Anthropicのobserved exposureが示す露出の高い職業と若年層の採用鈍化

Anthropicの経済研究チームが2026年3月5日に公開した論文「Labor market impacts of AI」は、AIに置き換えられやすい職業を測る新しい物差し、observed exposure(観測された露出)を提案しました。結論は二面あります。露出が高い職業の筆頭はコンピュータープログラマーで、タスクの75%がClaudeの実利用でカバーされています。一方で、露出の高い労働者の失業率が系統的に上がった形跡は見つからず、変化が見えるのは22〜25歳の採用ペースだけでした。

数字

論文の主要な数字

• プログラマーのカバー率

  75%

  露出が最も高い職業

• 露出ゼロの労働者

  30%

  料理人、バーテンダーなど

• BLS予測の伸びの差

  -0.6pt

  カバー率が10pt高いごとに

• 若年層の就職率の低下

  14%

  22〜25歳、統計的にぎりぎり有意

observed exposureは何を測る指標か

observed exposureは、LLMが理論上速くできるタスクのうち、実際に仕事の場面で使われているものがどれだけあるかを職業ごとに数えた指標です。「できる」ではなく「使われている」側に寄せたところが、従来の露出指標との違いです。

材料は3つあります。

• O*NETデータベース: 米国のおよそ800職業に紐づくタスクの一覧
• Anthropic Economic Index: Claudeの利用データ
• Eloundou et al.(2023)のタスク別露出推定: LLMだけでタスクを2倍速にできるかの評価

Eloundou氏らの指標βは、LLM単独で2倍速にできるタスクを1、ツールやソフトウェアの追加が要るタスクを0.5、それ以外を0とする3段階です。

職業の露出が高くなる5つの条件

論文は、次の条件に当てはまるほど職業の露出が高いと整理しています。

計算の流れは補遺に書かれています。仕事関連のClaude.ai利用が100件以上(全体の0.0025%)あるタスクだけを「カバー済み」と数え、それ未満は露出0にします。そのうえで、完全に自動化された利用には満点、人間の作業を補助する利用には半分の重みを付けます。最後にタスクごとの値を、各タスクに充てる時間の割合で重み付けして職業の値にまとめます。

補遺は具体例も挙げています。医療情報技師の「患者データを標準分類で抽出・コード化する」タスクは、職務時間の13%を占めると推定されています。観測件数は2,000件超で、βは0.5、APIでの利用が9割を超えるため自動化の係数は0.96です。これが医療情報技師の高いカバー率を押し上げています。

職業の値の読み方にも注意書きがあります。カバー率が0.10違う2つの職業は、1日のうちAIが担う割合が10ポイント違うのかもしれませんし、自動化の割合が20ポイント違うのかもしれません。純粋な「仕事の何%をAIが代替」ではありません。

理論上の能力と実際の利用はどれだけ離れているか

差は大きく開いています。論文のキー・ファインディングの1つが「実際のカバー範囲は、実現可能な範囲のごく一部」です。

職業の大分類で見ると、βにもとづく理論上の余地は、コンピューター・数学系で94%、事務・管理系で90%です。ところがClaudeが現在カバーしているのは、コンピューター・数学系のタスクの33%にとどまります。

一方で、理論と実利用はよく連動してもいます。過去4回のEconomic Indexで観測されたタスクの97%は、β=0.5または1の「理論上可能」な区分に入っていました。内訳はβ=1が実利用の68%、β=0はわずか3%です。

論文は、理論上は可能でも使われていない例を1つ挙げています。「処方薬のリフィルを承認し、薬局に処方情報を伝える」タスクはβ=1とされていますが、Claudeがこれを実行する様子は観測されていません。モデルの限界のほか、法的制約、特定ソフトウェアの要件、人間による確認の工程などで普及が遅れる場合があると説明されています。

