研究開発への質問と回答

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: 研究開発（米国の職業分類では 化学者、SOC 19-2031）

この職種の業務（米国 O*NET の業務記述の日本語訳）:
1. クロマトグラフィー・分光法・分光光度法で有機・無機の化合物を分析し、化学的・物理的な性質、組成、構造、関係、反応を調べる
2. 科学者や技術者と協議し、研究計画の分析、試験結果の解釈、非標準の試験の開発を行う
3. 品質管理の試験を行う
4. 実験機器を正常に保ち、不具合があれば対処する
5. 実験室の担当者が試験を行うための試験溶液・化合物・試薬を調製する

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）:
- Elicit（Elicit）: 論文の検索、題名と要旨によるふるい分け、本文からのデータの抜き出しを段階ごとに進め、文献レビューを作る。
- Patentfield（Patentfield）: 特許の検索・分析の基盤。AIによる類似特許の検索と分類の予測で、関心のある特許をふるい分ける。
- Patsnap（Patsnap）: 知財・研究開発向けのAIエージェントと、特許・論文のデータを使った特許の検索・分析ツール。

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。分析や品質管理の仕事量は製品と規制の数に連動し、AIで減る机上の時間は新しい材料や分析対象の増加に吸収されやすい。一方、自動化した実験設備と解析ツールで一人が扱える試料数は増える。人数が大きく動く根拠は弱く、ほぼ同じとみる。

{"tasks": [{"no": 1, "weight": 35, "now": 15, "year1": 20, "year5": 35, "human_layers": ["作業", "品質の確認", "例外の発見"], "blockers": ["技術", "制度・契約", "費用"], "enablers": ["技術", "費用"], "outlook": "試料の前処理と機器の操作は手作業として残り、スペクトルの解釈、ピーク処理、報告書の下書きはAIに移る。前処理まで自動化した装置が安くなり、規制がその手法の妥当性確認を受け入れれば手作業も減る。試料の性状が毎回違い、AIの解釈の誤りが多ければ確認の時間が増えて人に戻る。", "confidence": "中"}, {"no": 2, "weight": 25, "now": 20, "year1": 25, "year5": 40, "human_layers": ["品質の確認", "例外の発見", "実行の承認", "目的と制約の設定"], "blockers": ["技術", "制度・契約", "相手の受け入れ"], "enablers": ["技術", "費用"], "outlook": "文献調査、過去データの整理、試験条件の案出しはAIに移り、計画の妥当性の判断、想定外の結果への気づき、非標準試験の承認は人に残る。社内データを横断して学習したモデルの提案が当たり、同僚が受け入れれば判断も移る。機密データを外部のモデルに渡せない職場では整理や案出しも人に戻る。", "confidence": "中"}, {"no": 3, "weight": 15, "now": 15, "year1": 20, "year5": 35, "human_layers": ["作業", "例外の発見", "実行の承認"], "blockers": ["技術", "制度・契約", "費用"], "enablers": ["技術", "制度・契約"], "outlook": "試験の実施は手作業として残り、結果の集計、規格との照合、報告書の作成、傾向の監視はAIに移る。装置とLIMSが直結し、電子記録と自動照合を規制当局が受け入れれば出荷判定の確認も減る。規制が人による照査と承認を明記したままなら、集計後の確認の時間は人に残る。", "confidence": "中"}, {"no": 4, "weight": 10, "now": 10, "year1": 15, "year5": 25, "human_layers": ["作業", "例外の発見"], "blockers": ["技術", "費用"], "enablers": ["技術"], "outlook": "部品の交換や校正の手作業は人に残り、不具合の切り分け、取扱説明書やログの照合、保守時期の予測はAIに移る。装置に自己診断と遠隔からの修理が備われば手作業も減る。古い装置や機種ごとの癖が多い現場では、AIの診断が当たらず人の経験に戻る。", "confidence": "高"}, {"no": 5, "weight": 15, "now": 5, "year1": 10, "year5": 15, "human_layers": ["作業", "品質の確認"], "blockers": ["技術", "制度・契約", "費用"], "enablers": ["技術"], "outlook": "秤量や調製の手作業は人に残り、濃度の計算、調製手順の作成、在庫と期限の管理、記録の作成はAIに移る。液体を扱うロボットが安くなり少量多品種の調製に対応すれば手作業も減る。調製量が少なく機械化が割に合わない職場では、計算以外は人のままになる。", "confidence": "高"}], "share_now": 14, "share_year1": 19, "share_year5": 32, "reason": "機器分析のスペクトル解釈とデータ処理、研究計画や試験結果の協議に向けた文献調査と結果の整理、品質管理試験の集計・規格照合・報告書作成、機器の不具合の切り分け、試薬調製の計算と記録といった、作業のうち机上の部分がAIに移る。引き受けるのは、文献検索と特許分析のツール、機器付属の解析ソフトやLIMSに組み込まれた解析・報告の機能、汎用の対話型モデルだ。試料を扱う手作業と、結果の確認・承認は人に残る。", "demand": "ほぼ同じ", "demand_reason": "分析や品質管理の仕事量は製品と規制の数に連動し、AIで減る机上の時間は新しい材料や分析対象の増加に吸収されやすい。一方、自動化した実験設備と解析ツールで一人が扱える試料数は増える。人数が大きく動く根拠は弱く、ほぼ同じとみる。", "remains": "試料の前処理、機器の操作、品質管理試験の実施、試薬の調製、機器の保守といった手作業が残る。物を扱う工程はAIツールでは置き換えられず、ロボット化は費用が高い。加えて、分析結果の品質確認、想定外の結果への気づき、非標準試験や出荷判定の承認、研究計画の目的と制約の設定が残る。規制が人の照査を求めることが大きい。安価な自動化装置の普及と、電子記録を規制が受け入れることが進めば、手作業と確認の時間は減る。", "who": "総人数はほぼ変わらないが、構成は変わる。データ処理や報告書作成を主に担っていた若手の机上作業が減り、一人あたりの担当試料数と担当機器が増える。試料を扱う技能と結果の妥当性を判断できる経験者の比重が増え、規制対応と承認の役割は経験者に集まる。若手は解析を下請けする期間が短くなり、早くから手技と判断の両方を求められる。", "skills": "AIが出した解釈や報告書の誤りを化学の知識で見抜く力。解析ツールやLIMSを自分の試験に合わせて設定し、手法の妥当性を示す力。規制が求める記録と承認の要件を理解し、自動化した工程の責任範囲を説明できる力。手技と機器の知識は引き続き基盤であり、確認の精度を左右するため重要さが増す。"}

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）: 増える。候補の探索と解析が速くなり、試す材料や条件の数は増えるとみる。ただし実験設備、試料、費用が制約になるため、候補の増加と実際の試験量は同じには伸びない。定型解析より、検証と非標準の試験への需要が強まる。

{
  "tasks": [
    {
      "no": 1,
      "weight": 30,
      "now": 25,
      "year1": 38,
      "year5": 60,
      "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": "測定データの処理と候補の解釈はAIに移り、人は試料と条件を確かめるが、測定から解析まで検証できれば確認も減る。混入や未知の成分を見落とす場合は、整った解析結果も人が再測定する。",
      "confidence": "中"
    },
    {
      "no": 2,
      "weight": 20,
      "now": 20,
      "year1": 30,
      "year5": 48,
      "human_layers": [
        "作業",
        "品質の確認",
        "目的と制約の設定"
      ],
      "blockers": [
        "技術",
        "相手の受け入れ"
      ],
      "enablers": [
        "技術",
        "費用"
      ],
      "outlook": "文献整理と試験案はAIが助け、人は研究の目的と解釈を議論するが、仮説を再現可能に検証できれば検討も縮む。既知の条件が使えない場合は、標準的な案から人が組み直す。",
      "confidence": "低"
    },
    {
      "no": 3,
      "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": "定型試験の記録と判定はAIに移り、人は境界例と測定条件を確かめるが、試料差を含め検証できれば点検も減る。機器の変動や汚染を捉えられなければ、自動判定にも人の確認が戻る。",
      "confidence": "中"
    },
    {
      "no": 4,
      "weight": 15,
      "now": 10,
      "year1": 18,
      "year5": 35,
      "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": "状態監視と故障候補はAIが助け、人は機器を調べ調整するが、遠隔診断と自動校正が十分なら現場作業も減る。物理的な損傷や複合的な不具合があれば、定型保守にも人の手が要る。",
      "confidence": "低"
    },
    {
      "no": 5,
      "weight": 15,
      "now": 10,
      "year1": 20,
      "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": "調製の計画と記録はAIが助け、人は材料と操作を確かめるが、試料の多様性を扱う設備が整えば作業も減る。微量の誤差や混入を検出できなければ、機械化した調製にも人の確認が残る。",
      "confidence": "低"
    }
  ],
  "share_now": 20,
  "share_year1": 31,
  "share_year5": 51,
  "reason": "現在は測定結果の整理、文献検索、試験記録の作成で時間が減る。1年では機器と解析の連携が進み、5年では定型試験の判定と調製の一部まで自動化が広がる。提示された文献や特許の検索機能を、試薬の調製や機器の修理へ直接当てはめない。人には試料の状態確認、非標準の試験設計、予想外の結果の解釈が残り、実験の再現性を確かめる時間を含めて見積もる。",
  "demand": "増える",
  "demand_reason": "候補の探索と解析が速くなり、試す材料や条件の数は増えるとみる。ただし実験設備、試料、費用が制約になるため、候補の増加と実際の試験量は同じには伸びない。定型解析より、検証と非標準の試験への需要が強まる。",
  "remains": "試料と測定条件を確かめ、予想外の結果の原因を調べる仕事が残る。人は研究の目的に合わせて試験を設計し、機器の不具合や混入と、新しい現象を区別する。文献に合う結果だけを選ばず、再現できるかを確かめる役割も続く。多様な試料を安全に扱う設備と、調製から解析までの独立した検証が整えば、作業と品質確認の時間は減る。",
  "who": "試験需要が増えるなら、研究者の総数が減るとは限らないが、定型の解析と記録だけを担う役割は縮む。一人が多くの条件を扱い、試験設計、機器、結果の解釈に強い人の比重が上がる。若手にはAIの説明を読むだけでなく、試料を扱い、測定が失敗した原因を調べる経験が必要になる。候補が増えるほど、何を試さず何を深く検証するかを選ぶ判断が重要になる。",
  "skills": "化学と測定の基礎を使い、AIが示す関係と実験条件を突き合わせる力が要る。試料、機器、解析のどこに誤差が入るかを調べ、再現可能な記録を整える。文献の主張をそのまま採用せず、自分の材料と条件へ適用できるかを検証する力も重要になる。失敗した試験の情報を残し、追加の実験が仮説をどう見分けるかを説明して計画することが求められる。"
}