ベンチマークの点数ではなく、具体的な仕事の単位で。8つの領域、—のタスクを「専門家と比べてどこまでか」の6段階で色分けし、2022年から2030年（予測）までの時間軸で一枚の地図にしました。すべてのマスに根拠リンクがあります。
1行の結論 → 8つの領域 → 71の中分類 → 326の仕事の順に、抽象から具体へ降りていけます。
棒＝その領域のタスクの平均レベル（0〜5）。濃い部分が2026年の現在地、斜線が2030年予測までの伸びしろ。下段は、その領域でいちばん進んでいる仕事と、いちばん手前で止まっている仕事です。
2026年の平均レベル順。上位と下位を並べると、領域よりも「仕事の性質」で差がついているのが見えます。クリックでその領域の地図へ。
1マス＝1つの仕事（面積は均等）。色＝選んだ年のレベル。斜線は「まだ海」（できない）。マスをクリックすると根拠が開きます。
この地図は「AIはすごい／使えない」の議論を終わらせるためのものではなく、自分の問題がどのマスにあるかを見つけるためのものです。マスが分かれば、人とAIの分担が決まります。
迷ったら上から順に降りてください。逆に、自分の仕事が決まっている人は検索から入れます。
| レベル | AIの状態 | 人がやること |
|---|
data/ai-map.json）で、月1回更新します。更新履歴は下部に記します。仕事ごとのページの一覧（各仕事に固定のページと共有用の画像があります）
文章・画像・動画・音楽・3D・デザイン。生成は速いが、長さと一貫性と「声」で差がつく
短編小説を書く(〜1万字) / Write a short story (~10k characters) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: NYTが2026年初に約86,000人参加のブラインド実験を行い、文学小説・歴史・詩でAI作品を54%が支持。ただし『人間が書いたと分かる方が良い』という選好は根強い
できる: プロット指定から一発で構造の通った短編を生成。文体模倣、複数案の並列生成、文学賞の最終選考通過例(海外)もあり
できない: 独自の『声』や驚きの発明、陳腐な比喩からの脱却。日本の主要文学賞での受賞そのものはまだ稀
なぜ: 訓練分布の平均への回帰が起きやすく、独創性を評価する明確な報酬信号が学習過程に乏しい
長編小説(10万字級)を伏線一貫して書く / Write a full-length novel (100k+ words) with consistent long-range plotting — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: ジュニア作家未満。10万字級では『AIが70〜80%の下書きを担当、継続性・声の一貫性・物語構成は人間が管理』が2026年の実務ライン
できる: 章単位での執筆、ロア管理ツール併用時の品質向上。GPT-5がFiction.liveBenchで96.9%を記録し、数万語前の伏線をクライマックスで回収できたとの報告あり
できない: ロア管理なしでのキャラクタードリフト・矛盾ゼロ完走。中盤の細部記憶保持。『5章目以降で崩壊する』という典型パターンが広く報告されている
なぜ: コンテキストウィンドウ拡大は注意力を希釈し、検索拡張(RAG)は物語の流れを分断するというトレードオフが未解決
脚本・戯曲(対話中心の脚本)を書く / Write a screenplay or stage play script — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: ジュニア脚本家のドラフト相当。業界標準フォーマットの再現は得意だが『売れる』構成判断や演出的間合いは弱い
できる: フォーマット準拠の脚本生成、キャラごとの台詞回し書き分け、複数バージョンの並行生成による比較検討
できない: 舞台/画面演出のニュアンス設計、市場性を踏まえた構成上のトリアージ判断
なぜ: 脚本の質は上演・撮影という下流工程での解釈に強く依存し、テキスト単体の学習信号が評価と乖離しやすい
ゲームシナリオ・分岐ノベルを書く / Write branching game/visual-novel scenarios — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: ノーコードツールで2〜5分でビジュアルノベルを生成可能だが『選択がプレイヤー体験に効く』設計の深みは人間デザイナー依存
できる: キャラ・世界観からの分岐グラフ自動生成、感情アークに沿った展開のドラフト作成
できない: 選択の意味づけ設計、詰み(デッドエンド矛盾)検証、長期的な伏線と分岐の整合性の担保
なぜ: 分岐の組み合わせ爆発と長距離一貫性の弱さが重なり、品質保証が特に難しい領域
文体模倣・パスティーシュ / Stylistic imitation / pastiche of a given author or era — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 既に専門家並み〜超え。特定作家・時代の文体を高精度に再現できる
できる: 指定作家/時代/ジャンルの文体再現、複数文体の即時切り替え、パロディ生成
できない: 模倣を超えたオリジナリティが求められる場面での脱却判断、著作権的にグレーな模倣の自律的な線引き
なぜ: 文体は表層的な言語パターンでありLLMが最も得意とする領域の一つ
推敲・自己評価による改稿 / Self-revision and quality self-assessment of a draft — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 自己採点が甘く、外部審査(別モデル/人間)併用が前提の運用が標準
できる: 文法・一貫性の機械的チェック、複数視点からのフィードバック生成、改稿案の並列提示
できない: 自分の生成物の質を客観的に評価すること。自己評価の甘さは既知のバイアスとして繰り返し指摘される
なぜ: 生成物を高く評価する方向のバイアスが訓練プロセス(人間フィードバックからの強化学習など)に起因する
ブログ/note記事を書く / Write a blog/note-style article — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 読者はAI記事と人間執筆記事の質を読みやすさ・信頼性・専門性の点でほぼ判別できない(2026年の学術調査)
できる: 構成案からの一発ドラフト生成、複数トーンの書き分け、SEO見出し案の生成
できない: 一次体験に基づく独自エピソードの提供、E-E-A-T的な『経験の証拠』の創出
なぜ: 実体験データがそもそも訓練データに存在しないため、体験談は捏造か一般化された記述になる
技術記事・ドキュメントを書く / Write technical articles and developer documentation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: ジュニアテックライター以上。コードと連動したAPIドキュメントの自動生成は既に高精度
できる: API仕様からのドキュメント自動生成、実行検証込みのコード例生成、複数言語版の同時展開
できない: 未リリース機能の設計意図の推測、社内政治・優先度判断を反映した表現調整
なぜ: 技術文書は形式・検証可能性が明確でLLMの強みと合致するため先行して品質が高い
広告コピー・LP・セールスコピーを書く / Write ad copy, landing pages, and sales copy — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: シンプルな訴求(商品説明・件名)は人間並み以上。高額商材の複雑な説得構成では人間が明確に優位
できる: 商品説明・件名のA/Bバリエーション量産(コンバージョン+23.7%の報告あり)、構造化された定型コンテンツ
できない: 2,000ドル超の高額商材向け複雑な説得コピー、ブランドの戦略的ポジショニング策定
なぜ: 高額商材の説得は感情的複雑性と信頼構築が絡み、訓練データの評価信号が弱い領域
SEO記事の量産 / Mass-produce SEO-optimized articles — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 短期的にはインデックスされ露出するが、3ヶ月後に上位100位に残るのはわずか3%という実験結果があり、人間執筆より明確に劣後
できる: 大量のロングテールキーワード記事を高速生成・公開、初期インデックス獲得
できない: 独自性・権威性(E-E-A-T)の中期的な維持。Googleの評価は純AI生成記事のトップ表示率9%に対し人間執筆は80%
なぜ: 検索エンジン側が人間の独自性・経験を評価する信号を強化しており、量産だけでは評価されない
調査報道・一次取材に基づく記事 / Investigative journalism requiring primary reporting — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 記者の代替には遠く、情報収集・要約補助の域を出ない
できる: 公開資料の横断要約、時系列整理、取材前の質問リスト生成
できない: 一次取材(現地調査・インタビュー)、機密情報源の開拓、事実確認の最終責任
なぜ: 物理的な現地アクセスと人間的信頼関係の構築が本質的に必要なタスクのため
コンセプトアート/一枚絵イラスト生成 / Generate concept art / single illustrations — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 熟練イラストレーターのラフ〜仕上げに匹敵する場面が多数、コンペ入賞例も存在
できる: スタイル指定、構図バリエーションの大量生成、ラフから清書までの一気通貫生成
できない: 既存スタイルの再構成を超えた、ゼロからの独創的なビジュアル言語の発明
なぜ: 拡散モデルは訓練データの様式を模倣・再構成することに最適化されているため
キャラクターの一貫性維持(複数カット/シリーズ) / Maintain character consistency across multiple shots/series — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Nano Banana Proが14枚の参照画像・最大5人までの同一性保持に対応し、実務転用が急速に進んだ画期
できる: 参照画像からの同一キャラ多ポーズ生成、シリーズ物のトーン統一、複雑シーンでの複数人の同一性保持
できない: 手描き作家特有の意図的な『崩し』の一貫性、生成毎の細部の完全な同一性(微小なブレは残る)
なぜ: 拡散モデルは生成ごとに確率的な揺らぎを持つため完全な決定論的再現は原理的に難しい
画像内テキスト描画(ロゴ/看板/インフォグラフィック文字) / Render legible text inside generated images — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Nano Banana Proが『業界初、確実に読める文字を生成するモデル』と評される画期的ジャンプが2026年に発生
できる: 多言語の可読テキスト付き画像、インフォグラフィック/スライド風レイアウトの高精度生成
できない: 長文の完全な組版(稀に誤字が残る)、複雑なブランドタイポグラフィガイドの厳密遵守
なぜ: 従来の拡散モデルは局所パターン生成が言語の離散的構造と相性が悪かったが、新世代アーキテクチャで大幅改善
手指・身体解剖の正確な描画 / Correctly render hands and body anatomy — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 2026年時点でも10〜15%の頻度で手指の破綻(余分な指・癒合・不自然な曲がり)が残るとの報告
できる: ポートレート等の制御された構図ではFlux計測で約97%の精度に到達
できない: 複雑な手の重なり・道具操作・群衆シーンでの安定生成
なぜ: 手は姿勢バリエーションが極端に多く遮蔽も頻発するため、他部位より学習難度が高い
漫画のコマ構成・作画 / Compose and draw manga/comic panels — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 商業出版例(Rootport氏『サイバーパンク桃太郎』新潮社刊など)はあるが、AI単独でのプロ品質量産は未達
できる: ネーム(コマ割り)の下書き、背景・モブキャラの補助生成、市場規模205億ドルとされるAI漫画ツールの活用
できない: キャラの感情豊かな作画一貫性、日本の商業漫画特有のコマ運び・演出の完全自動化
なぜ: 漫画は絵・コマ割り・テキスト・演出が複合した芸術で、単一モデルでの統合的生成が難しい
画像編集(inpainting/リタッチ/背景合成) / Image editing: inpainting, retouching, compositing — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: プロレタッチャー並みの局所編集(不要物除去・拡張・自然な合成)が可能
できる: 自然言語指示での部分編集、破綻箇所の選択的再生成、複数画像の一貫合成
できない: 印刷用の厳密な色校正・カラーマネジメントなど専門工程の完全代替
なぜ: 編集は生成に比べ制約が明確で、モデルにとって取り組みやすいタスク構造を持つ
短尺クリップ生成(数秒〜数十秒) / Generate short video clips (seconds to tens of seconds) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Sora 2/Veo 3.1がプロの撮影クルー並みのショット表現力を発揮し、Shorts制作の実務採用が進行
できる: プロンプトからの物理挙動が自然な短尺映像生成、カメラワーク指定、Veo3.1は4K/60fps+同時音声生成に対応
できない: 生成のたびの完全な再現性の担保、複雑な演技指導への追従
なぜ: 拡散/自己回帰モデルの確率的性質により生成結果が毎回変動するため
長尺・複数シーンでの一貫性維持 / Maintain consistency across long-form, multi-scene video — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Kling 3.0で1回生成あたり最大3分まで伸びたが、90秒を超える連続クローズアップでアーティファクト検出率が顕著に上昇すると報告
できる: 数十秒〜数分の単発生成、Klingでの90秒程度までの実用的なマルチショット継続
できない: 数分規模の一貫したワンカット長編、90秒超の顔クローズアップでの破綻回避
なぜ: 時間的一貫性(temporal consistency)の維持がモデルの根本的な未解決課題として残っている
リップシンク・多言語吹替 / Lip-sync and multilingual dubbing — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Sync.soが実写映像でのリップシンク精度でリード、HeyGen/D-IDがアバター向けで専門家並みの品質
できる: 音声からの高精度口パク生成、多言語ダビングとローカライズの一括処理
できない: 極端な角度変化や激しい動きを伴う実写映像での完全な同期維持
なぜ: 音素-口形マッピング自体は成熟した技術領域だが、実写の自由なカメラワークとの組み合わせはなお難しい
編集・字幕の自動化(ラフカット・字幕生成) / Automated rough-cut editing and subtitle generation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Premiere/DaVinciのネイティブAIが無音カット・ベストテイク選択・字幕付けを編集可能なタイムラインとして出力できる水準
できる: 90〜99%精度の自動文字起こし字幕、無音/NGカット除去、編集可能なラフカットの自動生成
できない: 感情的なテンポ判断を要する最終カットの決定、ブランドトーンに沿った微妙な『間』の調整
なぜ: 機械的な検出タスク(無音・重複)は得意だが、演出的判断は人間の感性領域に依存する
アバター解説動画(2Dキャラ掛け合い等) / Talking-avatar explainer/dialogue videos — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 個人クリエイターがTTS+スプライト+口パク自動化で日常的に量産可能なレベルに到達済み
できる: 台本→音声→口パク→字幕までの一気通貫パイプライン構築、自律的な量産運用
できない: 完全新規キャラクターデザインの感性的魅力、視聴維持率を上げる演出的機微の自動最適化
なぜ: 技術要素(TTS・口パク・字幕)は成熟済みだが『バズる』演出判断は依然人間の勘に依存
作詞作曲(構成のある楽曲) / Compose full songs with structure (lyrics + music) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Suno v5は8分までの構造化(Verse-Chorus-Bridge)された楽曲をボーカル込みで生成し、商用リリース品質に迫ると評価される
できる: ジャンル/歌詞指定からのフル楽曲生成、ステム分離、一貫したボーカルアイデンティティの維持
できない: 複雑な編曲の精緻さ、人間演奏特有の感情的ニュアンス(『合成的』との指摘が残る)
なぜ: 訓練データの平均への収束と、演奏のマイクロタイミング表現の技術的限界
レーベル許諾・権利処理された形での商用リリース / Rights-cleared commercial release of AI-generated music — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 2026年にWarner・UMGがSuno/Udioと相次いで和解しライセンス契約(次世代AI音楽プラットフォーム構想)を締結。一方Sonyは提訴継続、独GEMAはSunoに勝訴
できる: 大手レーベルとのライセンス契約下でのAI生成音楽の合法的商用配信(2026年後半以降順次開始予定)
できない: 既存アーティストの声・曲調の無断模倣からの完全な法的クリア、欧州(GEMA判例)下での特定楽曲利用
なぜ: 学習データの著作権侵害を巡る訴訟が地域・レーベルごとに異なる決着を見せている過渡期にあるため
TTS・ナレーション/オーディオブック制作 / TTS narration and audiobook production — 2026年レベル: 5/5 この仕事のページ
専門家と比べて: 独立テストでElevenLabs v3が5テイク中3本が放送品質と評価される水準に到達
できる: 感情タグ([whispers][excited]等)による演技指導、長尺オーディオブックでの一貫した声の維持
できない: 常に放送品質のテイクを出すこと(5本中2本は『使える』程度に留まる)、俳優の即興的な間の取り方
なぜ: 感情表現は大幅改善したが、一貫した『名演』の再現性はなお確率的
感情演技・声優代替(ゲーム/アニメ的キャラボイス) / Emotional voice acting as a substitute for professional voice actors — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: v3では悲しみ・苦味など感情の移り変わりを演じ分けられると評価される一方、一貫性には課題が残る
できる: 指示に基づく感情演技、キャラクターごとの声の使い分け
できない: 即興的なアドリブ演技、収録現場での演出家との対話的な微調整
なぜ: スタジオ収録のような対話的フィードバックループ(人間の演出家との掛け合い)が欠如しているため
効果音・BGM/劇伴スコアリング / Sound effects and film/game score composition — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 映像に同期したシーン単位の劇伴生成の実務投入例が増加中
