AIを最も使う職種が最も脅威を感じる — Anthropic レポートが示した非対称

同じ人物が「AIで生産性が大きく上がった」と「自分の仕事が危うい」を同時に語る。認知的不協和か、合理的判断か。Anthropic の最新経済レポートは後者に重みを置く。

同じ道具、正反対の感情

2026年4月23日、Anthropic が自社ユーザーデータをもとにした AI 経済影響調査を公開した。同日 Gigazine が日本語で報じたこのレポートの核心は一行に収まる。「AI を最も多く使う職種ほど、自分の仕事への脅威認識が高い」。

直感とは正反対である。一般的な仮説はこうだ。AI を使いこなす人は AI を道具として飼いならした人であり、脅威を感じにくいはずだ。AI を使えない人こそ脅威を感じるはずだ。ところが実データはその逆を指している。使用強度（exposure）の高い職種ほど、脅威認識が強かった。

このパターンを単なる統計的偶然と見るのは難しい。Anthropic が測定した平均生産性向上スコアは7点満点で5.1点。回答者の多くが「主要な生産性向上（major productivity gains）」を実感している。にもかかわらず、同じ回答者が同時に仕事への脅威を報告している。片手に大きな利得、もう片手に大きな不安を抱えている構図である。

本稿はこの非対称が何を意味し、外注を発注する側や社内 AI 導入の責任者にとってどのような含意を持つかを分析する。先に結論を言えば、このデータは AI 導入を強行する根拠でも、抑制する根拠でもない。ただ 「誰が、どのように、どの速度で」という問いに、より精密な答えを要求している。

レポートが示した五つのパターン

パターン1：使用強度と脅威認識の正の相関

Anthropic は回答者ごとに Claude の使用強度を測る exposure メトリックを設定した。この値が高い職種群ほど、AI による自分の仕事への影響を高く見積もった。統計的に言えば「exposure と perceived job threat の間に正の相関」である。

解釈は二つ並ぶ。「AI を多く使う人ほど AI がどこまでできるかを知っている」というものだ。外から見れば漠然とした可能性が、ユーザーには具体的現実である。毎週 Claude で処理している作業の半分は、5年前の自分の職務記述書に主要業務として書かれていたものだったりする。この事実は、自分の能力の拡張であり、同時に自分の価値の希薄化でもある。

パターン2：キャリア段階による差

同レポートでは、キャリア段階の変数も分析されている。結果は明確だった。early-career professionals、つまりジュニア層が、シニアよりも有意に強く雇用喪失への懸念を示した。

これは別のデータとも整合する。Salesforce は2025年、新卒 SWE をゼロ人採用した。米国の大学でコンピュータサイエンス専攻志望者数が、ピーク比で最大62%減少したとの報道もある。AI がシニアエンジニアを置き換える速度よりも、ジュニアエンジニアの席を削る速度のほうが速い、という仮説は業界で徐々に支持を広げている。

Anthropic の今回のデータは、**「ジュニアたちの懸念が漠然とした悲観ではなく、データに裏づけられた認識である」**ことを示唆する。単に「若いから怖がっている」のではなく、市場のシグナルを最も早く読んでいる可能性がある、ということだ。

パターン3：所得と恩恵の偏り

生産性向上の分布は職種ごとに均一ではなかった。マネジメント、ソフトウェアエンジニアリング、その他の高所得職が向上の最大シェアを取った。AI が万人を平準化する道具ではなく、**「すでに上手な人をさらに上手にする道具」**に近い、という仮説を部分的に支持する。

経済学ではこれを skill-biased technical change と呼ぶ。新技術が高熟練労働者の価値を高め、低熟練労働者の価値を下げるパターンである。1990年代以降の情報化の効果が代表例として挙げられる。AI が同じパターンをより強く反復している、というのが今回のデータの一つの読みだ。

パターン4：「expanded scope」と「speed increase」が9割

回答者が報告した向上のおよそ90%は、二つのカテゴリに集中した。

第一は expanded scope（領域拡張）。自分の専門外の作業を可能にする効果だ。専門外のコードを書く、HR 担当者が SQL を扱う、デザイナーがフロントエンドコードに直接手を入れる。第二は speed increase（速度向上）。ある回答者は「2時間かかっていた金融の作業が15分で終わった」と報告した。8倍速である。

この二つは表面的にはどちらも肯定的だ。しかしよく見ると両義性がある。領域拡張は同時に 自分の職務境界の溶解 を意味する。フロントエンドエンジニアがバックエンドコードを直接書けるなら、バックエンドエンジニアから見れば、自分の領域に踏み込んでくる人が増える。8倍の速度向上は、1人あたり処理量の8倍 とも解釈でき、同じ仕事に必要な人数が8分の1になり得るという含意を持つ。

