第1 自動化された会話と,自動化された職業は違う
生成AIが作業を代行した会話の割合は,従業員の何割が失職するかを示す数字ではない。
雇用への影響を説明するときは,利用ログ,利用者の認識,将来の予測,実際に起きた雇用変化を分ける必要がある。
Anthropicの2026年6月の報告書Cadencesは,利用ログと利用者調査を組み合わせている。
仕事の変化を検討する材料にはなるが,日本の従業員全体を代表する雇用予測ではない。公式報告書
2026年5月の日本の対象会話では,自動化47.45%,協働・支援52.55%という分類になる。
これは会話の進め方を分析したものであり,47.45%の職業,労働時間又は労働者が不要になるという意味ではない。
一つの職業にも,資料を集める,判断する,説明する,承認する,実行後に確認するなど複数の仕事が含まれる。
文章の下書きを任せられても,事実確認,相手方への説明,最終判断まで任せられるとは限らず,作業の一部と職業全体を対応させて検討する必要がある。
| 見かけが似ている数字 | 実際に測っているもの | 人事判断で不足する確認 |
|---|---|---|
| 自動化の割合 | 対象会話の相互作用の型 | 仕事全体の構成,必要な人の関与 |
| AIができると回答した仕事の割合 | 利用者が考える代替可能性 | 正確性,例外処理,責任,実地での成否 |
| AIを使っている仕事の割合 | 回答者の利用状況 | 未利用の理由,使用権限,費用,教育 |
| 失職すると思う人の割合 | 将来についての自己予測 | 実際の離職・採用・配置変更の追跡 |
第2 利用者調査の回答者は,労働者全体の縮図ではない
報告書の利用ログと結び付いた調査は約9,700人を対象とし,2026年5月半ばから6月初めの利用を扱う。
利用との接続分析では1人当たり最大20会話を用い,対象会話が5件未満の人を除くなどの条件がある。
Claudeの利用者からの任意回答であるため,AIを使わない人や利用頻度の低い人を十分に代表しているとはいえない。
回答者のコンピューター・数理分野は約30%で,米国の就業者構成の約4%より大きい。
管理職は回答者の約23%を占める一方,会話を職業タスクへ分類した場合の管理分野は約4%であり,実際の職業と会話の内容も一致しない。
日本の特定部署へそのまま当てはめる前に,自社の職種・役割・AIへのアクセスの違いを確認したい。
第3 4種類の「AIへの曝露」を分ける
報告書では,仕事がAIの影響を受け得る範囲を表す「曝露」について,次の4種類を区別している。
利用ログで観測される範囲,参照研究による理論上の範囲,回答者の現在の認識,12か月先への予想は,同じ測定ではない。
| 指標 | 何を表すか | 混同しやすい点 |
|---|---|---|
| 観測上の曝露 | 職業のタスクのうちClaudeでの実施がログ上観測される範囲 | 回答者本人が使っている仕事の割合とは限らない |
| 理論上の曝露 | 参照研究が大規模言語モデルで理論的に可能と考える範囲 | 現在の利用や現場での実証とは別である |
| 現在の自己申告上の曝露 | AIが単独でできると回答者が考える仕事の範囲 | 実際の成否・正確性を測ったものではない |
| 将来の予想上の曝露 | 12か月先にAIが単独でできると考える範囲 | 予想であり,将来の確定値ではない |
現在と将来についての設問は,AIを実際に使った割合ではなく,単独でできると考える割合を尋ねたものである。
12か月先は調査時点を起点とし,その後の記事を読む日から1年後という意味ではない。
回答は5つの割合区分で集められ,分析では区分の中間値などを使う。
実際の時間計測ではなく,区分内のどの割合かも確定しないため,小数点付きの推計係数を精密な個人予測と考えるのは適切でない。
プライバシー保護のための集約や標本条件も,係数や区分境界の解釈に影響する。
区分の中間値を用いると,最も低い回答もゼロより大きく,最も高い回答も100%より小さく符号化される。
原典は,この端点の圧縮により関連の傾きがゼロへ近付く方向の偏りがあるとして,係数の精密な大きさより定性的な比較を重視している。
小さな標本の職業をプライバシー保護のため近い曝露の職業とまとめる処理も,個々の職業の確定値とは区別したい。