できる: ムード指定からの効果音/BGM生成、映像との同期
できない: 複雑な映画的ライトモティーフ設計、オーケストラ全体の緻密な対位法
なぜ: 長尺・構造的な音楽理論の適用(反復動機の管理など)はまだ発展途上
資料からの対話型ポッドキャスト/解説音声生成 / Generate dialogue-style podcasts/explainers from source material — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Stanford Digital Learning Labの調査で情報処理速度が人間の読解より3倍速いとされるが、誤帰属・単純化のリスクが残る
できる: 資料要約からの自然な掛け合いポッドキャスト生成、80以上の言語対応、インタラクティブモードでの質問割り込み
できない: 出典の正確な帰属の保証、ニュアンスのある議論の単純化回避
なぜ: 要約時の事実確認プロセスが自動化されておらず、誤帰属や過度な単純化が生じやすい
3Dアセット生成(モデル/テクスチャ) / Generate 3D assets (models/textures) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Tripoが平均8秒でクリーンなトポロジーを生成、Meshy 6がPBRテクスチャ+リギングに強いなど実務品質に到達
できる: テキスト/画像からのUV展開済みメッシュ+PBRテクスチャ生成、ゲームエンジン向けトポロジー最適化、リギング自動化
できない: 高難度の有機的トポロジー(表情変形などアニメーション用途に最適な位相構造)の完全自動最適化
なぜ: トポロジー最適化はアーティストの意図(変形・アニメーション用途)を汲む設計問題であるため
レベル/マップデザイン生成 / Generate game level/map designs — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 手続き生成+感情アーク誘導などはまだ研究段階で、実務での量産事例は限定的
できる: テーマ指定からのラフなレイアウト提案、感情アークに沿った難易度曲線設計の研究プロトタイプ
できない: プレイテスト済みの詰み検証、ゲームプレイ意図に沿ったハンドクラフト感のある配置
なぜ: レベルデザインは『遊びの手触り』というプレイテストでしか検証できない暗黙知に強く依存する
ゲーム全体の自動生成(プロンプト→完成品) / End-to-end generation of a complete game from a prompt — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 『プロンプトで作れるのは小規模な2D/HTML5のみ、商業的な3Dタイトルは不可』というのが2026年時点の評価
できる: 簡易な2Dブラウザゲームのプロトタイプ生成、ゲームジャム用の叩き台作成
できない: Steamで商業的に成立する3Dゲームの単独完成、ゲームフィール調整、プラットフォーム最適化
なぜ: 『深み・3D表現・ゲームフィール・プラットフォーム対応・デザインセンス』は依然人間の仕事と明言される
プレイ可能なワールドモデル(リアルタイム生成世界) / Real-time playable generative world models — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Genie 3が720p/24fpsで数分間の一貫性を保つ探索可能世界を生成、2026年1月にGoogle AI Ultra加入者へ公開
できる: テキストプロンプトからのリアルタイムナビゲート可能な環境生成、数分間の一貫性維持、過去に訪れた場所の再現
できない: 長時間(数十分以上)の世界一貫性の維持、ゲームルール・目的設計を伴う『ゲーム』としての完成
なぜ: 自己回帰的世界生成モデルは短時間の記憶保持能力に制約があるため
NPCの対話・行動生成 / Generative NPC dialogue and behavior — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: RPG/アドベンチャーゲームでのAI搭載NPC採用率が2024年8%→2026年62%へ急増する一方、開発者の52%はAIの正味効果をネガティブと回答
できる: ランタイムでのプロンプトベース対話生成、記憶を持つNPC、Unity/Unreal向けプラグイン統合
できない: ゲームデザイナーが意図した物語上の重要な分岐点でのNPC発言の厳密な制御
なぜ: 生成的自由度と作家的コントロールのトレードオフ、レイテンシ・コスト制約が実運用の壁
プレゼン資料・スライド生成 / Generate presentation slide decks — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Gammaが7,000万ユーザーを抱え、外部データ可視化・エージェント機能まで統合した実務ツールへ成長
できる: 構成案からの完成度の高いスライド一式生成、外部データの図表化、Webサイト/SNS投稿への拡張生成
できない: 経営会議など超高ステークスな資料の戦略的ストーリーライン構築の最終判断
なぜ: フォーマット化された生成は得意だが、意思決定に直結する戦略的取捨選択は人間の判断領域に残る
UI/アプリ画面デザイン(モックアップ〜コード化) / UI/app screen design from mockup to code — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Figma Make/Claude Design等でクリックして選択・編集可能なUIをプロンプトから生成できる水準に到達
できる: 要件からのUIモックアップ+実装コードの一括生成、既存デザインシステムへの準拠
できない: 複雑なユーザーリサーチに基づく情報設計、アクセシビリティ細部までの完全担保
なぜ: UIの『使いやすさ』評価はユーザーテストという実世界フィードバックに依存するため
ロゴ・ブランドアイデンティティデザイン / Logo and brand identity design — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: USPTOはAI生成ロゴの商標登録自体は認めるが、著作権保護は『人間の創作性不足』で認めず、識別性不足で却下される例も多い
できる: 大量のコンセプト案の高速生成、既存ブランドの雰囲気を汲んだバリエーション展開
できない: 商標的識別性の確保(却下リスク)、著作権保護の取得、他のAI生成物との類似衝突の回避
なぜ: 生成が『ありがちな図像』に収束しやすく、法的な独自性要件と根本的に相性が悪いため
文芸翻訳(小説・詩) / Literary translation of novels and poetry — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Claudeが専門翻訳ツールより文芸翻訳に強いと評価され、隠喩・レジスター・リズムの再現力が向上
できる: 隠喩・文化的文脈を汲んだ自然な訳文の一発生成、文体を保った訳し分け
できない: 人間のレビューなしでの出版、地域文化的にセンシティブな表現の最終判断
なぜ: 文芸翻訳の評価軸(詩的リズム・含意)は定量評価が難しく、人間の最終確認が業界標準として残る
字幕・吹替ローカライズ(映像) / Subtitle and dubbing localization for video — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: HeyGen等がリップシンク込みの多言語吹替を実務レベルで提供
できる: 字幕生成+タイミング調整、リップシンク込みの多言語吹替の一気通貫生成
できない: 文化的ローカライズ(ジョーク・言葉遊びの完全な置き換え)の細部
なぜ: 映像同期は技術的に成熟しているが、文化的翻案は依然人間のセンスを要する
漫画の写植込み翻訳・ローカライズ / Manga translation and typesetting localization — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Mantra Engineが月20万ページ・18言語を機械翻訳(集英社・小学館出資)、Orangeは月1,000巻超規模へ拡大。両社とも『翻訳は芸術、人間が関わり続けるべき』とハイブリッド体制を明言
できる: コマ内テキスト検出+文脈を踏まえた翻訳+写植の自動化、月間数十万ページ規模の処理による海賊版対策
できない: 完全自動でのニュアンス保持(両社ともAI+専門翻訳者のハイブリッド体制を維持し人間関与を外していない)
なぜ: 漫画特有の擬音語・キャラ口調・コマ間の文脈保持は機械翻訳単体では不十分なため
ゲームのUI・シナリオテキスト大量ローカライズ / Large-scale localization of game UI and scenario text — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: ゲーム業界はAI導入に慎重(開発者の52%がAIの正味効果をネガティブと回答)で、技術力より業界の心理的抵抗が導入を規定
できる: 大量のUIテキスト・クエストテキストの一貫翻訳、感情・文化差を考慮した訳出
できない: プレイヤー体験を損なわない繊細な訳語選定への業界的信頼の獲得
なぜ: ゲーム業界特有のブランド毀損リスクへの警戒感が、技術的可能性より導入速度を遅らせているため
最も海岸線が動いた領域。検証できる仕事から順に自律化する
プロトタイプ/MVPをゼロから作る / Build a prototype/MVP from scratch — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 個人開発者の週末ハッカソン成果物相当。人間の平均的な週末MVPより速い（数時間〜2日）ケースが一般化
できる: 自然言語の1プロンプトから認証・DB・フロントを含むフルスタックMVPを生成しデプロイまで完了。反復による機能追加も自律で継続
できない: 差別化になる独自UXの発明／市場に刺さるプロダクト仮説そのものの設定は人間依存
なぜ: 既存パターンの組み合わせは得意だが「何を作るべきか」という問いには弱い
本番品質のフルスタックWebアプリを開発する / Build a production-grade full-stack web application — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 要件が明確な機能単位ではジュニア〜ミドルエンジニア相当。本番投入前の人間確認が前提
できる: 認証・DB設計・API・UIを含む機能一式をテスト付きで実装し、CIを通るPRとして提出
できない: 明示されていないスケーラビリティ/コンプライアンス要件を自発的に汲み取ること、本番投入後の運用フィードバック反映
なぜ: 「言われていない前提」を推測する力が弱く、要件の背後にある業務文脈の理解が浅い
ゲームを作る（メカニクス・アセット込み） / Build a game (mechanics and assets included) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: カジュアルゲームの骨格生成はジュニア相当。ゲームデザイナーの「面白さ調整」には届かない
できる: 自然言語プロンプトからUnity/Godot上でプレイ可能なカジュアルゲームの骨格とアセットを同時生成
できない: ゲームバランス調整、プレイフィール(game feel)の判断、中毒性のあるループ設計
なぜ: 面白さは定量評価が難しく、AIの「評価者」としての感度が人間のプレイテストに及ばない
モバイルアプリをストア公開まで作る / Build and publish a mobile app to app stores — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: シンプルなアプリはジュニア相当で完走可能。審査対応込みで実務品質
できる: ノーコード/AIビルダーでクロスプラットフォームアプリを生成し、ストア審査提出まで自動化
できない: プラットフォーム審査ガイドラインの暗黙的な変更への事前対応、複雑なネイティブAPI/センサー連携
なぜ: 審査基準は文書化されていない暗黙知が多く、頻繁に変わるため学習データが追いつかない
デザイン/画像からUIコードを生成する / Generate UI code from a design mockup or image — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 単純なコンポーネントはジュニアを超えるが、デザインシステム全体の一貫性維持はミドル未満
できる: Figma/画像から視覚的に近いレスポンシブコードを生成（複雑デザインで視覚一致度80〜94%の報告）
できない: 画像だけでは伝わらないブランドの微妙なトーンや、デザインシステムの拡張判断
なぜ: 画像はコンテキスト情報（余白ルール、状態遷移など）を欠くため、モデルが暗黙のデザイン意図を補えない
未知の大規模リポジトリを理解する / Comprehend an unfamiliar large-scale repository — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 数万行規模まではジュニア〜ミドル相当。40万行を超えると人間のシニアに劣後
できる: grep/ファイル読み込みベースの探索で中規模コードベース(〜数十万行)の関連箇所を特定・要約
できない: 140万行規模・2.2万ファイルにまたがる暗黙の設計意図やモジュール間の非明示的な依存関係の把握
なぜ: コンテキストウィンドウがプロジェクト全体を同時に保持できず、セッションをまたぐプロジェクト記憶も持たない
既存コードベースへの機能追加 / Add a feature to an existing codebase — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 既存パターンに沿った機能追加はジュニア〜ミドル相当。要確認だがそのまま出せる水準
できる: 既存の設計パターン・命名規約を検出して踏襲し、テスト込みで機能追加PRを作成
できない: 既存設計が持つ暗黙のトレードオフ（なぜこの実装なのか）を理解した上での一貫した拡張
なぜ: コードの「なぜ」はコミット履歴や口頭合意に散らばっており、コードだけからは再構築できないことが多い
大規模リファクタリング / Large-scale refactoring — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 局所的なリファクタはミドル相当だが、AI導入後にリファクタ活動自体が組織的に減少している逆説あり
できる: コードスメルの検出、局所的な設計改善（重複除去・命名整理）を自律で実行
できない: 大規模な設計変更を安全性を保証しながら段階的に進める判断／リファクタの「やめ時」判断
なぜ: リファクタは「今すぐ壊れないが将来のリスクを下げる」判断であり、短期的な成功指標では評価しにくい
依存関係・フレームワークのメジャーバージョン移行 / Major dependency/framework version migration — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的なコードモッド作業はミドル相当を代替。保守作業の30〜50%を占める領域で実務投入が進む
できる: 依存関係ナレッジベースを参照しながら最新メジャーバージョンへの一括更新・テスト実行・修正を反復
できない: 業務クリティカルな移行での段階的ロールアウト戦略の設計、破壊的変更が業務ロジックに与える影響の見極め
なぜ: コンパイル/テスト通過は検証できるが、ビジネスロジックの意味的な正しさの検証は限定的
再現手順ありのバグ修正 / Fix a bug with a clear reproduction case — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 再現手順とスタックトレースがあれば専門家並みかそれ以上の速度で修正
できる: エラーログ・スタックトレースから原因箇所を特定し、テスト付きで修正パッチを自律生成
できない: 再現条件が環境依存で不安定な場合の粘り強い切り分け（同じ仮説をループする傾向）
なぜ: 決定的な入出力信号があれば強いが、非決定的な現象への仮説探索は弱い
再現困難・原因不明のバグの切り分け / Diagnose an elusive, hard-to-reproduce bug — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: ジュニア未満。ベテランSREの「勘」に基づく仮説生成には及ばない
できる: ログ・メトリクスを横断的に検索し候補となる仮説をいくつか提示
できない: 同じ問題設定で何時間もループし続ける／周辺知識(ハードウェア固有の癖等)を要する非明示的な仮説への到達
なぜ: 訓練データにない一意な環境要因への「未知の未知」に対する探索戦略が弱い
本番障害の一次対応（インシデント対応） / Respond to a production incident (first response) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: トリアージ補助はジュニアオンコール担当相当。復旧の意思決定は人間主導が前提
できる: 並列トリアージ、クロスシグナルの根本原因分析の下書き、ポストモーテムの初稿作成
できない: ロールバックやスケーリングなど高リスクな変更を無人で本番適用する判断
なぜ: 誤判断の被害が甚大（データ消失・障害拡大）であるため、業界標準は人間承認を必須としている
CI/CD失敗の自己修復ループ / Self-healing CI/CD failure loop — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的なビルド失敗（依存関係・型エラー）の自己修復はジュニア相当以上
できる: 失敗ログの解析→原因コードの修正→ローカルテスト→修正PR提出までを無人で反復
できない: 根本原因がテスト設計やアーキテクチャの欠陥にある場合の非表層的な修復
なぜ: パターンマッチ的な修復（構文/型エラー）は得意だが、設計判断を要する修復には踏み込みにくい
コードレビュー（PRレビュー） / Code review (pull request review) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 機械的な一次チェックはジュニアレビュアー相当だが、人間が指摘する論点の15〜31%しか拾えない
できる: スタイル・明白なバグ・既知の脆弱性パターンの機械的一次チェックを高速に実施
できない: 設計意図との整合性、ビジネスロジックの妥当性など『高次の懸念』の指摘
なぜ: diffのみからのレビューでは変更の背景文脈が欠落し、人間が拾う論点の大半を見落とす
テストコード自動生成・カバレッジ向上 / Automated test generation and coverage improvement — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的なユニットテスト生成はミドル〜シニア相当のスピードと網羅性
できる: 数か月かかっていたカバレッジ20%→80%への引き上げを数週間未満で達成、ミューテーションテストでテスト強度も検証
できない: 『何をテストすべきか』というテスト戦略そのものの設計、ビジネス的に重要なエッジケースの特定
なぜ: 既存コードから機械的に到達可能なパスの網羅は得意だが、要件外の重要シナリオの発想は弱い
E2E/UIテスト自動化・保守 / End-to-end/UI test automation and maintenance — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: テストのフレーキー対応・保守はミドル相当。UI変更への自動追従は人間の保守作業を大幅削減
