大規模言語モデルがどれだけの人の職を奪ったのかは、何千万もの労働者を不安にさせる未解決の謎でした。
Anthropicは、実際の使用データに基づいた研究を公開し、現在の労働市場がAIに直面している実態を明確に描き出しました。
研究者は空虚な理論予測を避け、米国政府の職業データベースと大規模言語モデルの実際の使用記録を交差検証し、各職業が実際にどの程度代替されたかを正確に測定しました。
最新のデータによると、機械への曝露度が高い労働者は一般的に高齢で、学歴と収入も高い傾向にあります。
大規模な失業潮が到来するかどうかは依然として懸念されていますが、22歳から25歳の若者の高曝露職業への就職率は、目に見える形で減少しています。
実使用データによる失業リスクの再定義
過去の研究は、技術が労働市場に与える影響を予測する際に、十分な予見性と正確さを欠いていました。
かつて権威ある学者は、米国の仕事の25%がオフショアアウトソーシングの影響を受けやすいと宣言しましたが、10年が経過してもこれらの職種は生き生きとしていました。
政府機関の公式予測も過去の直線的傾向に基づいて外挿するだけで、突発的な技術的激変を捉えることは極めて困難でした。
産業用ロボットや国際貿易が実際にどれだけの失業をもたらしたのかについて、学界ではまだ激しい議論が続いています。
過去の失敗を繰り返さないため、研究者は「観測された曝露度」という新しい測定フレームワークを構築しました。
このツールは、職場での実際の技術代替行動を正確に捕捉し、高リスクな職業に事前に警告を発するために特別に設計されています。
それは高精度のレーダーのように、虚偽の技術的脅威を完全にフィルタリングし、実際に実現した産業変化のみを記録します。
新しいフレームワークは、3つの次元の核心データセットを巧みに融合しています。
約800の米国固有の職業の具体的なタスクを網羅するO*NET（職業情報ネットワーク）データベースを深く統合し、100万件以上の実際の相互作用を記録したAnthropic独自の経済指数を導入しました。
研究者は同時に、2023年に学界で確立されたタスク曝露度推定基準を採用し、大規模言語モデルが理論的にあるタスクの速度を2倍以上に引き上げられるかどうかを測定しました。
先行研究では、各職場タスクに明確なスコアが設定されました。大規模言語モデルによって完全に引き継がれるものは1点、追加のソフトウェアツールの補助が必要なものは0.5点、代替手段が全くないものは0点とされました。
理論的に可能であることと、実際にビジネスプロセスに投入されていることは、全く別の問題です。
多くの仕事は理論的には機械がこなせるものですが、厳しい法的制約、硬直的なソフトウェアのハードル、または必須の人的チェック工程により、実際の応用はごくわずかです。
例えば、処方箋医薬品の補充に関する承認付き薬局業務は、過去の理論ではAIによるスピードアップが完全に可能と判定されましたが、実際の使用記録にはその痕跡は一切見られませんでした。
測定結果を職場の現実にもっとも近づけるため、研究者はClaudeの実際の使用状況を詳細に統計し、チャートを作成しました。
以下の図1は、理論的タスク曝露度におけるClaudeの使用量の分布を示しています。
これは、理論予測に基づくタスクの実際の使用状況分布を明確に示しています。
理論的に大規模言語モデルが単独でこなせる高リスクタスクは、実際の使用量の68%を独自に貢献しました。理論的実現可能性が全くないと判定されたタスクは、わずか3%のシェアに過ぎませんでした。
理論的実現可能性と実際の使用量は高い正の相関を示しています。
実際の業務応用の97%が理論的実現可能性の範囲内に正確に収まっており、学界の過去の判断が概ね正しいことを証明しました。
現実の応用と理論的限界の差を直感的に示すため、研究者は職業の主要カテゴリごとに比較レーダーチャートを作成し、まるで各業界の機械浸透の深さをX線撮影したようなものです。
以下の図2は、各職業カテゴリにおける理論的能力と観測された曝露度の実際の比較を示しています。
多くの職業において、理論的上限を示す青色の領域は異常に充実しています。
コンピュータと数学のカテゴリではタスクの94%が理論的浸透の余地を持ち、事務・行政カテゴリーでも90%のタスクがAIによる加速に極めて適しています。
