はじめに
Anthropicが2025年12月3日、自社のエンジニアとリサーチャーを対象にAI活用の実態調査を実施し、その結果を公開しました。132名へのアンケート、53名への詳細インタビュー、そして20万件の内部利用データを分析した包括的な調査です。本稿では、AI開発企業の内部で起きている生産性向上と、それに伴うスキル変化やキャリアの不確実性について、調査結果をもとに詳しく解説します。
参考記事
- タイトル: How AI is transforming work at Anthropic
- 発行元: Anthropic
- 発行日: 2025年12月3日
- URL: https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic
・本稿中の画像に関しては特に明示がない場合、引用元記事より引用しております。
・記載されている情報は、投稿日までに確認された内容となります。正確な情報に関しては、各種公式HPを参照するようお願い致します。
・内容に関してはあくまで執筆者の認識であり、誤っている場合があります。引用元記事を確認するようお願い致します。
要点
- Anthropicの調査によれば、エンジニアは現在、業務時間の59%でClaudeを使用し、50%の生産性向上を達成している
- Claude支援による作業の27%は、AIがなければ実施されなかった新しい種類の仕事である
- エンジニアは幅広いタスクに対応できるようになった一方で、深い技術スキルの衰退や、監督能力の低下を懸念する声も上がっている
- Claudeが同僚への質問の代替となり、従来のメンターシップや協働の機会が減少している
- 短期的には生産性向上に楽観的だが、長期的なキャリアの方向性については大きな不確実性がある
詳細解説
調査の概要と背景
Anthropicは2025年8月、自社のエンジニアとリサーチャー132名にアンケート調査を実施し、53名に詳細なインタビューを行いました。さらに、2025年2月と8月の20万件のClaude Code利用データを分析しています。
この調査の特徴は、AI開発企業が自社の変化を対象としている点です。Anthropicのエンジニアは最先端のツールに早期アクセスでき、比較的安定した分野で働いています。この特権的な立場を認識しつつも、Anthropicは調査結果が他の業界や職種における変化の先行指標となる可能性があると考え、公開に踏み切りました。
調査時点では、Claude Sonnet 4とClaude Opus 4が最も高性能なモデルでした。AI能力は急速に進化しているため、観察されたパターンは既に変化している可能性があります。
Survey data（調査データ）
What coding tasks are people using Claude for?（タスクの種類と頻度）
アンケート結果によれば、エンジニアが日常的にClaudeを使用するタスクには明確なパターンがあります。最も多いのはデバッグ（バグ修正）で、55%が毎日使用しています。次いでコード理解（既存コードの説明を求める）が42%、新機能の実装が37%という結果でした。
一方、使用頻度が低いタスクは、高レベルな設計・計画作業でした。これは人間が担当し続けることが多いタスクと考えられます。また、データサイエンスやフロントエンド開発の頻度も低めですが、これらはそもそも全体的に少ないタスクであることが理由と思われます。
Usage and productivity（使用率と生産性）
Anthropicによれば、12ヶ月前の時点では、エンジニアは業務時間の28%でClaudeを使用し、20%の生産性向上を達成していました。現在では、業務時間の59%でClaudeを使用し、平均50%の生産性向上を報告しています。これは1年間で2倍以上の増加を意味します。
この自己申告による生産性向上は、実際のデータとも一致しています。エンジニアリング部門全体でClaude Codeを導入した際、エンジニア1人あたりの1日のマージされたプルリクエスト（コードへの変更が正常に組み込まれたもの）が67%増加したことが確認されています。
ただし、生産性の測定は複雑です。非営利AI研究機関のMETRによる最近の研究では、経験豊富な開発者が慣れ親しんだコードベースでAIを使用する際、生産性向上を過大評価する傾向があることが示されています。しかし、METRが特定した生産性低下の要因（大規模で複雑な環境、暗黙知が必要な場合など）は、Anthropicのエンジニアが「Claudeに委任しない」と述べたタスクの種類と一致しています。つまり、Anthropicで報告された生産性向上は、戦略的なAI委任スキルの発達を反映している可能性があります。
