このデータはどう作られたのか(方法論)

「AI の利用状況」と「労働市場」という 2 つの異なるものを突き合わせるには、その間に翻訳のレイヤーが要ります——自然言語の質問 1 つを、公式統計上の 1 つのコードに変換するレイヤーです。ATLAS のパイプライン全体は、この翻訳作業そのものです。

使われている職業は広いが、それぞれの職業ではごく一部しか使われていない

まずはっきりさせておきます。米国政府は職業を非常に細かく分類しており、「教師」だけでも幼稚園・小学校・中学校・特別支援教育など複数に分かれます。大分類は 761 種、細分類は 923 種あります。以下の比率は、就業人数に紐づくものは 761 種の分類、タスク網羅率に紐づくものは 923 種の分類で計算しています。

まず広さから見ていきます。761 種の職業のうち、68% で誰かが Gemini を仕事に使っている様子が観察されました(基準は全世界で最低 50 ユーザー)。これらの職業を合計すると、米国の就業人口の 88.4% を占めます。リストにはソフトウェアエンジニアやマーケットリサーチャーだけでなく、農家、産業技術者、林業従事者も含まれています。

職業大分類別の AI 導入状況：横軸はその分類の職業において AI がカバーするタスクの割合。3段階の濃淡はカバーの程度(一定の利用 / 高頻度の利用 / 完全自動化)を表します。完全自動化の段は、どの行でも一番左にわずかな帯があるだけです。コンピュータ・数学系が最も高く、次いでビジネス・財務系、アート・デザイン・メディア系が続きます。出典：Google Blog / ATLAS v1.0

次に深さを見ると、様子は一変します。全体で近 1.9 万件のタスクのうち、実際に使われているのは約 4000 件、20% です。個々の職業に落とし込むと、少なくとも1つのタスクが基準を満たした職業の中で、AI がカバーするタスクの割合の中央値は 21% でした。

ここで言う 21% は中央値であって平均値ではなく、しかも「少なくとも1つのタスクが基準を満たした」職業だけを対象にしている点に注意してください。残る 29% の職業は1つも基準をクリアしておらず、商品陳列・仕分け係、組立ライン工員、ファストフード店の調理担当、ごみ収集員、巡回警察官などがこの層に入ります。これらを含めれば、実際の浸透度はさらに1段階浅くなります。

逆側から見ると、約 30% の職業で4分の1以上のタスクに AI が使われており、11% の職業では半分を超え、4分の3以上に達しているのはわずか 3% の職業です。

この表は両端とも興味深いものです。右列はほぼ「業務内容がもともと文章や情報の処理そのもの」である職種。左列は教育とケアに集中しており、目の前にいるのは具体的な1人の人間で、その人のその場の反応が次に何をするかを決めます。

ユーザーが AI に求めるのは主に下書き・資料調べ・アイデア出しで、最初から最後まで任せることは少ない

「AI をよく使っている」ことと「AI が人を代替している」ことは別の話です。これまでの議論はデータでこの2つを切り分けられなかったため、しばしば混同されてきました。ATLAS はこれを切り分けようと試みています。

切り分けの第一歩は、タスクを分類することです。論文は先に触れた Autor と Thompson のアルゴリズムを踏襲し、すべての業務タスクを5つのカテゴリに分けています。

3つの点はそれぞれ：経済全体におけるこの種のタスクのベースライン比率(黄)、ATLAS が観測した業務タスクの分布(ピンク)、AI 対話の実際の分布(青)を示します。非定型認知作業の行が最も振れ幅が大きくなっています。出典：Google Blog / ATLAS v1.0

非定型認知作業は経済全体の職業タスク全体の中で約 35% を占めるにすぎませんが、AI の仕事関連対話では 65% を占めています。このズレ自体は不思議ではありません。大規模言語モデルが得意とするのは、まさにこの種の作業だからです。

肝心なのは第二段階です。Google はさらに意図分類器を作り、ユーザーが AI に何をさせたいのかを5段階に分けて判定しました：

この5段階を4種類のタスクに当てはめます。以下は論文の完全なデータで、各タスク種別の5段階を合計すると 100% になります：

平たく言えば、本当に頭を使う仕事では、100回の対話のうち「全部やっておいて」という意図は6〜7回しかありません。残る90回あまりのうち、最も多いのは下書きを出させる(41.5%)こと、次いで資料調べ・学習(29.6%)、対話できる同僚として一緒に考える(18.6%)ことです。一方、手順が決まった文書作業では、AI に丸ごと任せたい割合が 26.9% まで跳ね上がり、前者の4倍になります。

