AIは雇用を奪い始めたのか：Anthropic「Labor market impacts of AI」の読み方

Anthropicが2026年3月に公開した研究 Labor market impacts of AI: A new measure and early evidence（Maxim Massenkoff・Peter McCrory）は、「AIが雇用に与える影響」の議論に重要な一次データを加えました。結論を先に述べます。AIが理論上こなせるタスクの範囲（feasible exposure）と、実際に業務で使われている範囲（observed exposure）の間には約3倍のギャップがあり、雇用統計に検出できるレベルの影響はまだ現れていません。ただし、若年層（22〜25歳）の高曝露職種への雇い入れが約14%減速しているという先行シグナルは観測されています。

この研究が我々にとって重要なのは、労働経済学の知見としてだけではありません。「AIで何ができるか」ではなく「AIが実際に何をしているか」を測るという方法論そのものが、AIスタートアップの事業計画の検証や、投資先の省人化仮説の妥当性評価にそのまま応用できるからです。本稿では研究の内容を整理した上で、投資判断・技術デューデリジェンスへの含意を検討します。

研究の概要：observed exposure という新しい物差し

従来の「AIによる雇用曝露度（exposure）」研究の多くは、理論上の代替可能性を測ってきました。代表例が Eloundou らの研究（いわゆる “GPTs are GPTs”、2023年）で、米国労働省の職業データベース O*NET が定義する各職業の構成タスクに対して「LLMが処理時間を大幅に短縮できるか」を推定するものです。

Anthropicの研究が新しいのは、この理論値に実際の利用データを重ねた点です。具体的には次の3つを組み合わせています。

O*NET：米国の約800職業を構成タスクに分解した政府データベース
理論的な実行可能性の推定（Eloundou et al. 2023）：各タスクをLLMが実行できるか
Claudeの匿名化された実利用データ（Anthropic Economic Index）：各タスクに対応する利用が実際にどれだけ観測されるか

この掛け合わせから得られるのが observed exposure（観測ベースの曝露度）、すなわち「その職業のタスクのうち、AIが現実に使われている割合」です。「できるはず」と「使われている」を分離したことが、この研究の最大の貢献です。

図1：理論上の実行可能性と観測された利用の間には約3倍のギャップがある

主要な発見：数値で押さえる

研究の主要な発見は次の4点に整理できます（数値はいずれも原典より）。

1. 理論と実態のギャップは大きい。コンピュータ・数学系の職種では、理論上はタスクの94%がLLMで実行可能と推定される一方、実際に利用が観測されたのは33%にとどまります。ビジネス・金融、経営管理、法務、事務管理といったホワイトカラー職種全般で理論値が高く出ますが、実利用はその一部です。

2. 職業別のobserved exposureの上位は特定職種に集中。コンピュータプログラマーが74.5%、カスタマーサービス担当者が70.1%と突出し、金融アナリストなどが続きます。高曝露職種の従事者は相対的に「年齢が高く、女性比率が高く、高学歴で、高賃金」という属性を持つと報告されており、「AIの影響は低賃金職から」という通念とは逆の分布です。

3. 失業への影響はまだ検出されていない。曝露度スコアを米国の人口動態調査（CPS、2019〜2025年）の個票に接続し、曝露度上位25%の労働者とゼロ曝露の労働者を差の差分析（difference-in-differences）で比較した結果、2022年11月のChatGPT登場以降、高曝露労働者の失業率に系統的な上昇は見られませんでした。

4. ただし若年層の雇い入れに先行シグナルがある。CPSのパネル構造を使って「新しく職に就いた22〜25歳」を追跡すると、高曝露職種への若年雇い入れがChatGPT登場以降、約14%減速していました。これはスタンフォード大学の Brynjolfsson らが2025年に報告した「炭鉱のカナリア」研究（若年高曝露労働者の雇用約13%減）とも整合します。また、米労働統計局（BLS）の2034年までの雇用予測との回帰では、observed exposureが10ポイント高い職業ほど予測成長率が0.6ポイント低いという緩やかな負の相関も示されています。

研究の限界：この数字をどこまで信じてよいか

著者ら自身が認める限界と、外部からの批判は押さえておく必要があります。

利用データがClaudeユーザーに偏る：observed exposureはAnthropicのユーザーベースの反映であり、経済全体のAI導入率そのものではありません。ChatGPTや社内ツール経由の利用は捕捉されていません。
タスクの分担構造を無視している：Gans と Goldfarb（2025）が指摘するように、職務が「全タスクが揃って初めて価値が出る」O-リング型なら、一部タスクの自動化だけでは雇用効果は現れません。逆に Autor と Thompson（2025）は、残されたタスクに必要な専門性の水準が職の帰趨を決めると論じています。
「影響なし」は「今後もなし」を意味しない：分析期間は導入初期の3年間であり、企業の組織再設計はそれより遅く進みます。