興味深いパターンとして、Claudeを使用するタスクカテゴリーでは、ほぼすべてにおいて時間が若干減少し、出力量が大幅に増加しています。
時間に関しては、回答が両極端に分かれました。一部のエンジニアは大幅な時間削減を報告する一方で、より多くの時間を費やすと回答した人もいます。時間が増加する理由として、Claudeのコードのデバッグやクリーンアップに時間がかかること、自分で書いていないコードを理解する認知的負荷が高いことが挙げられました。ただし、前向きな理由もあり、「以前なら諦めていたタスクを続けられる」「より徹底的なテストと学習ができる」という声もありました。
時間削減がどこに再投資されているかは、データからは明確ではありません。追加のエンジニアリングタスク、非エンジニアリングタスク、Claudeとのやり取り、あるいは仕事以外の活動に使われている可能性があります。
一方、出力量の増加は明確で、すべてのタスクカテゴリーで大幅な増加が見られます。これは、個々のタスクではなくタスクカテゴリー全体について尋ねているためと考えられます。つまり、デバッグという作業に費やす時間は若干減っても、デバッグの出力量ははるかに多くなるという構造です。
Claude enabling new work（新しい仕事の創出）
エンジニアは、Claude支援による作業の27%は、AIがなければ実施されなかったと推定しています。具体的には、プロジェクトの拡張、便利だが必須ではないツール（インタラクティブなデータダッシュボードなど）、ドキュメント化やテストといった有用だが面倒な作業、手作業では費用対効果が合わない探索的な作業などが挙げられました。
あるエンジニアは、以前なら優先順位が下がっていた「紙の切り傷」（小さな問題）を修正できるようになったと説明しています。保守性を向上させるためのコードのリファクタリングや、他のタスクを高速化する小さなツールの構築などです。Claude Codeの使用データ分析でも、8.6%のタスクがこうした「紙の切り傷」の修正に関連していることが確認されています。
別のリサーチャーは、複数のClaudeインスタンスを同時に実行し、それぞれが問題への異なるアプローチを探索していると説明しました。これは、単に処理速度が上がるだけでなく、探索の幅が広がることを意味します。
How much work can be fully delegated to Claude?（完全委任できる仕事の割合）
エンジニアは頻繁にClaudeを使用していますが、半数以上が「完全に委任」できる仕事は0〜20%程度と回答しています。ここでの「完全委任」の解釈には個人差があり、検証が全く不要なタスクから、軽い監督のみで済む信頼性の高いタスクまで含まれる可能性があります。
エンジニアはClaudeと積極的かつ反復的に協働し、その出力を検証していると述べています。特に複雑なタスクやコード品質基準が重要な高リスク領域では、検証なしでタスクを引き渡すのではなく、Claudeと密接に協力して作業を確認する傾向があります。
Qualitative interviews（質的インタビュー）
これらの調査結果は、生産性の大幅な向上と働き方の変化を明らかにしていますが、エンジニアがこれらの変化を日々どのように経験しているのかという疑問も生じています。これらの指標の背後にある人間的側面を理解するため、私たちは調査に回答したAnthropicのエンジニアと研究者53名に詳細なインタビューを実施し、職場におけるこれらの変化について彼らがどのように考え、感じているかについて、より深い洞察を得ました。
AI delegation approaches（AI委任のアプローチ）
エンジニアとリサーチャーは、ワークフローでClaudeを生産的に活用するためのさまざまな戦略を開発しています。
一般的に委任されるタスクの特徴は以下の通りです。
- ユーザーの文脈外かつ低複雑度: 「自分が詳しくない分野だが、全体的な複雑さも低いと思われるもの」 「インフラの問題の大半は難しくなく、Claudeで対応できる。GitやLinuxにあまり詳しくないが、Claudeが経験不足をカバーしてくれる」
- 検証が容易: 「検証の労力が作成の労力と比べて大きくないものには絶対に素晴らしい」
- 明確に定義されている、または自己完結的: 「プロジェクトのサブコンポーネントが他の部分から十分に切り離されていれば、Claudeに試させる」
- コード品質が重要でない: 「使い捨てのデバッグやリサーチコードなら、直接Claudeに渡す。概念的に難しいもの、特定のデバッグ注入が必要なもの、設計の問題は自分でやる」
- 反復的または退屈: 「タスクにワクワクすればするほど、Claudeを使わない可能性が高い。一方、抵抗を感じているなら、Claudeとの会話を始める方が楽だと感じることが多い」 アンケートでは、Claude支援による作業の平均44%は、自分では楽しめなかったタスクだったと回答されています。
