AnthropicのAI期待値調査、従業員と一般市民の間に52ポイントの隔たり

Anthropicは、際立った認識の差を示す調査を公表した。同社の従業員の91%は、2030年までにAIがノーベル賞級の発見をもたらすと予想しているのに対し、米国の成人では39%にとどまった。AnthropicのAI期待値調査は、従業員の方が単に楽観的であることを示すものではない。最先端AIに日常的に触れることで、人々が未来をいかに異なる形で判断するようになるかを明らかにしている。

見解の相違は科学研究にとどまらない。Anthropicの従業員は、AIが業務のより大きな部分を担い、企業への普及がより速く進み、生産性向上もより大きくなると見ている。一方で両グループとも、職場の自動化が進めば失業率も上昇すると結び付けている。

ここに中心的な対立がある。最先端モデルに最も近い人々は並外れた進歩を予見するが、その経験は経済全体を代表するものではない。この調査が捉えているのは内部関係者の情報に基づく期待であり、独立して測定された予測ではない。

Anthropicの調査で実際に分かったこと

最大の隔たりは、AIがすでに何をできるかではなく、将来の進歩がどれほど速いかを巡る認識にある。

Anthropicは2026年10月16日、AI期待値調査を公表した。報告書の著者は、研究者のSzymon Sacher、Tess Cotter、Charles I. Jones、Anton Korinek、Peter McCroryである。

Morning Consultは8月11日から8月23日にかけて、米国の成人10,980人を対象にオンライン調査を実施した。回答には、全国の成人人口を代表するよう重み付けが施された。

Anthropicは別途、8月9日から8月12日にかけて従業員1,334人を調査した。この社内サンプルには重み付けがなく、全社のスタッフが含まれていた。

回答者は、日常的なメール作成からノーベル賞級の科学的発見まで、8つの活動を評価した。各活動について、AIが熟練した専門家と同等に遂行できるようになる時期を尋ねられた。

両グループはAIの現在の能力についてはおおむね一致していた。両サンプルの約4分の1は、AIがすでに科学研究を設計、実施、発表できると考えていた。

しかし、その後の期待は大きく分かれた。Anthropicの従業員の10人に9人は、2027年までにAIがその研究能力を持つと予想したのに対し、一般市民では38%だった。

最も注目すべき差はノーベル賞級の科学に関するものだった。2030年までに、従業員の91%はAIがそのような発見を行うと予想した。同じ回答をした米国の成人は39%にすぎなかった。

9月17日から9月24日には、米国の成人7,613人を対象とする追跡調査も実施された。このサンプルでは、44%が2030年までにノーベル賞級の発見があると予想した。

この上昇によって隔たりが解消されたわけではない。ただし、一般市民の正確な推定値は、サンプリングと調査時期に一部左右されることを示している。

「ノーベル賞級の発見」という表現にも注意が必要だ。この設問は、回答者がAIにその重要性を持つ発見を期待しているかを測るものである。人間による指示、実験作業、制度的な検証がどの程度関わるかは定義していない。

科学的な成果はAIシステムに由来し得るが、それでも人間のチームによる検証を必要とする。発表、再現、評価はいずれも別個の段階である。

歴史的な参照例はもはや仮説ではない。2024年のノーベル化学賞は、AlphaFold2を用いたタンパク質構造予測によりDemis HassabisとJohn Jumperを表彰した。

ただし、AlphaFoldの成功は調査の問いに決着を付けるものではない。この賞は、AIシステムを開発した人間の研究者を評価したものであり、自律システム自身が発見の功績を認められたわけではない。

この区別は重要である。回答者によって「AIが発見を行う」の解釈が異なる可能性があるからだ。モデルが独力で理論を形成・検証する姿を想定する人もいれば、AIツールを使う人間の科学者が生み出した発見も含める人もいるだろう。

