Anthropic経済指数：AI利用を理解するための新たな構成要素

Anthropic Economic Index: AI の利用を理解するための新たな基礎要素 人工知能は本当に人々の業務を速くしているのでしょうか？AI はどのようなタスクを最もよく支援するのでしょうか？また、人々の職業の性質にどのように変化をもたらす可能性があるのでしょうか？ Anthropic では、こうした質問に正確に答えるために、継続的に現実世界における AI の利用状況を測定しています。プライバシーを保護した分析手法により、Claude.ai 上の会話（主に消費者による利用）や、当社のファーストパーティ API（主に企業による利用）に関する詳細な知見を得ることができます。1 これまでの報告書では、職業別および賃金レベル別の AI タスクの評価、ソフトウェア開発へのより深い注目、国別および米国州別の AI 利用状況の調査を行ってきました。 現在、当社の経済インデックスに新たな詳細レベルを追加しています。第4回報告書において、私たちは「経済プリミティブ」と呼ぶ一連の5つの単純かつ基礎的な測定指標を導入します。これらは、Claude の時間経過に伴う経済的影響を追跡するためのものです。最初のセットには、タスクの複雑さ、スキルレベル、目的（業務、教育、または個人的利用）、AI の自律性、および成功が含まれます。2 これらのプリミティブは、本報告書のサンプル内のすべての会話について、Claude に共通の質問セットに回答させることで導き出されます。 これらのプリミティブは、AI の潜在的な経済的影響の先行指標を提供し、すでに AI がどのように仕事を変化させているかというはるかに複雑な質問に答えることを可能にします。私たちの最新のレポートでは、2025 年 11 月の会話（主に Claude Sonnet 4.5 を使用）をサンプリングし、私たちがそれまでには答えられなかったであろう幅広い質問を探求するためにこれらのプリミティブを使用しています。具体的には、より複雑なタスクにおける Claude のタスクレベルの成功率がどう変化するか、そしてこれまでの Claude の利用が多くの仕事においてネット・デスキリング（技能低下）効果をもたらす可能性があるかどうかといった問いです。 第 4 回経済インデックスレポートはここでお読みいただけます。以下にその結果を要約します。 経済プリミティブから得られた知見 私たちは、経済プリミティブを用いて、個々のタスク、職業、そして観察される変化の可能な集計的影響に関する問いに取り組んできました。（完全な方法論、特にプリミティブの精度を検証した詳細については、完全版レポートの第 2 章に記載されています。） AI はどのタスクを、どれほど高速化するか？ Claude は、より複雑なタスクにおいて最も大きな速度向上をもたらすことがわかりました。これは、Claude が会話の入力を理解するために必要な教育年数として推定する値によって測定されます。Claude.ai においては、高校卒業（12 年間）の教育を要するプロンプトを含むタスクでは 9 倍に、大学卒業者（16 年間）を要するタスクでは 12 倍に速度が向上しました。（API では、この速度向上はさらに大きくなりました。）これらの結果は、AI の生産性向上効果が現在、比較的高い人的資本を必要とするタスクで生じていることを示唆しており、これはホワイトカラーの専門職の方が職場で AI を利用する可能性が高いという証拠と一致しています。 この同じ傾向は、タスクの成功率で調整した場合にも当てはまります（ただし、その程度は弱くなります）。Claude は大学卒業者を要するタスクを 66% の確率で成功させますが、高校卒業未満の教育を要するタスクでは 70% です。これは全体的な効果を減らしますが、完全に消し去るものではありません。Claude のタスク速度向上への影響は、複雑度と成功率低下の相関関係よりも、複雑度に対してより急峻にスケールします。 Claude はどの程度の時間範囲でタスクをサポートできるのでしょうか？ METR による AI のタスク時間範囲の測定では、より長いタスクほど AI モデルが完了させるのが難しいことが示されています。しかし、モデルが向上するにつれて、AI モデルが作業を継続できる時間の長さは着実に増加しており、この指標は現在、AI の進歩を示す重要な指標となっています。 