Anthropic社内雇用レポート：技術職の新規採用に占めるジュニア層は27%から9%へ、従業員はAgentの管理へ

Anthropicが自社の雇用に関する調査レポートを公開した。過去1年で総従業員数は3倍に拡大したが、技術部門の新規採用者に占めるジュニア層の比率は27%から9%へと低下した。それと同時に、営業担当者が自らソフトウェアを構築し始め、エンジニアはAIの管理により多くの時間を費やし、従業員の会議時間も増加している。

これらの一見ばらばらに見える変化は、実は同じ問いにつながっている。すなわち、Claudeや、ツールを呼び出してタスクを実行できるAI Agentがますます多くの仕事を引き受けるようになったとき、組織は人に何を求めるようになるのか、という問いだ。レポートは、社内の雇用、コード、対話、カレンダー、面接評価データ、そして17回の従業員インタビューを組み合わせることで、実際の業務プロセスに沿ってこの変化を紐解いている。

AIが日常業務の一部を引き受け、従業員は新たなタスクへ移行する

1つの職種は通常、いくつもの種類の仕事で構成されている。そこには、下書きの作成、システムへの入力、不具合の調査といった定型的な実行作業もあれば、真のニーズの見極め、情報が不完全な状況下でのトレードオフの判断、対人関係における信頼の構築といった意思決定作業も含まれる。

レポート内の事例では、AIがこうした業務のうち実行プロセスの一部を引き受けている：

• 営業担当者の日常業務：営業はフォローアップメールの執筆や顧客管理システムの記録更新を行うと同時に、顧客と要望について対話する必要もある。Anthropicのあるアカウントエグゼクティブによれば、Claudeがメールの起草や顧客管理システムとの連携などの事務作業を自動で担うようになり、自身の従来の業務タスクの約20%を代替したという。別の営業担当者は、同様のツールによって時間が浮いたことで、以前より30%多くの顧客と対話できるようになったと述べている。この2人の経験は、一部の実行業務をAIに委ね、節約できた時間をより多くの顧客との接点に充てられることを示している。
• プロダクトコピーライティングチームの職能転換：かつてクライアントアプリ内の日常的なプロンプト文言（例えば「夜更かしさん、こんばんは」や「コーヒー片手にClaudeと話しませんか？」など）の作成を専門としていたデザインチームは、関連する背景情報やガイドラインをコンテキストグラフとして整理し、Agentにこの種のコピーを書かせるための誘導に用いるようにした。Agentがこれらのガイドラインに沿ってプロダクトコピーを生成できるようになると、チームはプロンプトの作成やモデルの評価、すなわちモデルのパフォーマンスを検証する業務へと移行した。かつて言葉を使って人間のユーザーの行動を促していたコピーライターが、今では言葉を使ってAIの挙動を導き、評価するようになっている。

これら2つの変化が示しているのは、タスクが自動化された後、人間の仕事はそれに合わせて再構成され得るということだ。営業はより多くのエネルギーを顧客に向け、ライティングチームは自らの言語能力をモデルの誘導や検証に活用している。従来のタスクが減ることは、自動的にその職種全体が消滅することを意味しない。重要なのは、組織が新たな仕事を見出せるか、そして既存の従業員をそこへ移行させる意思があるかという点にある。

企業は拡大を続ける一方で、採用は経験者へと傾斜する

実行系のタスクが継続的に切り離されるにつれて、企業が求める経験レベルの人材構造も変化する可能性がある。過去1年におけるAnthropicの最も顕著な変化の1つは、全社的な人員規模の拡大と、技術部門におけるジュニア採用比率の低下が同時に起きていることだ。

データは技術チーム内部における採用構成の変化を明確に記録している：

• ジュニア新規採用比率の縮小：技術部門の全新規入社者のうち、ジュニア（Junior）技術者の割合は観測初期の27%から9%へと大幅に低下した；
• 在職ジュニア比率の低下：技術部門の既存従業員に占めるジュニア層の割合は21%から14%へと減少した；
• ジュニア向け公開求人の希少化：観測期間の末期には、技術部門が社外に向けて公開していた全求人のうち、ジュニア向けはわずか6%にとどまった（非技術部門の公開求人でもジュニアは13%に低下した）。

