マイナビ社会能力ライブラリで考える、職種ごとのAI代替可能性
この記事の目次
当社が整備している職種・タスクのマスタを使い、約98,000件のタスクを Eloundou ら(2023)の4段階で分類し、職種ごとのAI代替可能性をスコアリングしました。この実験では、Qwen(qwen3.5:4b)に分類基準を与えて数千件の教師ラベルを作成し、そのデータで東北大学の日本語BERTを4クラス分類用に学習しました。全タスクの分類には、この学習済みBERTを使っています。
ここでいう 代替可能性 は、職種がなくなることではありません。論文と同じく、「(AIを利用することで)同じ品質のまま、所要時間を半分以下にできるか」です。そのためこれらの該当職種が即座にAIに置き換えられ、人間が従事しなくても良くなると主張するわけではありません。品質が同じとは、成果物の受け手が、モデルを使ったことに気づかないか、気にしないことを指します。
また、これらの内容はあくまで筆者個人の実験の結果として公表しているものであり、本稿にかかる実験結果の責任は筆者個人のものです。筆者が所属する会社、部門や組織として、「特定の職種が陳腐化することを警告する」「ある職種から特定の職種への職種転換を促す」目的で発しているものではありません。
1. 原著論文
2023年3月、Eloundou, Manning, Mishkin, Rock は “GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models”(arXiv:2303.10130)を発表しました。米国の職業データベース O*NET のタスク文を、人間のアノテータと GPT-4 の両方で次の4段階に分け、そのスコアをもとにタスクや職種ごとのAI代替可能性をスコアリングしています。
この分析では、まず O*NET の職種に紐づくタスクごとに、E0~E3というAI代替可能性をラベリングします。
例えば、以下は「プロダクトマネージャー」という職種に紐づいているそれぞれのタスクについてラベリングを行うイメージです。

| ラベル | 意味 |
|---|---|
| E0 | 短縮できない。時間はほとんど減らない、または品質が落ちる |
| E1 | チャットだけで短縮できる。ChatGPT や Playground だけで、時間を半分以下にできる |
| E2 | 専用ソフトが要る。チャットだけでは半分にならないが、AI を組み込んだソフトがあれば半分にできる |
| E3 | 写真やイラストなどの静止画をインプットにする、または生成できれば半分にできる。 |
そして、職業ごとに以下の3つのスコアを計算します。

| 記号 | 呼び方 | 計算 | 見ているもの |
|---|---|---|---|
| α | 下限スコア | E1 の割合 | 既製のチャットだけで、時間を半分にできるタスクの割合。下限です |
| β | 標準スコア | E1 + 0.5 ×(E2 + E3) | チャットでできる分はすべて数え、専用ソフトや静止画が要る分は半分だけ数えます。(論文上のメイン指標) |
| ζ | 上限スコア | E1 + E2 + E3 | チャット、専用ソフト、静止画のどれかで半分にできるタスクの割合。 |
この記号がややこしいので、非常にざっくりと解釈しておくと、
α...対話型AIで簡単にできちゃうタスク(文章作るとか)
β...全タスク遂行時間に対する、AIで遂行可能となるタスク遂行時間
ζ...全タスクに対する、AIが少しでも関与できるタスクの数
のように考えておけば良いと思います。
O*NET の約1.9万タスク、923職業での平均は、論文 Table 3 のとおりです。タスクを均等に平均した場合、GPT-4 はα 0.14、β 0.35、ζ 0.56、人間評価はα 0.15、β 0.31、ζ 0.47 です。職業を均等に平均した場合もほぼ同じで、GPT-4 はα 0.14、β 0.34、ζ 0.55、人間評価はα 0.14、β 0.30、ζ 0.46 です。

Table 3: Summary statistics of our human and model exposure data. Tasks designated as core tasks for an
occupation are given twice the weight as those indicated to be supplemental in the O*NET task file.
