AIエージェント（LAM：Large Action Model）の台頭により、エンジニアの「普段の道具」は激変している。いまやAIは単なるお助けツールではなく、自律的にコードを書き、業務を推進する「協働パートナー」になりつつあるのが2026年現在のリアルだ。

しかし世間のAI論議は、「仕事を奪う」という漠然とした悲観論と、現場を無視した「拙速な導入論」の空中戦に終始し、肝心のファクトが見えてこない。

私たちの仕事は本当に奪われるのか？
それとも、まったく新しい次元へアップデートされている最中なのか？

そんな中、社会全体の議論の「確かな拠り所」となる一大プロジェクトが始動した。

2026年6月4日、PKSHA Technology、東京大学 松尾・岩澤研究室、そしてAnthropicの3者が連携を発表。国内の莫大な「Claude」利用動態データと公的統計を突き合わせ、AIが雇用や産業に与える影響を完全に視覚化するインフラ「Japan AI Index」を立ち上げたのだ。

ローンチに先駆けて公開された初期分析データからは、すでに「日本人のAIの使い方は、世界と全く形が違う」という衝撃のファクトが浮かび上がっている。
※現時点ではClaude Codeのデータを含まない、Claudeの対話データからの傾向値。

なぜ、日本のビジネスパーソンやエンジニアは「調べる・学ぶ」でAIを使いこなし、実際の「業務の実行・改修」への組み込みでは慎重なのか？

本記事では、データから見えた日本特有の現場の課題を解き明かし、AI時代を生き抜く組織とエンジニアの「二極化する生存戦略」に迫る。

数字で見る、世界とこれだけ違う「日本のAI活用の形」

今回の発表会で最も参加者の目を引いたのは、今秋ローンチ予定の「Japan AI Index」に先駆けて公開された、2026年2月時点の「Claude」利用動態データに基づく初期分析だ。

複数職種で共通する「考える業務で高く、動かす業務で低い」傾向

このデータから見えてくるのは、「日本人はAIをたくさん使っているか、少ないか」という総量ではなく、使い方のスタイルの違いだ。興味深いことに、エンジニア職をはじめ、営業や教育など複数の職種において「全く同じ明確なパターン」が現れている。

なお、IT領域のデータに関しては、エンジニアがターミナル上で自律駆動させる「Claude Code」のような先進的ツールの利用データは今回の分析には含まれていない点には留意が必要だ。

これらが示すのは、日本社会全体がAIを「優秀な検索エンジン」や「ブレストの相手」として重宝している一方で、「実際の業務プロセスに組み込んで、実務を実行させる（動かす）」という領域には、一歩足を踏み入れられずにいるというリアルな現状だ。

しかし、登壇したPKSHA Technology CEOの上野山 勝也氏やCEO室室長の大野 紗和子氏は、この利用実態を「日本での AI活用が遅れている」と悲観的に捉えるべきではないと語る。その背景には、日本の現場が抱える「構造的な特徴」と、汎用AIの限界が隠されていた。

なぜ日本の開発プロセスでは「動かすAI」が進まないのか？

「既存ソフトの修正・改修」におけるグローバル差分、-1.333pt。この数字を見て、「日本のエンジニアはスキルが低いからAIを実装に活かせないのではないか」とか「単なるITリテラシーの遅れだ」と片付けるのは完全に的外れだ。

大野氏は、これまで4,600社以上の現場でAI実装に伴走してきた知見をもとに、「これは遅れではなく、日本企業独自の構造と強みの裏返しである」と独自の見解を示した。

エンジニアなら誰もが日々直面している、日本の開発現場で「動かすAI」がブレーキとなっている三つのリアルな背景について、大野氏はこうまとめた。

1. 固有性が極めて高いソースコードと、ボトムアップの“カイゼン”文化

大野氏が一つ目の背景として挙げたのが、日本企業独自のボトムアップ型“カイゼン”文化と、比較的低い雇用の流動性だ。これにより、社内の業務プロセスやシステム、ソースコードが各企業ごとに「個別化・暗黙知化」しやすい土壌があるという。

