Economic Index Primitivesとは — Claude利用を測る5つの指標

Economic Index Primitivesとは何か

Anthropicは2026年1月15日、Anthropic Economic Index(AEI)の第4弾レポートで「economic primitives(経済プリミティブ)」という測定の枠組みを導入しました。Claudeとの会話1件ごとに、タスク複雑度・スキル水準・用途・AIの自律度・成功可否という5つの基礎指標をClaude自身に推定させ、経済的な影響を継続的に追跡する仕組みです。

これまでのAEIは、職業別のタスクカバレッジや国・州別の利用状況といった個別のレンズで会話データを切り出していました。Primitivesはそれらの土台になる共通の物差しで、同じ5つの質問を毎回の会話に適用することで、レポートをまたいで比較可能な指標を作っています。今回のサンプルは2025年11月の会話(主にClaude Sonnet 4.5使用時)から抽出されました。

5つのプリミティブの中身

Anthropicが定義した5指標は次のとおりです。

タスク複雑度は「デバッグ」のような単純作業から「コードベース全体のリファクタリング」まで幅がある問題に対応するための指標で、AI・人間それぞれの所要時間と、1つの会話で複数タスクを扱っているかどうかを組み合わせて推定します。スキル水準は、人間がAIなしでその作業を代替できるかどうかと、プロンプト・応答の理解に必要な教育年数の両方から構成されます。

タスクの複雑さと高速化率の関係

Primitivesを使った最初の発見は、複雑なタスクほど高速化率が高いという結果です。プロンプトの理解に高校卒業程度(12年教育)が必要なタスクは、Claude.ai上で9倍の高速化。大学卒業程度(16年教育)が必要なタスクでは12倍まで上がりました。APIではこの倍率がさらに高くなります。

成功率で調整するとこの傾向はやや弱まります。大学卒業レベルのタスクの成功率は66%、高校卒業未満のタスクでは70%です。つまり複雑なタスクは成功率がわずかに下がるものの、高速化率の伸びの方が上回るため、複雑なタスクほど得られる恩恵が大きいという結論は成功率調整後も残ります。

職業別カバレッジ — 「見かけの影響度」と「実効影響度」のズレ

Primitivesは職業への影響度測定も精緻化しました。従来のAEIは「その職業のタスクのうち何割がClaudeの利用対象に含まれるか」というタスクカバレッジだけを見ていました。第1弾レポート(2025年1月)では36%でしたが、レポートを重ねるごとに上昇し、現在は49%まで達しています。

Primitivesでは、成功率(タスクの実施頻度・所要時間で重み付け)を掛け合わせた「実効AIカバレッジ」を新たに算出しています。両者を突き合わせると、単純なタスクカバレッジだけでは見えなかった差が出てきます。

この結果は、単に「Claudeがそのタスクに触れているかどうか」ではなく「実際に成功裏に完了できているか」まで見て初めて、職業ごとの影響度の実像に近づけることを示しています。

タスクの中身 — 高スキルタスクへの偏り

さらにPrimitivesは、Claudeがカバーしているタスクが、その職業の中でも高スキル側なのか低スキル側なのかを見分けられるようにしました。O*NETデータベース全体のタスクは平均13.2年の教育水準を要求するのに対し、Claude.aiで実際に使われているタスクは平均14.4年(米国の準学士号相当)でした。Claudeは職業内でも相対的に高い教育水準を要するタスクを多くカバーしている、という結果です。

Anthropicはこれを踏まえ、「もしClaudeが現在カバーしているタスクを職業から取り除いたら、その職業の構成は平均して脱スキル化(deskilling)方向に動く」という試算も示しています。技術文書作成者・旅行代理店の担当者・教師などが影響を受けやすく、逆に不動産管理者のような一部の職業は反対方向に動くとされています。ただしAnthropicはこれを「脱スキル化が実際に起きる」という予測とは位置づけておらず、労働市場が動的に調整する可能性を留保しています。

集計インパクト — 生産性押し上げ効果は1.8ポイントから1.2ポイントへ

AEIはこれまで、AIの普及が米国の労働生産性の成長率を年間1.8ポイント押し上げる可能性がある(トレンドのおよそ2倍)と推計してきました。Primitivesを使うと、この推計を再検証できます。

タスクの高速化率だけを根拠にすると、APIデータを加えても同じ1.8ポイントという結果が再現されました。ところが、成功率で調整した実効的な時間短縮を使うと、推計は3分の1ほど下がります。

