AIが仕事に与える影響については、大きな割合の数字が語られることが少なくありません。本記事では、影響の可能性を示す推定と、実際に観測された変化を測った研究を並べ、数字の種類の違いを整理します。

推定が示すもの：タスクの曝露

Eloundouらの研究に代表される推定では、言語モデルによって所要時間を大幅に短縮しうるタスクの割合が測られ、米国の労働者の約80％に何らかの影響の可能性が示されました。これは将来の変化の範囲を示す材料であり、実際に起きた変化の記録ではありません。

実績を測る研究が示すもの

一方、デンマークの行政データを用いたHumlumらの研究では、登場から約2年の時点で、賃金や労働時間への有意な効果は確認されませんでした。また、米国の労働市場を追跡する複数の研究機関の分析でも、職業単位での明確な雇用効果は限定的とする報告が続いています。これらは2026年11月時点までの公表に基づく整理です。

二つを分けて読む意味

推定の数字は、備えるべき範囲の広さを示します。実績の数字は、変化の速度と現れ方を示します。両者を混同すると、過大な危機感や過小な備えにつながりかねません。人材戦略の議論では、どちらの種類の数字かを確認することが出発点になります。

影響の範囲は広く、変化の現れ方は緩やかである、というのが現在の研究の重なりから読み取れる姿です。研修や配置の計画は、その前提で段階的に設計する余地があります。

この研究を読む際の前提

研究結果を実務に参照する際は、対象となった職種、課題の種類、使用されたモデルの時期という3つの条件を確認することが前提になります。実験や調査で測られた効果は、その条件のもとでの平均的な傾向であり、個々の企業や従業員の結果を直接予測するものではありません。また、短期の課題で測られた効果と、継続的な業務や組織全体の成果との間には隔たりがあることも、複数の研究を並べると見えてきます。本記事で紹介した数字は各研究の公表時点の情報に基づきます。最新の研究動向や原典の記述は、出典の一次情報をご確認ください。こうした前提を押さえた上で読むことで、数字の大きさだけに引っ張られない形で研究を参照できます。

なお、本記事は公表情報の整理を目的としたものであり、特定の製品や手法の導入を推奨するものではありません。条件の異なる組織への当てはめについては、各組織の業務内容や体制に照らした個別の確認が必要です。編集部では、続報や新たな公表があった場合は、その都度内容を確認してまいります。

出典：Humlum & Vestergaard「Large Language Models, Small Labor Market Effects」BFI Working Paper 2025-56／NBER Working Paper 33777（2025年）およびEloundou et al. Science（2024年）。https://bfi.uchicago.edu/wp-content/uploads/2025/04/BFI_WP_2025-56-3.pdf

※本記事の数字は各出典の公表時点の情報に基づきます。最新の内容は出典の一次情報をご確認ください。

あわせて読みたい