できる: 視覚認識とコードロケータを併用しUI変更にテストを自動追従させ、保守工数を大幅削減（報告値85%減）
できない: ユーザー体験として『何が壊れて見えるか』の主観的判断、まれな実機環境固有の不具合の検出
なぜ: 視覚的な妥当性判断は定量指標化しづらく、人間の『違和感』のような直感的判断に劣る
生成したコードの正しさを自己検証する（セルフレビュー） / Self-verify correctness of generated code — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 自己レビューの質はジュニア未満。過信により見落としを『問題なし』と報告する傾向が強い
できる: 構文エラー・型エラー・テスト失敗など機械的に検証可能な誤りは確実に自己修正
できない: 自分の実装が意図とズレていることの自覚、過信に基づく『できました』の誤報告
なぜ: 自己評価が甘いのは訓練上の理由（人間の好む出力を強化学習で最適化した結果、自信過剰な報告が生まれやすい）
IaC（Terraform等）によるクラウド構築 / Cloud provisioning via Infrastructure-as-Code — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的なインフラ構築はミドルエンジニア相当。ガバナンス下での自律実行が実務投入されつつある
できる: 自然言語の要求（例：読み取りレプリカ付きPostgresクラスタ）からTerraformコードを生成し、ポリシー検証を経て適用
できない: ポリシーで想定されていない未知のリスクパターンの事前察知、複数クラウド間の複雑な相互依存を伴う設計
なぜ: 生成→検証→適用のループは強いが、『まだ起きていない障害モード』への想像力は限定的
CI/CDパイプラインの設計・構築 / Design and set up CI/CD pipelines — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的なパイプライン構築はミドル〜シニア相当。ベストプラクティスの適用は既に高水準
できる: リポジトリ構成を検出し、ビルド・テスト・デプロイの一連のパイプラインをゼロから構築
できない: 組織固有のリリースポリシー（承認フロー、監査要件）を踏まえたガバナンス設計
なぜ: 技術的な配線は型があるため強いが、組織のリスク許容度に関する暗黙のルールは学習しづらい
運用監視と自動修復（オートスケール・自己修復インフラ） / Autonomous ops monitoring and remediation (auto-scaling, self-healing infra) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的な自動復旧（再起動・スケール）はジュニアオペレータ相当以上の速度と正確さ
できる: 予測的モニタリングで異常を検知し、事前定義された範囲内で再起動・スケーリング等を自律実行
できない: 想定外の複合障害（カスケード障害）における全体最適な復旧順序の判断
なぜ: 個別の修復アクションはルール化しやすいが、複数システムが絡む因果関係の全体把握はAI・人間問わず難しい
本番への高リスク変更を自律で実行する / Autonomously execute high-risk production changes — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: 現状はジュニアにも及ばない。業界は意図的に人間承認ゲートを外していない
できる: 変更案の生成とドライラン、影響範囲のシミュレーションまでは実施
できない: 本番データベースへの破壊的操作を含む変更の無人実行（実際に本番DBを削除した暴走エージェント事例あり）
なぜ: 誤りの被害が不可逆（データ消失）であるため、技術的能力以前にガバナンス上ブロックされている
脆弱性発見・自動ペネトレーションテスト / Vulnerability discovery / automated penetration testing — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: トップクラスのバグバウンティハンターに匹敵する事例が既に登場
できる: 対象理解・攻撃経路計画・動的適応を自律で行い、実運用のバグバウンティで人間トップハンターと同水準の成果
できない: ビジネスロジック特有の脆弱性（業務文脈を理解しないと気づけない設計ミス）の発見
なぜ: パターン化された脆弱性クラスには強いが、対象システム固有の業務ルール違反は文脈理解が必要で弱い
発見した脆弱性の修正パッチ作成 / Create patches for discovered vulnerabilities — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 既知パターンの修正はミドル相当。修正がリグレッションを生まないかの検証は人間確認が必要
できる: 脆弱性クラスに対応した標準的な修正パターン（サニタイズ、権限見直し等）を適用しテストを実行
できない: 修正がビジネスロジックに与える副作用の完全な見極め
なぜ: 修正パターン自体は定型だが、既存動作への影響範囲の推論には限界がある
AI生成コード自体に混入する脆弱性の抑制 / Suppressing vulnerabilities introduced by AI-generated code itself — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 人間の熟練エンジニアの平均的な安全率を依然として下回る。改善が横ばい
できる: 既知の脆弱性パターン（SQLインジェクション等の教科書的事例）は概ね回避
できない: 全体の45%のコード生成タスクで既知の脆弱性を含むコードを出力（Javaは失敗率72%）という報告があり、言語・文脈依存で大きくばらつく
なぜ: 訓練データに含まれる大量の脆弱なコード例、及び機能要件を優先し非機能要件（安全性）を後回しにする傾向
AIエージェント特有の脆弱性（プロンプトインジェクション等）への防御 / Defending against AI-agent-specific vulnerabilities (prompt injection, etc.) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: この分野は人間側にも確立した専門家層が薄く、双方が手探りの段階
できる: 既知のプロンプトインジェクションパターンに対する入力サニタイズ・ガードレール設計の提案
できない: 未知の新しいジェイルブレイク手法への事前対応、エージェントの権限逸脱を完全に防ぐ設計の保証
なぜ: 攻撃側も生成AIを使い高速にイテレーションするため防御が追いつかない、確立されたベストプラクティスがまだ薄い
DBスキーマ移行・ETLパイプライン構築 / Database schema migration and ETL pipeline construction — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的なスキーママッピングはミドル相当のスピード（60〜70%の工数削減）
できる: ソースデータのプロファイリング、マッピングルール生成、移行実行、検証、失敗セグメントの再試行までを自律実行
できない: 移行対象システムの業務的な優先順位付けやダウンタイム許容度に応じた安全なシーケンス設計の最終判断
なぜ: 技術的なマッピングは検証可能だが、業務影響を伴う移行順序の判断はリスク許容度という組織的文脈に依存
学習パイプライン構築・実験実行 / Build ML training pipelines and run experiments — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的なパイプライン構築・ハイパーパラメータ探索はミドルMLエンジニア相当
できる: データローダ・訓練ループ・評価指標込みのパイプラインを自律構築し、複数の実験を並列実行
できない: 新規性のあるモデルアーキテクチャの発明、負の実験結果から次の仮説を独創的に立てること
なぜ: 既存手法の組み合わせ最適化は強いが、パラダイムシフト的な発想は訓練データの延長線上にとどまりやすい
論文の再現実装 / Reproduce results from a research paper — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 博士課程学生の初期段階相当。完全な再現達成率はまだ低い
できる: 論文からアルゴリズム記述を解釈しコードを実装、依存関係をリポジトリから取得して実行
できない: 論文に記載されない暗黙の実装詳細（ハイパーパラメータの微調整等）の推測、著者への問い合わせなしでの完全な再現
なぜ: 論文自体が実装の全詳細を記述しないことが多く、『行間を読む』経験知が必要
データ品質監視・異常検知 / Data quality monitoring and anomaly detection — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的な異常検知ルールの運用はミドルデータエンジニア相当以上
できる: スキーマ・分布のドリフト検知、既知パターンに基づくアラート生成とドキュメント自動更新
できない: ビジネス上の意味を伴う『これは異常か、単なる季節変動か』の最終判断
なぜ: 統計的異常検知は得意だが、業務文脈における『許容範囲』の線引きはドメイン知識に依存
ファームウェア/組込みソフトのデバッグ / Debug firmware/embedded software — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 経験豊富な組込みエンジニアには及ばない。ハードフォルトのレジスタ解析等の定型作業は補助レベル
できる: フォルトレジスタの読み取り、メモリ・逆アセンブルの検査から問題箇所を遡って提示
できない: 周辺機器（ペリフェラル）固有の癖に起因する問題の特定、実機上でしか再現しないタイミング依存のバグ
なぜ: 仮想化環境での検証がタイミング挙動やペリフェラル相互作用を完全に再現できないため、学習・検証ループが実機に比べ弱い
新規ハードウェアのbring-up（実機接触を伴う作業） / New hardware bring-up (requiring physical interaction) — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: 現状ではジュニアにも及ばない。物理的な計測器操作や実機配線は代行不能
できる: 回路図やデータシートの読み込みに基づく初期設定コードの下書き、既知チップセットの定型的な初期化シーケンス提案
できない: オシロスコープ/ロジックアナライザでの実測、はんだ付けやコネクタの物理的確認、実機の物理的な破損兆候の察知
なぜ: 身体的な操作を伴うタスクは現在のLLMベースエージェントの入出力（テキスト・画像）の枠組みの外にあり、ロボティクス統合が別途必要
リアルタイム制約下でのコード最適化 / Code optimization under real-time constraints — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的な最適化提案はミドル相当だが、実機のタイミング検証がなければ確証が持てない
できる: 静的解析に基づくアルゴリズム改善やメモリ使用量削減の提案・実装
できない: 実機でのリアルタイム制約（割り込み遅延、WCET）の実測を伴う保証
なぜ: タイミング特性は実行環境の物理的要因に強く依存し、静的な推論だけでは確証を持てない
曖昧な要求からの仕様策定 / Elicit specifications from ambiguous requirements — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: ジュニアPM/エンジニア未満。ステークホルダーとの対話を通じた要求の精緻化は依然弱い
できる: 既存のドキュメント・チケットから曖昧な用語を検出し明確化すべき質問リストを生成
できない: 顧客が『言葉にできていないニーズ』を対話の中で引き出す、矛盾する利害関係者の要求を政治的に調整する
なぜ: 要求の曖昧さの多くは技術的な曖昧さではなく人間関係・組織政治に起因し、AIはその力学の当事者になれない
システム設計のトレードオフ判断（マイクロサービス vs モノリス等） / System design tradeoff decisions (e.g., microservices vs. monolith) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 設計パターンの選択肢提示はジュニア相当だが、最終判断の質はシニアアーキテクトに遠く及ばない
できる: 既知の設計パターンのメリット・デメリットを一般論として提示、要求に基づく候補案の列挙
できない: チームの力量・組織の歴史・将来の採用計画といった『コードに書かれていない』要因を踏まえた最終判断
なぜ: アーキテクチャ判断は技術だけでなく組織力学・事業戦略との統合判断であり、AIの学習対象になりにくい非公開情報に依存する
COBOL等レガシー基幹系の大規模移行 / Large-scale legacy system migration (e.g., COBOL) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 定型的なコード変換の補助はできるが、大規模基幹系の移行プロジェクト全体をリードする力はない
できる: COBOLコードの解析・Java等への変換・APIラッパー生成・契約テスト作成の一部自動化（事例では約60%の自動化率）
できない: 無停止での段階的カットオーバー戦略の設計、規制・監査要件を満たしながらの移行判断の最終責任
なぜ: 移行失敗時の被害が甚大な基幹系ゆえ、技術的な変換能力以上に組織的なリスク管理が要求される
長期保守性を見据えた技術選定・負債管理 / Technology selection and debt management for long-term maintainability — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: この観点では現状のAI導入はむしろ逆効果（技術的負債を増やす）との報告が複数ある
できる: 個別の負債項目（重複コード、複雑度）を検出しスコアリングする
できない: 『今は正しいが3年後に破綻する設計』を見抜く長期的視点、負債を意図的に許容すべき場面の判断
なぜ: AI導入後にリファクタ活動が60%減少し重複が48%増加、技術的負債が30〜41%増加という報告があり、短期速度と長期保守性の間にトレードオフが生じている
数学・科学・データ分析・文献調査。検証可能な問題ほど強く、問題設定そのものは人
競技数学(IMO/Putnam級) / Olympiad-level competition mathematics — 2026年レベル: 5/5 この仕事のページ
専門家と比べて: 2025年IMOでGemini Deep ThinkとOpenAIの推論モデルが実際のコンテスト条件・自然言語問題で35/42点(金メダル基準と同点)を獲得、6問中5問を完答。金メダリスト集団(世界トップ層の高校生)と同水準だが、最難問(6問目)は依然解けていない。
できる: 自然言語で提示された未見のIMO/Putnam級問題を、制限時間内・人手介入なしで高難度の5〜6問中5問程度まで解答できる。2024年時点のAlphaProof/AlphaGeometry2は問題文を形式言語に人手変換する必要があったが、2025年以降は自然言語のまま自律的に解答。
できない: 最難問(例年の6問目)を安定して解けない。同一モデルでも試行によって成否がばらつき、公式コーディネーターによる採点(IMO公式ルール準拠)は限定的にしか実施されていない。真に独創的な補題の発見を要する問題では失敗率が上がる。
なぜ: 探索空間が広い未知の補題発見には依然として弱く、大量のロールアウト・自己一致度チェックに依存するため計算コストが高い。訓練データに類似問題が乏しい真の新規性の高い問題で性能が落ちる。
競技プログラミング(ICPC/IOI級アルゴリズム設計) / Competitive programming (ICPC/IOI-level algorithm design) — 2026年レベル: 5/5 この仕事のページ
専門家と比べて: 2025年ICPC世界大会でOpenAIのシステムが12問全問正解し、当時の世界最高人間チーム(11/12)を上回った。2026年IOIではNVIDIAのシステムが人間最高得点者を37点上回る535.4/600を記録し、大会史上初めて全人間参加者を上回った。
できる: 実際の大会ルール・時間制限下で、未見のアルゴリズム問題群を人間トップチーム/選手を上回る正答率で解答できる。DeepMindのGemini 2.5 Deep Thinkは人間チームが誰も解けなかった問題を解いた。
できない: 大会という明確な評価関数(テストケースのpass/fail)がない、仕様が曖昧な実世界のソフトウェア設計問題には同じ性能は再現されていない。単一大会での勝利であり、あらゆる形式のプログラミング業務への一般化は未実証。
なぜ: 競技プログラミングは自己検証可能(サンプル入出力で採点)な閉じた問題であり、大量の強化学習・自己対戦的探索と相性が良い。曖昧な要件定義や長期保守性が絡む問題は評価信号が弱く、この強みが移転しにくい。
定理証明・形式化(Lean/Isabelle) / Formal theorem proving and formalization (Lean/Isabelle) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 素数定理(PNT)の強形の形式化は人間専門家が18ヶ月以上停滞していたところ、AI支援(Math Inc.)によりわずか3週間で完了。ジュニア形式化専門家に近い生産性向上が確認されているが、査読なしでの完全自律形式化はまだ限定的。
できる: 既知の(証明済みの)数学的主張をLean/Isabelleコードへ翻訳し、コンパイラでの機械検証まで通せる。LeanMarathonのような長期ホライズンの自動形式化パイプラインや、AristotleのようなツールがErdős問題の一部を自動でLean証明化した実例がある。
できない: 自然言語の数学的主張が持つ「暗黙の前提」を形式言語に正しく落とし込む意味的検証(informal-to-formal correspondence)は依然として未解決の根本課題。形式化された補題が本来意図した主張と微妙にずれていても気づけないことがある。
なぜ: 自然言語数学は曖昧さ・省略された前提を含むため、形式化の際に「証明可能だが無意味な形式化」に陥るリスク(問題設定の意図しない抜け穴の悪用)が構造的に残る。信頼できる評価指標が不足している。
未解決問題への貢献(Erdős問題・主要予想) / Contribution to open problems (Erdős problems, major conjectures) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Terence Taoは、AIが得意なのは「多くのトップ数学者があえて手をつけなかったニッチな長い裾野の問題」であり、真に独創的な洞察を要する最前線の問題では依然として人間専門家に及ばないと評価。2026年にはAnthropicの数学者がClaude Fable 5を使いヤコビアン予想(87年の未解決問題)の反例を発見し、世界中の数学者が数時間で検証した重要な例外もある。
できる: 既存文献の非自明な組み合わせや見落とされた手法の再適用によって、Erdős問題データベース上の個別問題(#397, #728, #729, #1196など)を解決できる。2026年にはJacobian予想という主要な未解決問題の反例も発見(人間数学者との協働あり)。
できない: 2025年10月にはOpenAIがGPT-5が「10個のErdős問題を解いた」と発表したが、数日で実際には既存の(データベースに未収録だった)公刊解の発見に過ぎなかったことが判明する誤認事例が起きた。真に新規な問題設定・予想の提起はまだできない。
