- AIが最も大きく脅かしているのは 低所得層ではなく高学歴・高賃金の職種：AIの影響は「簡単な仕事」ではなく「良い仕事」に先に及ぶ
- プログラマーが最も露出した職業の第1位。カバレッジ75%で全職種の中でも最上位だが、実際にコーディングエージェントを最も多く使っているのも開発者本人という逆説的な状況
- AIが原因で解雇される人はまだいないが、新卒採用の門は静かに閉じつつある：既存社員を切るのではなく、新たに採用しない形でAIが人を代替
- 理論上AIが代替可能な業務の大半は、まだ代替されていない：コンピュータ・数学職群では理論上のカバレッジは94%だが、実際は33%にすぎない。今後埋まる余地がそれだけ大きいという警告
- 女性と高学歴者のほうがAI代替リスクにより多くさらされており、女性比率が16%p高い。一般にはAIが「男性のブルーカラー職」を脅かすと考えられがちだが、データは正反対を示している
主な発見 (Key Findings)
- 「観測露出度（observed exposure）」 は、LLMの理論的可能性と実際の利用データを組み合わせて、自動化中心の業務活用度を測定する指標
- 自動化された利用と業務関連の利用により高い重みを付与
- 実際のAI利用は理論的可能性の一部にすぎず、AIが実行可能な作業のうち実際に使われている比率は低い
- 露出度の高い職業ほど、米国労働統計局（BLS）の2034年までの雇用成長率予測が低い傾向が見られる
- 高露出職業群の従事者は平均して、女性比率が高く、学歴が高く、賃金水準が高く、年齢も高い
- 2022年末以降、失業率の体系的上昇を示す証拠はないが、若年層の新規採用鈍化が観測されている
研究の背景と目的
- AIの労働市場への影響を測定・予測しようとする研究は急増しているが、従来アプローチの予測精度には限界があった
- オフショアリングに脆弱な職業と分類された職の約25%が、10年後も堅調な雇用成長を維持した事例が代表的
- 産業用ロボットの雇用影響研究は相反する結論を出しており、中国との貿易ショックによる雇用損失規模も依然として論争中
- この研究の目的は、AIが雇用に与える影響を測定するアプローチを確立し、新しいデータが得られるたびに分析を定期的に更新すること
- AIの影響が明確になる前にフレームワークを構築することで、事後分析よりも経済的混乱をより信頼性高く特定できる
因果推論と比較基準 (Counterfactuals)
- COVID-19のように効果が大きく急激な場合は因果推論が容易だが、AIの影響はインターネット普及や中国貿易ショックのように、集計データにはすぐ現れない可能性がある
- 一般的なアプローチは、AI露出度が高い職群と低い職群の結果を比較し、交絡変数からAI効果を切り分けること
- この研究もタスクベースのアプローチを採用し、理論上のAI能力測定と実利用データを組み合わせて職業単位で集計している
露出度の測定方法
- 3つのデータソースを組み合わせる：
- O*NETデータベース：米国の約800職業の業務タスクリスト
- Anthropic Economic Index に基づく実際のClaude利用データ
- Eloundou et al.(2023) のタスク別理論露出度推定値（β）：LLMがタスク速度を2倍以上高められるなら1、追加ツールが必要なら0.5、不可能なら0
- 理論的に可能なタスクが実利用に現れない理由として、モデルの限界、法的制約、ソフトウェア要件、人間による検証段階などがある
- 例：「薬局に処方情報を伝え、薬の再処方を承認する」は理論露出度 β=1 だが、実際のClaude利用では観測されない
- 理論露出度と実利用は高い相関を示しており、過去4回のEconomic Indexレポートで観測されたタスクの 97% が β=0.5 または β=1 のカテゴリに該当した
観測露出度 (Observed Exposure) 指標
- 観測露出度 は、LLMが理論上高速化できるタスクのうち、実際の業務環境で自動化された形で使われる比率を定量化する
- 職業の露出度が高くなる条件：
- そのタスクがAIで理論上可能で、Anthropic Economic Indexで有意な利用頻度を示すとき
- 業務関連の文脈で使われるとき
- 自動化比率が高い、またはAPI実装方式であるとき（自動化は full weight、拡張的利用は half weight）
- AI影響タスクが職務全体に占める比率が大きいとき
