AnthropicによるAIの労働市場への影響：新しいエクスポージャー指標と初期の証拠

TL;DR

Anthropicは、AIによる職の代替リスクを評価するために、理論的なLLMの能力と実際の使用データを組み合わせた新しい「observed exposure（観測されたエクスポージャー）」指標を発表しました。これによると、AIはまだ失業率を上昇させてはいませんが、最もエクスポージャーの高い職種において、22〜25歳の労働者の採用を減少させている可能性があります。

新しい「observed exposure」指標

要点: Observed exposure は、ある職業のタスクのうち、理論的にLLMで実行可能であり、かつAnthropicのプラットフォーム上で自動化された業務に関連する文脈で実際に使用されているタスクの割合を定量化したものです。

この指標は、3つのデータソースに基づいています：O*NETタスクデータベース、AnthropicのEconomic Index使用ログ、およびEloundou et al. (2023) によるタスクレベルのエクスポージャースコア（β）。
タスクが完全に自動化されたAPIを通じて使用されている場合はフルウェイト、補助的に使用されている場合はハーフウェイトが割り当てられます。
職業レベルのエクスポージャーは、タスクレベルのカバー率の時間加重平均です。

「Observed exposure」は、LLMが理論的にスピードアップできるタスクのうち、専門的な設定において実際に自動化された使用が見られるものはどれか、を定量化することを目的としています。

理論的な能力とobserved exposureの違い

要点: AIの使用率は理論的な上限を大幅に下回っています。β = 1 または β = 0.5 と評価されたタスクのうち、実際に自動化されているのはほんの一部です。

図1 (Anthropic) によると、Claudeの使用の68%はβ = 1のタスクに集中していますが、β = 0のタスクはわずか3%です。
図2では、職業カテゴリー全体における青い領域（理論的な能力）と赤い領域（observed exposure）を比較しています。例えば、Computer & Math カテゴリーでは、理論的な実現可能性が94%であるにもかかわらず、Claudeがカバーしているタスクはわずか33%です。
このギャップは、将来的なAI導入の大きな余地があることを示しています。

エクスポージャーが最も高い職種と最も低い職種

要点: コンピュータプログラマー、カスタマーサービス担当者、データ入力担当者が最も高くランク付けされる一方、多くのサービス業や手作業の仕事はエクスポージャーがほぼゼロです。

上位10の職業（図3）では、カバー率は75%（コンピュータプログラマー）から67%（データ入力担当者）の範囲にあります。
労働者の約30%はobserved exposureがゼロです。例として、料理人、オートバイ整備士、ライフガード、バーテンダー、皿洗い、更衣室係などが挙げられます。

エクスポージャーと予測される雇用成長

要点: observed exposureが高い職業は、2024〜2034年のBLS（労働統計局）による雇用成長予測がわずかに弱くなっています。

重回帰分析の結果、observed exposureが10ポイント上昇すると、予測成長率が0.6ポイント減少することがわかりました。
理論的なβ指標のみを使用した場合、有意な相関は見られませんでした。

エクスポージャーレベル別の労働者デモグラフィックス

要点: エクスポージャーの上位4分の1に属する労働者は、高齢で、女性が多く、高学歴で、高賃金であり、アジア系または白人である傾向があります。

エクスポージャーがゼロのグループと比較して、高エクスポージャーのグループは平均して47%高い収入を得ています。
大学院学位保持者は、低エクスポージャーグループの4.5%に対し、高エクスポージャーグループでは17.4%を占めています。

エクスポージャーの高い労働者の失業傾向

要点: ChatGPTのリリース以降、高エクスポージャーの労働者の失業率は、低エクスポージャーの労働者と比較して上昇していません。

図6は、COVID-19のショック後における、エクスポージャー上位4分の1のグループとエクスポージャーゼロのグループの並行した失業傾向を示しています。
差の差分析（Difference-in-differences analysis）では、失業率の格差に統計的に有意ではないわずかな増加が見られました。
このフレームワークは、約1パーセントポイントの失業率の変化を検出できますが、観察された効果はこの閾値を大幅に下回っています。

若年労働者の採用ダイナミクス

要点: 22〜25歳の労働者の仕事探し率（job-finding rates）は、高エクスポージャーの職業において緩やかに低下しており、これは解雇の増加ではなく、採用の鈍化を示唆しています。

図7では、2024年以降、低エクスポージャーの仕事が安定している一方で、高エクスポージャーの仕事における月間仕事探し率が約2%から約1.5%に低下していることが示されています。
ChatGPT登場後の平均推定値では、エクスポージャーの高い職業での採用は14%減少していますが、統計的有意性に達するにはわずかに足りません。
25歳より上の労働者には、同様の低下は見られません。

解釈と限界

要点: 初期段階の証拠は、直接的な職の代替は限定的であることを示していますが、AIにさらされている役割の若年労働者において、採用の摩擦が生じ始めていることを示唆しています。

この分析は、経済的損失を直接的に反映する失業に焦点を当てています。他の指標（求人情報、職業構成など）は、異なるダイナミクスを捉える可能性があります。
結果は選択されたエクスポージャーの閾値に依存します。カットオフを中央値から95パーセンタイルに変更しても、失業率へのプラスの影響は生じません。
調査ベースの指標（CPS）は、特に新卒者や労働市場を離れる人の仕事の移行を過小評価する可能性があります。

今後の課題

要点: Anthropicは、新しい使用データを用いてエクスポージャー指標を更新し、理論的なβスコアを精緻化し、エクスポージャーの高い分野の新卒者の成果を調査する予定です。

追加のプラットフォームや国際的なデータを取り入れることで、このフレームワークの適用範囲が広がります。
AI関連の学位を持つ層の採用パイプラインをより深く調査することで、若年労働者に観察された初期の兆候を明らかにできる可能性があります。

技術的な付録の全文はこちらからご覧いただけます。