For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ja/articles/anthropic-ai-work-report-agent-hours-hiri-d16b5c5e.md.
Anthropicは10月16日、社内でのAI活用と、AI技術に対する世間の期待を並べて検討した2つのレポートを発表しました。1つは同社の雇用と業務を分析し、もう1つはAnthropic従業員1,334人の調査結果を米国成人の回答と比較しています。
Anthropicは10月16日、社内でのAI活用と、AI技術に対する世間の期待を並べて検討した2つのレポートを発表しました。1つは同社の雇用と業務を分析し、もう1つはAnthropic従業員1,334人の調査結果を米国成人の回答と比較しています。
両者の差は大きく、従業員は2030年までにAIが現在の業務時間の平均75%を担えるようになると予想しています。一方、就業中の米国回答者が挙げた割合は28%でした。2030年までにノーベル賞級の発見が実現する可能性については、従業員の期待が91%、米国成人の期待が39%でした。
これは異なる経験に基づく予測であり、すでに確定した未来を測定した2つの結果ではありません。レポートを理解するには、Anthropicが1社の内部で観測した内容と、回答者が今後起こると考えていることを分けて捉える必要があります。
Anthropicの雇用に関する調査は、社内の雇用・成果記録、エージェントのテレメトリ、コミュニケーションおよびカレンダーデータ、採用評価、アンケート、従業員17人へのインタビューを組み合わせています。技術職と非技術職の両方で、エージェントの活用が日常的になった組織の姿を描いています。
2026年3月、自律型エージェントと対話型エージェントを合わせた稼働時間が、推定人間労働時間を初めて上回りました。8月には、従業員が指示する対話型エージェントだけで人間の労働時間のおよそ6倍に達し、元資料のグラフでは研究組織が約19倍となっていました。
これらの比較を理解するには、定義を確認する必要があります。エージェントの稼働時間には推論とツールの能動的な使用が含まれ、30分を超える待機時間は除外されています。人間の労働時間は、従業員数に週40時間を掛けて推定されています。並列に動作するソフトウェアは、短時間で稼働時間を積み上げられます。稼働時間が6倍であることは、有用な仕事が6倍になったことや、従業員6人分が置き換えられたことを意味しません。
部門内のSlackネットワークの例は、コミュニケーションの変化を示しています。元資料によると、従業員155人とエージェントとの会話150件だった状態から、従業員237人とエージェントとの会話7,922件へと増加しました。エージェントを表すノードはスレッドやセッションであり、人間と同等の同僚が何千人もいることを意味するものではありません。
レポートによると、エンジニアリングのコミット数は2025年12月の基準値のおよそ5倍に増加しました。データサイエンスのクエリ数、処理した契約書数、請求書数、営業の成果も増加しています。元資料のグラフでは、エンジニア1人当たりのコミット数は基準値の5.1倍となっています。
Anthropicは、エージェントツールを導入した従業員と、まだ導入していなかった従業員を時間の経過に沿って比較しています。これは単純な導入前後の全社合計を比べるより有益ですが、導入は無作為に行われたわけではありません。事業の成長、プロジェクトの変化、早期導入者の特性が比較結果に影響する可能性があります。
コード量も、品質やビジネス価値を測る完全な指標ではありません。Anthropicは、個人内でのコード比較において、その後の削除や差し戻しに関する複数の代理指標に差はなかったと報告しています。ただし、そうした代理指標ですべての潜在的な不具合を把握できるわけではありません。
以下の例は、組織の変化を具体的に示しています。
これらは範囲が限定された社内の成果と個人の経験談です。ある週の業務量が他社の3か月分に相当するという発言は、インタビュー対象者による比較であり、経済全体の生産性比率を測定したものではありません。
生成が速くなると、別の問題が生じます。人間は無制限の出力を確認できません。元資料のグラフでは、エンジニアリングおよび研究分野でClaudeが1週間に生成した内容をすべて読むには、1人当たり約424時間かかると推定されています。
これは、生成トークン数を「1トークン当たり0.75語」「読書速度は毎分250語」とする前提で、読書時間に換算した値です。従業員が実際に424時間働いた、あるいは生成された文章をすべて読む必要があったという意味ではありません。
