ロボットは肉体労働の74%をこなせる。だが、そのほとんどは元が取れない
Anthropicは9月30日に、2つの数字を並べた研究を公開した。その差こそが、この議論のすべてだ。
1つ目の数字は74%だ。現在存在するロボットは、米国の肉体作業タスクの74%を、少なくとも何らかの環境下で実行できる。これらのタスクは全労働時間の34%を占める。2つ目の数字は0.3%で、これは現在、その仕事を担う人間よりもロボットの方が安く済む業務の割合だ。
能力はほぼ備わっている。経済性は備わっていない。この言い換えこそ、経済学者ラッセル・レゲイト＝ヤングとマキシム・マッセンコフによる本論文の有用な貢献だ。
指数はどう作られたか
この研究は、約900の職業とおよそ19,000件のタスク記述を収録した米国の職業データベースO*NETから出発する。Claudeがまずタスクを肉体作業・認知作業・対人作業に分類し、7,594件を肉体作業として抽出した。次に、各タスクを実行できる実在のロボットをウェブで検索し、評価した。
評価スケールが巧みな部分で、環境にどれだけの構造が必要かによってタスクを格付けする。E0は現在どのロボットにもできないことを意味する。E1は、組立ラインのような専用設計の空間ならロボットができる。E2は、物流倉庫のような構造化された人間の職場。E3は、市街の道路のような非構造環境だ。
数えられたのは実証された能力だけだ。すべての評価は、導入事例、商業販売、またはデモンストレーションを引用していなければならず、デモを除いても結果は変わらないと著者らは述べている。
このスケールは、単一の能力スコアよりもはるかに正直な姿を描き出す。工場の床でしか動かないロボットと、公共の路上で動くロボットでは、仕事に対する脅威の質がまったく異なる。指数はそれを平均化せず、そのまま示している。
74%の中身はどこにあるのか
ロボットが実行できる仕事の大半は、職場をロボット中心に作り替えてはじめて実行可能になる。E1とE2を合わせて労働時間の33%を占め、オープンワールドのロボット、すなわちE3層がカバーするのはわずか1%だ。
職業パターンは際立っている。運転が完全に支配的だ。従事者2万人以上の職業のうち、露出度の高い上位10のうち9つが車両オペレーターで、これは自動運転の車、トラック、トラクター、舗装機械によるもので、タクシー業務ではWaymoが引用されている。タクシー運転手が3点満点中2.2で指数の首位に立つ。次が倉庫業務で、Amazonの触覚センサー搭載Vulcanのようなロボットが商品をピッキング・格納しており、リサイクル選別作業はタスク時間の4分の3以上がE2と評価されている。
看護と一般的な修理は下位に位置する。現在のロボットは、制御された環境でもこうした仕事のほとんどをこなせない。これは、ケアと修理のどれだけが手順の遂行ではなく、器用さと状況の読み取りにかかっているかを物語っている。
労働者のプロファイルは、言語モデルへの露出とはほぼ正反対だ。ロボット露出指数の上位5分の1に入る労働者を、露出のない労働者と比較すると、女性である確率が20ポイント低く、ヒスパニック系である確率が16ポイント高く、学士号を持つ確率が55ポイント低く、時給はおよそ30ドル低く、失業率は2倍以上に達する。
10%に到達するまで40年
コストシナリオは、能力の数字に込められた楽観が尽きる場所だ。ロボット価格が1990年代以降続いてきた約3%の年率で下落し続けるなら、人間の仕事の10%でロボットがコスト競争力を持つまでに約40年かかる。別のベースラインシナリオでは、肉体作業の半分でロボットが人件費を下回る時点を2085年としている。
もう一つの高速シナリオでは、今日の肉体作業の半分で2050年までにコスト競争力に達するが、これはコストが最大4倍の速さで下落し、能力が2倍の速さで向上することを前提としている。これらはモデル上の結果であり、仕事がいつ消えるかの予測ではないと著者らは明言している。
研究はまた、ロボット指数を言語モデル露出に関する既存の研究に接ぎ木している。LLM単独では仕事の約半分が露出する。E1以上でタスクをこなせるロボットを加えると、それは81%に上がる。運輸・移動は露出15%未満からおよそ90%になる。オフィス・管理サポートはほぼ全面的な露出に近づく。チャットボットが扱えなかった軽作業が、実はロボット向きの形をしていたからだ。
方法論上の注意点を1つ心に留めておきたい。タスク単位のコスト推計を職業全体にまとめると、同じロボットを複数回数えてしまったり、複数台を同時に動かす際の調整コストを見落としたりする可能性がある。著者ら自身がこれを指摘しており、つまり集計値は精密な値ではなく方向性を示すものだ。
なぜ環境スケールが正しい軸なのか
ほとんどの自動化予測は、能力を単一のつまみとして扱う。この研究の4段階スケールは、それを実際の導入のあり方に近いものに置き換える。つまり、ロボットが周囲にどれだけの秩序を必要とするかという問いだ。
この区別が、数字がこうなる理由を説明する。倉庫は構造化された人間の職場なので、建物を作り替えなくてもロボットをタスクに投入できる。市街の道路はそうではないため、ロボットは誰も書き留めていない部分も含め、人間がやることすべてを処理しなければならない。E2とE3の間のこの隔たりに、労働時間の33%と1%という差が宿っている。
これはまた、外から見ると単純に見える仕事でロボットが苦戦する理由も説明する。一般的な修理は、ロボットが一度も見たことのない状況についての小さな判断の連続を伴う。個々の動作は十分に届く範囲にあっても、それがE0へと押しやる。不足しているのは器用さだけではない。自分向けに設計されていない世界で動く能力なのだ。
研究自身の留保が効いてくる場面
見出しの数字を読む間、2つの限界を念頭に置いておきたい。タスク単位のコストを職業全体にまとめると、同じロボットを複数回数えたり、複数台を同時に動かす調整コストを見落としたりする可能性があり、著者らもそう明言している。そのため集計値は精密ではなく方向性を示すものになる。
2つ目は、能力評価が文書化された導入事例、販売、デモンストレーションに依拠している点だ。これは研究論文より厳しい基準であり、出荷済み製品よりは寛大な基準だ。一度デモされただけのロボットがタスクをこなせると見なされる。実際の施設でデモが失敗するのを見たことがある人には、楽観的に映るだろう。
どちらの留保も、発見の形を変えるものではない。どちらも、単一の数字にどれだけの重みを持たせるべきかを制約する。
数字が実際に語っていること
74%を脅威、0.3%を猶予と読む誘惑がある。どちらの読み方も、面白い部分、つまり両者の関係を見落としている。
50年にわたるバックテストがこの手法を裏づけている。1977年にロボットへの露出が高かった職業は、その後の数十年で実際に賃金と雇用の落ち込みが大きかった。露出は、いずれ訪れる圧力を予測する。予測しないのは速度であり、速度を決めるのはコスト曲線だ。
この研究自身の枠組みこそ、持ち続ける価値がある。自動化の議論は通常、能力を軸に展開され、まるで機械がその仕事をできるかどうかだけが問いであるかのように語られる。本論文はそれを逆転させる。能力はかなり備わっている。価格はそうではない。そして10%まで40年というのは、パニックにも安心にも正当性を与えない予測だ。それは、まだ支払期日が来ていない請求書の説明なのだ。