学歴って、結局なんなんだろう──年収・生涯賃金とAI時代の「学ぶ意味」【データで考える】

1. 結論：学歴は、人生の点数ではなく「選択肢を増やす資産」だ

「学歴なんて関係ない」。そう言いたくなる実例はある。大学に行かずに優れた仕事をする人も、難関大学を出ても仕事がうまくいかない人もいる。けれど、そこから「だから進学する意味はない」までは、かなり距離がある。

反対に、「いい大学に入れば安心だ」も飛躍している。学歴は、判断力、誠実さ、創造力、商売のうまさを一括保証する品質証明書ではない。

収入と職業選択を物差しにすると、大学教育には今も平均的な利点がある。ただし、学位、大学名、専攻、実際の能力は、別々に評価する必要がある。 これが、データを調べて得られる出発点だ。

この記事でいう「必要」も分けておこう。医師のように所定の教育課程が資格につながる仕事と、応募条件として大卒を求める会社と、仕事の実力を高める学びは、同じ話ではない。大学に行くことが法的・制度的な入口になる場合もあれば、選択肢を広げる有力な方法の一つである場合もある。

お金は、人間の価値や幸せを測る万能な物差しではない。それでも、生活を維持し、時間を選び、家族を支え、挑戦の失敗に耐えるための資源ではある。今回は幸福論へ話を逃がさず、年収・生涯賃金・進学費用を中心に考える。そのうえで、数字だけでは見えない知識、環境、自信、直感の話へ進みたい。

数字の基準日は2026年9月10日。公的統計、民間サービスの推計、この記事独自の試算を区別する。とくに大学別の数字は、これから入学する人の将来を保証するものではない。

2. 日本では、大学を出ると実際にどれくらい違うのか

月給の差はある。ただし「12倍すれば年収」ではない

厚生労働省の2025年賃金構造基本統計調査では、一般労働者の所定内給与額は次のとおりだ。一般労働者は正社員だけを意味せず、ここでの賃金は残業代や賞与を含まない。年齢も職種もそろえた比較ではない。^[1][2]

新規学卒者の値も2025年調査である。高校と大学では卒業年齢が違うので、同年齢の能力比較にはならない。それでも、働き始める時点から給与体系が分かれていることは確認できる。^[3]

全年齢の大卒月給は高卒の約1.33倍、大学院卒は約1.74倍。ただし、これは「同じ人を大学に行かせたら33％増える」という意味ではない。大卒者が多い業界、年齢構成、企業規模、勤続、男女構成などが重なった結果である。

生涯賃金は「今の年齢別賃金をつないだ模型」

JILPT『ユースフル労働統計2025』は、2024年の賃金データから、卒業後すぐ就職し、60歳までフルタイムの正社員を続ける場合を推計している。退職金を含めない企業規模計では、次の金額になる。^[4]

高卒と大卒の差は男性4,720万円、女性5,200万円になる。男性の専門学校卒が高校卒を下回る点も見落としたくない。就学年数が長ければ、どの経路でも収入が順番に増えるわけではない。

この表は、ある人の人生を40年追いかけた実測ではない。同じ時点にいる若手、中堅、ベテランの賃金をつないだ推計だ。途中の失業や長い離職、働き方の変更を織り込んだ「国民全員の生涯所得」でもない。女性の数字が低いことを、能力が低い証拠と読むのも間違いである。職務配分や昇進、働き方などの差が混ざっている。

そして学歴と同じくらい見たいのが勤務先だ。同じ資料の男性大卒では、企業規模1,000人以上が3億130万円、10〜99人が2億1,420万円。その差は8,710万円ある。大きい会社に入れば必ず得をするという因果推定ではないが、大学名だけに目を奪われると、業界・企業・職種という大きな変数を見落とす。

30年前から何が変わったのか

大学進学は、昔より珍しくなくなった。文科省の当時の公表値では、大学学部進学率は1995年32.1％、2005年44.2％。2025年確定値では58.6％である。ただし、近年は分母に特別支援学校卒業者を含める修正が行われたため、古い公表値と小数点単位で厳密に接続してはいけない。ここで読めるのは、約3人に1人から、半数を超える規模へ広がったという変化だ。^[5][6][7]

では、賃金差も消えたのか。JILPTの新規学卒者の遡及集計では、2006年の男性は高卒16万7,300円、大卒21万1,900円で約1.27倍。2014年は16万9,100円と21万800円で約1.25倍だった。2025年は21万100円と26万4,900円で約1.26倍になる。2000年代半ば、2010年代半ば、現在の入口の差は、少なくともこの指標では消えていない。旧年は遡及推計である点にも留意したい。^[8][3]

