方法論

複数の権威あるデータソースを統合し、AIの職業への影響を包括的に把握します。新しい研究を継続的にモニタリングし、評価を更新します。

• Massenkoff & McCrory (2026) - AIの労働市場への影響：実際のClaude使用データに基づく観測曝露指標主要
• Eloundou et al. (2023) - GPTs are GPTs：理論的タスク曝露フレームワーク（ベータスコア 0, 0.5, 1）
• Brynjolfsson et al. (2025) - 炭鉱のカナリア：ADPペイロールミクロデータによる観測雇用効果
• 米国労働統計局 (2024) - 職業別成長率を含む2024-2034年雇用予測
• O*NET SOC分類システム - すべての評価に使用される標準的な職業・タスク分類体系

各職業へのAIの影響を定量化する4つの主要指標を使用します。各指標はAIが業務タスクとどのように相互作用するかの異なる側面を捉えます。

総合曝露

理論的・観測曝露データを統合し、職業のタスクが現在のAI能力とどの程度重複するかを単一の要約スコア（0-100）で提供する複合指標です。

理論的曝露

学術研究と能力評価に基づき、AIが潜在的に自動化できる範囲を測定します。主にEloundou et al. (2023)のベータタスク曝露スコアから導出され、各タスクのLLM自動化への感受性を評価します。

観測曝露

実際の使用データに基づき、AIが実際に行っている作業を測定します。O*NET職業タスクにマッピングされた数百万のClaude会話の分析から導出され、実際の導入パターンを反映します。

自動化リスク

評価期間内の重大な雇用代替の確率です。曝露指標と雇用動向データ、賃金水準、タスク代替可能性を組み合わせて、労働力削減の可能性を推定します。

各職業を個別のタスクに分解し、現在および近未来のAIシステムが各タスクをどの程度自動化できるかを評価します。このタスクレベルのアプローチは、職業全体の推定よりも詳細な洞察を提供します。

タスクレベル分解

O*NETの詳細作業活動（DWA）を使用して各職業を構成タスクに分解します。職業全体に対する一括判断ではなく、各タスクを独立して評価します。

ベータスコア方法論

Eloundou et al. (2023)に従い、各タスクにベータスコアを付与：0（曝露なし）、0.5（人間の監督下での部分的曝露）、1（AI自動化への完全曝露）。これらのスコアを集計して職業レベルの指標を算出します。

時系列構築（2023-2028）

2023-2025年の実測データと2026-2028年の推定予測を使用して時系列データを構築します。すべての可視化で実線と破線を使い、実測データと推定値を明確に区別します。

予測方法論

2026-2028年の将来推定は、観測されたトレンド率、発表されたAI能力の改善、BLS雇用予測に基づいています。すべての予測値は推定値として明確に表示されます。

限界に対する透明性は責任ある分析に不可欠です。データを解釈する際にこれらの要因を考慮してください。

サンプルサイズ

観測曝露データは数百万のClaude会話に基づいており、高頻度使用職業に対して堅牢な統計的カバレッジを提供します。ただし、あまり一般的でない職業はサンプルサイズが小さく、信頼区間が広い場合があります。

地理的・職業的カバレッジ

現在55職業をカバーし、200以上に拡大する計画です。データは主に米国の労働市場と英語ベースのAIインタラクションを反映しているため、グローバルなパターンを完全に代表しない場合があります。

更新頻度

新しい研究発表やデータ公開時にコア指標を更新します。BLS予測は毎年更新されます。観測曝露データはAnthropicの新しい分析が発表された時に更新されます。

理論的 vs. 観測ギャップ

理論的曝露（AIができること）と観測曝露（AIが実際にしていること）の間にはしばしば大きなギャップがあります。導入の障壁、規制上の制約、組織の慣性により、実際のAIの影響は通常、技術的能力に遅れをとります。

主要なデータ更新と方法論の変更について透明な記録を維持しています。

すべてのデータポイントは原典とリンクされています。透明性と独立検証のために完全な引用情報を提供します。以下の完全な参考文献リストをご覧ください。