会社全体の人数が3倍に増え、技術職の採用人数そのものも増え続けている中で、なぜジュニア技術者の割合が低下しているのか。

社内アンケートでは、機械学習マネージャーの約3分の1、ソフトウェアエンジニアリングマネージャーの約5分の1が、AIを理由に採用を減らしたと回答した。これらの回答は、一部のマネージャーがすでにAIの能力を人員配置計画に組み込んでいることを示している。ただし、それによって何人の採用が減ったのかという人数推計は調査では示されていない。

レポートではさらに、ある職種がClaudeに委ねるタスクが複雑であるほど、その後のジュニア従業員数の増加ペースが全体として鈍くなるという傾向も観察された。これは職種間の相関関係であり、AIが雇用の減少を引き起こしたと単独で証明するものではない。

この一連の変化を理解するには、「会社が完了させなければならない仕事量」と「1つの仕事に必要な実行のための人的リソース」を切り離して捉える必要がある。

例えば、あるチームが従来は定型的なコードの記述やバグ調査といったタスクを数名のメンバーに分担させていたとする。もしAgentがその一部を引き受けられるなら、同じ規模の仕事に対して従来と同じやり方で人員を補充する必要はなくなるかもしれない。その一方で、会社の顧客やプロジェクトは増え続けており、新たな人員需要も生まれる。これら2つの力が同時に働くことで、会社は全体として増員を続けながらも、新規採用者に占めるジュニア層の割合を減らすということが起こり得る。

Anthropicの1人あたり売上高も、設立から同じく5年が経過した時点のGoogleやMetaの2〜4倍（インフレ調整後）に達している。これは高成長企業の背景を示すものだが、企業間の比較はビジネスモデルなどの違いにも影響されるため、AIが生み出した効率の倍率としてそのまま捉えることはできない。

これはレポートに見られる変化に対する1つの解釈であり、採用比率だけでAIが実際にどれだけの雇用創出を減らしたかを算出することはできない。しかし、この傾向は注目に値する兆候を示唆している。雇用の圧力は、大規模な人員削減という形で現れる前に、まず「新たな機会の減少や、経験者を優先する採用姿勢」として現れる可能性があるということだ。 すでに入社している人間にとっては会社は依然として拡大しているが、業界に入ろうとする新人にとっては、その入り口が狭まっている可能性がある。

営業も自らソフトウェアを作れるようになり、1人でできることが増える

コーディングAgentの普及に伴い、テクノロジーの適用境界は非技術部門へと急速に染み出し始めている。過去1年間で、全社に占めるAnthropicの技術部門の人員比率は61%から56%へと低下し、営業、財務、採用といったビジネス部門の拡充ペースが技術チームを上回った。

会社の拡大に伴って営業、財務、採用の需要が生じるのは自然なことである。それと同時に、レポート内の具体的な事例は、ビジネス職の従業員もAgentの力を借りて自らツールを構築している実態を示している：

• ある営業担当者は、自然言語とツール接続プロトコルであるMCPを活用し、わずか3〜4時間で自身の業務専用のデータダッシュボードと処理パイプラインを構築した。従来であれば、UIの設計や異なるシステムのデータインターフェースの統合は、彼が単独で完結できる範囲を超えていた。
• ベースライン期間中にコードのコミット記録がなかった非技術系従業員の層において、コーディングを中心としたAgentとの対話セッション数は、観測期間中に1人あたり月平均2回から90回へと激増した。
• 財務マネージャーは購買申請の自動審査ツールを構築し、エグゼクティブアシスタントはメールやスケジュールの仕分けAgentを構築して、初歩的な雑務から手を引き、チーフ・オブ・スタッフのような上位業務へとシフトした。なお、一般管理支援職の伸びが緩やかである背景には、チケット対応業務の外注化といった運用も関係している。

こうした変化により、ビジネス部門の担当者は自らのニーズをより直接的にツールへと変えられるようになった。どんな些細な要望であっても専任の開発リソースが割り当てられるのを待つ必要はなく、まずは自力で動くバージョンを作り出せる。

