昨日、Anthropicが調査レポート『エージェンティック・コーディングと専門知識の持続的リターン』を発表しました。
このレポートは、約40万回のClaude Codeセッションのデータに基づき、直感に反する結論を明らかにしています：コーディング・エージェントは専門家を淘汰するのではなく、真にビジネスを理解している人々を報いる。
核心データによれば、エージェンティック・コーディングにおいて、人間が約70%の計画決定（何をするか）を担い、Claudeが約80%の実行決定（どう実装するか）を担う。「人間が何を作るかを決め、エージェントがどう作るかを決める」という構図です。
さらに驚くべきことに、非ソフトウェア職のユーザーのコーディング成功率は、ソフトウェアエンジニアとほぼ同等です（検証済み成功：26%対30%、部分的成功：88%対89%）。上位10職業群の成功率の差はすべて7パーセントポイント以内に収まっています。
真の差を生むのは、プログラミング能力ではなく、ドメイン専門知識です。エキスパートユーザーは、初心者ユーザーの2.4倍のClaudeアクションを1回の指示で引き出し（12対5）、出力テキスト量は5倍（3,200語対600語）に達します。
トラブル発生時、初心者の放棄率は19%に達するのに対し、中上級ユーザーはわずか5〜7%。しかし重要な発見は：初心者から中級への飛躍が最大のリターンを生み、中級からエキスパートへの限界効用は小さい。「そのドメインでの実務的習熟が大部分のメリットを捉え、深い専門化はわずかな上積みしかもたらさない」
7ヶ月間で、デバッグ系セッションの占有率が33%から19%へ激減し、ソフトウェア操作、データ分析、ドキュメント作成が倍増。タスクの経済価値は平均25%上昇、構築系タスクでは43%の伸びを記録。
レポートが示唆するのは、労働市場の大洗い替えです：「管理者のように振る舞うこと」がより高い成功率をもたらすとき、ビジネスを理解する人＋AIツールが、コードを書ける人を置き換えつつある。
以下はレポート全文——
『エージェンティック・コーディングと専門知識の持続的リターン』
主要な発見
先行研究を基盤として、我々はインタラクティブなエージェンティック・コーディングを研究するフレームワークを導入しました。これは、2025年10月から2026年4月の間に実施された約40万回のClaude Codeセッションのプライバシー保護分析に基づいています。タスク構成、人間と機械の協働、成功率を評価しています。
典型的なセッションでは、人間が大部分の計画決定（何をするか）を行い、Claudeが大部分の実行決定（どう実装するか）を行います。セッションに持ち込むドメイン専門知識が多ければ多いほど、Claudeは1回の指示あたりより多くの作業を完了します。
コーディング・タスクにおいて、各主要職業の成功率——ユーザーが設定した目標を、テスト通過や作業提出といった検証可能な証拠を伴って完了する割合——は、平均的に見てソフトウェアエンジニアとほぼ同等です。
ドメイン専門知識が豊富な人ほど、セッションが成功で終わる可能性が高い——ただし、中級ユーザーとエキスパートユーザーの差は小さい。
観察期間の7ヶ月間で、デバッグに費やされるセッションの割合はほぼ半減し、用途はよりエンドツーエンドなエージェント利用へシフトしました：コードのデプロイと実行、データ分析、非コード文書の作成。
この7ヶ月間で、典型的なタスクの推定経済価値——フリーランス求人掲載との比較により算出——は、ほぼすべての作業タイプで上昇しました——平均で約25%。
はじめに
エージェンティック・コーディングが飛躍しました。2025年末以降、コーディング・エージェントの活動を含むGitHubプロジェクトのシェアは2倍以上に増加し、Claude Codeユーザーは現在、週平均20時間このツールを使用しています。
正式なコーディング経験のない人が、エージェントを指揮して複雑な技術作業を成功させられるのか？ これらのツールの急速な採用と改善は、ナレッジ・ワーク全体に何を意味するのか？ 完全な答えはまだ出ていませんが、Claude Codeの利用データから初期シグナルを探ります。
本レポートは、2025年10月から2026年4月の間に約23万5千人によって実施された約40万回のインタラクティブ・セッションのプライバシー保護分析に基づき、Claude Codeが実践でどう使われているかのエビデンスを提供します。