- 理論カバレッジ（青）と実際の観測露出度（赤）の差は大きく、AIは理論的能力に大きく届いていない状態
- Computer & Math 職群：理論カバレッジ 94%、実際のカバレッジ 33%
- Office & Admin 職群：理論カバレッジ 90%
最も高い露出度の職業群
- 観測露出度ベースの上位10職業のうち、上位3つ：
- Computer Programmers：カバレッジ75%（コーディングでClaudeが広範に使われている）
- Customer Service Representatives：1st-party APIトラフィックで主要タスクが増加傾向
- Data Entry Keyers：元文書を読み取ってデータを入力する主要タスクで自動化が顕著で、カバレッジ67%
- 全労働者の 30% はカバレッジ0で、タスクが最小閾値に達していない
- 該当グループの例：料理人、オートバイ整備士、ライフガード、バーテンダー、食器洗浄係、更衣室スタッフ
露出度とBLS雇用見通しの関係
- BLSの2024〜2034年職業別雇用成長見通しと観測露出度を比較した結果、露出度が高いほど成長見通しは弱い
- カバレッジが10%p増えるごとに、BLS成長見通しは 0.6%p低下（雇用水準加重回帰ベース）
- Eloundou et al. の理論的 β 指標だけではこの相関は現れない → 観測露出度のほうが独立して有効な予測指標であることを示唆
高露出職群従事者の人口統計学的特性
- ChatGPT公開直前（2022年8〜10月）時点で、露出度上位25%と露出度0%グループを比較：
- 高露出グループは女性である確率が 16%p高い
- 白人である確率が 11%p高く、アジア系である確率は約2倍
- 平均賃金が 47%高い
- 大学院修了者比率：非露出グループ4.5% vs 高露出グループ 17.4%（約4倍差）
失業率分析の結果
- 分析の優先指標として 失業率 を選んだ理由：就業意思はあるが職を見つけられない状態を最も直接的に捉えられるため
- 2016年以降の失業率トレンドを見ると、COVID-19期には非露出（対面職の比率が高い）グループの失業率がはるかに大きく上昇した
- ChatGPT公開以降、高露出グループの失業率変化は 統計的に有意ではない（わずかに上昇したが、0と区別できない水準）
- このフレームワークで検知可能なシナリオ例：
- 上位10%が全員解雇される場合、そのグループの失業率は3% → 43%、全体失業率は4% → 13%
- 「ホワイトカラー大不況」シナリオ（上位25%の失業率が3% → 6%に倍増）もこの分析で検知可能
若年層の採用鈍化の兆候
- Brynjolfsson et al.(2025) は、22〜25歳労働者の高露出職群での雇用が 6〜16%減少しており、これは主に解雇増加ではなく採用減少によるものだと分析
- この研究では、高露出職群の若年層の失業率そのものは横ばいを維持している
- 採用減少は失業率に表れない可能性がある：多くの若年新規参入者がCPSに職業を登録しないか、労働市場自体から離脱する可能性があるため
- CPSパネルデータを活用し、22〜25歳の新規就業率を高露出職群／低露出職群に分けて追跡
- 2024年から高露出職群への参入率が視覚的に低下し始めた
- 低露出職群の月次就業率は2%で安定している一方、高露出職群への参入率は約 0.5%p低下
- ChatGPT以後の期間平均推定値：2022年比で高露出職群の就業率が 14%低下（統計的にはかろうじて有意な水準）
- 25歳超の労働者ではこのような減少は観測されない
- ただし別の解釈もありうる：採用されなかった若年層が既存の職にとどまったり、別の職業を選んだり、学業に戻った可能性
研究の限界と今後の計画
- 現在用いられている Eloundou et al. 指標は、2023年初頭のLLM能力基準であり更新が必要
- 今後はClaude利用データを継続的に反映し、タスク・職業別カバレッジの推移を更新する予定
- 高露出分野の学位を持つ最近の卒業生が労働市場でどのように対応しているかを追跡することが重要な後続課題
- このフレームワークは、他の利用データや他国の文脈にも拡張適用できる
1件のコメント
Hacker Newsの意見
この10年間 Big Tech で働いていて、1か月前に退職した
会社の外で働くと、生産性が50倍になったように感じる