パターン5：両極端で脅威感が最大

最も興味深いのは最後のパターンだ。速度変化の両極端、すなわち 速度が大幅に下がった群 と 速度が大幅に上がった群 の双方で、雇用への脅威認識が最も高かった。

大きな速度向上が脅威感に結びつく理由は直感的だ。「これだけ速くなれば結局人は減る」という推論である。ただし、速度が下がった群の脅威感は別の話だ。AI を導入したのにワークフローが壊れた、レビュー・修正コストが増えた、出力の信頼性問題で時間がよりかかる、という事例である。それでも「AI を導入した」という事実そのものが経営層にとって効率化圧力に映り、実際の効率は下がっているのに人員は減らされ得るという懸念が生じる。

ここに創作分野のパターンが加わる。レポートによれば創作職は AI 導入そのものは他分野より遅いが、脅威認識は非常に強い。これは AI が直接侵入しなくても市場価格を引き下げ得る という合理的懸念を反映している。AI 製イラストやコピーが市場単価を引き下げれば、本人が AI を使わなくても影響は及ぶ。

同じ人物が二つの感情を同時に持つのはなぜか

生産性向上と仕事の脅威を同じ回答者が同時に報告するパターンは、初見では矛盾に映る。しかし合理的に分解できる。

第一に、時間軸の差 である。生産性向上はいま自分が体感していることだ。仕事の脅威は1〜3年後の可能性である。二つの感情は別の時間軸を見ているため、矛盾ではない。

第二に、個人効用と市場価値の分離 である。本人が AI で8倍速くなるのは個人効用だ。同時にその8倍は、労働市場で本人の時間単価が8分の1になり得る可能性を意味する。AI が本人を強化しつつ、本人の unique value を commoditize しているからだ。

第三に、合理的判断の結果 である。認知的不協和説は「人間が矛盾する二つの感情を同時に持つのは非合理だ」と見る。しかし上の二点を踏まえると、今回のパターンは回答者が 自分の状況を非常に正確に読んでいる 証拠に近い。AI を最も多く使う人ほど、AI の能力曲線と自分の能力曲線の距離を最も正確に測る。

レポートの限界と他データとの矛盾

今回の Anthropic 調査には特定の標本条件がある。回答者は Claude 個人アカウント保有者の自発的応答者だ。これは 自己選択バイアス（self-selection bias） の可能性を生む。AI から個人的に大きな恩恵を受けた人ほど応答に積極的であり得るため、5.1/7 という平均値は実際の母集団より過大推定の可能性がある。

より重要な矛盾は、同時期の他の調査との衝突だ。

米 NBER が2026年2月に公開した企業単位の調査では、AI を導入した企業の約80%が有意な生産性向上を報告しなかった。MIT が2025年に発表した別の調査では、企業 AI パイロットの95%が ROI を生み出せなかったとの結論もある。同時期 Gallup が測定した Z 世代の AI に対する感情変化は、excitement が36%から22%に下がり、anger が22%から31%に上がっている。

個人レベルの回答者が大きな向上を報告する一方で、企業レベルでは向上が測定されない。この矛盾の解釈は三つある。

第一に、自己報告バイアス。個人は節約した時間を過大評価し、増えたレビュー・修正時間を過小評価する傾向がある。

第二に、ワークフロー効果の未反映。一段階で時間が縮んでも、その出力が次の段階のボトルネックを作れば全体スループットは増えない。エンジニアがコードを8倍速く書いても、コードレビュー・QA・デプロイが従来通りなら出荷速度は8倍にならない。

第三に、自己選択バイアス。応答者は AI 積極ユーザーである一方、企業単位の調査は積極ユーザーと消極ユーザーを両方含む。

三つの仮説はいずれも部分的に事実だろう。いずれにせよ結論は同じだ。個人回答者の5.1/7は、企業レベルの ROI を保証しない。

発注企業と社内 AI 導入責任者の視点

ここで視点を発注企業、すなわち外注 IT 人材を受け入れたり、社内従業員に AI 導入を促す側に移してみる。

協力会社の「AI で X% 速くなった」主張の検証

外注先が見積もりや日程交渉の際、「AI 導入で X% 速くなった」を根拠として提示する事例が増えている。今回のレポートが示すのは、この主張を額面通り受け取るのが難しいということだ。回答者単位で5.1/7という大きな向上が報告されても、それがプロジェクト単位の成果物品質・スケジュール・総費用にどう換算されるかは別問題である。