ただし、1990年代から現在までの「大学名による採用フィルターの強さ」を同じ物差しで追う全国統計は、今回確認できなかった。大学進学率や月給の比率を、そのまま企業の学歴観の変化へ読み替えることはできない。

3. 東大・京大・早慶の年収は？ 大学名の先にある進路を見る

大学別の年収は、公的な全卒業生調査ではない

知りたいのは、やはり大学名ごとの差だろう。比較条件が明記された資料として、OpenWorkの2022年調査を使う。対象は2018年3月〜2022年6月に登録された24万6,134人、100件以上のデータがある291大学。大学院は除外されている。年齢別の数字は投稿者の給与情報などから算出した「想定年収」で、2026年の卒業生平均ではない。^[9]

下表の30歳・40歳はその公表値、右端だけはこの記事の機械試算である。右端は大学別の公表生涯賃金ではなく、同じ賃金カーブで38年間働けたという条件を置いた計算例だ。

試算方法。 同資料の25・30・35・40・45・50・55歳の年収を直線でつなぎ、各5年間を両端の平均年収×5で計算した。欠けている22〜25歳の3年間は25歳の年収、55〜60歳の5年間は55歳の年収で固定する。38年間の税引き前累計で、退職金、年金、資産運用、株式売却益、学費、税・社会保険、離職、物価上昇、将来の賃金成長は入れない。22歳就職も55歳以降の横ばいも、資料ではなくこちらの仮定だ。

たとえば東大の試算は約3.94億円だが、全年齢の給与水準を一律20％低く置くだけで約3.15億円になる。これは信頼区間ではなく、前提への敏感さを示す例である。だから「東大に入れば生涯3.9億円」とは言えない。JILPTの全国・学歴別推計とも、母集団と計算法が違うので差し引きしてはいけない。

OpenWorkの利用者には転職市場に関心のある人などの偏りがあり、回答者の業種、地域、男女構成も大学間でそろっていない。医学系の稼ぎ方や自営業の所得を十分に表すとも限らない。小さな順位差より、どんな進路に結びついているのかを見る方が実用的だ。

関西の「関関同立」は関西大学・関西学院大学・同志社大学・立命館大学。この資料で公表された30歳上位30校には同志社が入るが、他の3校の数字をここから補うことはできない。MARCHも一枚岩ではない。グループ名で全員の年収を決めつけないことが大切だ。

「どの会社へ行くか」と「どの仕事をするか」は違う

大学の公式資料を読むと、難関大学の進路が一種類ではないことがわかる。公表年度や対象課程が違うため、次は大学間の順位表ではなく、進路の具体例として読んでほしい。

出典は各大学の資料。就職者の業種構成と、卒業者全体に占める進学者の割合は、分母が違う。^{[10][11][12][13][14][15][16]}

就職先に有名企業が並んでいても、そこで全員が同じ職種、同じ給与で働くわけではない。有価証券報告書の「平均年間給与」を、その大学の新卒者の年収とみなすこともできない。会社全体には、長く働く管理職も含まれるからだ。

職種から見た参考値も置いておこう。厚労省job tagが2025年賃金構造基本統計調査を加工した表示では、Webサービス開発のシステムエンジニアの年収は578.5万円、平均年齢37.1歳。経営コンサルタントのページは1,134.6万円、39.4歳である。ページ名より広い職業分類の統計が対応する場合があり、新卒給与、特定大学卒の給与、独立した人の事業所得を表す数字ではない。^[17][18]

つまり、大学は給与を振り込んでくれない。大学を経て、どの分野で、どんな仕事を、どんな条件で続けるかが給与を作る。

4. 米国も欧州も「もう学歴を見ない社会」ではない

米国労働統計局の2025年データでは、25歳以上のフルタイム賃金・給与労働者の週給中央値は、高卒966ドル、学士1,578ドル、修士1,876ドル、博士2,307ドル。失業率はそれぞれ4.3％、2.8％、2.6％、1.8％だった。2025年は政府閉鎖で10月の調査がなく、11か月平均である。^[19]