これは、Claude Codeセッションにおける自律性の測定およびClaude CodeがAnthropicの仕事をどう変えたかに焦点を当てた先行研究の上に成り立っています。
ここでは、インタラクティブAIコーディング・アシスタントの利用を記述するフレームワークを導入します：どんな作業をしているか、誰が何をしているか、そして成功しているか。コマンドラインインターフェース（CLI）、Claude.ai、Claude Codeデスクトップ・アプリを通じたClaude Codeの利用に焦点を当てます。
モデル能力の向上に伴いエージェンティック・コーディング利用がどう変化するかを追跡することで、これらのツールがコーディング専門家とナレッジ・ワーカーの労働市場にどう影響するかをよりよく理解できます。
Claude Codeで起きていることは、エージェントが非コーディング作業に組み込まれるにつれ、ナレッジ・ワークがどこへ向かうかのプレビューかもしれません。Claudeがより複雑で価値の高いタスクを処理するようになっていることがわかります。同時に、エージェンティック・コーディングには明確な分業が存在し続けています：人間が何を作るかを決め、エージェントがどう作るかを決める。
また、コーディング熟練度ではなくドメイン専門知識が、ツールの効果的利用を増幅するというエビデンスも見つかりました。特に、ドメイン・エキスパートはより頻繁に成功し、エラーや誤解からより容易にリカバリします。
しかし、エキスパートと中級ユーザーのギャップは小さい——ある分野での習熟があれば、深い熟達者とほぼ同等にツールを効果的に使えることを示唆しています。
これらの発見は、労働市場がどうシフトするかの初期的な解釈を与えます。
我々のデータでは、成功はその人が解決しようとしている問題をどれだけよく理解しているかに依存し、コーディングの訓練を受けているかどうかに依存しません。
これらのパターンが経済全体で持続するなら、エージェンティック・コーディング・ツールが実装中心の仕事の一部を吸収している一方で、仕事で解決される問題に対する確固たる理解を持つ人々を報いていることを示唆します。
コーディング・エージェントはドメイン専門知識を代替しない——働き手がエージェントに持ち込む理解が深ければ深いほど、エージェントはより高品質な仕事を完了できる。
分業
人々はClaude Codeで何をしているか
人々がClaude Codeで何をしているかを理解するため、各セッションを9つの作業モードのいずれかに分類しました——セッションが達成しようとしている単一の活動を最もよく説明するものです。
4つのモードは直接的なコードの作成または保守に関わります：新規構築、破損修正、コード・テスト、他エージェントのオーケストレーションまたは自動化パイプライン。
別のカテゴリはソフトウェア操作——デプロイ、設定、パイプライン実行、システム監視。
2つのカテゴリは「何をするか」の決定により関わります：既存システムの仕組み理解、変更前の計画。残り2つはコードと無関係なアクション、またはコードが最終成果物に付随するものを取ります：データ分析、プレゼンテーションやその他の散文ベースのドキュメントによるコミュニケーション。
約56%のセッションが、コードの作成（25%）、修正（26%）、テストとオーケストレーション（5%）を含みます。ソフトウェア操作が17%、14%が計画や探索、13%が分析や散文の生成です（図1）。
図1：9つの作業モード 各インタラクティブ・セッションは、達成しようとしている単一のモードを最もよく説明するものに分類されます。
各セッションを、モデルに記録を読ませて分類し、その後、プライバシー保護分析ツールを用いて、各セッションで自動記録されるテレメトリー・データ（コード行の追加・削除の有無など）と照合しました。
両ソースは高い一貫性を示しました——例えば、分類器がコード作成・修正とマークしたセッションの90%以上が、テレメトリー・データでもコード変更を示していました。
誰が何を決めるか
Claude Codeの自律性はどの程度か？ 能力評価では上限が高く上昇中です：METRの時間スパン評価などのベンチマークでは、最前線モデルが人間なら数時間かかるソフトウェア・タスクを自律的に完能し、途上の障害を克服できます。
しかし実利用はどうでしょうか。ここでは、実際のセッションで人間とClaudeがそれぞれどの程度の意思決定を行っているかを見ます。
2つの角度から検証します。第一に、人々がどの程度意思決定をClaudeに委任しているか。第二に、Claudeにどの程度のアクションを与えているか。