見落とされがちな数字がもう1つあります。「レビュー・修正」は4種類のタスクすべてで最下位です。非定型認知作業でもわずか 3.8%、対人と手作業はどちらも1%未満。人は AI に下書きさせることには前向きでも、自分が書き終えたものをチェックさせることはほとんどありません。

手作業タスクの分布はまた別の極端さを見せます。82.1% が「資料調べ・学習」なのです。設備の設置、車の状態のチェック、社員へのパソコン配布——人が求めているのは、その場で聞ける説明書であって、代わりに手を動かしてくれる人ではありません。

私たちは ATLAS において、次のような主張を裏づける証拠を見出していません。AI がまもなく大規模な自動化を引き起こしホワイトカラーの仕事を代替する、AI はブルーカラーの仕事とは無関係である、AI の用途はタスクの自動化そのものである、といった主張です。

ATLAS v1.0 エグゼクティブサマリー

この結論には必ず付随する限定条件があります。これが測っているのは「ユーザーが AI に何をさせたいか」であって、「AI がどこまでできるか」ではありません。論文自身も先んじて断っています——分類の入力は集約された対話の要約であり、1つのクラスタに複数の意図が混ざっている可能性があること、そして今回の意図分類器はまだ粗いものであることを。

(本サイト注)論文が展開していないもう1つの層があります。ユーザーが AI に丸ごと任せないのは、今の AI にそれができないからかもしれませんし、そもそも丸ごと任せようと考えたことすらないからかもしれません。この2つの理由をこのデータは区別できません。ただし表の中に注目すべき傍証が1つあります。同じ知的作業でも、手順が決まっているもの(定型認知)ほど、丸ごと任せる割合が高くなっています(26.9%)。これは少なくとも、AI が実際にできる場合には、人は手を離す用意があることを示しています。

自動車整備士も使っており、しかも写真を撮って見せるのが好き

「AI はホワイトカラーのもの」という印象を、データは半分しか支持しません。重労働の職業の3分の1近くは確かに利用が観察されませんでしたが、多くの技術系職種では、AI はすでにいつでも呼び出せる相棒になっています。

論文は2つの具体例を挙げています。産業機械工——この職種はタスクの 44% が純粋な身体作業ですが、頭を使うタスクにおいて AI 利用が数千回に及んでいます。検査結果の分析、機械のエラーメッセージの読み解きなどです。自動車整備士はさらに極端で、タスクの 83% が身体作業であるにもかかわらず、関連する対話は1万件を超え、車両部品の測定、配線のやり直し、部品の摩耗チェックに使われています。

具体的な数字を1つ。自動車整備士のマルチモーダル対話の割合は、仕事関連の AI 対話全体の平均の2倍以上です。マルチモーダルとは、対話に画像や動画が添付されていることを指します。リフトの下に潜り込んだ整備士が、油がにじんでいる接続部にスマホを向けて1枚撮り、「どこから漏れているのか、どの部品を交換すべきか」とそのまま尋ねる場面を想像してください。それがこの2倍以上の由来です。オフィスワーカーはむしろこうした使い方が少ない。彼らの手元にあるものは、もともと文字だからです。

同じパターンは国レベルでも現れています。中低所得国の仕事関連対話では、画像や動画を伴う割合が、先進国のおよそ2倍に達しています。

最も使っているのは高給の人だが、彼らがAIにやらせている作業はさほど高度ではない

まず誰が使っているかを見ます。職業の中央値給与が 1% 高いごとに、その職業の AI 利用強度は約 2.68% 高くなります(学歴の影響を除いて給与そのものだけを見た場合は 1.86%)。学歴も正の相関があり、収入の影響を除いてもなお成立します。

別の計算方法で見るともっと直感的です。就業人数で重み付けすると、米国労働者の職業中央値年収は 62,252 ドル。同じ計算式を Gemini の対話量で重み付けし直すと、82,919 ドルになります。