したがってAnthropicのAI期待値調査は、その内部にあるあらゆる境界を定義することなく、実際の期待の隔たりを示している。その結果は、科学的達成の確定したタイムラインではなく、信念に関する証拠として扱うのが最も適切だ。

AI期待値の隔たりは日常的な利用経験から生じる

Anthropicの従業員は、AIが日常業務にすでに組み込まれた環境から将来を推定しているように見える。

AIの利用状況は、一般市民を明確に異なる予測を持つグループに分ける。調査対象の成人の約5分の1は、職場でAIを日常的に使っていると答えた。

これらの常用者のうち56%は、2030年までにAIが調査対象の8つの活動のうち少なくとも7つを習得すると予想した。米国の成人全体では、この割合は41%だった。

AIツールを一度も使ったことがない人では、その水準の能力を予想したのは28%にとどまった。Anthropicの従業員では、その数字は96%に達した。

この進行は、直接的な利用経験が期待を変えることを示唆する。AIを日常的に使う人は非利用者よりも大きな進歩を予見するが、それでもAnthropicのスタッフほどの確信は持っていない。

経験は先見性を証明するものではない。頻繁に利用する人は、ときどき利用する人が遭遇していない能力を観察できる一方、特に有利なタスクや環境から過度に一般化する可能性もある。

Anthropicは極端な事例である。同社の従業員は最先端モデルを構築し、社内システムへの早期アクセスを得て、それらのシステムを中心に設計されたプロセスの中で働いている。

同社の関連する雇用研究によると、8月までに対話型AIエージェントの稼働時間は従業員の勤務時間の6倍に達した。AIエージェントとは、限定的な監督の下で複数段階の作業を完了するシステムである。

Anthropicはさらに、エージェント利用の拡大に伴い、1人当たりのコード出力、営業担当者1人当たりの成約数、処理された法務契約数が増加したと報告した。これらの結果は同社独自の職場データに基づくものだった。

この環境は、病院、建設会社、学区、地域小売業者とは大きく異なる。大半の組織には、同等のモデル、技術支援、ワークフロー、インセンティブがない。

導入は、システムが技術的にタスクを実行できるかどうかだけで決まるわけではない。企業はデータと統合し、責任を割り当て、エラーを監視し、顧客と規制当局の要件を満たす必要がある。

調査対象の成人も、こうした障壁を認識していた。最も多く選ばれた障害は、顧客が他者とのやり取りを望むというものだった。

プライバシーとセキュリティがそれに続き、信頼性の不足と法的・規制上の制約が後に続いた。回答者は最大3つの障害を選択できた。

職場でAIを日常的に使う人は、プライバシーとセキュリティを最も重要な課題に挙げた。この回答は、親しみが単純に無条件の楽観論を生むという見方に疑問を投げかける。

人々はAIの能力により感銘を受ける一方で、導入上のリスクをより強く意識するようにもなり得る。直接的な経験は、進歩の速さと摩擦の両方を明らかにする。

それでもAnthropicの従業員は、より広い導入を予測している。彼らは2030年までに、AIが実行可能なタスクの65%で利用されると見込んだ。

米国の成人は、企業が技術的に適したタスクの42%でAIを使うと予想した。この23ポイントの差は、モデルの純粋な能力ではなく普及に関するものだ。

この差は、ノーベル賞の問いよりも経済的に重要になる可能性がある。歴史的な発見が1件あれば注目を集めるが、広範な導入は何百万もの日常的なワークフローを変えるだろう。

したがってAI期待値の隔たりは、単に内部関係者と外部者の対立ではない。技術的能力が受容され、信頼され、日常的なものになるまでの速度を巡る見解の相違である。

AnthropicのAI期待値調査は雇用を中心に据える

先端モデルに最も近い従業員は、遠い科学分野での進歩だけでなく、自らの業務の大幅な自動化を予想している。

平均すると、Anthropicの従業員は2030年までにAIが現在の勤務時間の75%を担うと予想した。就業中の米国回答者の平均推定は28%だった。

Anthropicスタッフの半数超は、AIが自分の業務の少なくとも80%を処理すると予想した。同じ期待を持つ米国の労働者はわずか5%だった。

テクノロジー業界の労働者でさえ、社内予測を大きく下回っていた。コンピューター、エンジニアリング、科学関連の職種の回答者は、AIが勤務時間の33%を担うと予想した。