セッション内の意思決定分業を理解するため、セッション内容に基づくプライバシー保護の意思決定帰属分類器を構築しました。分類器に、セッション内のすべての意味ある決定を列挙させました。
これらを計画（何をするか、どのアプローチを取るか、何が完了条件か）と実行（どのファイルを変更するか、どのコードを書くか、どの言語を使うか、どのコマンドを実行するか）に分類。各決定をClaudeまたはユーザーに帰属させ、各セッションに2つの数値を与えました：ユーザーの計画決定シェアとユーザーの実行決定シェア。
平均的に、人間は約70%の計画決定を行うが、実行決定はわずか20%のみです（図2）。実践において、エージェンティック・コーディングには明確な分業が存在します——人間が何を作るかを決め、エージェントがどう作るかを決める。
セッション内のアクション委任を理解するため、コンテンツではなくセッション構造を見ます。Claude Codeセッションは、ユーザーからのプロンプトとClaudeによるアクションの応酬で構成されます——ユーザーがプロンプトを書き、Claudeが作業し、ユーザーが次のプロンプトを書く、というサイクルです。典型的なセッションでは、約4回のこうした往復があります。
2025年10月から2026年4月の履歴データでは、ユーザーが送信した1プロンプトあたり平均約10のClaudeアクションを触発——ときには100を超えます。各ラウンドで、Claudeはファイルを読み、コードを編集し、コマンドを実行し、平均2,400語の出力を書き出します。
チェックポイント間でClaudeが完了する作業量は、誰が意思決定を行っているかに大きく依存します。ユーザーが実行を制御し続ける場合（実行決定の80%以上を行う）、Claudeの1ラウンドあたりのアクションは少なくなります（約8アクション）。
Claudeが計画を制御する場合（計画決定の80%以上を行う）、最多のアクションを取ります（約16アクション）。
図2：Claudeの計画・実行決定におけるシェア
セッションにおける、ユーザーではなくClaudeに帰属する計画決定（何をするか）のシェアと実行決定（どう実装するか）のシェアの分布。典型的なセッションでは、ユーザーが約70%の計画決定を行い、Claudeが約80%の実行決定を行います。
専門性レベル
各記録から、Claudeがユーザーの明示的専門知識を、初心者からエキスパートまでの5段階で評価します。
専門知識分類器は3つのシグナルを見ます：ユーザーが指示をどれだけ正確に表現するか、Claudeに何を検証させるか、ユーザーがClaudeを修正する傾向があるか、逆にClaudeがユーザーを修正する傾向があるか。専門知識は、職位や一般能力とは異なるものを捉え、重要なことに、タスク固有であることに注意してください。
Rust初心者のシニア・エンジニアは、Rustにおいては初心者です。Pythonを一度も使ったことのない経理担当者が、Pythonスクリプトに実行させるべき照合ルールを正確に伝え、月末締めでエッジ・ケースの処理漏れを発見すれば、そのタスクではエキスパートです。
下表は、分類器における各専門レベルの定義と、エージェンティック・コーディング・セッションの公開データセットSWE-chatからのリクエスト例を示します。初心者と分類された会話は、暗黙のドメイン固有知識を含まない汎用的な指示を与えます。エキスパートの会話は、コードベースと技術環境への深い理解を伝えます。
表1：専門知識分類器
例は、分類器がフラグ付けした実際のセッションを意訳・匿名化・要約したものです。表で使用されている多くのセッションは、エージェンティック・コーディング・セッションの公開データセットSWE-chatからのものです。
専門知識と、Claudeの1プロンプトあたりの出力・活動の関係を定量化しました。典型的な初心者セッションでは、1プロンプトあたり約5つのClaudeアクションと約600語の出力を触発するのに対し、エキスパート・セッションではアクション連鎖が2倍以上（12アクション）、出力は5倍（3,200語）を運びます（図3）。
この初心者とエキスパートのギャップは、あらゆる作業タイプとタスク価値帯で現れます。
これらの指標は、先のClaude Codeレポートにおける自律性の測定を補完します。そちらは、エージェントがどれだけ長く動作し続けるか、人々がどれだけ頻繁にそのアクションを自動承認するかを追跡しました。