つまり、現場を「動かす」ための実装業務は、その組織固有のコンテキスト（歴史的経緯、独自のアーキテクチャ、暗黙のルールなど）に深く依存している。

英語圏の洗練されたオープンソースや一般的なベストプラクティスを大量に学習した汎用AIが、「一般論としては正しいが、自社のレガシーな巨大モノリス環境では1ミリも動かない的外れなコード」を出してしまい、現場にコンフリクトを生んでしまうケースが少なくないと大野氏は指摘する。

2. サプライヤーロジックによる「押し付けのAI導入」が生むコンフリクト

二つ目の要因は、AI活用の「自分ごと化」へのアプローチだ。

現場を動かすAI活用には、実際に手を動かすエンジニアの巻き込みが絶対に欠かせないが、経営層やDX担当者が現場のコンテキストを無視して「これからはAIの時代だから使うように」とツールを上から押し付ける（サプライヤーロジック）ケースが後を絶たないという。

現場からすれば、「なぜ（Why）今までの慣れた開発プロセスを変えなければならないのか」の納得感がない。結果として形だけの導入に終わり、現場のエンジニアとDX担当者の間でコンフリクトが多発している現状があるという。

3. 自社のコア資産を汎用AIに渡せない「セキュリティーの壁」

そして、最も現実的かつシビアな要因として大野氏が挙げたのが、セキュリティーの問題だ。AIに現場のタスクを実行させるためには、自社の本番環境のデータや、秘伝のタレとなっている固有のソースコード、顧客情報といった組織の固有知識をAIに与える必要がある。

しかし、企業のセキュリティポリシーへの準拠が壁となり、結果として「安全な技術資料の検索（考える業務）」で利用が止まってしまう、という日本企業が陥りがちなセキュリティーの律速状態を明かした。

知識を隠すか、AIに託すか。エンジニアの新たな分岐点

実は、AIの進化に伴い、アメリカなどの先行市場では「Knowledge Hiding（ナレッジ・ハイディング：自分のポジションを守るために、意図的に知識や暗黙知を隠蔽・抱え込む行動）」が新たな組織課題として浮上しつつあるというのだ。

AIに自分の仕事を奪われないための「防衛策」として、脳内のインデックスをブラックボックス化してしまう現象だ。

日本のデータが示した「動く業務への組み込みの慎重さ」の背景にも、この心理的なハードルが潜んでいる可能性は否定できない。ここで、仕事への向き合い方は二極化する。

しかし大野氏は、この状況を悲観する必要はないと示唆する。なぜなら日本は欧米に比べて雇用の安定性が高く、ボトムアップの『カイゼン』文化が根付いているため、本来は安心して自身の知識をオープンにできる（＝Knowledge Hidingが起きにくい）土壌があるからだ。

大野氏は、これからの未来の働き方は、仕事が消えるのではなくAIによって人の能力が拡張される「AI Powered Worker（AIによって拡張された労働者）」へとアップデートされていくと定義する。

それは、自分の知識を隠すのではなく、むしろ積極的にAIへ注ぎ込み、自らの能力を拡張する労働者へのアップデートでもある。これこそが、日本が持つポテンシャルを最大化する道なのだ。

では、「AIにハックされる側」ではなく、「AIをハックして自らを拡張する側」に回るためには、具体的に現場をどう変えていけばいいのだろうか。

汎用AIが届かない現場の固有性を殺して均質化するのではなく、むしろ固有性を活かしながら現場に伴走する。同社が提示した日本型の現実解は、現場固有のナレッジや暗黙知を吸収し、プロセス横断でエンジニアの実務を支援する「組織知を持ったAIエージェント（“先輩AI”）」の構築だ。

ITシステム開発領域における、組織知を持ったAIの実装例

発表会では、特にエンジニア読者にとって関心の高い「IT（システム開発）領域」における具体的な実装例が紹介された。PKSHAが提案するアプローチは、人とAIが現場に入り、以下の二つのステップをプロセス横断で踏んでいくものだ。

STEP 1：組織知のデータ化

まず、伴走する担当者が現場との対話を通じて、目指したい自社の開発プロセスの姿を定義する。その上で、AIが既存のソースコードを理解しつつ、システム開発部門の社員やベテランエンジニアが持つ独自の「暗黙知」を対話によって吸い上げ、AIで活用可能なデータへと落とし込んでいく。