一方、対話型セッションでは、経過時間の約80%が人間の入力を待つ時間でした。これは待機時間の指標であり、タスク失敗率が80%という意味ではありません。この2つの観測結果は、注意力がボトルネックになっていることを示しています。エージェントはより多くの成果物を生成できますが、人間は依頼内容を決め、結果を確認し、行動に移す必要があります。
従業員は、他のエージェントを振り分けるエージェント、監視ダッシュボード、再利用可能な指示を作成することで対応しました。記録された常設指示は、1年間で数百件から8,500件に増加しました。レポートでは、こうしたツールや調整に費やされたセッションの推定割合が、10%から22%へ上昇しています。
組織のコンテキストを最新の状態に保つことも重要です。ある従業員は、古い販促品の文書に名前が残っていたため、担当業務が変わった後も、エージェントからシャツやマグカップについての依頼を受け続けました。ソフトウェアの活動が増えても、組織の記憶が自動的に正確になるわけではありません。
Anthropicが1日にマージするコード変更は、5月の約2,500件から、9月には30,000件超へ増加しました。同社のエンジニアリング報告では、レビューなどのツールを構築しながら、モノレポを新しいソース管理システムのScionへ移行した経緯が説明されています。
7人のチームがシステムを構築し、5か月で移行を完了しました。具体例として、初期のMythos PreviewによるGitからScionへの取り込みパイプラインの書き換えでは、チームが以前に作成したプロトタイプと比べ、メモリ使用量が20分の1になり、実行速度が4倍になりました。この倍率は当該パイプラインの比較に適用されるもので、エンジニアリング業務全般の成果ではありません。
Anthropicの従業員調査は8月に実施され、米国成人10,980人を対象としたMorning Consultの調査と並行して行われました。米国のサンプルは全国の成人を代表するよう加重されましたが、従業員調査には加重処理が行われていません。米国回答者への将来に関する質問は、2027年と2030年について分けて尋ねられました。
AIが現在できることについては、両グループの回答は2030年の能力に関する予想ほど大きく離れていませんでした。どちらのグループでも、およそ4分の1が、AIはすでに科学的研究を設計し、実施し、発表できると考えていました。2027年までにその能力を備えるとの期待は、従業員で約90%、米国成人で38%と大きく分かれました。
Anthropic以外のコンピューター、エンジニアリング、科学分野の職種に就く従業員は、2030年までにAIが自分の業務の33%を担えるようになると予想しました。これらの職種でAIを定期的に利用している人では40%に達しましたが、Anthropic従業員の75%には及びません。
アイデアを一文で入力するだけで、We0 AI が紹介サイト、ページ、CMS を生成し、公開後の顧客獲得と流入拡大を支援します。
無料登録で完全なプロジェクトを 1 つ生成
1 つの完全な生成フローを試し、最初のプロジェクトのドラフトをすぐに確認するのに最適です。
時間の節約に関する回答にも違いがありました。AIに適したタスクを、確認と修正も含めて考えたとき、従業員の59%は、所要時間が4分の1以下になったと答えています。職場でAIを使う米国成人では、この回答を選んだ割合は26%でした。また29%は、AIを使っても同じ時間がかかる、あるいはそれ以上かかると答えています。
これらはAIに適したタスクについての回答であり、すべての業務に当てはまるものではありません。使えるツール、ワークフロー、タスクの選び方、モデルへのアクセス、組織のサポート、回答者の期待の違いが結果に反映されている可能性があります。
従業員には、研究の方向性、実験、評価を含む、2026年初頭のフロンティアモデルを構築するというより広い業務についても尋ねました。AIが当時担っていた割合の中央値は51%で、2027年末までに80%、2030年末までに95%に上昇すると予想されていました。
95%という数字は、社内調査における個人の予測の中央値です。監査済みの測定値でも、開発のちょうど5%を人間に任せるというAnthropicの公式方針でもありません。また、「2026年初頭のモデル」という固定された基準点は、2030年にフロンティアと見なされるモデルを構築するのに必要な作業の割合を尋ねることとは異なります。
Anthropicの別の研究に関する解説では、進歩を示す範囲の限定された例が紹介されています。
| 実験または事例 | 報告された結果 | 比較の範囲 |
|---|---|---|
