00:01
こんにちは、The Signal Shift by A.I.R. Labs、ナビゲーターの林です。
この番組はSpotifyやApple Podcastなどで配信しています。
日々、刻々と変化するAIの最先端トレンドと、大きな変化のシグナルを読み解き、
ビジネスや日常にどう影響するか、初心者にでも分かりやすくお届けする番組です。
本日の10月19日、朝の配信講では、
アンソロピックの雇用変化、AI期待値ギャップ、バイオテック向けエージェント設計の3つの話題をお届けします。
カイさん、よろしくお願いします。
こんにちは、カイです。
本日は、アンソロピック社の内部調査データから見えた労働構造の変化や、
一般世論とアンソロピック社員の認識のズレ、
そして、バイオテック向けのエージェント設計について深く掘り下げていきます。
それでは、最初のシグナルに行きましょう。
最初の話題は、アンソロピックにおける雇用の変化と、AI活用の実態についてですね。
現場で何が起きているのでしょうか?
アンソロピック社の内部データによると、
技術部門の新規採用に占めるジュニア職の割合が27%から9%へ下がりました。
一方で、社員が使うインタラクティブなAIエージェントの稼働時間は、
8月時点で社員本人の6倍に達しています。
同じ社員を追跡すると、AIツールを使い始めた後に成果が増えていました。
エージェントがそんなに動いているんですね。
どうしてジュニアの採用比率が下がるような変化が起きているんですか?
ソースによると、苦労度を多く使うチームほど、
コードを書くことやバグ探しを苦労度に任せられると気づいたためです。
しかも、同社は売上当たりの採用数が少なく、
社員1人当たりの売上は、メタやGoogleの急成長期の2から4倍です。
会社が大きくなっても、ジュニアを大量に取る必要が薄れているということです。
つまり、コードを書く人というより、
たくさんのAIに指示を出して結果を確認するマネージャーのような役割になるのでしょうか?
でも、人間の注意力がボトルネック、
つまり全体の流れを詰まらせる部分になるとも聞きました。
はい。ソースにも、エンジニア自身がエージェントのマネージャーやリーダーになったと語る場面があります。
AIの出力が多すぎて、非技術職でも全部読むと、週の半分が潰れる計算です。
そこで社員は、メタ作業、つまりエージェントを管理するためのツール作りやパイプラインの監視に時間を使います。
この作業は、対話型セッションの10%から22%に増えました。
ただ、ジュニア採用が縮小すると、将来の人材の育成経路はどうなってしまうのかが心配です。
03:02
社会にはどう波及するのでしょうか?
ソース自身が、ジュニア採用の鈍化には、既存の対策が直接応えていないと認めています。
同社の対策は、職種ごとの需要や生産性を追う早期警戒システムと、社内再配置です。
実際、1年以上在籍する社員な部署間移動は、前年より月当たり50%増えました。
ただ、社内の保護は、そもそも採用されなかった人には届きません。
そのため、ソースは企業の取り組みに加えて、政府による再訓練や所得支援が必要だと述べています。
ジュニア職の話は、アンソロフィック社内のデータなんですよね。
続いて2つ目の話題、一般の人とアンソロフィック社員のAIに対する期待のギャップについて教えてください。
はい。アンソロフィックが、2026年8月に、米国の成人と自社スタッフを調べた結果です。
2030年までに、AIがノーベル賞級の発見をすると予測する割合は、米国成人の39%に対し、スタッフでは91%でした。
自分の仕事の8割以上をAIができると答えたのも、米国の就労者では5%、スタッフは半数超です。
なお、調査対象はAIの開発者自身なので、結果が楽観に偏る可能性はあります。
ここまで予測が分かれるのはどうしてなんですか?
ソースは、使う頻度の影響を上げています。
職場でAIを定期的に使う米国人は、8の作業のうち7つ以上を、2030年までにAIができると答えた割合が56%で、全体の41%より高くなっています。
また、開発に近い研究チームのスタッフは、AIが開発作業を担う割合を現状で平均60%と見積もり、他の職種の53%を上回りました。
開発現場の情報量が影響している可能性があります。
一方、米国人は導入の障害として、顧客の好みや規制を重く見ています。
じゃあ、ズレは考え方の違いではなくて、AIをどれだけ使っているかという経験の違いなんですね?