- プロンプトよりも実行が速い: 「10分未満で済むと予想されるタスクには、おそらくClaudeを使わない」 「コールドスタート問題が現在の最大の障壁。コールドスタートとは、チームのコードベースの動作について自分が持っている多くの暗黙知を、Claudeはデフォルトで持っていないということ。完璧なプロンプトを繰り返し試すのに時間をかけるより、自分でやってしまう」
これらの委任基準は、METRによる外部研究で特定されたAI関連の生産性低下の要因（開発者のコードベースへの高い習熟度、大規模で複雑なリポジトリなど）と類似しています。インタビュー全体でこれらの委任基準が収束していることは、適切なタスク選択がAIによる生産性向上の重要な要因であることを示唆しています。
Trust but verify（信頼の段階的構築）
多くのユーザーは、Claude使用において段階的な進行を説明しています。最初は単純なタスクから始め、徐々に複雑な作業を委任していく過程です。「最初はRustプログラミング言語に関する基本的な質問でAIツールを使っていた。最近は、すべてのコーディングにClaude Codeを使っている」という声もありました。
あるエンジニアは、信頼の進行をGoogle Mapsの採用に例えています。最初は知らない道だけに使い、次第に大体知っている道でも使うようになり、今では毎日の通勤でも使うようになった。別のルートを提案されれば従い、すべての選択肢を考慮したと信頼する。Claude Codeも同じように使っていると説明しました。
エンジニアは、Claudeを専門分野内で使うか、外で使うかで意見が分かれています。一部は「周辺的な」領域で実装時間を節約するために使用し、他は出力を検証できる慣れた領域を好みます（「Claudeが何をしているか完全に理解できる方法で使っている」）。
あるセキュリティエンジニアは、Claudeが「危険なほど賢い解決策、非常に優秀なジュニアエンジニアが提案しそうな種類のもの」を提案した経験を強調しました。つまり、判断力と経験を持つユーザーだけが問題だと認識できるものでした。
両方のタイプのタスクでClaudeを使用するエンジニアもおり、実験的に使う人（「基本的にどんなコーディング問題でも、まずClaudeに試させる」）や、専門知識のレベルに応じてアプローチを調整する人もいます。
What tasks do people keep for themselves?（人間が保持するタスク）
人々は一貫して、高レベルまたは戦略的思考を伴うタスクや、組織的な文脈や「センス」を必要とする設計決定にはClaudeを使用しないと述べています。あるエンジニアは「通常、高レベルな思考と設計は自分で行う。新機能開発からデバッグまで、できる限り委任する」と説明しました。
これはアンケートデータとも一致しており、設計と計画のタスクでは最も生産性向上が少ないという結果でした。多くの人が、委任の境界は「動く標的」であり、モデルの改善に応じて定期的に再交渉されていると説明しています（後述のClaude Code使用データでは、6ヶ月前と比較して、コード設計・計画の使用が相対的に増えていることが示されています）。
Skill transformations（スキルの変化:新しい能力と減少する実践）
New capabilities…（新しい可能性）
Claude支援による作業の27%がなければ行われなかったという調査結果は、より広いパターンを反映しています。エンジニアがAIを使って従来の専門分野外で作業しているのです。
多くの従業員が、以前は専門外だった作業を完了できるようになったと報告しています。バックエンドエンジニアがUIを構築し、リサーチャーがデータの可視化を作成しています。あるバックエンドエンジニアは、Claudeと反復しながら複雑なUIを構築したと説明しました。「自分ができたよりもはるかに良い仕事をした。絶対に自分ではできなかった、確実に時間内にはできなかった。デザイナーたちは『待って、これを作ったの？』と言った。『いや、Claudeが作った。自分はプロンプトしただけ』と答えた」
エンジニアは「よりフルスタックになっている。フロントエンド、トランザクショナルデータベース、APIコードなど、以前は専門外で触るのが怖かった領域でも、非常に有能に作業できる」と報告しています。この能力拡大により、フィードバックループが短縮され、学習が加速します。あるエンジニアは、「数週間の」構築、ミーティングのスケジュール、反復のプロセスが、同僚が同席してライブフィードバックを得る「数時間の作業セッション」になったと述べています。
