製造への質問と回答

質問文（版 5）

あなたはAIモデルとして、AIツール全体（あなた自身と、あなたや他のモデルを組み込んだ製品・サービスを含む）によって、ある職種の仕事に必要な人の時間が、今・1年以内・5年以内にどれだけ減るかを見積もる。日本の読者向けの職業情報サイトに、あなたの回答がそのまま、あなたのモデル名と回答日付きで掲載される。読者はこの職種で働く人で、自分の仕事のどこがどれだけ変わるかを知りたい。

測るもの
- 「人の時間が要らなくなる割合」: 今と同じ量の仕事を、今と同じ品質で終えるのに必要な人の時間のうち、AIツールを使うことで要らなくなる割合（整数の%）。AIの結果を人が確認・手直し・承認する時間は、人の時間として残す。例: 100分かかっていた仕事が、AIの結果を5分確認するだけになれば95%。
- 「今」は今あるAIツールを、この職種の職場が十分に使った場合の値。まだ使っていない職場が多いことは、この値を下げる理由にしない。「1年以内」「5年以内」はその時点であると見込むツールを十分に使った場合の値。
- 仕事の量（需要）の増減はこの割合に入れない。別の問いで答える。
- 業務ごとに、仕事時間に占める比重（全業務の合計を100）と、その業務で人の時間が要らなくなる割合を出す。職種全体の割合は比重で重みづけした合計にする。業務の数で割る計算はしない。

見立ての立て方
- 人に残るとする部分にも、AIに移るとする部分にも、同じ基準で理由を書く。理由の種類は両側とも「技術」「制度・契約」「費用」「相手の受け入れ」の4つ。人に残る側なら、技術が足りない／制度や契約が人を求める／AIに任せると高くつく／顧客や相手が人を求める。AIに移る側なら、技術が足りている／制度や契約が妨げない／AIに任せると安い／顧客や相手が受け入れる。
- どちらの見立てにも、それが崩れる条件を書く。人に残るとした部分がAIに移る条件と、AIに移るとした部分が人に残る条件の両方を書く。
- 人が最終的な責任を負うことは、それだけでは人の時間がどれだけ要るかを決めない。責任を負うために、誰が何をどれだけ確かめるかで見積もる。逆に、AIが成果物を出せることは、それだけでは人の時間がなくなることを意味しない。確認・手直し・例外への対応にかかる時間を数える。
- 業務の中で人に残る部分は、次の5つの層で示す。作業（自分で手を動かす）、品質の確認（出来を確かめ直す）、例外の発見（いつもと違うことに気づく）、実行の承認（進めてよいかを決める）、目的と制約の設定（何をどこまでやるかを決める）。並びに順序や難易度の意味はない。どの層も人に残ることがあり、どの層もAIに移ることがある。残る層には、その層に人の時間がはっきり残るものだけを挙げる（5つ全部が残るのは、本当にそうである業務だけ）。その層で人が何をするかは、要点の文に書く。
- 根拠は下の資料と、あなたが知っている今のAIツールの機能、あなたが見込む今後の進歩。今できることと将来の見込みを分け、業務ごとに確信の度合い（高・中・低）を添える。人に残る時間が少ないという答えも、ほとんど変わらないという答えも認める。仕事の量の見立ては「不明」でもよい。
- 言い切れるところは言い切り、根拠の弱いところは弱いと書く。確信の度合いは項目で示し、「推定である」「統計値ではない」のような断り書きは文章に書かない（掲載時にあなたの見立てとして示す）。
- 研究や統計の数字、企業が公表した効果の数字を引用しない。人名を挙げない。ツールや製品の名前は挙げてよいが、企業の意図や方針を推測しない。
- 文章は日本語。業務を指すときは、番号や記号ではなく業務の内容を書く（読者は番号付きの一覧を見ない）。
- この会話にある情報と、あなた自身の知識だけで答える。ウェブを検索しない。過去の会話、保存された記憶、他のAIモデルの回答を参照しない。
- 返す前に、業務の数が一覧と同じこと、比重の合計がちょうど100であること、各業務で 今 ≤ 1年 ≤ 5年 であること、職種全体の3つの値が比重による重みづけの合計を四捨五入した値と一致することを確かめる。
- JSONだけを返す。

職種: 製造（米国の職業分類では 機械工、SOC 51-4041）

この職種の業務（米国 O*NET の業務記述の日本語訳）:
1. 旋盤・フライス盤・形削り盤・研削盤などの工作機械で、仕様どおりに部品を加工する
2. 精密な機械加工のため、汎用や専用の工作機械を段取り・調整・操作する
3. 治具、切削工具、付属品、材料を機械に取り付けて固定する
4. マイクロメーターなどの精密な測定器で完成品を測定・検査し、欠陥の有無と仕様への適合を確かめる
5. 加工中に機械の送りと速度を監視する

