Economic Index Primitivesとは — Claude利用を測る5つの指標
Anthropicが導入した「economic primitives」の5指標を解説します。生産性押し上げ効果の推計を1.8ポイントから1.2ポイントへ下方修正した経緯まで追います。
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、同じ質問群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できる指標を作っています。
サンプルは2025年11月の会話(主にClaude Sonnet 4.5使用時)で、Opus 4.5の公開直前にあたります。Claude.aiのFree・Pro・Maxの会話100万件と、自社APIの記録100万件がそれぞれ対象です。前者は主に消費者の利用、後者は主に企業の利用を映します。分類に使った質問(プロンプト)の全文と集計データは、Hugging Faceのデータセットとして公開されています。
5つのプリミティブは何を測るのか
指標ごとに「何を、どう測るか」を並べると次のとおりです。
5つのプリミティブ
タスク複雑度
AIなしで人間が完了するまでの推定時間、AIを使った場合の所要時間、1つの会話で複数のタスクを扱っているかの3点から測ります。同じ「デバッグ」でも、関数内の小さな修正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ため、この指標で区別します。
スキル水準
利用者がAIなしで作業できたか、プロンプトと応答を理解するのに何年分の教育が要るかの2点です。AIが低スキルの仕事を置き換え、高スキルの仕事を補うなら、高度な技能を持つ人の需要が増す技術変化になりうる、という問題意識に基づきます。
用途
仕事・教育・私生活のどれかに分類します。労働市場への影響は仕事での利用から直接生まれ、教育での利用は将来の働き手がAIと組む技能をどこで身につけているかを示します。
AI自律性
利用者が意思決定をどこまでAIに委ねているかを、能動的な協働から完全な委任までの尺度で測ります。自動化がどの速さで進むかを占う材料です。
成功可否
Claudeがタスクを完了できたかを、Claude自身が判定します。自動化が可能かどうかと、何回試せば成り立つかというコストの両方に関わります。
AI自律性は、従来から追ってきた自動化型・拡張型の区別とは別の軸です。「この段落をフランス語に訳して」は、やり取りが少ない点では自動化型ですが、Claudeに求められる判断は少ないのでAI自律性は低くなります。
分類器は全部で9つあり、人間の研究者による評価との突き合わせで選別されました。Claude.aiでは、利用者がフィードバックを返した会話のうち閲覧の許可がある少数で比べています。API側は社内データと合成データでの検証で、どちらも実際のトラフィックの代表ではありません。
検証の過程では、成功可否に限って、凝った分類器より単純な分類器のほうが人間の評価に近い結果が出ました。思考の連鎖(chain of thought)を使ったのは、人間の所要時間・AIを使った所要時間・AI自律性の3項目だけです。Anthropicは、方向は正しいが数値は厳密でも確定値でもない、という位置づけを明記しています。Claude.aiの推定は、必要な教育年数をやや低く見積もる可能性があるとも書かれています。
両極の使い道でプロファイルを比べた例が参考になります。ソフトウェア開発の依頼は人間なら約3.3時間(全体平均3.1時間)、私生活の管理は約1.8時間と推定されました。一方で、人間とAIの協働にかかる時間は、どちらも15分前後です。
複雑なタスクほど速くなるが、成功率は少し下がる
最初の発見は、複雑なタスクほど高速化率が高いことです。プロンプトの理解に高校卒業程度(12年の教育)が必要なタスクは、Claude.aiで9倍の高速化でした。大学卒業程度(16年)のタスクは12倍まで上がります。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、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は70%です。複雑なタスクは成功率がわずかに下がりますが、高速化率の伸びがそれを上回るため、複雑なほど恩恵が大きいという結論は調整後も残ります。
この選択バイアスは、成功率の読み方に直結します。観測された成功率には、モデルの実力に加えて、利用者が「どうせ失敗する」と見たタスクを持ち込まなかった分が混ざります。失敗しそうな依頼が避けられていれば、実際の能力より高く出ます。利用歴による成功率の差はEconomic Indexの利用歴と成功率の解説で扱っています。