一般的に、人々は迅速なプロトタイピング、作業の並列化、雑務の削減、そして全体的に野心のレベルを上げることができることに熱意を示しています。あるシニアエンジニアは「ツールは確実にジュニアエンジニアをより生産的にし、取り組むプロジェクトのタイプに対してより大胆にしている」と語りました。また、Claudeを使うことで「起動エネルギー」が減り、先延ばしをより簡単に打ち負かせるようになり、「問題に取り組みたいと思うのに必要なエネルギーが劇的に減少し、そのため追加で多くのことに取り組む気になる」という人もいました。
…and less hands-on practice（そして実践練習が減る）
しかし同時に、一部の人は「委任が増えるにつれてスキルが衰える」ことを懸念しており、手作業での問題解決中に起こる付随的な（または「副次的な」）学習を失っていると感じています。
「難しい問題を自分でデバッグしに行けば、ドキュメントやコードを読むのに時間を費やすことになる。それは問題解決に直接役立たないが、その間ずっとシステムの動作モデルを構築している。Claudeがすぐに問題に辿り着けるため、そのようなことがずっと少なくなっている」
「以前はすべての設定を探索してツールができることを理解していたが、今はAIに新しいツールの使い方を教えてもらうので、専門知識が不足している。他のチームメイトとの会話で、以前はすぐに思い出せたことが、今はAIに尋ねなければならない」
「Claudeを使うことで、簡単なインスタンスを解決してタスクの実行方法を学ぶ部分をスキップし、後でより複雑なインスタンスを解決するのに苦労する可能性がある」
あるシニアエンジニアは、もしジュニアだったらスキルについてもっと心配するだろうと述べました。「自分が答えがどうあるべきか、どのように見えるべきかを知っている場合に、主にAIを使っている。その能力は『ハードな方法』でソフトウェアエンジニアリングをやって身につけた。でももしキャリアの早い段階にいたら、モデルの出力を盲目的に受け入れるのではなく、自分の能力を成長させ続けるために多くの意図的な努力が必要だと思う」
コーディングスキルの衰退が懸念される理由の1つは「監督のパラドックス」です。上述のように、Claudeを効果的に使用するには監督が必要で、Claudeを監督するにはAIの過度使用によって衰える可能性のあるコーディングスキルが必要なのです。ある人は次のように述べています。
「正直、監督と指導の問題について、特定のスキルセットよりもはるかに心配している。スキルが衰えたり発達しなかったりすることが問題になるのは、主に、独立してそれらのタスクを実行する能力ではなく、気にかけているタスクにAIを安全に使用する能力に関してだ」
これに対抗するため、一部のエンジニアは意図的にAIなしで練習しています。「時々、Claudeが問題を完璧に解決できると分かっていても、あえて尋ねないことがある。自分を鋭く保つのに役立つ」
Will we still need those hands-on coding skills?（実践的なコーディングスキルはまだ必要か）
おそらくソフトウェアエンジニアリングは、過去にも経験したように、より高いレベルの抽象化に移行しているのかもしれません。初期のプログラマーは機械にはるかに近い作業をしていました。メモリを手動で管理したり、アセンブリ言語で書いたり、物理的なスイッチを切り替えて命令を入力したりしていました。時間とともに、複雑な低レベル操作を自動的に処理する、より人間が読みやすい高レベル言語が登場しました。特に「バイブコーディング」の台頭により、英語がプログラミング言語になりつつあるのかもしれません。ある従業員は、将来のエンジニアに「AIにコードを書かせるのが上手くなり、より高レベルな概念とパターンの学習に集中する」ことを勧めています。
数名の従業員は、この変化により、「エンドプロダクトとエンドユーザー」について、コードだけでなく、より高いレベルで考えられるようになったと述べています。ある人は、現在の変化を、以前はコンピューターサイエンスでリンクリストを学ぶ必要があった時代と比較して説明しました。これは、高レベルプログラミング言語が今では自動的に処理する基本的な構造です。「それを知っていて本当に良かった。でもそれらの低レベル操作を行うことは、感情的には特に重要ではない。コードが可能にすることについて考える方が良い」別のエンジニアも同様の比較をしましたが、抽象化にはコストが伴うと指摘しました。高レベル言語への移行により、ほとんどのエンジニアはメモリ処理の深い理解を失いました。
ある領域でスキルを継続的に開発することで、Claudeのより良い監督とより効率的な作業につながる可能性があります（「慣れているものだと、自分でやる方が速いことが多いことに気づく」）。しかし、エンジニアはこれが重要かどうかで意見が分かれています。一部は楽観的です。
