エージェンティックAIがすべてのタスク曝露予測の前提を覆す

TL;DR. タスク曝露の枠組みは、人間がまだ行っている業務の周囲に生き残る「殻」として職業を扱う。エージェンティックなシステムは目標を追求し、完成した成果物を納品するため、かつて職を守っていた調整業務は...

主な要点

過大だった初期の予測. 産業用ロボットは確かに製造業の労働者を代替した。しかし、当初の予測が示唆していたスケジュールや規模でそれが起きたわけではなかった。労働市場の予測を読むことを生業とする人なら、この一文に少し警戒心を抱くはずだ。なぜなら、方向性は正しかったが規模の予測は外れたというパターンを言い表しているからである。.
タスクの枠組みはどのように機能するか. どこに負荷がかかっているのかを理解するには、タスク分析の伝統が何を主張しているのかを正確に押さえておくと役に立つ。.
すべての枠組みが共有する盲点. 元論文は、これらすべての研究に対して鋭い指摘を行っている。引用されたすべての枠組みは、構造的な盲点を共有しているというのだ。すなわち、職業自体はそのまま残る一方で、自動化が個別のタスクを一つずつ切り取っていくものとしてモデル化しているのである。オーター、レヴィ、マーネインのタスク枠組みに基づくものを含め、ほぼすべての予測が、自動化は一度に一つずつタスクを奪い、職業は残された人間の業務を囲む「調整の殻」として生き残るという前提を共有…
何をもって「エージェンティック」とするか. 議論がある区別の上に成り立つのであれば、その区別には定義が必要だ。元論文は4つの基準からなる定義を提示している。エージェンティックAIシステムとは、次のことを行うシステムである。.

労働市場の予測はこれまで、自動化がタスクを一つずつ奪っても職業自体は残ると仮定してきた。しかしワークフロー全体を完遂するエージェンティックAIはその前提を無効化し、従来の枠組みでは測れない影響を捉える新たな複合指標「エージェンティック・タスク曝露度（ATE）」が構築された。

エグゼクティブ・サマリー

オーター、レヴィ、マーネインのタスク枠組みに基づくものを含め、従来の自動化予測は一つの前提を共有している。それは、残された人間の業務を束ねる「調整の殻」として職業が生き残るという前提だ。

エージェンティックAIシステムは4つの基準を満たす。目標仕様を受け取り、自律的にツールを選択・呼び出し、複数の推論ステップにわたって状態を維持し、中間ステップでの人間の介入なしに完成した成果物を生成する。

ATEスコアは、AI能力スコア、ワークフロー網羅係数、ロジスティック導入速度を組み合わせる。信用アナリスト、裁判官、サステナビリティ専門家のATEスコアは0.43から0.47に達する。

論文は米国の5大テクノロジー地域における主要6職業群・236のSOCコードにATEを適用しており、エージェンティックAIシステムに特化したタスク曝露フレームワークの初の多地域実証研究と位置づけている。

雇用の代替と並行して、論文は人間とAIの協業、AIガバナンス、ドメイン特化型AI運用に集中する17の新興職業カテゴリーを特定している。

過大だった初期の予測 #

産業用ロボットは確かに製造業の労働者を代替した。しかし、当初の予測が示唆していたスケジュールや規模でそれが起きたわけではなかった。労働市場の予測を読むことを生業とする人なら、この一文に少し警戒心を抱くはずだ。なぜなら、方向性は正しかったが規模の予測は外れたというパターンを言い表しているからである。

この分野の文献で最もよく知られた象徴的な数字は、フレイとオズボーンによるものだ。彼らは専門家に米国の702の職業について全体的な「コンピュータ化可能性」を採点してもらった。その結果、職業の47%が高リスクにあるという結論が出た。これは強烈な数字であり、広く独り歩きした。

その後、アルンツ、グレゴリー、ジーラーンは、分析をタスクのレベルまで掘り下げ、名目上は曝露しているとされる職業の内部にあるタスクの異質性を考慮するとどうなるかを示した。OECD諸国全体で、高リスクとの推計は9%から14%へと急落する。47%と9-14%の差は、端数処理の不一致などではない。分析の単位に関する選択を反映したものであり、その選択によって答えが3倍以上も変わるのである。

元論文は、職業レベルの推計とタスクレベルの推計をめぐる論争が未解決であることを率直に認めている。ただ、この分野が到達した実務上の合意は明確だ。タスクレベルへの分解は不可欠であり、職業レベルのラベル付けは粗すぎるということである。この合意こそが、以降の議論が立つ土台である。そして同時に、エージェンティックAIが揺さぶりをかけている土台でもある。