これは日本の平均月給と定義が違うため、ドルを円に直して横に並べる比較はしない。それでも、学位と賃金・失業リスクの関連が米国でも残っていることは明瞭だ。

欧州もひとくくりにはできない。OECD『Education at a Glance 2025』によると、25〜64歳の高等教育修了者の所得は、後期中等教育修了者に比べてドイツで約50％、フランスで約60％高い。高等教育には学士だけでなく短期課程や大学院も含まれる。この数字を「フランスの大学ブランドの価値」と読むのは広げすぎだ。^[20][21]

ドイツでは同じ25〜64歳の失業率が高等教育修了2.5％、後期中等教育修了2.6％と近い。大学以外の職業教育を含む経路にも、雇用へつながる力がある。所得差と就職のしやすさは別の指標なのである。

Googleが外したのは、何の条件なのか

Googleの公式求人には現在も、学士号「または同等の実務経験」という応募条件がある。学位なしの経路を認めることと、履歴書から学校名を消して一切見ないことは違う。研究職には博士号または同等の実務経験を求める募集もある。全社で学歴を無視している、とまでは確認できない。^[22]

ハーバード・ビジネス・スクールとBurning Glass Instituteの2024年研究も、求人の学位要件撤廃と、実際の採用の変化を分けている。要件を外した職務で非大卒者の採用は平均3.5ポイント増えたが、対象職務の少なさも考慮した推定追加機会は、前年の全採用のおよそ700件に1件未満だった。「非大卒者は700人に1人しか採用されない」という意味ではない。^[23]

さらに、米国の大学名の効果も単純ではない。DaleとKruegerの研究では、出願・合格校などで学生のもともとの違いを考慮すると、選抜性の高い大学の平均的な収入優位は大きく縮小した。一方、低所得家庭などでは便益が残るという結果だった。^[24]

Chettyらの研究では、補欠合格の変動を利用した比較で、Ivy-Plusに通うことが州立旗艦大学に通う場合に比べ、所得上位1％へ入る確率を約50％高めるなどの結果が出ている。これは50ポイント増でも、全員の年収が50％増でもない。研究対象や比較方法で答えが変わること自体が重要だ。^[25]

「日本は入るのが難しく、米国は出るのが難しい」という通説も、選抜大学、開放的な大学、専攻、編入や休学を無視すると雑になる。卒業率の違いだけでは授業の難しさを特定できない。米国の採用制度の一部分を切り取り、そのまま日本へ移せば解決するわけではない。

5. 高学歴に仕事のできる人が多いなら、フィルターは合理的か

仕事ができると思っていた人の出身校を、あとから知って納得する。そんな経験はありうる。しかし、記憶に残りやすい一致例だけで、採用方法の正しさを証明することはできない。

集団として関連があることと、目の前の一人を正確に判定できることは別だ。大学の入試難易度も、学校名も、個人のIQの検査結果ではない。たとえIQを測っても、それだけで専門知識、粘り強さ、協働、顧客理解のすべてを測ったことにはならない。

考えたい仕組みは四つある。

• 選抜。 入学前から学力、継続力、家庭の支援などに違いがある。
• 教育。 読む、説明する、計算する、検証する訓練が能力を育てる。
• シグナル。 採用側が学位や学校名から一定の学習経験を推測する。
• 環境。 同級生、教員、卒業生、研究設備、求人への接点が変わる。

この四つが混ざった結果を見ているのに、「全部、地頭だ」「全部、ブランドだ」と一つに決めてしまうと、理解を間違える。教育年数の効果を調べたRitchieとTucker-Drobの準実験研究のメタ分析では、教育が知能検査得点を押し上げる証拠も示されている。頭がよいから学ぶ方向だけでなく、学ぶからできることが増える方向もある。^[26]

遺伝と家庭環境は、切り分けて慎重に考える

家庭に本がある。進路の相談相手がいる。勉強する時間や場所があり、失敗してもやり直せる。そうした違いを無視して、合格や年収を本人の努力だけの結果にすることはできない。

遺伝の関与を研究すること自体も、避ける必要はない。ただし、約300万人を対象とした2022年の教育達成の遺伝研究でさえ、遺伝子指標には家族環境などを経由する関連が混ざり、家族内の分析が重要になる。集団内の分散を説明する指標は、ある子の将来の上限を決めるものではない。^[27]

親の所得が高いことから、その親が生物学的に優秀だとは結論できない。 所得には職業、資産、制度、健康、時代、運も関わる。まして、家庭の所得と子どもの一つの成功例から、何割が遺伝で何割が環境かを割り振ることはできない。「遺伝も環境も関わる」は研究の入口であって、人を仕分ける結論ではない。