「スキルの衰退についてはあまり心配していない。AIは問題を注意深く考えさせてくれるし、新しいアプローチを学ぶのを助けてくれる。いずれにせよ、アイデアをより迅速に探索してテストできることで、一部の領域での学習が加速している」
別の人はより実務的でした。「確実にソフトウェアエンジニアとしてのスキルが衰えている。でもそれらのスキルは、もし必要になったら戻ってくる可能性があるし、もう必要ないだけだ！」ある人は、チャートを作成するような重要性の低いスキルしか失っておらず、「重要なコードはまだ非常によく書ける」と述べました。
おそらく最も興味深いのは、あるエンジニアが前提に疑問を呈したことです。「『錆びる』というフレーミングは、コーディングがいつかClaude 3.5以前の方法に戻るという前提に依存している。でも戻らないと思う」
The craft and meaning of software engineering（コーディングの技と意義）
エンジニアは、実践的なコーディングを懐かしむかどうかで大きく分かれています。一部は真の喪失感を感じています。「私にとっては時代の終わり。25年間プログラミングをしてきて、そのスキルセットで有能だと感じることが、職業的満足の中心的な部分だった」他の人は、新しい仕事の性質を楽しめないかもしれないと心配しています。「一日中Claudeをプロンプトするのは、あまり楽しくなく充実していない。音楽をかけてゾーンに入り、何かを自分で実装する方がずっと楽しく充実している」
一部は直接トレードオフに言及し、受け入れています。「確かに懐かしい部分もある。コードをリファクタリングする時の禅のフロー状態に入ることとか。でも全体として、今ははるかに生産的なので、喜んでそれを手放す」
ある人は、Claudeとの反復がより楽しいと述べました。人間よりもフィードバックにうるさくできるからです。他の人は結果により興味があります。あるエンジニアは次のように述べました。
「この時点までに、怖いとか退屈だとか感じると予想していた。でも実際にはどちらも感じていない。むしろ、はるかに多くのことができることに非常に興奮している。コードを書くことが本当に好きだと思っていたが、実際にはコードを書くことから得られるものが好きなだけだった」
AIアシスタンスを受け入れるか、実践的なコーディングの喪失を嘆くかは、ソフトウェアエンジニアリングのどの側面に最も意味を見出すかによって決まるようです。
Changing social dynamics in the workplace（職場の社交ダイナミクスの変化）
より顕著なテーマの1つは、Claudeが以前は同僚に向けられていた質問の最初の行き先になったことです。「今は一般的にはるかに多くの質問をするが、その80〜90%はClaudeに行く」とある従業員は述べました。これにより、Claudeが日常的な問い合わせを処理し、同僚にはAI能力を超えるより複雑で戦略的、または文脈に依存する問題を対処するというフィルタリングメカニズムが生まれます（「チームへの依存度が80%減った。でも最後の20%は重要で、彼らに行って話をする」）。人々はまた、人間の協力者とのやり取りと同様に、Claudeと「アイデアを出し合う」と述べています。
約半数は、チームの協働パターンに変化はないと報告しています。あるエンジニアは、まだ人々と会議をしたり、文脈を共有したり、方向性を選んだりしていると述べ、近い将来も多くの協働があると考えていますが、「標準的な集中作業をする代わりに、多くのClaudeと話すことになる」と述べました。
しかし、他の人は同僚とのやり取りが減ったと説明しています（「同僚よりもClaudeとはるかに多く作業している」）。一部は社会的摩擦の減少を評価しています（「同僚の時間を奪っていると感じない」）。他の人は変化に抵抗しています（「一般的な返答が『Claudeに聞いた？』であることが実際には好きではない。人々と直接働くことが本当に好きで、それを非常に価値あることと考えている」）、または以前の働き方を懐かしんでいます。「人々と働くのが好きで、彼らを『必要としなく』なったのは悲しい」数人は、「Claudeがジュニアスタッフに多くのコーチングを提供できる」ため、シニアエンジニアの代わりに、従来のメンターシップダイナミクスへの影響を指摘しました。あるシニアエンジニアは次のように述べました。
「より若い人々が以前ほど頻繁に質問に来なくなったのは悲しいが、彼らは確実に質問により効果的に答えてもらい、より速く学んでいる」
Career uncertainty and adaptation（キャリアの不確実性と適応）
多くのエンジニアは、自分の役割がコードを書くことからAIを管理することにシフトしていると説明しています。エンジニアは自分たちを「AIエージェントのマネージャー」と見なすようになっています。一部は既に「常に少なくともいくつかのClaudeインスタンスを実行している」状態です。ある人は、自分の仕事が「70%以上がコードレビュアー/リビジョン担当者になり、純粋な新規コードライターではなくなった」と推定し、別の人は「1人、5人、または100人のClaudeの作業に責任を持つ」ことを将来の役割の一部と見なしています。
