なぜコーダーは他の専門職よりもAIを活用するのか

The Economistは、Google Newsの中心にある対立を示した。AI企業は、他の専門職にもソフトウェア開発者のように働き始めてもらう必要がある。

コーダーはすでに、Anthropic、OpenAI、Google、GitHub、そして専門スタートアップのアシスタントに、重要な作業を委任している。多くの人は現在、会話形式でタスクを説明し、エージェントがファイルを確認し、コードを編集し、テストを実行して結果を報告するようになっている。

このワークフローは、ソフトウェア開発以外では依然として珍しい。弁護士、銀行員、カスタマーサービス担当者、管理職は、構造化されていないデータ、より難しい評価、厳格な規則、そして実験への弱いインセンティブに直面している。

この違いは重要だ。AI供給企業は、はるかに大きな市場に向けてインフラを構築している。The Economistは、計画されているデータセンター投資を回収するには、年間AI売上高が2030年までに2.5兆ドルに達する必要があると試算している。現在の売上高は約1,500億ドルとしている。

したがって、これはコーディング支援ツールが人気かどうかという話ではない。問われているのは、コーディングが職場での導入に再現可能なモデルを示しているのか、それとも例外的に有利な条件を備えた特殊なケースなのかである。

証拠が示す答えは、居心地の悪いものだ。コーディングは集中的なAI活用の姿を示しているが、その成功は大半の職業には共有されていない条件に依存している。

Google Newsがコーダーとの格差を中心課題に据える

AIコーディングは、他のあらゆる職場向けアプリケーションが追いかけるべき商業的ベンチマークになっている。

The Economistが発表し、Mintが掲載した元の分析は、ソフトウェア業務における著しい変化を描いている。Silicon Valleyの一部のエンジニアは今や、すべての行を自ら入力する代わりに、マイクに向かって指示を話している。

音声文字起こしは、そうした指示をAIエージェントへ送る。エージェントとは、自らの環境を確認し、行動を選択し、限られた人間の指示で複数の手順を完了できるソフトウェアである。

目に見える成果物は依然としてコードだ。しかし、制作プロセスはますます監督、レビュー、修正に近いものになっている。

The Economistによれば、開発者の5分の4がAIコーディングツールを使っているという。2025年の開発者調査でも近い指標が示されており、回答者の84%がAIツールを利用した、または利用を予定していた。

この調査では、プロの開発者の51%がAIツールを毎日利用していることも明らかになった。この頻度が、ソフトウェア開発を気軽なチャットボットの試用と分けている。

導入は急成長する市場を生み出した。The Economistは、Cognition、Cursor、Lovable、Replitが2025年6月時点で合計約8億ドルの年間経常収益を生み出したと推定している。

同誌は、現在の合計額を60億ドルとしている。年間経常収益、すなわちARRは、1年間にわたって見込まれるサブスクリプション収益を示す。

これらの数値は、監査済みの合算決算ではなく推計値である。それでも方向性は明確だ。開発者は、日々のワークフローに直接組み込まれるツールに対して料金を支払っている。

The EconomistはSemiAnalysisの推計も引用している。それによると、2026年第2四半期にはコーディングがAnthropicとOpenAIの合計ARRの半分以上を生み出した。両社はコーディング関連の収益内訳を詳細には公表していない。

この集中は、Google Newsの見出しの背後にある重要性を示している。コーディングは数多くある成功事例の一つにとどまらない。主要モデル提供企業の経済性を支える役割を果たしている。

OpenAI幹部のColin Jarvisは、この導入格差を異例なほど率直に認めた。彼はThe Economistに対し、他のホワイトカラー労働者はまだ「この世界」に入っていないと語った。

この発言が重要なのは、AI企業が開発者向けサブスクリプションだけではインフラ拡張を正当化できないためだ。はるかに大きな専門職市場でも、同様に集中的な活動が必要になる。