タスクの枠組みはどのように機能するか #

どこに負荷がかかっているのかを理解するには、タスク分析の伝統が何を主張しているのかを正確に押さえておくと役に立つ。

オーター、レヴィ、マーネインは、職業上のタスクを2つの軸で分割した。定型（ルーチン）対非定型（ノンルーチン）、そして知的（コグニティブ）対肉体的（マニュアル）である。彼らの主張は、自動化は定型業務を代替する一方で、非定型業務を補完するというものだった。これは明快なアイデアであり、仕事のどの部分を機械が吸収できるかを議論するための語彙を後続の研究に与えた。

アセモグルとレストレポは、その上に形式的な構造を築いた。彼らは産出物を、資本と労働の間に配分される連続的なタスクから生じるものとしてモデル化する。彼らの枠組みでは、彼らが「復権チャネル（reinstatement channel）」と呼ぶ新規タスクの創出がタスクの代替を上回るかどうかに応じて、労働分配率が上昇または低下する。彼らに従えば、付加価値に占める労働分配率は sL = W * L / Y = f(|NL| / |N|) と表される。ここで W は賃金率、L は雇用、Y は産出である。2つの力が綱引きをし、どちらが勝つかによって誰が利益を手にするかが決まる。

さらに2つの測定研究がここで重要になる。理論的枠組みを職業レベルの数値へと変換したためだ。フェルテン、ラジ、シーマンズは、公表されたAI能力の進歩をO*NETの能力分類体系と結びつけ、AI職業曝露度（AIOE）スコアを構築した。エルンドゥらはGPT-4に焦点を当てた並行指標を構築し、タスクレベルでのクラウドワーカーによる注釈とGPT-4自身の自己評価を組み合わせた。

彼らの主要な発見は、米国の労働者の80%が、少なくとも10%のタスクが大規模言語モデル（LLM）に曝露している仕事に就いているというものだった。最も強い曝露は、高賃金で学位を必要とする職業に集中していた。この結果は、自動化はまず定型的で低賃金の仕事を直撃するという従来の直感に反するものであり、なぜホワイトカラーの問題が喫緊の課題となったのかを説明している。

すべての枠組みが共有する盲点 #

元論文は、これらすべての研究に対して鋭い指摘を行っている。引用されたすべての枠組みは、構造的な盲点を共有しているというのだ。すなわち、職業自体はそのまま残る一方で、自動化が個別のタスクを一つずつ切り取っていくものとしてモデル化しているのである。オーター、レヴィ、マーネインのタスク枠組みに基づくものを含め、ほぼすべての予測が、自動化は一度に一つずつタスクを奪い、職業は残された人間の業務を囲む「調整の殻」として生き残るという前提を共有している。

これは構造に関する前提であって、技術に関する前提ではない。機械がどれほど有能かについては何も語っていない。機械がどれだけ多くのタスクを引き受けようとも、残りの部分を誰かがまとめ上げなければならないと言っているのである。

パラリーガル（法務助手）の例が、この点を具体的に示している。タスク曝露分析では、パラリーガルのタスクの80%がLLMに曝露していると判定されても、それらのタスクを調整するには人間の判断が必要であるため、職業としては安全だと結論づけられるかもしれない。この結論は「殻の前提」から導かれる。個々のタスクは曝露しているが、それらを縫い合わせる作業は曝露していないため、仕事は残るという理屈だ。

そこで元論文の核心的な一手が登場する。パラリーガルの役割を守っていた「調整のボトルネック」は、今やエージェントの計画モジュールの内部に入っているという指摘である。もしこれが成り立つなら、パラリーガルを安全だとみなしていた推論は機能しなくなる。職を守っていたのは調整業務であり、その調整こそがエージェンティックなシステムが行うことだからだ。

私はこれが本論文で最も有用なアイデアであり、その言葉通りに受け止められるべきだと考える。従来の枠組みは、タスクについて間違っているのではない。タスクが奪われた後に何が残るかについて間違っているのだ。タスクを一つずつ採点する指標では、一連の順序をひとまとまりの単位として処理するシステムを捉えることはできない。

何をもって「エージェンティック」とするか #

議論がある区別の上に成り立つのであれば、その区別には定義が必要だ。元論文は4つの基準からなる定義を提示している。エージェンティックAIシステムとは、次のことを行うシステムである。

タスク仕様ではなく、目標仕様を受け取る。
目標を追求するために、自律的にツールを選択して呼び出す。
複数の推論ステップにわたって状態を維持する。
中間ステップでの人間の介入なしに、完成した成果物を生成する。

