あなたの仕事はAIでどう変わる？Microsoft研究チームが解明した職業別AI活用度の実態
生成AIと仕事の未来をめぐる議論は、しばしばユートピア的な楽観論とディストピア的な恐怖論の間で揺れ動きます。しかし、その多くは憶測に基づいています。もし、私たちがその憶測を超え、実際のデータに目を向けることができたとしたらどうでしょうか。今、この瞬間、人々は仕事に関連する文脈で、生成AIを「本当に」何のために使っているのでしょうか。
本稿は、この問いに対する初の大規模な証拠に基づく回答の一つを提供する、Microsoft Researchによる研究を解説します。研究者たちは、Microsoft Copilotとの20万件に及ぶ実際の対話を分析することで、AIの現在の能力と、それが労働市場に与える潜在的な影響についての詳細な地図を描き出しました。
Spotifyでわかりやすく音声配信：「らみのAIテックラジオ」
世界経済フォーラムの調査では「2030年に必要なスキル」の第5位に「好奇心と生涯学習」がランクイン。好奇心は趣味ではなく経済的必須スキル。
拙著『AI時代の最強スキル「好奇心力」』で詳説しています。
まえがき
生成AIの急速な普及に伴い、社会が直面する最も重要な問いの一つは「AIは経済にどのような影響を及ぼすのか」という点です。本稿で詳述するMicrosoft Researchの論文「Working with AI」は、この壮大な問いに答えるための重要な一歩となる研究です。
研究者たちは、実際に人々がAIとどのように対話し、どのような業務に活用しているのかを大規模データから分析することで、憶測ではなく証拠に基づいた職業への影響を測定しようと試みました。
この研究は、AIが単なる「自動化」の道具ではなく、人間の能力を「拡張」するパートナーとして、いかに機能しているかの実態を浮き彫りにする、現代の働き方を理解するための新たな羅針盤と言えるでしょう。
AIの仕事への影響を「測定」する精緻な手法
この研究の信頼性は、その堅牢なデータ基盤と精緻な分析手法にあります。ここでは、研究の根幹をなす3つの要素、「実世界データ」「職業分類の枠組み」、そして独自に開発された「評価指標」について解説します。
基盤となる実世界のデータ
本分析の根底にあるのは、2024年の9ヶ月間にわたって米国内で収集された、約20万件の匿名化されたMicrosoft Bing Copilot（現Microsoft Copilot）のユーザーとAIの対話データです。
これは、特定の専門家や開発者だけでなく、一般に広く利用可能なAIチャットボットが、現実世界でどのように使われているかを代表する、貴重なデータセットです。この「生きたデータ」を用いることで、理論上の可能性ではなく、実際の利用実態に基づいた影響を測定することが可能になります。
仕事の「辞書」：O*NETとは何か
AIの利用実態を現実の職業に結びつけるため、研究では米国労働省が提供するO*NETデータベースが活用されています。O*NETは、米国の経済全体にわたる900以上の職業について、その特徴や労働者に求められる要件を網羅した、いわば「仕事の総合辞書」です。
O*NETは、各職業をタスク、スキル、知識、そして「作業活動（Work Activities）」といった構成要素に階層的に分解します。本研究が特に注目したのは、332種類に分類される「中間作業活動（Intermediate Work Activity, IWA）」です。
例えば、「市場や業界の状況を分析する」「書かれた資料や文書を編集する」といった活動がこれにあたります。IWAは、多くの異なる職業に共通して見られる活動を記述するのに十分一般的でありながら、具体的な作業内容を捉えるのに十分詳細であるため、分析の単位として最適でした。
重要な区別：「ユーザー目標」と「AIアクション」
本研究における最も重要な洞察の一つは、AIとの対話を二つの異なる側面から分析した点にあります。
ユーザー目標
人間（ユーザー）がAIの助けを借りて達成しようとしている最終的な目的は何か。例えば、「文書の印刷方法を知りたい」という状況がこれにあたります。これは、AIが人間の作業をどのように「支援」しているかを測定する指標となります。