Claude.aiの利用者は反復で直せるタスクを選び、APIの顧客は自動化に向くタスクを選びます。選び方が違うため、新しいモデルが出ても、この図の線がそのまま上がるとは限りません。利用者が新モデルに対して、より難しい頼み方をするかもしれないためです。
職業別カバレッジはどうズレるか
職業への影響は、2つの尺度を並べて見ます。従来のタスクカバレッジは、職業のタスクのうち4分の1以上でClaudeが使われている職業の割合です。第1弾(2025年1月のデータ)では36%でしたが、報告を重ねたデータの合算では49%まで上がりました。
Primitivesでは、成功率を作業の頻度と所要時間で重み付けした「実効AIカバレッジ」を足しています。両者の相関は強いものの、ずれる職業が出てきます。
タスクカバレッジと実効カバレッジのズレ
実効的な影響のほうが大きい
データ入力担当者は、9つのタスクのうちカバーされているのは2つだけです。それでも、最大のタスクである原票からのデータ読み取りと入力で成功率が高く、仕事時間の大半をAIが得意な作業が占めます。放射線科医は、画像の読影と所見レポートの作成が最上位の2タスクで、成功率が高い仕事です。
見かけほど影響は大きくない
タスクカバレッジでは大きく見えますが、成功率で重み付けすると、実効的な影響は小さくなります。Claudeが触れているタスクが多くても、完了まで届いているとは限らないということです。
ただし、この修正後の尺度にも限界があります。対象はClaude.aiで行われたタスクだけで、会話が実社会の変化にどうつながるかは明確ではありません。
高スキル側への偏りと脱スキル化の試算
Primitivesは、Claudeが担うタスクが職業の中で高スキル側か低スキル側かも見分けます。O*NETデータベース全体のタスクが平均13.2年の教育を要するのに対し、Claude.aiで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。
次に、Claudeが担っているタスクを職業から取り除いたら、仕事の構成はどう変わるかという試算があります。最初の効果としては、高度なタスクが抜けるので、平均して脱スキル化(deskilling)の方向に動きます。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い職業です。
旅行代理店では、複雑な旅程づくりが抜け、チケット購入と支払い回収のような定型作業が残ります。逆に不動産管理者は、帳簿付けのような作業が抜けて、契約交渉や関係者との調整が残り、スキルが上がる方向に動きます。
ただしAnthropicは、脱スキル化が実際に起きると予測しているわけではありません。AIが今のタスクを完全に自動化しても、労働市場が試算に入っていない形で調整する可能性があるためです。
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今後10年間、年1.8ポイント押し上げる可能性があると推計してきました。トレンドのおよそ2倍にあたります。Primitivesで、この推計を再検証できるようになりました。
高速化率だけを根拠にすると、APIデータを足しても同じ1.8ポイントが再現されます。ところが、タスクごとの時間短縮を成功する確率で調整すると、推計は変わります。
年間の生産性押し上げ(米国の労働生産性の成長率)
高速化率のみ
1.8pt
APIデータを足しても同じ
成功率で調整 Claude.ai
1.2pt
約3分の1の下方修正
成功率で調整 API
1.0pt
より難しいタスクが多いぶん下げ幅が大きい
1.0ポイントでも、米国の生産性成長率が1990年代後半から2000年代前半の水準に戻る規模です。この数字には、モデルが大きく強くなることや、仕事でのAI利用が高度になることは入っていません。実際、調査後にはOpus 4.5が登場しており、数字がさらに動く余地が残っています。
推計の手法と算出根拠は、AIの生産性向上をどう定量化するかでさらに詳しく扱っています。速度だけなら派手な数字が出ても、完了まで加味すると控えめになります。両方を並べて公開したことで、速いが失敗も多い領域と、速くて成功率も高い領域を区別して読めます。
国別に見た用途の違い
Primitivesは国別分析にもつながっており、国・州別の格差はClaude利用の国別格差で先行して扱っています。1人あたりGDPが高い国は仕事や私生活での利用が多く、低い国は教育コースワークでの利用が目立ちます。所得が上がるにつれて、教育中心の使い方から私生活を含む用途へ広がる「導入曲線」の姿です。