STEP 2：組織知を持ったAIによる横断的伴走

こうして自社の固有知識を獲得したAIエージェントが、開発プロセス全体に横断的に伴走する。要件定義書から基本設計書、詳細設計書（Markdown）の作成、そして実際のコード実装、テスト実行、さらにはテスト結果報告書の作成から本番移行に至るまで、一連のフェーズをセキュアな環境で自律的に実務支援・自動化していくという仕組みだ。

ただ「AIを使うべき」というサプライヤー側のロジックで汎用ツールを導入しても、開発現場は動かない。企業の厳しいセキュリティー要件を満たすプライベートな環境でAIを稼働させ、既存のシステムや固有資産と安全に接続した上で、人による組織・文化の醸成支援とセットで進める。

これこそが、日本のエンジニアが自らの能力を拡張し、現場を本当に「動かす」ための実装条件であると大野氏は締めくくった。

【先行公開】職種別のAI利用度と都道府県別の活用差を示す、ダッシュボードの中身

このように、日本独自のAI活用の課題や解決策をファクトベースで可視化していく「Japan AI Index」だが、具体的に僕たちは今後どのようなデータにアクセスできるようになるのだろうか。

発表会では、東京大学の岩澤有祐准教授より、現在開発が進められている「Japan AI Index Dashboard」の具体的な分析サンプルイメージが公開された。一足早く、その画面構成とエンジニア的な見どころをレポートする。

見どころ1：22職種におよぶ「AI利用度の国際比較」

ダッシュボードでは、「コンピューター・数学」「芸術・メディア」「経営・管理職」など、国内22職種のAI利用度が絶対値で可視化されるだけでなく、他国の進展度とリアルタイムに比較できる仕組みが実装される。
「自社の業界におけるAI活用の進捗は、世界的に見てどの位置にあるのか」を対数スケールで客観的に判定できるため、社内のDX提案や技術投資の根拠となる強力なオープンデータになりそうだ。また、タスクの「自律度（AIにどれだけ複雑なタスクを依頼しているか）」の経時変化なども追えるようになるという。
※22職種に区分されてはいるものの、職種によってはデータがほとんど存在しないものもあり、解釈にあたってはその点に留意したい。

見どころ2：労働人口あたりで算出する「都道府県別のAI利用度分析」

さらに、地域ごとの活用格差にスポットを当てた分析画面も公開された。国勢調査による各都道府県の労働人口データと、Claudeの会話シェア（会話数からの推計）を掛け合わせることで、「1人あたりがどれだけAIを活用しているか」を指数化して地図上にメッシュでマッピングする試みだ。

初期分析によると、東京都が日本平均の3.11倍と圧倒的な活用度を記録しており、現状はAI活用が首都圏に集中しているというリスクもデータとして如実に表れている。地方のIT拠点やサテライトオフィスにおける活用度など、エンジニアの働き方の多様化を議論する上でも興味深い指標となるだろう。

産学連携の3者が目指す、中長期のロードマップ

今後のスケジュールとして岩澤准教授は、この「Japan AI Index」の第1回レポートおよびダッシュボードの同時ローンチを、今年秋（10〜11月頃）に予定していることを明かした。その後は四半期に1回程度のペースで継続的なデータアップデートを行い、指標の鮮度を維持していく方針だ。

また、ただデータを公開して終わりにするのではなく、「After AI時代」の社会や雇用のあるべき姿を議論するため、教育・製造・金融・小売・不動産といった各業界からリーダーを巻き込むコミティの設立も予定している。発表会の最後には、データ起点で共に未来を議論・検証するパートナー企業を、まずは10社限定で募集していくというマイルストーンが示され、幕を閉じた。

これまでブラックボックスになりがちだった「実際のAIの使われ方」が、Anthropicによる「利用実態データ」、東京大学による「学術的な分析」、そしてPKSHAが持つ「産業実装の知見」が掛け合わさることで、高解像度データとして可視化されようとしている。

エンジニアをはじめ、さまざまな職種の人の日常のプロンプトが、これからの日本の経済、雇用、そして教育の「ものさし」を形作っていく。今秋公開されるダッシュボードが、空中戦になりがちだったAI論議をどう変えていくのか、その行方を注視したい。

編集／玉城智子（編集部）