なぜ: モデルは巨大な既存文献・アイデア空間の組み合わせ的探索には強いが、「何を問うべきか」という問題設定自体の創造には依然として人間の直観に依存している。また文献データベースの不完全性により、既知解の再発見を新発見と誤認するリスクが構造的に存在する。
大規模計算実験・構成的探索(AlphaEvolve/FunSearch型) / Large-scale computational search / constructive optimization (AlphaEvolve/FunSearch) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: AlphaEvolveは56年間破られなかった行列乗算アルゴリズムの記録を更新し、人手で提示された未解決問題の約20%で新たな最適解を発見。cap-set問題の下界更新(FunSearch)、次元11でのkissing number境界、Erdősの最小重複予想などで人間専門家の記録を更新した。
できる: 人間が定義した評価関数(evaluator)付きの最適化・構成問題に対し、大量の候補プログラムを進化的に生成・評価し、人間には現実的な時間で到達できない規模の探索によって新しい構成・反例を発見できる。
できない: 評価関数(何が「良い解」かを判定するプログラム)は依然として人間が設計する必要があり、問題設定そのものの自動化はできない。ポイントされた未解決問題群のうち改善が見られたのは約20%にとどまり、大半では既存記録を更新できない。
なぜ: 進化的探索は「解の良し悪しを機械的に判定できる」問題にしか適用できず、評価が主観的・定性的な問題(証明の美しさ、数学的意義の大小)には原理的に弱い。
数学論文の査読相当チェック(証明検証・誤り検出) / Referee-level checking of math papers (proof verification, error detection) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: arXiv数百万本規模の誤り分析研究では、数学論文には人間の査読でも見逃される誤りが構造的に多数存在することが定量的に示されており、AIによる自動チェックはこの穴を部分的に埋めつつあるが、証明の「新規性」「意義」の評価は人間査読者との乖離が大きい。
できる: 形式化可能な範囲の論理的ギャップ・計算ミスの検出、文献の妥当性の一次チェック、正しさ検証を含む査読レポートのドラフト作成ができる。
できない: 背理法による証明のような、意図的に矛盾を導く論証ステップを誤ってペナルティ判定するなど、証明の「意図」を読み違える。引用の実在確認や論理展開の飛躍の検出、論文の学術的意義の評価は人間professional editorの確認なしには信頼できない。
なぜ: 自然言語の数学的議論の意味論的理解には限界があり、統計的パターンマッチングでは「形式は正しいが意味的に間違っている」議論を見抜けないことがある。novelty(新規性)判定は査読者の分野知識・direct experienceに強く依存し、AIの訓練データには反映されにくい。
論文執筆(ドラフト作成) / Research paper drafting — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: LLMが生成する論文・要約は文法・修辞・論理的一貫性の点でジュニア研究者水準に達しているが、「独自性(originality)と真正性(authenticity)」において依然課題があるとする2026年の研究がある。
できる: 文法修正、文献要約、abstractやrelated workセクションのドラフト生成、査読コメントを反映した改稿ができる。学生の学術文章のパフォーマンス・エンゲージメント双方を有意に改善するというランダム化比較研究もある。
できない: 論文の核心となる新規の学術的貢献・研究の枠組み自体の創出はできない。生成された文章はしばしば「もっともらしいが独創性を欠く」ものになり、査読者から見て新規性の主張が薄いと判断されることがある。
なぜ: 訓練データの統計的パターンの再構成が本質であるため、真に新しい概念的貢献よりも既存の言い回し・構成の高品質な模倣に強みが偏る。
査読(ピアレビュー)代行・支援 / Peer review assistance / substitute reviewing — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: LLM査読者は弱い論文への評価を過大評価する体系的バイアスを持ち、strengths/weaknessesの重視点も人間(新規性・明確さ重視)とAI(実証的厳密さ・実装重視)で乖離することが報告されている。2026年のICLRでは査読の約21%がAI生成と推定され、信頼性が大きな論点になった。
できる: 査読コメントの下書き、フォーマットチェック、明白な技術的欠陥(統計手法の誤り等)の指摘、大量の投稿の一次スクリーニングを高速に行える。
できない: 論文の概念的新規性・学術的インパクトの評価では人間査読者と体系的に乖離する。守秘義務違反となる無断でのAIへの論文アップロードが横行し、NeurIPS/ICMLは隠しプロンプトの罠を仕掛けて摘発するほど問題化しており、信頼できる独立査読者としては機能していない。
なぜ: 査読の核心は分野の暗黙知に基づく価値判断であり、LLMは表層的な指示への追従度が高く評価基準の一貫性を欠く。また守秘性の要求とクラウドAPIの利用は構造的に緊張関係にある。
引用文献の妥当性チェック(幻覚引用対策) / Citation validity checking (hallucinated citation problem) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 2026年のPubMed分析では、掲載論文の277本に1本が実在しない参考文献を含み、これは2025年の458本に1本、2023年の2,828本に1本から急増した数字。AI利用の普及と時期的に一致している。
できる: 検索拡張(RAG)により実在URLの引用生成の精度は改善しており、OpenAI Deep Researchのように幻覚率3.5%程度まで抑えたツールも存在する。
できない: 撤回済み論文の検出さえ確実にはできない(2026年のJMIR研究)。Gemini系Deep Researchツールは幻覚率13.3%と高く、ツール間でばらつきが大きい。捏造引用は現実の論文出版で12倍(2年間)に急増しており、AI活用が問題を悪化させている側面が定量的に確認されている。
なぜ: LLMは「もっともらしい」文字列生成に最適化されており、参考文献の実在確認という外部検証ステップを内在的には持たない。撤回情報のような動的に更新されるメタデータの追跡も学習データの静的性質と相性が悪い。
自律的研究パイプライン(仮説立案→実験→論文執筆) / End-to-end autonomous research pipeline (hypothesis to paper) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: IntologyのZochiは2025年にACL(NLP分野トップのA*会議)本会議への論文採択という「AIが自律的にトップカンファレンスの査読を独力で通過した初事例」を達成したが、投稿前の結果検証など人間の関与が残っていた。Sakana AI Scientist v2はICLR2025ワークショップ(採択率約32.6%)に3本投稿し1本が採択されたが、透明性合意に基づき自主的に取り下げられた。
できる: 研究テーマの着想から実験設計・実行・結果分析・論文執筆までの一連の工程を、限定的な人間監督のもとで自動的に遂行し、少なくとも1件はA*カンファレンス本会議、複数件はワークショップレベルの査読を通過する論文を生成できる。
できない: 2026年4月時点で主要な査読付き学術誌(トップジャーナル)にAI単独生成論文が掲載された例はまだない。Sakana AI Scientistの論文自体、著者らが「幻覚引用」「同じ図の重複使用」等の限界を認めている。完全自律(人間の検証ステップなし)での再現性は確立していない。
なぜ: 科学的発見の核心は仮説の斬新さと結果の解釈の妥当性判断にあり、これは訓練データからの外挿では代替しにくい。また実験結果の捏造・誤読を防ぐための独立検証層が現状は人間に依存している。
研究プロポーザル・助成金申請書作成 / Research proposal / grant proposal writing — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 2026年の報告ではNIHにおいてAI活用度が高い申請書ほど採択率・その後の論文産出数が高い一方、NSFでは同様の優位性が確認されず、機関の審査文化への依存が大きい。AI活用は採択率を上げる一方で「研究アイデアの多様性を狭める」という懸念も指摘されている。
できる: 既存の採択済み申請書のパターンを学習し、審査員に響きやすい構成・文体で申請書を高速にドラフトできる。NIHでは実際に採択率向上という定量的効果が確認された。
できない: NSFは公式審査プロセスへのAI活用を承認しておらず、機関によって受容度が大きく異なる。「勝ちパターン」の模倣に偏るため、真にハイリスク・ハイリターンな独創的研究アイデアの提案力は弱いとされる懸念がある。
なぜ: 助成金申請書の評価は既存の成功パターンとの類似性に大きく影響されるため、模倣に強いLLMとは相性が良い反面、その特性自体が「これまでにない発想」の提案を苦手とする理由にもなっている。
仮説生成 / Hypothesis Generation — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 大量文献の統合速度ではシニア研究者を凌駕する（ドラッグリポジショニング候補の選定が「週単位→時間単位」に短縮された事例あり）が、DeepMind CEOのHassabis自身が2026年時点で『真に新しい仮説やアイデアはまだ生成できない』と明言しており、パラダイム内の再結合に留まる。
できる: 既存文献・知識グラフの大規模統合による仮説候補の提示、創薬ターゲットの再提案（ドラッグリポジショニング）、既知メカニズムの新規な組み合わせの提案。Google AI Co-Scientistは急性骨髄性白血病の薬剤再利用候補やAMR機序の仮説をin vitro検証済みで提示。
できない: 既存パラダイムを覆す、または既存科学と非整合な真に新しい理論・仮説の生成。評価基準自体が既存文献との整合性や模擬査読通過率に依存するため、パラダイム転換的な仮説は原理的に低評価になりやすい。
なぜ: LLMは訓練データの補間・再結合に本質的に依存し、仮説の『新規性』を測る内部基準が既存の科学的合意との整合性チェックに偏っている。
実験計画立案 / Experimental Design & Protocol Generation — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 既知プロトコルの組み合わせ・パラメータ探索計画の立案は博士課程学生相当だが、未知の安全リスクを予見した実験設計や、装置制約を踏まえた現実的な計画修正は専門家に劣る。
できる: 既存プロトコルテンプレートに基づく実験計画のドラフト作成、ハイスループット実験のパラメータ探索計画立案、2026年8月の拡張Co-Scientistプレプリントでは実験コード生成とラボ機器への直接コマンド発行まで到達。
できない: 予期しない安全上のリスク（試薬相互作用、装置限界）を経験的直観で回避すること、真に新規な実験手法・測定原理自体の発明。
なぜ: 訓練データが公開済みプロトコル文献に偏り、実地でのヒヤリハット経験（非形式知）を欠くため、安全に関する常識的判断が弱い。
材料科学でのAI発見 / AI-Driven Materials Discovery — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 安定性予測の精度（GNoMEで80%）は従来手法（約50%）を大きく上回り専門家の初期スクリーニングを代替できるが、『新規合成に成功したか』の検証では2026年にBerkeley A-Labの成果が『41種の新規化合物』から『36種（新規の語を削除）』へ訂正されるなど、自己申告の過大評価が実証された。
できる: 2.2百万種の新規結晶構造候補の大規模スクリーニング、リチウムイオン伝導体528種の提案（従来比25倍）、層状化合物5.2万種の提案。外部研究室が独立に736種を実験合成、自律ラボ(A-Lab)が41種の新レシピで合成に成功（2026年の訂正後は36種）。
できない: 予測した材料が実際に合成可能・安定・目的の物性を持つことを自己検証だけで確定すること。A-Lab論文は材料化学者からの指摘を受けて2026年に訂正され、『新規』の主張が一部撤回された。
なぜ: 計算上の安定性予測（DFT・機械学習ポテンシャル）と実際の合成可能性・不純物耐性の間にギャップがあり、自己評価パイプラインの検証基準が甘くなりやすい。
創薬パイプラインでのAI活用 / AI-Driven Drug Discovery Pipeline — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 分子設計・標的予測の初期段階は専門家の作業量を大きく削減する（Isomorphic LabsのISM8969が2026年1月にFDAクリアされ治験入り）が、2026年時点でAI創薬発の承認薬はまだ存在せず、AIはPhase2/3の生物学的不確実性そのものは短縮できていない。
できる: 分子設計・標的予測の高速化（AlphaFold3ベースのIsoDDE）、Recursionの細胞画像・オミクスAIによる年間1億分子超のスクリーニング、REC-4881など一部化合物での臨床データ（家族性大腸腺腫症で75%が病変縮小）。
できない: 臨床試験のPhase2/3を短縮すること、薬効・安全性という生物学的不確実性そのものを解消すること、2026年時点でAI創薬由来の承認薬を生み出すこと。ASCO2026の分析では117のAI創薬資産中Phase1完了は51.3%、Phase2完了はわずか6.8%。
なぜ: AIが加速できるのは分子設計・標的探索という『川上』工程のみで、臨床試験の律速要因（患者の生物学的多様性、長期安全性データの蓄積時間）はAIでは短縮できない。
物理・化学シミュレーション / Physics & Chemistry Simulation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 気象予測ではAI(GenCast/WeatherNext)がECMWFアンサンブル予報を96%以上の指標で上回り、NOAAが2026年1月から現業運用を開始するなど専門家超え（人間の物理ベースモデルより広範囲・高速）の領域が出現。一方、分子動力学の反応障壁・相転移予測は依然としてab initio精度に届かない。
できる: 気象・台風進路予測での運用精度向上（ECMWF HRESを90%超の指標で上回る、6〜12時間のリードタイム優位）、機械学習ポテンシャル(MLIP)によるほぼ全周期表を対象とした汎用原子シミュレーション、力の誤差を5〜15倍改善するファインチューニング。
できない: MLIP基盤モデルは反応障壁・相転移・材料安定性の高精度予測には未到達。分子動力学の全領域でab initio精度を安定的に代替することはできない。
なぜ: 気象は大規模観測データによる教師あり学習に適した問題である一方、化学反応の遷移状態やまれな事象は訓練データが疎で外挿性能が不足する。
湿式実験の自律実行（自律ラボ） / Autonomous Wet-Lab Execution (Self-Driving Labs) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 閉ループ最適化のような限定タスク（触媒条件探索など）では人間より高速だが、装置間の相互運用性・想定外事態への対応は熟練テクニシャンに大きく劣り、『沈黙する失敗』（エラーを出さず不良データを生成し続ける）という固有のリスクを抱える。
できる: 既定のプロトコル空間内での閉ループ実験（合成条件探索、触媒最適化）の連続無人運転（A-Labは17日間連続稼働）、既知の反応系での再現性の高い自動実験。
できない: 予期しない装置トラブルや化学的異常を検知して安全に停止・修正すること、多様な化学操作全般を人間の化学者と同等にこなすこと。液体ハンドラは『生物学的に盲目』で、アッセイの意図を理解せず与えられた手順を機械的に実行するのみ。
なぜ: 自律ラボの相互運用性（実験来歴の記録形式、ワークフロー意味論）が標準化されておらず、異常検知のためのセンサ・監督機構が未成熟。
論文の再現実験（Reproducibility） / Reproducing Published Research — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: コードとデータが公開済みの計算系研究の再現ではジュニア研究者に近い成功率を出す場合があるが、難度が上がる（新規データ取得が必要、非計算系の実験）と成功率が急落し、専門家との差が顕著に開く。
できる: 公開コード・データを用いた計算論文の再現実行、環境構築・依存関係解決の自動化（CORE-Bench等で評価）。
できない: 新規データ取得が必要な再現、天文学・社会科学など専門知識依存度の高い分野での高精度な再現判定。あるベンチマークでは易しいタスクで60%の精度に対し、最も難しいタスクでは21%まで低下。
なぜ: 再現には『コードを動かす』以上に、暗黙知（実験室固有の手順、データクリーニングの非公開な判断）が必要な場合が多く、LLMエージェントはそれらの文脈を文献から読み取れない。
先行技術調査 / Prior Art Search — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 意味的検索（キーワード一致でなく概念類似）による網羅性・速度は経験豊富なサーチャーを上回る場面が増えているが、非特許文献の周辺文脈や均等論的判断は依然として人間の専門判断に依存する。
できる: 自然言語での発明記述から概念的に類似する特許・非特許文献を高速検索、USPTOも内部AIツール(Similarity Search)を2022年から運用し2026年にASAP!パイロットを拡大。
できない: 非自明性・均等論といった法的判断そのものを確定させること、ニッチな非特許文献（学会予稿、業界標準文書等）の文脈依存的な関連性を完全に見抜くこと。ASAP!プログラムは2026年6月時点でも本格運用でなくパイロット段階。
なぜ: 特許性判断は法的基準（非自明性）と技術的知識の両方を要する複合判断であり、意味的類似度スコアだけでは代替できない。
特許明細書・クレームの下書き / Patent Specification & Claim Drafting — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 発明開示書からクレーム・明細書・図面ラベルまで一体で約15分のドラフトを生成できる点は新人弁理士より速いが、2026年の実務パターンでは『すべての独立クレームを弁理士が見直し・書き直す』ことが標準工程として維持されており、単独出荷は不可。
できる: 発明開示書（インタビュー内容）からクレーム・明細書・図面ラベル付けを含む初稿を一体生成、先行技術・§101（Alice）リスクを踏まえた条項構造の提案。
できない: 独立クレームの範囲戦略・訴訟リスクを踏まえた最終判断を人間の関与なしに行うこと。AIレビューツール自体が「前提の欠如（antecedent basis）」「§101リスク」等のエラーを頻繁に検出しており、無修正での出願は品質・無効化リスクを伴う。
なぜ: クレーム文言は法的な権利範囲を直接規定するため、わずかな表現の違いが権利範囲や無効化リスクに直結し、訴訟実務の暗黙知（判例動向、審査官の運用傾向）が必要。