法務、金融、カスタマーサービスが有力な候補と見られている。いずれも高コストの労働、反復的な情報処理、そしてソフトウェアが部分的に支援できる意思決定を含む。

成長は現実のものだ。しかし、導入はいまだコーディングのような頻度、自律性、現場主導の熱意の組み合わせには達していない。

この差は、中心的な問いを変える。AIが契約書を草案化できるか、通話を要約できるか、財務モデルを構築できるかは、もはや論点ではない。

問題は、専門職が実務の中でその出力を繰り返し信頼するかどうかだ。印象的なデモではなく、恒常的な依存が持続的な収益を生む。

なぜコーディングはAIにとって理想的な職場となったのか

コードはAIに、知識労働では稀有なものを提供する。豊富な実例、機械可読な文脈、そして回答が失敗した際の迅速なフィードバックだ。

公開リポジトリには膨大な量のソースコードが存在する。そこにはドキュメント、課題に関する議論、変更履歴、そして開発者が過去のミスをどう修正したかという事例も含まれる。

The Economistは、コードが一部のモデル学習データセットのほぼ5分の1を占めうると報じている。非公開の交渉、顧客との紛争、社内の投資判断については、これに匹敵する公開コレクションは存在しない。

この供給により、モデルは入力、出力、パターン、修正の事例を数多く得られる。生成されたコードが正しいことを保証するものではないが、学習にとって例外的に有利な条件を生み出している。

ソフトウェアには、検証システムも組み込まれている。コンパイラは無効な構文を検出し、自動テストは動作を期待される結果と照合する。

リンター、型チェッカー、セキュリティスキャナー、継続的インテグレーションシステムが、さらに多くのフィードバックを加える。コーディングエージェントは、人間のレビュー担当者を待たずにこうしたツールを実行できる場合が多い。

これにより、生成と評価の間にループが生まれる。モデルは変更を提案し、テストを実行し、エラーを読み取り、別の解決策を試みる。

他の専門的な業務では、このように明確なシグナルはほとんど得られない。穏やかな顧客であっても離反する可能性があり、洗練された契約書にも不利な義務が隠れていることがある。

財務予測は内部的に整合していても、弱い前提に依拠している場合がある。説得力のある採用推薦は、機械可読なエラーを引き起こさずにバイアスを再生産しかねない。

ソフトウェアプロジェクトは、その運用上の文脈の多くをデジタルで保存している。エージェントはコードベース、チケットシステム、ドキュメント、ログ、アプリケーションプログラミングインターフェースを確認できる。

アプリケーションプログラミングインターフェース、すなわちAPIは、ソフトウェアが別のシステムと構造化された情報を交換できるようにする。APIは、コーディングエージェントにタスクで必要なツールへの直接的な経路を与える。

これに対し、他の職業における不可欠な文脈は、しばしば分散したままだ。それは非公開の会話、文書化されていない慣行、古い添付ファイル、あるいは経験豊富な従業員の記憶の中にあるかもしれない。

この文脈の問題は、組織的なナレッジシステムが重要である理由を説明する。エージェントが関連するローカル資料を確実に見つけるには、その前にチームが検索可能なナレッジベースを整備する必要がある。

開発者には、もう一つの利点がある。彼らは失敗をワークフローの通常の一部として理解している。すでにデバッグ、差分レビュー、変更の巻き戻し、テストの再実行を当然のものとしている。

プログラミングツールも頻繁に変化する。エンジニアは日常的に、新しいフレームワーク、言語、エディタ、デプロイシステムを学んでいる。

この文化が、AI導入を例外的に現場主導のものにした。個々の開発者は、雇用主がビジネスプロセス全体を再設計する前に、アシスタントを試すことができた。

ツールも、使い慣れたインターフェースの中でユーザーに提供された。オートコンプリートはエディタに現れ、チャットはソースファイルの横で開かれ、エージェントはターミナルに登場した。