私たちは、経済的な基本要素を用いて METR の分析を補完することができます。以下のグラフでは、Claude.ai 上および API 上で、人間が同じタスクを実行するのにかかる時間に対する Claude のタスクレベルでの成功率を示しています： METR のベンチマークによると、Claude Sonnet 4.5（私たちが分析に用いたモデル）は、2 時間のタスクにおいて 50% の成功率を達成します。一方、私たちの API データでは、Claude はほぼ倍の時間（約 3.5 時間）かかるタスクで 50% の成功率を示し、Claude.ai ではその所要時間はさらに大幅に長く、約 19 時間に達します。しかし、これは一見すると矛盾しているように見えるかもしれませんが、私たちの方法論は METR のそれとはいくつかの重要な点で異なります。私たちのサンプルでは、ユーザーは複雑なタスクをより小さなステップに分解でき、Claude が軌道修正を行うことを可能にするフィードバックループが形成されます。また、固定されたタスクセットではなく、私たちのサンプルには選択バイアスの一種が含まれています：ユーザーは、Claude で成功する可能性が高いと確信しているタスクを持ち込みます。 私たちの分析は、一貫したタスクセットを用いた研究で見られるものとは異なる、Claude の実効的な時間範囲がどのように見えるかを示しています。この指標については、今後の報告書で追跡していきます。 Claude の業務の性質は国によってどのように異なりますか？ 私たちは、Claude が経済発展の異なる段階にある国々において非常に異なる種類のタスクを完了していることを発見しました。1 人あたり GDP の高い国では、Claude は仕事や個人的な利用のために頻繁に使用される一方、スペクトルの反対側に位置する国々では、教育課程での利用がより一般的です。これは、低所得国の AI 利用の大部分が教育と限られた数の業務タスクに占められ、国々が豊かになるにつれて AI 利用が個人的な目的へと多様化するという、単純な「採用曲線」の物語に合致しています。 これらの結果は、AI の教育利用を1人あたり所得の低さと関連付け、レジャーでの AI 利用を高所得と関連付ける Microsoft の最近の研究と一致しています。この点を踏まえて設計された、ルワンダ政府および技術トレーニングプロバイダーである ALX との私たちの最近のパートナーシップでは、参加者はまず AI リテラシーの開発から始めます。また、一部の卒業生に Claude Pro への年間アクセス権を付与するプログラムをパイロット実施しており、教育利用からより広範なアプリケーションへの移行を支援しています。 2025 年 1 月のデータに基づく最初の報告書では、サンプル内の職種の 36% で Claude がタスクの少なくとも 4 分の 1 に使用されていることが判明しました。複数の報告書のデータを統合すると、この割合は 49% に上昇しています。しかし、Claude の成功率（労働者がそのタスクを行う頻度と所要時間に応じて重み付け）を考慮に入れると、AI 利用の影響を最も受ける職種に関する異なる図景が浮かび上がります。 以下のグラフでは、x 軸に前述の職業のタスク被覆率を、y 軸には新たに調整した指標をプロットしています。両者には確かに相関がありますが、私たちは現在、データ入力キーヤーや放射線科医などの一部の職業は、タスク被覆率だけでは示唆されるよりも AI の影響を強く受けている一方、教師やソフトウェア開発者などの他の職業は比較的影響が少ないことを発見しました。 ただし、修正された評価にも限界があります。私たちが評価しているのは Claude.ai 上で実行されるタスクのみであり、これらの会話が現実世界の変化にどのように対応するかは必ずしも明確ではありません。これは今後さらに掘り下げていく予定の分野です。 私たちがさらに問いかけたのは、AI がカバーするタスクが、特定の職業における高スキル成分か低スキル成分のどちらを代表しているかという点です。各タスクに必要なスキルレベルを推定した指標を用いると、Claude は相対的に高等教育レベルを必要とするタスク（具体的には平均 14.4 年の教育を要するタスク）をカバーする可能性が高いことが分かりました。これは米国の準学士号に相当し、経済全体の平均である 13.2 年と比較して高い値です（以下参照）。