これらの基準は互いに独立しており、一つずつ検証可能であるため、箇条書きのまま押さえておく価値がある。プロンプトに答えるだけのシステムは1つ目の基準を満たさない。中間ステップごとに人間の承認を必要とするシステムは4つ目の基準を満たさない。

もっと平易な言葉で言えば、エージェントは目標を受け取り、ツールを選び、複数ステップの計画を実行し、自らの出力をチェックして、完成した成果物を納品する。エージェンティックなシステムはツール呼び出しを連鎖させ、ステップ間で永続的なメモリを維持し、複数のアクションからなる順序を計画し、中間出力が品質チェックに落ちた場合は自己修正する。

この「自己修正」という細部は、一見する以上に重要である。1つのステップが失敗したときに止まってしまうパイプラインには、依然として近くに人間が必要だ。しかし、品質チェックの失敗に気づいて再試行するシステムは、かつて人間がそこにいることを正当化していた監督業務の一部をすでに吸収しているのである。

論文はその対象を次のように定義している。個別のタスクではなく、職業上のワークフロー全体を完遂できる自律型AIエージェント。「全体」という言葉に重みがある。議論のすべては、個別のタスクと完全なワークフローとの間にあるギャップをめぐるものだ。

なぜ「今」なのか #

元論文は、この問いが仮定の話ではないことを示す2種類の証拠を提示している。1つ目は能力に関するものだ。GPT-4クラスのモデルは、司法試験および米国医師国家試験（USMLE）で合格ライン以上のスコアに達し、CFA（公認証券アナリスト）レベルIでも合格まであと数パーセントポイントに迫った。これらは業務が高度であるがゆえに参入を制限している専門職の資格試験である。

2つ目は実運用への導入に関するものだ。Amazon、Microsoft、Salesforce、ServiceNow、Workdayを含む主要エンタープライズ技術ベンダーは、2024年の決算説明会や投資家向けプレゼンテーションにおいて、ホワイトカラーのワークフローに関わるエージェンティックAIの本番導入を開示した。これらは研究用のデモではなく本番環境での導入であり、研究者ではなく投資家に向けて発表されたものだ。

元論文はこれらの開示を、導入がすでに人員計画（ヘッドカウント計画）に影響を与えているときにのみ企業が行う種類の発表として読み解いている。元論文自身、これを測定値ではなく「解釈」として位置づけており、そのまま解釈として受け止めるべきだ。私に与えられた資料の中には、人員数を直接報告している箇所はない。しかし、この推論には妥当性がある。企業は通常、コスト基盤に関わるものでない限り、投資家の前にシステムの導入事例を持ち出したりはしないからだ。

この2つを合わせれば、新しい指標が必要になる理由は明快である。能力だけでは問題は顕在化しなかっただろうし、いくつかのパイロット導入だけでも同じだっただろう。しかし、すでに本番稼働しているシステムの中で、専門職の閾値を超える能力が発揮されているのであれば話は別だ。

ATEスコア：何を測定し、何を測定しないか #

論文の回答が「エージェンティック・タスク曝露度（ATE）」スコアである。これはアセモグルとレストレポのタスク代替フレームワークを拡張し、エンドツーエンドのワークフロー網羅率、現在のエージェンティックAIの能力ベンチマーク、企業の導入速度を考慮に入れた複合指標だ。このスコアは、ある職業 o が現在のエージェンティックAIシステムによるエンドツーエンドの代替にどの程度さらされているかを測定する。

そこには3つの要素が組み込まれている。AI能力スコア、ワークフロー網羅係数、そしてロジスティック導入速度である。このうち「ワークフロー網羅係数」こそが、先ほどの盲点に直接対処する要素だ。元論文は、従来の研究に欠けていたのは「ある職業のワークフロー構成全体がエージェンティックAIの運用範囲（オペレーショナル・エンベロープ）の中に収まっているかどうか」を測る指標であると述べ、それをワークフロー網羅係数として定式化している。従来のスコアは、個別のタスクが曝露しているかどうかを問う。この新しいスコアは、ワークフロー全体がエージェントにできることの中に収まるかどうかを問うのである。

構築にあたっては、さらに2つの要素が規定されている。wo,t という項は、職業 o におけるタスク t の重要度加重された関連性であり、O*NETのタスク重要度評価から取得される。そして能力項である CAP(t) は、AIベンチマーク文献および実務家の導入レポートから推計される。つまり、タスクの重要度は標準的な職業データベースから得られ、能力はベンチマークと現場のレポートという2つの情報源から得られる仕組みだ。