長期的には、キャリアの不確実性が広がっています。エンジニアはこれらの変化をより広範な業界変革の前兆と見なしており、多くの人が数年後のキャリアがどのようになるか「言うのは難しい」と述べています。一部は短期的な楽観主義と長期的な不確実性の間の葛藤を表明しています。「短期的には楽観的だが、長期的にはAIがすべてをやってしまい、私や多くの他の人を無関係にすると思う」とある人は述べました。他の人はより明確に表現しています。「毎日職場に来て自分の仕事をなくすために働いているような感じがする」
一部のエンジニアはより楽観的でした。ある人は「ジュニア開発者が心配だが、ジュニア開発者は新しい技術に最も飢えているかもしれないことも理解している。職業の軌道については全体的に非常に楽観的だ」と述べました。経験の浅いエンジニアが問題のあるコードを出荷するリスクがある一方で、より良いAIガードレール、組み込みの教育リソース、そして間違いから自然に学ぶことの組み合わせが、分野全体の適応を助けるだろうと主張しています。
将来の役割をどう想定しているか、どのような適応戦略があるかを尋ねました。一部はさらなる専門化を計画しています（「AIの作業を有意義にレビューするスキルを開発するには、より長い時間とより多くの専門化が必要になる」）、一部は将来、より対人的で戦略的な作業に焦点を当てることを予想しています（「コンセンサスを見つけることにより多くの時間を費やし、AIに実装により多くの時間を費やさせる」）。ある人は、Claudeをキャリア開発のために特に使用し、仕事やリーダーシップスキルについてフィードバックを得ていると述べました（「物事を学んだり、完全に学ばなくても効果的であったりできる速度が完全に変わった。自分にとっての天井が崩れたような感じがする」）。
全体として、多くの人が深い不確実性を認めています。「将来どの特定のスキルが有用になるかについて、非常に自信がない」ある チームリードは次のように述べました。「誰も何が起こるか分からない。重要なのは、本当に適応力があることだけだ」
Claude Code usage trends（Claude Code使用データの分析）
アンケートとインタビューデータは、Claude使用の増加が人々の作業速度を上げ、新しいタイプの作業に取り組むのを助けていることを示していますが、AI委任とスキル開発に関する緊張も伴っています。しかし、自己申告データは物語の一部しか語りません。これを補完するため、Anthropicは組織全体のClaude使用データも分析しました。アンケート回答者がClaude Codeを使用の大部分として報告したため、プライバシー保護分析ツールを使用して、2025年2月と8月の20万件の内部トランスクリプトを分析しました。
Tackling harder problems with less oversight（より難しい問題に、より少ない監督で取り組む）
過去6ヶ月間で、Claude Codeの使用はより困難で自律的なコーディングタスクへとシフトしています。
Anthropicによれば、従業員はClaude Codeでますます複雑なタスクに取り組んでいます。各トランスクリプトのタスク複雑度を1〜5のスケールで推定したところ、1は「基本的な編集」、5は「人間の専門家が数週間から数ヶ月かかる専門家レベルのタスク」に対応します。タスク複雑度は平均で3.2から3.8に増加しました。スコアの違いを例示すると、平均3.2のタスクには「Pythonモジュールのインポートエラーのトラブルシューティング」が含まれ、平均3.8のタスクには「キャッシングシステムの実装と最適化」が含まれていました。
トランスクリプトあたりの連続ツール呼び出しの最大数が116%増加しました。ツール呼び出しは、Claudeがファイルの編集やコマンドの実行などの外部ツールを使用して実行するアクションに対応します。Claudeは現在、人間の介入を必要とせずに平均21.2の独立したツール呼び出しを連鎖させています。6ヶ月前は9.8のツール呼び出しでした。
人間のターン数が33%減少しました。トランスクリプトあたりの平均人間ターン数は6.2から4.1に減少し、6ヶ月前と比較して、今では特定のタスクを達成するために必要な人間の入力が少なくなっていることを示唆しています。
これらの使用データは、アンケートデータを裏付けています。エンジニアはますます複雑な作業をClaudeに委任しており、Claudeはより少ない監督を必要としています。これが観察された生産性向上を推進している可能性が高いと考えられます。