検討に値する項目は次の三つだ。

段階別の時間計測。コーディング、コードレビュー、QA、結合テストの各段階で AI がどこをどれだけ短縮したか。
手戻り率。AI 生成物の手戻り頻度が、人間生成物に比べてどう違うか。
人員構成。同一スケジュール・品質基準で人員が減ったのか、同じ人員で成果物が増えたのか。

このいずれにも明確に答えられないなら、「AI で速くなった」という主張は定性的印象に近い。

社内従業員の脅威感のマネジメント

今回のレポートの重要な含意の一つは、従業員の雇用懸念が非合理な悲観ではなく、データに裏づけられた認識だという点だ。AI を積極的に使う従業員ほど懸念が大きい、という事実は、AI 導入を強く推進する会社ほど懸念が急速に膨らみ得ることを示唆する。

これを完全には消せない。ただし次のアプローチは検討に値する。

役割再定義の明示化。AI 導入後、各職務の核心価値がどこへ移動するかを会社が先に描き、それを従業員と共有する。これを後回しにする会社ほど、従業員の不安は推測で埋められる。
再教育トラックの具体性。「再教育」という抽象的約束ではなく、どのスキルセットへ、どの期間で、どう移行できるかという具体的な経路が必要だ。
early-career 向けの別設計。ジュニアの懸念が最大というデータを踏まえ、新卒採用方針とジュニア職務設計は別途検討を要する。「ジュニアを減らしてシニアで代替」という単純な戦略は、中長期的に人材パイプラインを破壊する危険がある。

「AI 強化職」の解雇 ROI を慎重に評価

最も危険な意思決定は、「AI で X 職が速くなったから人を減らしてよい」という単線的推論だ。今回のデータは二つを示唆する。

第一に、個人レベルの向上が企業レベルの ROI に換算されない可能性が高い（NBER、MIT データ参照）。第二に、脅威感の大きい従業員ほど、すでに AI を最もうまく使っている従業員である可能性が高い。そういう従業員を減らすのは、会社単位での AI 活用能力を同時に削る結果につながり得る。

解雇判断が必要な状況なら、少なくとも 「AI で速くなった分だけ減らす」 という算式ではなく、「速くなった時間をどこに再配置するか」 という問いが先にあるべきだ。後者に答えが出るまで、前者は保留に値する。

シナリオ：短期、中期、長期

今回のデータから描けるシナリオは三つだ。

短期（1年）：AI を上手く使う人がさらに上手く使うようになる強化パターンが支配的だ。マネジメントと SWE をはじめとする高所得職の生産性向上が際立ち、ジュニアと創作職の脅威感が増す。企業レベルの ROI は依然として明確に現れない。

中期（2〜3年）：二つに分岐する。一方はワークフロー再設計と役割再定義を通じて個人向上を企業 ROI へ転換した会社群。もう一方はそれができないまま費用だけが増えた会社群。両者の格差が広がる。職種の二極化も深まる。

長期（5年以上）：二つの可能性に分かれる。一つは企業レベル ROI が立証され、AI 統合が完全に日常化するシナリオ。もう一つはバブルが崩れ、一部領域で AI 導入が後退するシナリオ。いずれにせよ、人員構成と役割定義はもう一度組み替えられる。

三つのシナリオに共通するのは、短期的には脅威感がデータで正当化される時期である ということだ。

結論：非対称が問うていること

冒頭の問いに戻る。同じ人物が「AI で大きな向上」と「自分の仕事の脅威」を同時に報告するのは、認知的不協和か、合理的判断か。今回のレポートのデータは後者に重みを置く。自分を強化する道具が同時に自分を commoditize し得るという事実を、最も使う人が最も正確に読んでいる。

これは AI 導入を止めるべきだという結論ではない。加速すべきという結論でもない。ただ 「誰が、どの速度で、どんな安全装置とともに」 という問いに対し、会社全体としてより精密な答えを持つべき時期に来た、というシグナルである。

発注側 IT マネージャー、HR、経営層にこのデータが投げかける問いはシンプルだ。自社で AI を最も上手く使う従業員が最大の不安を抱えているとしたら、その不安を読み取れない導入戦略は会社をどの方向に連れていくのか。この問いへの答えが用意される前に導入速度を決めることは、データが示す非対称を無視する行為になる。

非対称は無視できるものではない。次の四半期の人員計画書が、その費用を請求してくる。

出典

Anthropic AI Economic Impact Report (2026-04-23)
Gigazine 報道 (2026-04-23)
NBER：Enterprise AI Productivity Survey (2026-02)
MIT：Enterprise AI Pilot ROI Study (2025)
Gallup：Gen Z AI Sentiment Tracker (2026-03)