AIエージェント、ロボット、そして私たち：AI時代の技術パートナーシップ

• 未来の仕事は人間、エージェント、ロボットのパートナーシップとして再構成され、現在の技術で労働時間の約57%を自動化可能だが、これはあくまで技術的ポテンシャルであり、雇用減少の予測ではない
• 今日、雇用主が求めるスキルの70%以上は、自動化可能な業務と不可能な業務の両方で使われており、ほとんどのスキルは依然として有効だが、適用方法が変化する
• AIリテラシー（AIツールを使いこなし、管理する能力）の需要は2年間で7倍に増加し、求人票で最も急成長しているスキルとして浮上
• 2030年までに米国だけで約2.9兆ドルの経済価値を創出できる可能性があり、そのためには個別業務ではなくワークフロー全体を再設計する必要がある
• Skill Change Indexによると、デジタル・情報処理スキルが最も大きな変化を経験し、ケア・支援関連スキルは最も変化が少ないと予想される

---

主要概要

• 未来の業務はAIを基盤とした人間、エージェント、ロボット間のパートナーシップへ移行
• 現在の技術で米国の労働時間の約**57%**が理論上自動化可能だが、これは技術的ポテンシャルであり、実際の導入には数十年を要すると見込まれる
• 一部の役割は縮小し、一部は成長または変化し、新たな役割も登場する見通し
• 雇用主が求めるスキルの70%以上は、自動化可能・不可能な業務の双方で使われており、ほとんどのスキルは有効なままだが、適用される文脈が変化する
• Skill Change Indexは今後5年間における各スキルの自動化への露出度を測定し、デジタル・情報処理スキルが最も影響を受け、ケアスキルは最小限の変化にとどまる見込み
• AIリテラシーの需要は2年間でほぼ7倍に増加し、米国の求人票で最も急成長するスキルを記録
• 2030年までに米国で約2.9兆ドルの経済価値を創出できる可能性があり、そのためには組織が人材を準備し、個別業務ではなくワークフロー全体を再設計する必要がある

AIが業務の境界を再定義

• エージェントとロボットの自律性・能力の強化

  • 過去の機械はルールに従うよう設計され、あらかじめ定められた通りにしか動作しなかった
  • AIの登場により、認知的・物理的業務を担うエージェントとロボットは膨大なデータセットから学習し、より多くの能力を獲得
  • 自然言語を含むさまざまな入力に対応し、事前ルールではなく文脈に適応できる
  • 現在の技術で米国の労働時間の約**57%**を理論上自動化可能だが、実際の導入は政策、労働コスト、実装コスト、開発時間などに左右される
  • 電力の普及には30年以上を要し、産業用ロボットも同様に数十年の道のりをたどっており、2023年時点で大半のアプリケーションをクラウドで運用する企業は約5分の1にとどまる

• AIはあらゆる種類の業務に影響

  • 非物理的業務が米国の労働時間の約3分の2を占める
  • 非物理的業務の約3分の1は、AIがまだ到達していない社会的・感情的スキルを必要とする
  • 残りは推論、情報処理など自動化に適した業務で、米国の総賃金の約**40%**を占める
  • 物理的業務は米国の労働時間の約35%を占め、ロボットは進歩してきたが、大半の物理的業務には技術がまだ信頼性高く再現できていない微細運動スキル、手先の器用さ、状況認識が必要
  • 米国の労働力の約**40%**では、物理的業務が労働時間の半分以上を占める（運転手、建設労働者、料理人、医療補助員など）
  • ロボットの進展により、生産、食品準備など一部の低賃金職を含む職種の変化が予想される
  • 水中作業、捜索・救助、危険環境の点検など、人間にとって危険または不可能な業務もロボットが引き続き担う