対照的に、我々の意思決定帰属測定は、セッション全体を通じて誰が実質的な決定を下すかを捉え、1プロンプトあたりの出力・アクション測定は、各人間プロンプトがどれだけのClaude自律活動を触発するかを測ります。
図3：Claudeはより専門的なユーザーに対し、1プロンプトあたりより多くの作業を行う
Claudeは、より専門的なユーザーに対し、1プロンプトあたりより多くのアクション（左）とテキスト出力（右）を生成する。箱は四分位範囲をカバー（中央値で分割）。ヒゲは第5〜第95パーセンタイルを表す。白い点は幾何平均。両方の上昇トレンドは統計的に有意（p < 0.001）、各隣接レベルのステップも有意。作業モード、タスク価値、月、職業、モデル・ファミリーを制御した回帰でも有意（専門レベルごとにアクション9%増、出力13%増）、標準誤差はユーザーでクラスタリング。
誰がClaude Codeを使い、何に使っているか
ユーザー
誰がこの作業を行っているかを知るため、セッション記録から各ユーザーの職業を推定し、労働統計局標準職業分類（SOC）の23主要グループのいずれかにマッピングしました。
分類器には、セッション開始時にエージェントが読み込むプロジェクト文脈、そのファイル名と構造、参照される成果物（法的文書、臨床データ、財務報告、カリキュラム等）、使用語彙などのシグナルのみに依拠するよう指示しました。コーディング行動をコーディング職業のエビデンスとみなさないよう明示的に指示しています。
ソフトウェアやデータ作業がユーザーの本業である明確なシグナルがある場合のみ、セッションをコをコーディングSOCコード（コンピュータおよび数学職業）に分類します。弁護士が契約書の欠落条項を自動フラグ付けするスクリプトを構築するセッションは、作業の主体がソフトウェアであっても、法務職業にマッピングされます。ユーザー職業に関するシグナルがない場合、セッションは未分類のままです。
約70%のセッションで職業を推定できました。このグループでは、コンピュータおよび数学職業——ほとんどのソフトウェア関連仕事をカバーするカテゴリ——が unsurprisingly 最大グループです。次いでビジネス・金融オペレーション、芸術・デザイン・メディア、管理、生命・物理・社会科学。サンプルで最も成長が速い非ソフトウェア職業群は、管理、営業、法務職業です。
作業
2025年10月から2026年4月の間、Claude Codeで完了される作業の構成が大きく変化しました。
最も顕著な変化は、破損コード修正に費やされるセッションのシェアが33%から19%へ低下したことです（図4）。代わりに、コード周辺の作業シェアが増加しています。ソフトウェア操作が14%から21%へ。執筆とデータ分析が概ね倍増し、約10%から20%へ。
タスク自体もより価値あるものになっています。各セッションの経済価値を、フリーランス市場での相場を尋ねることで近似し、実在の公開データセットで較正しました。この尺度では、平均セッションの推定価値が10月から4月にかけて27%上昇しました。
この成長は多様な作業に適用されます。構築、操作、修正タスクの価値がそれぞれ約43%、34%、32%伸びました。
これらの価格推定は粗いものなので、主に時点間のタスク比較に用い、文字通りのドル価値として解釈しません。
図4：2025年10月〜2026年6月のClaude Code作業の構成と価値
7ヶ月窓における各作業モードのセッション占有率。破損コード修正セッションが33%から19%へ低下、ソフトウェア操作、データ分析、文書作成の占有率が増加。
成功はユーザーが何を持ち込むかに依存する
タスクの推定価値は、Claude Codeが人々の仕事をどう助けているかを知る1つの方法です。もう1つの角度は、どれだけのセッションが成功し、セッションのどの特徴が成功と相関するかを見ることです。
すべての成功測定において、明確なパターンが見られます：セッションで人が示す専門知識が多いほど、セッションが成功する可能性が高い。
大部分のメリットは、専門レベル尺度の下位——初心者セッションと中級セッションのギャップが、中級とエキスパートのギャップより大きいです。
成功セッションの特徴に移る前に、成功の測定方法を正確に述べます。ユーザーの実世界の結果を観察できず、直接Claudeから望むものを得られたか尋ねることもできません。
代わりに、記録ベースの2つの補完的測定に依拠します。第一の判定成功は、完全な記録を読み、人が自ら設定したことを成功裡に完了したか判断する分類器から来ます（選択肢：成功、部分的成功、失敗、明確な目標なし）。次に2つのコンパニオン分類器が、その判断の証拠の強さを評価し、検証済み成功を決定します。成功シグナル分類器は、成功の検証可能な証拠を探します。