初期の試用に、別個の変革プログラムは必要なかった。開発者は、一つの関数、一つのテスト、あるいは一つのエラーメッセージに対してAIを使えた。

この段階的な導入経路が、採用の摩擦を軽減した。成功した試みはその後、コードレビュー、移行、デバッグ、機能実装を含む、より大きなタスクへと広がった。

その仕組みは梯子に似ている。検証済みの成果が少し大きな委任を支え、既存のエンジニアリング管理がミスによる損害を抑える。

大半のホワイトカラー労働者には、そのような梯子がない。比較可能なテスト基盤なしに、時折の支援から重大な委任へと飛躍する必要がある。

拡大の根拠はあるが、一様ではない

法務、金融、カスタマーサービスは急速に成長しているが、収益の伸びは、それらの従業員が開発者と同じ利用強度に達することを証明するものではない。

The Economistは、法務テクノロジーを有力候補の一つに挙げている。Harvey、Clio、Legoraは、合計ARRを1年間で倍増させ、約10億ドルにしたと推定している。

Harveyは、自社プラットフォームで費やされる時間が毎月倍増していると述べている。この主張は利用の深化を示唆するが、同社は独立監査済みの利用データを公表していない。

法務業務には、コーディングに似た要素がいくつかある。契約書では定型条項が繰り返し使われ、リサーチは確立された法的権威に従い、文書レビューでは大量のテキストを扱う。

違いも同様に重要だ。法的な意味は、管轄、顧客の目的、交渉履歴、リスク許容度に依存する。

条項は文法的に正しくても、法的に危険である可能性がある。妥協案が顧客の利益にかなうかを判断する自動テストは、ほとんど存在しない。

金融ももう一つの大きな市場を提供する。The Economistは、Rogoがある四半期に100社のエンタープライズ顧客を追加し、ARRを50%増加させたと報じている。

金融の専門家はすでに、構造化データ、モデル、反復可能な文書を扱っている。こうした特徴は、リサーチや分析支援ツールにとって有望な導入点を生む。

しかし、金融上の意思決定は数値的な出力に加え、タイミング、判断、説明責任を組み合わせる。モデルは数値を正確に取得できても、どの前提が重要かを誤解する可能性がある。

企業が通話記録、方針、過去の解決事例を保有しているため、カスタマーサービスはソフトウェアにより近いように見える。CrestaのCEO、Ping WuはThe Economistに対し、数千件の通話を分析すれば、かつては従業員だけが持っていた知識を明らかにできると語った。

別のカスタマーサービスAI企業であるSierraは、6月にARR2億ドルに到達したと報じられている。The Economistによれば、この数字は2025年11月時点の2倍だった。

ベンチャー資金も追随している。同誌は、投資家が2026年にカスタマーサービスAIスタートアップへ30億ドルを投じたと推定しており、これはあらゆるAIアプリケーションのカテゴリーの中で最大だった。

これらの市場は、職場におけるAIが広がっていることを示す。しかし、コーダー水準の利用を実証するものではまだない。

カスタマーサービス担当者は通常、実験的なツールを独自に導入できない。雇用主がソフトウェアを選び、データベースを接続し、権限を設定し、許容される回答を定義する。

弁護士と銀行員は、追加の制約にも直面する。機密保持、記録保持、規制上の義務、専門職としての責任により、制御されない実験は高コストになる。

これにより、トップダウン型の導入パターンが生まれる。利用が拡大する前に、ベンダーはセキュリティレビュー、統合、評価、トレーニングを完了しなければならない。

コーディングはしばしば反対の方向へ進んだ。開発者が個人でアシスタントを導入し、局所的な価値を証明した後、全社的な購入を後押しした。

AI供給企業は、この差を埋めようとしている。Harveyは合成データを利用している。これは、人間の活動から直接収集したものではなく、モデルによって生成された学習素材を意味する。

専門家向けの労働プラットフォームも、分野の専門家とモデル開発者をつないでいる。こうした専門家は事例を作成し、回答を評価し、専門的な意思決定の背後にある推論を説明する。

一方で、フォワードデプロイメントエンジニアは顧客組織の内部で働き、モデルをローカルシステムに適応させる。その役割は、技術実装と継続的なプロセス発見を組み合わせたものだ。