AIが生産性に与える影響を見ると、LLMは (1) ボイラープレートコードの作成、(2) 言語間のコード変換、(3) 新しい概念の学習と要約、(4) ドキュメント化のような単純作業に強い
しかし大企業では、こうしたことは頻繁には起きない。ほとんどの時間を会議とシステム統合に使う
AIが本当に役立ったのはハッカソンのときだけだった。それ以外では、むしろ仕事が増えた
一方で独立して働くと、4つすべてで大きな 生産性向上 を実感する。法的問題やデプロイバグの心配も少ない
結局のところ、「誰が使うか」によってAIはゲームチェンジャーにもなれば、そうでもなくもなる
しかしAIに人生の root access を与えると、失望しか残らない。AIには常に アーキテクトの統制 が必要だ
私はAIにメールを書かせるが、送信は自分で行う。データアクセスは許可しても、最終判断は自分で下す
MongoDB時代の教訓のおかげで、新技術には慎重に向き合っている。今はElixirで直接ラッパーを作り、Ash framework と Phoenixで自動化を構築した
複数のモデルを並列で使い、1社が私のデータをすべて把握できないようにしている。本当の課題は プライバシー だ
ただし大企業ではコードを書くことは業務全体の20%程度なので、残り80%が依然としてボトルネックだ
AIで生産性向上を感じられないという人たちに聞きたい。どこで詰まるのか？
私は 以前のコメント でワークフローを説明したが、レガシーコードベース でも手順の半分を減らせた
今ではほとんど自分でコードを書かず、LLMが提案した変更をレビューするだけだ。結果は恐ろしいほど良い
仕事が速くなったなら、もっと多くの仕事をすればいい。利益を地域社会に還元し、実質的な価値 を生み出している
しかし複雑なコードでは、むしろ 品質低下 につながる。保守しやすいコードが欲しいなら、自分でやるほうがよい
初期実装は速かったが、デバッグ段階ははるかに長くかかりそうだ
指示を無視してコード整理をめちゃくちゃにし、むしろコストが5倍に増えた
それでも12月以降改善したという話もあるので、また試してみるつもりだ
Stack Overflowの代替レベルにとどまっている
私はコード作成よりも 運用と保守 を担当している
これまでAIは私の業務にほとんど影響を与えていない。むしろ Docker のほうがはるかに大きな変化をもたらした
基本的な関数すら正しく作れず、論理エラーも多い
クラウド、Terraform、Ansibleのような技術のほうが、はるかに大きな変化をもたらした
ウィキ文書 にあるように、技術は見えているが統計には表れない時期だ
今では PMとエンジニアリングマネージャーの削減 まで検討中だ。35年のキャリアで最大の変化だ
小さなNGOなので、AIのおかげで同じ資金でより多くの仕事をこなしている。その結果、学習速度と品質 も向上した
しかし仕事量は減らない。むしろもっと多くの仕事をするようになる
開発者として生産性は2倍になったが、業務量はそのまま だ
期待値も一緒に上がるので、結局 スケジュールが圧縮 されただけだ
今進めているプロジェクトは、AIなしでは試みることすらできなかった規模 だ
それでもなお、LLMの出力を完全には信用していない。SwiftLint を回すのさえ怖い
それでもプロジェクトの速度はものすごく速くなった。以前なら2年かかっていたものが、1か月で半分以上完成した
AIの実際の影響は大きくないと思う
AIをうまく使う人は少しだけ生産的になるが、それを示すと 仕事が10倍に増える
本当の変化があるのは インディー開発者やフリーランサー だ
AI製品を売る会社の言うことは 信用しない
マーケティング部門の同僚は、会社承認のLLM（Gemini）では 見せかけの仕事 しかせず、
本当の仕事は個人アカウントの Claude で処理している
理由は、会社がプロンプトを収集して 自分を代替するモデルを学習させるのではないかと恐れているから だ
会社で ジュニア採用を中止 した
今では彼らがやっていた仕事をAIに任せるほうが効率的だ
ただしこれは一時的な調整局面だ。今後 専門性の形 が変われば、採用は再開されるだろう
問題はAIではなく、収益構造 のようなマクロ経済要因だ
もしかするとClaudeのログで 露出頻度だけから影響力を推定 したのではないかと疑っている
それはまるで スネークオイルの売り手 が自分の顧客を調査して「医者は不要だ」と主張するようなものだ
データ解釈が完全に 歪んだ前提 の上に立っている