• 人間は不可欠

  • 現在の能力水準では、エージェントは米国の労働時間の44%、ロボットは**13%**を担うことが可能
  • 自動化をさらに拡大するには、意図・感情の解釈（エージェント）、微細運動制御（ロボット）など、現時点では人間にしかできない能力が必要
  • 技術の進歩に伴い、一部の役割は縮小し、別の役割は拡大または焦点が変わり、新たな役割も創出される見込み
  • 放射線科の事例: 2017〜2024年に放射線専門医の雇用はAIの進展にもかかわらず年間約**3%**成長し、AIが精度と効率を高める一方で、医師は複雑な意思決定と患者ケアに集中
    • Mayo Clinicは2016年以降、放射線科スタッフを50%以上拡大しながら、数百のAIモデルを配備
  • AIは新しい種類の業務と役割も生み出している（ソフトウェアエンジニアによるエージェントの生成・改善、生成ツールを活用するデザイナーやクリエイターによる新たなコンテンツ制作など）

7つの作業タイプ

• 約800職種を物理的・非物理的な自動化ポテンシャルに基づいて分析し、7つのタイプに分類
• 自動化ポテンシャルが最も低い職種は人間中心（people-centric）、自動化可能な業務比率が高い職種は**エージェント中心（agent-centric）またはロボット中心（robot-centric）**に分類
• 2〜3種類がバランスよく組み合わさった役割は、混合またはハイブリッド型として分類

• 人間中心の役割

  • ヘルスケア、建物・保守管理などで見られ、米国の雇用の約3分の1を占める
  • 平均年収は約71,000ドル
  • 現在の技術では再現不可能な物理的活動が労働時間の約半分を占める

• エージェント中心・ロボット中心の役割

  • 自動化ポテンシャルが最も高い役割で、全雇用の約**40%**を占める
  • 大半は法務・行政サービスのエージェント中心の役割で、平均年収は約70,000ドル。文書作成など、技術的にAIシステムが処理可能な大規模な認知業務を含む
  • ロボット中心の役割（運転手、機械オペレーターなど）は身体的要求が高く、時に危険を伴い、平均年収は約42,000ドル
  • エージェント-ロボットの役割は全労働者の約2%で、平均年収は約49,000ドル。物理的業務が労働時間の**53%**を占め、主に自動化された製造・物流オペレーションなど、ソフトウェア知能が物理システムを指揮する生産環境で見られる

• ハイブリッドな役割

  • 人間、エージェント、ロボットを組み合わせた多様な職種で、労働力の約3分の1を雇用
  • 賃金、身体的負荷、自動化ポテンシャルは大きく異なるが、あらゆる環境で人間は不可欠
  • 人間-エージェントの役割: 教師、エンジニア、金融専門職など、デジタル・AIツールで業務を強化可能。平均年収は74,000ドルで、米国労働者の約5分の1を占める
  • 人間-ロボットの役割: 保守・建設分野で見られ、機械が人間の作業に力と精密さを加える。物理的業務が労働時間の約81%を占め、平均年収は54,000ドル、米国労働者の1%未満に相当
  • 人間-エージェント-ロボットの役割: 輸送、農業、フードサービスで見られ、3つの労働形態がほぼ同等に組み合わさる。物理的業務が労働時間の約43%を占め、平均年収は60,000ドル、米国労働者の約**5%**に相当

技術要件の変化

• 採用公告の分析結果、約6,800件のスキルが1,100万件以上の求人票で頻繁に言及
• ほぼすべての職種において、2030年までに上位四分位に入る大きく変化したスキルが少なくとも1つ以上存在
• 職種の3分の1で、スキルの10%以上に大きな変化が予想

• 技術要件の具体化・専門化

  • 各職種に関連する固有スキル数が10年前の平均54件から64件へ増加し、雇用主の役割説明がより具体化
  • 高賃金分野ほど、より多くのスキルと高度な専門化を必要とする傾向
    • データサイエンティスト、エコノミストの求人票では90件以上の固有スキルを列挙
    • 自動車ドライバーでは10件未満を列挙
  • 高賃金職種では管理、情報、デジタルスキルを重視
  • 低賃金の役割は実務作業、設備運用、ケア・支援の提供に集中

