変わった。僕が引き出す教訓は1つだけ：速く感じることは測定ではない。だから、いくつかの作業の時間を、AIありとなしで自分で測り始めた。
学び： 先輩でも確かめる必要があります。感覚を信じず、測りましょう。
6. 「自分が進歩しているか、どう分かりますか？」#
マイ： 本当に進歩しているのか、分かりません。
コア： 毎月、3つの問いを自分にして、紙に書いて：
- 先月はできなかったことで、今月できるようになったのは何か（AIなしで）？
- 提出したコードのどれだけを、見返さずに説明できるか？
- 今月いちばん難しかった不具合をどう扱ったか、どのくらいかかったか、誰が助けたか？
2か月続けて1と2が進まないなら、AIに書かせるのを減らして、自分で書くのを増やす。3がいつも「AIに直してもらった」なら、手でのデバッグを練習する。
7. 「面接では何を見られますか？」#
マイ： 将来の面接では、私の何を見られるんでしょう？
コア： 何人かの新人を面接したことがある。見るのは3つ：自分のコードを説明できるか、目の前でデバッグできるか、そしてAIがくれたものをどう確かめるか。Stack Overflowの2025年調査は、回答者4万9千人超で、46%がAIの正確さを信頼せず、66%が「ほぼ正しいが完全ではない」答えによく出会うと答えた。だから僕は、AIをどれだけ使うかより、どう確かめるかを気にする。
マイ： 「AIをどう使いますか」と聞くんですか？
コア： 聞く。良い答えには、たいてい3つの部分がある：何に使うか、どう確かめるか、いつ使わないか。
8. 会話が終わるころ#
マイ： 宿題をください。
コア： 今週：小さな課題を1つ選んで、20分自分で書いて、それからAIに、どこが違うか説明してもらう。週末に、何を学んだか教えて。
マイ： コアさんは、何か心配していることはありますか？
コア： あるよ、いくつか。データがまだ薄いこと、どれが長く通用するか確信がないこと。僕もまだ学んでいる。僕の言うことを真実だと思わないで。試して、自分で確かめるための出発点だと思ってね。
学び#
- 適度に心配し、心配に学び方を決めさせない。 雇用のデータは、よそから来た相関です。
- 先に書き、AIには後で説明してもらう。 Anthropicの小さな試験は、AIに書かせるとデバッグに穴が空くことを示唆します。
- 人に聞くのは自分で試した後。試したことを持っていく。
- 先輩でも、確かめ、測る。 METRの研究は、速く感じることは測定ではないと思い出させます。
- 毎月3つの問いを自分にして、本当に進歩しているのか、速く感じているだけなのかを知る。
バランスの取れた見方#
- これは作り直した対話です。コアの意見は登場人物のもので、検証済みの結論ではありません。
- 触れた研究は小さいか、ベンダーの発表です。雇用のデータはアメリカのもの。ツールと市場が変われば、どちらも変わりえます。
- 学び方は人それぞれです。この提案は、固い規則ではなく出発点として使ってください。
参考資料#
- Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of AI（Stanford Digital Economy Lab） と The Registerの報道
- Anthropic：AI assistance and coding skills（2026年1月）
- METRの生産性研究についてのSimon Willisonの解説
- Stack Overflow Developer Survey 2025、AIの章
- ブログ内の関連記事：AI時代の新人：ジュニアになるための12か月計画、AIが書いたコードのレビュー
よくある質問
- 新人はAIに仕事を奪われる心配をすべきですか
- 適度な心配は当然ですが、学び方をそれに決めさせないでください。スタンフォード大学の研究では、AIの影響を強く受ける職種の22〜25歳の雇用が他の層より約13%減っていましたが、アメリカのデータで、原因を証明しない相関です。より確かなのは、問題を理解し、デバッグし、コードを説明する力が、採用でも今も確かめられることです。
- AIと先輩、どちらに聞くべきですか
- 概念と例はAIに、文脈とプロジェクトの判断は先輩に聞きます。人に聞く前に15分ほど自分で試し、試したこと、期待したこと、実際に見たことを持っていきましょう。先輩にあなたの考え方が見え、的確に答えてもらえます。
- 先輩は仕事でAIをどう使っていますか
- たいてい、骨組みの作成、サンプルのテスト、見慣れないコードの説明のような繰り返しの部分に使い、結果は読んで確かめます。METRの研究では、経験豊富な16人の開発者が2025年初めのAIツールで約19%遅くなったのに、本人たちは速くなったと信じていました。そのため、感覚を信じず自分で時間を測る先輩も多いのです。
- 採用側は、AI時代の新人の何を見ますか
- 自分のコードを説明できるか、その場でデバッグできるか、AIの出力をどう確かめるかです。Stack Overflowの2025年調査では、46%がAIの正確さを信頼しておらず、面接官はAIをどれだけ使うかより、どう確かめるかを気にします。