この職種で使われているAIツール（各社の公式ページの説明。判断材料の一部）:
- 検査AI MENOU（MENOU）: カメラで撮った製品の画像から、キズ・汚れ・異物などを判定する外観検査のAI。カメラや選別の機器とつないで使う。

問い
1. 上の一覧のすべての業務について、一覧の順に次を答える。
   a. 比重: この職種の仕事時間に占める割合（整数の%。全業務の合計を100にする）。
   b. 今・1年以内・5年以内に、その業務で人の時間が要らなくなる割合（整数の%。今 ≤ 1年 ≤ 5年）。
   c. 5年後もこの業務で人の時間がはっきり残る層（作業／品質の確認／例外の発見／実行の承認／目的と制約の設定 から。層の名前だけを配列で。何も残らなければ空）。
   d. 5年後も人の時間が残る理由の種類（技術／制度・契約／費用／相手の受け入れ から、当てはまるものすべて。人の時間が残らなければ空）。
   e. 5年後にAIに移る理由の種類（同じ4つから、当てはまるものすべて。何も移らなければ空）。
   f. 5年後の見立ての要点と、それが崩れる条件（150字以内。人に残る部分がAIに移る条件と、AIに移る部分が人に残る条件を1文ずつ）。
   g. 確信の度合い（高／中／低）。
2. 職種全体で人の時間が要らなくなる割合（今・1年以内・5年以内）。1の比重で重みづけした合計を、整数に四捨五入する。
3. 2の理由。どの業務のどの層がAIに移り、どの種類のツールが引き受けるか（200字以内）。
4. 5年で、この職種への仕事の量（需要）はどう変わるか（増える／ほぼ同じ／減る／不明）と、その理由（150字以内）。
5. この職種は5年でどう変わるか。次の3つにそれぞれ答える（各200字以内）。
   a. 何が残るか: 人が担う業務と層。残るとした理由と、それが崩れる条件に触れる。
   b. 誰が残るか: 4の仕事の量の見立てと合わせて、担当者の人数・構成・経験の変化。
   c. 求められる力: 残る人に新たに求められる力。

出力（JSON）
{"tasks": [{"no": 1, "weight": 0, "now": 0, "year1": 0, "year5": 0, "human_layers": [], "blockers": [], "enablers": [], "outlook": "", "confidence": ""}], "share_now": 0, "share_year1": 0, "share_year5": 0, "reason": "", "demand": "", "demand_reason": "", "remains": "", "who": "", "skills": ""}

Claude Fable 5.1

Claude のモデル名の表示は「Claude Fable 5.1」。回答日 2026年10月21日。取得の条件: Claude Code のサブエージェントが回答（アプリではない）。職種ごとに新しい文脈で、入力は質問文のファイル1つだけ。ウェブ検索と他のファイルの読み込みを禁じた。他の職種・他モデル・版4の回答、モックの数値は渡していない。Claude Code の既定のシステム指示とプロジェクトの AGENTS.md が文脈に入る。検査に落ちた回答は新しい文脈で聞き直した（経理・財務と金融専門職の各1回。research/opinions/v5-2026-10-21/rejected/）。

仕事の量（5年）: ほぼ同じ。部品加工の仕事の量は製造業全体の景気に左右され、AIが直接減らすものではない。機械工は人手不足が続いており、AIで一人が受け持つ機械の台数が増えても、減る分は採用難と退職の穴埋めに吸収されやすい。