既存技術の新規組み合わせ・TRIZ的発明支援 / Cross-Domain Ideation & TRIZ-Style Invention Support — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: TRIZの40原理・矛盾マトリックスを特許データベース全体に対して高速適用できる点は専門コンサルタントより網羅的だが、生成された解が『新規だが頑健でない（実現性が低い）』傾向が2026年のベンチマークで確認されており、実装可能性の判断は人間の技術者に劣る。
できる: 技術的矛盾の抽出とTRIZ発明原理の提案（AutoTRIZ, TRIZ-GPT）、特許データベースを横断した類似解決パターンの発見、複数分野をまたぐアナロジー提案。
できない: 提案した組み合わせ解の実現可能性・頑健性を自ら保証すること。2026年のInnoGymベンチマークでは、AIエージェントが『新規性はあるが頑健性を欠く』解を量産する傾向（novelty without robustness）が確認された。
なぜ: 新規性スコアは既存解との差分（埋め込み距離等）で測定される一方、実現可能性・製造容易性は物理的制約や暗黙のドメイン知識に依存し、これを検証する自動評価器が未整備。
特許審査・オフィスアクション対応の自動化 / Patent Examination & Office Action Automation — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 審査官の先行技術調査支援・分類支援は既に内部ツールとして定着し、審査時間短縮に寄与しているが、最終的な特許性判断（進歩性・記載要件充足性）は審査官の法的判断として残り、AIパイロットも2026年6月時点で恒久化されていない。
できる: USPTOのAI先行技術調査ツール(ASAP!)による審査前サーチ支援、商標のClass ACT（国際分類・図形検索コード・疑似マークの自動付与）、AIによるオフィスアクション応答文の下書き生成。
できない: 進歩性・記載要件充足性など最終的な特許性の法的判断を審査官の関与なしに確定させること。ASAP!プログラムはパイロットのまま2026年6月に一区切りとなり、恒久制度化はされていない。
なぜ: 特許性判断は制定法・判例に基づく法的評価であり、行政手続き上、有権者たる審査官の最終判断が制度的に要求されているため。
AI発明者性の法的整理と発明経緯の文書化 / AI Inventorship Legal Status & Contribution Documentation — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: AI自身が発明者になれるかという論点では、2026年に日本最高裁・英国最高裁・スイス連邦行政裁判所などが相次いでAIの発明者性を否定し『発明者は自然人』という国際的コンセンサスが確定した。AIは人間の創作的寄与を裏付ける『発明経緯書』の下書き支援はできるが、この法的判断領域そのものはAIが代替できる性質のものではない。
できる: AI活用プロセスの記録・要約、人間がどの段階でどのような創作的判断（着想・具体化）を行ったかを示す発明経緯書のドラフト作成支援。
できない: AI自身が法的な発明者として認められること、また『人間の創作的寄与の程度』という規範的判断をAIが自律的に確定すること。2026年3月の日本最高裁DABUS判決を含む8件以上の判決が世界的にAI発明者性を否定。
なぜ: 発明者性は各国特許法上『自然人』であることを要件とする制度設計上の概念であり、技術的能力の向上では解決しない法制度側の制約。
探索的データ分析(EDA) / Exploratory Data Analysis — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 整形済みの中規模テーブルデータでは、Claude Code/Code Interpreter系がジュニアアナリスト相当の一次集計・要約統計・欠損値チェックをこなすが、雑然とした実データや業務文脈の異常検知ではシニアアナリストに劣る。
できる: CSV/Excel/DBを読み込み、要約統計・分布・相関・欠損パターンを自動で洗い出し、コードと図表付きで下書きレポートを数分で生成できる。Claude for Excelはセル単位の根拠提示・数式依存関係の保持ができる。
できない: 業務文脈（このカラムの欠損はセンサー故障由来、この外れ値はキャンペーン期間中で正常、等)を踏まえた『なぜこの変数が重要か』の判断は弱く、LongDS-Bench等では長時間・多段の実データ分析タスクで失敗率が高いことが報告されている。ノイズの多い現実データでの自律探索も発展途上（DataClawBench等が2026年に新設された理由もそこ）。
なぜ: 訓練データは整形済みKaggle的データセットに偏りがあり、暗黙のドメイン知識・組織固有の文脈は学習データに存在しないため、統計的パターンは拾えても『意味のある異常』の峻別ができない。
因果推論 / Causal Inference — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 計量経済学者・因果推論の専門家と比べ、LLM単体の因果推定精度は低く、2026年の論文でも『ランダムに近い性能』と評されるケースがある。DAG（因果図）の候補提示など補助タスクでは有用。
できる: 介入変数候補やDAGの叩き台を提示したり、既知の因果推論手法（DID, IV, RDDなど）の選択肢を説明したりする定型的な補助はできる。GPT-4等をガイドに使ったcausal discoveryパイプラインの一部として機能する研究例がある。
できない: 実データでの厳密な因果効果の推定・交絡変数の特定・操作変数の妥当性検証など、統計的因果推論の中核作業は専門家の水準に届かない。『The Illusion of Causality in LLMs』(2026)は、LLMの見かけ上の因果推論力が訓練データに強く依存した意味的パターン想起にすぎず、構造感応的な推論ではないと指摘。
なぜ: 因果推論は観測データだけでなく、実験計画・ドメイン知識に基づく識別戦略が必要であり、LLMは相関パターンの学習に最適化されているため、真の因果構造を汎化的に扱えない。データセットが大きくなるほど精度が落ちるとの報告もある。
統計的検定の妥当な選択 / Appropriate Statistical Test Selection — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 標準的な仮説検定シナリオでは主要LLM（ChatGPT/Claude/Gemini/Grok/DeepSeek/Le Chat）は概ね同等の精度で妥当な検定を選択できるが、モデル間で説明品質・統計的推論力に差があり、統計家の厳密なレビューに完全に置き換わる水準ではない。
できる: 標準的な研究デザイン（対応あり/なしt検定、カイ二乗、ANOVA、ノンパラ検定等）について、20の定型シナリオを用いた2025年Cureus研究では6モデルとも高い一致率で妥当な検定を選べることが示された。
できない: 非定型・複雑な研究デザイン（多重共線性、階層データ、繰り返し測定の欠測パターンなど）での検定選択の妥当性は未検証領域が大きく、モデルによって統計的概念の説明品質にばらつきがある（ChatGPTは推論説明で最下位という報告も）。
なぜ: 定型的な検定選択は教科書的な決定木としてテキストに大量に存在するためパターンマッチで対応できるが、非定型データ構造の妥当性判断には統計理論の深い体系的理解と多くの反例知識が必要で、LLMの学習分布に薄い。
データ可視化 / Data Visualization — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的なグラフ生成（棒グラフ、折れ線、散布図、ダッシュボード）はジュニアアナリスト以上の速度と一貫性で量産でき、DABstepベンチマークでは上位ツールが90%超の精度に達している一方、ツールによる差が大きい。
できる: 自然言語指示から適切なチャート種別・軸・配色を選び、ダッシュボードやピボットテーブル、条件付き書式まで自動生成できる。Claude for Excelはピボットテーブル・グラフ・条件付き書式のネイティブ操作に対応。
できない: 複雑な多変量データの『何を強調すべきか』という編集判断や、認知バイアスを避ける設計（ミスリーディングな軸操作の回避など）は人間のレビューが必要。ツール間の精度差が大きく（Google Agent 88% vs OpenAI Agent 76%など）、速さが精度を保証しない。
なぜ: 可視化の『正しさ』はデータの論理的整合性だけでなく受け手の認知・意思決定文脈に依存するため、汎用ベンチマークのスコアが実務での適切さに直結しない。
分析レポート作成 / Analysis Report Writing — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: GDPval-AAベンチマークでClaude Opus 5・Claude Fable 5.1などが経済的に価値のある実務タスク（文書・スプレッドシート・スライド作成含む）で高いEloを記録しており、定型レポート作成はジュニア〜ミドルアナリスト相当に達している。
できる: データからインサイトを抽出し、経営層向けサマリー・グラフ付きレポート・スライドを自律生成できる。Alteryxの調査では70%のアナリストがAI自動化が業務効果を高めたと回答。
できない: 組織の戦略的文脈や政治的機微を踏まえた『何を言うべきで何を言わないか』の判断、意思決定者の反応を見越した論点の取捨選択は人間の関与が必要。誤った統計を鵜呑みにして拡散した『AI導入の95%失敗』統計のような誤引用の連鎖が実際に発生している。
なぜ: レポートの『価値』は事実の要約精度だけでなく、組織内の利害関係や意思決定への影響を見越した構成判断に依存し、これはLLMの学習目的（次トークン予測）から直接最適化されない。
大規模データセットでのバグ・データリーク検出 / Bug & Data Leakage Detection in Large Datasets — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 経験豊富なMLエンジニア・データサイエンティストが持つ『何か変だ』という嗅覚に比べ、AIエージェントは既知パターンの検出は得意だが、新種のリーク（時系列の未来情報混入、ID相関経由の間接リークなど）の発見率は低い。
できる: train/testの重複行、単純なターゲットリーク（目的変数由来の特徴量）など既知パターンは検出ルールやコードレビューで指摘できる。AgentLeak等のベンチマークにより、最終出力だけでなくエージェントの中間過程(inter-agentメッセージ)でのリーク検出研究が進展。
できない: 最終出力のみを監査する標準的な評価では41.7%のリークが見逃されるという2026年の研究結果があり、複雑な多段パイプラインでの間接的・構造的リークの発見は専門家水準に届いていない。MLE-bench的な競技設定でもエージェントは『動くが最適でない』解に留まりがちで、隠れたリークを自ら疑って検証する姿勢が弱い。
なぜ: リーク検出には『このモデルの性能が良すぎるのはおかしい』という強い事前知識に基づく懐疑的検証が必要だが、LLMエージェントは提示されたタスク達成（精度最大化）に最適化されやすく、自己懐疑的な検証ステップを自発的に十分実行しない。
機械学習パイプライン自動構築(AutoML/Kaggle型) / AutoML / End-to-End ML Pipeline Construction — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: MLE-benchでのメダル率はR&D-Agentで35.1%(オープンソースSOTA)、FM Agentは有効な提出率96.89%と報告されており、『動くパイプラインを完走する』点では実務品質に達しつつあるが、金・銀メダル相当の独創的モデリングは専門家に劣る。
できる: Kaggle形式のコンペで前処理・特徴量エンジニアリング・モデル選択・アンサンブルまで一気通貫で自律実行し、有効な提出を高確率で生成できる。
できない: トップ入賞レベルの独創的な特徴量設計やドメイン特化のモデリング工夫は依然人間の専門家に及ばず、長時間・多段の意思決定が絡むタスクでは失敗率が上がる(LongDS-Bench)。
なぜ: コンペ上位解法は暗黙知・試行錯誤の蓄積に基づく創造的仮説生成に依存する部分が大きく、LLMエージェントは既知の手法の組み合わせ最適化は得意でも、真に新規な仮説空間の探索は限定的。
Deep Researchの網羅的調査・精度 / Deep Research Comprehensive Investigation Accuracy — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: DeepResearch BenchのRACEフレームワークではGemini-2.5-Pro Deep Researchが総合トップ(48.88)、OpenAI Deep Researchが僅差(46.98)。ただしFACTフレームワークでは最良タスクでも事実精度85%を超える製品は無く、専門リサーチャーの厳密性には届いていない。
できる: 5〜30分で数十のソースを横断検索し、矛盾点の指摘や構造化された引用付きレポートを自律生成できる。2026年2月更新でMCP/アプリ連携や信頼ソース限定検索、進捗のリアルタイム追跡・割り込み修正も可能になった。
できない: FACTフレームワークで示される通り、いずれの製品も事実精度85%の壁を越えられておらず、複雑な学際的問い・一次資料の精査が必要な問いでは表層的な要約に留まりやすい。DRACOベンチマークでもPerplexity(70.5%)以外は正答率が50〜60%台に留まる領域がある。
なぜ: Deep Researchは検索結果の要約・統合を行うが、個々のソースの信頼性評価や矛盾する一次資料の重み付けという専門家的判断を体系的には行えず、検索順位や表層的な一致度に引きずられやすい。
幻覚引用・存在しない論文の捏造問題 / Citation Hallucination & Fabricated References — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 人間の研究者は稀に誤引用をするが体系的な捏造は稀。対してDeep Research/LLMは商用システムで引用URLの3〜13%が幻覚、モデルによっては14〜95%の幻覚率という報告があり、専門家との差は依然大きい。
できる: 検索連携（RAG）付きのシステムでは引用精度78%(OpenAI Deep Research)〜94%(検索付きClaude)まで改善されており、単純な事実確認や既知の著名論文の引用では実務利用に耐える水準に近づいている。
できない: 査読前提の学術文献では致命的：NeurIPS 2025の分析では捏造引用の66%が『完全な捏造』(存在しない論文を丸ごと生成)であり、著者の41.5%がBibTeXを未確認でコピペ、17.3%がAI推薦論文を読まずに引用、査読者の76.7%が参照文献を十分確認していないという実態も判明。医学文献での捏造参照率は2023年の1/2828から2026年初頭には1/277まで悪化（約10倍）。
なぜ: LLMは『もっともらしい形式』の文字列生成に最適化されており、著者名・年・タイトルの組み合わせが学習分布上『ありそう』であれば実在確認なしに生成してしまう。検索接続（RAG）で改善するが、検索結果自体の要約時に再度幻覚が混入しうる。
複数論文の統合・比較(データ抽出含む) / Multi-Paper Synthesis & Data Extraction — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Elicitはシステマティックレビューのデータ抽出タスクで81.4%の精度（人間レビュアー86.7%と統計的有意差なし）、別評価では99.4%の一致率を達成しており、定型的なデータ抽出では人間レビュアーに匹敵する場面がある。
できる: PDF論文群から研究デザイン・サンプルサイズ・アウトカムなどの構造化データを高精度で抽出し、比較表を自動生成できる。スクリーニング感度は約97%との報告もあり、大量論文の一次スクリーニングの負荷を50-75%削減する。
できない: 『AI合成は真の学術的意見対立を均してしまい、見せかけの合意（false consensus）に向かう傾向がある』と指摘されており、対立する知見のニュアンスを保持した統合は苦手。網羅的な検索そのもの（生成AIによる検索は関連研究の大部分を見逃す）は専門家の系統的検索に劣る。
なぜ: 統合作業は個々の論文の方法論的な質・妥当性を評価した上で選択的に重み付けする必要があるが、LLMは表面的なテキスト類似性に基づいて『滑らかな』要約を生成しがちで、方法論上の欠陥を能動的に割り引く判断が弱い。
システマティックレビュー相当の再現性・PRISMA準拠 / Systematic Review Reproducibility (PRISMA-grade) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Cochraneは約15件のレビュー更新でAIツールを試験導入中だが、独立した完全自動レビューは認めていない。人間スクリーニングの再現率85.2%に対し、AI単独手法はそれを下回るケースがあり、人間監督付きのタイトル/抄録スクリーニングのみ『AI活用可』とされている。
できる: タイトル・抄録スクリーニング、データ抽出、リスクオブバイアス評価の下書きを支援し、作業量を50-75%削減できる（人間監督前提）。デュアルモデルアンサンブルでスクリーニング感度がほぼ完全に近づいたとする2025年の検証研究もある。
できない: 生成AIは系統的レビューの中核的方法論ステップ（プロトコル事前登録に基づく網羅的検索式設計、二重独立スクリーニングの完全代替など）を独立して信頼性高く遂行できないとCochrane系のスコーピングレビューで明言されている。AI検索は透明性・再現性の面で従来の系統的検索式に劣る。
なぜ: PRISMA準拠のレビューは『検索式の網羅性の事前定義』と『バイアスの体系的排除』という監査可能なプロセスの厳密性を要求するが、LLMの検索・判断はブラックボックス的で試行間の再現性が保証されないため、規制・査読上の要求水準を満たせない。
最新研究動向の把握・トレンド追跡 / Tracking Latest Research Trends — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: arXiv等の大量新着論文を横断的に走査し、キーワード・引用ネットワークからトレンドを要約する速度・網羅性は既に専門家個人の手作業を上回るが、『本当に重要な萌芽的研究』を見抜く目利きは専門家に劣る。
できる: 日次・週次で分野別の新着論文をスキャンし、要約・分類・話題クラスタリングを自動生成できる。AstaBench等の科学研究エージェント評価基盤も整備され、継続的なウォッチング用途では既に広く実務利用されている。
できない: 『引用数がまだ少ないが将来ブレイクする研究』を予見する眼力（専門家の暗黙知・コミュニティ内の口コミ的情報）は再現できず、話題化していない地味だが重要な研究を見逃しやすい。またAI生成サーベイ論文の急増自体が『研究コミュニティへのDDoS』と批判される副作用も生じている。
なぜ: トレンド把握は表層的な引用・言及頻度に強く依存するアルゴリズムで代替しやすい一方、真に重要な研究の初期評価には専門家コミュニティの査読前情報流通（学会での口頭発表の反応等)という非テキスト情報が必要で、LLMの学習データに反映されにくい。
Deep Researchの自律タスク遂行時間(task horizon) / Autonomous Task Horizon for Deep Research — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: METR Time Horizon 1.1(2026年1月)によれば、AIエージェントが50%の成功率で完遂できるタスクの時間的長さは2024年以降どおり約3か月ごとに倍増しており、Deep Research用途では概ね5〜30分の自律探索が標準（人間アナリストの数時間〜数日の調査に相当する範囲を部分的にカバー）。
できる: 1回の指示で数十のWebソースを横断し、5〜30分間の自律的な情報収集・矛盾点特定・構造化レポート作成を完遂できる。2026年2月以降はMCP接続や信頼ソース限定検索、進捗のリアルタイム追跡・途中修正も可能になった。