具体的には、作業と一致するGit活動（コミット、プルリクエスト）、テスト・スイート通過、ユーザーの明示的確認を探します。「シグナルなし」から「弱いシグナル」（1）から「複数のハード・シグナル」（5）までスコアリングします。
並行して、失敗シグナルがエラー、テスト失敗、リトライ、ユーザーの出力への反対など、問題の証拠をスコアリングします。検証済み成功には、セッションが成功と判定され、かつ少なくとも1つのハードな検証可能成功シグナルを持つことを要求します。
以下、セッションの成否の程度に焦点を当てた分析では、成功結果分類器によって「明確な目標なし」と判定されたセッションを除外しました。これは完全サンプルの約7.7%を占めます。
専門知識のリターン
では、どんなセッションが最も成功するのか？ 上記のセッション専門知識評価が、セッションの成否を左右する鍵となります。
専門知識が真の駆動要因でない懸念もあるかもしれません——おそらくエキスパートは単に異なるタスクを選ぶだけ、または他の点で異なるだけかもしれません。
本節では、同じタイプの作業、同じ推定価値、同じ月、同じテーマ、同じ広範な職業グループに属する人々のセッションを比較し、人の評価された専門知識が結果にどう影響するかを問うことで、この懸念に部分的に対処します。
表2：分類器による成功と失敗の定義
例は、エージェンティック・コーディング対話の公開データセットSWE-chatからの実際のセッションを意訳・要約し、分類器がフラグ付けしたものです。
すべての成功測定において、セッションで人が示す専門知識が多いほど、セッションが成功する可能性が高い。初心者と評価されたセッションが、最も厳格な測定——検証済み成功——に達するのは15%、少なくとも部分的成功となるのは77%。中級以上と評価されたセッションが検証済み成功に達するのは28〜33%、少なくとも部分的成功となるのは91〜92%です（図5）。
すべての測定において、大部分のメリットは初心者から中級への移行で生じ、中級とエキスパートの間では傾斜が緩やかになります。付録で、図5の背後にある回帰の詳細を示します。
図5：専門知識とセッションの結末
ユーザーのそのタスクにおける評価専門知識（初心者からエキスパートまでの5段階）別のセッション結果。左パネルは全セッションを含む。中と右パネルは、トラブルに遭遇したセッション（失敗シグナル>3）に限定し、各種成功・失敗定義で終了した割合を示す。各点は調整済み比率——同じ作業モード、同じタスク価値帯、同じ月、同じタスク・テーマ、同じユーザー・タイプ（ソフトウェア関連職業か否か）を共有するセッションのみを比較することで、専門レベル間の差を推定。これらの点の背後にある回帰の詳細は付録に。ヒゲは標本平均の信頼区間（多くはこの図では小さすぎて不可視）。これらの図は、成功結果分類器によって明確な目標なしと判定されたセッションを除外しています。
途中で課題に直面したセッションでも類似の勾配が現れます。失敗シグナルが失敗の検証エビデンスを記録するとき、そのセッションは「トラブルに遭遇した」と言います。これはエラー、テスト失敗、同一作業の複数回試行、ユーザーのフラストレーションや不満表明などです。トラブルに遭遇したセッションにおいて、上記すべての制御を考慮しても、検証済み成功の割合は、初心者評価セッションの4%からエキスパート評価セッションの15%へ上昇します（図5）。より緩やかな測定を見ると、少なくとも部分的成功の割合は、初心者で60%、中級〜エキスパートで80〜81%です。
逆の関係——専門知識と各種失敗測定——も追跡しました。この分析では、部分的成功すら達成していないセッションを失敗と判定します。トラブルに遭遇したセッションが「放棄された」とは、失敗と判定されかつコード行が書かれていない場合——ユーザーが放棄したように見える——を指します。初心者に見えるユーザーのセッションの19%が最終的に放棄されたのに対し、その他は5〜7%です。
つまり、最も経験の浅いユーザーは、追求していた成果の実現に苦労するとき、より放棄しやすい。専門知識の価値の一部は、エージェントを正しい方向へ導く能力のようです。
職業より専門知識が重要かもしれない
ソフトウェア関連職業の人々は、セッションの約30%で検証済み成功に達する一方、その他職業のユーザーは約26%です。コード生成セッション（少なくとも1行のコードを追加・修正したセッション）に限定すると、これらの数字はそれぞれ34%と29%です（図6）。