ソースもそう呼んでいます。
自分の仕事の自動化が進むと予想する人ほど、失業率を高く予測します。
しかも、自動化の見込みが同じなら、両軍の失業率予測はほぼ同じでした。
つまり、労働市場の見方は共通で、違うのは自分の仕事で体験しているAIの実力です。
その経験の差は、経済の見通しにどれくらい影響するのでしょうか?
ソースのモデルでは、米国成人の怪盗の中央値が示すGDP成長率は、2030年に5.4%、スタッフでは17.1%です。
06:05
同じ技術を見ても、描く経済像が3倍ほど違います。
ただし、ソースは、AIを使う米国人の期待はスタッフに近く、利用が広がれば世間の期待も変わり得るとしています。
どこまで近づくかは、他の職場でも最先端のラボ並みにAIが仕事をこなすかどうか次第です。
そして、3つ目の話題は、バイオテンク向けの計算負荷の高いAIエージェントの設計についてです。
Google Cloudが公開したブログでは、どんな設計が提案されているのですか?
Google Cloudの設計パターン紹介で、実績の報告ではありません。
タンパク質の構造予測や、5万化合物のスクリーニングは、GPUで数分から数時間かかる重い計算です。
そこで、指揮を取る認知層、計算を担う実行層、両方を包むガバナンス層の3層に分けます。
認知層は、司令塔役のエージェントと専門のサブエージェント2つで構成されます。
実行層は、タンパク質の折りたたみなどの重い計算を担います。
ガバナンス層は、エージェントごとの身元確認、出入口の一本化、承認済ツールの登録、入出力の監視といった統制を担います。
厨房に例えるなら、指示を出すシェフと重い鍋を回し続ける調理場を分けるようなものですね。
でも、どうして分ける必要があるのでしょうか?
ソースが挙げる課題がそのまま理由です。
重い計算を言語モデルに直接させると、タイムアウトが起き、座標データで処理できる文章量の上限があふれます。
しかも、言語モデルは、性科学の細かな点を誤って作り出しやすいです。
だから、段取りは汎用モデル、科学の判断は専用モデルに任せます。
科学構造は企業の知的財産なので、社外に出さないためでもあります。
さらに、GPUの専用ノードを常に一台起動しておき、起動の遅れも防ぎます。
重いデータはシェフに渡さず、倉庫の場所だけ伝えるようなイメージですか?
その通りです。ソースでは、大きなデータは保管場所に置き、エージェント間では軽い参照先だけを渡します。
これで、モデルが扱う文章量が小さく保たれ、コストも下がります。
進捗も段階ごとに知らせるため、研究者は計算が止まっていないか確認できます。
全部AIに任せるわけではないんですよね。人間の関与はどう決めるのでしょうか?
ソースの答えは非対称ゲーティングです。
科学名の称号や構造データの取得など、元に戻せる操作はAIが自動で進めます。
一方、複数GPUでの計算の開始や、候補化合物を実験室での合成に進める判断など、元に戻せない操作は、人間の明示的な承認が必要です。
09:06
なお、ソースが示すのは、創薬向けの参照設計までで、他の産業への広がりには触れていません。
本日の議論を踏まえて、すぐに実践できるビジネスアクションを解散お願いします。
ビジネスアクションは2点です。
1点目は、自社でAIに任せる作業を決める際、元に戻せる作業は自動化し、元に戻せない判断は人間の承認を必須にするルールを設けることです。
2点目は、AIの可能性について、社内でも見方が分かれていないか確認することです。
AIを日常的に使う人と使わない人の間で、期待や不安がずれていないかを聞き取り、投資や人材計画の前提を揃えてください。
番組のフォローや番組の評価、コメントをよろしくお願いします。
それでは、また次回のシグナルでお会いしましょう。バイバイ!