できない: METR自身が『Time Horizon 1.1の16時間超の推定値は信頼できない（タスクスイートが飽和している）』と警告しており、数日〜数週間かかるような本格的な文献調査プロジェクト全体を人手を介さず自律完遂できる水準にはまだ達していない。
なぜ: 長時間タスクでは誤りの蓄積・文脈の逸脱・途中のセルフチェック不足が複合的に悪化するため、タスク時間の指数的増加に対してモデルの信頼性は追いついておらず、ベンチマーク自体も長時間タスクの評価が困難（飽和）になっている。
デジタル集積回路の物理設計(フロアプラン・配置配線) / Digital IC Physical Design (Floorplanning, Placement & Routing) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: GoogleはAlphaChipのフロアプランが人間のレイアウトエンジニアを一部指標で上回り数時間で完了すると主張し実際に5世代のTPUとAxion CPUに採用されているが、Markov(2023)らは比較条件の公平性(人間側の計算時間制約等)に疑義を呈しており、専門家超えの合意は未確定。
できる: フロアプラン・配置配線をAIが数時間で生成し量産チップに採用(TPU 6世代=Trillium含む、Axion)。Cadence/SynopsysともにML配置配線エンジンを主力EDAツールに統合済み。SynopsysはAMD/Microsoftと自律型デバッグ・実装クロージャーworkflowを共同開発し初期結果でサイクルタイム40%削減、20社が25以上の専門エージェントを評価中。NVIDIAは次世代チップの設計にこれらのエージェントを利用。
できない: RTLからGDSIIまでの全フローを人間のサインオフなしに完結させることはできない。新規アナログ/RFブロックの設計は不可。「superhuman」の主張自体に技術的異論があり、比較条件次第で結果が変わる。安全性・責任の所在(engineering intent, risk decision, sign-off accountability)は依然として人間が保持。
なぜ: 検証・サインオフには決定論的な保証が必要だがLLM/強化学習の出力は確率的であり、規制・トレーサビリティ要件を満たす説明可能性が不足。チップ物理設計の探索空間は組合せ的に膨大で、汎用推論ではなくドメイン特化の報酬設計が必要。
アナログ・RF回路設計 / Analog & RF Circuit Design — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 既知のリファレンス設計パターン内での下書きは秒単位で可能だが、ノイズ・線形性・マッチング・経年劣化のトレードオフを要する新規アナログ/RFフロントエンド設計は専門家の代替になっていない。
できる: パターン化された回路(参照設計が合意済みのもの)の下書きを秒単位で生成し、シミュレーション支援によるサイジングを補助できる。
できない: 新規のアナログフロントエンドやRFのタイトレイアウトは発明できず、生成物は「自信ありげだが凡庸」になりがち。安全性が絡む冗長性・フォールトトレランス設計の妥当性検証は人間が行う必要があり、LLMの確率的・自己回帰的な性質はアナログ検証が要求する厳密な決定論と構造的に不整合。
なぜ: アナログ領域は連続非線形物理現象を扱い、成功/失敗事例とシミュレーション結果を結びつけた大規模学習データが乏しい。検証はハードウェア設計工数の50%超を占めるボトルネックであり、意味論的分散・潜在的因果依存・数値精度の解決にLLMは構造的に不向き。
プリント基板(PCB)設計 / PCB / Circuit Board Design — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 標準的な部品配置とルーティングを伴う一般的な基板については、プロンプトから製造データまでの自動パイプラインが2026年時点で実用段階に入っているが、高速信号・RF・新規フォームファクタのEMI対策は専門エンジニアのレビューが必須。
できる: 標準クラスの基板であればプロンプトから製造用ファイル(fabricated PCB)までのパイプラインが構築可能。配置配線の自動化は成熟しつつある。
できない: 高速信号設計やRF基板、新規フォームファクタでのEMI抑制、DFM(製造性設計)の最終サインオフを人間なしに完結できない。
なぜ: 物理法則に基づくトレードオフ(信号完全性、熱、EMI)に関する失敗事例データが乏しく、アナログ設計と同様の検証ボトルネックを抱える。
アルゴリズム設計・発見(AlphEvolve型) / Algorithm Design & Discovery (AlphaEvolve-style) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: AlphaEvolveは4x4複素行列乗算で1969年のStrassenアルゴリズムを57年ぶりに更新するなど、少数の一流数学者・アルゴリズム専門家でも到達できなかった成果を出しているが、化学・生物学など評価関数が自明でない領域への一般化は未実証。
できる: 自動検証可能な問題(行列乗算、データセンタースケジューリング、量子回路最適化、Google社内インフラ改善)でアルゴリズムを発見・改良し、Google Willow量子プロセッサでの分子シミュレーションを可能にするなど実運用に投入済み。自身の後継LLM訓練の効率化にも寄与。
できない: 機械的に検証可能な目的関数(automated evaluator)が存在しない、あるいは構築コストが高い領域(化学・生物学のようなウェットラボ実験が必要な分野)には一般化できない。オープンエンドな理論的発見ではなく、進化的探索+検証器によるガイド付き探索であり、一部「発見」の新規性についてはNYUのErnest Davisらから誇張との指摘もある。
なぜ: 進化的アルゴリズムは高速・安価・精密な自動評価器に依存するため、評価コストが高い/曖昧な領域では機能しない。
機械設計CAD・生成設計/トポロジー最適化 / Mechanical CAD, Generative Design & Topology Optimization — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 2026年に公開された複数のtext-to-CADベンチマーク(Text2CAD-Bench, CADTests, MUSE, RealCADBench)は、基本的な形状生成では実務レベルに近づく一方、複雑なトポロジーや製造可能性・組立可能性を要する設計では実務未満(junior以下)であることを示している。
できる: テキスト/画像プロンプトからパラメトリックCADを生成(Zoo.dev Zookeeper等)、Autodesk Fusionのようにトポロジー最適化を生成設計ループに直接組み込み、CADフォーマット間変換やエラー自動修正も可能。
できない: 複雑な複数パーツ組立の製造可能性・機能性・組立可能性を安定して満たせない(MUSEベンチマークで実証)。実行可能かつ幾何学的に有効なB-Repの生成、設計意図との整合性の保証ができない。制約が曖昧な場合の創造的なシステム全体設計は困難。
なぜ: 幾何学的類似度指標(chamfer distance等)は形状の見た目の一致は測れても、実行可能性や製造性・設計意図との整合は測れない。パラメトリックCADの完全な設計履歴を含む学習データが乏しい。
安全性検証・形式検証(V&V) / Safety-Critical Verification & Validation — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 検証工程はハードウェア開発工数の50%超を占めるボトルネックであり、CadenceのChipStack+Jasper Formalは初期顧客報告でRTL検証サイクルを5週間から1日未満に短縮したと主張する一方、AnalogVerifier論文はLLMの確率的性質が検証に求められる決定論的保証と構造的に不整合と指摘している。
できる: 大規模な自動回帰・形式検証スイート(Xcelium/Jasper等)をエージェントが実行し、カバレッジ解析を自動化。CadenceはRTL検証ループを40倍高速化したと報告。
できない: 航空宇宙・自動車・医療機器など安全性が問われる設計のサインオフ責任を独立して負うことはできない。新規/アナログ領域での健全性(soundness)の保証、規制上必要な説明可能性の担保ができない。
なぜ: LLMの出力は確率的である一方、安全認証には決定論的な保証が要求される。ヘルスケア・航空宇宙・自動車のような説明可能性が重視される領域ではAIの不透明性が導入障壁として明記されている。
文書・表計算・連絡・サポート。定型は強いが、社内事情と責任は人に残る
議事録の作成 / Meeting minutes and summary generation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 一般的な議事録担当者と同等以上。音声認識95-98%＋要約は既に実務投入されており、専門用語や訛りがなければ人手を上回る速度と網羅性
できる: Zoom/Teams音声から自動文字起こし→ToDo抽出・要約→Notion/Slack配信まで無人で完結。複数話者の発言帰属も概ね正確
できない: 専門用語・強い訛り・雑音下では80-90%に精度低下／『誰が何を合意したか』の政治的ニュアンスの取捨選択は誤る／機密発言の要約に注意不足で情報漏洩リスク
なぜ: 音声認識自体は成熟しているが、意味的な重要度判断（何を残し何を削るか）はコンテキストと組織力学の理解を要し、汎用LLMの弱点として残る
報告書・レポートの作成 / Business report writing — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: GDPvalでGPT-5.2 Proが業界専門家の成果物に対し74%の勝敗+引き分け率を記録。ジュニア〜中堅アナリスト相当のレポート下書きは既に専門家と見分けにくい
できる: 定型フォーマットの月次/週次報告書、データ添付のサマリーレポートを一発生成。複数ソースの統合と体裁調整
できない: 社内政治や『誰に何をどう見せるか』という読み手戦略の勘所の反映、一次情報の検証なしでの数値のハルシネーションリスク
なぜ: GDPvalは静的な成果物評価であり、レポートの前提となる社内文脈の収集・検証は別スキル。学習データにない社内固有情報は生成できない
提案書・RFP回答書の作成 / Proposal and RFP response drafting — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 提案チームの生成AI採用が1年で34%→68%に倍増。ドラフト作成時間を50-70%削減できるが、まだ営業担当のレビューと差別化要素の追加が前提
できる: 過去提案書からのコンテンツ再利用、コンプライアンス項目の自動チェック、下書きの高速生成
できない: クライアント固有の勝ち筋・差別化ストーリーの独自構築、価格戦略などセンシティブな意思決定
なぜ: RFP対応は検索・再利用が主体のタスクは得意だが、競合分析を踏まえた説得の設計は人間の営業判断に依存
稟議書・社内承認文書の作成 / Internal approval memo (ringi) drafting — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型フォーマットへの当てはめは若手社員並みだが、決裁者ごとの説得ポイント調整や社内規程の暗黙知反映は未熟
できる: 過去の類似稟議・社内規程を参照したテンプレート生成、必要添付書類のチェックリスト化
できない: 決裁者の力学（誰が難色を示すか）を踏まえた文面調整、規程に明記されない『慣習』への対応
なぜ: 社内固有の非公式ルールや承認者の個性はドキュメント化されておらず学習不可能。RAGでも暗黙知は拾えない構造的限界がある
メール下書き・受信箱の仕分け / Email drafting and inbox triage — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型返信・仕分けはベテラン秘書相当以上の速度。トーン調整も高精度
できる: 受信箱の優先度分類、テンプレ返信の自動下書き、フォローアップのリマインド
できない: 交渉が絡むメール（値引き要求への回答等）の最終判断、複数ステークホルダーの空気を読んだ言い回し選択は誤ることがある
なぜ: 分類・下書き生成は明確なパターンマッチングで解けるが、政治的判断を伴う返信は責任所在の問題もあり自動化が敬遠される
予定調整・スケジューリング / Meeting scheduling and calendar coordination — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 2名間の日程調整はアシスタント相当だが、複数人・複数カレンダーシステム（Google×Outlook混在）を跨ぐ調整はまだ不完全
できる: 1対1の会議提案、空き時間の自動抽出、リマインダー送信
できない: GoogleカレンダーとOutlook/Exchangeを跨ぐ調整は非対応（Geminiは他社カレンダー未対応）、大人数のグループ調整
なぜ: カレンダーAPIのエコシステムが分断されており、ベンダー横断の統合が技術的・ビジネス的障壁になっている
Excel数式・マクロの自動生成 / Excel formula and macro generation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的な数式生成・ピボットテーブル作成は中級Excelユーザーを既に上回る速度
できる: 自然言語からの数式生成、データのトレンド抽出、ピボットテーブルの自動作成、平均15秒未満で応答
できない: 複雑な業務要件を踏まえたシート設計そのものの立案（何を計測すべきかの判断）
なぜ: パターン化された関数生成はLLMの得意領域。何を分析すべきかという問いの設定は業務理解に依存し弱い
財務モデル構築（三表統合モデル等） / Financial model building (3-statement models) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 最良のツールでもジュニアアナリストの水準に届かない。完全自動でのモデル構築は未達
できる: 数式提案・データのサマリー化・トレンド分析・簡単な感応度分析の補助
できない: 案件概要からの三表統合モデルの自動構築、ウォーターフォール配分の計算、DSCR制約下でのデット・サイジング、機関投資家水準の多タブ構成
なぜ: 財務モデリングは業界慣行・案件固有の前提の連鎖が長く、暗黙の構造規約（タブ構成、リンク方式）を厳密に守る必要があるため、生成に弱い
BIダッシュボード作成・データ分析 / BI dashboard creation and data analysis — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的なKPIダッシュボードやトレンド分析はデータアナリストの初動作業を代替する水準
できる: 自然言語でのデータ質問応答、グラフ生成、異常値のハイライト
できない: 指標設計そのものの妥当性検証、データ品質問題（欠損・重複）の業務文脈に応じた判断
なぜ: 可視化自体はコモディティ化しているが『何を測るべきか』の設計は業務戦略の理解が必要
大量データのクレンジング・異常検知 / Large-scale data cleaning and anomaly detection — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的な重複除去・欠損値検知はアナリストの下働き作業を代替する水準
できる: フォーマット不整合の検出・修正案提示、統計的異常値のフラグ付け
できない: 業務ルールに基づく『正常だが数字上は異常に見える』ケースの判別（季節性・特殊要因の理解）
なぜ: 統計的パターン検出は得意だが、業務文脈依存の正常/異常判定には現場知識が必要
請求書・領収書のOCR・仕訳処理 / Invoice/receipt OCR and journal entry automation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: OCR+AI仕訳は95-99%の精度に達し、経理担当者の定型入力作業を上回る速度で処理
できる: 領収書からのデータ抽出、GLコードの自動予測、重複請求・規程違反のフラグ付け
できない: グレーゾーンの経費判断（接待交際費の妥当性等）、取引先マスタにない新規パターンへの対応
なぜ: 構造化文書からの抽出はコンピュータビジョン+LLMの得意領域だが、社内規程の解釈を要する例外処理は依然弱い
経費精算・突合 / Expense reconciliation — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 標準的な突合作業は経理担当者相当だが最終承認は人が担う運用が主流
できる: レシートとカード明細の自動突合、ポリシー違反の自動検知
できない: 責任を伴う最終承認、稟議未了の特殊経費のグレー判断
なぜ: 承認行為には責任の所在という制度的な理由でAIへの権限委譲が制限されている
決算・財務報告書の作成 / Financial closing and reporting — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 経験豊富な経理担当者の判断を要する仕訳の妥当性検証や見積り項目の扱いはまだ未熟
できる: 定型フォーマットへのデータ集計、前期比較コメントの下書き
できない: 会計方針の判断を要する見積り（貸倒引当金等）の決定、監査対応での説明責任
なぜ: 会計判断は法的責任を伴い、誤りが財務諸表の信頼性に直結するため人間の最終確認が制度的に必須
税務申告書類の作成 / Tax filing preparation — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的な申告書類の下書きは税理士補助レベルに到達しつつあるが、最終責任は有資格者が負う
できる: 領収書・帳簿からの申告書下書き生成、控除項目の見落としチェック
できない: グレーゾーンの節税スキーム判断、税務調査対応の交渉
なぜ: 税務は法解釈と責任問題が絡み、AIの判断ミスが罰則に直結するリスクがあるため人間資格者の確認が制度的に必要
書類選考・レジュメスクリーニング / Resume/CV screening — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Fortune500の99%が採用選考にAIを利用するほど実務浸透しているが、差別訴訟が相次ぎ『実務品質』止まりで格上げされていない
できる: 大量応募者の一次スクリーニング、キーワード・経歴マッチング、採用担当者の負荷を大幅削減
できない: 属性（年齢・障害・人種）を代理変数（employment gap等）で差別してしまうバイアス排除、説明責任のある落選理由の提示
なぜ: 訓練データの歴史的バイアスの継承、ブラックボックス性による説明責任の欠如が構造的問題。技術というより制度・法務のリスクで頭打ち
求人票・職務記述書の作成 / Job description writing — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的な求人票作成は人事担当者を上回る速度と一貫性で生成可能
できる: 職務内容の要件定義から募集文言まで一発生成、バイアス語句の自動検出・修正
できない: 極めてニッチな専門職の技術要件の正確な言語化（現場ヒアリング不足時）
なぜ: テキスト生成タスクとして純粋に得意な領域。専門知識の不足のみが制約
面接評価・候補者アセスメント / Interview evaluation and candidate assessment — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 構造化面接の文字起こし・要約支援は可能だが、人物評価そのものの自動判定は差別訴訟リスクから抑制的に運用