ここまでは直感どおりです。AI は現状、高給の知識労働者のためのツールだということです。直感に反するのはこの先です。

論文は近 1.9 万件のタスクに「専門度」スコアを付け、4段階に分けました。結果：タスクライブラリ本体の分布と比べて、AI が最も多く使われているのは、まさに専門度が最も低い段階の非定型認知タスクでした。論文が挙げる例は「ニュースなどの資料を指定言語向けに書き換える」ことと「調達仕様書の作成・審査」です。

「調達仕様書の作成・審査」は聞いた感じまったく低度なものではないので、このスコアがどう付けられているかをはっきりさせておく必要があります。それはタスクの説明文で使われている語彙がどれだけ珍しいかしか見ていません。素人には理解しづらい専門用語ほどスコアが高くなります。調達仕様書のような作業はどれだけ長々と書いても使う語彙は一般的なものが多く、スコアは低くなります。つまりこの物差しが測っているのは「素人がその説明を理解できるかどうか」であって、「その作業がやりやすいかどうか」ではないのです。

まとめると、ねじれた構図が見えてきます。収入が高い人ほど AI をよく使っているのに、彼らが AI にやらせているのは、自分の仕事の中で説明としては最も専門性が低い部分なのです。

これは何を意味するのでしょうか。論文はまず流布している読み方(高給ホワイトカラーが自らの手で自分自身を自動化しつつある)を提示した上で、明確に異を唱えています。原文では「私たちの予備的な証拠は、別のダイナミクスを示唆している」としています。論文の説明はこうです——こうした人々は定型的な知的作業を AI に外注する一方で、真に専門性が問われる非定型な仕事では人と AI の協働を行っている、と。もしこれが成り立つなら、人間の専門能力はむしろより価値を増すことになりますが、その代償として、AI を使いこなせる人とそうでない人の間の収入格差はさらに広がることになります。

対話の86%は仕事と無関係

仕事関連の対話は、実はごく一部を占めるにすぎません。ただしここでは範囲をはっきりさせておく必要があります。混同しやすいからです。

家庭サイドを計算する際、論文はGemini API 分を除外し、Gemini App と Search の AI モードだけ、約 1000 万件を残しました。理由は、開発者による API 呼び出しの多くが断片的な業務タスクであり、家庭での使われ方を代表しないからです。この約 1000 万件の日常対話のうち、仕事関連はわずか 13.5% で、残る 86.5% は退勤後に発生しています。家事、学習、余暇、買い物、通院、諸手続きなどです。

除外された部分はまた別の極端さを見せます。Gemini API の利用は 98.8% が仕事関連です。つまり「86% は仕事と無関係」という言葉の正確な範囲は「人が直接口頭で尋ねた対話」であり、1465万件全体ではありません。

これらの日常対話は、米国のタイムダイアリー分類体系の 74% のカテゴリをカバーしています。カバーされなかった 26% のカテゴリは、もともと時間をほとんど占めない活動で、カバーされたものを合計すると米国人の覚醒時間の 98% に達します。つまり、1日のうち睡眠時間を除けば、ほぼすべての行動について誰かが AI に尋ねているということです。

非仕事関連対話の内訳(この図は非仕事関連部分を100%に正規化したもの)：余暇・交際 30.6%、教育・学習 24.0%、家事 12.7%、身の回りのケア 10.4%、その他 7.6%、買い物 6.0%、専門・個人サービス 5.6%、移動 3.1%。日常対話全体で計算すると、余暇・交際は 26.4%、教育は 20.7% になります。出典：Google Blog / ATLAS v1.0

これは Google 特有の現象ではありません。論文は OpenAI 自身のデータを引用しています。ChatGPT のやり取りの約 69% も非仕事の場面で発生しているのです。最大手の対話型 AI 2社とも、主戦場は家庭にあります。

なぜ面倒な用事ほど、人はAIに聞きたがるのか

人が非仕事の時間に何を AI に尋ねているかを知るのは、まだ第一層にすぎません。より情報量が多いのは第二層——「AI で尋ねられる比重」を「人が実際にその事柄に費やす時間の比重」で割ってみることです。