• 転用可能なスキルと8つの高頻度スキル

  • スキル変化の波はそのたびに労働者の働き方を変えてきたが、今日の違いは速度
  • 2023年まで、AI関連スキル需要はクラウドコンピューティング、サイバーセキュリティなど他のデジタルスキルと同程度のペースで成長
  • 生成AIの台頭後に急加速: 過去2年間で約600件の新しいスキルが求人票に登場（過去10年間に追加された総量の約3分の1）し、その多くがAIおよび関連技術と結び付く
  • 急速な変化により転用可能なスキルの価値が上昇
  • 専門化が進んでも8つの高頻度スキル（コミュニケーション、顧客対応、ライティング、問題解決、リーダーシップ、マネジメント、オペレーション、細部への注意）は、業界や賃金水準を問わず一貫して有効
  • これらのスキルは労働市場の結合組織を形成し、人材育成の中核となる
  • 多くの他のスキルも職種間で転用可能: たとえばAccount Executiveに必要なスキルの半分以上は、175の別職種にも登場

• AIフルエンシー（AI Fluency）需要の急成長

  • AIフルエンシー（AIツールの使用・管理能力）需要が、2025年半ばまでの2年間でほぼ7倍に急増
  • 現在、約700万人の労働者が従事する職種で要件として浮上
  • 技術的AIスキル（AIシステムの構築・展開）需要も成長中だが、速度はより緩やか
  • AIスキル需要の**75%**が3つの職業群に集中: コンピューティング・数学、管理、ビジネス・金融
  • 残りは建築・エンジニアリング、設置・保守・修理、教育など10のその他職業群で発生
  • 建設、輸送、フードサービスなど9つの職業群（労働力の約40%、中央値所得以下）では、AI関連スキル需要は限定的
  • 雇用主はプロセス最適化、品質保証、教育などAI隣接能力への需要も増やしている
  • 一方で、機械がすでにうまくこなす、または大きく改善する分野（リサーチ、ライティング、単純な数学）への求人票での言及は減少中だが、これらのスキルは依然として大半の人材に必須

• 大半の人間的スキルは有効だが、使われ方が変化

  • スキルの約72%は、AIが実行できる業務と人が担うべき業務の両方に必要
  • 一部のスキルは、対人コンフリクトの解決、デザイン思考など、共感、創造性、文脈理解に根差した人間固有のものとして残る見込み
  • 反対側のスペクトラムには、データ入力、財務処理、設備制御など、主にAI主導になる可能性が高いスキルが存在
    • この領域では、人は実務から離れ、設計、結果の検証、例外処理に集中
  • 両極の間にある広い中間領域では、人とAIが並んで協働
    • 技術パートナーシップを形成: 機械がルーティン業務を処理し、人が問題設定を行い、AIエージェント・ロボットに指示を与え、結果を解釈し、意思決定を担う
    • 機械にまだ不足している判断力と文脈理解を人間が提供し、協業と監督を組み合わせる

Skill Change Index（SCI）

• SCIは、さまざまな導入シナリオにおいて各スキルが自動化にどの程度さらされる可能性があるかを測る時間加重指標
• 最も需要の高い100のスキルの中でも、AIの影響は大きく異なる
  • コーチングなど人間中心のスキルは自動化への露出が最も低い
  • 請求書処理など手作業・ルーティン型スキルは露出が最も高い
  • 品質保証などのスキルは分布の中間に位置し、AIがスキルを置き換えるというより、使われ方を変える領域

• 7,000のスキルの露出度

  • デジタル・情報処理スキルがSCIで最上位となり、AIのデータ処理・分析能力向上を反映
  • ケア・支援スキルは最も変化が少ない見込み

• スキル進化の3つの経路

  • 高露出スキル（上位四分位）: 需要減少の可能性が高く、会計プロセス、特定言語のプログラミングなど、AIがすでに得意とする専門スキルが中心
  • 中位四分位スキル: 需要の増減よりも性質と適用方法が進化する可能性が高く、人間の判断とデジタルツールを組み合わせる転用可能なスキルが中心で、AIフルエンシーもここに含まれる。ライティングやリサーチなどのスキルを、人々が新しい方法で適用
  • 低露出スキル（下位四分位）: 持続する可能性が高く、リーダーシップ、ヘルスケアスキルなど、人間同士のつながりとケアに基づくスキルが中心

経済的価値とワークフロー再設計

• AIベースの自動化により、2030年までに米国で中程度の導入シナリオを前提として年間約2.9兆ドルの経済的価値を創出できる可能性
• こうした利益を実現するには、個別業務の自動化ではなく、ワークフロー全体の再設計を通じて、人、エージェント、ロボットが効果的に協力できるようにする必要がある