しかし、ダッシュボードを作ることと、ビジネスに役立つダッシュボードを作ることは、依然として別問題である。営業の仕事を例に取ると、どの顧客情報を追跡すべきか、どのような兆候がフォローに値するかを事前に判断し、ダッシュボードのデータが信頼できるかを検証する人間が不可欠である。AIはアイデアをソフトウェアとして書き起こす敷居を下げたが、ビジネスの目標や成果に関する判断は依然として人間が行わなければならない。専門的な経験の価値は、適切な問いを投げかけ、誤った結果を見抜くことに、より色濃く現れるようになる。

同時に、技術チーム内部の分業の境界線も再編されつつある。技術部門内において、過去30日間にコードコミット記録がなかった人員の割合は、この1年でほぼ半減した。エンジニアとプロダクトマネージャーの比率は約17対1まで拡大し、マネージャー層のコードコミット量も倍増した。調整役や管理者も、より直接的に現場のデリバリーに関与するようになっている。開発ツールが扱いやすくなったことで、事業の理解と自身の手による実装との距離が縮まった。これは職種の境界線が変化していることを示しており、これをもってエンジニアやプロダクトマネージャーの価値が失われたと判断することはできない。

AIの産出は増え続ける一方、人間のチェックが追いつかない

Agentを動かしてタスクを実行する従業員が増えるにつれて、マシンの稼働時間は急速に人間の労働時間を追い抜いた。

Anthropicにおいて、従業員が直接呼び出したインタラクティブな協働セッションのみを計算しても、Agentの累積稼働時間は全従業員の推定労働時間（週40時間換算）の 6 倍 に達し、研究チーム内部では実に 19 倍 に達した。これらの稼働時間は並列で動くAgentの稼働時間を合算したものであり、人間の生産性や代替された人員数にそのまま換算できるわけではない。

同じ時期に、1人あたりの産出量も増加した。半年前を基準期（100とする）とした場合、エンジニアの1人あたりコードコミット量指数は基準期の 5.1 倍 に達した。データサイエンティストのクエリ量および法務担当者が審査した契約書数は 3.1 倍、営業担当者が成約させた案件数は 1.7 倍、買掛金請求書の処理件数や採用担当者1人あたりの採用決定件数も 1.4 倍 に達した。

これらの伸びには、事業拡大の影響も同時に含まれている。モデル製品の売れ行きが良くなれば、営業の成約も当然容易になる。ツールの利用と産出の関係をさらに観察するため、調査ではコーディングAgentを導入した192名のエンジニアと、同時期に導入しなかった74名を追跡し、同一人物の利用前後の変化を比較するとともに、同月にツールを導入しなかった対照群と比較した。導入後、エンジニアのコード新規追加量は明らかに増加した。ただし、誰が先にツールを導入したかはランダムに決定されたわけではないため、すべての変化をAIの功績に帰することはできない。

完全自律型Agentの利用者は、導入前からすでに産出が増加軌道にあった。これは、変化の一部が彼らがもともと進めていた業務に起因している可能性を示唆しており、すべてをツールの手柄とすることはできない。図の右下は、営業担当者がAgent導入後に成約顧客数を伸ばしたことも示している。しかし、これも手元の営業機会が多い人ほど進んでツールを利用した結果である可能性がある。

コードの記述量が増えたとしても、それが有用であるかどうかは別問題だ。調査では、同一人物が同一月、同一コードディレクトリ内で自ら直接書いたコードとAgentが書いたコードを比較したが、その後の90日間における削除率、バグ修正に伴う削除、コミット全体の取り消しなどの指標において、顕著な差異は検出されなかった。これらの検証はある程度の品質の手がかりを提供するものの、AIによるエラーはより発見が困難である可能性もある。コード量とこれらの代替指標だけで、長期的な品質やビジネス上の価値を判断することはまだできない。

ツールが強力になると、従業員はそれにさらに難しいタスクを与えるようになる。新モデルのリリース後、旧モデルのタスク難易度の90パーセンタイルを超えるタスクの割合は、10%から13%へと上昇した。平たく言えば、従来最も難度の高かった部類の作業が、新モデルへと委ねられる割合が増えたのだ。ツールによって節約された時間は、必ずしも余暇になるとは限らず、より困難な仕事を引き受けるために使われることもある。