この比率を論文は超過倍率ある事柄が AI 対話に占める割合を、人々がその事柄に実際に費やす時間の割合で割ったもの。1より大きければ、その事柄は AI 上で、実際に費やす時間に比べて「不釣り合いに多く」問われていることを意味します。と呼んでいます。1より大きければ、その事柄が問われる頻度が生活における実際の重みを上回っていることを意味し、1より小さければその逆です。データは次のとおりです：

傾向はかなり明確です。書類記入、手続き、理解しづらい条項、普段は休みを取らないと片付けられない用事ほど、人は AI に聞きたがります。論文はこうした対話要約の中の高頻度語を集計しており、上位に来るのは「要件」「コンプライアンス」「手続き」です。人がつまずく場所は、まさにこの3つです。一方、食事、移動、運動、家族の世話といった身体がその場にいなければ完結しない用事は、実際に費やす時間よりずっと低い頻度でしか問われていません。

薄い色の点は米国人が実際に費やす時間の割合、濃い色の点は AI 対話の割合で、2点の間の距離がギャップです。購入検討、医療ケア、行政手続き、法律サービス、市民的義務では、濃い点がすべて薄い点の右側にあります。唯一逆になっているのは「これらの用事のために移動する時間」で、移動だけは自分の足で行くしかありません。出典：Google Blog / ATLAS v1.0

行政手続きのカテゴリをさらに分解すると、何が最も多く問われているかは一目瞭然です：

行政・市民事務の内訳：証明書発行・納税や罰金の支払い 40.1%、市民的義務・参加 26%、行政サービス 16.5%、社会福祉サービス 15.4%、関連する移動 1.5%、その他 0.5%。出典：Google Blog / ATLAS v1.0

この現象をさらに深く説明する、時間軸での発見もあります。医療、法律、金融、行政という4種類の相談は、その約半分が平日9時〜17時以外——夜、早朝、週末に発生しています。

この数字が重要な理由は、これまでこうした用事を片付けるには、勤務時間から一部を削り出す必要があったからです。半日休みを取って役所の窓口に行けば、失われるのは半日分の給料か半日分の産出です。この損失はどんな帳簿にも載りませんが、確実に一人ひとりの肩にのしかかってきました。今、その一部が消されています。論文の比喩を借りれば、AI は行政の窓口や法律事務所を、24時間365日開けっぱなしにしているようなものです。

この恩恵は、GDPには1円も計上されない

証明書の発行、通院、諸手続きで省ける手間は、いくらの価値があるのでしょうか。論文は試算をしていますが、この試算は引用される際に最も誤解されやすい部分なので、経緯をきちんと説明しておく必要があります。

まず1つの言葉をはっきりさせます。GDP(国内総生産)は一国の経済規模を測る最も一般的な物差しですが、これはお金が支払われた取引しか計上しません。家事代行を頼めば、その代金は GDP に入ります。自分で掃除をすれば、同じ作業でも1円も計上されません。経済学ではこの境界線を「生産境界」と呼びます。境界の内側の作業は GDP に算入され、外側は算入されません。

続いて基準を定める必要があります。ある家事は「生産的労働」に該当するのか。使われるのは第三者基準1934年に Reid が提唱：理論上、お金を払って他人に代行させられる事柄であれば生産的活動(炊事、掃除、育児、修理など)とみなし、代行させられないもの(睡眠、映画鑑賞など)は該当しないとする考え方。です。その作業はお金を払って人に代行してもらえるか。できるなら該当し、できない(睡眠や映画鑑賞など)なら該当しません。この基準によれば、米国人は平均して週17.8 時間を生産的な家事に費やしています。

次が肝心なステップです。AI が実際にどれだけの時間を人から浮かせたのか、誰も測定していません。論文はこの点をはっきりと認めており、測定する代わりに3段階の仮定を置き、「これらの作業を人に頼んだ場合の公式な控えめな時給」(時給12.02ドル)を基に試算しています：

この3つの数字は「もし……ならば……」という仮定であって、「測定したらこうだった」という値ではありません。論文自身も、「どれだけ時間を節約したか」で測ること自体に欠陥があると注意を促しています。AI が家庭にもたらす改善の多くは、同じ用事をより短い時間でこなすことよりも、物事がより上手くこなせるようになった、こなせる用事が増えたという形で現れるからです。