論文は手法について明確に述べており、読者もその点を踏まえて読むべきである。ATEスコアは較正された導入パラメータを用いてO*NETのタスクデータからアルゴリズム的に算出されたものであり、回帰推計値ではない。これには実務上の意味がある。回帰推計には標準誤差や識別議論といった通常の統計的装置が伴う。しかし較正されたアルゴリズム的複合指標にはそれがなく、その出力は論文自身が代替数値に対して使っている表現を借りれば「モデル由来の予測値（model-derived projections）」である。それらは設定されたパラメータの下でモデルが示唆する内容を描写するものであり、実際に起きた出来事を報告するものではない。

私はこれが誠実な枠組みの設定であり、予測対象がまだ起きていない予測問題に対して適切なアプローチだと考える。明示された入力から構築された複合指標は、検証し、異議を唱え、再較正することができる。もし導入速度について異論があるなら、どのダイヤルを動かせばよいかが誰の目にも明らかだ。

モデルが適用される対象 #

実証適用の範囲は広い。論文はATEフレームワークを主要6職業群にわたる236の標準職業分類（SOC）コードに適用し、2025年から2030年の期間について、米国の主要5大テクノロジー地域におけるモデル由来の代替予測を算出している。5つの地域とは、サンフランシスコ・ベイエリア、シアトル・タコマ・ベルビュー、オースティン・ラウンドロック、ニューヨーク・ニューアーク、およびボストン・ケンブリッジである。

論文はこれを、エージェンティックAIシステムに特化したタスク曝露フレームワークの初の多地域実証適用と位置づけている。これは著者らによる先行性の主張であり、手元の資料だけから私が裏付けることはできない。ただ私が言えるのは、この地域別の設計が、全国レベルの研究が共有する問題に対する理にかなった回答になっているということだ。曝露度は職業の属性だが、導入は場所や企業の属性だからである。

元論文が示す結果によると、信用アナリスト、裁判官、サステナビリティ専門家のATEスコアは0.43から0.47に達する。この組み合わせは改めて注目する価値がある。信用アナリスト、裁判官、サステナビリティ専門家は、訓練の過程でも、報酬でも、日々の業務内容でも互いに似ていない。論文の説明において彼らに共通しているのは、同じ範囲のスコアに位置しているという点だけだ。私はこれを、セクターや認識されている創造性によって仕事を「安全」と「危険」に安易に仕分けするようなやり方に対する反証として読む。

同時に、元論文が裏付けている以上にこの数字を深読みすることも避けたい。手元の資料はこの3つの職業のスコア範囲を示しているだけで、残りの236のコードと比較してどうなのかは述べていない。したがって、この数字はこれらの職務が論文の尺度において相当程度さらされていることを示してはいるが、最も強くさらされていることを示しているわけではない。

地域別の結果には、繰り返しておく価値のある留保がついている。論文は、2026年から2027年にかけてのシアトルにおける労働力への影響が、2028年から2030年にかけて全国のより広範な非技術系労働力が経験することの先行指標になると述べている。これはタイムラグを明示した予測であり、慎重な留保がつけられている。モデルが生み出した仮説として読むべきであり、確立された事実として受け取るべきではない。しかし、間違っていることが判明し得るほど具体的であるため、有用な種類の主張である。もしシアトルの初期パターンが2028年までに全国の非技術系労働力へと波及しなければ、モデルは言い逃れのできない問題を抱えることになるからだ。

台帳の「復権（新規創出）」側 #

代替スコアだけでは、アセモグルとレストレポの物語の半分しか語れない。彼らの枠組みでは、労働分配率は新規タスクの創出が代替を上回るかどうかにかかっている。枠組みを拡張しながら代替だけを測定した論文であれば、その枠組みに緊張感を与えている核心部分を放棄したことになるだろう。

本論文はそうしていない。エージェンティックAIが復権効果（reinstatement effects）を生み出す職業カテゴリーを特定している。すなわち、エージェンティックAIの導入が大規模な人間の監督、ガバナンス、協業への需要を生み出す前には存在しなかった新しい役割である。論文は復権効果の恩恵を受ける17の新興職業カテゴリーを特定している。それらは人間とAIの協業、AIガバナンス、およびドメイン特化型AI運用の役割に集中している。

そのメカニズムは理解しやすい。エージェントがワークフローを最初から最後まで遂行するのであれば、誰かがそれらを監督し、稼働のルールを設定し、それらと並走して働かなければならない。監督すべき対象がまだ存在しなかったからこそ、それらのニーズが職業として存在していなかったのである。