これは、Claude がホワイトカラー労働者によってより頻繁に使用されているという以前の発見と一致しています。 実験の一環として、Claude がカバーするタスクを除去した場合に人々の仕事のタスク構成がどのようにシフトするかを推定しました。第一次的な効果としては、これは平均して仕事をスキルダウンさせることになります。なぜなら、より高度な教育を要するタスクが排除されるためです。技術ライター、旅行代理店、教師などの職業は影響を受けるでしょう（詳細については報告書でさらに議論します）、ただしごく稀に不動産管理者のように逆方向の影響を受けるケースもあります。 私たちは必ずしもこのスキルダウンが発生すると予測しているわけではありません。AI が現在サポートするタスクを完全に自動化したとしても、労働市場が動的に調整され、本分析では考慮されていない形で変化しうる可能性があります。（もちろん、モデルが改善されるにつれて、AI がカバーするタスクの構成も変化するでしょう。）しかしながら、私たちはこれが今後間もなく職業に及ぼす最も即時的な影響に関する有用なシグナルを提供すると考えています。 集計された影響 以前の研究において、私たちは AI の広範な採用が、今後 10 年間にわたり米国の労働生産性成長率を年間 1.8 ポイント引き上げると推定しました。これはトレンドレートのおよそ倍に相当します。私たちの新しいプリミティブ（基本要素）を用いることで、この分析を見直すことが可能になりました。 タスクの速度向上のみを基にした推定値に基づくと、以前の発見である 1.8 ポイントの増加（API データを追加した場合でも）を再現できました。しかし、タスクの信頼性を考慮し、つまりタスクレベルでの時間節約の見積もりをそのタスクが成功する確率で調整すると、Claude.ai で完了したタスクでは推定値は約 3 分の 1 減少し（年間 1.2 ポイント）、通常より困難なタスクが多い API で完了したタスクではやや多く減少します（年間 1.0 ポイント）。 年間の労働生産性成長率が 1 ポイントでも増加すれば、なお注目すべきことです。これは米国の生産性成長率を 1990 年代後半から 2000 年代初頭の水準に戻すことになります。また、以前の研究で言及した通り、このトップラインの推定値は、AI モデルがさらに強力になる可能性や、職場での AI 利用がより洗練される可能性を考慮していません。これらが実現すれば、数値はさらに大幅に引き上げられる可能性があります。実際、当社の調査以降、Claude Opus 4.5 のリリースにより Claude は著しく強化されています。 以前の指標に関する更新情報 基本となる指標に加え、過去の報告書で追跡してきた指標について新たなデータ収集ラウンドを行いました。これにより、2025 年 1 月から 11 月までの AI 利用におけるトレンドを特定することが可能になりました。ここでは主に、Claude の利用が不均一に分布していることを示した以前の分析結果から、わずかな進化が見られる程度です。 まず、Claude の利用は特定のタスクに依然として高度に集中していることが分かりました。Claude.ai には 3,000 の固有の業務タスクが含まれていますが、上位 10 件がセット全体の 24% を占めており、これは 2025 年 1 月の 21% から着実に増加しています。より具体的には、コンピュータおよび数学関連のタスクが Claude の利用を依然として支配しており、Claude.ai 上の会話の約 3 分の 1、API トラフィックのほぼ半分を占めています。 次に、新しい報告書によると、Augmentation（補完）（52%）が Automation（自動化）（45%）を上回り、Claude.ai における Claude との最も一般的な対話パターンとなりました。これは 8 月のサンプルで観察された結果（Automation が 49% で 47% を上回っていた）に対する逆転ですが、より長い時間枠でこの質問を評価すると、依然としてタスクにおける Automation の割合が緩やかに上昇していることが確認できます。昨年 1 月には Augmentation が 55% で Automation の 41% を上回っており、3 月にも Augmentation が 55% で Automation の 42% を上回っていました。 最後に、最新の分析では、AI 利用の地理的集中（前回議論した通り）が依然として明白であることが示されました。