どの段階に落ち着くにせよ、確かなことが1つあります。これらの恩恵はすべて無償労働の側、つまり生産境界の外側で発生しており、従来のGDPには1円も計上されません。それが差し引いているのは、日常生活の中で誰もが支払っているのに誰も帳簿につけたことのない「時間税」です。Coyle をこの研究のレビューに招いたこと自体が、Google がこの節が最も突っ込まれやすいと自覚している証です。彼女が半生をかけて研究してきたテーマは、まさに「GDP という物差しが何を見落としているか」なのですから。

論文は最後に、見落とされがちな一言を付け加えています。家事時間の性別による分布は、これまでずっと不均衡でした。論文はそれ以上踏み込んで計算していませんが、どちらの方向にも筋が通ります。女性が担う家事が多い分、節約できる絶対時間は多いかもしれません。しかしもう一方で、AI を最も重く使っているのは高給の職業であり、その層はむしろ家事負担が軽い。この時間的恩恵を実際に手にしているのが誰なのか、このデータは答えられません。

世界の利用量は所得に連動するが、この法則に当てはまらない国々もある

視点を世界に広げると、第一の法則はお金と利用量がほぼ連動していることです。1人あたり GDP が 1% 高いごとに、1人あたりの AI 利用量は約 0.9% 高くなります。

国を1人あたり AI 利用量で5段階に分け、緑が人口比率、青が利用比率です。最下位層には世界人口の 17% が住んでいますが、対話の 2% しか生み出していません。最上位層には 11% の人口が住み、30% を生み出しており、これは人口比率の 2.8 倍に相当します。出典：Google Blog / ATLAS v1.0

しかしこの法則には明らかな例外群があります。トルコ、UAE、カタール、イスラエルはいずれも上位に入り、中東地域は総じて高め。南米のチリ、ペルー、ブラジル、アルゼンチン、コロンビアも上位・最上位層に食い込み、西欧諸国と同じ階層に並んでいます。逆に、人口も理工系卒業者数も膨大なインドとロシアは、「低」の階層に落ちています。

なぜでしょうか。論文の答えは「単一の要因では説明がつかない」というものです。少なくとも2つの手近な答えは排除されています。インターネット普及率をコントロールしても差は残ること、AI 関連トピックへの関心度でも説明できないことです。何が排除されずに残っているのかは、論文は測定も列挙もしていません。(本サイト注)データ自体から考えられる方向としては、人口の年齢構成、現地に強力な競合製品があるかどうか、行政サービスのデジタル化の度合い、そしてモデルの現地語対応の良し悪しなどが挙げられます。最後の点については次の節で少し傍証があります。

最も興味深いのは「関心と利用のズレ」というギャップです。「現地の全検索に占める AI 関連検索の割合」でランキングすると、最上位層はインド、バングラデシュ、ネパール、フィリピン、インドネシア、タイ、ベトナム、そして東アフリカのケニアとエチオピアです。好奇心はすでに十分あるのに、利用がそれに追いついていません。一方、西欧や日本の検索熱はむしろ最下位層に位置しています。論文の説明はこうです——成熟した市場では、AI はわざわざ検索するに値する目新しいものから、日常のプロセスに溶け込んだ背景的なツールへと変わっているのだ、と。

中国はこのデータに含まれていません。論文は、いくつかの国・地域が「消費者向け製品が利用できない」ため統計から除外されていると説明しており、Gemini と Google 検索の AI モードはいずれも中国本土ではサービスを提供していません。したがってこのレポートに中国の数字はなく、そこで語られる世界の構図にも中国の実際の利用量は含まれていません。

英語はわずか3分の1、精度を求めてわざわざ英語に切り替える人はいない

143 の言語がプライバシー基準をクリアし、英語は3分の1をわずかに超える程度にとどまり、残る3分の2はスペイン語、アラビア語、ポルトガル語など100を超える言語に分散しています。ATLAS は世界の主要200言語のうち、母語話者人口の93%以上をカバーしています。

ここには、広く流布していたある仮説がデータによって覆された例があります。その仮説とは、大規模言語モデルは英語での回答品質が高いのだから、まともな仕事のタスクではユーザーは英語に切り替えて尋ね、日常の些事だけ母語を使うはずだ、というものです。実際のデータはほぼ完全に対称的でした。仕事の場面で非母語を使う割合は26%、非仕事の場面では24%近く。英語だけに絞っても14%対13%です。どの国であっても、仕事中と生活中とで言語を切り替える割合はほぼ変わりません。