• ほとんどの企業はまだ実質的な利益に届いていない

  • 企業の約90%がAIに投資したと回答しているが、測定可能な利益を報告する企業は40%未満
  • このギャップの原因: 多くのプロジェクトがまだパイロット／試験段階にあるか、組織がワークフロー全体の再設計ではなく個別業務にAIを適用しているため
  • 例: 銀行で従業員に一時利用のチャットボットを提供するケースと、融資の承認・処理・管理のために人とともに再構想されたプロセスにカスタムエージェントを配置するケースの違い

• 生産性向上の分布

  • 米国経済全体の190のビジネスプロセスを分析
  • 潜在的な生産性向上の約**60%**が、部門別ドメインに関わるワークフロー（各業界の中核活動）に集中
    • 製造業: サプライチェーン管理
    • ヘルスケア: 臨床診断と患者ケア
    • 金融: 規制遵守とリスク管理
  • 追加の利益は、IT、財務、管理サービスなど、あらゆる部門を支える横断機能から生じる

事例研究: AI組み込み型ワークフロー

• AIを中心にワークフローを再設計する80件の実装事例を確認
• 管理者と専門家は、実行者ではなくオーケストレーター・検証者の役割へと徐々に移行
• データアナリスト、アンダーライター、エンジニアなどのドメイン専門家が、初期分析や初稿作成を行うエージェントとパートナーシップを構築
• 最も価値の高い人間のスキルはAIリテラシー、適応力、成果物の批判的評価へと移り、人間はより高付加価値な業務に集中可能

• 営業の事例：グローバル技術企業

  • リーチの拡大と顧客関係の深化を追求
  • 従来モデルでは、人間の営業チームが一貫性のない優先順位付け手法を使い、数千の小規模アカウントに対する個別対応能力に限界があり、上位の有望顧客だけが個別の関心を受けていた
  • 営業プロセス初期段階の自動化のため複数のAIエージェントを導入
    • 優先順位エージェント: 公開・独自データに基づいてアカウントをスコア化・順位付け
    • アプローチエージェント: 顧客に連絡
    • 顧客応答エージェント: フォローアップを管理し、リードを関心あり／関心なし／不確実に分類
    • 日程調整エージェント: 高ポテンシャルのリードに対する通話・リマインダーを設定
    • ハンドオフエージェント: 人間の判断が必要な場合に専門家へ案件を引き継ぎ
  • 結果: 新規売上、クロスセル、維持率の向上により年間売上は**7〜12%増加の見込み、営業職全体で30〜50%**の時間削減
  • ビジネス開発の専門家は、提案書作成、パートナーシップ交渉、関係構築などの戦略的な関与により多くの時間を投じられる
  • 今後はコーチングエージェント（営業チームへのリアルタイムフィードバック）、管理エージェント（ルーチンの事務作業を処理するアシスタント）の追加も可能

• 顧客業務の事例：大手ユーティリティ企業

  • アプリやWebサイトに複数のセルフサービスオプションがあるにもかかわらず、年間700万件以上のサポート電話に対応
  • 従来の対話型音声応答システムでは問い合わせの約**10%**しか解決できず、残りは人間のカスタマーサービス担当者へ転送
  • 顧客基盤全体にエージェント型対話AIを展開
    • インバウンドコールエージェント: 顧客認証
    • 意図識別エージェント: 通話目的を把握
    • 通話日程調整エージェント: 予約を管理
    • セルフサービスエージェント: バックエンドシステムと統合
  • 結果: 現在は全通話の約40%を処理し、そのうち80%以上を人間の介入なしで解決
    • エスカレーションが必要な場合は、検証済みのアカウント詳細と会話履歴を添えて転送し、円滑なハンドオフを保証
    • 1通話あたりの平均コストを約**50%**削減
    • 待ち時間の短縮、一貫した対応、迅速な解決により顧客満足度スコアが6ポイント上昇
    • 人間の担当者は、より複雑で感情的に繊細かつ高価値な問題を担当
  • 今後は顧客問題識別エージェント（サービス中断を検知し、先回りして顧客連絡を監視）、コーチングエージェント（通話中に人間の担当者へリアルタイムで指針を提供）の追加も可能
  • 高度なAIエージェントは最終的に顧客問い合わせの**80〜90%**を処理できる見通し