これらのアプローチは、専門的な職場環境をより機械可読にできる。しかし、いずれにも労力、統合、そして顧客固有の知識が必要になる。

そのため、1つの汎用モデルがコーディング支援ツールのように容易にあらゆる職場へ浸透できる、という前提は弱まる。ソフトウェア以外での導入は、セルフサービス型ソフトウェア単独というより、コンサルティングとソフトウェアを組み合わせたものに近くなるかもしれない。

コーディングの人気は生産性を証明しない

高い利用率は開発者がAIへのアクセスを価値あるものと考えていることを示すが、すべての作業がより速く、あるいはより良くなることの証明ではない。

Stack Overflowの調査は、この緊張関係を示している。回答者の84%がAIツールを利用している、または利用予定と答えた一方で、その正確性を信頼していたのは33%にとどまった。

46%はAIの出力を積極的に信頼していなかった。自らを高い水準で信頼していると表現した人はわずか3%だった。

導入と信頼の間にあるこの隔たりは、矛盾ではない。開発者は重要な結果をすべて確認しながら、AIを頻繁に利用できる。

同じ調査では、52%がAIツールまたはエージェントによって生産性が向上したと考えていた。しかし過半数はエージェントを使っていないか、より単純な支援ツールだけに頼っていた。

開発者は、高い責任を伴う領域での委任にも抵抗を示した。76%はデプロイと監視にAIを使う予定はなく、69%はプロジェクト計画への利用を退けた。

これらの結果は、導入がタスクごとに異なることを示唆する。検索、説明、文書化、定型コード、テストは魅力的でも、アーキテクチャ上の判断は引き続き人間主導であり得る。

METRによる無作為化された生産性研究は、より鋭い警告を加えた。経験豊富なオープンソース開発者16人が、成熟したリポジトリで246件のタスクを完了した。

2025年初頭のAIツールの使用を認められた場合、参加者の作業時間は19%長くなった。研究前には、AIによって完了時間が24%短縮されると予想していた。

その後も参加者は、ツールによって20%の時間を節約できたと考えていた。彼らの認識は、測定された完了時間とは逆方向に動いた。

この結果をすべての開発者に一般化すべきではない。この研究は、自分がよく知る大規模リポジトリで作業する経験豊富なコントリビューターに焦点を当てていた。

実験以降、ツールも改善している。開発者、プロジェクト、ワークフローが異なれば、結果も異なり得る。

それでも、この結果はよくある近道の考え方に疑問を投げかける。利用率、満足度、体感上の速さは、測定された生産性と同義ではない。

AIは、不快なタイピングを減らしたり、馴染みのない構文を提案したり、探索をより楽しくしたりするため、有用に感じられることがある。出力のレビューに追加の時間がかかっても、開発者はその体験を好むかもしれない。

より広範な雇用に関する証拠も慎重に扱う必要がある。連邦準備制度の研究者らは、コンピューターおよび数学関連の仕事が、サンプルに含まれたClaudeのクエリの3分の1超を生み出していたことを明らかにした。

これらの職種は労働力全体のわずか3.4%を占めるにすぎない。この偏りは異例に高い接触度を裏付けるが、サンプルには企業利用、チーム利用、API経由の活動は含まれていない。

著者らは、異なる接触度の指標が大きく食い違うことも見いだした。どちらの指標でもコーディングは最も接触度の高い職種の一つだったが、接触度だけでは雇用への影響を特定できない。

この区別は投資仮説にとって重要だ。AI提供企業は、利用が予算審査を乗り越えられるほど十分に測定可能な価値を顧客が得られる必要がある。

製品は好奇心と利便性によって急速に広がり得る。しかし、継続的な企業支出には、成果、品質、速度、または処理能力を改善するという証拠が必要になる。

この懐疑的な見方でも、コーディングには優位性が残る。ソフトウェアチームは、受け入れられた変更、欠陥率、レビュー時間、デプロイ頻度、タスク完了を測定できる。

他の機能部門には、同等のベースラインがないことが多い。そのため、改善も失敗も証明しにくくなる。

したがってリスクは、モデルの精度より広範だ。企業は、時間を節約しているのか、レビュー担当者に作業を移しているのか、あるいは単にコストを別の場所へ移しているだけなのかを把握しないままAIを導入できる。