従業員自身もワークフローによる恩恵を実感している。同一の設問を用いた2回の社内調査において、業務プロセスが自身を「可能な限り効率的にしてくれている」と肯定した割合は44%から58%に上昇した。これは多忙であることと矛盾しない。ツールが使いやすくなり、達成できることが増えたとしても、それにはより密度の高いタスクとより高いデリバリーへの期待が伴い得るからだ。

タスクが増加し、産出が加速するにつれて、別のプレッシャーが顕在化し始めた。人間側のレビューと検収が追いつかないという問題だ。

もし従業員がインタラクティブなAgentの生成したすべてのテキストを一字一句読み通そうとした場合、エンジニアリングおよび研究チームにおける1人あたりの出力を読むために理論上必要な時間は週あたり 424 時間 にものぼる。非技術系の職種であっても、財務・会計チームは週あたり 43 時間、営業チームは 35 時間、法務・ポリシー・トラストチームは 26 時間、その他の非エンジニアリング職種で27時間、マーケティング・広報で12時間に達する。これは1分あたり英語250単語のペースで「すべての出力を読み通すのにどれほどの時間がかかるか」を推計したものであり、従業員が実際にそれだけの時間を費やしたわけではない。多くの非技術チームの推計値も労働週の半分を超えており、一字一句すべてを読もうとすれば、他の多くの業務が圧迫されてしまう。

あるエンジニアはこの状況を「子どもの世話」に例えている。1人の子どもがジュースのパックが開かないと叫び、別の子どもは指を切って血を流している。しかし助けを求める際、彼らが発する切迫感はまったく同じなのだ。画面の前で並行して稼働するいくつものClaudeもまた、等しく切迫したプロンプトで人間の注意を奪い合っている。

テレメトリデータもまた、マルチターンの対話セッションの実時間のうち、Agentはおよそ 80% の時間を人間のフィードバックを待つアイドル状態で過ごしている ことを示している。これらのインタラクションにおいて、人間のフィードバック速度がAgentの進行を制約するボトルネックとなっている。単にAgentの数を増やすだけでは、人間側が見きれず、選択と意思決定が追いつかないという問題を自動的に解決することはできない。

従業員はAIの管理を始め、人と人との協働も増える

膨大な生成物を前に、従業員が1つひとつ目を通すだけでは処理能力が追いつかない。AIが日常業務をどのように変えたかについての社内自由記述アンケートでは、回答の27%がツールによる生産性の向上に言及した一方で、20%は自身の役割が実際に手を動かすことからClaudeを管理することへと移行しつつあると答えた。従業員は業務の進め方を調整することに時間を使い始めている。「自ら具体的な作業を行う」ことから、「作業が円滑に完結するためのルールやパイプラインを設計する」ことへのシフト だ。

Anthropicの調査では、こうした仕事は 「Meta-work（メタ作業）」 と呼ばれている。日々の業務において、それは一連の明確な管理およびシステム構築のアクションとして具体化している：

1. タスク要件の明確化：まず複雑なタスクの目標、境界線、役割分担を明確に記述し、何を達成すべきか、どこで停止すべきかをAgentに理解させる；
2. Agent同士の相互レビューとリクエスト振り分けの導入：人間が出力を読み切れない問題を克服するため、あるレビュー専用Agentが別の生成Agentの成果物を検証する自動パイプラインを構築する。また、様々なAgentからのリクエストが人間の注意を奪い合う問題に対して、あるエンジニアはAgentの「チーフ・オブ・スタッフ」を構築し、他のAgentから送られてくるリクエストを事前に選別・仕分けさせた；
3. 長期的に使えるルールの蓄積：従業員が作成した長期的な規範指示セットは、1年間で数百件から8,500件へと増加した；
4. Agentとの対話や資料検索方法の調整：自らの仮想Claudeチームのために「コミュニケーションスタイルの振り返り」を執筆する従業員もいれば、法務担当者は業務の一部を、クライアント側のAgentがガイドラインを見つけやすいよう、検索性に優れた法的フレームワークの作成へとシフトさせた。