実際の赤色のカバレッジは理論的限界には遠く及ばず、コンピュータと数学分野の現在の実際の浸透率は33%に過ぎません。
技術の進化と商業化の普及に伴い、埋められていない真ん中の空白地帯は徐々に食い尽くされていくでしょう。
木の剪定などの農業の純粋な肉体労働や、依頼人の代理で法廷で弁護するなど、ハードコアな法務業務は、依然として機械の能力の境界外にしっかりと留まっています。
研究者は複数の指標に基づいて最高曝露職業のリストを作成し、自動化によって代替されつつある中核的なタスクを特定しました。
以下の表は、最も大きな打撃を受けた上位10の職業と、それらがAIによって大規模に引き継がれた具体的な業務内容を詳細にリストしています。
首位のコンピュータプログラマーの日常タスクのカバー率は74.5%に達しています。
これは現在のソフトウェア開発のシナリオと完璧に一致しており、膨大な量のコード記述や通常のテスト作業はすでに大規模モデルによるバッチ処理に委ねられています。
その後に続くカスタマーサービス代表やデータ入力員も同様に危険な状況にあり、複雑なソースファイルの読解やシステム入力が前例のない速度で機械に代行されています。
約30%の労働者は依然として絶対的な職業の安心感を保っています。
彼らは観察データベースにおける曝露度がゼロであり、関連するタスクが実際の相互作用記録で極めて低い頻度で現れています。
料理人、オートバイ修理技師、ライフガード、バーテンダー、皿洗い、試着室のサービス係などは、絶対的な安全な陣営に属し、日常的な純粋な手作業は仮想コードに代替されるリスクがありません。
高曝露職業の実際の姿と未来
誰が嵐の中心に立っているかを明確にした後、労働市場における高曝露職業の巨視的な方向性をさらに明確にする必要があります。
BLS（米国労働統計局）は慣例通り2024年から2034年までの雇用予測を発表し、研究者はこれらの公式予想と新たに測定された実際の曝露度を厳密に比較しました。
測定結果は非常に弱い負の相関を示しました。
曝露度が10ポイント増加するごとに、公式が示す10年間の職業成長予想は0.6ポイント低下します。
官僚的なアナリストたちが各自の専門的判断に基づいて示した予想結果は、実際の使用記録から導き出された結論と基本的に同調していました。
以下の図4の散布図は、この傾向を非常に直感的に証明しています。
グラフの各点は、異なる曝露度レベルにおける職業の平均予想雇用成長を表しています。
曝露度が右側に向かって上昇するにつれて、全体の雇用成長予想は緩やかに低下する落下軌跡を示しています。
レジ係のような本来縮小している職種は左下に位置し、プログラマーやカスタマーサービス代表はそれぞれ右側の高リスク・低予想地帯に深く沈んでいます。
研究者はChatGPT発表の3ヶ月前のCPS（現行人口調査）の詳細なデータを取得し、影響を受けた人々の実際の輪郭を深く描き出しました。
彼らは曝露度上位25%の労働者と全く曝露リスクのない集団を抽出し、極めて詳細な人口統計学的比較を行いました。
高曝露集団と安全集団は、まるで全く異なる平行世界から来たかのようです。
高曝露集団では女性の割合が15.5ポイント高く、白人の割合が10.6ポイント高く、アジア系の割合はほぼ倍増しています。
彼らは一般的により体裁の良い収入と高い学歴背景を持ち、平均時給は安全集団より47%高く、組合組織にはほとんど加入していません。
以下の人口調査比較表から、よりミクロな基盤的な違いを見ることができます。
曝露のない集団では大学院卒業者の割合は4.5%ですが、最高曝露集団ではこの高学歴エリート層が17.4%まで急上昇しています。
約4倍の大きな格差は、従来の機械化革命が低学歴のブルーカラーを標的にするという客観的な法則を完全に打ち破り、高給の知識型労働者がむしろアルゴリズムによって正確にロックされた狩猟対象となったことを示しています。
正確なプロファイルを得た研究者は、最終的に職場で最も残酷な失業率指標に焦点を当てました。
人が仕事を失って次の仕事を探さなければならない状況は、技術的激変がもたらす経済的トラウマを最も直感的に示します。
研究者は人口調査の歴史的フィードバックを活用し、最高リスク集団に対して極めて厳格な失業追跡を行いました。
以下の図6は、2016年以降の2つの集団の失業率の進化の歴史を完全に表示しています。
上半分の赤線は高曝露集団を示し、青線は無曝露集団を表しています。
パンデミック期間中、オフラインの対面サービスに従事し、新技術から隔離された無曝露集団は大きな失業の苦痛を被り、失業率は崖っぷちのように急騰しました。
下半分の二重差分モデルは、ポストパンデミック時代における両者の安定した並行軌道を完璧に裏付けています。
2022年末にChatGPTが出現して以来、高曝露集団と安全集団の失業率の格差は全く変動していません。
2つのデータの平均変動は統計的に完全に無視できる微小な程度であり、高リスク職種の失業率は技術によるものとは確認できない極小の波紋をわずかに立てたに過ぎません。
広範な労働者は一時的に胸を撫で下ろすことができます。
様々な断定的なホワイトカラーの衰退は全く発生しておらず、2007年から2009年の大不況期間中、全体の失業率は5%から10%に倍増しました。
最高曝露集団の失業率がわずか3%から6%に増加しただけでも、極めて敏感な二重差分モデルは瞬時に波形の振動を捉えることができました。
大規模モデルの現在のカバレッジは一部の段階にゆっくりと浸透しているだけで、労働者の全職を直接奪うにはほど遠いです。
高曝露職業における若者の就職の困難
全体の失業率の大局は磐石のように見えますが、特定の集団の底流は急速に方向を変えています。
若者は極度に内巻化した労働市場において極めて敏感なカナリアの役割を果たし、業界の酸素の希薄さを最も先に感知します。
関連する学術報告では、曝露度が極めて高い職業における22歳から25歳の若者の雇用率が6%から16%の顕著な減少を示していることが発見されました。
学者たちは、減少の首謀者を直接、企業の採用側での大幅な縮小に結び付け、単純粗暴な直接解雇ではないと指摘しました。
社会に出たばかりの新人は、まだ公式統計に固定された職業称号を持つ前に、一般的な失業率指標では彼らの状況の悪化が見えにくくなっています。
仕事が見つからない新人は、さらに学業を続けたり、労働力から静かに撤退したりして、統計上の不可視の人間になる傾向があります。
研究者はCPS（現行人口調査）の極めてユニークなパネル追跡属性を活用し、若者が新しい採用通知を受け取る確率を直接統計しました。
彼らは月ごとに、22歳から25歳の若者が以前に持っていなかった高曝露または低曝露の新しい仕事に成功して就職した人数を測定しました。
以下の図7は、若者の氷と火の二重の現実の就職状況を非常に明確なトレンドで描いています。
上半分は若者の2つの職種における月次入社割合の変化を直感的に示し、下半分のモデル計算は2つの線の開いた残酷な格差を正確に測定しました。
前年のパンデミックによる極端な振動を完全に排除すると、生命を象徴するこの2つの入社曲線は2024年に隠しようのない完全な乖離に向かいました。
技術の嵐から隔離された安全な職種に対する若者の吸収率は極めて堅調で、毎月安定して2%の新鮮な血液を受け入れています。
高曝露職種の扉は若手求職者に向けてゆっくりと閉じつつあり、全体の入社割合は約0.5ポイントも低下しました。
ポストChatGPT時代に入ると、高曝露職種の若者の受け入れ成功率は2022年より14%も低下しました。
この就職の抵抗は、25歳未満の初級職場新人に対してのみ威力を発揮し、25歳以上で職場で長年鍛えられたベテランには全く無害です。
企業がAPIを導入して初級プログラミング、顧客の質問対応、または基礎的なデータ処理を全面的に引き継ぐと、確かに苦力を分担するための大量のインターン採用は不要になりました。
自動化による代替は、既存の従業員に解雇通知を発行して完了するのではなく、ほとんどが採用を静かに凍結することによって、新しい世代の求職者の参入資格を直接断ち切る形で進行しています。
高給の業界の門を拒否された若者は、最終的に周辺的な職を彷徨うことになるかもしれません。
極めて冷静なデータは全員に警鐘を鳴らしました。機械は即座にベテランの職を奪うわけではありませんが、静かに職場新人の成長の踏み台を食い尽くしています。
企業がAIツールを活用して人間と機械の協働を実現し、既存チームの生産性の上限を向上させた結果、自然と新人の入りのチャネルを遮断しました。
参照資料：
https://www.anthropic.com/research/labor-market-impacts
終了