これらの職種でAIを日常的に使う人の推定は40%だった。これは一般市民の平均を上回るものの、Anthropicの従業員よりなお35ポイント低い。

この対比は雇用主に難しい問いを突き付ける。Anthropicのスタッフが方向性として正しければ、多くの組織は知識労働が変化する速さを過小評価している。

一般市民の見通しの方が現実に近いのであれば、最先端ラボの期待は経済全体で再現できない特殊な職場環境を反映しているのかもしれない。

AIによる職場の自動化には、異なる2つの意味もある。システムがタスクを完全に置き換えることもあれば、人が結果を確認する間に作業の大部分を実行することもある。

Anthropicのスタッフは概して、2030年までにAIが単独で働くか、人間の確認用の出力を作ると予想した。一方、米国の成人の10人に4人は、人間が業務の大部分を維持すると考えた。

この違いは生産性と雇用の両方に影響する。人間による確認は、労働者を排除せずに出力を増やせるが、必要な人数を減らすことにもつながり得る。

調査では、重要な一致点が1つ見つかった。AIが自らの業務をより多く担うと予想する回答者ほど、失業率も高くなると見込んでいた。

AIが自分の業務の半分未満を担うと予想した米国の労働者は、2030年の失業率を7%から8%と見込んだ。少なくとも80%の自動化を予想した人は12.2%と見積もった。

予想される業務への影響が10パーセントポイント増えるごとに、予測失業率は0.4ポイント上昇した。Anthropicの従業員にも同様の関係が見られた。

したがって、両グループが労働市場について完全に異なる理論を用いているわけではないようだ。主な相違は、AIがどれだけの業務を実行可能になるかという見通しにある。

このニュアンスは、この調査を単純な楽観論対悲観論の物語から切り離す。Anthropicの従業員はより強力な能力を予想するが、同時にそうした能力を労働市場へのより大きな圧力と結び付けている。

同社に関する彼ら自身の予測には、さらに別の側面がある。95%は、その後の12カ月間にAnthropicの従業員数が増えると予想した。

回答者の中央値は従業員数66%増を見込んでおり、27%は少なくとも倍増すると予想した。Anthropicは、これらは公式な採用計画ではなく個人の期待だと強調した。

拡大中の企業の内部では、自動化と雇用が同時に増加し得る。生産性の向上はコストを下げ、需要を生み出し、労働者を新たな責任へ移行させることができる。

この結果は成熟産業では不確実性が高い。急成長するAI開発企業は、市場が急速に拡大しているため、タスクを自動化しながら人員を増やすことができる。

法律事務所、保険会社、バックオフィスサービス提供企業は、異なる状況に直面する可能性がある。需要が安定したままであれば、従業員1人当たりの出力増加は採用削減への圧力を強める。

過去の職場研究は、より慎重な比較材料を提供する。NBERのフィールド研究では、5,179人のカスタマーサポート担当者が利用した生成AIアシスタントを調査した。

研究者らは平均的な生産性向上を確認し、とりわけ経験の浅い労働者で恩恵が大きかった。この結果は、AIが職業全体を置き換えることなく、効果的な実務を広げられることを示した。

このパターンは、Anthropicの社内における労働力の変化とは異なる。同社は、エージェント利用の拡大に伴い、採用に占めるジュニア技術職の割合が低下したと報告している。