最も露出が高い職業と、露出がゼロの30%

露出が最も高いのはコンピュータープログラマーで、カバー率は75%です。次にカスタマーサービス担当者が続きます。この職業は主要なタスクが自社向けAPI(ファーストパーティAPI)経由のトラフィックに増えているのが理由です。データ入力担当者は、元資料を読んでデータを入力する中心業務の自動化が進み、67%がカバーされています。結論部では、金融アナリストも露出の高い職業に挙げられています。

反対側の端では、労働者の30%がカバー率ゼロです。そのタスクがデータ内にほとんど現れず、利用量の下限に届かないためです。例として、料理人、バイク整備士、ライフガード、バーテンダー、皿洗い、試着室係が挙がっています。

ここでの「ゼロ」は、AIが原理的に関われないという意味ではありません。補遺の言い方に従えば、利用量の下限を満たさなかったという観測上の結果です。

BLSの雇用予測とは、わずかに連動する

米国労働統計局(BLS)の2025年公表の雇用予測は、全職業について2024〜2034年の増減を示しています。論文はこれと自分たちの指標を、現在の雇用者数で重み付けした職業単位の回帰で比べました。

結果は「露出が高い職業ほど、伸びの予測がやや弱い」です。カバー率が10ポイント上がるごとに、BLSの予測する伸びは0.6ポイント下がります。論文自身が「関係はわずか」と書いており、独立に作られた労働市場アナリストの予測と同じ方向を向く、という程度の裏づけです。

見逃せないのは、Eloundou氏らの理論的な指標だけで同じ分析をしても、こうした相関は出なかった点です。実利用を織り込んだ指標のほうが、BLSの見立てとの整合が取れています。

露出の高い労働者は、どんな人たちか

ChatGPT公開前の2022年8〜10月について、米国の現在人口調査(CPS)で、露出が上位4分の1の労働者と露出ゼロの労働者を比べています。

高収入・高学歴の層ほど露出が高いという構図が、数字として出ています。肉体労働が先に置き換わるという直感とは逆向きです。ただし、ここで測っているのはあくまで「Claudeの利用が観測されているタスクの多さ」で、仕事が消えるかどうかではありません。

失業率は、露出の高い層でも上がっていない

論文が最優先の結果指標に選んだのは失業率です。理由は、失業が経済的な被害に最も直接つながるからです。求人数や雇用者数の減少は、関連する別の職種の求人増で打ち消される可能性があります。CPSには、失業者が直前の職業と産業を答える設問があり、この追跡に向いています。

結果は、COVID期には対面仕事の多い低露出層のほうが失業率の上昇幅が大きく、その後は両グループがほぼ同じ推移をたどっています。ChatGPT公開後の差の変化は小さく、統計的にゼロと区別がつきません。補遺では、露出の定義の閾値を変えても、失業保険受給者のデータで確かめても、同じ結論が保たれています。

この枠組みで見つかる規模はどれくらいか

論文は、この分析で何が検出できるかも試算しています。

• 信頼区間から、グループ間で約1ポイントの失業率の差は検出できる
• 露出上位10%の労働者が全員解雇された場合、上位4分の1の失業率は3%から43%、全体では4%から13%になる
• 「ホワイトカラー版の大不況」にあたる想定で、上位4分の1の失業率が3%から6%に倍増する場合も、分析に現れるはず

ここで効くのは、比較の対象が「露出の高い層」と「低い層」の差である点です。全労働者の失業率が並行して上がる局面は、AIのせいとは扱いません。

若年層の採用だけが鈍っている

失業率が動かなくても、労働市場に入る手前で変化が起きているかもしれません。Brynjolfssonらは、露出の高い職業で22〜25歳の雇用が6〜16%減ったと報告しており、主因は離職ではなく採用の鈍化だとしています。