• 医療ライティングの事例：グローバルバイオ製薬企業

  • 新薬の安全性・有効性データを文書化する臨床試験報告書作成プロセスの改善を追求
  • 従来モデルでは、メディカルライターが手作業で研究データを収集し、長文の報告書を作成し、複数のレビューループを調整
  • 限られた能力と長い所要時間が、増え続ける提出需要に対応する力を制約
  • 報告書作成のワークフローを再構成するAIプラットフォームを開発
    • 構造化・非構造化の研究データを統合し、数分で包括的な初稿を生成し、会社のスタイル・コンプライアンステンプレートを適用し、誤りを自己レビュー
  • メディカルライターの役割は、手動での初稿作成からAIシステムと協働し、臨床判断を適用することへ移行
  • 結果: 人間による最初のレビュー用ドラフトのタッチタイムを約**60%削減、エラーを約50%**削減
    • 他の関連プロセス・技術変革と組み合わせると、市場投入までの取り組みを数週間短縮でき、さらなる改善も期待される
  • 今後は臨床研究計画から提出までの主要段階を支援するエージェントの活用が可能: 臨床研究計画エージェント（試験プロトコルを組み立てる）、データマッピングエージェント（データ分析・統合）、報告書作成エージェント（全体の初稿を生成）、検証エージェント（コンプライアンス確認）、レビューエージェント（エラーをスキャン）、提出初稿エージェント（規制当局提出用文書を生成）
  • 研究サイクル全体に適用すれば、タイムラインを数カ月短縮できる可能性

• ITモダナイゼーションの事例：地域銀行

  • AIエージェントを使って中小企業向けバンキングアプリケーションをモダナイズ
  • 内部開発速度を高めるため、さまざまなプログラミング言語の更新を目標に設定
  • 従来方式: 数百万行のコードに対する手動ドキュメント化、コードリファクタリング、テストに数カ月の作業と大規模な予算、広範なエンジニアリング能力が必要
  • 複数のモダナイゼーション業務にAIエージェントを使うパイロットを開始
    • 評価エージェント: レガシーコードベースをスキャンして依存関係を特定
    • 機能エージェント: 目標状態のアーキテクチャを生成
    • コーディングエージェント: コードを新しいフレームワークへ移行し、自動テストを実行
  • 開発者は15〜20のエージェントと協働し、アーキテクチャの完全性、コンプライアンス、機能の正確性のために成果物を検証・改善
  • モダナイゼーションの過程で、アプリケーションはデスクトップからモバイルへ、オンプレミスからクラウドへ、モノリシックからマイクロサービスアーキテクチャへと移行
  • AIエージェントが反復的な実行の大半を担うことで、人間の業務の焦点は計画、オーケストレーション、テストへ移行
  • 初期結果: 最大**70%**のコード正確性
  • 銀行はパイロットモジュール後、モダナイゼーション全体の取り組みにエージェント活用を拡大する計画で、必要な人間の作業時間を最大**50%**削減できると見積もる
  • 今後はモダナイゼーション計画エージェント（プロセス調整）、品質保証エージェント、テストエージェントによる支援も可能

• AIが管理業務とスキルを再編

  • AIがより多くの分析・意思決定支援業務を担うにつれ、管理業務の本質は人の監督から、人・AIエージェント・ロボットが協働するシステムのオーケストレーションへと転換
  • 管理者は、影響力の行使やメンタリングなど、より高価値な業務に時間を再配分できる一方で、より高い技術的リテラシーも求められる
    • 例: 営業マネージャーはAIベースのインサイトを活用し、関係強化に向けてチームをコーチングする時間をより多く確保できる
    • 例: カスタマーサービスマネージャーは人とAIエージェントのハイブリッドな労働力を監督し、AIシステムと従業員の双方を訓練してサービス改善を進められる

ビジネスリーダーのための主要な問い

• 将来価値に向けたビジネスの再構想

  • 初期のAIの取り組みは、ワークフローの見直しよりも既存の改善に重点を置くことが多い
  • より大きな成果はプロセス全体の再設計から生まれる
  • 将来価値を構築するには、数年先を見据えて逆算し、AIに関連してどの役割、スキル、構造を変えるべきかを把握する必要がある
  • リーダーは今、主要な再設計に投資すべき領域と、短期的な成果のために現在のモデルを改善すべき領域を選ぶ必要がある