AIアクション
それに対して、AIが対話の中で実際に実行しているタスクは何か。先の例で言えば、「機器の使い方を他者に教える」という活動がAIのアクションです。これは、AIがどのような作業活動を直接「実行」しているかを測定する指標です。
この区別は、「AIは仕事を自動化するのか、それとも拡張するのか」という単純な二元論を超えるために不可欠です。データは、これら二つがしばしば異なることを示しており、実に40%の対話において、ユーザー目標とAIアクションに分類されるIWAの集合は全く重なりませんでした。これは、AIが人間の目標達成のために、人間とは異なる特定の支援タスクを担うという、複雑な協働関係を示唆しています。
中核となる指標：「AI適用可能性スコア」の解説
研究チームは、各職業がAIによって受ける潜在的な影響度を序列化するため、「AI適用可能性スコア」という独自の総合指標を開発しました。このスコアは、単一の数値ではなく、以下の3つの重要な要素を組み合わせることで、より多角的で精緻な評価を可能にしています。
カバレッジ
ある職業を構成する重要な作業活動のうち、Copilotの利用データにおいて無視できない頻度（全活動シェアの0.05%以上）で観測されるものの割合はどのくらいか。これは、AIの能力がその職業のタスク全体のうち、どれだけ広い範囲をカバーしているかを示します。完了率
AIが支援または実行したタスクは、どの程度成功したか。これは、ユーザーからの「高評価」フィードバックや、LLMを用いた分類器による「タスクが完了したか否か」の判定に基づいて測定されます。これは、AIの支援・実行の有効性を評価するものです。スコープ
AIが一つのタスクを支援した際、そのIWA全体の作業のうち、どの程度の割合を担う能力を示したか。例えば、「ミトコンドリアとは何か」と尋ねることは「生物学的現象の研究」というIWAの一部ですが、そのごく一部に過ぎません。
一方で、レポート全体の校正をAIに依頼した場合、「書かれた資料の編集」というIWAの大部分を占める可能性があります。これは、AIの貢献の深さを測る指標です。
これら「範囲」「有効性」「深さ」という3つの要素を、各職業における作業活動の重要度で重み付けして統合することで、AI適用可能性スコアは算出されます。これにより、単なる「影響を受ける/受けない」という単純な分類ではなく、職業ごとの影響の質と量を捉えた、信頼性の高い序列化が実現されています。
分析結果①：AIの利用実態 — 何が得意で、何が不得意か
20万件の対話データは、現在の生成AIがどのようなタスクでその真価を発揮し、またどのような領域に限界があるのかを克明に描き出しています。ここでは、マクロな視点からミクロな視点へと分析を進め、AIの能力の輪郭を明らかにします。
マクロな視点：AIが得意な活動領域（Figure 2）
まず、O*NETの最も広範な分類である「一般化された作業活動（Generalized Work Activities, GWA）」レベルで、Copilotの利用実態と米国労働力全体の作業構成を比較します（Figure 2）。
この図から、いくつかの明確な傾向が読み取れます。
AIが活用される領域
「情報の取得」「創造的思考」「コンピュータでの作業」といった知識労働に関連する活動は、労働力全体における割合をはるかに上回る頻度でCopilot上で実行されています。これは、ユーザーが生成AIを情報処理やアイデア創出のための強力なツールとして認識し、積極的に活用している実態を裏付けています。
AIが活用されない領域
対照的に、「物の取り扱いや移動」「一般的な身体活動」といった物理的な活動や、「プロセスの監視」「部下の指導」といった監視・管理活動は、Copilotの利用データにはほとんど現れません。これは、現在のLLMが物理世界への介入や、複雑な人間系のマネジメントには不向きであるという、技術的な境界線を明確に示しています。
AIの役割
興味深いことに、「他者の支援・介護」「助言の提供」「トレーニングと教育」といった活動では、AIが自ら実行する「AIアクション」（青いバー）が、ユーザーが達成しようとする「ユーザー目標」（赤いバー）を上回っています。これは、AIがユーザーに対して、コーチやアドバイザー、教師のようなサービス提供者の役割を担っていることを示唆しています。