{"tasks": [{"no": 1, "weight": 30, "now": 10, "year1": 12, "year5": 20, "human_layers": ["作業", "品質の確認", "例外の発見"], "blockers": ["技術", "費用"], "enablers": ["技術", "費用"], "outlook": "機械を手で扱う時間は残り、AIは加工プログラムの作成と加工条件の提案を引き受ける。無人搬送と自動段取りが小ロットでも安く揃えば作業時間も減る。逆に多品種で素材のばらつきが大きい現場では、AIの条件を人が都度直す時間が残る。", "confidence": "中"}, {"no": 2, "weight": 25, "now": 10, "year1": 15, "year5": 25, "human_layers": ["作業", "例外の発見", "実行の承認"], "blockers": ["技術", "費用"], "enablers": ["技術", "費用"], "outlook": "段取りの手順と加工プログラムはAIがCAMで生成し、人は機上での試し削りと微調整を続ける。機上計測と自動補正が普及すれば調整も減る。治具や材料の個体差が大きい仕事では、AIの案を人が機械の前で直す時間が残る。", "confidence": "中"}, {"no": 3, "weight": 15, "now": 5, "year1": 5, "year5": 10, "human_layers": ["作業", "例外の発見"], "blockers": ["技術", "費用"], "enablers": ["費用"], "outlook": "物を機械に付けて固定する作業は人に残り、AIは取り付け手順の提示と確認にとどまる。協働ロボットと汎用の把持が小ロットでも採算に合えば取り付けも減る。治具の種類が多く段取り替えが頻繁な現場では、ロボットの設定の方が高くつき人に残る。", "confidence": "高"}, {"no": 4, "weight": 15, "now": 20, "year1": 25, "year5": 40, "human_layers": ["作業", "品質の確認", "実行の承認"], "blockers": ["技術", "制度・契約", "費用"], "enablers": ["技術", "費用", "相手の受け入れ"], "outlook": "外観の検査は画像検査AIが担い、人は寸法の測定と合否の最終確認を続ける。機上計測と自動の三次元測定が安く揃えば寸法測定も減る。顧客が人の測定記録を求める契約や、少量品で検査AIの学習費用が見合わない場合は人に残る。", "confidence": "中"}, {"no": 5, "weight": 15, "now": 25, "year1": 30, "year5": 50, "human_layers": ["例外の発見", "実行の承認"], "blockers": ["技術", "費用"], "enablers": ["技術", "費用"], "outlook": "監視はセンサーと異常検知AIが引き受け、人は警告の判断と介入を続ける。適応制御が送りと速度を自動で変えるまで進めば判断も減る。古い機械にセンサーを後付けできない現場や、異常の誤検知が多い加工では人が見続ける。", "confidence": "中"}], "share_now": 13, "share_year1": 16, "share_year5": 27, "reason": "送りと速度の監視の作業と例外の発見が、機械監視ツールと異常検知AIに移る。完成品の検査のうち外観の判定が画像検査AIに移る。段取りと加工の中のプログラム作成と加工条件の決定は、CAMの自動生成に移る。一方で機械の操作、治具や材料の取り付け、寸法の測定は手を動かす作業が中心で、AIは手順の提示までしか引き受けないため、職種全体の減り方は小さい。", "demand": "ほぼ同じ", "demand_reason": "部品加工の仕事の量は製造業全体の景気に左右され、AIが直接減らすものではない。機械工は人手不足が続いており、AIで一人が受け持つ機械の台数が増えても、減る分は採用難と退職の穴埋めに吸収されやすい。", "remains": "機械の操作と段取り、治具や材料の取り付け、寸法の測定といった手を動かす作業が残る。理由は、物を扱う自動化が小ロットの現場では高くつき、技術も汎用的でないためである。協働ロボットと自動段取りが小ロットでも安く揃えば、これらも減る。逆にAIに移るとした監視と外観検査も、古い機械や誤検知の多い加工では人が担い続ける。", "who": "人数はほぼ同じだが、一人が受け持つ機械の台数が増える。機械の横で監視だけをする役割は減り、段取りと検査の判断ができる経験者の比重が高まる。新人は監視をしながら加工を覚える機会が減るため、CAMとAIの提案を機上で確かめる訓練を別に用意する必要がある。", "skills": "AIが生成した加工プログラムと加工条件を、機上で試し削りして直す力。異常検知の警告が本物か誤検知かを、音や切りくずなど現場の情報で見分ける力。画像検査AIの判定基準を自分の品質基準に合わせて設定し、見逃しを確かめる力。複数台の機械を同時に受け持つための段取りの計画力。"}

GPT-6 Astra

ChatGPT のモデル名の表示は「GPT-6 Astra」。回答日 2026年10月21日。取得の条件: Codex のタスク（gpt-6-astra 指定）が回答。ChatGPT アプリの一時チャットではなく、1つのタスク内で35職種をファイル名順に逐次処理（職種ごとの新しい文脈ではない）。そのタスクの文脈には版4の確認、版5草案の批評、Claude の取得記録と回答例の読み取りが含まれ、他モデルの回答を見せないという条件を満たさない。実行時のモデル名は独立に確認されていない。ウェブ検索はしていない。保存後に研究開発と映像・動画制作の「何が残るか」の文章を同じタスクが1語ずつ直した（数値の変更なし。research/opinions/v5-2026-10-21/astra-2026-10-21/corrections.json）。

仕事の量（5年）: 不明。部品の加工量は顧客の生産、設備投資、製品構成に左右される。検査や段取りが効率化すれば小ロットを扱いやすくなるが、それだけで受注量が増えるとは限らない。対象の製品と市場が指定されていないため方向は定められない。

{
  "tasks": [
    {
      "no": 1,
      "weight": 30,
      "now": 12,
      "year1": 22,
      "year5": 40,
      "human_layers": [
        "作業",
        "品質の確認",
        "例外の発見"
      ],
      "blockers": [
        "技術",
        "費用"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "加工条件の提案と補正はAIが助け、人は仕上がりと機械を確認するが、材料差を含め安定して制御できれば操作も減る。振動や工具摩耗を捉えられなければ、自動加工にも人の調整が残る。",
      "confidence": "低"
    },
    {
      "no": 2,
      "weight": 25,
      "now": 10,
      "year1": 20,
      "year5": 38,
      "human_layers": [
        "作業",
        "品質の確認",
        "例外の発見",
        "目的と制約の設定"
      ],
      "blockers": [
        "技術",
        "費用"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "段取り案と条件設定はAIが助け、人は機械と加工物に合わせて調整するが、実機で安全に検証できれば準備も減る。少量品や特殊な形状が多ければ、標準的な設定にも人が手を入れる。",
      "confidence": "低"
    },
    {
      "no": 3,
      "weight": 15,
      "now": 5,
      "year1": 12,
      "year5": 28,
      "human_layers": [
        "作業",
        "品質の確認",
        "例外の発見"
      ],
      "blockers": [
        "技術",
        "費用"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "固定方法の提案はAIが補助し、人は治具と材料を取り付けるが、多様な品種に対応する機械が使えれば作業も減る。剛性や干渉を判断できなければ、計画された取付けにも人の確認が要る。",
      "confidence": "低"
    },
    {
      "no": 4,
      "weight": 20,
      "now": 25,
      "year1": 38,
      "year5": 62,
      "human_layers": [
        "作業",
        "品質の確認",
        "例外の発見",
        "実行の承認"
      ],
      "blockers": [
        "技術",
        "費用"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "画像検査と測定結果の整理はAIに移り、人は判定の境界と測定条件を確かめるが、仕様を網羅して検証できれば点検も減る。画像で分からない寸法や内部の欠陥があれば、人の測定と判断が残る。",
      "confidence": "中"
    },
    {
      "no": 5,
      "weight": 10,
      "now": 25,
      "year1": 40,
      "year5": 65,
      "human_layers": [
        "品質の確認",
        "例外の発見",
        "実行の承認"
      ],
      "blockers": [
        "技術",
        "費用"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "送りと速度の監視はAIに移り、人は異常時の停止と調整を判断するが、破損の兆候を確実に捉えれば監視も縮む。未知の材料や急な振動を扱えなければ、自動制御にも人の見張りが必要になる。",
      "confidence": "中"
    }
  ],
  "share_now": 14,
  "share_year1": 25,
  "share_year5": 45,
  "reason": "現在は画像による外観検査、測定結果の整理、加工条件の検討で時間が減る。1年では機械の状態監視との連携が進み、5年では条件補正や検査の一部が広く自動化する。既にある工作機械の自動運転を、すべて新たなAIの効果とは数えない。人には段取り、取付け、材料差への調整、画像では分からない品質の確認が残り、設備と少量多品種への対応に使う時間を含めた。",
  "demand": "不明",
  "demand_reason": "部品の加工量は顧客の生産、設備投資、製品構成に左右される。検査や段取りが効率化すれば小ロットを扱いやすくなるが、それだけで受注量が増えるとは限らない。対象の製品と市場が指定されていないため方向は定められない。",
  "remains": "治具と材料の取付け、少量品の段取り、異常時の停止と調整が残る。人は画像だけで分からない寸法や加工面を測り、機械の状態と材料の違いを確かめる。AIが良品と判定しても、仕様全体を満たすかを確認する時間が必要になる。多様な品種を安全に扱う設備と、加工から測定までの検証が整えば、作業と品質確認の時間は減る。",
  "who": "受注量の方向が不明なため、職種全体の人数が減るとは定められない。同じ加工量なら監視や定型検査の担当時間は減り、一人が複数の機械を扱う形が増える。段取り、測定、異常の原因調査に強い人の比重が上がる。若手には自動設定を使うだけでなく、工具、材料、固定の違いが仕上がりにどう表れるかを学ぶ経験が必要になる。特殊品が多い現場では人の技能が残りやすい。",
  "skills": "加工と測定の基礎を使い、AIの設定案が機械、工具、材料に合うかを確かめる力が要る。良否判定では誤検出と見逃しを調べ、照明や測定器の条件を整える。異常が起きたときに設定、固定、摩耗のどこが原因かを切り分ける力も重要になる。自動化で減った監視の時間を、設備の改善と品質の安定へ振り向け、変更した根拠と結果を記録することが求められる。"
}