2,000件のセッション要約の自動分類に基づくと、一般的な従業員の対話セッションにおいて、こうしたMeta-workに焦点を当てたものの割合は約10%から 22% に増加した。インフラチームではこの割合が29%に達し、セキュリティおよび開発ツールチームでも26%〜27%に達した。

驚くべきことに、実行業務をAIに委ね、メタ作業の枠組みを整える一方で、組織内部の人間同士のコミュニケーションはむしろ増加した。

カレンダーのデータによれば、Anthropicの中央値の従業員が会議に費やした時間は前年比で 20% 増加し、技術職の非管理職従業員でも会議時間が 16% 増加した。この一部は組織の拡大や非技術職能の拡充に関係しており、すべてをAIのせいにすることはできない。

Agentを管理する従業員が増えたとしても、会社の経営判断は依然として人間が主導している。レポートによれば、全社戦略から具体的なチームの意思決定に至るまで、主にSlackでの文書による議論や対面でのミーティングを通じて決定されており、Agentが関与することはほとんどない。

人間が膝を突き合わせて決定すべき事柄とは、具体的にどのようなものか。

• 人間によるトレードオフが必要な問題は依然として残る：定型的なコードの記述や初期的な情報検索がAIによって迅速に処理されるようになった後も、問題の追及は長年蓄積されたシステムの欠陥、チーム間の目標の衝突、責任の所在といった領域に踏み込むことがある。ツールは問題の発見を支援できるが、どの層を修正すべきか、誰が責任を負うのか、どの目標を優先すべきかは、依然として関係者が議論し、決定しなければならない。
• 決定事項はAgentが読み取れる記録として残す必要がある：ある大規模部門の公開Slackチャンネルの分析によると、Agentとの対話スレッドは明らかに増加し、主に従業員個人を中心とした協働クラスターを形成していたが、人間同士の従来のコミュニケーション構造や密度にはほとんど変化が見られなかった。しかし、Agentは関連タスクの最新の背景情報を把握する必要がある。もしチームが非公開のミーティングやダイレクトメッセージで新たな決定を下したにもかかわらず、明確な公開ドキュメントを残さなければ、Agentは時代遅れのルールに従って動き続けてしまう。過去にある従業員の名前が数ヶ月前のノベルティグッズ関連のドキュメントに残っていたため、Agentがその後長期間にわたり、その従業員にTシャツやマグカップの提供を求め続けたことがあった。その従業員の職務変更がAgentから「見えて」いなかったためだ。自動化されたプロセスを軌道から外さないためには、チームは関連する決定、フィードバック、責任の変更を速やかに記録し、Agentが更新された情報を参照できるようにしておく必要がある。

企業は判断力をより重視するが、新人の育成は新たな難題となる

こうした業務の変化は、採用評価にも表れている。数千件に及ぶ採用面接評価シートの自動分類分析から、面接官が何を重視するようになっているかが見て取れる：

• 技術職では「自律性」と「判断力」が重視される：技術面接の評価コメントにおいて、候補者の自律性と判断力への言及の増加幅が最も顕著であった一方、特定の個別分野の技術知識に関する議論の割合は相対的に縮小した。ある研究開発責任者は、現状では各分野のAIモデルの能力分布にばらつきがあることが多いため、チームメンバーには領域を横断して業務をこなせることを期待していると指摘した。
• 非技術職では「使命感と顧客志向」が重視される：非技術系の面接では、具体的な「実行スキル」に関する議論の割合が低下し、顧客志向やミッション志向に関する議論が増加した。
• AIを創造的に活用した経験が注目される：面接評価コメントにおいてこうした経験に言及された割合は、技術職で約5%から元の約3倍へ、非技術職で約7%から元の約4倍へと増加した。

先述の業務の変化と合わせると、採用においてより重視される自律性や判断力とは、より具体的な責任として理解できる。目標がまだ明確でなく、既成の答えがない状況において、何から着手し何を後回しにするかを独力で決定できるか。AIが提示した複数の提案に対して、その根拠を検証して問題を発見し、結果が成果物として通用するかを判断できるか。関係者間の利害が衝突した際に、いつ前進させ、いつ周囲と協議すべきかを的確に見極められるか、といったことだ。

これは人材育成におけるジレンマも生んでいる。企業は高度な判断力を備えた人材をますます必要としているが、そうした経験を蓄積するための日常業務の一部が、まさにAIへと委ねられつつある という点だ。

新人は往々にして具体的な業務の中で判断力を養っていく。1箇所のコードを修正し、テストがなぜ失敗したのかを確認し、問題を通じてシステム全体への理解を深めていく。AIの結果を検証できる経験もまた、実際のタスクとフィードバックを通じて蓄積される必要がある。

レポートでも、自動化が進むにつれて、一部の在職従業員が自らの専門スキルを最初に築き上げた具体的な業務から徐々に離れつつあることが言及されている。基礎的な実践の一部がAIに委ねられた場合、新人はどのようなタスクを通じて判断の経験を蓄積すればよいのか。企業が判断力のある人材を持続的に獲得したいのであれば、新人に実践、フィードバック、そして責任を担う機会をいかに残すかを考える必要がある。これこそが、育成プロセスの再設計が求められている理由である。

既存社員の配置転換は、まだ採用されていない人々を救えない

職種やタスクの変化に直面し、Anthropicは組織のメカニズムにおいても一連の実験を行っている：

• 職務変化の早期警告メカニズムの構築：AIの能力や利用状況を、各職種の人員需要や産出量の変化と照らし合わせることで、どの業務が変化しつつあるのかを早期に把握する；
• 社内人材の再配置を優先的に推進：タスクがAIに著しく代替された既存従業員に対しては、社内で新たな適合ポジションを優先的に探す。勤続1年以上の従業員において、翌年の各月における部門間異動の確率は前年比で50%上昇した；
• 成果の分配：従業員が広く株式を保有することで、従業員が会社の成長による利益を享受できるようにし、自身の専門知識を「Agentにコード化」する際に生じる利害の対立を緩和する。

これらの取り組みは、従業員が仕事の再編に関与する際にも、新たな仕事の機会と利益を確保できるようにすることを目的としている。社内の在職従業員を再配置するというコミットメントは、経営陣の関心を、単にわずかなコスト削減のために人手を技術で置き換える「平凡な自動化（So-so automation）」に陥らせず、AIを活用して新たなビジネスやタスクを切り開く方向へと向かわせる可能性がある。

しかし、これらのアプローチにも代償と限界がある。 第一に、既存従業員の保護を約束することは、企業が社外からの新規採用を行う際により慎重になることにつながり、それが巡り巡って社外の新人の参入障壁をさらに高めてしまう可能性がある。第二に、社内の再配置や株式分配が支援するのは主にすでに在職している従業員であり、そもそも最初から採用されなかった求職者にその恩恵が届くことはない。

したがって、研究の著者らが警鐘を鳴らすように、企業内部の取り組みだけでは雇用へのあらゆる打撃を解決するには不十分である。労働者向けのリスキリング支援やセーフティネットとしての所得保障政策も、検討すべき対応の方向性となる。

Anthropicの事例から見えてくるのは、AIの影響が具体的な経路をたどって波及していく可能性だ。まず1つの職種内部のタスクを変化させ、次にチームが必要とする人材像を変え、やがて採用、協働、そして人材育成へと影響を及ぼしていく。1人がより多くの仕事をこなせるようになったとしても、それは必ずしも会社全体の人数が減少することを意味しない。事業が拡大し、新たなタスクが生まれれば、採用を増やし続けることもあり得る。逆に、会社が成長し続けているからといって、あらゆるタイプの求職者の機会が一様に増えることが保証されるわけでもない。

これは自らAIを開発する急成長企業における社内調査であり、これをもってすべての企業の雇用数を予測することはできない。だが、この調査が示すトレンドの兆候は明確だ。業務における実行のプロセスはますますAIに委ねやすくなり、問題を定義し、結果を検証し、責任を調整することの重みが増している。 それに伴い、いかにして人々に恩恵を行き渡らせるか、そして企業が必要とする経験を新人が積む機会をいかに確保するかという問いもまた、浮き彫りになっている。