ミクロな視点：具体的な人気タスク（Figure 3）
次に、より詳細な「中間作業活動（IWA）」レベルで、最も頻繁に見られた上位25の活動を見ていきます（Figure 3）。
ユーザーがAIに最も求めている支援（ユーザー目標）は、大きく3つのカテゴリーに分類できます。
情報収集：「様々な情報源からの情報収集」「商品やサービスに関する情報取得」など。
文章作成・コンテンツ開発：「ニュース・エンタメ・芸術コンテンツの開発」「芸術的・商業目的の資料作成」など。
コミュニケーション：「顧客やクライアントへの情報提供」「技術や製品、サービスの詳細説明」など。
一方、AIが最も頻繁に実行している活動（AIアクション）は、ユーザーを支援するサービス的な役割を反映しています。
応答・支援：「顧客の問題や問い合わせへの応答」「一般市民への情報・支援の提供」など。
説明・提示：「研究・技術情報の提示」「技術詳細の説明」など。
情報収集・準備：「様々な情報源からの情報収集」「情報・教材の準備」など。
ここでも、ユーザーが研究や創造といった目的を抱き、AIが情報提供や説明といった支援タスクを実行するという非対称な協働関係が明確に見て取れます。
成功と満足度の測定（Figure 4）
では、これらの活動はどの程度うまく行われているのでしょうか。ユーザーからの「高評価」フィードバックの割合を分析したFigure 4は、AIの現在の強みと弱みを浮き彫りにします。
満足度の高い活動
ユーザーは特に、「文書の編集」「芸術的・商業目的の資料作成」といった文章作成・編集タスク、「医療問題の研究」「法規・判例の研究」といった情報リサーチタスク、そして「製品や技術の特性・有用性の評価」といった商品評価タスクにおいて、AIの支援に高い満足度を示しています。これらはLLMの言語処理能力が直接的に活かせる領域です。
満足度の低い活動
一方で、「デジタルまたはオンラインデータの処理」「財務データの計算」といったデータ分析タスクや、「視覚デザインの作成」「装飾デザインの作成」といったビジュアルデザインタスクでは、満足度が著しく低い傾向にあります。これは、現在のLLMが、構造化された論理的分析や、テキスト以外の複雑な創造性においては、まだユーザーの期待に応えられていないことを示唆しています。
このデータは、AIの「能力の最前線」を明確に示しています。言語と情報の処理エンジンとしては卓越しているものの、厳密な論理性が求められるタスクや非言語的な創造性が求められるタスクには、まだ課題が残されているのです。
分析結果②：AI時代に変わる職業のランドスケープ
AIの得意・不得意が明らかになったところで、次はその影響が具体的にどの職業に、どのように及ぶのかを見ていきます。本研究が算出した「AI適用可能性スコア」は、この問いにデータに基づいた序列を与えます。
最も影響を受ける職業（Table 3）
AI適用可能性スコアが最も高い上位40の職業をリストアップしたのがTable 3です。これらは、現在の生成AIの能力と作業内容が最も強く重なり合う職業群と言えます。
言語・コミュニケーション系
「通訳者・翻訳者」（1位）を筆頭に、「作家」「記者」「編集者」「広報スペシャリスト」など、言語の生成や解釈が中核となる職業。
情報・事務系
「歴史家」「証券事務員」「新規口座開設事務員」など、情報の収集、整理、伝達が主な業務となる職業。
営業・顧客サービス系
「サービス営業担当者」「顧客サービス担当者」「テレマーケター」「コンシェルジュ」など、情報提供や対人コミュニケーションが重要な職業。
プログラミング・技術系
「CNCツールプログラマー」「テクニカルライター」「データサイエンティスト」など、特定の技術言語や仕様書を扱う職業。
最も影響が少ない職業（Table 4）
対照的に、Table 4に示されるAI適用可能性スコアが最も低い職業群は、LLMの現在の能力の限界を明確に示しています。これらの職業は、ほぼ例外なく以下のいずれかの要素を強く要求します 。
物理的な労働と器用さ
「屋根職人」「皿洗い」「メイド」「セメント職人」など。
直接的な身体的ケア
「看護助手」「マッサージ療法士」「採血技師」など。
乗り物や機械の操作
「杭打ち機オペレーター」「トラック運転手」「浚渫船オペレーター」など。
このリストは、AIの影響が及ばない「聖域」が、物理的なインタラクションを必要とする領域に存在することを強く示唆しています。
全体像：職業グループ別の影響度（Table 5）
個別の職業から視点を上げ、22の主要な職業グループ（SOC major groups）で集計したのがTable 5です。これにより、労働市場全体の大きな傾向が見えてきます。
上位には「営業関連」「コンピュータ・数学」「事務・管理サポート」が並びます。特に「営業」と「事務」は、米国労働力において非常に大きな雇用を占めるグループであり、AIの影響が広範囲に及ぶ可能性を示しています。一方、下位には「ヘルスケアサポート」「農業・漁業・林業」「建設・採掘」といった、やはり身体的な作業が中心となるグループが位置しています。
影響の理由を可視化する（Figure 5）
なぜ特定の職業のスコアが高くなるのか。その理由を視覚的に解き明かすのがFigure 5です。このフローダイアグラムは、右側にスコア上位の職業を、左側にそれらのスコアに貢献しているIWA（作業活動）を配置し、両者を結びつけています。
この図から、「顧客サービス担当者」や「営業担当者」といった職業のスコアが高いのは、「顧客への情報提供」や「顧客の問い合わせへの応答」といった、AIが得意とするコミュニケーション活動が業務の大部分を占めているためであることが一目瞭然です。
同様に、「作家」や「通訳者」は「芸術的資料の作成」や「言語・文化情報の解釈」といった活動と強く結びついています。この図は、AIの影響が「職業」という抽象的な単位ではなく、その職業を構成する具体的な「作業活動」との相性によって決まるという、本研究の核心的な主張を裏付けています。
社会的インパクト：AIの影響は賃金や教育とどう関わるのか
AIが労働市場に与える影響は、経済格差や教育のあり方といった社会的な論点と密接に結びついています。本研究のデータは、これらの相関関係について、従来の予測とは異なる、より複雑な実像を提示しています。
現実と予測の比較（Figure 6）
本研究の成果を客観的に位置づけるため、影響力のある先行研究であるEloundouら（2024年）の予測と比較します。Eloundouらの研究では、専門家が「LLMによってタスクの完了時間が50%以上短縮されるか」を評価し、AIへの「曝露度（Exposure）」を算出しました。
Figure 6は、本研究の「AI適用可能性スコア」と、Eloundouらの「曝露度」を比較した散布図です。
強い相関
両者の指標には、職業レベルでr=0.73、職業グループ全体ではr=0.91という非常に強い正の相関が見られます。これは、実際の利用実態から導き出された本研究の結論が、専門家の予測とおおむね一致していることを示しており、分析の妥当性を高めています。
予測との乖離（赤点 - 本研究のスコアが高い職業）
「市場調査アナリスト」や「旅客アテンダント」などの職業は、予測よりも本研究のスコアが高くなっています。これは、本研究の手法が、これらの職業で中心的な役割を果たす「情報提供」タスクにおけるAIの広範な有用性を捉えた結果である可能性が示唆されます。先行研究では、これらのタスクの重要性が見過ごされていたかもしれません。
予測との乖離（青点 - 本研究のスコアが低い職業）
「調査研究者」や「統計学者」などの職業は、予測よりもスコアが低くなっています。論文では、これらの職業が専門的で雇用者数も少ないため、汎用的なチャットボットのデータ上では、彼らの専門的な作業活動が十分に現れず、カバレッジの閾値（0.05%）に達しなかった可能性が指摘されています。
AIの影響と賃金の弱い関係（Figure 7a）
次に、AIの影響と賃金の関係に目を向けます。従来、AIは高賃金の知的労働に大きな影響を与えると予測されてきました。しかし、
Figure 7aが示す現実は異なります。