所得水準,現在又は近い役割での職務経験年数,利用の型などと回答内容との関連は観察できるが,関連があるだけでは原因を特定できない。
ここでの職務経験年数を,Claudeを使い始めてからの年数に置き換えてはいけない。
低所得国や職務経験の浅い層ほどAIができる範囲を高く答える関連も,その層の仕事を実際により多く代替できるとの実証ではない。
AIを使ったから楽観的になった可能性のほか,もともと楽観的な人がよく使う可能性なども残る。
第4 「10%」や「38%」を失業率にしない
回答者の約10%は,自分の仕事を失う可能性が高い又は非常に高いと答えている。
これは利用者の将来予測であり,調査後に10%が実際に失職したという追跡結果ではない。
約38%という値の分母は,自分の失職を「可能性が高い・非常に高い」と答えた回答者である。
その層が予想の理由としてAIに言及した割合だが,理由を尋ねた質問は職務内容の変化と失職を合わせていた。
ここでの職務内容の変化は転職と同じではなく,また,本人の失職をAIのせいと考える割合についても,38%は厳密な推計値ではなく上限として扱う必要がある。
10%と38%を掛けて,日本のAI失業率を作ることもできない。
報告書では,自動化的に利用する人の楽観度が高いという関連も示される。
これも観察上の関連であり,導入さえすれば従業員が安心するという因果効果の証明ではない。
第5 時短や技能向上の回答は,実測で確かめる
調査では,仕事を速くできる86%,より多くできる82%,より良くできる69%,従来なら外部サービス等に支払っていた費用を節約できる27%などの回答が報告されている。
また,68%が新しいことを学ぶのに役立つ,57%が技能をより価値あるものにすると答える。
いずれも回答者の認識であり,時間記録,成果物の採点又は技能試験で同じ効果を確認した数値ではない。
特に,AIを使うことで技能が衰えないと断定することはできない。
職場では,作業を終えた時間だけでなく,出典を確認する力,AIなしでも説明できるか,誤りに気付いて訂正できるかを業務に応じて確認したい。
| 確認する場面 | 先に決めること | 導入後に残す記録 |
|---|---|---|
| 時短の評価 | 同じ業務範囲・難度・品質基準 | 指示,確認,手直し,障害対応を含む人の時間 |
| 技能の評価 | 本人が説明・判断できる到達点 | 修正理由,出典確認,例外事例への対応 |
| 人員・配置の検討 | 残る仕事と新たに増える仕事 | 引継ぎ,監督,教育,顧客対応の負担 |
第6 属性別の差を,個人の適性評価に使わない
利用ログと結び付いた分析対象では女性が約12%であり,職種等を調整してもCodeの利用や自動化の型に男女差が観察される。
この比較は男性又は女性と自己申告した人に限った分析であり,他の属性を含むすべての性別について同じ比較を行ったものではない。
この12%は当該分析標本の構成であって,すべてのClaude利用者や日本の労働者の男女構成ではない。
集団の利用差から,特定の職員の能力,意欲又はAIに向くかどうかを判断することはできない。
導入時は,職種,アカウントの付与,利用できる時間,研修,入力できるデータなどの条件をそろえて確認することが重要である。
利用回数だけで評価すると,担当業務や利用権限の違いを本人の成果の差へ置き換えてしまう。
第7 10年後への希望は,実現予測や権利の説明ではない
報告書は,AIが経済を変える10年後に何を望むかという自由記述を,仕事の意味,独立・裁量,余暇,仕事以外の生活,繁栄の分配・経済的安定,安全で利用しやすいAI,大きな課題の解決,日常の意思決定への浸透,成長・生活水準,自分の収入・資産,制度・市民生活,その他の12テーマに分類している。
これらは希望の整理であり,その時期までに実現するとの予測や,現在の法的権利の一覧ではない。
企業がAIによる業務再設計を行う場合にも,統計上の自動化率だけで労働条件の変更や解雇の有効性は決まらない。
権限,安全性,従業員への説明と支援を,適用される法令・契約に沿って個別に検討することになる。
具体的な労務管理については,AI上司と使用者責任及び生成AIの利用を含む業務命令と労働時間も参照されたい。