米国、インド、日本、英国、韓国は Claude.ai の全体的な利用において引き続き首位を占めており、1 人あたり GDP で採用状況が十分に説明されています。ただし、米国においてはより大きな変化を観察しています：Claude の利用は米国の各州間で明らかに均等に分布するようになりました。実際、この傾向が続けば、モデルの予測では Claude の利用は 2〜5 年以内に全国で均等化されるとのことです。このモデルの詳細については報告書で議論します。 最新の経済インデックス報告書からの最も即時的な結論は、AI が世界労働力に与える影響がいまだに非常に不均等であるということです。AI の利用は特定の国や職業に集中しており、タスクの被覆に関する証拠が示すように、ある職業への影響は他の職業とは全く異なるものとなっています。 より一般的には、この報告書は将来の調査と比較するための新たな基準値を提供しました。Claude が改善されるにつれて、より困難なタスクを任されることが期待され、おそらくより大きな成功を収めるでしょう。また、タスクが Claude.ai から API へ（つまり、主に消費者から主に企業へと）移行する可能性も考えられます。これは、タスクの信頼性が高まるにつれて起こり得る現象です。もしこれが実現すれば、AI が生産性に与える影響において企業の採用が重要であるという点に照らせば、これにより経済的影響の到来を示す別の指標となり得ます。私たちのプリミティブを通じて、こうした変化が人々の仕事の性質や、この急速な技術移行期間において最も影響を受ける可能性のある人々（およびその場所）といった現実世界の成果にどのように影響し始めているかを測定できるようになります。 その間、研究者、ジャーナリスト、そして一般市民は、当社のデータを用いて各自の研究や思考を補強し、必要となるかもしれない潜在的な政策対応に対する実証的な基盤を提供することができます。上記で議論した各領域の詳細については、完全な報告書をご覧ください。 前回の報告書と同様に、当社のすべての分析はプライバシーを保護する分析に基づいています。本報告書全体を通じて、Claude.ai の無料版、Pro 版、Max 版からの会話 100 万件（これらを主に消費者の利用を表すため「消費者データ」とも呼ぶ）と、自社 API トラフィックの転記文書 100 万件（これらを主に企業の利用を表すため「エンタープライズデータ」とも呼ぶ）を無作為に抽出して分析しています。 より具体的には、「タスクの複雑さ」は、タスクがその複雑さにおいて異なることを捉える指標です。これには完了までの所要時間や難易度が含まれます。O*NET における「デバッグ（debugging）」というタスクは、Claude が関数内の小さなエラーを修正するものから、コードベース全体を包括的にリファクタリングするものまで指し得ますが、労働需要への影響は非常に異なります。複雑さは、AI を使用せずにタスクを完了するために必要な推定人間の所要時間、AI を使用してタスクを完了するのにかかった時間、およびユーザーが単一の会話内で複数のタスクを処理しているかどうかを通じて測定されます。 「人間と AI のスキル」は、自動化がスキルレベルとどのように相互作用するかを示すものです。もし AI が専門知識をあまり必要としないタスクに対して不均衡に代替し、高スキルな業務を補完するものである場合、それは技能偏向型技術変化（skill-biased technical change）の別の形態となり、高度なスキルを持つ労働者の需要を増加させる一方で、低スキルの労働者を置き換える可能性があります。私たちは、ユーザーが Claude を使用せずにタスクを完了できたかどうか、およびユーザーのプロンプトと Claude の応答の両方を理解するために必要な教育年数を測定します。 ユースケースは、専門的利用、教育的利用、そして個人的利用を区別します。労働市場への影響は職場での利用から最も直接的に生じますが、教育的利用は将来の労働力がどのような AI 補完スキルを構築しているかを示すシグナルとなり得ます。 AI の自律性は、ユーザーが意思決定を Claude に委譲する度合いを測定します。最新のレポートでは、タスクを完全に委譲する「指示的」な利用が増加していることが記録されました。能動的な共同作業から完全な委任に至るまでの自律性レベルを追跡することは、自動化のペースを予測するのに役立ちます。 