-1.jpg?w=1024)
AnthropicのAIエージェントは、指示を出す従業員よりはるかに長い時間稼働している。だが、同社の最新の職場調査は、より複雑な問いを投げかけている。AIのこうした活動は、人間の仕事にとって何を意味するのだろうか。
同社が10月16日に発表した調査では、技術職の新規採用に占める若手従業員の割合は9%で、2025年初頭の27%から低下していた。一方、技術職の採用総数は増加していた。
機械学習部門のマネージャーのおよそ3分の1、ソフトウェアエンジニアリング部門のマネージャーの5分の1が、AIの影響で採用を減らしたと回答した。ただし、この調査では自動化が全体の変化を引き起こしたとは立証できなかった。エージェントを導入する雇用主にとって、今回の結果は実際の生産性や、将来のレビュアーを育成する方法について疑問を投げかけている。
技術職の採用に占める若手従業員の割合は低下
Anthropicは、従業員記録、AIのログ、アンケート、17件のインタビューを分析した。既存の技術職に占める若手従業員の割合は21%から14%に低下した。報告書は若手採用者数の実数を示していない。
The Decoderは、若手向け技術職の求人が2025年12月に入り急減し始めたと報じた。エージェントがコーディングやバグ修正を引き受けるようになれば、雇用主は実地訓練を提供する新たな方法を必要とする可能性がある。
また、MLQは、6対1という数値について、40時間労働制を基に推定した人間の労働時間に対する、エージェントの推論とツール利用の時間を数えたものだと説明した。6人の従業員が置き換えられたことを示すものではない。
AIの出力が増えても人間のレビュアーは必要
Anthropicは、6カ月間にエンジニア1人当たりのコードコミット数がおよそ5倍になったと報告したが、出力の量だけではビジネス価値を示せないと警告した。eWeekは のAnthropicとOpenAIにおけるAI生成コードも取り上げている。
Dealroomはボトルネックを浮き彫りにした。対話型のClaudeセッションは、経過時間の約80%を人間の入力待ちに費やしていた。エージェント管理の「メタ作業」は、セッションに占める割合が10%から22%に増加した。あるエンジニアは、「全員が私の注意を求めてくるClaudeの軍勢に直面している」と表現した。
今回の結果は、AIエージェントによって従業員が着手できる仕事の量は増える可能性がある一方、監督、レビュー、意思決定に関する新たな負担も生じうることを示している。自動化された活動が増えても、人間の専門知識が不要になるわけではない。
eWeekの分析：エージェント稼働時間が6倍でも生産性が6倍とは限らない
Anthropicの調査は、AIエージェントがどれほどの作業を実行しているように見えるかと、測定可能な価値をどれほど生み出しているかの間に隔たりがあることを明らかにしている。
エージェント稼働時間の6対1という数値は、人間の推定労働時間と比較してAIシステムが稼働していた時間を表している。エージェントが6倍の有用な仕事を完了したことや、6人の従業員を置き換えたことを意味するものではない。
Anthropicの指標 | 示すこと | 証明できないこと |
|---|---|---|
| エージェント稼働時間：6対1 | エージェントの稼働時間が長い | 生産性が6倍 |
| 若手採用：27%から9%へ | 若手の割合が低下 | 実数として採用者数が減少 |
| エンジニアのコードコミット：約5倍 | コード出力が増加 | より優れたソフトウェアや収益 |
同様に、コードコミット数が5倍に増えたことは出力の量が増えたことを示すが、ソフトウェアの品質向上、エラーの減少、開発コストの低下を必ずしも意味しない。若手採用の割合の低下も、AIによる自動化が変化の原因だったとは立証できない。
エージェント導入企業192社と非導入企業74社を比較した今回の調査には、別の限界もある。導入は無作為化されておらず、その後エージェントを導入した従業員の一部は、導入前からすでに出力を増やしていた。
こうした違いは企業にとって重要だ。AIエージェントを評価する組織は、活動量の指標を生産性や人件費削減の直接的な証拠とみなすのではなく、完了した仕事、品質、レビューにかかった労力、総コストを測定すべきだ。
若手職を削減する前に企業が確認すべきこと
AnthropicのAI中心の職場を、あらゆる組織に適用できる人員配置の青写真とみなすことはできない。エージェントの導入を拡大したり、若手向けの求人を減らしたりする前に、テクノロジー部門と人事部門のリーダーは3つの優先事項を検討すべきだ。
- 実際の生産性向上を測定する。AIエージェントを使わない同様の業務フローと比べ、完了したタスク、エラー率、手戻り、レビュー時間、総コストを比較する。エージェントの活動量が増えても、効率が高まるとは限らない。
- 人間による監督を計画する。AIが生成した成果物をレビューする従業員を割り当て、承認手順を設け、修正やレビューの滞留によってプロジェクトが遅れていないかを監視する。
- 若手の訓練機会を守る。若手従業員を経験豊富なエンジニアと組ませ、監督下でのデバッグ、コードレビュー、インシデント調査に取り組ませる。技術的な判断を自力で下すために必要なスキルを身につけているかを追跡する。
長期的な課題は、能力を高め続けるAIシステムを監督できる人材を維持することだ。経験豊富なエンジニアは、出力を評価し、誤りを見つけ、自動化された作業が品質とセキュリティーの要件を満たしているかを判断し続けなければならない。
企業が定型的なコーディングやデバッグをAIに任せる割合を高めるなら、若手従業員が実務経験を積むための別の機会を設けるべきだ。マネージャーは、若手をAI生成コードのレビューやエラーの調査に参加させ、より複雑な課題への責任を段階的に担わせることができる。
エントリーレベルの採用を減らせば、当面の人件費は下げられるかもしれない。しかし雇用主は、将来、より自律的なシステムを誰が監督するのかも考える必要がある。訓練への継続的な投資がなければ、企業はやがて、コストのかかるエラーを見つけ、AI生成の成果物の品質を維持するのに十分な経験者を育成できなくなる可能性がある。
職場でAIを使う自信を高めたいなら、無料の6分間の AIへの話しかけ方コースを試してみよう。より良いプロンプトを書き、AIからより役立つ結果を得るための簡単な方法を学べる。eWeekの読者は、The Neuron AcademyのほかのAIコースにも7日間無料でアクセスできる。 すべてのレッスンをこちらで確認 →