ある文脈では、AIが初心者の経験差を埋める助けになり得る。別の文脈では、実装負荷の高いタスクにおいて、雇用主が必要とするジュニア人材が減る可能性を示している。

両方とも成り立ち得る。AIはすでに採用された人々の生産性を高める一方で、新たなエントリーレベル従業員への需要を減らす可能性がある。

その可能性により、キャリア初期の人材に向けた道筋が中心的な懸念となる。経験が始まる役割をなくしてしまえば、企業は経験豊富な人材を無限に生み出すことはできない。

インサイダーの知見は価値があるが、中立ではない

Anthropicのスタッフは非常に関連性の高い情報を持つ一方、その調査は選抜、インセンティブ、共有された経験の影響を受ける社内調査である。

フロンティア研究所の従業員は、一般の人々には容易に観察できないモデルの挙動を目にしている。彼らは社内ツールを使い、研究の進展速度を理解している。

そのため、彼らの予測には注目する価値がある。それを通常の企業的な熱狂として退ければ、有用となり得る情報を捨てることになる。

しかし、近接性は独自のバイアスも生む。人々がAnthropicで働くことを選ぶ理由の一部は、高度なAIが重要だと信じているからである。

従業員はまた、専門的なネットワーク、社内の語り、日々目にするAI活用の成功例も共有している。こうした影響により、回答者数が示唆する以上に意見の相関が高くなる可能性がある。

スタッフ調査には重み付けが施されていない。全社から1,334人の従業員を集めたが、報告書は彼らをAI研究者全般の代表として提示してはいない。

一般向けサンプルには別の制約がある。Morning Consultはオンラインの任意参加パネルから回答者を募っており、インターネットにアクセスできない成人は除外されている。

人口統計学的な重み付けは、全国的な代表性を改善できる。しかし、オンラインパネルに参加する人と参加しない人の違いを完全に補正することはできない。

将来に関する質問も、一般向けサンプルでは2027年と2030年に分けられていた。Anthropicの従業員には全員、2030年について質問された。

特記がない限り、著者らは2030年の回答を報告した。それでも読者は、一般向けの推計の一部が全サンプルの一部からのみ得られていることを念頭に置くべきである。

調査の中でも最も野心的な経済数値には、さらなる注意が必要だ。研究者らは、能力、導入、自律性、生産性、労働者の移行に関する回答を経済モデルへと対応付けた。

一般回答者の中央値は、2030年のGDP成長率が5.4%となるシナリオを生んだ。従業員回答者の中央値では17.1%の成長となった。

これらはモデルから導かれたシナリオであり、直接的な経済予測ではない。この演習は、一連の信念をAnthropicのエコノミストが定めた仮定を通じて変換したものだ。

追跡調査の一般向けサンプルでは5.6%成長が示され、一般向けの結果には一定の安定性があることが示唆された。より大きなスタッフ側のシナリオは、モデル入力がどのように相互作用するかに依然として敏感である。

Anthropicのスタッフはまた、2026年初頭のフロンティアモデルの構築に必要な作業のうち、AIがすでに中央値で51%を実行していると推計した。2027年後半には80%、2030年には95%に達すると見込んだ。

これらの数値は従業員による推計であり、監査済みの測定値ではない。Anthropicは明確に、これらが会社としての予測を構成するものではないと述べた。

分母の定義は難しい。「モデル構築に必要な作業」には、コーディング、実験、データ作業、評価、インフラ、管理、研究上の判断が含まれ得る。

ある従業員は、AI支援による成果物をAIが行った作業として数えるかもしれない。別の従業員は、より優れたツールで人間が完了した作業として数えるかもしれない。

この調査は、その曖昧さを解消していない。むしろ、AnthropicのスタッフがAIをモデル開発にすでに大きく貢献しているものと認識していることを示している。

推計が高すぎると判明したとしても、その信念には戦略的な影響がある。チームは、システムが次に何を行えると予想するかに基づき、ワークフロー、採用計画、研究プログラムを設計する。

