技術職採用の若手比率が27%から9%に、Anthropicの「AI稼働6倍」を読む

Anthropicは10月16日、社内の技術職採用に占める若手の割合が、2025年初め以降に27%から9%へ低下したとする研究結果を公表した。一方、社内ではAIエージェントの利用が急増しており、2026年8月には、社員が指示したAIの合計稼働時間が人間の推定労働時間の6倍に達したという。AIの活用が進むなか、同社の採用方針や社員の仕事内容にも大きな変化が表れている。

ただし、Anthropicが人員削減を進めているわけではない。社員数は過去1年間で3倍に増え、技術職の採用人数も増加している。その一方で、コードの実装をAIに任せる機会が増え、人間にはAIへの指示や成果物の検証、意思決定といった役割が求められるようになった。こうした変化によって若手の採用比率が低下するなか、AIを使いこなすための判断力をどのように育てるかが、新たな課題として浮かび上がっている。

若手の採用比率が下がる一方、会社は拡大

今回の社内研究は、The Anthropic InstituteのNathan Wilmers氏ら4人が、同社の雇用・採用記録やAI利用ログを分析した技術報告だ。業務の成果指標、会議予定、採用面接での評価記録なども調べ、17人の社員へのインタビューで補足している。AIを開発し、社内業務にも積極的に導入している企業の実態を調べた観察研究であり、一般企業の状況を代表する調査ではない。また、査読付き学術誌に掲載された研究でもない点には留意が必要だ。

調査によると、技術部門の社員に占める若手の割合は21%から14%へ低下し、新規採用に占める割合は27%から9%へと、さらに大きく下がった。ここでいう「若手」とは、社内の職位が低い社員を指しており、必ずしも年齢が若い人や新卒者を意味するわけではない。研究では具体的な年齢の区分も示されていないため、この数字をそのまま20代や新卒者の採用動向として解釈することはできない。

採用する側の意識にも変化が見られる。2026年1月には、コードの作成やバグの発見をClaudeに任せやすくなったことで、若手技術職の採用需要が減るのではないかという議論が社内で起きていた。4月の調査では、機械学習部門の管理職の約3分の1、ソフトウェア開発部門の管理職の約5分の1が、AIの利用を理由に採用を減らしたと回答している。AIが従来の若手社員の仕事を担うようになったことで、採用人数の判断にも影響が及び始めていると考えられる。

もっとも、採用比率の低下は、採用人数そのものが減ったことを意味しない。Anthropicでは技術部門の社員が全社員に占める割合も61%から56%へ低下したが、技術職の採用人数は増加している。営業、財務、人事などの部門で、それを上回る規模の増員が行われたためだ。事業が急成長する過程では、管理部門や営業部門の拡充も必要になるため、社員構成の変化をすべてAIの影響と結び付けることはできない。

また、若手の採用人数が実際にどの程度増減したのかは、公表された比率だけでは判断できない。明らかになったのは、急成長を続けるAnthropicの技術職採用において、以前よりも職位の高い人材の割合が増えているということだ。

AIの稼働時間が人間の6倍に、ただし仕事量を示す数字ではない

Anthropicでは2026年3月、自律型と対話型を合わせたAIエージェントの稼働時間が、初めて人間の推定労働時間を上回った。さらに8月には、社員が直接指示する対話型AIのセッションと、そこから起動された子エージェントの稼働時間を合計しただけでも、人間の6倍に達したという。AIが社内業務に深く入り込み、人間が直接作業する時間を大きく上回る規模で処理を実行するようになったことがうかがえる。

ただし、この比較には注意が必要だ。AI側は推論やツール操作などに費やした時間を集計し、30分を超える待機時間は除外している。また、親エージェントが起動した複数の子エージェントの稼働時間も、それぞれ合算される。一方、人間の労働時間は実際の勤務記録ではなく、社員数に週40時間を掛けた推定値だ。複数のAIが同時に動けば稼働時間はそれぞれ加算されるため、AIの合計稼働時間が人間の6倍になったからといって、6倍の仕事を完了したことにはならない。

Anthropicの研究では、AIの利用状況だけでなく、採用や業務成果の変化も調べている。主な指標と、それぞれの数字から判断できる範囲を整理すると、次のようになる。

指標	測定した内容	数字だけでは分からないこと
若手技術職の採用比率27%→9%	2025年初め以降の技術職新規採用に占める若手の割合	若手の採用人数、解雇人数
AI稼働時間が人間の6倍	2026年8月の対話型AIと子エージェントの合計稼働時間。人間側は社員数×週40時間で推計	完了した仕事の量や価値、人間との成果物の品質比較
コードの変更記録が約5倍	エンジニア1人あたりの変更記録の件数を6カ月前と比較	ソフトウェアの事業価値、AIだけによる増加分
コードの品質比較	同じ社員が同じ月に同じリポジトリへ追加した、人間とAIによるコードの削除・取り消しなどを比較	長期保守や安全性を含めた品質全般

これらはAnthropicの研究に掲載された図と注記に基づくもので、指標ごとに測定期間や単位が異なる。AIを大量に稼働させられるようになったことと、価値のある成果が増えたことは、分けて評価する必要がある。AIの稼働時間から生産性の向上率を算出したり、不要になる社員の人数を逆算したりすることもできない。

コードの変更記録は約5倍に増加、AIだけの効果とは断定できず

Anthropicによると、エンジニア1人あたりのコードの変更記録は、6カ月前と比較して約5倍に増加した。営業担当者の成約件数や、法務部門の契約処理件数も増えている。AIの利用が拡大しただけでなく、社員の業務成果を示す指標にも変化が表れているというのが、今回の研究で報告された重要な点だ。

ただし、急成長している企業では、AIとは無関係に業務量や成果が増えることもある。例えば、製品への需要が急増すれば、営業担当者の成約件数も増えやすくなる。研究チームはこうした影響をできるだけ切り分けるため、コーディングエージェントを導入したエンジニア192人と、観測期間中に導入しなかった74人を比較した。同じ社員の導入前後の変化を追跡し、同じ月の事業環境も考慮した結果、AI導入後にはコードの追加量が増加する傾向が確認された。

もっとも、この分析はAIの導入対象者を無作為に選ぶ実験ではない。大規模な開発案件を始める予定のエンジニアが、その準備としてAIを導入した可能性もある。実際、完全自律型エージェントを導入した社員では、導入前からコードの出力量が急増していた。AIの利用と業務成果の増加には関連が見られるものの、増加分のすべてがAIによるものだと断定することはできない。

成果物の品質についても、研究チームは検証を行っている。同じ社員が同じ月に同じリポジトリへ追加したコードを比較したところ、人間が直接書いたコードとAIが書いたコードの間で、その後に削除された行数や変更全体が取り消された割合に、明確な差は見つからなかった。分析には、90日以内に削除されたコードや、テストを省略する設定なども品質を判断する指標として用いられている。

この結果は、コードの出力量が増えても、調査対象となった品質指標には目立った悪化が見られなかったことを意味する。一方、コードの変更記録は作業を細分化するだけでも件数が増えるため、そのままソフトウェアの価値や開発効率を表すものではない。また、長期的な保守のしやすさや安全性、顧客にとっての価値まで評価したわけでもない。AIによる生産性向上を判断するには、コードの変更件数だけでなく、その後の検証や修正に人間がどの程度の時間を費やすのかも考慮する必要がある。

AIの処理能力が増えるほど、人間の確認作業がボトルネックに

AIの利用が増えるなかで、Anthropicの社員には新たな負担も生じている。対話型AIのセッションを分析すると、開始から終了までの経過時間の約80%を、AIが人間からの入力を待つ時間が占めていたという。ただし、これは先ほどの「AI稼働時間が人間の6倍」という数字とは集計方法が異なる。6倍という比較では長時間の待機を除外しているのに対し、80%という数字はセッション全体の経過時間に占める待機時間の割合を表している。そのため、両者を組み合わせてAIの実質的な労働時間を計算することはできない。

AIが人間の入力を待っているからといって、社員の仕事が減っているとは限らない。研究チームは、AIが生成した文章を人間が読むのに必要な時間も推計している。1トークンを0.75語、読む速さを1分あたり250語と仮定すると、技術職以外の社員でも、AIの出力をすべて読むには週の労働時間の半分以上が必要になる計算だった。これは実際の閲覧時間を測定したものではないが、AIが大量の成果物を生成する環境では、そのすべてを人間が確認することが難しくなっている状況を表している。

こうした負担に対応するため、社員はAIの作業を管理する仕組み自体を作り始めている。複数のAIに与える指示書を用意し、別のAIに成果物をレビューさせ、進捗状況をダッシュボードで監視するといった使い方だ。研究によると、こうしたAIの管理に関するセッションの割合は、2025年秋の10%から2026年春には22%へ増加した。ただし、これはAIとのやり取りを要約して自動分類した結果であり、社員が労働時間の22%をAIの管理に費やしているという意味ではない。

AIの利用拡大と並行して、人間同士の調整に費やす時間も増えている。会議予定のデータでは、社員の会議時間の中央値が前年より20%増加し、管理職ではない技術担当者でも16%増えていた。企業規模の拡大や職種構成の変化も影響するため、AIが直接の原因とは断定できない。それでも、AIが不具合を発見したとしても、その背景に部門間の問題があれば、誰が対応するのか、何を優先するのかを決めるのは人間だ。AIが作業を速く進められるようになるほど、その結果を確認し、必要な判断を下す人間側の処理能力が制約となる可能性がある。

一方、ソフトウェアを作る仕事は、専門のエンジニア以外にも広がっている。研究では、営業担当者がClaudeを使い、自分の業務に合ったダッシュボードを作成した事例が紹介されている。AIを使えば、専門部署に開発を依頼しなくても、業務を熟知した社員が必要なツールを自ら作れるようになる。ただし、完成したツールが正しく動作するかを確認し、ほかの部署との調整を行う責任までなくなるわけではない。

採用で重視される判断力は、どこで身に付けるのか

Anthropicの採用面接でも、候補者を評価する基準に変化が見られる。技術職の面接評価記録では、自律性や判断力への言及が増える一方、特定分野の知識への言及は相対的に減少した。コードを正確かつ迅速に書く能力だけでなく、何をAIに任せるべきか、AIの出力をどう評価するかといった能力が重視されるようになっている。

ただし、これは専門知識の価値が失われたという意味ではない。Anthropicが6月に公開したClaude Codeの利用に関する研究では、2025年10月から2026年4月までの約40万セッションが分析されている。典型的なセッションでは、何を作るか、どの状態になれば完成とするかといった計画上の判断の約70%を人間が担っていた。一方、具体的な実装手順など、実行上の判断の約80%はClaudeが担っていたという。AIが作業の進め方を決める場面が増えても、目的や完成条件を定める役割は主に人間が担っていることが分かる。

同研究でいう専門性とは、肩書や年齢ではなく、目の前の課題をどれだけ理解しているかということだ。例えば、プログラミング経験のない会計担当者でも、照合すべき規則や月末処理の例外を正しく指示できれば、その業務については専門知識を持つ人材としてAIを活用できる。反対に、AIの出力に含まれる誤りを見抜けなければ、作業が速く進むほど問題を見落とす危険性も高まる。採用で判断力が重視されるようになった背景には、こうしたAIの使い方の変化がある。

しかし、判断力を重視するほど、その能力をどのように育てるかが問題になる。Anthropicの研究では、製品内の挨拶文などを作成していたチームが、AIに文言を生成させる仕組みを導入した後、プロンプトの作成やモデルの評価へ仕事を移した事例が紹介されている。同社は、職務の変化を早期に把握し、社員を新たな業務へ配置転換することを重視している。すでに社内で経験を積んだ社員であれば、AIに代替される仕事から、AIを活用・評価する仕事へ移ることができる。

ただし、こうした対策だけでは若手の採用比率が低下する問題を解決できないと、研究チーム自身も認めている。社内での配置転換は既存社員を支援するものであり、そもそも採用されない人には恩恵が及ばないためだ。従来、若手エンジニアはコードの実装や不具合の修正を経験しながら、設計や品質を判断する力を身に付けてきた。その仕事をAIが担うようになれば、新人はどのような経験を通じて判断力を養い、より高度な仕事を任される人材へ成長するのか。既存社員の配置転換が成功したとしても、この問題は残る。

社外の調査でも、若手の採用動向には注意すべき変化が見られる。Stanford Digital Economy Labの研究者らは、ADPの給与記録を分析した研究について、8月に公表した改訂版の説明で、AIの影響を受けやすい職業における若年層の雇用の弱さは、離職の増加よりも採用の減少を通じて表れていると指摘した。ただし、AIとの因果関係が確定したわけではなく、経済全体で大規模な雇用喪失が発生していると結論付けたものでもない。また、同研究は年齢を基準にしているのに対し、Anthropicの調査は社内の職位を基準としているため、数値を直接比較することはできない。それでも、解雇人数だけを見ていては、AIによる雇用への影響を見落とす可能性があるという点は共通している。

今後の焦点は、Anthropicが若手を実際に何人採用し、どのような実務経験や指導を通じて育成していくかにある。同時に、AIが生成したコードの品質が長期的に維持されるかどうかも確かめる必要がある。AIによって短期間に大量の仕事を処理できるようになったとしても、その成果を評価し、重要な判断を下す人材が育たなければ、いずれ別の問題に直面する可能性がある。AIの生産性を高めながら、人間の専門性や判断力を次世代へどう引き継ぐかが、今後の企業経営における重要な課題となりそうだ。