AIの生産性向上をどう定量化するか — Anthropicが10万件のClaude会話から算出

要点

Anthropicが、Claude.aiの実会話10万件から「AIでタスクの所要時間がどれだけ縮んでいるか」を推計した研究ノートを公開しました(2025年11月25日付)。Anthropic Economic Indexの一環で、著者はAlex Tamkin氏とPeter McCrory氏です。

• 分析対象の会話は、AIなしなら平均1.4時間・人件費$55相当のタスクで、Claudeはこれを約80%短縮したと見積もっている
• 管理職・法務系の依頼はAIなしで2時間前後、飲食系は0.3〜0.5時間と、職種で大きく違う
• 個別タスクの時短を米国経済全体に当てはめると、現行世代のAIが10年かけて全業種に普及した場合、年間の労働生産性の成長率が1.8%上振れする計算になる
• 2019年以降の実際の成長率も年1.8%程度なので、試算どおりなら成長ペースはほぼ倍になる
• 会話の外で人間が費やす確認・修正の時間は含まれず、著者自身も「将来予測ではない」と明記している

1.8%はどんな手順で出た数字か

Anthropic Economic Indexはこれまで、Claudeが法務・科学・プログラミングなど何に使われているかという「広さ」を追ってきました。1つのタスクにどれだけ時間がかかるかという「深さ」は見えていません。同じレポート作成でも5分の依頼と5日の依頼では、経済的な意味がまったく違います。

この差を測るため、研究チームは次の流れで計算しています。

手順

会話10万件から生産性成長率まで

1. 1

   会話を抽出する

   プライバシー保護分析ツールで、Claude.ai(Free・Pro・Max)の会話10万件の記録を分析します。

2. 2

   Claudeに2つの見積もりをさせる

   「AIなしで有能な専門家が何時間かけるか」と「実際にユーザーが何分かけたか」です。前者の依頼文では、専門家は必要な知識・背景情報・ツールをすべて持っている前提に置かれます。

3. 3

   O*NETのタスクに集約する

   会話ごとの見積もりを、O*NET(米国の職業タスク分類)のタスク単位で中央値にまとめます。時短率は1 − (AIありの時間 ÷ AIなしの時間)で計算します。

4. 4

   職種の時間配分と賃金シェアで重み付けする

   職種ごとにO*NETのタスク一覧を取り、各タスクに使う時間の割合をClaudeに見積もらせます。サンプルに無かったタスクは時短ゼロとして扱い、職種の賃金シェア(2024年5月のOEWSデータ)で重みを付けて合算します。

5. 5

   Hultenの定理で経済全体に集計する

   「現行モデルの能力と使いこなしが変わらないまま、AIが10年かけて全業種に普及する」と仮定し、年平均で労働生産性が1.8%上がるという結果になります。

構成はAcemoglu氏が2024年に示した基準モデルに沿っています。タスクごとの改善値は、AIなしの時間とAIありの時間の対数の差で表します。

極端な値の扱いにも一工夫があります。Claudeは一部のプログラミング作業を「人間なら数年かかる」「価値は数百万ドル」と見積もることがあり、保守的な推計にするため、タスクごとの中央値を会話数で重み付けして平均しています。

Claudeの時間見積もりはどこまで信用できるか

AIはユーザーの熟練度も業務の背景も知らないまま時間を見積もります。人間の作業時間の見積もりですら外れやすいので、研究チームは2種類の検証をしています。1つ目は、プロンプトの言い回しを変えても結果が揃うかを見る自己一貫性テストです。「適切なスキルを持つ従業員」と「熟練した専門家」のように聞き方を変え、同意を得た1,800件の会話で比べました。2つ目は、オープンソースのJIRAチケットを使った外部ベンチマークです。実際にかかった時間と、開発者本人の見積もり・Claudeの見積もり(1,000件のサブセット)を突き合わせています。