できる: 面接記録の要約、評価基準への照合チェックリスト化
できない: 候補者の人物評価そのものの自動判定（信頼性・チームフィット等の定性判断）、AIスコアのみでの合否決定
なぜ: 対人評価は数値化が難しい要素が多く、加えてAI単独判定は法的リスクが高いため企業側が意図的に自律度を抑えている
人事評価文書の作成 / Performance review drafting — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 評価コメントの下書きは中堅マネージャー相当。フィードバックの一貫性・具体性は人より優れる場合も
できる: 目標達成データからの評価文コメント下書き、フィードバックのトーン調整
できない: 評価点そのものの決定（評価者の責任）、人間関係を踏まえた伝え方の機微
なぜ: 評価は人事上の責任行為であり、最終評価権限を人が保持する制度設計になっている
給与計算・労務コンプライアンス管理 / Payroll processing and labor law compliance — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的な給与計算は自動化が進んでいるが、労働法解釈が絡む例外対応は社労士水準に届かない
できる: 勤怠データからの給与計算、法改正情報のアラート
できない: 労働法の解釈が分かれるグレーケースの最終判断、労使紛争の対応
なぜ: 労働法は地域・業種ごとに複雑で頻繁に改正され、誤りが訴訟リスクに直結するため保守的な運用が続く
アウトバウンド営業・SDRのメール送信 / Cold outreach / AI SDR — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 良く調整されたAI SDRは人間平均を上回る返信率（3.8% vs 業界平均0.3-0.5%）を達成する例が報告
できる: 見込み客リサーチ、パーソナライズされたコールドメール文面生成、大量送信の自動化
できない: 商談化後の関係構築・価格交渉、業界特有の暗黙のニーズ発掘（深い関係性からの示唆抽出）
なぜ: 定型パーソナライズは得意だが、信頼構築という長期的・感情的なプロセスは人間関係に依存
広告運用・予算最適化 / Ad campaign management and budget optimization — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 入札最適化・クリエイティブABテストは既にプラットフォーム標準機能として専門家並みの成果
できる: 自動入札、クリエイティブバリエーション生成、リアルタイム予算再配分
できない: ブランド毀損リスクを伴う攻めたクリエイティブの最終判断、規制業界（金融・医療）の表現審査
なぜ: 数値最適化はAIの得意領域だが、ブランド価値判断や法規制の解釈は文脈依存で人間の関与が必要
SNS運用・コンテンツマーケティング / Social media content and marketing operations — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 投稿文・画像案の量産は専門家並みだが、バズる『意外性』の設計は人間の勘に依存する場面が多い
できる: 投稿カレンダー作成、複数バリエーションの文案・画像生成、エンゲージメント分析
できない: 炎上リスクの察知と回避、文化的文脈の機微を踏まえた表現判断
なぜ: パターン生成は得意だが、社会的タブーや時事的敏感さの判断は訓練データの偏りとリアルタイム性の欠如で弱い
営業提案書・ピッチデック作成 / Sales proposal and pitch deck creation — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: テンプレートへの当てはめとデザイン生成は若手営業並み。顧客固有の刺さるストーリー設計はまだ弱い
できる: 会社概要・実績データからのデッキ自動生成、デザインテンプレート適用
できない: 顧客の意思決定者の琴線に触れる独自ストーリーテリング、競合との差別化の核心的訴求点の発見
なぜ: 表面的な体裁生成は得意だが、顧客理解に基づく説得設計は営業担当者の関係性資本に依存
チャットサポート一次対応 / Tier-1 chat customer support — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的なFAQ対応・簡単なトラブルシューティングは既にオペレーター平均を上回る速度と一貫性
できる: 24時間365日対応、注文状況確認、簡単な返品・交換手続き、複数言語対応
できない: 感情的に高ぶった顧客への共感的対応、規約に明記されない例外対応の判断
なぜ: 情報検索型の対応は得意だが、感情労働・信頼回復を要する対応は訓練上獲得しづらい
電話サポート・複雑なクレーム対応 / Phone support for complex complaints — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Klarnaの事例が象徴的に、AIによる完全代替は顧客満足度悪化とコスト増を招き撤回された
できる: 単純な問い合わせの音声対応、基本情報の確認と一次振り分け
できない: 感情的なクレーム対応でのサービスリカバリー判断、規約の例外適用（返金可否等）の裁量的決定、信頼・リスク管理を要する場面での適切な判断
なぜ: カスタマーサービスは情報処理だけでなく信頼・感情・リスクの管理であり、AIが『人の代わりに使われた』ことが失敗要因とKlarna自身が総括している
チケット分類・エスカレーション判定 / Support ticket triage and escalation routing — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 優先度判定・担当振り分けは既にオペレーター相当以上の一貫性
できる: 感情分析による優先度付け、コンテキスト（過去のやり取り）を人間エージェントへ引き継ぎ
できない: エスカレーション後の引き継ぎでコンテキストが失われる設計の場合、顧客の再説明の苦痛を防げない
なぜ: 引き継ぎの技術自体は解決可能だが、システム間連携の実装不備という運用上の問題が実際の失敗要因になっている
苦情対応・返金判断 / Complaint de-escalation and refund decisions — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 返金・補償の裁量判断は依然として人間管理職の承認が必須な運用がほとんど
できる: 返金ポリシーに沿った定型判断の提案、過去事例の参照
できない: ポリシー外の特別対応判断、企業の評判リスクを踏まえた例外対応
なぜ: 金銭的裁量権の委譲は企業のリスク管理方針上、意図的に制限されている。技術的制約よりガバナンス上の制約が支配的
契約書・マニュアル等の文書翻訳 / Business document translation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型言語ペアの構造化文書では既に人間翻訳者と見分けがつかない品質。翻訳者の『AI代替リスク』評価は100点中81点で『Critical』
できる: 主要言語ペアでの高品質な一発翻訳、大量文書の高速処理、用語集を踏まえた一貫性維持
できない: 法的契約書の一字一句が命取りになる場面での完全無検証利用、非構造的な文化的ニュアンスの完全再現
なぜ: ニューラル機械翻訳の精度は構造化文書で飽和しつつあるが、法的責任を伴う文書は人間レビューが必須という制度的要請が残る
会議同時通訳・逐次通訳 / Live simultaneous/consecutive interpretation — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的なビジネス会話の同時通訳は実用水準に近づいているが、専門通訳者の間合い・場の空気を読む調整には及ばない
できる: リアルタイム字幕・音声通訳、定型的な議事の逐次通訳
できない: 交渉場面での駆け引きを踏まえた意訳、非言語的な場の空気を読んだ間の取り方
なぜ: リアルタイム性と文脈保持の両立が技術的に難しく、加えて高利害場面では誤訳の許容度が極めて低い
ローカライズ品質チェック（MTPE） / Localization quality assurance (MTPE) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 機械翻訳ポストエディット(MTPE)のワークフローは既に業界標準化。Time to Edit指標で品質管理が確立
できる: 一次翻訳の高速生成、用語集・スタイルガイドの一貫性チェック、翻訳品質スコアリング
できない: ブランドボイスの創造的なローカライズ判断、文化的タブーの完全な自動検出
なぜ: 品質のばらつき検出は定量化できるが、ブランドの『らしさ』という定性的判断は人間の感性に依存
契約書レビュー・リスク条項抽出 / Contract review and risk clause extraction — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 条項抽出の精度は94%超、法律文書分類でMacro-F1 0.921を達成する研究結果もあり、契約書レビューは実務投入が進む
できる: 契約書の条項レベル抽出、市場標準との比較ベンチマーク、リスク条項のフラグ付け、レビューサイクルを最大80%短縮
できない: 交渉戦略の意思決定、前例のない条項の法的リスク評価、最終的な契約締結の意思決定権限
なぜ: パターンマッチングによる条項抽出は成熟済みだが、法的判断とビジネス交渉の統合は弁護士の専門判断領域として残る
ベンダー交渉・調達戦略 / Vendor negotiation and procurement strategy — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 価格・条件のベンチマーク提示は補助になるが、実際の交渉プロセスの遂行は人間の調達担当者が主体
できる: 市場価格のベンチマーキング、複数見積の比較分析、交渉シナリオのシミュレーション
できない: 対面・電話での実際の駆け引き、relationshipに基づく譲歩の見極め
なぜ: 交渉は相手の心理状態の読み取りとリアルタイムの駆け引きを要し、現状のAIエージェントの対人交渉能力はまだ実験段階
発注処理・購買事務 / Purchase order processing — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的な発注書作成・承認ワークフローの処理は既に事務担当者を上回る速度と正確性
できる: 発注書の自動生成、在庫データとの照合、承認ワークフローのルーティング
できない: 例外的な緊急発注時のサプライヤー選定判断、供給網リスクを踏まえた戦略的判断
なぜ: 定型データ処理は完全に自動化可能な領域だが、戦略判断はビジネス文脈の理解を要する
プロジェクト計画立案・スケジューリング / Project planning and scheduling — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: WBS作成・スプリント計画の下書きはジュニアPM相当。実際のリソース制約や政治的優先順位づけはまだ弱い
できる: タスク分解、スプリントグルーミングの提案、負荷分散の可視化、ステータスレポートの自動生成
できない: ステークホルダー間の優先順位対立の調整、不確実性が高い案件でのバッファ設定の勘所
なぜ: 計画立案自体はテンプレート化できるが、組織内の政治的リソース争いの調整は人間のマネジメントスキルに依存
タスク管理・進捗報告の自動化 / Task tracking and status reporting automation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 進捗集計・ステータスレポート生成はPMアシスタント相当以上の速度と網羅性
できる: 複数ツール横断のステータス集約、遅延リスクの自動フラグ、週次報告の自動生成
できない: 遅延の真の原因（チーム内の人間関係トラブル等）の特定と対処
なぜ: データ集計は完全自動化可能だが、遅延の背後にある人的要因の診断は組織理解を要する
社内ナレッジ検索・Q&A（RAG） / Internal knowledge search and Q&A (RAG) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: RAGは本番AIアプリケーションの推定60%を占めるまで普及。単独LLMの約43%のハルシネーション率をRAGで17-33%まで低減
できる: 社内文書からの質問応答、複数ソースの統合サマリー、オンボーディング資料の自動生成
できない: ハルシネーションの完全排除（17-33%は依然残存）、文書化されていない暗黙知・組織文化の反映
なぜ: 検索拡張生成は精度を大幅改善するが、根本的な生成モデルの捏造傾向は完全には解消されず、かつ非文書化情報は原理的に検索不能
新人オンボーディング支援 / New employee onboarding support — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的なFAQ・手続き案内は人事担当者を上回る即応性で対応可能
できる: 社内規程・手続きのQ&A対応、オンボーディングチェックリストの進捗管理
できない: 新人の心理的な不安への配慮、組織文化の非言語的な伝達（暗黙のルール等）
なぜ: 情報提供は自動化できるが、人間関係の構築を通じた文化的社会化は対人接触が本質的に必要
フォーム入力・定型データ入力の自動化 / Form filling and routine data entry automation — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 単純フォーム入力は既に事務員相当だが、サイト構造変化への追従の脆さが実務投入の壁
できる: 決まったフォーマットのWebフォーム入力、複数システム間のデータ転記
できない: サイトのレイアウト変更・Cookie同意バナー・予期しないログアウト等のUI変化への頑健な対応
なぜ: GUI操作はDOM構造の変化に脆弱で、ベンチマークで78%の成功率でも実運用では22%程度まで成功率が落ちるギャップが報告されている
複数アプリ横断の定型業務代行 / Cross-application routine workflow automation — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: TheAgentCompanyベンチマークで最良エージェントでも自律完遂率は30%程度にとどまる
できる: 単純な2-3ステップのアプリ間連携（データ取得→転記→通知等）
できない: 175種の実務タスクの大半（ソフトウェア開発、PM、財務分析等の複合タスク）を自律完遂すること。同僚とのメッセージ交換を要する複雑な調整業務
なぜ: 実際の職場は社内システムの多様性、同僚との対話、複数ツールの連続操作を要求し、単一ベンチマークタスクより遥かに文脈依存性が高い。またMIT調査では導入企業の95%が測定可能なROIを得られていないと報告され、ワークフロー統合の壁が技術以上に大きいことを示す
長時間PC操作タスクの自律遂行 / Long-horizon autonomous computer-use task execution — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: OSWorld 2.0（長時間タスク）ではトップモデルでも完遂率20.6%にとどまり、人間の代替にはまだ遠い
できる: 数十ステップ規模の定型操作の代行（短時間タスク中心のOSWorld 1.0では人間基準72%を上回るスコアも報告）
できない: 平均318回のツール呼び出しを要する長時間タスクの安定完遂、想定外のエラー・ポップアップからの自己修復
なぜ: タスクが長くなるほど途中のわずかなエラーが複利的に蓄積し崩壊する『長距離タスクの脆弱性』が根本課題。METRの時間軸調査でも80%成功基準では3-4時間が限界
医療・法務・金融・教育・建築・心理。技術より資格と責任の構造が天井を決める
画像読影支援(放射線・病理) / Medical imaging diagnostic support (radiology/pathology) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: ChestLink v2.6 vs 放射線科医(多施設1,529例, 2026-02): AI感度99.1% vs 医師72.3%(異常胸部X線検出)。ただし特異度は医師91.8% vs AI 28%と逆転(単体では過検出)。Ibex Prostate Detect: 病理医はAI不使用時に前立腺癌の13%を見逃し、AI heatmap PPVは99.6%。特定タスクの検出感度は専門家超えだが特異度・総合判断は依然人間優位。
できる: 特定臓器・所見(乳がん、肺結節、前立腺癌、糖尿病網膜症等)の一次スクリーニング/セカンドリーダー、異常の優先順位付け(triage)、定型所見レポート下書き
できない: 複合的臨床文脈を統合した最終診断、非定型症例、画質不良時の判断、正式読影レポートへの単独サイン
なぜ: FDA/PMDA承認は狭いユースケース(CADe/CADx、トリアージ補助)に限定され「読影医の最終責任」が制度要件。false positive率がまだ高く稀少疾患の訓練データ不足。医療過誤責任はサインした医師に帰属し自律運用は制度上不可。
問診・トリアージ / History-taking and triage — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: AMIE緊急外来試験(2026, N=100): 盲検評価で医師との鑑別診断の質に有意差なし、safety stop 0件。NEJM AI ED試験(3施設17.4万件): AIトリアージ導入で重症患者特定率78.8%→83.1%、初期対応までの時間33%短縮。ただしLLM単体のESIスコア一致度(39,375例)は最高でもkappa約0.467、精度61.7%で人間看護師の水準には未到達。
できる: 受診前病歴聴取の自動化・要約、緊急度分類の意思決定支援、対話による症状収集で医師の問診時間短縮
できない: 身体診察(視触診・聴診)の代替、非言語的徴候の察知、意思疎通困難な患者への対応、トリアージ最終権限の単独行使
なぜ: 身体診察という物理的行為ができない技術的限界。緊急度誤判定が直接生命に関わるため規制・訴訟リスクが高く自律権限は付与されない。LLMのESI一致率が人間看護師水準に未到達。
鑑別診断支援 / Differential diagnosis support — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: HealthBench Professional(70名超の医師作成・採点、2026-09時点): トップモデルGPT-6 Astra 63.4%、Claude Opus 5 59.8%(専門医レベル到達には及ばず)。HealthBench Hard(複雑臨床推論)ではGPT-5.4が40.1点と絶対値も低く複雑症例は依然困難。DeepRareは標準化症例で正診断1位提示57%。
できる: 典型症例の鑑別リスト網羅的生成、稀な鑑別の想起支援(見落とし防止)、エビデンスに基づく追加質問生成
できない: 複雑合併症例・非定型症例の確実な一次診断、責任を伴う最終診断確定、検査所見を動的に統合した判断
なぜ: 難易度の高いベンチマーク(HealthBench Hard)で正答率4割程度。稀少・非定型症例で性能不安定。誤診が生命に関わるため免許制度上、医師の最終確認が必須。
治療計画立案支援(腫瘍ボード等) / Treatment planning support (tumor boards) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 神経腫瘍放射線治療研究(101症例, 2026): ChatGPT-4が実際の腫瘍ボード決定と76%一致したが、単純症例で必要治療を省略、境界症例で不要治療を提案する誤りがあり「人間の判断の代替にはならない」と結論。