成功率調整後の1.0〜1.2ポイントでも、1990年代後半〜2000年代前半にかけての米国生産性の成長率と同じ水準に相当する規模です。Anthropicはこの試算がモデル性能の向上や企業での利用の高度化を織り込んでいない点を明記しており、Claude Opus 4.5のリリース以降さらに数字が動く余地を残しています。

国別に見た用途の違い

Primitivesは国別分析にも接続されており、国・州別の格差はClaude利用の国別格差で先行して詳しく扱われています。1人あたりGDPが高い国ほど、Claudeは仕事や私生活での利用に偏り、GDPが低い国ほど教育コースワークでの利用が目立つという「導入曲線」的な傾向が確認されました。この傾向は、AI利用と所得水準の関係を分析したMicrosoftの調査結果とも方向性が一致します。

Anthropicはこの知見を踏まえ、ルワンダ政府と技術研修団体ALXとの提携で、AIリテラシー教育から始めて一部の修了者にClaude Proへの1年間アクセスを提供するパイロットを進めています。教育利用から幅広い用途への移行を後押しする狙いです。国別の詳しい実例はオーストラリア編やカナダ編のカントリーブリーフでも確認できます。

従来指標の更新 — 8月の逆転から協働型へ再逆転

Primitivesと並行して、Anthropicは2025年1月から11月までの推移データも更新しています。まず、利用の集中度は変わっていません。Claude.ai上の会話には3,000種類のユニークな業務タスクが含まれますが、上位10種で全体の24%を占め、この割合は2025年1月の21%からさらに上昇しました。

もう1つの大きな変化が、augmentation(協働型の利用)とautomation(自動化型の利用)の力関係です。Claude.ai全体では、augmentationが52%、automationが45%となりました。8月の調査ではautomationが49%対47%で優勢だったため、今回はそこから再び逆転した形です。それでも1年前(2025年1月)の55%対41%、3月の55%対42%という長期の推移で見ると、いずれもaugmentationがリードしており、8月を挟んで両者が拮抗と再逆転を繰り返しています。

地理的な集中も継続しています。米国・インド・日本・英国・韓国が引き続きClaude.ai利用の上位を占め、1人あたりGDPで利用量がよく説明できる関係は変わりません。一方、米国内では州間の利用格差が縮小しており、このトレンドが続けば2〜5年以内に米国内の利用がほぼ均等化するとAnthropicは予測しています。

Primitivesが変えるものは何か

Primitivesの意義は、単発の統計を積み上げることから、同じ物差しで継続比較できる指標体系へ移行した点にあります。従来のAEIは「今回のレポートで新たに何が分かったか」という単発の発見が中心でしたが、Primitivesは今後のレポートで同じ5指標を追跡し続けることで、AIの経済的影響がどう変化していくかを時系列で捉える土台になります。

生産性押し上げ効果の推計が成功率調整で1.8ポイントから1.2ポイントへ下方修正された事実は、この枠組みの誠実さを示す一例です(この推計手法や算出根拠はAIの生産性向上をどう定量化するかでさらに詳しく扱われています)。速度だけを見れば派手な数字が出ますが、実際に完了できたかどうかまで加味すると数字は控えめになります。Anthropicが両方の数字を並べて公開したことで、読者は「速いが失敗率も高い」領域と「速くて成功率も高い」領域を区別して読めるようになりました。

今後のレポートでタスクがClaude.aiからAPI、つまり消費者利用から企業利用へと移っていく様子が観測されれば、それ自体がPrimitivesを使って測れる新しい経済的シグナルになります。Economic Index Cadencesのような時間軸分析や、Economic Index Surveyによる質的調査と組み合わせることで、定量・定性の両面からAIの労働市場への浸透度を継続的に追跡する体制が整いつつあります。

まとめ

• Primitivesはタスク複雑度・スキル水準・用途・AI自律性・成功可否の5指標で、会話ごとに共通の物差しを与える枠組み
• 複雑なタスクほど高速化率が高く(12年教育で9倍、16年教育で12倍)、成功率で調整しても傾向は残る
• 職業別の「見かけのタスクカバレッジ」と「成功率まで加味した実効カバレッジ」にはズレがあり、データ入力担当者・放射線科医は見かけ以上に、教師・開発者は見かけほど影響を受けていない
• 米国労働生産性への押し上げ効果は、高速化率だけなら1.8ポイントだが、成功率で調整すると1.0〜1.2ポイントに下方修正される
• augmentationは8月にautomationへ譲った首位を今回取り戻し、直近半年は拮抗と逆転を繰り返している

Primitivesは今回のレポート単体の道具ではなく、次回以降のAEIが同じ指標で比較を続けるための共通言語です。次のレポートでどの数値がどちらに動くかが、AIの経済的影響を読み解く一次データになります。