ただし、言語を切り替えるコストは実在します。同じ種類の事柄を比較しても、非母語の英語で会話すると、対話のターン数が9〜12%多くなり、トークン総使用量は18〜20%多くなります。このコストは最終的にユーザーの時間とベンダーの計算資源の両方が負担することになり、母語対応の良し悪しがある地域の実際の利用量に影響する理由を、側面から裏づけています。

Anthropicの数え方とはどこが違うのか

この照合は単独で語る価値があります。最大手のモデルベンダー2社が、それぞれ自社のデータをもとに、トーンの異なる物語を語っているからです。

Anthropic のエコノミック・インデックスは二分法を採っています。1回の利用は人を「拡張」するか「自動化」するかのどちらかだ、というものです。2025年版の算出結果は拡張57%対自動化43%でしたが、2026年の最新版では52%対45%(残り3%はどちらにも分類できず)となり、自動化の割合は時間とともに上昇しています。Google は五分類を採っており、「非定型認知作業におけるエンドツーエンドの自動化6.5%」という結果を出しています。

論文にはもう1つ直接的な横並び比較があります。指標は「タスクの4分の1以上を AI がカバーしている職業の割合」です。これは前述の21%とは別物である点に注意してください。前者は職業の数を数え、後者は1つの職業の中のタスクを数えています。この指標で ATLAS が観測したのは30%、Anthropic 側は36%(2025年)と49%(複数レポートを統合した2026年の口径)です。Google は同じ脚注で、両者はサンプリング方法が異なり、ATLAS 側のプライバシー処理がより厳格であるため、数字を単純比較できないと説明しています。

したがってこの差は、両社のユーザーが実際にこれほど違うからというより、数え方の違いによるものである可能性が高いでしょう。ただし、両社の語りの重心のズレは本物です。一方は協働が圧倒的多数であることを強調し、もう一方は自動化の割合が上昇しつつあることを強調しています。

最後に、冒頭のソロー・パラドックスに話を戻しましょう。ATLAS はそれを解決したわけではありませんが、問いをもう少し正確なものにしました。AI の価値の多くが無償労働の側——社会保障の条項を読み解いてくれること、証明書の申請方法を教えてくれること、日曜の夜10時に、本来なら休みを取って尋ねるはずだった質問に答えてくれること——に落ちているのなら、それが GDP に見えないことは、まだ起きていないことを意味するとは限りません。より可能性が高い理由は、私たちの手にしているこの物差しが、そもそも最初からこうしたものを測るようにはできていなかったということです。

米国政府は職業を761種類に分解しており、そのうち68%で誰かが Gemini を仕事に使っている様子が観察されました。リストにはソフトウェアエンジニアやマーケットリサーチャーだけでなく、農家、産業機械工、林業従事者も含まれます。しかしもう1段階踏み込んで、各職業でどれだけのタスクが実際に使われているかを見ると、様子は一変します。

「よく使われている」ことと「人を代替している」ことは別の話で、これまで3年間議論されてきたのにデータで切り分けることができませんでした。Google は分類器を訓練し、ユーザーが AI にどこまでやらせたいのかを5段階に分けて判定し、異なる種類の作業に当てはめました。同じ知的作業でも、決まった手順があるかどうかで分布はまったく異なります。

開発者による API 呼び出し分を除くと(その 98.8% は仕事関連)、残る人が直接口頭で尋ねた約1000万件の日常対話のうち、仕事関連はわずか13.5%で、残る86.5%は退勤後に発生しています。より情報量が多いのは次のステップです。ある事柄が AI 対話に占める割合を、人々がその事柄に実際に費やす時間の割合で割ってみるのです。

証明書の発行、社会保障の相談、条項の確認で省ける手間は、いくらの価値があるのでしょうか。この帳簿は GDP(国内総生産、経済規模を測る最も一般的な物差し)には計上されません。GDPが計上するのはお金が支払われた取引だけです。家事代行を頼めば、その代金はGDPに入りますが、自分でやれば同じ作業でも1円も入りません。浮いた手続きの時間は、ちょうどこの境界線の外側に落ちています。