AI適用可能性スコアと平均賃金の間の相関（雇用者数で重み付け）は、r=0.07と驚くほど弱いものでした。これは、AIの影響が高賃金の職業に偏っているわけではないことを示唆しています。この背景には、
Table 5で見たように、比較的賃金が低いものの雇用者数が非常に多い「営業関連」や「事務・管理サポート」といった職業グループが、高いAI適用可能性スコアを持っていることが挙げられます。これらのグループへの大きな影響が、高賃金の専門職への影響と相殺し、全体として賃金との明確な相関が見られなくなっているのです。
AIの影響と教育の複雑な関係（Figure 7b）
教育要件との関係（Figure 7b）は、より複雑な様相を呈します。学士号を必要とする職業は、それ以下の学歴で就ける職業よりも、平均してAI適用可能性スコアが高いという有意な傾向が見られます。
しかし、これはあくまで平均値の話であり、分布には大きな重なりがあります。つまり、高い教育を必要としない「営業」や「事務」の中にもAIの影響を強く受ける職業は多数存在し、逆に修士号や博士号を必要とする職業（例えば物理科学や一部の医療専門職）の中にも、AIの影響が比較的小さいものが存在します。AIの影響は、学歴という単一の物差しでは測れないのです。
これらの結果は、生成AIの社会経済的インパクトが、単純な構図に収まらないことを示しています。影響は賃金や教育レベルの垣根を越えて、広範な労働者に及ぶ可能性があり、これまでの技術革新とは異なる、新たな政策的課題を提起していると言えるでしょう。
考察：データが示す「AIとの協働」の未来像
本研究のデータは、単なる現状分析に留まらず、私たちがこれから迎える「AIとの協働」の未来像について、いくつかの重要な示唆を与えてくれます。
「自動化 vs. 拡張」を超えて
分析結果、特に「ユーザー目標」と「AIアクション」の非対称性は、AIの役割を「自動化か拡張か」という二者択一で捉えることの限界を示しています。データが示唆するのは、むしろ「タスクのアンバンドリング（分解）」と再編成です。
AIは「職業」を丸ごと奪うのではなく、職業内に存在する特定の「タスク」を担うようになります。多くの場合、それはコーチ、アドバイザー、あるいは情報スペシャリストといった支援的な役割です。
これは、かつてATMが銀行員の仕事を変えた事例と通じます。ATMは現金の入出金という中核タスクを自動化しましたが、銀行員の仕事は無くなりませんでした。
むしろ、行員はより付加価値の高い、顧客との関係構築や金融商品の提案といった業務に注力するようになり、仕事の内容が「再編成」されたのです。生成AIも同様に、多くの職業において、人間がより創造的で戦略的な業務に集中できるよう、定型的な情報処理やコミュニケーションタスクを肩代わりしていく未来が想定されます。
動き続ける「能力の最前線」
本研究は、2024年時点におけるAIの能力を捉えた「スナップショット」であることを忘れてはなりません。AIが現在不得意としている領域、例えば本研究で満足度が低いとされた「データ分析」や「ビジュアルデザイン」は、まさに世界中の研究機関や企業が巨額の投資を行っている開発の最前線です。
これらの能力が向上すれば、現在AI適用可能性スコアが低い職業のスコアも変動する可能性があります。したがって、AIの能力の進化と、それに伴う労働市場への影響を継続的に測定し、この「地図」を更新し続けることが極めて重要になります。
残された課題と未来への問い
この画期的な研究にも、いくつかの限界と、さらなる探求を必要とする問いが存在します。
第一に、分析はMicrosoft Copilotという単一のプラットフォームのデータに基づいています。他のAI、例えばプログラミング用途に強みを持つとされるAnthropic社のClaudeなどでは、利用パターンが異なる可能性があります。労働市場への影響の全体像を掴むためには、複数のプラットフォームを横断した分析が不可欠です。
第二に、O*NETは現時点で最も信頼できる職業データベースですが、現実の仕事の変化に追いつくには時間がかかる場合があります。AIによって生まれる新しいタスクや職業を捉えるためには、データベース自体の継続的な更新も求められます。