信念は部分的に自己強化的になり得る。急速な自動化を予想する組織はエージェントにより多く投資し、それによって得た経験が、より速い自動化をもっともらしく感じさせる。

これはその信念が誤りだという意味ではない。AnthropicスタッフのAI予測は、観察と組織的なコミットメントの両方を反映しているということだ。

したがって読者は、二つの安易な結論を避けるべきである。一つ目は、従業員が未来の秘密で精密な地図を持っているという見方だ。

二つ目は、彼らの見解が単なるマーケティングにすぎないという見方である。証拠は、より有用な解釈を支持している。スタッフは、情報に通じてはいるが高度に選別されたシグナルを提供している。

ノーベル賞級の科学はベンチマークであり、予測を容易にする近道ではない

ノーベル賞との比較は野心を捉えるが、科学的発見は調査が測定していない検証システムに依存している。

AIはすでに、タンパク質予測、分子設計、文献レビュー、コーディング、シミュレーション、実験計画を通じて科学研究に影響を与えている。こうした応用により、調査の科学に関する問いにはもっともらしさがある。

しかし、ノーベル賞級の成果には、斬新な答えを生み出すこと以上のものが求められる。研究者は、その結果が正しく、重要で、再現可能であり、既存の科学記録と結び付いていることを確立しなければならない。

物理的な実験は、多くの場合で依然として不可欠である。モデルは分子、機構、定理を提案できるが、その提案は実験室や査読の精査に耐えられないかもしれない。

科学機関による功績の帰属も、ゆっくりと不均等に進む。人間とAIのチームによる発見は、誰に功績を帰すべきかをめぐる何年もの議論につながる可能性がある。

この調査は、企業がそれを導入するかどうかにかかわらず、能力について問うている。AIに何ができると期待されているかを切り分ける一方で、多くの現実的な制約を取り除いている。

独自データ、実験設備、計算資源、専門査読者へのアクセスは、有用な仮説が検証済みの発見になるかどうかを左右し得る。

モデルが難しい推論問題を解けたとしても、科学を変えるとは限らない。逆に、限定的なシステムでも、一般的な自律型科学者に似ていなくても、ある分野を変革し得る。

AlphaFoldはこの違いを示している。長年の課題だったタンパク質構造予測を解決し、広く使われる研究ツールとなった。

その重要性は、アルゴリズム、訓練データ、人間によるエンジニアリング、評価、科学者による採用の組み合わせから生まれた。AIシステムは、その制度的な構造の外で活動していたわけではない。

したがって、91%という回答は複数の異なる期待を表している可能性がある。自律型の研究エージェントを予想するスタッフもいれば、AIを活用するチームが賞に値する成果を生むと見込むスタッフもいるだろう。

これらのシナリオは、雇用と政策に異なる影響をもたらす。自律的な発見システムは、監督、帰属、制御に関する問題を提起するだろう。

非常に効果的な研究アシスタントなら、アクセス、訓練、科学者が仕事をどう組織するかがより重視される。実験的・解釈的な専門性への需要を高める可能性もある。

調査は、こうした可能性を一つの記憶に残りやすいベンチマークにまとめている。そのため結果は伝えやすいが、計画ツールとしては精度が低くなる。

組織は観察可能な中間的能力に焦点を当てるべきだ。これには、システムが検証可能な仮説を立て、有効な実験を設計し、自らの誤りを検出し、結果を再現できるかどうかが含まれる。

また、独立した研究室がAI支援による発見を検証できるかも追跡すべきである。モデル開発者が発表した結果より、他所で再現された結果の方が重みを持つ。

科学の進歩と職場の自動化を、同一の傾向として扱うべきではない。モデルは、日常的なビジネス環境では信頼性を欠くまま、制約された研究タスクでは優秀になる可能性がある。

その逆もあり得る。AIは、世界的な評価に値する単一の科学的成果を生まずとも、大量のオフィス業務を自動化できるかもしれない。

AnthropicのAI期待調査は、急速な能力向上というより広いビジョンを通じて、これらの結果を結び付けている。証拠は、それぞれの経路を個別に検証する必要がある。

