ロボット露出指数で見る仕事の行方 — 物理作業の74%は可能、費用で勝てるのは全作業の0.3%

Anthropic Economicsの研究チームが、ロボットが今の技術で実際にこなせる仕事を測る「ロボット露出指数」を公開しました。結論は二段構えです。ロボットは米国の物理作業の74%(全労働時間の34%)を何らかの条件でこなせます。ところが費用で人に勝てるのは全作業の0.3%にとどまり、その比率が10%に届くまで過去の価格低下ペースなら約40年かかります。

LLM(大規模言語モデル)による自動化の議論は、これまで知的作業に偏っていました。この研究は、物理作業を含めて「どの仕事が先に動くか」の順番を現在の能力から割り出す試みです。測定の実作業にはClaudeが使われています。

ロボット露出指数は何を測っているのか

出発点は「今のロボットにできるか」

指数の前提は単純です。ロボットがすでにこなせる仕事ほど、近いうちに影響を受けやすい。将来の技術の当て推量は避け、現時点の能力という測れる対象に絞っています。

ここでのロボットは「感知して動く自律的な物理機械」です。スプレーを調整するために車をスキャンする洗車機は含み、外科医が全面的に操作する遠隔手術機は含みません。

4段階の評価基準

材料は職業データベースO*NETです。約900の職業と約19,000の職務タスクが紐づいています。Claudeが各タスクの記述を物理・認知・対人の3軸で採点し、物理と判定された7,594タスクだけにロボット評価をかけます。

評価の軸は「ロボットがどんな環境なら実行できるか」です。

環境の制御度を軸にしたのは、予測不能な環境への適応がロボットにとって難しく、実際に稼働する機械の多くが整備済みの環境で動いているためです。

「実行できる」の基準は厳しめです。人と同程度の信頼性・エラー率・速度でこなせることが条件で、実演が確認できた能力しか数えません。デモを根拠にした評価を除いても、結果はほぼ変わらないと研究は述べています。

Claudeによる評価の手順

O*NETのタスク記述は短く、人には易しくロボットには難しい要素が抜けがちです。そこで採点は、次の3段で具体化してから行います。

1. タスクごとに、現在の実施例と時間配分をClaudeに出させる
2. 各実例について、Web検索で該当するロボットを探させ、出典を直接引用させる。導入実績・商用販売・デモのいずれかを示せる出典だけを認める
3. 実例を時間で重み付けし、ロボットが半分以上をこなせる最も非構造的な環境をタスクの段階とする(多数決ルール)

「溝を掘る」タスクが具体例です。開けた地盤に直線の溝を切る作業(時間の25%)は、油圧ショベルを自律化する制御システムがあるためE3。埋設管の周りを手で慎重に掘る作業(同20%)は今のロボットには無理でE0。慎重に掘る実例のほうが多いため、タスク全体は露出なしと評価されます。

なお、ロボット評価の根拠になったClaudeの推論と引用元は、データ公開物にすべて含まれています。

ロボット露出指数の算出

職業の指数は、タスク段階(0〜3)を時間配分で加重平均したものです。0はロボットにできるタスクなし、3は全タスクを非構造環境でこなせる状態を指します。

物理作業の74%は可能、ただし大半は整備された環境

全労働時間の54%が認知・対人の作業で、残る46%が物理作業です。全タスクに占める内訳は次のとおりです。

物理作業の側から見ると、約4分の1がE0、半分がE1、22%がE2、E3は2%です。E1〜E3を合わせると物理作業の74%、全体の34%になります。

注目点は、ロボットが可能な仕事の大半が専用環境に偏っていることです。非構造環境でこなせるのは運転(自動運転車・トラクターなど)が中心です。

露出が最も高い職は運転手

指数の上位10職(雇用2万人以上)のうち9職が車両の運転手です。首位のタクシー運転手は2.2。仕事の大半が運転で、時間で見た中央値のタスクがE3にあります。車内の掃除や洗車といった付随作業は、ロボットでも構造化された場所に限られます。

露出の型は職業で異なります。研究は三つの対比を挙げています。

• ストッカー(棚の補充): 指数1.0。時間の70%がE1のタスクで、16%がE2。米国の倉庫ではAIロボットが商品を拾って棚に入れる一方、小売店では棚の空きを検知しても人への通知止まり
• ドライウォール仕上げ工: 指数1.6。紙テープを継ぎ目に押し込む作業は、材料が扱いにくく今のロボットには不可能。一方、仕上げ塗りの重ね塗りは、壁をスキャンして噴霧・研磨する自律ロボットがありE3。時間の41%がE3、26%がロボット不可と二極化している
• リサイクル選別工: 指数1.7。時間の4分の3超がE2で、露出なしは8%。視覚とサクションを備えたロボットが選別を代行できる

広く浅くロボット化できる職と、一部のタスクだけ高度に自動化できる職では、現場の変わり方が違う可能性があります。

露出した労働者の姿

米国の国勢調査(2020〜2024年のAmerican Community Survey)で、露出指数の上位20%と露出ゼロの労働者を比べています。

• 女性である確率が20ポイント低い
• ヒスパニックである確率が16ポイント高い
• 学士号以上を持つ確率が55ポイント低い
• 時給が約30ドル低い
• 失業率が2倍超

重い物の運搬や極端な暑さ、有害物質の近くでの作業を求められやすい職でもあります。この構図は、LLMで一般に観察される露出パターンの多くと逆です。

LLMとロボットを重ねると、露出は約80%になる

LLMだけで露出する仕事は全体の約半分です。ロボットを加えると81%(研究の要約では約80%と丸めています)に広がります。露出の種類も変わります。

• 運輸・運搬のタスクは、LLMだけなら15%未満。ロボットを含めると約90%
• 事務・管理サポートは、PC作業と軽い物理作業が主体のため、ほぼ100%に近づく

残る約2割は対人性が高いか、今のロボットにない身体技能を要する仕事です。個人ケア・サービス職はタスクの約40%の露出にとどまり、設置・修理、医療サポート、地域・社会サービスも露出が低い側に入ります。ただし露出が40%を下回る職業グループはありません。

自動化を妨げる壁の内訳

研究は、物理タスクごとに「未解決のままだと大きな割合を自動化できない障壁」をClaudeに挙げさせ、4種類に分けています。

能力の中では操作(物に触れて扱う力)が突出しており、物理作業の半分は、この能力が向上しない限り大規模には自動化できません。AIが最も改善しやすそうな計画・推論の不足が障壁になるのは8%です。

規制が重いのは医療・保安・教育、軽いのは食品調理・清掃・生産・建設・修理・運搬で、後者は物理作業のおよそ半分を占めます。人間の選好は、おむつ替えのように信頼が要る作業や、客の出迎えのように対人の価値が求められる作業で働きます。選好か規制のどちらかで制約される物理タスクは約30%です。

では、ロボットの能力が急に上がったらどうなるか。選好か規制で止まるのは約3割なので、残る仕事の大半は露出しうる状態になります。ただ、制約の残る部分が「弱い環」となり、生産性の伸びを抑える可能性があります。

費用の壁 — 競争力があるのは全作業の0.3%

試算の方法

露出したタスクごとに、そのロボットを導入・運用する年間費用をClaudeが試算しています。Web検索と、評価で引用したロボットの一覧が根拠です。人の1年分の産出量をそろえた上で、ロボットの固定費は耐用年数と資本コストで年換算し、労務費(米労働統計局の総報酬を、そのタスクに使う時間の割合で按分)と比べます。

複数のタスクをまとめて担うロボットの重複や調整コストは、職業単位の再集計で処理しています。

唯一の大きな例、梱包作業員

費用でロボットが人に勝つ最大の職業は、梱包・包装作業員です。研究の試算は次のとおりです。

米国の梱包・包装作業員は約56万人で、2015年以降に雇用が22%減っています。米労働統計局は2035年までにこの職が減らす雇用数が全職業の11番目に多いと予測しています。

同じ「可能」でも費用が桁違いになる職

溶接工は、カメラとAIで自律溶接できるロボットがある一方、大きな金属部材の位置決め、はしごを上る溶接、品質確認、研磨といった周辺作業まで自動化すると、ロボットの費用は人の約5倍です。

皿洗いや清掃の職は賃金が溶接工より25,000〜30,000ドル低くても、ロボット側の費用はなお数倍です。清掃は標準化しにくく、ロボットは遅く用途が限られるためです。ロボタクシーは人のタクシー運転手より年約7,000ドル高い試算ですが、規制の壁もあります。

価格低下が進んだ場合

ロボットの価格が一様に20%安くなると、280万人分の物理作業が費用で勝てる水準になります。この人たちは時間の平均42%をロボット露出の作業に使っており、経済全体の労働時間では0.8%です。

過去の産業・政府データでは、ロボット価格は1990年代以降ほぼ年3%で下がってきました。このペースなら20%の低下に約7年かかります。人の仕事の10%を費用で置き換えるには約70%の価格低下が必要で、年3%なら約40年です。

なお、ロボットが仕事のほぼ全部(95%)をこなせ、費用でも勝てる労働者は約30万人います。

費用で並んでも、雇用が一気に崩れるとは限りません。人間がなお担う監督・例外処理・修理のタスクが隘路になり、自動化が生産性を押し上げるのは機械が人よりかなり安くなってからだ、という経済学の知見も引かれています。

50年分のバックテストと「年2%」の進歩

過去の露出は賃金と雇用の低下を予測したか

指数が将来を当てられる保証はないため、研究は1977年以降の複数の年でロボット露出を評価し、その後の労働市場の動きと結び付けました。露出の高い職は、産業の動向などを考慮しても、のちの数十年で賃金と雇用が下がっています。露出指数が将来の職の混乱を占う材料になる、という裏付けです。

ロボットは毎年2%ずつできることを広げてきた

1977年時点のロボットにできなかった物理タスクは62%でした。同じタスクで今のロボットができないのは24%です。年換算すると、ロボットは毎年、それまでできなかった物理作業の約2%をこなせるようになってきた計算です。

時期の見通し

この能力向上と年3%の価格低下を同じペースで延ばすと、物理作業の半分が費用で勝てるのは2085年です。ロボットの費用が従来の最大4倍速で下がり、新しい作業を2倍の速さで覚える高速シナリオでも、半分に届くのは2050年。その高速シナリオの中でも、物理作業の90%の自動化には53年かかります。

シナリオは全タスクに同じ低下率を当てているため、ロボット企業が特定の作業(家事のデモや自社の工場作業)を優先する可能性は織り込まれていません。選好や規制、賃金低下といった波及効果も外してあります。

ロボットの現在地 — 設備投資の規模と導入の見通し

ロボットの設備投資は米国の設備投資全体の約1%ですが、企業調査では米国のロボット導入が3年以内にほぼ倍増する可能性が示されています。人型ロボットを自動車工場や倉庫で試す動きも、構造化された環境という評価軸と符合します。

日本の読者がこの研究を読むときの注意

研究の対象は米国の職業分類と米国の雇用統計、米国の人件費です。結論をそのまま日本の職に当てはめることはできません。

一方、米国では一部の現場でしかロボットが動かない職業でも、海外では全現場をカバーする場合があります。日本のコンビニでは冷蔵庫の補充までロボットが担う例がある一方、米国の小売では棚の空きを検知して人に通知するところまで、という例がその一つです。露出の段階は米国の現場で確認できる導入例を基準にしているため、日本の現場では進んでいる職も遅れている職もありえます。

Claudeを測定器にすると7,594タスクを一括評価できるが、判断はClaudeに依存する

方法論の特徴は、Claudeに大量の評価を任せた点です。物理タスクの判定、作業の実例と時間配分、ロボットの探索と出典の引用、費用の試算まで、すべてClaudeの作業です。人手では追いきれない数のタスクを、出典付きで一括評価できます。

一方で、評価はClaudeの判断に依存します。研究自身も、O*NETのタスク記述が簡潔で、人には易しくロボットには難しい要素が抜けやすいと認めています。実例を詳しく展開して補う設計ですが、多くの判断が必要な評価基準である点は変わりません。

Anthropicの経済研究の流れで見ると、この研究は「AIが今のモデルの能力でどこまでできるか」という関心を物理領域へ広げたものです。LLMの側は、Claude利用の実態を測るEconomic Index(利用の計測はEconomic Index Primitivesで扱っています)と、ユーザー8万人超の調査(Economic Indexの8.1万人調査)が先行しています。今回はそこにロボットの能力と費用の軸が加わり、LLMだけでは見えなかった運輸や事務の露出が浮かびました。

ロボティクスそのものに関するAnthropicの取り組みは別の系統で、ロボット犬の操作にClaudeを使った実験はProject Fetchで、ロボット制御の評価はEmbodyの解説で読めます。これらが「Claudeでロボットを動かせるか」を問うのに対し、今回は「ロボットが仕事をどこまで肩代わりできるか」を問います。向きは異なりますが、物理世界へAIが広がるという同じ流れの上にあります。

「できる」と「割に合う」の差が、仕事が動く順番を決める

74%と0.3%の落差は、この研究の核心です。可能性の議論では「何ができるか」が先に立ちますが、雇用への影響は費用で決まる部分が大きい。ロボットは追加で複製できるソフトウェアと違い、ハードウェアを買い、設置し、保守し、人が監督する必要があります。費用を加味した別の指数も作られていますが、職業の順位は能力側の主指標とほぼ同じ(順位相関0.95)でした。

運転手と梱包作業員に注目が集まる理由も、ここから説明できます。運転手は能力面の露出が最大で、梱包作業員は費用面の条件が最初に揃った職です。研究は、短期で雇用への影響の兆しを追うなら運転手と倉庫の梱包作業員を見るよう挙げています。能力と費用という別々の根拠が、この二つの職に分かれて並ぶためと読めます。

一方で限界もあります。研究は、ロボットを使わないAI(工場機械の保全予測など)の影響を扱っていません。人型ロボットや新しい製造法で費用が大きく下がる可能性、AIで学習したロボットが今は無理なはしご昇りや器用な把持を身につけて評価の枠を飛び越える可能性も残ります。

まとめ

• ロボットは物理作業の74%(全労働時間の34%)を、多くは専用環境を前提に実行できる
• 費用面で人に勝つのは全作業の0.3%。10%に届くには年3%の価格低下で約40年
• 露出が最も高いのは運転手。露出した労働者は男性・低学歴・低賃金に偏る
• LLMとロボットを合わせると約8割の作業が露出し、運輸・事務で特に広がる
• 1977年以降の50年分の検証で、露出の高い職ほど後の賃金・雇用が下がった
• 米国のデータに基づく研究であり、日本の職へは現場のロボット普及度を見て読み替える必要がある

運転手や倉庫の作業に関わる人にとっては、費用と規制の二つの条件がいつ動くかを追う材料になります。看護・設置修理のように今のロボットにできることが少ない仕事は、近い将来の変化が比較的小さい側にあります。