• 中核的なビジネス変革としてAIを主導する

  • AIはほぼすべての機能に影響する
  • リーダーはこれを技術プロジェクトとしても、より広範なビジネス変革としても捉えられる
  • IT部門に責任を委ねれば実装速度は速まる可能性があるが、持続的な変化と実質的な戦略的優位性は、経営上層部の目に見えるコミットメントと、AIが組織全体の人材と事業に与える影響への継続的な関心に左右される

• 実験と学習の文化を築く

  • AIの導入には、特に初期段階で不確実性が伴う
  • 素早くテストし適応する組織ほど、最も速く学習する傾向がある
  • それは、好奇心、リスクテイク、失敗からの学習、協働を支える文化に左右される
  • 文化の変化は難しいが、AIが求める可能性の高い規模の変革には不可欠だ

• 信頼の構築と安全性の確保

  • AIは、企業が責任を維持し監督する方法を変える
  • 焦点は、個別のアウトプットの確認から、明確なポリシー設定、AIロジックの検証、例外処理、人の介入が最も必要となるタイミングの判断へと移る
  • 課題は、イノベーションと効率性を損なわずに、リスク管理と安全確保に十分な監督を維持する適切なバランスを保つことだ

• 管理職にハイブリッドチームを率いる力を備えさせる

  • AIはマネジメントの意味を再定義する
  • 定型的な監督が自動化されることで、管理職はコーチング、影響力の行使、人・エージェント・ロボットによるハイブリッドチームのオーケストレーションに集中できる
  • 管理職は、バイアスのテスト、成果の検証、完全性の維持においても中核的な役割を果たす
  • 自動化によって直接的な統制が弱まる中、結果に対する責任を維持することはより難しくなり得る
  • 人間と機械の貢献および相互作用を評価するための新たなパフォーマンス指標とフィードバックシステムが必要だ

• AIが解放した能力をどう活用するかを決める

  • 企業は、AIが解放した能力をどう使うかを決める必要がある。人材育成やより高付加価値な業務への再投資に使うのか、あるいはさらなる効率化とコスト削減に重点を置くのかということだ
  • 多くの場合、その両方を一部ずつ実施することになる
  • この移行を管理するには、どの役割が進化し得るかを把握し、従業員に明確なスキルベースの成長経路を示す必要がある
  • AIによって、継続的な学習と訓練は組織の強みにとっていっそう重要になる
  • 仕事の変化と求められるスキルがより速く進化する中、労働者が自分のスキルを新しい種類の仕事にどう移転できるかを理解できるよう支援することは、人と企業の双方のレジリエンス強化に寄与する
  • AIリテラシーを組織内のあらゆるレベルに広げる必要がある
  • 企業は、デジタルツール、実践プロジェクト、コーチングを通じてこうしたスキルを構築でき、他の組織や機関とのパートナーシップを通じて学習へのアクセスを広げ、新たな機会を開くこともできる

機関のための主要な問い

• 教育と訓練の進化

  • 求められるスキルが変化するなか、教育が中核的な役割を果たす
  • AIリテラシーの基礎（批判的思考、結果を問い直す力、前提への挑戦、バイアスや誤りの認識など）を小学校段階から育み、人々がこれらの技術を効果的に使い導く方法を学べるようにする必要がある
  • カリキュラムを再設計することで、技術知識と、適応力、分析的思考、協働といった移転可能な人間的スキルを組み合わせられる
  • 大学はAIを学問分野全体に統合でき、職業大学やコミュニティカレッジは熟練職の訓練を拡大できる
  • AIは、より個別化され継続的な学習を支援できる
  • リスキリング需要の増加に伴い、生涯学習への投資が必要となる
  • 教育システムと雇用主は、共同プログラム、柔軟なモデル、収入を得ながら学べる見習い制度、迅速な資格認証を通じてより緊密に連携し、人々の職業・産業間の移動を支援する必要がある

