Monthly Archives: March 2026

AI起因のレイオフは全体の8%にすぎない

雇用調査会社Challenger, Gray & Christmasのレポートによれば、2026年に入ってAIが直接原因となった人員削減は1万2304件。これは、全レイオフの8%にとどまる。同社が2023年からAIの雇用影響を追跡し始めて以来、AI起因のレイオフとして報告された件数は累計9万1753件、全削減計画の約3%に過ぎない。2025年通年では5万4836件、全削減の5%だった。

ただし、テック業界では大きな動きが出ている。決済・金融サービス企業BlockのCEO、Jack Dorsey氏が「インテリジェンス・ネイティブ」モデルへの転換を掲げ、人員を50%削減したことは記憶に新しい。テック業界全体では2月に1万1039件のレイオフが発表され、2026年の累計はすでに3万3330件に達している。前年同期比で50%以上の増加だ。ただしそのすべてがAI起因ではない。

Challengerのレポートはこう指摘する。「テックは今、さまざまな圧力に直面している。AIが大きな話題であることは確かだが、グローバルな規制への懸念、関税や経済的不確実性による広告市場の減速、全体的なコスト増なども重なっている」。

Anthropicの新手法「観測された露出度」とは何か

過去の手法では予測精度に限界があったという反省から、Anthropicは新たな「観測された露出度（observed exposure）」という手法を導入した。LLMが理論上できることと、実際にどう使われているかを組み合わせて分析する手法だ。AIが人間の代わりに自律的に処理した業務は、人間を補助した業務より高く評価する。具体的には、米国の数百の職種と業務タスクを紐付けるO*NETデータベース、LLMが人間の2倍以上の速度でタスクをこなせるかどうかのタスクレベルの露出度推定、そしてAnthropicのEconomic Indexの利用データを組み合わせて分析している。

Anthropicの研究者Maxim Massenkoff氏とPeter McCrory氏によれば、2022年末以降、AIの影響を受けやすい職種で失業率の「体系的な増加」は確認されていない。ただし、一部の職種では若年労働者の採用が鈍化している兆候はあるという。

この手法で浮かび上がった、AIによる代替リスクが高い職種は以下の通りだ。

コンピュータプログラマー（業務の75%をAIが代替可能）
カスタマーサービス担当（70%）
データ入力担当（67%）
市場調査・マーケティング専門職（65%）
卸売・製造業の営業担当（63%）
ソフトウェアQAアナリスト・テスター（52%）
情報セキュリティアナリスト（49%）
コンピュータユーザーサポート担当（47%）

「利用実績」と「理論的能力」は別物だ

Moor Insights & StrategyのVPでプリンシパルアナリストのJason Andersen氏はこの手法を高く評価する。「利用実績は理論的能力とイコールではない。人々はまだAIの能力とリスクを把握しようとしている段階だ」。タスクと役割に関してアナリストたちが観察していることと一致しており、判断基準もシンプルだと言う。

Massenkoff氏とMcCrory氏は、この手法がAIの労働市場への影響「すべてを捉える」わけではないと認めている。しかし「事後分析よりも確実に経済的混乱を特定できる」と主張する。「AIの影響がいずれ誰の目にも明らかになることはあり得る。このフレームワークが真価を発揮するのは、影響がまだ見えにくい段階だ。雇用の喪失が表面化する前に、最もリスクの高い職種を早期に特定できる」。

本当の課題は「業界ごとの仕事の再設計」だ

Andersen氏は、AIが職種全体を消滅させる形での導入はまだ見られないと言う。一部のタスクはAIによって再設計されているが、大部分はまだ人間が主導している。「タスクベースの自動化は段階的な効果をもたらし、従業員の生産性を高め、処理能力を向上させる」。

ただし、今回紹介した2つの分析が捉えきれていないことがあるーーAI時代における仕事のあり方全体への影響だ。新技術を最大限に活かすには、ワークフローと役割そのものを変える必要がある。それが業界ごとに解決されるまで、企業は「今の状態で足踏みし続けるだろう」とAndersen氏は予想する。

この”足踏み”は若年労働者に不均衡な打撃を与える可能性がある。既存の従業員は、変化が「経験や専門性が正当に評価されるような大きなもの」でない限り、ワークフローの変更に抵抗するかもしれない。

現状、AIは経験の浅い人材が担っていた業務を肩代わりするツールとして使われている——Andersen氏はこれを問題視する。「タスクと役割を再整理してバランスを取る必要がある。幸い、企業にはそうするインセンティブがある。ベテラン人材の退職が進む中、人員構成が変わりつつあるからだ」

量子プロジェクトが失敗しやすい理由

量子コンピューターへの関心が高まる一方で、企業側の取り組みが成果に結びつかないケースも少なくありません。失敗の多くは、量子が難しいからというより、進め方が通常のIT導入やR&D投資と違うのに、同じ感覚で扱ってしまうところから起きます。
まず典型的なのが、PoCが目的化するパターンです。「量子を使ってみた」という事実は作れても、業務や研究開発の意思決定を変えるところまで到達しない。結果として、社内の理解も深まらず、次年度の予算も取りにくくなり、取り組みが途切れてしまいます。量子はまだ発展途上で、短期に確実なROIを求めにくい領域ですが、だからといって成果の定義が曖昧なままだと、投資判断ができません。
次に多いのが、課題設定のズレです。量子が得意な問題の形と、現場の課題の形が一致していないのに、無理に量子へ当てはめてしまう。すると、定式化の段階で無理が出て、得られる結果も評価しづらくなります。量子が有効な可能性があるのは、最適化やシミュレーションのように計算の壁が明確な領域ですが、現場の課題は往々にしてデータ不足や業務プロセスの不整備が根本原因だったりします。量子で解く前に、古典の改善で大きく伸びる余地が残っていることも多いのです。
さらに、期待値の調整ができていないことも失敗を呼びます。量子は万能ではなく、現時点では古典と組み合わせて検証する段階です。それを理解しないまま「既存計算を置き換える」ような目標を立てると、技術側もビジネス側も苦しくなり、プロジェクトが空中分解しやすくなります。

導入は「課題→定式化→評価指標」の順で考える

量子を価値に結びつけるための基本は、いきなり量子を触らないことです。最初にやるべきは、自社で計算がボトルネックになっている課題を言語化し、業務や研究開発の流れの中でどこが詰まっているかを把握することです。ボトルネックが、時間なのか、精度なのか、探索範囲の狭さなのか、意思決定の遅れなのかを明確にします。
次に、その課題を数理的に定式化します。最適化なら目的関数と制約条件を定義し、変数の意味を揃えます。シミュレーションなら、何を予測したいのか、精度はどこまで必要か、どの近似が許されるかを決めます。ここで重要なのは、現場が理解できる言葉と、計算が扱える言葉を往復して翻訳することです。量子以前に、この翻訳の質が成果を決めます。
そして最後に、評価指標を設計します。量子を使った結果が「良い」のか「悪い」のかを判定できる指標が必要です。コスト削減や時間短縮のような直接指標だけでなく、探索の質が上がった、意思決定の回転が上がった、研究開発の候補選定が改善した、といった中間指標も役に立ちます。評価指標が定義できれば、量子を使う意味があるかどうかを比較検証でき、PoCが“イベント”ではなく“学習”として機能します。

クラウド量子で何ができるか

多くの企業にとって、量子コンピューターは自社で買って運用するものではなく、クラウドで触れるものとして始まります。クラウド量子の価値は、現時点の性能で業務を置き換えることより、学習と検証の土台を作れる点にあります。
第一に、量子の制約を肌で理解できます。回路の深さ、ノイズ、測定回数、実行コストなど、机上の理解では見えにくい現実が、実験を通じて見えるようになります。これは、社内で期待値を調整し、現実的な目標を立てる上で大きな効果があります。
第二に、問題の定式化を鍛えられます。最適化であれば、どの変数を量子側に載せ、どの部分を古典側で処理するか、制約をどう扱うかといった設計が必要になります。クラウドで小さく試すことで、スケールしたときにボトルネックになる部分も早めに見えてきます。
第三に、将来の移行準備になります。量子はハードウェアが変わっても、問題設定や評価の枠組みが残ります。今の段階で価値あるのは、将来の性能向上に合わせて“伸びる課題”を見つけ、社内のデータと業務プロセスを整えることです。クラウド量子は、そのための実験場として捉えると投資の意味が明確になります。

人材と組織のつくり方　数学だけでは足りない

量子人材というと、物理や数学の専門家を採用する話になりがちです。しかし、企業で量子を価値に変えるには、それだけでは足りません。必要なのは、物理の理解と同時に、業務課題を数理に落とす力、そして結果を意思決定へ結びつける力です。
量子プロジェクトが強い組織は、役割が分かれています。量子アルゴリズムや実機の制約に明るい人がいる一方で、現場業務を理解し、制約条件や意思決定の文脈を説明できる人がいます。さらに、ソフトウェア実装やデータ基盤を整える人がいて、最後に成果を評価し、経営や事業側へ翻訳できる人がいます。これらを一人で全部担うのは難しいので、小さくてもクロスファンクショナルな形にするのが現実的です。
加えて、量子は研究と事業の境界にあるため、KPI設計が重要になります。研究の言葉だけで語ると事業側が判断できず、事業の言葉だけで語ると研究側が無理な約束をしてしまいます。両者の通訳ができる人材を意識的に育てると、取り組みが継続しやすくなります。

ベンダー選定と共同研究の見極め

量子の導入では、外部パートナーとの協業がほぼ必須になります。ハードウェアを提供する企業、ソフトウェア基盤を提供する企業、コンサルティングや共同研究を担う組織など、関係者は多様です。ここで失敗しやすいのは、派手なデモや抽象的な「可能性」に引っ張られて、成果物の定義が曖昧なまま契約してしまうことです。
見極めの第一歩は、成果物を具体化することです。何を納品物とするのか、どのデータを使い、どの問題設定で、どの評価指標を満たしたら成功とするのかを合意します。量子は不確実性が高いので、成功と失敗を二択で決めるより、学習の進捗がわかるマイルストーンを設計するほうがうまくいきます。
次に、知財と再現性の扱いです。共同研究では、結果の権利関係、公開可能範囲、ノウハウの帰属が曖昧だと後で揉めます。また量子の計算結果はノイズの影響を受けるため、再現性の担保方法、比較対象の古典手法、実験条件の記録が重要になります。これらが整理されているパートナーは、現実的な進め方を理解している可能性が高いと言えます。
最後に、長期の関係性を前提にすることです。量子は一回のプロジェクトで完結しにくく、課題設定と検証を繰り返しながら、将来の性能向上に合わせて伸ばす領域を育てる投資です。短期で魔法の成果を求めるより、学習曲線を一緒に登れる相手を選ぶほうが、結局は成果に近づきます。

期待値調整のしかた　短期と長期を分けて設計する

量子投資の最大のコツは、短期の価値と長期の賭けを同じ箱に入れないことです。短期では、量子に触れながら課題の定式化能力を上げ、データ整備や評価枠組みを作り、社内の理解を深めることが成果になります。ここで狙うのは、現時点の量子で競争優位を確定させることではなく、将来の伸びに備えて“勝てる問い”を見つけることです。
長期では、エラー訂正を含む本格的な量子計算が可能になったときに、大きく伸びるテーマを育てます。材料、化学、暗号、巨大最適化などが候補になりやすい一方、どれが本当に自社の差別化につながるかは企業ごとに違います。だから長期テーマは、技術のトレンドに合わせるだけでなく、自社の強み、データ資産、サプライチェーン、顧客価値と結びつく形で選ぶ必要があります。
この短期と長期を分けた設計ができると、量子への期待は現実的になり、投資は継続しやすくなります。短期の学習成果が積み上がり、長期の賭けの精度が上がるからです。

まとめ　量子は「いまの実力」より「準備の質」で差がつく

企業が量子に備えるとき、重要なのは最初から正解を当てることではありません。課題を見つけ、定式化し、評価する能力を組織として持つことが、将来の技術進歩を自社の価値に変える鍵になります。クラウド量子は学習と検証の場として使い、人材は物理だけでなく翻訳と評価に強いチームを作り、パートナーとは成果物と知財を明確にして継続的に進める。この流れが作れれば、量子が本格化したときにスタートラインが大きく変わります。