数字

見積もりの検証結果

• プロンプト違いの一致

  r=0.89〜0.93

  1,800件・対数スケール

• 開発者本人

  ρ=0.50 / r_log=0.67

  全文脈を知る人の見積もり

• Claude Sonnet 4.5

  ρ=0.44 / r_log=0.46

  タイトルと説明文だけを入力

• 例10件を付けた場合

  ρ=0.39 / r_log=0.48

  順位は悪化、対数は微改善

Claudeの見積もりは、どちらが長いタスクかという順位付けで、開発者本人にやや劣る程度まで届いています。Sonnet 4.5はSonnet 4より相関が高く、モデルの進歩で見積もりが改善する余地も示されました。

注意したいのは見積もりの癖です。Claudeの見積もりは人間より圧縮されていて、短いタスクを長めに、長いタスクを短めに見積もります。全体としては過大見積もりに傾くため、実際のタスク間の差はこの分析より大きく、実際の所要時間はやや短い可能性があります。

見積もり自体の実地検証にも限りがあります。JIRAによる照合はソフトウェア開発に限られ、他の職種の見積もりを実測と突き合わせたデータはありません。

どの職種でどれだけ時間が浮いているか

AIなしの想定時間は、管理職(投資銘柄の選定など)が2.0時間、法務が1.8時間、教育が1.7時間、アート/メディアが1.6時間でした。飲食(メニューの企画・値付けなど)・設置保守・運輸は0.3〜0.5時間にとどまります。想定人件費では、管理職が$133、法務が$119、コンピューター・数学が$82、ビジネス・財務が$69、飲食が$8です。会話ごとの人件費の中央値は$54でした。この人件費は専門家に依頼した場合の費用で、現行モデルの出力が多くのタスクで専門家と同じ質だという前提ではありません。

冒頭の概要にある「約90分」は、直後の詳しい要約の1.4時間(84分)を丸めた値です。$55は人件費の平均、$54は会話ごとの中央値で、集計の仕方が違います。なお、引用用のBibTeXの日付は2025年11月5日で、ページの表示は2025年11月25日です。

職種の平均時給と、依頼されるタスクの長さには正の相関(r=0.8)があります。高時給の職種ほど、複雑で長い依頼がClaudeに集まっているわけです。

時短率は会話の中央値で84%、O*NETタスク単位の中央値で81%で、分布は50〜95%に集中し、80〜90%付近に山があります。研究で挙がった例を作業の性質で分け、タスク単位の中央値(81%)との距離を並べると次のようになります。型の名前は研究の分類ではなく、この記事での整理です。

画像診断のチェックは、専門家がもともと短時間でこなせる作業なので削減幅が小さいと説明されています。情報収集のように、AIが読み取り・抽出・引用で人間より圧倒的に速い作業は95%前後まで縮みます。

経済全体では何が生産性を押し上げるのか

長期平均は1947年以降で年2.1%、2019年以降で年1.8%です。労働生産性の成長率は1960年代の3%近くから、ここ数年は1.5%前後まで下がってきました。

労働分配率を0.6とすると、全要素生産性(TFP)では年1.1%(図表では1.08%)の押し上げになります。TFPの成長率は2015〜2024年の平均が0.7%、20年前の1995〜2004年が1.6%でした。Anthropicは、2000年代初頭以降は1%を下回りがちだった成長が、現行AIの普及だけで1990年代後半や1960〜70年代の水準に戻りうると見ています。労働分配率は、AIの影響を受けやすい業種だけならAcemoglu氏が0.57と算出しており、研究では近い値の経済全体平均0.6を採っています。この基準モデルは、AI導入によるTFPの上昇に合わせて資本投資も増えることを暗黙に仮定しています。

数字

AIによる押し上げへの寄与度の上位

• ソフトウェア開発者

  19%

• 経営・業務管理職

  約6%

• 市場調査・マーケティング

  5%

• カスタマーサービス

  4%

• 中等教育の教師

  3%

飲食・医療提供・建設・小売は、サンプルに現れるタスクが少ないため寄与が小さくなっています。なお、Claudeはプログラマーの時間配分を、コード作成・保守に23%、プログラムの分析・書き直しに15%と見積もり、残りをテスト・文書化・会議などに振っています。結論部では、恩恵はテクノロジー・教育・専門サービスに集中し、小売・飲食・運輸ではほとんど出ないとされています。