どの予測が近いかを示す三つのシグナル

独立した能力試験、AI研究所外での職場導入、初級職の採用が、インサイダーの見方が一般化するかを決める。

一つ目のシグナルは、独立して検証された科学的成果である。信頼できる試験には、AIシステムが斬新な結果を生み出し、それを外部の専門家が再現することが含まれる。

モデル開発者による発表は、有用な手がかりであり続ける。しかし、それだけではシステムが発見レベルの作業を信頼性高く実行できるかは決着しない。

再現は、人間の研究者の役割も明らかにする。最も強い証拠は、誰が問いを立て、試験を設計し、結果を解釈し、誤りを修正したのかを記述するものだ。

これは、ノーベル賞級という見出しが長い研究の連鎖を一つの結果に圧縮しているため重要である。より良い報道は、AIの貢献と制度的な検証を分けるべきだ。

二つ目のシグナルは、一般的な組織における導入の測定である。企業は、エージェントが現実のセキュリティ、信頼性、コンプライアンス上の制約の下で、持続的な利益をもたらせることを示さなければならない。

短いデモンストレーションでは不十分である。証拠は、数か月にわたり、成果物の品質、エラー率、監督に要する時間、総運用コストを追跡すべきだ。

最も有益な事例は、Anthropicのような技術的集中を欠く業界から得られるだろう。医療事務、金融業務、教育、物流、専門サービスには、注意深い観察が必要である。

企業横断の研究は、AIが協働作業を変えるかどうかも明らかにする。一つの大規模な職場実験では、会議時間には同程度の変化が見られない一方、メールに費やす時間の削減が確認された。

このパターンは、組織が連携のあり方を再設計する前に、個々のタスクが変わり得ることを示唆している。幅広い経済効果には、両方の段階が必要だ。

三つ目のシグナルは、初級職の採用である。Anthropicの関連する職場研究は、ジュニア技術職が同社採用に占める割合は小さくなっていることを示している。

同じ変化が雇用主全体に見られるなら、AIによる職場自動化は大量失業を生む前にキャリア構造へ影響を及ぼす。出発点となる役割が減れば、高度な仕事への道筋は狭まる。

求人、採用比率、昇進率、雇用主による判断力を重視するスキルへの需要を注視すべきだ。これらの指標は、全国雇用統計が反応する前に構造変化を明らかにできる。

総生産が伸び続ける中でジュニア層の採用が減少すれば、Anthropicのインサイダー予測は強まる。採用が安定すれば、フロンティア研究所での経験がより広い経済を予測するという主張は弱まる。

ナレッジワーカーにとって実務的な対応は、どちらの調査グループの正確なタイムラインも受け入れることではない。仕事のどの部分が検証可能なAIタスクになるかを見極めることである。

エージェントがより長い業務を担うようになるにつれ、意思決定、情報源、プロジェクト文脈を記録することの重要性は増す。検索可能なAIナレッジベースは、そうした成果物をレビューするために必要な情報を労働者が保持する助けとなる。

期待の隔たりは、議論ではなく証拠によって縮まる。独立した結果が彼らの職場および科学における経験を再現すれば、Anthropicの従業員は信頼性を高めるだろう。

導入が信頼、統合、信頼性の問題で停滞すれば、一般向けの予測の方が強く見える。高度なシステムが依然として集中的な専門家の監督を必要とする場合にも、その見方は支持を得る。

現時点で、この調査から得られる最も明確な教訓は、合意形成より先に接触経験が信念を変えるということだ。Anthropicのスタッフが急速な能力向上を見るのは、非常にAI集約的な組織の内部で働いているからである。

米国の成人がより多くの摩擦を見るのは、顧客、法律、セキュリティ、確立されたプロセスが依然として重要な制度の中で暮らしているからだ。どちらの視点も、起こり得る移行の一部を捉えている。

次の一年に問われるのは具体的なことだ。独立した科学と一般的な職場からの証拠はAnthropicの社内環境に似始めるのか、それとも依然として大きく遅れたままなのか？