Anthropicの分析は、この点をCPSのパネル構造で確かめました。22〜25歳が新しい職に就く月次の割合を、高露出の職業と露出ゼロの職業で比べています。

• 低露出の職業への就職率は、月2%前後で安定している
• 高露出の職業への就職率は、2024年ごろから約0.5ポイント低下する
• ChatGPT以降の平均では、2022年に比べて就職率が14%下がる
• 25歳超の労働者には、同様の低下は見られない

14%の低下は「ぎりぎり統計的に有意」と論文は書いています。解釈にも留保が付きます。採用されなかった若者は、現職にとどまった、別の職に就いた、学校に戻った、のいずれかかもしれません。職の移り変わりは、サーベイでは測定誤差が出やすいという指摘もあります。

若年層の失業率そのものは、高露出の職業で横ばいでした。CPSでは、これから労働市場に入る人は職業欄が空で、失業者として数えられずに労働市場を去る場合があります。そのため採用の鈍化が失業率に現れにくいと、論文は説明しています。

なお、論文は3月8日に図7を訂正しています。上位4分の1と露出ゼロの流入率のラベルが逆になっていた誤りの修正です。引用するときは訂正後の版を参照する形になります。

この指標を読むときの限界

論文自身が挙げている弱点は、次のとおりです。

限界

論文が認めている弱点

• 理論側の古さ

  Eloundou氏らの指標は、2023年初頭のLLMの能力に結びついています。更新の余地があると書かれています。

• 利用データはClaudeのみ

  観測しているのは、Anthropicのプラットフォーム上のClaude利用にもとづくデータです。

• 職業間の重複

  O*NETでは複数の職業に同じタスクが出てきます。補遺は、似たタスクをまとめて雇用者数の割合で配分する処理をしたと書いています。

• サーベイの測定誤差

  CPSは調査データのため、行政データより誤差が出やすくなります。職の移り変わりは特に影響を受けます。

補遺はさらに、この指標は「AI利用の深さ」を測らないと述べています。たとえば、同じ職業でデバッグに使うかメール下書きに使うかの違いは区別されません。

日本の読者がこの数字を使うときの注意

論文のデータは、O*NET、BLS、CPSのいずれも米国のものです。職業の分類やタスクの構成が違う日本の労働市場にそのまま当てはめた分析ではありません。

使える部分は、考え方です。理論上の可否ではなく実際の利用を見る、自動化と補助を分けて重みを変える、失業率だけでなく採用の動きも追う、の3点は、日本の職種を考えるときの物差しとして持ち帰れます。数字は米国の話として読む前提が必要です。

他のAnthropicの調査と並べて読む

observed exposureは単独の研究ではなく、複数の調査の共通の物差しになっています。

当事者の実感との関係は、Economic Indexの調査で確かめられています。露出が10ポイント高いごとに、AIが自分の仕事を置き換えつつあると感じる人の割合が1.3ポイント上がり、露出の上位4分の1は下位4分の1の3倍の頻度でその不安を挙げました。調査の詳細はEconomic Indexの8.1万人調査にまとめています。

物理作業の側からは、ロボットの露出指数が別の物差しとして作られました。そちらはLLMの理論上の露出と組み合わせて比較されており、詳しくはロボット露出指数の記事が扱っています。

失業した人をどう支えるかという対策側の証拠は、職業訓練のランダム化試験56件の再分析にあります。調査の開始経緯はEconomic Index Surveyの発表から追えます。

まとめ

observed exposureが示すのは、AIの影響が「これから起きる」のではなく、「使われた分だけ測れる」状態に入ったことです。職業ごとのカバー率は、プログラマーの75%から料理人などの0%まで大きく開いています。

失業率には現れていないが、若年層の採用には小さな変化が出ている、というのが最も慎重な読み方です。14%という数字は有意性が弱く、論文自身も別の解釈を並べています。確定した結論というより、今後の更新で追うべき最初のシグナルです。論文は、露出の高い分野の卒業生がどう就職しているかの追跡を次の課題に挙げています。