そして最も重要な未来への問いは、「組織はこれらの新しい能力に対応して、どのように仕事のやり方を再編成（リファクタリング）していくのか」という点です。歴史が示すように、大きな技術革新は常に新しい職業を生み出してきました。
AI時代にどのような新しい仕事が生まれ、既存の仕事がどのように再定義されていくのか。そのプロセスを注意深く観察し、社会全体で適応していくことが、これからの私たちに課せられた課題です。
あとがき
本稿で解説したMicrosoft Researchの研究は、AIと労働をめぐる議論において、憶測を証拠に置き換え始める転換点となるものです。データが示すのは、単純化を許さない、複雑でニュアンスに富んだ現実です。
AIの影響は均一ではなく、言語と情報の扱いに長けたタスクに集中しています。それは賃金や教育レベルと単純に結びつくものではなく、経済の隅々にまで広く及ぶ可能性を秘めています。
私たちが直面する中心的な課題は、自動化された未来をただ予測することではなく、人間とAIが協働する未来を思慮深く設計していくことです。
本稿を通して得られたアイデアや知識が、あなたのビジネスに少しでも役立つことを願っています。もし、本稿が参考になったと感じていただけましたら、ぜひ「いいね」や「フォロー」をしていただけると励みになります。今後も実践的なノウハウやAI最新動向を共有していきますので、引き続きお読みいただけると嬉しいです。
⚠️ 重要：ChatGPTを使いこなせる人は全体の3割以下
なぜか？「質問力」の差です。
実は、AIから10倍の価値を引き出す「問いの立て方」には科学的な法則があります。Googleが20%ルールで実証し、Amazonのベゾスも推奨する方法。全て『AI時代の最強スキル「好奇心力」』で公開中。
AIが瞬時に「答え」を返す今、勝負の分かれ目は「問い」にある。その秘密と明日の仕事で使える13の実践ツールを凝縮した拙著『AI時代の最強スキル「好奇心力」』もぜひチェックしてみてください。
生成AI時代の羅針盤となる決定版。東京大学松尾・岩澤研究室が総力を結集し、生成AI最新動向を徹底解説。ChatGPT登場以降、急速に進化する生成AI技術の現在地と未来を、日本を代表するAI研究者たちが包括的に分析しています。
2025年3月刊行、技術の核心からビジネス活用、国内外の法規制、そして安全性に至るまで、今知るべき情報を網羅的に解説。AIエージェントやマルチモーダル化といった最新トレンドも押さえています。
生成AIビジネスに関わるすべての方にとって必携の一冊。激動するAI業界で確かな判断を下すために、信頼できる情報源です。
LLMや画像生成AIに共通する「普遍的な入力の原則」を体系的に解説。ハルシネーション対策や出力の安定化、評価手法を網羅し、実務や研究に直結する実践的ガイドブックです。モデルの進化に左右されず使える方法を身につけたいプロンプトエンジニアに最適。2025年7月9日刊、484ページの充実した内容。信頼できる生成AI運用を目指すなら、まず手元に置きたい一冊です
著者のJames PhoenixとMike Taylorは、AIプロンプティングの第一人者として知られ、数々の企業でAI活用を成功に導いてきました。本書では、彼らの経験から導き出された「普遍的な入力の原則」を、豊富な実例とともに学ぶことができます。
モデルが進化しても陳腐化しない本質的なスキルが身につき、あなたのAI活用を次のレベルへと引き上げます。エンジニアはもちろん、AIを本格的に使いこなしたい全ての方に必携の一冊です。
未来予測の巨匠レイ・カーツワイルが描く、人類とAIが融合する衝撃の未来！Google社の技術部門責任者を務め、数々の技術予測を的中させてきた著者が、2045年のシンギュラリティ（技術的特異点）について最新の知見を基に徹底解説。
本書では、指数関数的に進化するAI技術が人間の知能を超える瞬間、そして人類がAIと融合することで得られる驚異的な可能性について、具体的なデータと科学的根拠に基づいて論じています。
ナノテクノロジーによる身体・脳の改造、新たな倫理課題、意識のクラウド化など、非常に実践的に描かれる一方で、必要となるリスク対策への言及もあり、ビジネス・研究・エンジニア視点でAIの先を見据えたその一歩に。