Microsoft ResearchのTomlinsonらの研究「Working with AI」（2025年7月、arXiv公開）は、Bing Copilotと利用者の匿名化された20万件の会話を分析し、職業ごとの「AI適用度スコア」を算出した研究です。仮説上のタスク一覧ではなく、実際に人々がAIに頼んだ仕事を出発点にしている点が大きな特徴です。曝露研究の中でも「想定ではなく実績から測る」という姿勢が際立つ一本であり、その作り方と留保をセットで読みます。

出発点は仮説ではなく20万件の実際の会話

研究では、会話の中で利用者が目指した作業と、AIが実際に行った作業を分類し、成功度や影響範囲の測定と組み合わせて、米国の職業データベースO*NETの作業活動へ結び付けています。利用者が目指した作業とAIが実際に行った作業を分けて分類している点も重要です。頼んだ仕事とAIが担った仕事は常には一致せず、そのずれ自体が適用設計の情報になります。どの作業で人が頼み、どの作業をAIが担い、どこでずれが生じたのかを分けて見る作り方は、仮説上のタスク一覧から作る指数にはない、この研究ならではの情報の厚みです。人々がAIに最も多く求めたのは情報収集と文章作成であり、AIが担った作業には情報提供、文章作成、教育、助言が含まれると報告されています。適用度スコアが高かったのは、コンピュータ・数理系、事務・管理支援、営業など、情報の提供と伝達を中核とする職種群でした。逆に身体的な作業を伴う職種は低く出ています。自社の適用先選定でも、「文章と情報の仕事が濃い場所から」という順序は、実利用データに裏付けられた出発点として使えます。この測り方は、自社の利用ログ分析の設計にもそのまま応用できます。社内ログを扱う際は、個人が特定されない集計方法と利用目的の明示を、分析設計の前提としてください。

判断のポイント：スコアを優先順位付けにだけ使う

  • 適用度が高いことは、AIがその職業を完全に遂行できることを意味しない（著者ら自身の警告）
  • 下流の事業への影響は、このデータからは分からない
  • スコアの用途は、研修と適用の優先順位付けという「地図」にとどめる
  • 適用度の高い職種から研修を始める場合も、最終確認は人が行うという運用ルールを同時に徹底する

この研究を社内で共有する際に欠かせないのは、スコアと留保を切り離さないことです。留保を外して数字だけが流通しがちな研究であるため、共有資料には上記の警告を同じページに置いてください。地図として使う分には強力ですが、人員計画の答えとして扱った時点で、この研究の設計を超えた使い方になります。

あわせて読みたい

「レポート紹介：AIの影響を「曝露」と「実績」で分けて読むために」 https://axdx.aohalab.ai/#/article/70

「社内プロンプトライブラリの作り方：個人の技を組織の資産に変える」 https://axdx.aohalab.ai/#/article/20

出典：Tomlinson et al.「Working with AI: Measuring the Occupational Implications of Generative AI」Microsoft Research（2025年7月、arXiv:2507.07935） https://arxiv.org/pdf/2507.07935

本記事で紹介した内容は2026年11月時点の公表情報に基づきます。最新の内容は出典の一次情報をご確認ください。