採用コストの節約と、採り逃しのコスト

応募者が多い企業にとって、学歴は安く取得できる情報だ。入口の処理コストが下がる可能性はある。しかし、それだけで「費用対効果が最高」とは言えない。落とした候補者が他社で活躍する損失や、入社後の離職まで含めて測っていないからだ。

高校の偏差値まで遡る方法も、「どこかで努力して成果を出したか」という仮説の材料にはなる。しかし、入試方式、地域、当時の教育機会の違いがあり、昔の学校順位を現在の業務能力と同一視してはいけない。

実務で試すなら、最初に仕事で必要な能力を決め、短い共通課題と評価基準を用意する。面接では全員に同じ核心質問をし、回答の根拠、説明の組み立て、指摘後の修正を採点する。米国人事管理庁も、職務分析に基づく構造化面接の妥当性を整理している。^[28]

そのうえで、学歴情報を伏せた評価と開示した評価を比較し、入社後の成果・定着・採用工数と結びつける。これはこの記事からの提案で、実施企業数を示す統計ではない。学歴を使うかどうかを理念だけで決めず、自社で予測に役立っているかを検証する方が筋が通っている。

6. 学費、大学院、起業まで含めて「元が取れる」を考える

学歴はあって困らない。でも取得は無料ではない

すでに持っている学位の価値と、これから時間とお金を使って取る価値は違う。

東京大学では2025年度以降入学の学部生の授業料が年64万2,960円、入学料が28万2,000円。4年間据え置きなら合計約285万円で、生活費などは別だ。文科省の2025年度私大調査では、初年度の授業料・入学料・施設設備費は文科系平均約121万円、理科系約160万円である。国立大学も一律料金だと思わず、志望校の条件を確かめたい。^[29][30]

比較には「働いていたら得られたお金」も入る。ここでは実在の人物とは無関係なモデルを置く。大学4年間の直接費を300万円、高卒で働く場合の税引き後収入から就業に必要な追加費用を引いた額を年200万円と仮定する。大学進学により働かない4年分を足すと、負担の比較額は1,100万円になる。

卒業後の税引き後の収入差が毎年50万円なら単純回収は22年、100万円なら11年、150万円なら約7.3年だ。共通の生活費は両経路で同じと仮定して除外。下宿で増える費用、学費免除、奨学金、学生時代の収入、借入利息、割引率、失業確率は含めていない。進学の収益率の推定ではなく、条件を書き出す練習である。

このモデルに、第2・3章の税引き前の生涯賃金差をそのまま引いてはいけない。現金の出入りを比較するときは、税引き前・後、期間、生活費の範囲をそろえる必要がある。

修士・博士・MBAは「学歴の上位互換」ではない

修士は、研究開発や高度な技術職へ進むための訓練と接点を得る経路になる。理工系大学の進路で大学院が大きな割合を占めることは、すでに見た。ただし、日本の賃金統計の「大学院」には修士と博士が混ざるため、平均51.7万円から博士の追加利益は計算できない。

博士は、未知の問いに方法を作って答える訓練であり、研究者や専門家としての入口にもなる。NISTEPの博士人材追跡調査でも、就業先は大学と民間企業などに分かれ、専攻で進路が異なる。見るべきなのは、研究室の直近の修了者がどこへ進んだか、任期の有無、支援金、指導体制、修了までの期間だ。^[31]

MBAなら、学位の響きより、対象とする企業・国・職種への採用経路を確認する。授業料だけでなく離職期間の所得、為替、卒業後の就労条件も関わる。学校が公表する給与中央値も、就職先を報告した卒業生などが母集団になりうる。「海外MBAだから回収できる」とまとめるのは危険だ。

専門学校にも、特定の実習設備、資格につながる課程、現場との接点という価値がある。「専門的なことは全部、大学へ行きながら独学すればよい」とは言い切れない。芸術でも、作品を作る時間、指導者、仲間、発表の場が重要だ。大学の入試難易度から、作品の価値を直接読み取ることはできない。

起業家の学歴は、成功者の名簿だけではわからない

日本政策金融公庫の2025年度新規開業実態調査では、開業者の最終学歴は大学・大学院35.9％、専修・各種学校27.9％、高校27.3％。この調査では、高卒が最多ではない。^[32]

ただし、対象は公庫が融資した開業後間もない企業であり、全起業家でも、上場企業の創業者でも、成功者だけでもない。構成比から「どの学歴が成功しやすいか」も出せない。成功率なら各学歴の挑戦者数と成功の定義が要るし、大学発スタートアップなら教員・研究者の起業と学生起業を分ける必要もある。

大学在学中に起業して大成功した人の存在は、「大学は不要」の証拠にも「大学に行けば成功」の証拠にもならない。知識、共同創業者、研究設備、信用への接点を得ていた可能性も、本人にもともと強い能力や機会があった可能性もある。

中退して別の分野へ飛び込み、後年に高収入を得る人もいる。しかし、晩年の年収が同じでも、そこへ至るまでの累計所得は違う。反対に、若い時期の高収入がずっと続くとも限らない。最後に撮った一枚の写真と、人生全体の動画を取り違えないことだ。

7. AIが何でも教えてくれるなら、覚える意味はなくなるのか

歴史の年号、地名、用語の定義。検索やAIで調べられるものは多い。だから、一度覚えた情報をそのまま再生するだけの仕事の価値は、今後も変わりうる。

しかし「調べられる」と「何を調べるべきかわかる」の間には差がある。

アメリカとドイツでは教育と就職の仕組みが違う、と知っている人は、「その制度差を踏まえて比較して」と頼める。比較対象そのものを知らなければ、その問いは出にくい。もちろんAIに比較対象を提案させることもできる。それでも、候補の妥当性や抜けを判断するには、手元の知識が助けになる。

同じように、「年収が高い大学を教えて」と「年齢・専攻・男女構成をそろえ、自己申告データの偏りと因果効果を区別して」では、調査の質が変わる。後者はプロンプトの魔法ではない。比較の落とし穴を知っている人の質問だ。

ただし、ここから「AIは高学歴の人だけをさらに強くする」と決めつけることもできない。顧客対応業務の研究では、AI支援が経験の浅い人や技能の低い人に、より大きな生産性改善をもたらした。AIが熟練者のやり方を他の人へ届け、差を縮める場合もある。^[33]

学習では道具の設計も重要だ。高校数学を対象としたBastaniらのランダム化比較試験では、自由に答えを得られるAIが練習を助けても、AIを使えない試験で学習成果を損なう場合があった。学習を支える制約を設けたAIでは結果が異なった。特定の科目・実験条件の結果であり、あらゆるAI学習が悪いという話ではない。^[34]

覚える目的を、「機械より多くの事実を保存する」から「自分で理解し、問い、確かめる」へ置き直すとよい。基礎語彙、数の感覚、歴史の大きな流れ、因果と相関の違い。こうした土台があれば、調べた断片をどこへ置くかがわかる。

実際の学び方としては、まず自分の仮説を短く書く。AIに反例や弱点を探してもらい、出典を確かめる。最後にAIを閉じて説明し直す。「AIと一緒ならできた」を「自分にも残った」へ変えるための手順である。

8. 自信、仲間、直感──大学の価値と混同しやすいもの

成功体験は力になるが、難関校なら自信が増えるとは限らない

目標を立て、努力し、結果を出す。「自分はやればできる」という感覚が次の挑戦を支えるという発想は、自己効力感の理論とつながる。達成経験はその源の一つである。ただし、受験成功だけが特別な源ではない。作品制作、競技、仕事の改善でも得られる。^[35]

また、よくできる仲間に囲まれることは刺激になりうる一方、比較によって自分を低く評価することもある。選抜的な学習環境で学業的自己概念が下がりうる「大魚小池効果」の研究は、その反対面を示す。^[36]

会話が通じやすい、興味のある話を深くできる、挑戦が当たり前になる。そうした環境に価値を感じるのは自然だ。ただ、それは偏差値だけで決まらない。ある人には大学の研究室、別の人には制作の仲間や仕事のコミュニティが、その場所になる。

企業が役員略歴に出身大学やMBAを書くことにも、専門性や信用を伝える役割は考えられる。しかし、掲載された経歴は選ばれた情報だ。その名簿だけから「その学歴だったから昇進した」とは証明できない。看板が入口を助けることと、日々の信頼を仕事で維持することは別である。

「なんとなく危ない」は、経験の圧縮かもしれない

熟練者が「理由はまだ説明できないけれど、おかしい」と感じる。あとから調べると、過去の複数の経験に照らして小さな違いを拾っていた。これは、直感を魔法にしなくても説明できる方向である。

KahnemanとKleinは、頼れる直感が育つ条件として、環境に十分な規則性があること、その規則性を学ぶ機会があることを重視した。結果がわかり、判断を修正できる環境での経験が大切になる。長年その場にいただけで直感が正しくなるわけではない。^[37]