この傾向は、AI利用と所得水準の関係を分析したMicrosoftの調査とも方向が一致します。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るパイロットを進めています。一部の修了者にClaude Proへの1年間のアクセスを提供し、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読めます。
従来指標の更新 — 8月の逆転から協働型へ戻る
Primitivesと並行して、2025年1月から11月までの推移も更新されました。利用の集中度はほぼ変わっていません。Claude.aiには3,000種類のユニークな業務タスクがありますが、上位10種が全体の24%を占めます。前回(8月)の23%、2025年1月の21%から、じわじわ上がっています。
最も多いタスクは、エラーを直すためのソフトウェア修正で、Claude.aiの会話の6%を占めます。APIでは、このタスクが10件に1件です。
APIの集中はもっと進み、上位10種の割合は8月の28%から11月の32%へ上がりました。コンピューターと数学に関するタスクは、Claude.aiで会話の約3分の1(2025年3月のピーク40%から34%に低下)、APIでは約半数(44%から46%)です。
API側で最も目立った変化は、事務・管理支援のタスクが8月から3ポイント増えて13%になったことです。API利用は自動化型が中心なので、メール処理・書類処理・顧客管理・スケジュール調整のようなバックオフィス業務の自動化が進んでいることを示します。
Claude.aiの会話で見る、拡張型(augmentation)と自動化型(automation)の推移は次のとおりです。拡張型は、学ぶ・反復する・フィードバックをもらうといった協働の使い方で、自動化型は、タスクをほぼ丸ごと任せる使い方です。
拡張型と自動化型の推移(Claude.ai)
- 2025年1月拡張型が優勢
拡張型が55%、自動化型が41%でした。本編の本文では拡張型を56%と書いています。丸ごと任せる「指示型(directive)」の会話は27%です。
- 2025年3月拡張型が優勢のまま
拡張型が55%、自動化型が42%でした。
- 2025年8月自動化型が初めて上回る
自動化型が49%、拡張型が47%でした。指示型は39%まで増えています。
- 2025年11月拡張型が首位に戻る
拡張型が52%、自動化型が45%です。指示型は32%に下がり、増えたのは主に、利用者がClaudeと繰り返しやり取りしてタスクを仕上げる「タスク反復」でした。
8月の逆転は、指示型の急増が一時的に自動化の進みを大きく見せていた面があります。それでも1年前と比べると自動化型の割合は高いままで、長期的には自動化へ向かう流れが続いているとAnthropicは読んでいます。
11月に拡張型へ戻った背景として、この期間に加わったファイル作成機能・永続メモリー・ワークフローを整えるSkillsが、人間が間に入る協働的な使い方を促した可能性が挙げられています。
地理的な集中は続いています。米国・インド・日本・英国・韓国がClaude.ai利用の上位で、利用量は1人あたりGDPでよく説明できます。米国内では、上位5州が生産年齢人口の38%なのに利用の50%を占めます。一方で、利用の少なかった州ほど伸びが速く、この変化が続けば2〜5年で州間の1人あたり利用量が均等になる計算です。
Anthropicはこの速さを、20世紀の経済に大きく影響した技術の普及より約10倍速いと見積もっています。ただし、3か月分の変化から出した数字で、普及はこの先で遅くなる可能性もあるとしています。
数字を読むときの注意点
Primitivesの値は、読み方に条件があります。成功可否はClaude自身の判定で、利用者が「うまくいきそうな」タスクを選んだ結果です。サンプルはOpus 4.5が出る前の2025年11月で、対象も、Claude.aiの消費者利用と自社APIに限られます。
したがって、職業ごとの実効カバレッジや生産性の1.2ポイントは、実社会の雇用の予測ではなく、利用データに基づく下地の数字です。Anthropic自身も、脱スキル化の試算を予測ではなく、直近の影響を見る手がかりとして示しています。
今後のレポートで、タスクがClaude.aiからAPIへ、つまり消費者利用から企業利用へ移っていく様子が見えれば、それも新しい経済的シグナルになります。Economic Index Cadencesのような時間軸の分析や、Economic Index Surveyによる質的な調査と組み合わせると、定量と定性の両面から浸透度を追えます。
まとめ
Primitivesの数字は、速度と成功率を同時に見て初めて意味を持ちます。引用するときは、「1.8ポイント」ではなく成功率で調整した「1.0〜1.2ポイント」を使い、成功可否がClaudeの自己判定である点も添えると、元の主張から外れません。