タスク成功度は、Claude がタスクを成功裏に完了したと評価するかどうかを測定します。タスク成功度は、タスクが効果的に自動化可能か（そもそもタスクは自動化できるのか？）、そして効率的に自動化可能か（タスクを自動化するには何回の試行が必要か？）を評価するために役立ちます。つまり、タスク成功度は、労働タスクの自動化における実現可能性とコストの両方にとって重要です。 実際、歴史的な証拠の一部は、ジョブタスクを自動化する技術が特許データに現れると、露出された職業において雇用と賃金がその後低下することを示唆しています。 関連コンテンツ Claude Opus 3 に対するモデル廃止コミットメントに関する更新 ペルソナ選択モデル Anthropic Education Report: The AI Fluency Index（AI 習熟度指数） 私たちは、今日の人々が AI とどのように協力しているかを測定するための基準となる「AI 習熟度指数」を構築するために、数千の Claude.ai 会話にわたる 11 の観測可能な行動を追跡しました。 ![教育年数に対する速度向上率と成功率。左のチャートは、O*NET タスクレベルで測定された速度向上率と人間の教育年数の関係を示す散布図です。破線は最良適合直線を示しています。右のチャートは成功率との関係を示しています。](https://www-cdn.anthropic.com/images/4zrzovbb/website/748b522964169a031f15579194d8c8976ba80a79-1920x792.svg) ![タスク成功率と人間単独での所要時間。このチャートは、O*NET タスクレベルで測定され、プラットフォーム別に分割されたタスク成功率（％）と、そのタスクを人間が単独で完了するために必要な時間の関係を示しています。破線は線形回帰による適合曲線を示しています。](/_next/image?url=https%3A%2F%2Fwww-cdn.anthropic.com%2Fimages%2F4zrzovbb%2Fwebsite%2Fbf18bd0b6c14a07cff03bad97dc720183a0ac507-3840x2800.png&w=3840&q=75) ![1 人あたり所得は、国ごとの Claude の利用形態を予測します。各プロットは、Claude.ai 会話における特定の用途（仕事、課題、個人利用）の割合と、1 人あたり GDP の対数との関係を示しています。](https://www-cdn.anthropic.com/images/4zrzovbb/website/6d102cf4365e7743de4413f22dda33035de71038-1072x356.svg) ![タスク有効 AI カバレッジ対タスクカバレッジ。このプロットは、職業レベルで測定されたタスク有効 AI カバレッジ（％）とタスクカバレッジの関係を示しています。有効 AI カバレッジは、Claude.ai データに基づき、AI が成功して実行できると予測される労働者の時間加重業務の割合を追跡します。タスクカバレッジは、Claude.ai 利用データに現れるタスクの割合です。破線は、有効 AI カバレッジの割合がタスクカバレッジと等しくなる位置を示しています。](https://www-cdn.anthropic.com/images/4zrzovbb/website/1fc34cf7333c83157f586f908b8f7ec2dc92afe2-857x712.svg) ![すべてのタスクの教育レベル対 Claude カバレッジ対象タスク。青い棒グラフは、O*NET データベース内のすべてのタスクについて予測されるタスクレベルの必要教育水準の分布を示しており、雇用規模で加重されています。オレンジ色の棒グラフは、Claude.ai データに現れるタスクに限定した同じデータを示しています。](https://www-cdn.anthropic.com/images/4zrzovbb/website/ee80542ac5b4dc9fd097a391284e628ab5f5d239-713x425.svg)

Anthropic経済指数：AI利用を理解するための新たな構成要素

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト