［レポート解説］AIは雇用をどう変えているのか？Anthropicが新たな指標で労働市場への影響を分析

はじめに

　Anthropicが2026年3月5日に公表した研究レポートで、AIが労働市場に与える影響を測定する新たな指標「観測された露出度（Observed Exposure）」が提案されました。本稿では、その調査手法と初期的な知見を紹介しながら、現時点でわかっていること・まだわかっていないことを整理します。

参考記事

• タイトル: Labor market impacts of AI: A new measure and early evidence
• 著者: Maxim Massenkoff, Peter McCrory
• 発行元: Anthropic
• 発行日: 2026年3月5日
• URL: https://www.anthropic.com/research/labor-market-impacts

要点

• Anthropicは、LLMの理論的な能力と実際の利用データを組み合わせた新指標「観測された露出度」を開発し、職種ごとのAI影響度を定量化した
• AIの実際のカバレッジは理論上の能力を大きく下回っており、たとえばコンピューター・数学系職種でも実際のカバー率は33%にとどまる
• 露出度の高い職種として、コンピュータープログラマー（75%）、カスタマーサービス担当者、データ入力担当者（67%）が上位に入った
• 露出度の高い職種に就く労働者は女性・高学歴・高収入である傾向が見られ、AIの影響がホワイトカラー層に集中する可能性を示している
• ChatGPT登場以降、高露出度職種の失業率に有意な変化はないが、22〜25歳の若年層における就職率が低下傾向にある

詳細解説

Key findings（主要な発見）

　本論文の冒頭では、5つの主要な発見が整理されています。

• 理論的なLLM能力と実際の利用データを組み合わせ自動化用途に重みをつけた新指標「Observed Exposure」の導入
• AIの実利用が理論的能力に遠く及ばないこと
• 露出度の高い職業の雇用成長見通しが相対的に低いこと
• 露出度の高い職業の従事者が女性・高学歴・高収入に偏っていること
• ChatGPT登場以降も高露出職業での失業率上昇は系統的に確認されていないが、若年層の採用減速を示唆する証拠があること

Introduction（論文の背景と目的）

　AIの急速な普及を受けて、労働市場への影響を測定・予測しようとする研究が増えています。ただし、過去の類似した試みには注意すべき先例があります。たとえば職業のオフショアリング（業務の海外委託）可能性を測った研究では米国の約4分の1の職業が脆弱と判定されましたが、10年後もそれらの職業の多くで雇用は堅調でした。また政府の職業別雇用予測も、過去トレンドの単純延長以上の予測精度をほとんど発揮してきませんでした。

　そうした先行研究の教訓を踏まえ、本論文はAIの労働市場への影響を測定する新たな枠組みを提示し、現時点のデータで検証することを目的としています。意味のある影響が顕在化する前に分析手法を確立することで、将来的に経済的混乱をより確実に識別できるようにすることを目指しています。

Counterfactuals（反事実的アプローチ）

　因果推論は、効果が大きく急激なほど容易になります。COVID-19のような急激なショックは集計データだけでも変化が一目瞭然でしたが、AIの影響は貿易政策や景気循環と絡み合い、単純な失業率の推移からは読み取りにくい可能性があります。

　こうした問題を回避するために本論文が採用するのが、タスクベースのアプローチです。「AIは宿題の採点はできても教室のマネジメントはできない」といった具合に、AIへの露出度をタスクレベルで定義し、露出度の高い労働者と低い労働者を比較することで、AIの効果を他の要因から分離しようとしています。

Measuring exposure（露出度の測定）

　露出度の測定には3つのデータソースを組み合わせています。

　第一は、米国の約800職業に紐づくタスクを体系的に列挙したO*NETデータベースです。第二は、Anthropicが独自に公表しているAnthropic Economic Indexに基づくClaude利用データです。第三は、Eloundou et al.（2023）によるタスクレベルの露出推定値で、「LLMによってタスク処理速度を2倍以上にできるか」を評価したものです。このEloundou et al.の指標βは、LLM単体で実現可能なタスクを1、追加ツールが必要なタスクを0.5、不可能なタスクを0とする3段階評価です。

　理論的能力と実際の利用の間にはギャップがあります。理論的には可能でも、法的制約・専用ソフトウェアの要件・人間による確認ステップなどの障壁から実際の利用に至らないケースが存在するためです（たとえばEloundou et al.は「薬局への処方箋情報の提供」をβ=1と評価していますが、Claudeがこのタスクを実行しているのはこれまで観察されていません）。ただし両指標の相関は高く、過去4回のEconomic Indexに記録されたタスクの97%は理論的に実行可能なカテゴリー（β=0.5またはβ=1.0）に属しています。

A new measure of occupational exposure（職業露出度の新指標：Observed Exposure）

　「Observed Exposure（観察された露出度）」は、LLMが理論的に高速化できるタスクのうち、実際に職業的な文脈で自動化利用されているものを定量化する指標です。具体的には、①タスクがLLMで理論的に実行可能であること、②Anthropic Economic Indexで有意な利用実績があること、③業務関連の文脈で使われていること、④自動化的な利用パターンまたはAPI経由の実装比率が高いこと、⑤影響を受けるタスクがその職業全体に占める割合が高いこと——これらの条件を満たすほど露出度が高くなる設計です。

　職業カテゴリー別に実際の観察露出度（赤）と理論的能力（青）を比較すると、両者の乖離が大きいことがわかります。コンピューター・数学系職業では理論値94%に対して実際のカバー率は33%、オフィス・事務職でも理論値90%に対して実態は大幅に低くなっています。この乖離は、技術の普及・能力の向上・導入の深化とともに徐々に縮小していくと考えられます。

　Anthropicの発表によれば、露出度が最も高い上位職業には、コンピュータープログラマー（カバー率75%）、カスタマーサービス担当者、データ入力作業者（67%）などが挙げられています。一方、全労働者の約30%は露出度がゼロで、コックやオートバイ整備士、ライフガード、バーテンダー、皿洗いといった職種が含まれています。農業系の物理的作業（木の剪定、農業機械の操作など）から法的業務（法廷での依頼人代理）まで、多くのタスクはAIの手が及ばない領域として残っています。

How exposure tracks with projected job growth and worker characteristics（露出度と雇用成長予測・労働者属性との関係）

　雇用成長予測との比較では、BLSが2025年に発表した2024〜2034年の職業別雇用予測と本指標を職業レベルで照合しています。現在の雇用水準で重みづけした回帰分析によると、露出度が10パーセントポイント高い職業では、BLSの雇用成長予測が0.6パーセントポイント低下する傾向が確認されました。この関係は緩やかではあるものの、独立した労働市場アナリストの推計と本指標が整合していることを示す検証結果と言えます。注目すべき点として、Eloundou et al.の指標単体ではこのような相関は見られませんでした。

　労働者属性との比較では、ChatGPT公開前の2022年8〜10月の現在人口調査（CPS）データをもとに、露出度上位25%のグループと露出度ゼロの30%のグループを比較しています。Anthropicの分析によれば、露出度の高いグループは女性の割合が16パーセントポイント高く、白人の割合が11パーセントポイント高く、アジア系の割合はほぼ2倍です。平均賃金は47%高く、学歴も顕著に高い傾向があります。たとえば大学院卒は非露出グループで4.5%であるのに対し、最高露出グループでは17.4%と約4倍の差があります。

　この属性分布は、「AIの影響を最初に受けるのは低賃金・低学歴の労働者」という従来のイメージとは異なる様相を示しており、政策的な含意を持つ知見と考えられます。

Prioritizing outcomes（分析対象とする結果の選定）

　雇用への影響を測る際に何を観察すべきかについて、先行研究はさまざまなアプローチをとっています。Gimbel et al.（2025）は現在人口調査を用いて職業分布の変化を追跡し、Brynjolfsson et al.（2025）は給与処理会社ADPのデータで年齢グループ別の雇用水準を分析し、Acemoglu et al.（2022）やHampole et al.（2025）は求人情報データを活用しています。