元論文は、これら17のカテゴリーが何人を雇用することになるのか、あるいはその成長がATEスコアの示唆する代替を相殺するかどうかについては教えてくれない。したがって、私が使えるデータでは、復権が代替を上回るのかという中心的な問いは開かれたままだ。上回るとか、あるいは上回らないと自信満々に書く人は誰であれ、検証された主張の範囲を超えている。本論文の貢献は、台帳の両面を同じフレームワークの中に収め、新しい役割がどこに現れるかを具体的に名指しした点にある。

ここから何を読み取るべきか #

方法論上の教訓と、実務上の教訓が1つずつある。

方法論上の教訓は、分析の単位が答えを決めるということだ。47%から9-14%への変化は、単位を職業からタスクへと移したことで生じた。論文は、自動化される対象がもはや個別のタスクではないため、今やタスクからワークフローへとさらに一歩進める必要があると主張している。単位が変わるたびに推計値も変わってきたのであり、この分野の歴史は、分析単位の選択がデータの選択と同じくらい厳密に吟味されるべきであることを示唆している。

実務上の教訓は、今後5年間の人員計画、研修、あるいはプロダクトを計画しているすべての人に向けたものだ。ある職務のタスクの80%が曝露していると教えてくれるスコアだけでは不十分である。なぜなら、残りの20%が人間ならではの堅固な中核業務なのか、それともエージェントの計画モジュールが今や供給できるようになった単なる「接着剤」なのかを教えてくれないからだ。ワークフロー網羅係数は、その問いを直接投げかけるために存在している。

ATEスコアは較正されたパラメータを持つ複合指標であり、その予測はモデル由来のものである。それらは2025年から2030年に関する構造化された議論であって、事実の記録ではない。だからこそ、無視するのではなく検証する理由がある。シアトルの仮説は初期の検証機会を提供してくれる。もし2026年から2027年にかけての現地での影響がモデルの示唆通りになるなら、2028年から2030年にかけて全国の非技術系労働力へと波及するタイムラグが次に注視すべき対象となる。そして17の復権カテゴリーは、モデルだけでは決着をつけられない問いを突きつけている。エージェントを監督するために生まれる新たな役割が、労働分配率を左右するほどの規模で到来するかどうかという問いである。

よくある質問 #

なぜ従来のタスク曝露フレームワークはエージェンティックAIの影響を過小評価するのですか？

オーター、レヴィ、マーネインの伝統に基づく従来のフレームワークは、自動化が個別のタスクを取り除いても、職業自体は人間による調整の殻として生き残ると仮定しています。エージェンティックAIシステムは、これまで人間の調整役を必要としていた計画立案、ツールの呼び出し、状態管理、中間品質チェックを吸収するため、孤立したタスクではなくワークフロー全体を代替にさらします。

エージェンティック・タスク曝露度（ATE）スコアはどのように算出されますか？

ATEは、O*NETのタスク重要度評価（wo,t）、AI能力ベンチマークと実務家の導入レポート（CAP(t)）、職業のワークフロー全体がエージェントの運用範囲内に収まるかを測るワークフロー網羅係数、および236のSOCコードにわたって較正されたロジスティック導入速度パラメータから構築されるアルゴリズム的複合指標です。

新規雇用の創出（復権効果）に関して、本研究は何を明らかにしていますか？

アセモグルとレストレポの復権チャネルを拡張し、本研究は人間とAIの協業、AIガバナンス、ドメイン特化型AI運用に集中する17の新興職業カテゴリーを特定しています。これらのカテゴリーにおける雇用の伸びがワークフローレベルの代替を相殺するかどうかは、依然として未解決の実証的な問いとして残されています。

参考文献 #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

最終確認日 2026-11-01.

この記事を転載

エージェンティックAIがすべてのタスク曝露予測の前提を覆す — Sebastien Rousseau

タスク曝露の枠組みは、人間がまだ行っている業務の周囲に生き残る「殻」として職業を扱う。エージェンティックなシステムは目標を追求し、完成した成果物を納品するため、かつて職を守っていた調整業務は...

本記事のライセンスは Creative Commons Attribution 4.0 International. 転載の際は正規URLへの帰属表示が必要です。

エージェンティックAIがすべてのタスク曝露予測の前提を覆す — Sebastien Rousseau

タスク曝露の枠組みは、人間がまだ行っている業務の周囲に生き残る「殻」として職業を扱う。エージェンティックなシステムは目標を追求し、完成した成果物を納品するため、かつて職を守っていた調整業務は...

Originally published at https://sebastienrousseau.com/ja/2026-10-25-ejentikku-ai-tasuku-bakuro-yosoku-zentei/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER