生成AIを日々の業務で使うたびに、「この作業はいつAIに置き換わるのか」という漠然とした不安を覚える読者は多いはずだ。とりわけ書類作成やデータ入力のような手順の決まった業務ほど、AIに奪われやすいという懸念は根強い。Googleが2026年7月23日に公開した論文「AI & Economy ATLAS v1.0」は、Gemini対話1465万3926件の実利用ログから「完全自動化を意図した対話は全体の10%未満」という一見安心できる数字を示した。だが同じ論文の中に、定型認知タスクに限ると自動化意図が25%超に達するという正反対の数字が埋もれている。安心できるかどうかは、読者自身の仕事が定型か非定型かで分かれる。
AIは職業の68%に浸透済み、実際にこなすタスクは中央値21%
「AI & Economy ATLAS v1.0」はGoogleとGoogle DeepMindの研究者18名（Zanna Iscenko氏、Scott Strand氏ら）によってまとめられ、Diane Coyle（ケンブリッジ大学）とDavid Autor（MIT）が査読協力者としてクレジットされている。分析の対象はアンケート調査でもGoogle Trendsの検索傾向でもない。Gemini App、Google AI Mode、Gemini APIの匿名化された対話ログそのものを、2026年4月6日から19日までの2週間分、1465万3926件用いている。実際の利用行動を大規模に直接観測したという点で、この種の労働市場分析としては異例の一次データになる。
このデータによれば、AI利用は米労働統計局のSOC（標準職業分類）とONET（職業情報ネットワーク）の詳細タスクに基づく職業の68%で確認された。これらの職業は米国の雇用者数の88%強を占め、論文の脚注12は88.4%と明記している。一部の国内報道は「雇用の9割に迫る」と紹介したが、論文自身が示す数字は88%台にとどまる。裏を返せば、雇用者の1割強にあたる職業では、この2週間の観測期間中にGemini利用そのものが検出されていない。SOCとONETに基づく細分類の中には、依然としてAIがまったく浸透していない領域が残っている。
浸透度の広さとは対照的に、AI利用が観測された職業に限ってタスク飽和率（職業内でO*NETの各タスクをAIがどれだけこなしているかを示す割合）の中央値を見ると、わずか21%だ。内訳は29%の職業でタスク飽和がゼロ、30%が25%以上、11%が50%以上、75%以上に達するのは3%にすぎない。飽和率上位にはソフトウェア品質保証アナリスト、人事スペシャリスト、文書管理スペシャリストといった職種が並ぶ。論文はこの結果をもって、白人労働者の大規模な自動化や置換、AIがブルーカラー労働に無関係であること、AIの目的が専ら自動化であること、という3つの主張のいずれも支持しないと明記している。浸透の広さだけを見れば悲観論の材料になり得るが、タスク飽和率の低さが同じ論文の中でその悲観論を退けている。
定型業務だけ自動化意図25%超、非定型は10%未満という非対称
非定型認知タスクでは10%未満にとどまる一方、定型認知タスクでは25%超に達する。完全自動化を意図した対話の割合を、タスクの性質で分けるとこの差が現れる。単純に25を10で割ると2.5を超える倍率が導かれ、この割り算がGoogleの指摘する非対称性の大きさを具体的な数字として裏づける。
この数字は、先に挙げた飽和率上位の職種と符合する。ソフトウェア品質保証アナリストや文書管理スペシャリストは、業務の大半が手順化された定型認知タスクで構成される職種だ。定型認知タスクへの自動化意図が非定型の2.5倍超に偏るという結果は、この上位職種でこそ完全自動化への需要が強いことを裏づける材料になる。
定型認知タスクと非定型認知タスクという分け方自体、査読協力者のDavid Autor氏が経済学で確立してきたタスク分類の枠組みに沿う。定型認知タスクは手順が明確でルール化しやすい業務を指し、非定型認知タスクは判断や交渉、創造的な問題解決のように手順化しにくい業務を指す。この枠組みに照らすと、自動化意図が定型側に偏るという結果は、AIが「ルール化しやすい仕事」から先に置き換わろうとしている自然な帰結として読める。
非定型認知タスクが中心の職業に就く読者にとって、10%未満という数字はそのまま安心材料になる。だが定型認知タスクの比重が大きい職業では、25%超という数字の方が実感に近い。同じ「AIを使っている」という状態でも、意味合いは対称ではなく、「自動化は全体で10%未満」という要約だけでは実態を測れない。論文が測定しているのはあくまで対話に表れた自動化への意図であり、実際に職務が自動化された結果ではない。ユーザーが「この作業を全部AIにやらせたい」という形で対話した頻度を数えたものであり、意図と実際の置き換えの間にはまだ距離がある。
1465万件の対話をO*NET職業分類へ変換する仕組み
1465万件を超える対話をONETの職業やタスクの区分へ変換する作業は、自動的なパイプラインが担っている。対話クラスタを米労働統計局のSOC職業分類とONETの詳細タスクデータへマッピングし、合成した正解データと人間の評価者がラベル付けした結果との一致率で分類精度を検証している。仕組みを噛み砕けば、大量のテキストにカテゴリを自動で振り分けるコンテンツ分類の技術を、O*NETが定める数千件の詳細タスクの体系に適用したものに近い。たとえば人事担当者が休暇規定について尋ねる対話と、エンジニアがコードの不具合を尋ねる対話は、同じチャット形式のやり取りでも異なる職業やタスクのラベルに割り振られる。
この分類の中で「認知タスク」は業務対話の86%を占める。O*NETのタスク構成比で見た認知タスクの比率がおよそ50%であるのに対し、対話ではその比率が大きく跳ね上がる。対話という形式そのものが身体を伴う物理的タスクよりも認知タスクに向いているため、業務対話に占める認知タスクの比率がタスク全体の構成比より高くなるのは自然な結果だ。これとは別に、全対話（業務と非業務を合わせた総数）の86%超は業務時間外に発生しているという結果も出ている。前者は対話内容の構成比、後者は対話が生じた時間帯の比率であり、指している対象がまったく異なる。
賃金相関と無償労働1000億ドル試算、その前提の脆弱性
論文はもう一つの相関を報告している。職業の賃金中央値が1%上昇するとAI利用強度は2.5%超上昇するというもので、観測された職業を対話量で加重した賃金中央値は約8万3000ドルだ。これは実際の雇用加重全国中央値より約2万ドル高く、単純に差し引くとおよそ6万3000ドル前後になる計算だ。AI利用は賃金水準の高い職業ほど濃く現れている。
浸透度そのものは幅広い職業に及んでいても、対話の量で見れば高賃金層の利用が相対的に厚く、恩恵の分布は職業間で一様ではない。低賃金の職業ほど利用データそのものが薄く、実態を捉えにくいという課題も残る。飽和率21%という中央値も、この賃金バイアスを差し引かずに読めば、実際の分布より楽観的な印象を与えかねない。68%という浸透率についても同様で、賃金というフィルターを通すと数字の見え方が変わってくる。
Google研究者はさらに、家庭内での無償の時間節約が仮に週30分あったと仮定した場合、標準的な評価手法で米国内の無償生産性価値は約1000億ドルに相当すると試算した。1ドル163.85円（2026年7月29日時点のレート）で換算すると、およそ16兆4000億円になる。この数字は実測された経済効果ではない。週30分という仮定の上に成り立つ試算にすぎず、前提となる時間の長さが変われば金額もそのまま変わる。
Googleが自ら認める限界も見過ごせない。今回の分析にはGoogle Workspace（利用者30億人超）、Google翻訳（10億人超）、AI Overviews（25億人超）、Google Cloud Gemini Enterprise、エージェント型コーディングツールのデータは含まれていない。収集期間もわずか2週間で、季節性や利用トレンドの変化は検証されていない。68%や21%、25%といった数字はGoogleの製品群の一部を切り取った結果であり、経済全体の姿ではない。参入レベルの採用や国内のデジタル格差といった論点にも、この一次データだけでは答えが出ないとGoogle自身が認めている。
AEIシニアフェローのJames Pethokoukis氏は、現在の状況を生産性向上曲線の「J字カーブの下降局面」にあると評している。訓練された人材や再構築された業務プロセスといった無形資産の価値は、公式統計にまだ十分反映されていない可能性がある、という趣旨だ。対話ログという一次データが浮かび上がらせる利用実態と、GDPなど既存の経済統計との間には、まだ埋まっていない溝がある。無償労働1000億ドルという試算も、この溝を埋めようとする一つの試みとして読める。
Google、Anthropic、OpenAI、Goldman Sachsで数字が食い違う理由
生成AIが労働市場に与える影響をめぐる論争は、2023年のOpenAIによる推計以降続いてきた分野だ。AnthropicやGoldman Sachsもそれぞれ独自データを公表しており、Googleの実利用ログはこの論争に新しい一次データを持ち込む形になった。それでもAIと雇用をめぐる数字は、調べる主体によって大きく異なる。何を測定しているかを並べると、その理由が見えてくる。次の表は、測定対象と数値、手法の違いを一覧にしたものだ。
| 組織 | データの性質 | 主要な数値 | 測定手法 |
|---|---|---|---|
| Google（ATLAS v1.0） | 実利用ログ | タスク飽和率中央値21%、自動化意図は非定型10%未満/定型25%超 | Gemini対話1465万3926件をO*NET/SOCへ自動マッピング |
| Anthropic（Economic Index） | 利用意図の分類 | augmentation 57%/automation 43% | Claude対話を「補完」か「自動化」かで分類（Googleの脚注13は単純比較不可と明記） |
| OpenAI（Eloundou et al. 2024） | 露出予測 | 労働力の約80%が業務タスクの10%以上でLLMの影響を受けうる | 職務内容をLLMで分析し影響の受けやすさを予測（実利用ではない） |
| WEF（Future of Jobs Report 2025） | 雇用主調査による将来予測 | 2030年までに9200万人分消失、1億7000万人分新設、純増7800万人。雇用主の40%は自動化による人員削減を見込む | 世界の雇用主へのアンケート調査 |
| Goldman Sachs（TechCrunch経由） | 実雇用統計（報道経由） | 月平均約1.6万人の純減がZ世代や新卒層に集中と報じられている | 実際の雇用者数統計（一次資料は未確認） |
Googleの21%は実際に交わされた対話を数えた利用実態であり、Anthropicの57%/43%は対話の意図を「補完」か「自動化」かに分類した結果だ。両者は測定単位も対象期間も異なり、Google自身が脚注13で単純比較はできないと明記している。OpenAIの80%は実際の利用実態を数えたものではない。LLMがタスクに触れうるかという予測にすぎない。WEFの数字は雇用主への意識調査に基づく2030年までの予測であり、現在の実態を示すものではない。
Goldman Sachsが報じられている月1.6万人の純減も、単独では読み違えやすい。RampとRevelio Labsが約2万2000社を対象に実施した調査では、AI導入強度の高い企業ほど採用者数が10.2%増え、新卒採用に限れば12%増えている。同じ時期に正反対の結果を示すデータが併存しており、「AIが雇用を減らしているか」という問いは、一つの数字では答えられないほど複雑になっている。利用率という切り口でも数字は割れる。GoogleがIpsosと共同で実施した2026年の生成AI利用率調査は62%/48%という数字を示しているが、Google自身が調査に関与しており、独立した第三者データとして扱うことはできない。
測定手法を確かめずに数字だけを並べても、AIが雇用に与える影響の実像には近づけない。実利用ログ、利用意図、露出予測、雇用主調査、実雇用統計は、それぞれ別の断面を映す鏡だ。どの断面を見ているかを明記しない報道や論評は、割り引いて読んだほうがいい。
「AIは仕事を奪わない」論をどう読むか、日本企業への示唆
Googleの一次データそのものは、白人労働者の大規模な自動化や職種の喪失を裏づける証拠を示していない。だが定型認知タスクに限れば自動化意図は非定型の2.5倍を超え、飽和率上位にはソフトウェア品質保証アナリストや文書管理スペシャリストといった手順化された職種が並ぶ。この2.5倍の非対称は、「AIはまだ仕事を奪っていない」という安心論に、業務内容次第という条件を付け加える。
論文は英語による対話が世界全体の対話量の3分の1にすぎないとも記している。日本語を含む非英語圏の利用はすでに相当な量に達しているとみられるが、今回のレポートに国別や言語別の詳細な内訳はない。国内では同規模の実利用ログに基づく労働市場分析は数少なく、ATLASは手法の面で参考になる先行事例になりうる。日本企業が自社のAI導入効果を測る際も、浸透率という表面的な数字に加えて、定型業務と非定型業務でタスク飽和率がどう分かれているかを見る発想が参考になる。
Google自身はATLASを単発の報告書とはみなしていない。今後も継続する多年次の研究プロジェクトと位置づけている。収集期間を2週間から拡張し、今回除外されたGoogle Workspaceやエージェント型コーディングツールのデータを組み込めば、定型認知タスクで自動化意図が先行しているという今回の兆候が、実際の自動化にまで進むのかどうかを検証できるようになる。飽和率がすでに50%を超えている11%の職業群が次回調査でどう動くかは、その最初の試金石になるはずだ。次回以降のATLASが定型業務の数字をどう更新するかが、この安心論の賞味期限を決める。