つまりこの研究は「AIは雇用に影響しない」という証明ではなく、「理論的な代替可能性から雇用影響を直読みしてはいけない」という方法論上の警告として読むのが正確です。

投資判断・技術DDへの4つの含意

ここからが本稿の主題です。feasible / observed / realized（実際の雇用・財務影響）という3層の区別は、投資実務の複数の場面でそのまま使えます。

含意1：AIスタートアップの市場規模仮説を3層で検証する

「この職種の業務のX%が自動化可能。よって市場規模はY億円」というピッチは、feasible exposureに基づく試算です。本研究が示したのは、feasibleとobservedの間に約3倍のギャップ、すなわち導入摩擦が存在するという事実です。摩擦の正体は、ワークフローへの統合コスト、出力の信頼性検証、組織の受け入れ態勢、規制対応などです。

投資判断では、このギャップを2つの問いに変換できます。第一に「このプロダクトは導入摩擦のどれを、どう減らすのか」。摩擦を減らす設計（既存ワークフローへの統合、検証コストの低減）こそが差別化の源泉であり、この観点はAIスタートアップの競合優位性はどこで生まれるかで論じた「モデルの前後」の議論と直結します。第二に「トラクションの主張はfeasibleとobservedのどちらの言葉で語られているか」。「対応可能な業務範囲」を語る会社より、「顧客の業務ログ上で実際に置き換わったタスク」を示せる会社の方が、仮説の検証段階が一段深いと評価できます。

含意2：省人化を前提としたバリューアップ計画は保守的に見積もる

投資先や買収対象の事業計画に「AI導入により人件費をZ%削減」という前提が置かれるケースが増えています。本研究の示す実態は、経済全体で見れば雇用置換はまだ統計に現れる規模ではない、というものです。理論上の自動化可能性を根拠にした削減計画は、observedの水準（理論値の3分の1程度）と導入摩擦のコストを織り込んで再計算するのが妥当です。特にPMI（買収後統合）の計画では、省人化の実現時期を楽観シナリオから1〜2年遅らせたケースも用意しておくべきです。

含意3：技術DDでは「AI活用」の主張をobservedベースで検証する

対象会社が「AIで開発効率を大幅に改善している」と主張する場合、検証すべきは宣言ではなく利用の痕跡です。具体的には、AIツールのシート数と実際のアクティブ利用率、APIコストの月次推移、コミットログやレビュー履歴に現れる生成コードの比率などが確認先になります。AI時代の技術DDの変化で整理した追加論点と同様に、「できるはず」と「使われている」の区別が評価の精度を分けます。投資家向けの技術DD支援（TiedPro）でも、この観測ベースの検証を評価の基本姿勢としています。

含意4：若年採用の減速は、組織の育成パイプラインのリスクとして読む

若年層の雇い入れが高曝露職種で減速しているという発見は、投資先の組織評価に長期的な論点を加えます。ジュニア採用を絞りAIで代替する戦略は、短期のコスト効率は高い一方で、3〜5年後のミドル層供給を細らせます。エンジニア組織の健全性評価の観点では、年齢・経験構成の偏りと育成パイプラインの有無を、AI活用度とセットで確認することを推奨します。

FAQ：この研究をめぐるよくある誤読

Q1. この研究は「AIで失業は起きない」と結論したのですか？

いいえ。「2025年時点の米国データでは、高曝露労働者の失業率上昇は検出されなかった」という観測結果です。若年層の雇い入れ減速という先行指標は観測されており、著者らも影響が今後顕在化する可能性を否定していません。

Q2. observed exposureが高い職種に依存する事業は投資対象として危険ですか？

曝露度の高さは「AIがそのタスクに使われている」ことを意味し、雇用の消滅と同義ではありません。AIが人を補完して生産性を上げるのか、代替するのかはタスク構成と残存タスクの専門性に依存します。曝露度は入口の指標であり、事業への影響は個別の業務構造の分析が必要です。

Q3. 日本企業への含意はどう読み替えるべきですか？

データは米国のものです。解雇規制が強く外部労働市場が薄い日本では、同じ導入水準でも影響は失業ではなく、採用抑制・配置転換・新卒採用計画の縮小として現れやすいと考えられます。observed exposureの考え方自体は市場を問わず有効ですが、雇用影響の現れ方は労働市場の制度に依存する点に注意が必要です。

まとめ

Anthropicの本研究の価値は、「AIと雇用」の議論を理論的な可能性から観測データに引き戻した点にあります。投資実務への翻訳はシンプルです。feasible（できるはず）・observed（使われている）・realized（財務・雇用に現れた）の3層を区別し、事業計画や省人化仮説がどの層の数字に立脚しているかを必ず確認する——これだけで、AIをめぐる過大評価と過小評価の多くは避けられます。