Distribution of tasks（タスクの分布）
Claude Codeトランスクリプトを1つ以上のコーディングタスクのタイプに分類し、過去6ヶ月間で異なるタスクの使用がどのように進化したかを研究しました。
全体的なタスク頻度分布は、使用データから推定されたものが自己申告のタスク頻度分布とほぼ一致しています。2025年2月と8月の間で最も顕著な変化は、Claudeを使用して新機能を実装する（14.3% → 36.9%）トランスクリプトとコード設計または計画を行う（1.0% → 9.9%）トランスクリプトが、比例的にはるかに多くなったことです。
Claude CodeタスクのこのLATIVE分布の変化は、Claudeがこれらのより複雑なタスクでより優れた性能を発揮するようになったことを示唆している可能性がありますが、絶対的な作業量の増加ではなく、チームがさまざまなワークフローでClaude Codeを採用する方法の変化を反映している可能性もあります。
Fixing papercuts（紙の切り傷の修正）
アンケートから、エンジニアが小さなクオリティ・オブ・ライフの改善により多くの時間を費やしていることが分かりました。これと一致して、現在のClaude Codeタスクの8.6%が「紙の切り傷の修正」に分類されています。これには、パフォーマンス可視化ツールの作成や保守性向上のためのコードのリファクタリングなどの大きなタスクから、ターミナルショートカットの作成などの小さなタスクまで含まれます。
これは、エンジニアが報告している生産性向上に寄与している可能性があります（以前は無視されていたクオリティ・オブ・ライフの改善に対処することで、時間の経過とともにより効率的になる可能性がある）し、日常業務での摩擦とフラストレーションを減らす可能性もあります。
Task variation across teams（チーム別のタスク変動）
現在のチーム間でのタスクの変動を研究するため、分類アプローチを改良し、8月の各トランスクリプトを単一の主要なコーディングタスクに割り当て、内部チーム別にデータを分割しました。
「全チーム」バーは全体的な分布を示しており、最も一般的なタスクは新機能の構築、デバッグ、コード理解です。これはチーム固有の比較のベースラインを提供します。
注目すべきチーム固有のパターン:
- Pre-trainingチーム（Claudeのトレーニングを支援）は、新機能の構築（54.6%）にClaude Codeを頻繁に使用しており、その多くは追加実験の実行です。
- Alignment & SafetyチームとPost-trainingチームは、Claude Codeでフロントエンド開発を最も多く行っており（それぞれ7.5%と7.4%）、多くの場合データ可視化の作成です。
- Securityチームは、コード理解にClaude Codeを頻繁に使用しており（48.9%）、特にコードベースのさまざまな部分のセキュリティ上の影響を分析し理解しています。
- 非技術的従業員は、デバッグにClaude Codeを頻繁に使用しており（51.5%）、ネットワーク問題やGit操作のトラブルシューティングなどと、データサイエンス（12.7%）にも使用しています。Claudeは技術知識のギャップを埋めるのに価値があるようです。
これらのチーム固有のパターンの多くは、アンケートとインタビューで観察したのと同じ能力拡大を示しています。チームのメンバーが時間やスキルセットがなければできなかった新しい種類の作業を可能にしているのです。たとえば、Pre-trainingチームは多くの追加実験を実行し、非技術的従業員はコードのエラーを修正できました。
データは、チームがコアタスクにClaudeを使用していることを示唆していますが（たとえば、InfrastructureチームはインフラとDevOpsの作業にClaude Codeを最も一般的に使用）、Claudeはコアタスクを補完することも多いです（たとえば、リサーチャーはデータをより良く可視化するためにフロントエンド開発にClaudeを使用）。これは、Claudeが全員の作業をよりフルスタックにすることを可能にしていることを示唆しています。
Looking forward（今後の取り組み）
Anthropicの従業員は、過去1年間でClaudeの使用を大幅に増やし、既存の作業を加速するだけでなく、新しいコードベースを学び、雑務を減らし、新しい領域に拡大し、以前は無視されていた改善に取り組むために使用しています。Claudeがより自律的で有能になるにつれ、エンジニアはAI委任の新しい方法を発見する一方で、将来必要となるスキルを見極めようとしています。
これらの変化は、明確な生産性と学習の利点をもたらす一方で、ソフトウェアエンジニアリング業務の長期的な軌道についての真の不確実性も伴います。AIは過去のソフトウェアエンジニアリングの移行（低レベルから高レベルのプログラミング言語への移行、または個人貢献者からマネージャーへの移行など、数人のエンジニアが示唆したもの）に似るのでしょうか。それともさらに進むのでしょうか。
まだ初期段階です。Anthropicは社内に多くのアーリーアダプターがおり、状況は急速に変化しており、調査結果は現時点では他の組織や文脈に一般化できない可能性が高いです。この研究はその不確実性を反映しており、調査結果は微妙なもので、単一のコンセンサスや明確な指針は出ていません。しかし、これらの変化をどのように思慮深く効果的にナビゲートできるかについての疑問は提起しています。
この初期作業のフォローアップとして、Anthropicはいくつかのステップを踏んでいます。Anthropicのエンジニア、リサーチャー、リーダーシップと話し合い、提起された機会と課題に対処しています。これには、チームをどのようにまとめて互いに協力するか、専門能力開発をどのようにサポートするか、AI支援作業のベストプラクティスをどのように確立するか（AIフルエンシーフレームワークによって導かれるなど）が含まれます。
また、この研究をエンジニアを超えて拡大し、AI変革が組織全体の役割にどのように影響するかを理解し、CodePathなどの外部組織がAI支援の未来に向けてコンピューターサイエンスのカリキュラムを適応させるのを支援しています。将来を見据えて、Anthropicは、AI能力が進歩するにつれてますます関連性が高まる可能性のある構造的アプローチも検討しています。たとえば、組織内での役割の進化や再スキル化のための新しい道筋などです。
Anthropicは2026年に、考えが成熟するにつれて、より具体的な計画を共有する予定です。Anthropicは責任ある職場移行の実験室であり、AIが仕事をどのように変革するかを研究するだけでなく、その変革を思慮深くナビゲートする方法を、まず自分たち自身から始めて実験したいと考えています。
Appendix
Limitations（制限事項）
調査結果には、いくつかの方法論的制約があります。回答者は、便宜的サンプリングと目的的サンプリング（組織全体の幅広い代表性を確保するため）の両方によって選出しました。複数の社内Slackチャンネルにアンケートを掲載し、68件の回答を得ました。また、組織図から研究部門と製品部門にわたる多様な20チームを選択し、各チーム5～10名に直接メッセージを送信しました（合計207名）。最終的な64件の回答率は31%でした。回答のあった最初の53名にはインタビューを行いました。クロードとの関わりが特に深い人や強い意見（肯定的または否定的）を持っている人は回答率が高く、中立的な経験を持つ人は回答率が低い可能性があるため、選択バイアスが生じている可能性があります。
さらに、回答は社会的望ましさバイアス（回答は匿名ではなく、参加者全員がアントロピック社の従業員であるため、回答者はクロードの影響について過大評価している可能性がある）と近時性バイアス（参加者に12か月前の生産性と使用パターンを思い出すよう求めると、記憶の歪みが生じる可能性がある）の影響を受けている可能性がある。さらに、前述のように、生産性は一般的に推定が非常に難しいため、これらの自己報告は鵜呑みにすべきではない。これらの自己報告による認識は、より客観的なクロード・コードの使用データと併せて解釈する必要があり、今後の研究は匿名データ収集と、より堅牢に検証された測定ツールによってより有益となるだろう。
Claude Codeの分析では、期間全体にわたって比例サンプリングを使用しているため、作業量の絶対的な変化ではなく、タスク配分の相対的な変化しか測定できません。例えば、Claude Codeの利用率における機能実装の割合が14%から37%に増加したと報告したとしても、これは必ずしも機能実装作業全体が増加したことを示すものではありません。
最後に、この調査は2025年8月に実施されました。当時はClaude Sonnet 4とClaude Opus 4が最先端モデルでした。AI開発の急速なペースを考えると、新しいモデルが利用可能になると、観察されたパターンはすでに変化している可能性があります。
まとめ
Anthropicの調査は、AI開発企業の内部で起きている劇的な変化を明らかにしました。生産性の大幅な向上と能力の拡大が実現している一方で、スキルの衰退、キャリアの不確実性、職場の社交ダイナミクスの変化という課題も浮き彫りになっています。この調査結果は、AI支援がもたらす変革が、単なる効率化にとどまらず、仕事の本質そのものを再定義しつつあることを示唆しています。他の業界や職種でも、同様の変化が今後訪れる可能性があり、Anthropicの取り組みは重要な先行事例と言えます。