なぜコーダーは例外であり続ける可能性があるのか

約束されているのは普遍的な職場自動化だが、現在の仕組みはソフトウェアの構造と、その利用者の行動に異例なほど依存している。

Anthropic自身のデータも、集中という論点を支持している。同社の2025年9月の利用レポートでは、コーディングがサンプルに含まれたClaudeの活動の36%を占めた。

教育は9.3%から12.4%へ上昇し、科学関連タスクは6.3%から7.2%へ増加した。これらの伸びは、コーディングを首位から押し下げることなく多様化が進んだことを示した。

Anthropicの2026年1月レポートでは、主にコーディング関連のClaude.ai会話は40%のピークから、2025年11月までに34%へ低下した。この動きは、他の活動への拡大を示している。

ただし、会話の3分の1は依然として高い集中度を意味する。また、これはAI市場全体ではなく、1社の製品構成だけを反映している。

その後のAnthropicの手法更新では、長時間稼働するエージェントによって、単純な会話数は情報量が少なくなったと指摘された。Claude CodeとCoworkのセッションには、通常のチャットより多くの作業が含まれる可能性がある。

この点は、職種間の比較を複雑にする。1回のコーディングセッションには、ファイル調査、実装、テスト、修正が含まれる一方、別のユーザーは文章作成について1つ質問するだけかもしれない。

ソフトウェア開発は、曖昧さを明示的な成果物へと変換する。要件はチケットになり、設計は文書になり、変更はコミットになり、障害はログになる。

このプロセスにより、エージェントは観測可能な状態を得る。また人間には、作業を承認、却下、修正できるチェックポイントが与えられる。

他の専門的知識は、多くの場合、関係性に根ざしている。良い結果は、信頼、共感、タイミング、組織内の力学、あるいは明示されない好みに左右されることがある。

こうしたシグナルは、学習データへ変換しにくい。記録すること自体が、プライバシー、同意、ガバナンス上の問題を引き起こす可能性がある。

規制はこの隔たりをさらに広げる。弁護士は秘匿特権情報を保護しなければならず、金融機関は通信を監督しなければならず、カスタマーサービスシステムは消費者保護規則に従わなければならない。

AIベンダーは、制御機能、監査ログ、検索・参照システムを追加できる。これらの対策は役立つが、従業員が価値を得る前に実装作業を増やす。

コーディング支援ツール市場も、信頼できる委任がいかに難しいかを示している。Anthropicのプロダクトマネージャー、Cat Wuは、責任は最終的にエンジニアに残ると述べた。

Gartnerのアナリスト、Philip Walshも同様に、ビジネスで使えるソフトウェアには依然として熟練した専門家が必要だと論じた。彼は、品質、スケーラビリティ、セキュリティ、堅牢性を継続的な制約として挙げた。

この人間による要件は、コーディングエージェントが重要でないことを意味しない。むしろ、それらを判断できる能力を持つ人々の間で最も速く広がる理由を説明している。

最も強力なAIユーザーは、必ずしも自動化しやすい仕事に就く労働者ではない。自動化の失敗を検出し、修復するための能力を最も備えた労働者であり得る。

この原則は、普遍的な導入予測に問題をもたらす。多くの従業員には、実験する権限も、モデルが生成したあらゆる判断を評価する専門性もない。

企業は、検証を中心にワークフローを再設計することで対応できる。承認済みのデータソース、評価基準、エスカレーション規則、人間によるレビューを整備できる。

しかし、そうすることで導入は組織エンジニアリングへ変わる。モデルへのアクセスを購入することは、最初の一歩にすぎない。

したがってGoogle Newsの問いには反転がある。コーディングはあらゆる職業がAIを受け入れる証拠として示されるが、実際には、他の職業に欠けている前提条件を明らかにしている可能性がある。

AI投資ブームが次に証明しなければならないこと

次の段階は、より広範な継続利用、信頼できる生産性測定、そして顧客固有の導入をより低コストにすることという、3つのシグナルにかかっている。

第1のシグナルは、法務、金融、カスタマーサービス向け製品が、初期導入後も頻繁な利用を維持するかどうかだ。顧客数とARRは購入を示すが、利用の深さは示さない。

投資家は、更新率、アクティブユーザー数、完了したワークフロー、既存顧客内での拡大に注目すべきだ。ベンダーがこうした指標をすべて公表することはほとんどない。

最も強い証拠は、従業員が毎日戻ってきて、完全なプロセスのより大きな部分を委任していることを示すものになる。たまの下書き作成や要約だけでは、より小さな市場を裏付けるにとどまる。

コーディング以外の用途が開発者レベルの頻度に近づけば、普遍的導入の仮説は強まる。利用が散発的なままであれば、コーディングは上限に近いものとして映るだろう。

第2のシグナルは、独立した生産性の証拠だ。企業には、レビュー時間、エラー修正、コンプライアンス業務、下流での失敗を含む比較が必要になる。

生成された文書数や完了したチャット数といった単純な指標は、誤解を招き得る。従業員が確認により多くの時間を費やさなければならないなら、出力量の増加には限定的な価値しかない。

統制された研究は、すべての組織を対象にできない。それでも企業は、段階的導入、対応させたチーム、品質サンプリング、導入前後の運用指標を使える。

より良い評価は、人間の判断がどこで価値を生むかも明らかにする。AIシステムは初期分析を加速させても、最終判断は人間に残すかもしれない。

その結果でも投資を正当化できる。それは、ワークフロー全体の自動化より狭い主張を支える。

第3のシグナルは導入コストだ。フォワードデプロイメントエンジニアやドメイン専門家は、組織固有の非公開知識を利用可能な文脈へ変えられるが、その作業は経済的に拡張可能でなければならない。

ベンダーが再利用可能なコネクター、共通の評価手法、業界固有の制御機能を生み出すかを注視すべきだ。これらの要素は、顧客ごとに必要なカスタム作業を減らせる。

汎用モデルと専門システムの均衡にも注目すべきだ。汎用モデルは幅広い能力を提供する一方、専門製品はドメインデータ、権限、ワークフローをパッケージ化する。

専門ベンダーが大規模な実装チームなしに成長するなら、他の職業もよりコーディングに近いものになるかもしれない。あらゆる導入に大規模なカスタマイズが必要なら、利益率と導入速度は圧力を受ける。

開発者にとって短期的な教訓は、生成された行数を数えるのではなく、結果を測定することだ。価値あるスキルは、タスク定義、コンテキスト管理、検証、システム判断へと移っていく。

企業の購買担当者にとっても、教訓は同じく実践的だ。アクセス可能なデータ、明確な成功基準、可逆的なアクション、責任を負うレビュアーを備えたワークフローから始めるべきだ。

ナレッジワーカーは、自らの業務がすでにどこでデジタルなフィードバックを生み出しているかを問うべきだ。そうした領域には、ソフトウェアテストに最も近い等価物がある。

投資ブームは、すべての従業員がプログラマーになることを必要としない。しかし、他の職種が、指示から検証済みの出力へ至る同様に反復可能な経路を築くことを必要とする。

これがGoogle Newsのストーリーの背後にある未解決の課題だ。モデルは改善を続け、商業的な導入はエンジニアリングの外にも広がっている。

しかし、ソフトウェア開発は、公開された学習素材、デジタルな文脈、自動検証、柔軟な利用者、測定可能な出力を組み合わせている。現時点で、この組み合わせに匹敵する主要職業は他にない。

今後数カ月は、個別のデモを無視し、繰り返される行動を注視すべきだ。専門家は完全なワークフローを委任し、結果を測定し、継続的な技術支援なしに戻ってきているだろうか。

答えが「はい」になれば、コーダーは幅広い職場移行の最初の例だったことになる。答えが「いいえ」のままであれば、コーダーははるかに大きな投資の約束を支える有利な例外だった。

有用な問いは、チームがAIへアクセスできるかどうかではない。ワークフローが適切な文脈を提示し、誤りを検出し、委任が価値を生んだことを証明できるかどうかだ。