論文は、「チャットだけでできる仕事はタスクの約15%で、ソフトウェアまで含めれば半数を超える」と結論づけています。就業者で見ると、βが10%以上の職業に就く人が約80%、βが50%以上の職業に就く人が約19%でした。人間評価では、職業のうちαが50%以上なのは2.3%、βが50%以上なのは22%、ζが50%以上なのは47%です。
2. 社内のタスクマスタを使った再現
現在弊社では、マイナビ社会能力ライブラリとして、職種、スキル、タスクといった社会の求められる能力のマスタデータ化に取り組んでいます。本レポートの作成時点で、職種マスタが 約1,500、各職種に紐づくタスクマスタが 約98,000 あります。職種は18の大分類に分かれ、中央値は1職種あたり62タスクです。
O*NET が米国の標準職業をタスクに分解したのと同じように、このマスタも職種をタスク文の集まりとして持っています。同じ指標をタスク単位で付け、職種で平均すれば、これらの職種定義について「α」「β」「ζ」を出せます。
数値の比較は、同じ定義で付けた割合の比較であり、米国の雇用構成に合わせた比較ではありません。
3. 分類に使ったモデル
全件の分類には、Qwenを利用したラベリングデータを2,000件程度作成し、そのデータをもとに東北大学の日本語BERT(cl-tohoku/bert-base-japanese-v3)を、この4択用に学習したものを使いました。パラメータは約1.1億です。入力は職種名とタスク文、出力は E0〜E3 です。
教師ラベルは、論文の2023年時点の能力境界に合わせ、成果物で分けています。チャットの返答そのものが成果物なら E1、実装や図面や社内データの分析なら E2、静止画なら E3、その場にいる作業や身体を使う作業なら E0 です。
4. 全量の実行結果
有効タスク 98,613件、職種 1,580件を分類しました。
| ラベル | 件数 | 割合 |
|---|---|---|
| E0: 時間はほとんど減らない | 48,659 | 49.3% |
| E1: チャットだけで短縮できる | 19,222 | 19.5% |
| E2: 専用ソフトを要する | 30,031 | 30.5% |
| E3: 画像生成を要する | 701 | 0.7% |
タスクを均等に平均した全体スコアは、α:0.195、β:0.351、ζ:0.507 です。職種をひとつずつ平均しても、α:0.195、β:0.351、ζ:0.507 で、タスク平均と一致しています。
5. 原著との比較
| α | β | ζ | |
|---|---|---|---|
| 本モデル(タスク平均) | 0.195 | 0.351 | 0.507 |
| 本モデル(職種平均) | 0.195 | 0.351 | 0.507 |
| 原著 GPT-4(タスク) | 0.14 | 0.35 | 0.56 |
| 原著 人間(タスク) | 0.15 | 0.31 | 0.47 |
| 原著 GPT-4(職種) | 0.14 | 0.34 | 0.55 |
| 原著 人間(職種) | 0.14 | 0.30 | 0.46 |
標準(β)が 0.5 以上の職種は 1,580件中 25% です。論文の人間評価では、職業の22%、就業者の19%でした。αが 0.5 以上は 5.3% で、論文の人間評価は 2.3% です。ζが 0.5 以上は 51% で、論文の人間評価は 47% です。
2023年の論文の結果と今回の結果を比較すると、α(チャットだけで純粋に代替可能)の割合が少し高く、代わりにζ(少しでもAIが関わる可能性のあるタスク)の割合が少し下がります。これは単純にGPT-4とQwenで判定に若干の差があり、その分類を学習した結果であると考えています。
6. 職種大分類
大分類のスコアは、その分類に属するタスクの平均です。標準スコア(β)の高い順です。βが高いほど、AIの代替可能性の高い職種群となります。
| 職種大分類 | 職種数 | タスク数 | α | β | ζ |
|---|---|---|---|---|---|
| コンサルティング/専門士業系職種 | 77 | 4,830 | 0.392 | 0.599 | 0.806 |
| 企画/管理系職種 | 55 | 3,437 | 0.307 | 0.487 | 0.667 |
| 金融系職種 | 34 | 2,125 | 0.188 | 0.475 | 0.761 |
| エグゼクティブ | 18 | 1,109 | 0.244 | 0.395 | 0.546 |
| 技術系職種 | 614 | 38,187 | 0.174 | 0.392 | 0.610 |
| クリエイティブ系職種 | 131 | 8,207 | 0.264 | 0.383 | 0.502 |
| 事務系職種 | 27 | 1,686 | 0.257 | 0.373 | 0.489 |
| 不動産系職種 | 19 | 1,188 | 0.209 | 0.333 | 0.458 |
| 営業系職種 | 92 | 5,759 | 0.205 | 0.331 | 0.458 |
| 教育/指導/研究系職種 | 81 | 5,045 | 0.201 | 0.317 | 0.433 |
| 医療系職種 | 160 | 10,034 | 0.190 | 0.290 | 0.390 |
| 公務員/準公務員 | 39 | 2,439 | 0.171 | 0.278 | 0.386 |
| 物流系職種 | 73 | 4,583 | 0.114 | 0.187 | 0.260 |
| 販売/サービス/コールセンター系職種 | 126 | 7,879 | 0.117 | 0.162 | 0.207 |
| スポーツ/競技関連職 | 11 | 675 | 0.101 | 0.135 | 0.169 |
| 宗教関連職 | 2 | 127 | 0.094 | 0.102 | 0.110 |
| 農林水産関連職種 | 9 | 563 | 0.044 | 0.091 | 0.137 |
| 伝統技能関連職種 | 12 | 740 | 0.042 | 0.080 | 0.118 |
コンサルティングは標準(β)0.599 で最も高く、うちαは 0.392、残りは調査や分析の E2 です。技術系はタスクの39%を占め、標準は 0.392、αは 0.174 です。実装や図面の多くは E2 です。販売・サービス、物流、農林水産は、その場での作業が多く、標準は 0.09〜0.19 です。E3 の701件のうち561件はクリエイティブ系にあります。
7. 代替可能性が最も高かった職種
標準(β)が最も高かったのは テクニカルライター(飼料)(技術系、63タスク)で、α 0.937、β 0.960、ζ 0.984 です。テクニカルライターに限らず、ライター系の職種のタスクでは大半がE1へと分類されたため、こうした結果になっています。10位までは、メディカルライターとゲームシナリオライターを除き、いずれもテクニカルライターです。
| 職種 | 大分類 | タスク数 | α | β | ζ |
|---|---|---|---|---|---|
| テクニカルライター(飼料) | 技術系 | 63 | 0.937 | 0.960 | 0.984 |
| メディカルライター(MW) | 医療系 | 61 | 0.885 | 0.934 | 0.984 |
| テクニカルライター(樹脂/プラスチック成形) | 技術系 | 62 | 0.887 | 0.919 | 0.952 |
| テクニカルライター(香料) | 技術系 | 62 | 0.871 | 0.919 | 0.968 |
| テクニカルライター(化粧品) | 技術系 | 63 | 0.825 | 0.913 | 1.000 |
| テクニカルライター(食品) | 技術系 | 62 | 0.871 | 0.911 | 0.952 |
| テクニカルライター(飲料) | 技術系 | 62 | 0.871 | 0.903 | 0.935 |
| テクニカルライター(建築建材) | 技術系 | 62 | 0.790 | 0.887 | 0.984 |
| ゲームシナリオライター | クリエイティブ系 | 64 | 0.859 | 0.883 | 0.906 |
| テクニカルライター(医薬品) | 技術系 | 62 | 0.790 | 0.879 | 0.968 |
8. 代替可能性が最も低かった職種
標準スコア(β)が 0 だった職種は14です。タスクはすべて E0 で、αもζも 0 です。そのうち10職種を示します。
| 職種 | 大分類 | タスク数 | α | β | ζ |
|---|---|---|---|---|---|
| 普通作業員(手元/雑工) | 技術系 | 62 | 0.000 | 0.000 | 0.000 |
| ナレーター | クリエイティブ系 | 63 | 0.000 | 0.000 | 0.000 |
| ショーキャスト | クリエイティブ系 | 63 | 0.000 | 0.000 | 0.000 |
| 甲板員 | 物流系 | 64 | 0.000 | 0.000 | 0.000 |
| 鉄道サービス員 | 物流系 | 63 | 0.000 | 0.000 | 0.000 |
| 接客販売員(コンビニ) | 販売/サービス/コールセンター系 | 64 | 0.000 | 0.000 | 0.000 |
| ガソリンスタンドスタッフ | 販売/サービス/コールセンター系 | 62 | 0.000 | 0.000 | 0.000 |
| 接客販売員(ディスカウントストア) | 販売/サービス/コールセンター系 | 63 | 0.000 | 0.000 | 0.000 |
| 接客販売員(アミューズメント/レジャー) | 販売/サービス/コールセンター系 | 63 | 0.000 | 0.000 | 0.000 |
| ホールスタッフ/フロアスタッフ | 販売/サービス/コールセンター系 | 63 | 0.000 | 0.000 | 0.000 |
接客販売、ホール、ガソリンスタンドは接客、甲板員は船の上で体を使う作業、手元作業員は現場での身体作業、鉄道サービス員は駅や列車での案内です。ナレーターとショーキャストは、声や公演がその場で行われる仕事です。(※2023年時点では音声生成AIの存在を原著論文が考慮していなかったため、こうした結果になっています。音声生成AIの存在を加味した分類を加えればこの結果は変わってくると思います)
おわりに
今回の分類は、整備中のマイナビ社会能力ライブラリデータを活用した分析の一例です。今後もこうしたマイナビ社会能力ライブラリデータを活用した、データ分析や機能開発を進行していきたいと思います。
参考文献
- Eloundou, Tyna, Sam Manning, Pamela Mishkin, Daniel Rock(2023). “GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models.” arXiv:2303.10130. https://arxiv.org/abs/2303.10130
E0〜E3、α、β、ζ の定義、Table 3 の平均、就業者と職業の割合は、この論文によります。2023年3月17日の公開案内は https://openai.com/research/gpts-are-gpts です。 - National Center for ONET Development. ONET OnLine. https://www.onetonline.org/
論文がタスク文の出典にした、米国の職業データベースです。 - Qwen Team(2026). Qwen3.5 4B(
Qwen/Qwen3.5-4B). https://huggingface.co/Qwen/Qwen3.5-4B - 東北大学自然言語処理グループ. BERT base Japanese v3(
tohoku-nlp/bert-base-japanese-v3). https://huggingface.co/tohoku-nlp/bert-base-japanese-v3
※本記事は2026年11月時点の情報です。