| 小型モデルの学習コードを最適化 | Mythos Previewは開始時の速度のおよそ52倍を達成。熟練した人間は4～8時間で約4倍に到達 | 固定されたコード最適化タスクであり、実際のフロンティアモデル学習が52倍速くなることを示すものではありません。 |
| 弱い監督から強いモデルを導く研究 | エージェントは、累計800時間と約18,000ドルの計算資源を使い、定義された性能差の97%を回復。2人の人間は1週間で約23%を回復 | 問題と評価基準を選んだのは人間であり、結果は本番規模のモデルにはそのまま適用できませんでした。 |
| 研究の次の一手を選択 | 選定された129件の事例の64%で、Mythos Previewの提案の方が優れていると評価 | もとの人間の判断に改善の余地がある事例が、意図的に選ばれていました。 |
最後の事例における選定条件は、特に重要です。人間の選択がすでに優れていた別の127件では、モデルの提案の方がよいと判断された割合は約20%にとどまりました。この調査結果が示すのは、特定の研究要素における改善であり、AIが人間の研究判断を全般的に上回ったという結論ではありません。
Anthropic全体の規模は大きく拡大しましたが、技術職の採用構成は変化しました。雇用レポートによると、技術部門に占める若手従業員の割合は21%から14%に低下し、採用者に占める若手の割合は27%から9%に下がりました。
割合の低下だけでは、絶対数として従業員が減ったとは限りません。一方で、別の問いが生じます。実装に関する初歩的な業務が雇用につながる機会が減るとすれば、人々はどのように専門性を身につけるのでしょうか。同社のレポートは、社内での異動やリスクにさらされる職種のモニタリングについて述べています。また、現在の従業員を守ることは、採用されなかった人の助けにはならないと認めています。
従業員は、会社全体の採用が止まるとは一般に考えていませんでした。95%は、今後1年間で従業員数が増えると予想しました。これは従業員の見方であり、採用計画ではありません。
期待に関するレポートでは、調査回答を経済モデルに当てはめています。米国成人の回答中央値からは、2030年の米国GDP成長率として5.4%が示され、Anthropic従業員の回答中央値からは17.1%が示されました。これらの数値は、条件付きのモデルシナリオを表すもので、実測された成長率でも、無条件の予測でもありません。
元資料は、Anthropicが広範な導入よりおよそ18か月先行しているという見方で締めくくられています。これは経済的な解釈として捉えることはできますが、他社にも一律に当てはまる18か月の導入スケジュールが、レポートによって証明されたわけではありません。普及の進み方は、信頼性、セキュリティ、コスト、規制、顧客の選好、業務の組み立て方に左右されます。
いいえ。95%は、2026年初頭のフロンティアモデルを構築する業務について尋ねた質問に対する、2030年末時点の従業員予測の中央値です。レポートでは、この個人の推定値を会社による測定や予測と明確に区別しています。
いいえ。稼働時間の比較ではソフトウェアの実行時間を数え、人間の時間は従業員数から推定しています。削減された業務時間を確認するには、タスクの成果、品質、確認にかかった労力、人間だけで行うワークフローとの妥当な比較が必要です。
約5倍という数値は、特定の基準値に対するエンジニア1人当たりのコミット数を指します。すべての職種で同じ向上があったことを示すものではなく、コード量の増加だけでは有用な成果を十分に測れません。
出力量を、想定された速度で読むために必要な時間へ換算した値です。生成されたテキストの規模を示すものであり、従業員の実際の労働時間や、すべてを読む必要があったことを示すものではありません。
これは、急速に成長している1社のAI企業で採用構成が変化したことを示すものです。より広範な結果は、導入状況、需要、タスクの創出、雇用主が研修やキャリアパスをどう構築するかによって変わります。
この数値は、従業員回答者の中央値から導かれたモデルシナリオです。AIの能力、導入、時間の節約、自律性、労働者の移行に関する前提に左右されます。
Anthropicの社内データは、エージェントの利用拡大、複数の指標における成果の増加、エージェントの監督に費やす業務の増加、若手技術職の採用割合の低下を示しています。また、従業員調査では、一般の人々を対象とした調査よりもAIの進歩をはるかに速く見込んでいます。
このレポートは、職場で観測された変化、特定タスクに関する実験、個人の予測をそれぞれ分けて捉えることで、最も有益に活用できます。
ひとことから始めて、数分で完全なサイトを手に入れましょう。