生物学にも、危険刺激の処理に関わる研究はある。ヘビ画像を用いたヒトの脳画像研究は、扁桃体、上丘、視床枕などの関与を調べている。ただし、危険刺激への反応と、商談や採用での「嫌な予感」は同じ実験対象ではない。祖先の生存に役立つ仕組みがありそうだ、という説明から、現代の判断が正しいとまでは飛べない。^[38]

「脳にはCPUやGPUとは別に、心を読む装置がある」という比喩は面白い。しかし、脳はパソコン部品のように明確に分割できるものではないし、感情を扱う専用の装置を一つ発見した話でもない。

AIが経験にもとづく判断をどこまで代替できるかも、課題ごとに検証する必要がある。言葉にできない判断があることから、人間が永遠に優位だとも、AGIまで何年かかるとも結論できない。この記事で言えるのは、学歴そのものより、経験を振り返り、誤りを直し、次の判断へつなぐ習慣に価値があるということだ。

科学者や技術者の違和感も、同じように考えられる。「いつもと違う」で終わらず、仮説を置き、測り、再現できるかを確かめる。ひらめきと検証を往復するから、経験が次の発見に変わる。大学はその訓練を受けられる場の一つであり、卒業証書だけでその習慣が完成するわけではない。

9. 10年後、20年後、30年後にも残るのは何か

未来の学歴プレミアムを、今から正確な数字で予言することはできない。2036年、2046年、2056年の仕事は、AI、人口構成、資格制度、企業の育成投資によって変わる。ここからは統計の延長ではなく、条件を置いた見通しである。

2036年の仮説。 AIで応募書類や成果物を整えやすくなるほど、採用側は「誰がどう作ったか」を確かめたくなる。学校名が残る会社もあれば、実演、口頭説明、インターンで実力を見る会社も増えるだろう。どちらが広がるかは、評価にかかる費用と、実際の予測精度に左右される。

2046年の仮説。 若い時に取った一度きりの学位に加えて、途中で学び直した内容と仕事の履歴を評価する必要が強まる。ただし、大学が高度な研究設備や専門家の集まる場所であり続けるなら、その経路の価値も残る。

2056年の仮説。 具体的な職種の順位はさらに不確かになる。それでも、未知の問題を分解し、情報の確かさを見極め、人と協力し、学び直す能力が役に立つという見通しは持てる。それを学校、仕事、独学のどこで身につけるかは、一人ひとり違ってよい。

もう一つ忘れたくないのは、最初の就職には時代の影響もあることだ。日本と米国を比較した研究では、不況期に働き始めることが後の雇用や所得に長く影響し、とくに日本の低学歴層で影響が持続する結果が示されている。最初の会社への入口が大切でも、入口を通れなかった人を能力不足と決めつけてはいけない。^[39]

中高生なら、「学歴は意味がない」と早々に可能性を閉じる必要はない。まだ進路が固まっていないなら、学ぶ選択肢を広く残す利点は大きい。志望校を選ぶときは、名前だけでなく、学費と支援、専攻、卒業後の進路、学び続けられる環境を比較したい。

すでに働いている人なら、過去の学校名だけで将来の上限を決めないことだ。今の仕事で説明できる成果を作り、知識を増やし、必要なら資格や学位を取り直す。学位が必要な扉なのか、実績で開く扉なのかを、志望する仕事から逆に調べるとよい。

採用する側なら、学校名を無視していると宣言するだけでも、信頼していると開き直るだけでも足りない。どの情報が自社の仕事を予測し、どんな人を採り逃しているかを測る。その手間まで含めて、採用の合理性を考えたい。

学歴は、持っている人が誇ってよい努力の記録になりうる。持っていない人の価値を下げる道具にはならない。そして、取得の費用や向いている進路を無視して、全員が最上位の学位を目指す必要もない。

選べるなら、学ぶ機会を軽く見ない。その機会を得たら、看板だけで終わらせない。 学歴の価値は、卒業の日に完成するのではなく、そのあと何を学び、どんな仕事につなぐかによっても変わり続ける。