　本論文が失業率を主たる分析対象に選んだ理由は、それが経済的損害の可能性を最も直接的に反映する指標であるためです。求人数の減少や雇用水準の変化は、関連職種での新規雇用創出によって相殺される可能性があります。一方、AI置換によって仕事を失い代替雇用を探している労働者の存在は、失業率に直接現れると考えられます。現在人口調査は失業者の前職と産業を記録しているため、このアプローチに適したデータソースです。

Initial results（初期結果）

　失業率のトレンド分析では、2016年以降の現在人口調査データを用いて、露出度上位25%と露出度ゼロのグループの失業率推移を比較しています。COVID-19期間中は対面業務が多い露出度の低いグループで失業率が大幅に上昇しましたが、その後は両グループの推移はおおむね類似しています。差分の差分法（difference-in-differences：2つのグループ間の変化量の差を測る手法）による推計では、ChatGPT公開後の失業率格差の平均変化は小さく統計的に有意ではありませんでした。露出度の高いグループの失業率はわずかに上昇しているものの、その効果はゼロと区別できないレベルです。

　この枠組みで検出できる影響の規模感として、露出度の差による失業率の約1パーセントポイントの変化は検出可能と推計されています。またたとえば「ホワイトカラー版の大不況」のように、露出度上位グループの失業率が3%から6%へと倍増するシナリオも、本分析で把握できると想定されます。

　若年労働者の採用動向については、Brynjolfsson et al.が22〜25歳の露出職業における雇用が6〜16%減少していると報告していることを受けて、本論文でも同年齢層の分析を行っています。失業率そのものには変化が見られませんでしたが、採用の減速は失業率に直接反映されない可能性があります。多くの若年新規参入者は労働力調査に職業が記録されず、失業者としてカウントされないまま労働市場から退出する場合があるためです。そこで現在人口調査のパネルデータを用いて、22〜25歳が新規就職した職業の露出度を追跡したところ、2024年以降に露出度の高い職業への就職率が低下している傾向が確認されました。ChatGPT公開後の平均では、露出職業への就職率が2022年比で約14%低下しており、これは辛うじて統計的有意水準に達しています。ただし25歳超の労働者には同様の低下は見られず、また対象の若年層が既存の職に留まっている、別の職種に就いている、学校に戻っているといった他の解釈も排除できないため、解釈には慎重さが必要です。

Discussion（考察）

　本論文は、AIの労働市場への影響を継続的に測定・追跡するための枠組みの構築を目指しています。現時点では、最も露出度の高い職業での失業率への影響は確認されておらず、22〜25歳の若年層の採用にやや減速の兆候が見られるという限定的な知見にとどまっています。

　今後の課題として、①Anthropicの利用データを継続更新して職業カバレッジの変化を追跡すること、②Eloundou et al.の指標（2023年初頭のLLM能力に基づく）を最新モデルに対応するよう更新すること、③若年層や教育資格を持つ新卒者が露出度の高い分野でどのように労働市場を歩んでいるかを詳細に分析すること——が挙げられています。

Data availability（データの入手可能性）

　タスクおよび職業レベルの観察されたカバレッジデータは、HuggingFaceのデータセットとして公開されています。https://huggingface.co/datasets/Anthropic/EconomicIndex からアクセス可能で、研究者や開発者がこの指標を他の文脈に応用することが想定されています。

まとめ

　Anthropicが2026年3月に公表したこの論文は、AIの雇用影響を理論的能力と実際の利用データで測る新指標「Observed Exposure」を提案しています。現時点での分析では失業率への顕著な影響は確認されていませんが、若年層の採用減速という初期シグナルも報告されており、今後のデータ蓄積と継続的な追跡が注目されます。