ソフトウェア関連職業とその他職業のギャップは、より緩やかな成功定義では縮小します——両グループとも、コード生成セッションで少なくとも部分的成功に達する割合はそれぞれ89%と88%です。
この5ポイントの差は小さく、7ヶ月間で拡大も縮小もしていません。データセット中の上位10職業それぞれが、検証済み成功においてソフトウェア・エンジニアの7パーセント・ポイント以内に収まっています。
管理職が検証済み成功で最も高く、ソフトウェア・エンジニア職をわずかに上回ります。彼らの高い検証済み成功率は、エージェントを指揮する管理スキルの移転を反映しているかもしれません。しかし、我々の測定の一部を反映している可能性もあります：検証は記録内の明示的確認に部分的に依拠しますが、管理者は求めたものを得たときにより積極的にコミュニケーションする傾向があるかもしれません。
図6：推定職業別のコーディング・セッションにおける検証済み成功率と判定成功率
少なくとも1行のコードを追加または変更したセッションにおいて、ユーザーの推定職業グループ別の、厳格な成功定義——判定成功と検証済み成功——を満たすセッションの割合。上位10グループについて。各グループは、ソフトウェア/数学ユーザー（SOCコード：コンピュータおよび数学職業）の7パーセント・ポイント以内に収まる。誤差バーは、異なるアカウントで計算した95%信頼区間。
展望
本レポートの結果は、エージェンティック・コーディングが特定の知識・スキルを増幅し、他方を代替する様子の予備的な絵を提供します。コード生成セッションにおいて、すべての主要職業の成功率がソフトウェア関連職業の数パーセント・ポイント以内にあります。コーディング・エージェントは、成功するプログラミングにおけるコーディング経験の関連性を低下させているようです。
同時に、成功するセッションほどドメイン専門知識を示す傾向があります。エキスパートと評価されたセッションは、初心者セッションの2倍以上の頻度で検証済み成功に達し、セッションがトラブルに遭遇したとき、遇したとき、初心者がセッションを放棄する比率は他の数倍です。協働の形態がこの絵にさらなる色彩を添えます——ドメイン・エキスパートは、与える各指示でClaudeにより多くの作業をさせることができます。
したがって、Claudeを成功へ導く能力は、コードを書く能力よりも、ドメインへの習熟から生まれます。あらゆる分野でこの習熟を持つ人は、以前ならできなかった技術作業ができるようになります。こうした専門知識を全く持たない人は、同じツールからはずっと少ないメリットしか得られません。そしてメリットは主に能力から来て、熟達から来るものではない——ドメインの実務的習熟が大部分のメリットを捉え、深い専門化はわずかな上積みしかもたらさない。
これらの発見は予備的です。我々の大半の研究と同様、セッションで書かれたコードが実際に使用されるか、その後廃棄されるか、経済的に価値ある成果物を生むかといった、実世界の結果は測定できません。
また、本レポートで除外した非インタラクティブ利用が、活動の相当部分を占めます。これに対する測定フレームワークの開発は、今後の優先課題です。すべてのセッション分類は、モデルによる記録の読解に依拠しています。
付録で、我々の分類器が独立テレメトリー・データを期待方向で追跡し、ほとんどのセッションで強力な参照モデルと一致することを示します。しかし、分類器の大規模検証は依然として困難であり、Claude Codeセッションは長すぎたり複雑すぎたりして、人間ラベルを真の基準とすることが難しいという更なる困難を加えます。
本レポートの絵は、モデル、ユーザー、およびそれらの間の分業が変化するにつれて更新されます。これらの測定により、主要なシフトの発生を追跡できることを期待します。例えば、専門知識のリターンが時間とともに減少し始めれば、それはモデルがユーザーが現在持ち込んでいる基礎的判断を提供し始め、これらのツールのメリットがドメイン・エキスパートを超えて拡大しつつあることを示唆します。
ソフトウェア職業以外のユーザーが成功裡に完了するコーディング・セッションの割合が増え続ければ、それはソフトウェア生産が、単一職業の産物ではなく、あらゆる分野の日常業務の一部になりつつあることを示唆するかもしれません。
これらのシフトは、誰がエージェンティック・コーディングから恩恵を受け、どの程度受けるかを変え、労働市場で最も評価されるものに影響を与えるでしょう。