参考文献・出典

1. [1]厚生労働省『令和7年賃金構造基本統計調査』学歴別、2025年。所定内給与額、一般労働者。https://www.mhlw.go.jp/toukei/itiran/roudou/chingin/kouzou/z2025/dl/03.pdf ↩
2. [2]厚生労働省『賃金構造基本統計調査・調査の概要』用語の定義。https://www.mhlw.go.jp/toukei/list/chinginkouzou_b.html ↩
3. [3]厚生労働省『令和7年賃金構造基本統計調査』新規学卒者、2025年。https://www.mhlw.go.jp/toukei/itiran/roudou/chingin/kouzou/z2025/dl/10.pdf ↩
4. [4]JILPT『ユースフル労働統計2025』第21章、表21-1、p.318、2024年値。2025年版掲載値を使用。後年の基礎統計の訂正を独自に遡及反映した推計ではない。https://www.jil.go.jp/kokunai/statistics/kako/2025/documents/useful2025_21_p307_337.pdf ↩
5. [5]文部科学省『Statistical Abstract 2016, 1. Overview』大学学部進学率の当時公表値、1995・2005年。https://www.mext.go.jp/en/publication/statistics/title01/detail01/1373636.htm ↩
6. [6]文部科学省『令和7年度学校基本統計確定値』2025年12月26日、p.5。2026年速報の公表も確認したうえで、進学率は2025年確定値を使用。https://www.mext.go.jp/content/20251226-mxt_chousa01-000044291_01.pdf ↩
7. [7]文部科学省『学校基本調査』年次統計の分母修正に関する案内。https://www.mext.go.jp/b_menu/toukei/chousa01/kihon/1267995.htm ↩
8. [8]JILPT『主要労働統計指標・新規学卒者の賃金』2006・2014年。2019年以前は遡及集計。https://www.jil.go.jp/kokunai/statistics/shuyo/0303.html ↩
9. [9]OpenWork『出身大学別年収ランキング2022』2022年8月23日、表と対象データ。大学院除外。38年間累計は本記事独自の条件付き計算。https://cdn.kyodonewsprwire.jp/prwfile/release/M102870/202208185249/_prw_PR1fl_02PGu5ac.pdf ↩
10. [10]東京大学『大学案内2027』pp.62–63、2026年3月卒業・修了者。2026年9月10日に実際のPDFを確認。https://www.u-tokyo.ac.jp/content/400267440.pdf ↩
11. [11]京都大学理学研究科・理学部『卒業・修了後の進路』進路概要。年次を限定した全学比較ではない。https://www.sci.kyoto-u.ac.jp/ja/admissions/career/abstract ↩
12. [12]一橋大学『2024年度学部卒業生進路状況』2025年5月1日現在。https://www.hit-u.ac.jp/shushoku/wp-content/uploads/2025/07/2024%E5%B9%B4%E5%BA%A6%E4%BB%A4%E5%92%8C6%E5%B9%B4%E5%BA%A6%E5%AD%A6%E9%83%A8%E3%80%80%E5%8D%92%E6%A5%AD%E7%94%9F%E9%80%B2%E8%B7%AF%E7%8A%B6%E6%B3%81-3.pdf ↩
13. [13]早稲田大学『入学案内2026』先進理工学部、2024年度進路状況。https://admission-ebro.w.waseda.jp/ebro/ug/admissions_jp_2026/pageindices/index137.html ↩
14. [14]慶應義塾大学経済学部『就職・進路』2024年度。https://www.keio.ac.jp/ja/econ/campus-life/career/ ↩
15. [15]北海道大学『北海道大学概要2025』進路状況、2025年5月1日現在、2024年度修士修了者。https://www.hokudai.ac.jp/introduction/pdf/2025_hokudai-gaiyou.pdf ↩
16. [16]九州大学工学部『就職データ』受験生向け進路案内。https://www.eng.kyushu-u.ac.jp/prospective/data.html ↩
17. [17]厚生労働省job tag『システムエンジニア（Webサービス開発）』2025年賃金構造基本統計調査加工値、2026年9月10日確認。https://shigoto.mhlw.go.jp/User/Occupation/Detail/314 ↩
18. [18]厚生労働省job tag『経営コンサルタント』同調査加工値、2026年9月10日確認。対応職業分類と年齢構成に注意。https://shigoto.mhlw.go.jp/User/Occupation/Detail?occupationId=81 ↩
19. [19]U.S. Bureau of Labor Statistics, “Education pays,” 2025 CPS data, updated September 1, 2026. October excluded from annual averages. https://www.bls.gov/emp/tables/unemployment-earnings-education.htm ↩
20. [20]OECD, Education at a Glance 2025: Germany, 2025. 所得は25〜64歳、高等教育と後期中等教育の比較。国別統計の参照年に差がある。https://www.oecd.org/en/publications/education-at-a-glance-2025_1a3543e2-en/germany_fa91d155-en.html ↩
21. [21]OECD, Education at a Glance 2025: France, 2025. https://www.oecd.org/en/publications/education-at-a-glance-2025_1a3543e2-en/france_4d428477-en.html ↩
22. [22]Google Careers, current vacancies, checked September 10, 2026. Qualifications vary by role. https://www.google.com/about/careers/applications/jobs/results?hl=en ↩
23. [23]Harvard Business School / Burning Glass Institute, Skills-Based Hiring: The Long Road from Pronouncements to Practice, February 2024. https://www.burningglassinstitute.org/s/Skills-Based-Hiring-02122024-vF-srmp.pdf ↩
24. [24]Dale, S. B. & Krueger, A. B., “Estimating the Return to College Selectivity over the Career Using Administrative Earnings Data,” NBER WP 17159, 2011. https://www.nber.org/papers/w17159 ↩
25. [25]Chetty, R., Deming, D. J. & Friedman, J. N., “Diversifying Society’s Leaders? The Determinants and Causal Effects of Admission to Highly Selective Private Colleges,” NBER WP 31492, 2023, revised subsequently. https://www.nber.org/papers/w31492 ↩
26. [26]Ritchie, S. J. & Tucker-Drob, E. M., “How Much Does Education Improve Intelligence? A Meta-Analysis,” Psychological Science, 2018. https://journals.sagepub.com/doi/abs/10.1177/0956797618774253 ↩
27. [27]Okbay et al., “Polygenic prediction of educational attainment within and between families from genome-wide association analyses in 3 million individuals,” Nature Genetics 54, 437–449, 2022. https://www.nature.com/articles/s41588-022-01016-z ↩
28. [28]U.S. Office of Personnel Management, “Structured Interviews.” https://www.opm.gov/policy-data-oversight/assessment-and-selection/other-assessment-methods/structured-interviews/ ↩
29. [29]東京大学『入学料・授業料』2025年4月1日更新、2026年9月10日確認。https://www.u-tokyo.ac.jp/ja/admissions/tuition-fees/e03.html ↩
30. [30]文部科学省『令和7年度私立大学入学者に係る初年度学生納付金等平均額』2025年12月26日、資料1。https://www.mext.go.jp/content/20251226-mxt_sigakujo-000046463_1.pdf ↩
31. [31]NISTEP『博士人材追跡調査』調査概要・結果案内。各調査の対象修了年度と追跡時点を区別して読む。https://www.nistep.go.jp/jdpro/ ↩
32. [32]日本政策金融公庫総合研究所『2025年度新規開業実態調査』2025年12月5日、調査要領・図3。https://www.jfc.go.jp/n/findings/pdf/kaigyo_251205_1.pdf ↩
33. [33]Brynjolfsson, E., Li, D. & Raymond, L. R., “Generative AI at Work,” Quarterly Journal of Economics 140(2), 889–942, 2025. https://doi.org/10.1093/qje/qjae044 ↩
34. [34]Bastani et al., “Generative AI without guardrails can harm learning: Evidence from high school mathematics,” PNAS, 2025. https://doi.org/10.1073/pnas.2422633122 ↩
35. [35]Bandura, A., “Self-efficacy: toward a unifying theory of behavioral change,” Psychological Review 84(2), 191–215, 1977. https://pubmed.ncbi.nlm.nih.gov/847061/ ↩
36. [36]Fang et al., “The Big-Fish-Little-Pond Effect on Academic Self-Concept: A Meta-Analysis,” Frontiers in Psychology, 2018. https://pmc.ncbi.nlm.nih.gov/articles/PMC6124391/ ↩
37. [37]Kahneman, D. & Klein, G., “Conditions for intuitive expertise: a failure to disagree,” American Psychologist 64(6), 515–526, 2009. https://pubmed.ncbi.nlm.nih.gov/19739881/ ↩
38. [38]“The Distinct Role of the Amygdala, Superior Colliculus and Pulvinar in Processing of Central and Peripheral Snakes,” PLOS ONE, 2015. https://pmc.ncbi.nlm.nih.gov/articles/PMC4467980/ ↩
39. [39]Genda, Y., Kondo, A. & Ohta, S., “Long-Term Effects of a Recession at Labor Market Entry in Japan and the United States,” Journal of Human Resources 45(1), 157–196, 2010. 本文掲載版。https://mhlw-grants.niph.go.jp/system/files/2009/091011/200901043A/200901043A0003.pdf ↩