1.8%は他の推計と比べてどの位置か

Filippucci・Gal・Schiefが2024年にまとめたAIの生産性影響の既存推計と比べると、1.8%は範囲内の上限寄りです。控えめな見立てではなく、研究チーム自身もその位置づけを認めています。巻末の図は、Filippucci・Gal・Schiefの論文から引いた労働生産性の伸び(10年間の年率)を押し上げる推計を並べ、Claudeの推計から導いた1.8%を点線で重ねています。

試算を割り引いて読む理由

著者らが挙げる限界のうち、読み方に直結するものは4つあります。

• 会話の外の作業が入っていない: 成果物の確認・修正や、複数セッションにまたがる反復は含まれません。
• サンプルの偏り: Claude.aiの会話だけが対象で、「Claudeが役に立ちそうなタスク」を選んで使う選択効果もあります。頻度の低いタスクは、サンプルの大きさから拾えていない可能性があります。
• 比較の置き方: 専門家を雇って文脈を伝える手間を数えていないので時短を過小に、AIの出力が人間より質が低い場合は過大に見積もる、両方向の偏りがありえます。
• タスク分類の粗さ: 暗黙知・人間関係・不確実性下の判断はO*NETのタスク一覧に現れず、タスク同士のつながりも単独の時短以上に効く場合があります。

先行のランダム化比較試験(RCT)は、この研究より小さな時短効果を報告してきました。56%・40%・26%・14%、さらに効果がマイナスになった例もあります。差が出た理由として、Anthropicは確認・修正の時間が入っていないことと、旧世代のモデルを調べた研究だったことの2つを可能性に挙げています。ソフトウェア機能を最初から最後まで追ったRCTでは、AIによる時短が確認されませんでした。

一方で、速くなる作業が仕事全体の中で占める割合が変われば、残った作業が成長の制約になります。住宅検査員の場合、AIが報告書の作成を速くしても移動時間が変わらなければ、検査という物理作業の比重がかえって増えうるというのが研究の例です。職種ごとの例は次のとおりです。

くらべる

AIで速くなる作業と、取り残される作業

サンプルに頻出

速くなる作業

ソフトウェア開発者はソフトウェア開発・テスト・文書化・データ操作で大きな時短が見られます。教師は授業や活動の計画づくりです。

サンプルにほぼ現れない

取り残される作業

ソフトウェア開発者はシステム導入の調整や他の技術者の監督、教師は課外クラブの顧問や教室の規律維持です。これらはボトルネックになりうる作業です。

Anthropicは、Aghion・Jones・Jonesの「成長を制約するのは得意なことではなく、不可欠なのに改善しにくいことかもしれない」という指摘と重なる観察だとしています。

電化・コンピューター化・インターネットが生んだ大きな生産性向上は、既存タスクの高速化ではなく、生産のやり方そのものの組み替えから生まれました。この研究の枠組みは、組織の再編が起きた場合の効果は見積もれますが、企業がどう再編するか、どれだけ速く進むかまでは予測できません。

モデルが進歩すれば、1.8%は効果の下限に近い数字になりうると著者らは述べています。ただし普及の凸凹は計算に入っておらず、短期の実際の押し上げはこれを下回りうるとも書いています。

まとめ

自分の業務に当てはめるなら、職種平均の時短率より、タスクが表のどの型に多いか、サンプルに現れない調整・監督がどれだけを占めるかが判断材料になります。

Claudeの使われ方を測る別の調査には、8.1万人規模の調査で測ったEconomic Indexの全体像や、時間帯別の利用実態を追ったEconomic Index Cadencesがあります。日々の作業でClaudeを使う側の実践は、Claude Codeの生産性を上げる小技が参考になります。