AIで弁護士の仕事はなくなるか―代替される業務と人が担う役割（AI作成）

第１　この記事の対象と結論

１　AIが代替するのは職業全体より個別のタスクである

生成AIは，検索，分類，要約，比較，初稿作成その他の作業を短時間化し得る。
しかし，AIが代替しやすいのは，まずこれらの個別タスクであり，弁護士という職業全体が直ちに代替されることを意味しない。AIの効果は課題ごとに大きく異なり，利用すれば常に速く正確になるわけでもない。

本記事では，「弁護士の仕事がなくなる」を，①個別タスクが代替されること，②一人当たりの処理量が増えて必要人数が減ること，③相談，交渉，出廷，説明及び責任負担を含む職業全体が代替されることに分ける。以下の実験は主として①を，一部の雇用統計は②の可能性を示すにとどまり，③を直接測定したものではない。
そのため，弁護士の価値の重心は，①一次資料の確認，②事実評価，③戦略判断，④説明可能性，⑤機密保持及び⑥意思決定支援へ移ると考えられる。
時間は引き続き費用，納期，業務量及び報酬計算の一要素であるが，長く作業したこと自体を品質の代わりにすることは難しくなる。

個別作業の代替，必要な人数への影響，職業全体の代替は，次のように分けて読む必要がある。

問い	判断する対象	本記事での読み方
一つの作業をAIが行えるか	調査，整理，初稿等の課題	正確さと確認・修正を含む総時間を見る
必要な人数が減るか	案件数，単価，分業，教育，受任範囲	一つの課題の実験だけから人数を推計しない
弁護士の仕事全体がなくなるか	事実評価，交渉，説明，権限，責任を含む職務	技術的な補助と，法律上の役割・受任責任を分ける

以下は現在の能力を一律に保証する表ではなく，後記第３・第４の議論を読むための工程別の整理である。

工程	AIが補助し得る作業	人が確認・判断する事項
調査	論点・出典候補の探索	原文，時点，対象，取りこぼし
起案	構成案，初稿，表現の修正	事実と主張，引用，請求との対応
証拠評価	資料の分類，矛盾候補の抽出	真正，文脈，信用性，立証の限界
交渉	選択肢・条件案の比較	依頼者の意思，相手の反応，譲歩の範囲
出廷	質問案・期日準備	代理権，その場の応答と判断
最終助言	説明案，費用・選択肢の整理	採否，理由，理解，担当弁護士の責任

AI法律相談の使い方，費用，弁護士の役割を先に確認したい場合は，AI弁護士とはを参照されたい。

２　価値を測る中心は，単純な速さだけでなく判断の品質と顧客体験である

依頼者が必要とするのは，長時間を費やした文章ではなく，重要な事実と根拠が特定され，選択肢とリスクが比較され，理由を説明できる判断材料である。
AIが初稿を短時間で作れるほど，その初稿を採用してよい理由，採用しない理由及び追加確認の必要性を示す仕事が重要になる。

もっとも，これら六つの領域もAIが支援できる。
したがって，「AIにはできず，人間だけができる仕事」を固定的に探すのではなく，AIを含む工程全体について，誰が何を確認し，誰が採否を決め，誰が説明と責任を引き受けるかを設計する必要がある。

ここでいう速さは，一つの下書きを作る作業時間だけではない。問い合わせへの初回応答，進捗連絡，必要資料の取得，弁護士の判断待ち及び事件終結までの時間を含む。個別タスクが速くても，前後の待ち時間が変わらなければ，依頼者が感じる解決速度は改善しないことがある。

したがって，判断の品質とともに，依頼者が現在の状態，次の作業，自分がすべきこと及び次回連絡予定を理解できるかを評価する。短い間隔で連絡した回数だけでなく，未返信，説明のやり直し及び同じ問い合わせの再発も見る必要がある。

第２　AIによる時間短縮は課題によって異なる

１　能力範囲内では速く，高品質になった実験

2026年に公表された知識労働者758人の実験では，AIの能力範囲内に設定された18の課題について，AIを利用した参加者は，利用しない参加者より12.2％多くの課題を完了し，平均25.1％速く，解答の品質も有意に高かった。
この結果は，定型化しやすい調査，整理及び起案でAIが作業時間を圧縮し得ることと整合する。

ただし，この数値を日本の弁護士業務全般にそのまま当てはめることはできない。
対象は経営コンサルティング型の実験課題であり，個別事件の証拠評価，法的助言又は裁判所提出書面を直接測定したものではないからである。

２　能力範囲外では正答率が下がった実験

同じ実験では，AIの能力範囲外に設定された複雑な課題について，AIを利用した参加者は，利用しない参加者より正しい解答を作る可能性が19％低かった。
速く整った文章が生成されたことは，前提事実，引用又は結論が正しいことの証明にはならない。

総務省・経済産業省の「AI事業者ガイドライン（第1.2版）」も，自動化バイアスへの対策として，人間がAIの評価又は判断を承認する際には，承認する理由や根拠を人間自身が独自に考えることを挙げている。
AIの出力を別のAIに確認させるだけでは，この独立した検討の代わりにはならない。

３　経験者でも遅くなった実験

2025年の別の無作為化比較試験では，対象プロジェクトについて平均5年の経験を有するオープンソース開発者16人が246件の実務的な課題を処理したところ，当時のAIツールを利用できる条件の方が，所要時間は19％長かった。
参加者は事前には24％の短縮を予測し，実験後にも20％短縮したと感じていたため，体感と実測も一致しなかった。

研究者自身が明記するとおり，この結果は特定の開発者，プロジェクト及び2025年前半のAIツールについてのものであり，AIが一般に役立たないことを示すものではない。
それでも，作業時間の変化は，印象や宣伝ではなく，対象業務ごとに測定する必要があることを示している。

法律成果物でも，平均的に多くの項目を満たすことと，必須項目を一つも落とさないことは別である。
Anthropicが令和８年９月に公表したClaude Fable 5.1及びClaude Mythos 5.1のSystem Cardでは，Legal Agent Benchmarkの１，２３５問について，Fable 5.1の平均criterion-pass rateは９０．８１％である一方，all-pass rateは１９．０９％であった。held-out setでも，xhigh effortにおいて９３．３％に対して１６．７％であった。

もっとも，この評価は合成資料及びLLMによる判定を含み，日本法実務を直接測定したものではない。
それでも，一部の確認漏れが成果物全体の利用可能性を失わせる業務では，平均的な正確性より，重大要件を全て満たしたかを検査する工程が重要であることを示している。

４　生成時間と確認・手戻りを含む総作業時間は別である

AI導入の効果は，一つの回答が表示されるまでの時間だけでなく，①指示作成，②候補の読取り，③一次資料又は原典の確認，④採否及び統合，⑤修正，⑥中断後の再開，⑦保存又は公開後の読戻しに要した人の時間を含む総作業時間で測る必要がある。
候補生成が速くても，確認対象となる引用，数値又は論点が増えれば，仕事全体は短くならず，重要な確認が薄くなることもある。

2005年の情報労働者24人に対する観察研究では，同じ日に再開された中断作業について，再開までの平均時間は25分26秒であり，その間に平均2.26個の別の作業領域が入っていた。
もっとも，25分26秒は集中力を取り戻すためだけに失われた時間ではなく，中断から同じ作業へ戻るまでの経過時間である。対象も一つの企業の管理職，分析担当者及び開発者であるため，「中断一回につき必ず25分を失う」と法律実務へ一般化することはできない。

したがって，AI導入前後では，総作業時間とともに，生成候補数，人が読んだ候補数，採用数，根拠確認数及び手戻り件数を記録することが考えられる。
候補数を制御する生成前フィルタと，中断時に次の一手を残す再開カードについては，「AIを使うほど仕事が増える理由－法律実務で使う生成前フィルタと中断後の再開カード（AI作成）」で具体的に説明している。

５　代替されやすさを分ける条件

本記事では，AIに代替されやすいタスクを，①入力資料がデジタル化されていること，②目的，出力形式及び評価基準が明確であること，③反復例が多いこと，④誤りを一次資料又は明示的な規則で検証しやすいこと，⑤依頼者，相手方又は裁判所との相互作用への依存が小さいこと，という条件を多く満たすものと整理する。
検索，分類，要約，比較及び定型的な初稿作成はこれらの条件を満たしやすい。これに対し，資料の選択，供述の信用性評価，依頼者の優先順位の把握，交渉，出廷及び最終的な助言は，個別事情と対人関係への依存が大きい。

さらに，正確さ又は速さだけで評価しやすい道具的業務と，謝罪，感謝，助言，重大な方針説明等の社会的・対人関係的業務を分ける必要がある。Claessens，Veitch及びEverettによる英国の事前登録済み6研究（合計3,935人）は，社会的・対人関係的な課題をAIへ委ねたと認識された場合，委ねた本人の道徳性，信頼性，温かさ又は真正性の評価が下がり得ると報告している。

これは英国の一般参加者を対象とする研究であり，日本の法律事務所にそのまま当てはまると確認されたものではない。それでも，依頼者への謝罪，重要な説明，感謝又は和解提案では，AIを文案の校正や選択肢の比較に用いても，事実，立場，語調及び最終文面を担当者自身が決め，自動送信しないという区分が有用である。

個別タスクの効率化が必要人数の減少につながるには，AIによる処理能力の増加が法律サービス需要の拡大を上回り，短縮された時間が品質向上，早期納品又は新たな需要への対応ではなく，人員削減又は採用抑制に振り向けられる必要がある。
したがって，作業時間の短縮率だけから弁護士数の減少を推定することはできない。

もっとも，技術的にAIが法律文書を作成できることと，非弁護士事業者が個別事件の法律判断を有償サービスとして適法に提供できることは別問題である。
法務省の2026年8月21日付ガイドラインは，弁護士法72条該当性について，個別具体的な事実関係を前提として最終的には裁判所が判断するとした上で，サービスの設計，中核的機能，利用実態及び「事件性」のある案件に関する法律事務への利用状況等を検討している。

同ガイドラインの主な対象は，ビジネス分野において非弁護士のサービス提供者がAI等法務業務支援サービスを提供する場面であり，弁護士が自らの業務でAIを補助的に利用することを一律に禁止するものではない。
詳細は，「AI活用に伴う弁護士法７２条見直しの動き――令和８年８月２１日の新ガイドラインと判例・行政解釈の到達点（AI作成）」で説明している。

６　単発性能と長期の一貫性を分ける

Vending-Benchは，自動販売機を長期間運営する模擬環境で，配送時期の誤認，発注忘れ及び脱線した反復処理等を報告している。CEO-Benchも，架空企業を500日間運営する模擬課題で，変化する環境の中で複数の判断を一貫させる難しさを報告している。

いずれも日本の法律事務又は実企業の事故率を直接測定したものではない。しかし，短い課題で速く高品質な回答を作れること，長い会話履歴を保持できること及び数か月分の状態を一貫して管理できることは別の能力である。長期業務では，状態台帳，チェックポイント，停止条件及び人への引継ぎを別に評価する必要がある。

７　AGI時期の予測は期限付きシナリオとして扱う

安野貴博氏の記事には，AI研究開発の自動化又は研究者の役割が短期間で大きく変わるとの匿名取材に基づく予測が含まれる。これは取材対象者の将来予測であり，AI能力の現在値，弁護士の代替率又は特定時期にAGIが実現することを証明する資料ではない。

これに対し，AI研究開発の自動化の現在値については，開発企業自身による測定値が公表され始めている。
Anthropicが2026年9月18日に公表した「Measurements for understanding the pace of AI development inside frontier labs」によれば，同社の研究開発作業のうち，Claudeが「主導」する段階（大まかな指示からAIがほぼ一貫して作業を完了し，人は監督する段階）にあるものは，2026年8月時点で26％であり，同記事の図によれば同年2月には1％未満であった。
他方，人が全く関与しない「完全自律」の段階にある作業はなく，Claudeが「協働」以上の役割を担う作業が90％を超えるとされる。

もっとも，これは同社自身による測定と公表であり，第三者による検証はまだ行われていない。
作業ごとの自動化の段階を判定したのもClaudeであり，同社の担当者の評価との完全一致率は59％（担当者同士では35％）であった。
また，AI開発企業の研究開発作業についての数値であって，法律事務の代替率を示すものではない。
したがって，将来予測と実測値を区別し，実測値についても，誰が，何を，どの時点で測り，第三者の検証があるかを確かめて用いる必要がある。

実務上は，1年，3年又は5年という期限付きシナリオの入力として用い，採用，教育，情報システム及び権限設計を見直す時点を置くべきである。法的判断，機密保持及び外部作用の承認基準は，将来予測ではなく，現在の法令，契約，実測及び利用環境に基づいて定める。

令和8年10月13日に確認した開発企業の公表値を読む際は，AIが作った量，稼働量，品質及び人の介入を分ける必要がある。
Anthropicの「When AI builds itself」は，令和8年5月時点で，同社の本番環境へマージされたコード行のうちClaudeに帰属すると測定した割合が80％を超えたと説明する。
脚注3によれば，これは新たにマージされた行の帰属割合であり，既存コード全体の80％又は業務全体の80％が自律化したという数値ではない。

同資料の8倍という数値は，令和8年第2四半期の典型的なエンジニア当たりの1日のマージ行数を，令和6年と比べたものである。
行数の増加はコードの品質，研究全体の進展又は法律・税務の仕事の生産性が8倍になったことを直接示さない。
以上は開発企業による内部測定・公表であり，法律事務所の独立した比較試験ではない。

OpenAIの「Research acceleration: The view inside OpenAI」は，令和8年8月中旬に，研究組織の人の労働1日当たり，AIの合計稼働量が8時間換算で3.1 agent-workdaysになったと説明する。
これは稼働時間を換算した比率であり，一人分の完成成果を3.1人分代替できたことを意味しない。
同資料は，直近6か月の成功した4～8時間相当の課題の過半で，人の介入が1回以上あったとも述べる。
課題の長さは人が処理する場合の推定時間で分類され，結果が不確かな分類は成功率の図から除外されている。

事務所の導入判断では，これらの研究開発指標をそのまま代替率へ移さず，第２の４で示した原典確認・修正を含む総人時間，重大な誤り，確認後の納品件数及び人へ戻した件数を同じ条件で測ることが考えられる。
モデルや作業の種類，人の関与及び判定方法が異なる数値を，単一の自律化率として合算しない。

８　試験答案の高評価と事件処理能力を分ける

弁護士ドットコムの令和８年６月２２日の発表は，Legal Brainが令和７年予備試験の論文式１０科目で，外部専門家による独自採点３７５点を得たと説明する。
発表の注記も，公式得点・順位との直接比較や公式な合格を意味しないとしている。内容の専門的評価には意味があるが，得点調整を経た受験者の得点と同じ尺度ではない。

与えられた事実から論点を抽出して理由付きの文章を作る能力は実務にも関係する。
一方，資料不足を発見して取得すること，矛盾する供述の信用性を評価すること，依頼者の優先順位を把握すること，交渉方針を選び，期限・提出・履行の結果まで確認することは，答案の点数だけでは測れない。これらもAIが支援し得るが，実務での性能は用途と工程ごとに確かめる必要がある。

導入判断では，試験成績を理由に人の確認を外すのではなく，原典・証拠との一致，重要な反対材料，適切な留保，重大な誤り及び確認・修正を含む総時間を測ることを提案する。
公式得点との比較の限界と具体的な検証手順は司法試験で「合格水準」と評価されたAIを弁護士実務でどう評価するかで説明している。

第３　価値の重心が移る六つの領域

１　一次資料の確認

AIは，法令名，裁判例，統計，論文及び文献を列挙できるが，資料が実在するか，本文にその記載があるか，現行版か，設例や射程が一致するかまでは，別途確認を要する。
一次資料の確認とは，リンクを付ける作業だけではなく，条文，判旨，頁，版，日付及び前提事実を最終的な主張と対応させる仕事である。
複数のAIの回答が一致していても，同じ解説記事や転載を参照しているだけなら，独立した裏付けが増えたとはいえない。回答が食い違うときは，多数決で採否を決めるのではなく，引用箇所，資料の版・日付及び前提の違いを確認する。

その価値は，確認した資料だけでなく，確認できなかった資料及び検索範囲の限界を示すことにもある。
「見つからなかった」と「存在しない」を区別し，検索結果の断片，目次又はAI要約を本文確認の代わりにしないことが，説明可能な結論の出発点になる。判例秘書等の法律データベースを用いる場合も，裁判所が作成した判決本文と，編集者等が作成した要旨・解説を区別し，裁判所の判断を引用するときは本文の該当箇所まで確認する。

２　事実評価

同じ記録から複数の説明が成り立つときは，観察できる事実と評価を分け，通常の説明，不利益方向の説明及び記録不備による説明を比較する必要がある。
誰がいつ何をしたかという事実，その事実が何を意味するかという推論，さらに法的責任の評価は，同じではない。

AIは時系列化，矛盾候補の抽出及び反対仮説の生成を支援できる。
しかし，欠けた証拠を事実らしい文章で補わず，どの追加資料が仮説を識別するかを決めることが専門家の価値になる。

３　戦略判断

戦略判断は，法的に可能な選択肢を示すだけでは完了しない。
勝敗見込み，証拠の入手可能性，費用，期間，関係者への影響，交渉余地及び依頼者の優先順位を比較し，どの不確実性を先に解消するかを決める仕事である。

例えば，相談者が「相手に請求したい」と述べていても，金銭の回収，事情の説明，今後の取引関係，生活や事業の早期安定のうち，何を優先するかは別に確認する必要がある。
これは相談の整理を示す仮定例である。
希望の背後にある不安や，手続後に実現したい状態を聞き取り，請求・交渉・現状維持等の選択肢について，費用，時間，証拠及び履行の可能性を比較する。

AIには面談記録の整理や質問候補・代替案の作成を補助させることができる。
ただし，依頼者が述べていない希望を確定した意思として補ってはならない。
担当弁護士が本人へ確認し，記録を訂正し，選択肢と見通しを説明して判断を支える。
相手方の事情を理解することも，依頼者の権利，意思及び秘密を踏まえた方針の検討として行う。

「AI活用と法務の未来―組織変革と働き方の刷新―」は，AIと人間を競争関係ではなく相互補完関係と捉え，AIの比較優位を大量データの高速処理等に，人間の比較優位を戦略的判断，創造的問題解決及び信頼関係の構築等に求めている。
これは著者らの将来予測を含む見解であるが，作業の代替ではなく役割分担を設計するという本記事の整理と整合する。

４　説明可能性

説明可能性とは，AIの内部思考をすべて開示することではない。
何を前提にし，どの資料を確認し，どの選択肢を比較し，どの理由で結論を採用し，どの点が未確認かを，後から第三者が追跡できる状態をいう。

「AI事業者ガイドライン（第1.2版）」は，利用時の入出力や判断根拠等のログ，データの出所及び意思決定の追跡可能性を挙げる一方，説明のためにアルゴリズム又はソースコードの開示を必須とはしていない。
米国国立標準技術研究所の生成AIリスク管理資料も，用途，組織上の価値，前提，限界，データの来歴及び品質を文書化し，実環境での検証，人間による上書き及びその記録を行うことを提案している。

５　機密保持

弁護士法23条は，弁護士又は弁護士であった者に，その職務上知り得た秘密を保持する権利及び義務を定めている。
弁護士職務基本規程23条も，正当な理由なく，依頼者について職務上知り得た秘密を他に漏らし，又は利用してはならないとしている。

クラウド型生成AIへの入力では，情報が事業者の計算環境へ送信されるという技術上の事実と，秘密保持契約上の第三者開示，個人情報保護法上の第三者提供及び弁護士の守秘義務上の漏示を分けて評価する必要がある。
学習利用を停止していることは重要な条件であるが，それだけで結論は決まらず，送信先，処理目的，保存期間，事業者による閲覧可能性，再委託，削除，ログ及び契約条件を確認しなければならない。

本ブログでは，学習利用の停止，目的を限定した処理，正当な理由のない人的閲覧の制限，暗号化，保存・削除及び再委託の管理を確認できる業務環境について，個人情報保護法上は委託に伴う提供として整理し，依頼者との委任契約約款にも生成AI利用への同意条項を置く運用を示している。
もっとも，この整理は，全ての消費者向け又はPreview段階のサービスを当然に利用できるという意味ではなく，秘密保持契約に外部AIへの入力禁止がある場合や，事業者を許容される委託先と位置付けられない場合には，別途承諾を得るか入力を見合わせる必要がある。

個人情報保護委員会は，生成AIサービスへの個人情報の入力が利用目的の範囲内かを確認すること，個人データが回答生成以外の目的で取り扱われる場合には，事業者が機械学習に利用しないこと等を十分確認することを注意喚起している。
東京弁護士会の公表資料も，利用規約上の許容，学習その他の目的利用の有無，事業者によるアクセス，暗号化及び削除機能等をサービス選択時の確認項目としている。

したがって，機密保持の価値は，AIを一律に禁止し，又は全ての固有名詞を機械的に匿名化することではなく，承認済みの業務アカウント，情報の機微性に応じたプラン，契約及びデータフローの確認，アクセス制御，ログ並びに削除を一体として設計することにある。
特に秘匿性の高い情報を入力する場合には，生成AIの利用について依頼者に説明し，必要に応じて同意を得ること又は委任契約書に明記することを検討する。

過度な匿名化は人物及び時系列の取り違えを招き得るため，安全な環境で実名を用いる場合と，匿名化又は入力を見合わせる場合を，正確性と機密性の双方から選ぶ必要がある。
生成AIへの秘密情報の入力と第三者開示の判断枠組みは，「学習オフの生成AIに秘密情報を入力することは第三者開示に当たるか（AI作成）」で説明している。

６　意思決定支援

専門家の成果物は，知識を並べた長文ではなく，依頼者が決めるための構造を備える必要がある。
具体的には，①推奨案，②代替案，③各案の根拠，④主要な反対材料，⑤不確実性，⑥次に確認すべき資料，⑦決定期限及び撤回条件を示すことが考えられる。

「AI事業者ガイドライン（第1.2版）」は，AIの出力を人の評価に用いる場合，正確性，公正さ及び透明性を確保する手続を定め，人間による合理的な判断を行い，影響を受ける本人に説明することを求めている。
判断をAIに代行させるのではなく，AIを使って選択肢と根拠を可視化し，最終判断を支える設計が重要である。

依頼者の側も，生成AIで作った見立てを持って相談に来ることを想定しておく必要がある。
海外の調査会社が2026年5月に公表した企業間取引の買い手調査（回答者645人）では，45％が購買の過程で生成AIを使い，69％がAIの示した情報を営業担当者に確かめることを好むと回答しており，同社は，営業担当者の役割が情報の一次提供者から検証と確信の提供者へ移ると述べている。
これは企業間取引の調査であり，公表資料には調査対象の国・地域の記載もないため，法律相談にそのまま当てはまるとはいえないが，意思決定支援の出発点が，依頼者の持参した仮説のどこが本件に当てはまり，どこが違うかを示すことに移り得ることを示す資料にはなる。
交通事故の相談を例とした確認点は，生成AIで調べた交通事故の慰謝料・後遺障害等級・過失割合を弁護士に確認するとき（AI作成）で整理している。

第４　人間が保持すべき役割

１　AIも六つの領域を支援できる

AIは，一次資料候補の探索，事実の分類，反対仮説の列挙，選択肢比較，説明文の作成及び情報流の点検を支援できる。
したがって，六つの領域を「人間にしかできない仕事」と表現すると，AIの能力向上に伴って説明が陳腐化する。

より安定した区別は，作業の種類ではなく統制の位置にある。
AIに何をさせるか，どの出力を採用するか，どの一次資料で検証するか，どのリスクを許容するか，誰にどう説明するかを決める権限は，人間側に残す必要がある。この役割分担を考える際には，経済産業省「第4回AX時代におけるスキルのあり方検討ワーキンググループ（事務局資料）」（2026年7月27日）12頁が，委員の事前意見から整理した①問いを立てる力，②判断と責任（検収力），③文脈を理解する力が参考になる。これは職種横断の能力に関する討議資料であり，法律職での効果を実証したものではない。

同WGの開催経過，企業AXの定義案及び能力・学習機会をめぐる論点については，AX時代におけるスキルのあり方検討ワーキンググループの資料・論点（AI作成）で整理している。

２　採否，理由及び責任を一体で保持する

人が承認ボタンを押したという形式だけでは足りない。
承認前に独立して理由を考え，重要な反対材料を確認し，誤りが判明したときに訂正できる記録を残す必要がある。

実務記録では，①依頼者の目的・制約を設計する，②採否と理由を決める，③反対意見・代替案を検討する，④原資料で前提を検証する，という欄を対応させる方法が考えられる。
望月弁護士の３Ｄは職能を考える提案であり，法令上の分類ではない。
目的は依頼者が望む解決と制約の確認であって，固定した勝訴結論へ証拠を合わせることではない。

新しい法的構成や異議には，費用，遅延，和解機会への影響が生じる場合がある。
法的に考えられることと，依頼者が選ぶべきことを直結させず，代替案と残る不確実性を説明し，必要な協議をする。

依頼者への助言，裁判所提出書面その他の対外的な成果物について，人による最終確認とは，生成AIの出力をそのまま提供せず，弁護士が，①重要事実と証拠の対応，②現行法令及び裁判例と引用箇所，③反対説，例外及び未確認事項，④期限，宛先及び求める措置を確認し，必要な訂正をする工程をいう。
裁判所提出書面の具体的な検証方法は，「山中弁護士がClaudeコードを使って裁判所提出書面を作成するときに行っているハルシネーション防止方法（AI作成）」で説明している。

この意味で，人間の役割は「最後に読む人」ではなく，目的，証拠水準，停止条件及び説明方法を定める工程所有者である。
AIに継続的な作業を任せる場合は，対象資料，許可する操作，成果物及び完了条件を定め，確認済みの根拠，未解決点及び再開時に最初に行う作業を記録することが考えられる。誤りが判明したときは，成果物の訂正に加え，資料の取得，読み取り，評価又は検証のどの段階で誤ったかを確かめ，次回の確認手順に反映する。

AIへ作業を分ける場合でも，全担当へ起案履歴及び暫定評価を一律に渡す必要はない。担当者が問いの誤りを検知できる最小限の目的と，全工程に共通する証拠規律及び権限の限界を渡し，局所的には正しいが依頼者の目的又は事件全体の方針から外れた出力を，工程全体の失敗として検知する必要がある。具体的な分け方は，法律事務所のAIエージェント業務設計－目的・コンテキスト・権限・完了条件をどう分けるか（AI作成）で整理している。

３　若手育成を意図的に設計する

調査，資料整理及び初稿作成をAIが代替すると，その作業を通じて若手が事実と法令を結び付け，誤りを発見し，先輩の修正理由を学ぶ機会も減り得る。
もっとも，同WGの第4回議事要旨4頁には，AIによる学習支援の拡張を指摘し，学習方針やカリキュラムに基づく利用を求める意見も記録されている。

一次資料探索，AI回答の反証，事実評価，依頼者面談，判断理由の説明及び失敗事例の振り返りを，偶然に任せず訓練として設計する必要がある。例えば，公開資料を使って人が暫定の見解を示し，AIが挙げた反対仮説を原典で確かめ，採否と修正の理由を説明し直す訓練が考えられる。

具体的には，①AIを開く前に問い，暫定結論，重要事実及び不足資料を短く書く，②AIに反対説又は見落とし候補を出させる，③条文，判決本文又は証拠原本へ戻る，④採否と修正理由を自分の言葉で説明し直す，という順序を標準化できる。最終回答だけでなく仮説，反証及び確認経路を残す理由は，「AIが難問を解いても人間の思考過程を残す理由－形式検証，独立査読，若手育成及び法律実務への示唆（AI作成）」で整理している。

米国Census Bureauの2026年の研究は，AI曝露が最も高い産業・州の区分で，22歳～24歳の雇用がChatGPT登場後10四半期に回帰調整後12％低下したと報告している。
もっとも，法律職固有の結果ではなく，COVID-19流行期からの先行傾向等の代替説明も残る。

同時期の全米企業調査では，AI利用企業の66％がタスクの補完だけにAIを利用し，AIに関連する雇用減少を報告した企業は2％であった。
現時点で安全にいえるのは，AI曝露の高い領域で若年採用への圧力を示す研究がある一方，法律職の大量代替は確認されていないという範囲である。

４　品質保証そのものを専門的価値として設計する

AIが検索，要約及び初稿を高速化すると，弁護士の作業は短くなる部分がある一方，根拠の実在性，引用箇所，版，前提事実，反対材料及び公開・提出結果を確認する品質保証の比重が高まる。これはAI出力の誤りを後から直すだけの作業ではなく，依頼者が判断できる証拠水準と停止条件を設計する専門的業務である。

評価指標は，作成速度又は平均正答率だけでなく，重大要件の見落とし，未確認事項の表示，外部作用前の承認，保存後の読戻し及び事故時の復旧可能性を含めるべきである。AIが高性能になるほど，確認を省くのではなく，どの確認を自動化し，どの採否を人が保持するかを更新する必要がある。

５　入口・中間工程・出口に分けて役割を設計する

豊田啓介氏の「建築のAIはバベルの塔か」（平成２８年７月）は，AIが中間工程へ関わるときの，人による入口と出口の設定を論じている。これは建築家による当時の論考であり，現在の建築AIの性能又は弁護士業務の時間短縮率を測った実験ではない。法律実務には，工程を分けて考える発想として用いることができる。

契約レビューの仮定例では，入口は依頼者の立場，実現したい取引，避けるリスク，関連資料，基準時及び交渉可能な範囲の確認である。中間工程ではAIが条項比較，論点候補，修正案及び反対案を支援できる。出口では弁護士が原資料・法令との対応，取引全体の整合性，残るリスク及び依頼者の理解を確かめ，採否と説明を引き受ける。確認で前提の不足が判明したら入口へ戻るため，一方向の三段階で常に完了するわけではない。

重要なのは，入口と出口が将来もAIに一切支援できないと決めつけることではなく，目的，使用資料，品質基準及び採否を決める主体を明らかにすることである。中間工程の所要時間が減ること，職業全体が不要になること，報酬が同じ割合で減ること及び事務所の利益が増えることは，それぞれ別の命題である。特に採算では，利用料と確認・修正の負担も同時に見る必要がある。

他職種の報酬を比較するときも，所要期間だけで計算しない。例えば，国土交通省の業務報酬基準ガイドライン所収の令和６年国土交通省告示第８号は，業務経費に技術料等経費と消費税等相当額を加える構成を示している。建築士の報酬基準を弁護士へ適用するものではなく，個別の契約額又は期間短縮時の減額を直接決める資料でもない。

品質保証には，採用時の確認に加え，根拠が訂正・撤回された後の対応も含まれる。
限定的な他分野の例として，令和８年１０月１３日に確認したOpenAIの数学原稿リポジトリは，７１９原稿を３７２系列に分類し，検証段階は一様でなく，未形式化の結果には問題があり得ると説明している。
原稿数を，独立した未解決問題の解決数又は全件の検証完了と読み替えてはならない。

同リポジトリの１０月７日の訂正履歴は，一つの原稿の符号誤りが二つの依存原稿にも影響したため，計３原稿を撤回したと記載する。
別の１４原稿を修正し，関連する１３原稿の参照も更新したという。
これは公開者の履歴を確認したものであり，本記事が個別の数学的証明の正しさを独立に判定したものではない。

法律実務への応用としては，次の対応が考えられる。
数学の事例から日本の弁護士の雇用や報酬が増えると予測するものではない。

資料台帳に，原典の版・日付，確認箇所，確認した範囲，採用した結論及び未確認点を残す。
結論を使った説明書，通知，契約案及び提出書面を対応付ける。担当者が交代しても依存先を追えるようにする。
訂正又は撤回を知ったら，引用箇所だけでなく前提と結論への影響を確認し，未送付・送付済み・提出済みを分け，対応の判断者と期限を決める。
必要な訂正，依頼者への説明又は手続上の対応を検討し，実施した内容と確認結果を記録する。自動生成した訂正文を確認なく送信又は提出しない。

資料が本人のサイトに掲載されている場合も，署名，転載・寄稿の表示及び本人の説明を確認し，掲載者と発言者を分ける。
異論の動機を雇用への不安だけと推測せず，資料が実際に述べる理由を確認する。
結論と原典の対応を示す確認用メモは，生成AIが作る法律文書を短くしても根拠を落とさない方法で整理している。

第５　作業時間と報酬はなお別に考える

１　時間は費用と業務管理の指標として残る

AI時代にも，確認や修正を含む所要時間は，人員配置，納期，原価，処理能力及び依頼者への請求を考えるために必要である。
価値の重心が移ることは，時間の計測をやめること又は短時間で終えた仕事を常に高額化することを意味しない。
業務改善の効果を測る際は，AIへの指示，根拠確認，出力の統合及び修正に要した人の時間と，AIの利用費用を把握し，根拠の正確さや重要な未確認事項の有無と併せて評価することが考えられる。

業務改善を測るときは，①問い合わせから初回応答までの時間，②進捗連絡の間隔，③未処理・未返信の件数，④期限超過又は期限直前の発見，⑤受付から主要処理又は終結までの時間，⑥誤分類・誤配付・手戻り，⑦AI出力の確認及び修正に要する弁護士時間，⑧依頼者の理解度又は満足度を区別して記録する。導入前の基準値，対象期間，母数及び除外基準がなければ，改善数値の意味を評価しにくい。

さらに，短時間で処理した職員へ件数だけを追加し，AI利用の相談，テンプレート整備，根拠確認及び他者教育を評価しない制度では，改善方法が共有されず，生産性向上を申告しない誘因が生じ得る。AI時短の評価指標と短縮時間の配分については，「AIで時短した職員を損させない法律事務所の評価制度－隠れた生産性，品質指標及び余力配分（AI作成）」で整理している。

弁護士ドットコムライブラリーで本文を確認した前記論考は，生成AIにより一案件当たりの時間が削減される結果，タイムチャージ制から業務内容に応じた固定額制への移行又は時間単価の引上げが予想されると述べる。
ただし，これは日本の弁護士報酬市場について実証された結果ではなく，著者らの予測である。

２　固定報酬と価値基準報酬は同じではない

固定報酬は価格を事前に確定する方法であるが，予定工数に利益を加えただけの固定額は，原価を基準とする価格設定である。
価値基準と呼ぶには，依頼者が何をいつまでに決めたいか，どのリスクを回避したいか，代替手段は何か，成功をどう定義するかを確認し，価格との関係を説明する必要がある。

英国で2016年に実施されたLexisNexisの調査では，依頼者108人の優先順位は，①個別ニーズの明確な理解，②効率，③期限遵守，④途中経過の連絡，⑤費用の明示・固定料金の順であり，低価格は14項目中の最下位であった。
この調査は英国の小規模・専門型法律事務所を中心とする弁護士112人と，私的事件の経験者を多く含む依頼者を対象としており，日本の企業法務市場へ順位をそのまま移植できないが，固定料金だけで依頼者価値を説明できないことを示唆する。

Legal Smartのnote記事は，内部のNPS分析から，連絡頻度・進捗報告及び解決速度が顧客体験に影響したとの認識を示し，問い合わせ，LINE，書類及びタスクを事件管理システムへ集約する運用を紹介している。これは実装上の仮説を得る資料になるが，導入事務所による自己申告であり，元データ，調査票，集計条件及び第三者検証は公開記事から確認できない。日本の法律事務所一般における因果関係又は効果量として扱うことはできない。

AIで生じた時間短縮を，①料金の低下，②早期納品，③同じ期間での分析の深化，④相談範囲の拡大又は⑤事務所の余力のどれに振り向けるかも決める必要がある。
固定報酬を安定的に提供するには，AI単体ではなく，受任時の情報整理，論点テンプレート，検証済み資料庫，版管理，レビュー手順及び見積り差異の分析を標準化する必要がある。

人が担う付加価値があること，同額の報酬を維持できること，若手育成の原資が確保されることは別の問題である。
効率化の後に教育時間，行為前の監督時間，原典確認，結果の振り返りを明示的に確保し，料金の説明とは分けて業務計画へ組み込む。
見積り・請求は「AIを使う弁護士の報酬はどう決まるか」，役割の委譲と監督は「AI時代の若手弁護士育成」を参照されたい。

３　米国の倫理意見は時間制報酬の限界を示す

米国法曹協会のFormal Opinion 512は，生成AIを用いて15分で訴答書面の下書きを作った場合，入力に要した時間と正確性・完全性の確認に要した時間は請求できるが，実際には費やしていない時間を時間制で請求することはできないとの考え方を示している。
この意見は米国のModel Rulesに関するものであり，日本の弁護士報酬を直接規律しない。

もっとも，時間制報酬を採用する限り，AIによる効率化を架空の作業時間として請求するのではなく，固定額，段階別報酬，成果物又は判断支援の範囲を事前に明確化する必要があるという比較法上の示唆は得られる。

４　日本での価格変化は【要確認】である

本記事の調査では，日本の法律サービスについて，生成AI導入後の支払意思額，固定額化又は時間単価の変化を直接測定した公開の実証データを確認できなかった。
したがって，「AIにより弁護士報酬が上がる」又は「下がる」と一律に断定することはできない。

実務では，調査範囲，検証水準，面談・交渉・出廷の有無，機密情報の取扱い及び納品後の説明責任を明示し，依頼者が価格と提供価値の対応を理解できるようにすることが重要である。

令和８年９月の公開投稿には，企業法務担当者との会話を基に，社内AIによる事前整理で外部弁護士への初期の壁打ちが減ったとする経験談と，企業法務の仕事が増える実感を述べる別の経験談がある。
いずれも相談件数や請求額を測った調査ではなく，業界全体の仕事量又は報酬の変化を示さない。初期整理が減り，難しい判断やAI導入に伴う相談が増えることは併存し得るため，事務所では相談の工程別時間，案件の難度，総請求額，手戻り及び依頼者の成果を同じ期間で記録する必要がある。

５　国内の提供例と価格変化の実証を分ける

令和８年１０月３日に確認したLegalAgent公式サイトは，企業法務について固定価格を基本とし，時間制の場合の上限設定も説明している。
これは国内の提供条件の一例であり，日本の市場全体の価格変化を直接測定した実証データではないため，前項の留保を解消するものではない。

朝戸統覚弁護士の同月２日の投稿は，９月の税抜個人売上が約１１５０万円で，本人の配下にアソシエイト・スタッフを置かず，調査・起案・形式確認をAIと進めているとの申告である。
単月の個人売上は，既に実現した年間売上，利益又は所得と異なり，処理件数，総実働時間，案件構成，共通費及び導入前の比較値が不明なまま，AIの因果的効果を判定することはできない。

自事務所で固定報酬を検討する際は，資料量，質問・修正回数，納期及び範囲超過時の合意を決め，品質確認・説明までの総人時間と費用を測ることが考えられる。
受任枠と採算の具体的な判断方法は，「一人法律事務所のAI活用は採算が合うか―受任範囲，確認時間，処理上限及び代替対応を決める方法（AI作成）」で整理している。

６　労働分配率の低下と，個人の賃金・弁護士報酬を分ける

AIで作業を短縮できることと，その成果が依頼者の費用軽減，職員の賃金，事務所の利益のどこに配分されるかは，別の問題である。
作業時間の短縮率だけから，賃金や報酬が同じ割合で下がると結論付けることはできない。

労働分配率は，経済全体の所得のうち，労働による所得が占める割合を示す指標である。
ILO・OECDの２０２５年の報告書は，世界の労働分配率が２００４年の５３．９％から２０２４年の５２．３％へ，１．６ポイント低下したとする一方，日本などでは同期間に比較的安定していたとしている。
世界全体の割合の変化と，日本の個人の賃金額や法律事務所の報酬額は，同じ指標ではない。

仮に所得全体が１００から１２０へ増え，労働所得が５４から６２へ増えた場合，労働分配率は５４％から約５１．７％へ低下する。
これは指標の違いを示す仮例であり，労働分配率が下がっても労働所得の総額が増える場合があることを示す。
さらに，労働所得の総額と，一人当たりの名目賃金・物価を考慮した実質賃金も分けて見る必要がある。

同報告書の統計は，生成AIだけを原因として労働分配率の変化を測定したものではなく，賃金労働が将来なくなることを実証したものでもない。
「AIが仕事を奪う」「労働をお金に換える仕組みがなくなる」という将来予測は，タスクの自動化，雇用人数，賃金額，所得の分配及び報酬契約のどれを指すのかを分けて検討すべきである。

法律事務所では，確認や手戻りを含めた総作業時間，成果物の品質，職員への評価及び依頼者との報酬契約を，それぞれ確認する。
職員の評価と余力の配分については「AIで時短した職員を損させない法律事務所の評価制度－隠れた生産性，品質指標及び余力配分（AI作成）」，報酬契約については「AIを使う弁護士の報酬はどう決まるか―時間報酬・定額報酬・検証費用と説明（AI作成）」を参照されたい。

出典：ILO・OECD「Policy measures to address inequalities and increase the labour income share」（２０２５年，PDF３頁，世界及び国別の労働分配率に関する記述）。

第６　成果物を意思決定支援へ変える方法

AIを利用した調査報告書又は回答案は，文章量ではなく，依頼者の次の行動が明確になるかで評価すべきである。
そのためには，少なくとも次の七項目を含めることが有用である。

①結論又は推奨案
②確認した一次資料と具体的箇所
③反対説，例外及び不利益材料
④確認済み事項，出典の記述，推論及び未確認事項の区別
⑤代替案ごとの費用，期間及びリスク
⑥次に確認すべき資料と，確認結果によって結論が変わる条件
⑦最終決定者，決定期限及び見直し時点

この形式であれば，AIは検索，整理及び初稿作成を担い，弁護士は証拠水準，判断基準及び説明責任を管理できる。
作業時間が短くなっても，成果物が依頼者の意思決定に耐えるかを確認する工程は省略できない。

事業モデル及びデータフローを上流で設計する役割
AI・データ事業では，法令に違反するかを完成後に判定するだけでなく，事業目的，関係者，取得元，入力，保存，出力，判断，委託，国外処理及び削除を企画段階で可視化することが弁護士の価値となる。
個人情報保護法だけでなく，サービスに応じて通信，職業紹介，医療，消費者，決済，知的財産その他の規律を横断し，実装維持案，データ最小化案，人の確認を加える案及び別の法的構成へ変更する案を比較する必要がある。

各案について，成立条件，残余リスク，費用，工程，利用者体験，必要な証拠及び停止・撤退条件を並べれば，法務の成果物を経営判断へ接続できる。
行政相談を用いる場合も，事業全体の適法性認証と扱わず，前提，質問，回答の射程及び未回答事項を記録する。具体的な進め方は，「AI・データ事業を止めない法務設計－データフロー，横断法令，代替案及び行政相談」で整理している。

判断支援は三層の指標で評価する
AIによる時間短縮を評価するときは，作成件数，処理時間及び形式違反等の「作業出力」，現行条文・裁判例・原資料との一致及び重要な反対材料等の「法的・証拠的品質」，依頼者の理解，手戻り，期限遵守及び事件処理への寄与等の「事件・依頼者の成果」を分けて測る。作業時間又は閲覧数等の短期指標だけが改善しても，後二者が悪化すれば，弁護士業務全体の改善とはいえない。

人が担うべき中心は，最終成果と代理指標のずれを見抜き，平均点で相殺しない重大な誤りを定め，遅れて判明する成果の確認日及びAIを止めて人へ返す条件を決めることである。具体的な評価設計は，「AIの改善ループが失敗する条件－代理指標，仕様ゲーミング，遅れて分かる成果及び人が決める停止条件（AI作成）」で整理している。

第７　関連記事

AI作成書面が弁護士業務30分野のどの工程に影響するかは，「AIで変わる弁護士業務３０分野―書面作成・証拠評価・交渉への影響（AI作成）」で整理している。
知財訴訟における作業時間，専門判断，報酬及び若手育成の変化は，「山中弁護士レベルのAI作成書面が普及した場合の知財訴訟－弁護士業務への影響（AI作成）」で工程別に検討している。
AIを用いた公開記事の一次資料確認と出典管理については，「山中弁護士がAI作成又はAIリライトの記事を投稿するときに行っているハルシネーション防止方法（AI作成）」で説明している。
裁判所提出書面に必要な検証については，「山中弁護士がClaudeコードを使って裁判所提出書面を作成するときに行っているハルシネーション防止方法（AI作成）」で説明している。
文章統合と理由形成の境界については，「AIに判決理由を書かせてよいか―文章統合と理由形成・事後合理化の境界（AI作成）」で検討している。
生成AIへの秘密情報の入力については，「学習オフの生成AIに秘密情報を入力することは第三者開示に当たるか（AI作成）」で，学習利用の有無と送信・保存・閲覧可能性を分けて説明している。
弁護士業務で学習オフの生成AIを用いる具体的な環境，委任契約約款による依頼者の同意，過度な匿名化及びプランの使分けについては，「学習オフ設定のClaudeコード及びGoogle AI Ultraの利用は弁護士の守秘義務等に違反しないという個人的意見（AIリライト）」で説明している。
第24回弁護士業務改革シンポジウムの生成AI関連企画については，「第24回弁護士業務改革シンポジウム（2026年9月5日・福岡）の分科会一覧」で紹介している。

採用，賃金，シフト，評価又は業務指示をAIに行わせる場合の使用者責任と運用統制は，「AI上司が採用・賃金・シフトを決める場合の日本法－アルゴリズム管理と使用者責任（AI作成）」で整理している。

AIの候補生成によって選別，原典確認及び手戻りが増える仕組みと，中断後の再開記録については，「AIを使うほど仕事が増える理由－法律実務で使う生成前フィルタと中断後の再開カード（AI作成）」で整理している。

AIの結論が正しい場合にも仮説，独立検証及び制度的受容を分ける必要性については，「AIが難問を解いても人間の思考過程を残す理由－形式検証，独立査読，若手育成及び法律実務への示唆（AI作成）」で整理している。

第８　出典・参考資料

⑲Anthropic「When AI builds itself（https://www.anthropic.com/institute/recursive-self-improvement）」（コード作成割合，エンジニア当たりのマージ行数及び脚注3を確認。開発企業の内部測定・公表。）
⑳OpenAI「Research acceleration: The view inside OpenAI（https://openai.com/index/research-acceleration-view-inside-openai/）」（令和8年9月6日。第1節の8時間換算稼働量，第3節の成功課題における人の介入及び不確かな結果の除外を確認。開発企業の内部測定・公表。）

５　国内提供例と本人の公開投稿

①LegalAgent公式サイト（令和８年１０月３日確認。事業者による提供条件の説明）
②朝戸統覚弁護士の令和８年１０月２日のX投稿（個人売上等の本人の申告。独立した実績検証ではない。）

第１ この記事の対象と結論

１ AIが代替するのは職業全体より個別のタスクである

２ 価値を測る中心は，単純な速さだけでなく判断の品質と顧客体験である

第２ AIによる時間短縮は課題によって異なる

１ 能力範囲内では速く，高品質になった実験

２ 能力範囲外では正答率が下がった実験

３ 経験者でも遅くなった実験

４ 生成時間と確認・手戻りを含む総作業時間は別である

５ 代替されやすさを分ける条件

６ 単発性能と長期の一貫性を分ける

７ AGI時期の予測は期限付きシナリオとして扱う

８ 試験答案の高評価と事件処理能力を分ける

第３ 価値の重心が移る六つの領域

１ 一次資料の確認

２ 事実評価

３ 戦略判断

４ 説明可能性

５ 機密保持

６ 意思決定支援

第４ 人間が保持すべき役割

１ AIも六つの領域を支援できる

２ 採否，理由及び責任を一体で保持する

３ 若手育成を意図的に設計する

４ 品質保証そのものを専門的価値として設計する

５ 入口・中間工程・出口に分けて役割を設計する

第５ 作業時間と報酬はなお別に考える

１ 時間は費用と業務管理の指標として残る

２ 固定報酬と価値基準報酬は同じではない

３ 米国の倫理意見は時間制報酬の限界を示す

４ 日本での価格変化は【要確認】である

５ 国内の提供例と価格変化の実証を分ける

６ 労働分配率の低下と，個人の賃金・弁護士報酬を分ける

第６ 成果物を意思決定支援へ変える方法

第７ 関連記事

第８ 出典・参考資料

１ 法令

２ 公的資料及び職業倫理資料

３ 文献

４ 関連記事

５ 国内提供例と本人の公開投稿

ブログ内の検索ツール

裁判官一覧へのリンク

過去２４時間の人気記事

過去７日間の人気記事

過去３０日間の人気記事

最近の投稿

カテゴリー