• 移転可能なスキルを新たな機会につなげるシステム

  • AIが仕事を変革するなか、多くの人がまったく新しい職種へ移る必要がある
  • そうした移行には移転可能なスキルが不可欠だが、労働市場がそれを認識し報いることができなければ意味がない
  • 明確なスキル定義、能力を証明する信頼できる方法（テストや検証済み資格）、より優れたマッチングプラットフォームがそれを可能にする
  • 雇用主、学校、資格認証機関のあいだに連携を築くことで、仕事と機会へのアクセスを広げられる

• 地域経済とコミュニティの対応

  • AIの影響は業界や地域によって大きく異なる
  • データを通じてこうした違いを理解することが、効果的な対応の第一歩となる
  • 変化がどこで起きているのかを明確に把握することで、業界団体、教育関係者、人材機関、労働組合が地域ニーズに合った訓練と職業移行戦略のために協力できる

用語の定義

• 採用（Adoption）: 組織または労働力の文脈において、実際の業務活動やワークフローにAIおよび自動化技術を展開すること。自動化の潜在力がどの程度、どれほど速く、どれほど広範に取り込まれるかを決定する
• エージェント（Agents）: デジタル世界で業務活動を実行する機械で、人の非物理的能力（自然言語生成、社会的・感情的推論、創造性など）を拡張または代替する
• AI搭載エージェント（AI-powered agents）: AIを内蔵したエージェントで、より自律的に行動し、ワークフローのオーケストレーションが可能。エージェンティックAIとも呼ばれる
• AI搭載ロボット（AI-powered robots）: AIを内蔵したロボットで、より自律的に行動し、ワークフローのオーケストレーションが可能
• 人工知能（Artificial Intelligence, AI）: 従来は人間の知能を必要とした業務を実行するソフトウェアの能力で、人の能力を拡張または代替し得る
• 能力（Capabilities）: 技術の適用を支える物理的または非物理的な能力で、業務活動の遂行に必要な人間レベルの成果に基づいて評価される。非物理的能力には、認知能力（自然言語、論理的推論、創造性、ナビゲーションなど）と社会的・感情的能力が含まれる
• 生成AI（Generative AI）: 非構造化データを入力として受け取り、基盤モデル（膨大で多様なデータで訓練された大規模人工ニューラルネットワーク）を通じて非構造化データを生成するAIアプリケーション
• 非物理的業務（Nonphysical work）: 物理的な動きではなく、認知的または社会的・感情的能力を含む業務（問題解決、情報処理、創造、他者との協働など）
• 職種（Occupations）: スキル、業務文脈、その他の資格の面で説明可能な、類似した仕事または業務活動を共有する職業の集合。米国では労働統計局が管理する標準職業分類システムが使われる
• 物理的業務（Physical work）: 粗大運動技能、微細運動技能、移動性など、動作ベースの能力を必要とする物理世界との直接的な相互作用を含む業務。一般に、物体、道具、機械の操作または移動、材料の組み立てや配置、人の力や手先の器用さに依存する動作の実行が含まれる
• ロボット（Robots）: 物理世界で業務活動を実行する機械で、人の物理的能力（粗大運動技能、微細運動技能、移動性）を拡張または代替する
• スキル（Skills）: 人が業務活動を実行するために用いる知識、能力、属性で、しばしば正式教育、訓練、職務経験を通じて習得される。LightcastとESCOは、スキルに関する市場主導の分類システムを提供している
• 技術的自動化ポテンシャル（Technical automation potential）: 特定のレベルの技術能力によって理論上自動化できる労働時間の割合。各職種の詳細な業務活動分析を通じて、米国経済全体の技術的自動化ポテンシャルを評価する。米国労働統計局とO*NETが公開するデータベースを用いて、約800の職種を約2,000の活動に分解し、現在人間が職場で実行している方法に基づいて、各活動に必要な能力を決定する
• 業務活動（Work activities）: 職種の目標を達成するために人が行うことを示す観察可能な業務行動。米国ではO*NETが詳細業務活動（DWA）として公式に分類している
• ワークフロー（Workflows）: 定義された目標に向けて仕事を集合的に前進させる構造化された業務活動の連続で、プロセス（ルール、依存関係、情報の流れなど）によって導かれ、人と技術の両方を含む