できる: ガイドラインに基づく標準治療オプション提示、腫瘍ボード資料の準備・要約、文献・類似症例の高速検索
できない: 個別化された複雑意思決定(合併症・患者価値観含む)の最終決定、境界症例での適切な治療強度判断、詳細最適化なしでの放射線治療計画実行
なぜ: 精度76%程度でも過小/過剰治療の誤りが一定割合発生。腫瘍治療は患者QOL等の定量化困難な要素を含み、責任構造上最終決定は必ず人間の腫瘍専門医チームに帰属。
患者説明・インフォームドコンセント文書作成 / Patient education and informed consent documentation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 内分泌外科同意書研究: LLMによりFlesch-Kincaid学年レベルが14.1→8.8に改善(可読性大幅向上)するが内容忠実性(fidelity)が犠牲になるケースあり。口腔外科同意書はAI生成の方が従来ウェブ同意書より質・可読性で優位だが両者とも推奨可読性水準未達。
できる: 平易な言葉での病状説明文下書き、多言語翻訳、可読性改善、標準同意書テンプレートの個別化
できない: 医学的内容正確性の独力保証(fidelity低下リスク)、患者理解度確認の対話的プロセスの完全代替、法的責任を伴う同意取得
なぜ: 可読性と内容正確性のトレードオフが実証されており、医師の説明義務(法的責任)は資格制度上代替不可能。誤訳・簡略化による重要情報欠落リスク。
稀少症例・診断困難例対応 / Rare and complex case diagnosis — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: DeepRare(2026): 標準化症状データで正診断を候補1位に57%的中させ、専門の希少疾患医を上回るケースも報告。既存AI手法比+24pt。ただし希少疾患患者は平均約6年の「診断オデッセイ」を経験しており、AIが解決したのは表現型マッチングという限定的ワークフローのみ。
できる: 症状・遺伝子データからの候補疾患ランキング、文献・症例データベースの高速横断検索、稀少疾患を疑うきっかけの提示
できない: 確定診断(遺伝子検査等の追加検査及び専門医診察が必要)、症例報告のない未知疾患パターンの発見、患者生活歴等社会的文脈を統合した総合判断
なぜ: 稀少疾患は訓練データが本質的に乏しく、ベンチマーク正解率も57%程度(上位候補に正解がないケースが43%)。最終確定は遺伝学的検査・専門医の総合判断に依存し自律不可。
傾聴・雑談的サポート / Listening / casual emotional support — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 共感メタ分析(13研究, 2026): AIチャットボットの共感評価が人間医療従事者よりSMD 0.87高い。一方でCharacter.AI/OpenAI関連の重大インシデント(未成年自殺、AI精神病)が多発し、商用チャットボット週間対話の約0.15%に自殺計画の兆候が含まれると推計。
できる: 24時間365日の雑談・共感的傾聴、孤独感の一時的緩和、感情の言語化支援、共感スコア上の高評価(スコア上は人間超え)
できない: 危機的状況の確実な検知・エスカレーション、長期的治療関係(治療同盟)の構築、複雑な逆転移・境界設定、深刻な精神疾患への安全対応
なぜ: 共感"スコア"は高くても安全性(迎合=sycophancyによる妄想増悪等)に構造的欠陥があり、未成年自殺・AI精神病等の重大インシデントが多発。免許保持専門家のような責任構造・スーパービジョンが存在しない。
CBT等構造化セラピー補助 / Structured therapy support (CBT-based) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Dartmouth Therabot RCT(NEJM AI, 2025-03): うつ症状51%減少、全般性不安症状31%減少、摂食障害懸念19%減少(いずれも対照群を有意に上回る)。ユーザーは治療同盟について人間専門家と同程度の信頼・コミュニケーションを報告。ただし対象は軽度〜中等度、期間8週間のみ。
できる: エビデンスに基づくCBTプロトコルの構造化提供、症状モニタリングとフィードバック、宿題(ホームワーク)実施支援、軽度〜中等度症例への統計的に有意な症状改善
できない: 重度精神疾患(重症うつ、双極性障害、パーソナリティ障害等)への対応、長期予後の実証、人間の臨床的CBTとの直接比較エビデンス、複雑併存疾患のケースformulation
なぜ: 臨床試験期間が短く重症例が除外されているため限定的エビデンスのみ。免許保持者による直接の治療同盟構築は法規制(イリノイ州WOPR法等)で保護される領域。
危機介入・自殺リスク評価 / Crisis intervention and suicide risk assessment — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: 商用チャットボット29種のテストで「自殺危機への適切な対応ができたものはゼロ」。中間リスクレベルの識別に体系的失敗。Adam Raine事件ではChatGPTが1,275回自殺に言及、377件の自傷関連メッセージにフラグを立てたが一度もセッション終了・当局通報せず。
できる: 明確で極端な自殺念慮表明の検出とホットライン等リソース提示、自傷関連キーワードの機械的フラグ立て
できない: 中間リスクレベル(暗示的・婉曲的危機サイン)の識別、致死性のある手段情報の適切な抑制、危機時のエスカレーション(通報・介入)の確実な実行
なぜ: 中間リスク帯でのキャリブレーション不全が複数モデルファミリーで一貫して確認される技術的限界に加え、責任構造上チャットボット単独での介入権限がなく、法規制(WOPR法等)が専門家によるリスク評価を必須化。ECRIが2026年医療技術ハザード第1位に選定。
心理検査の解釈補助 / Psychological test interpretation support — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: MMPI-3等の客観的尺度についてはAI解釈補助ツールが実用化されつつあり評価時間を4-6時間から大幅短縮可能。一方ロールシャッハ等投影法では、2026年の研究がAI反応パターンに臨床的解釈をそのまま適用できないと結論。
できる: 客観的心理検査(MMPI等)スコアに基づく標準解釈文の下書き生成、レポート構成・文章化の効率化、経時比較の整理
できない: 投影法検査(ロールシャッハ等)の臨床的解釈、行動観察・面接情報を統合した総合判断、報告書最終責任を伴うサイン
なぜ: 投影法テストは元来訓練データが存在せず、LLM応答パターンに人間の臨床解釈枠組みをそのまま適用する妥当性が実証されていない。心理検査解釈は資格を持つ心理士の専管業務として法的に位置づけ。
セラピスト向けノート作成・supervision補助 / Clinical note-taking and supervision support for therapists — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Mentalyc, Freed, Upheal等のHIPAA準拠AIスクライブが2026年時点で商用普及。SOAP/DAP/GIRP形式ノート自動生成、多言語対応、スーパービジョン向けセッション傾向分析が実装済み。文書化タスクは専門家の作業を高精度に代替できる領域として確立。
できる: セッション音声からのSOAP/DAP/GIRPノート自動生成、治療計画・進捗の経時追跡、スーパービジョン準備用セッション傾向要約、保険請求用書類の下書き
できない: 臨床的判断そのもの(診断・治療方針決定)、スーパーバイザーによる直接観察に代わる質的評価、記録内容の臨床的妥当性の最終保証
なぜ: 記録作成は本質的に文書化タスクでありLLMの得意領域だが、臨床的判断・責任は専門家に残る制度設計。音声記録の同意・保持期間などプライバシー規制(HIPAA)遵守が事業者依存でばらつきがある。
契約書レビュー・リスク抽出 / Contract review & risk extraction — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Vals AI契約レビューベンチマーク(2025-10, 20問69チェック)で弁護士79.7% vs Harvey Assistant 59.4% vs Vincent AI 53.6%(AIがジュニア弁護士水準未満)。一方、契約ドラフト専用ベンチマーク(legalbenchmarks.ai, 2025-09)では人間弁護士の信頼できる初稿率56.7%(最良70%)に対し最良AI(Gemini 2.5 Pro)73.3%でAIが上回った。タスクにより優劣が逆転する。
できる: 数千契約の一次スクリーニング、標準条項との差分・逸脱検出、NDA等定型文書ドラフト、タブラー一括レビュー
できない: 複雑M&A契約の最終判断、稀少法域の解釈、契約当事者の意図推測、責任を伴う最終サインオフ
なぜ: ベンチマークにより分野差はあるがジュニア弁護士以下の精度が出るケースがあり(53-59%)、幻覚・見落としリスク残存。最終責任(懲戒・malpractice保険)は弁護士本人に帰属するため人間確認が必須。
判例・法令調査 / Case law & statute research — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Stanford RegLab研究(JELS 2025、202件の法律クエリを専門家採点)で幻覚率 Lexis+AI 17%、Westlaw AI-Assisted 33%、GPT-4 43%。ベンダーの「hallucination-free」主張は過大と実証。一方Vals AI(2025-10)ではフロンティアモデルが研究タスクで弁護士(71%)を上回るスコア(~80%)を記録するなどベンチマーク上は互角〜優位だが実務誤用は多発。
できる: 大量法令・判例の意味検索・要約、初期リサーチメモ作成
できない: 引用の完全性保証(捏造判例リスクは0にならない)、稀少法域・新しい法解釈、判例の射程の機微な判断
なぜ: RAGでも「hallucination-free」を保証できないとStanford研究が実証。ベンダー主張と実態のギャップが公式に確認された。
訴訟準備書面ドラフト / Litigation brief drafting — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 2026年6月時点で世界のAI幻覚裁判事例が1,598件(2025年半ば~200件→2026年1月719件→2026年6月1,598件と急増)。制裁額は18か月で11倍(2023年$5,000→2025年$55,597、最大はOregon事件の約$109,700)。Sixth Circuitは2026年3月、24件の架空引用を含む書面で2名の弁護士に計$30,000制裁。Nebraska州の弁護士は63引用中57件が不備(20件は架空判例)で資格停止(2026年4月)。
できる: 定型訴状・動議のドラフト、事実要約、先例のドラフト整理(検証済みの場合)
できない: 引用正確性の自動保証、責任を伴う最終提出判断、弁論
なぜ: 幻覚判例による懲戒・制裁が2026年時点で1,300~1,600件超発生し急増中。責任は提出した弁護士本人に帰属(Rule 11・署名者責任)。
デューデリジェンス(M&A) / M&A due diligence — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 業界報告(2026)によると年10-15件のM&A案件を扱う中堅事務所でDD時間40-60%削減、案件あたり8万~30万ドルの人件費節約。Luminanceは複数法域・大量契約の逸脱検出で優位性を報告。
できる: 数千契約の同時スクリーニング、標準逸脱条項(チェンジオブコントロール等)の抽出、要約メモ作成
できない: 発見事項の商業的重要性(materiality)判断、稀少地域規制の解釈、最終的な取引可否判断
なぜ: 判断業務(materiality)はAIスコアが低い。DDメモの署名・責任は弁護士に帰属。
コンプライアンスチェック / Compliance monitoring — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Compliance Week 2026調査: 83%超の組織がAIツール利用も強固なガバナンス体制保有は約25%のみ。37%のみAIガバナンスポリシー保有。78%が学習データ投入前の検証不能、77%がデータ来歴を追跡不能、33%が監査ログを一切持たない — 導入は先行するが信頼性基盤が未整備。
できる: 規制文書の変更監視、複数フレームワーク横断のエビデンス自動収集、リスクスコアリング
できない: 新規制の実質的解釈、規制当局対応の最終判断、監査証跡の完全性保証(大半の組織で未整備)
なぜ: ガバナンス体制(データ来歴管理・監査ログ)整備が追いつかず、技術力とは別に組織的信頼性が欠如。誤検知・見落としの責任はコンプライアンス部門/法務に帰属。
一般向け法律相談・アクセスジャスティス / Consumer legal advice / access-to-justice — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: FTC対DoNotPay最終命令(2025-01/02): 「AI弁護士」を標榜しながら人間弁護士による品質検証を一切行わず、包括的な法令DBで学習もしていなかったと認定、$193,000の返金命令+将来の誇大広告禁止命令。米国低所得世帯は年間民事法的問題の92%で法的支援を受けられていない(access to justiceギャップ)という巨大ニーズとの対比。
できる: 一般的な法制度の説明、フォーム記入補助、選択肢整理(非営利事例)
できない: 個別事案への具体的助言(UPL=非弁護士行為に抵触するリスク)、責任を伴う法的判断、依頼者との継続的信頼関係構築
なぜ: 非弁護士行為(UPL)規制。2026年に複数州でチャットボット提供者への損害賠償責任を課す新法(NY SB7263等)。DoNotPay制裁が業界の誇大広告への抑止力に。
法廷弁論・訴訟代理(できない側の代表例) / Courtroom advocacy & representation — 2026年レベル: /5 この仕事のページ
専門家と比べて: 該当ベンチマークなし(制度的独占領域)。AIはリハーサル・想定問答生成の補助に留まる。
できる: 弁論リハーサル相手、想定質問への回答案生成、模擬尋問シミュレーション
できない: 実際の法廷での代理人としての出廷・弁論、依頼者との契約締結、宣誓供述書への署名、専門家証人としての証言
なぜ: 弁護士資格(bar admission)は法域ごとの制度的要件でAIは法人格・資格を持てない。責任の所在(懲戒・malpractice保険)は自然人の資格保有者に限定される制度設計。
ニュース記事下書き生成 / News article drafting — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: グローバルでAI生成ニュースへの信頼度20%(Reuters Institute Digital News Report 2026) vs 別調査では人間生成ニュース信頼58% vs AI生成ニュース信頼14%。読者88%がAI生成コンテンツ増加でSNSニュースへの信頼が低下したと回答。一方2026年ピューリツァー賞は過去最多8組の受賞者が調査報道でのAI活用を公表。
できる: 定型ニュース(決算・スポーツ結果・気象等)の自動生成、下書き作成、要約記事の量産
できない: 一次情報源の裏取りなしの正確性保証、読者の信頼獲得(信頼度14-20%と低迷)、複雑な文脈判断を伴う調査報道記事の完成
なぜ: 捏造引用・架空人物生成が繰り返し発生(Sports Illustrated偽著者2023-11、Ars Technica捏造引用撤回2026-02、Bild架空記者)。責任は発行元メディアに帰属し読者信頼が構造的に低い。
ファクトチェック / Fact-checking — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: CHI 2026論文("Beyond Accuracy")で専門家はAIファクトチェックを「正確だが有用性は低い」と評価。Full Factは数百万文からの要チェック主張の自動分類・優先順位付けリストを毎日生成し、human-in-the-loopのハイブリッド運用で小規模チームのカバー範囲を拡大。
できる: 大量発言・SNS投稿からの要チェック主張の自動抽出・優先順位付け、既存DBとの照合、選挙関連速報監視
できない: 主張の重大性・公益性の最終判断、新規複雑主張の一次検証(専門家取材要)、皮肉・文脈依存発言の正確な解釈
なぜ: 「正確だが有用性は低い」という専門家評価が技術的正確性と実務説明力の差を示す。Full Fact等もhuman-in-the-loopを明言。
データジャーナリズム・大量文書解析/OSINT / Data journalism & large-scale document analysis / OSINT — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: AP(2026年)は中国監視企業からの流出メール・DB数万件についてLLMで契約特定・政府記録要約・人物技術のフラグ付けを実施。ICIJはPanama Papers(1150万文書、300名以上の記者、76カ国)でNeo4jグラフDB+機械学習によるパスポート識別・送金パターン検出を実施し人力では不可能な規模を実現。2026年ピューリツァー賞で過去最多8組がAI活用を公表。
できる: 数百万文書からのエンティティ抽出・パターン検出・重複除去・グラフ関係分析、OSINT(衛星画像・SNS・IP等)の大量横断分析
できない: 情報源の信憑性の最終判断、公益性・報道価値の編集判断、名誉毀損等法的リスクの最終評価、匿名化情報源の再特定リスクの完全排除
なぜ: パターン検出・大量処理はAIの得意領域で人間には不可能な規模を実現しているが、報道判断・法的責任は記者・編集者に帰属。文体的特徴での情報源再特定リスクをアルゴリズムは検出しきれない。
独自取材・情報源開拓(できない側の代表例) / Original investigation & source cultivation — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: 定量ベンチマークなし(測定困難領域)。TechCrunch(2026-04)報告: Thiel系スタートアップの「AIがジャーナリズムを判定」構想に対しメディア弁護士が内部告発者への萎縮効果を懸念。専門家は「内部告発者は機密情報をAIに一切入力すべきでなく、信頼できる弁護士に直接相談すべき」と助言。
できる: 取材対象の背景調査支援、公開情報からの関係者マッピング、取材メモの整理
できない: 内部告発者との信頼関係構築、対面での関係構築を要する情報源開拓、匿名性を要する機密情報のやり取りの安全な仲介、現場での直感的な追加質問判断
なぜ: 情報源保護(reporter's privilege)は人間同士の信頼と法的特権に基づく制度で、AI経由の情報伝達はログ・学習データ化リスクを伴い専門家は使用を明確に忌避。現場取材の直感的判断はAIの構造的限界。
要約・翻訳 / Summarization & translation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 独Welt TVが2026年「KI-Welt」で完全AI生成ニュース番組(台本執筆・要約・提示まで自動化)を実現。公共放送(独・英)が記事要約に生成AIを導入。多言語同時翻訳・要約は技術的に確立領域。
できる: 多言語ニュースの即時翻訳、長文文書・会見録の要約、国際ニュースのローカライズ
できない: 文化的ニュアンス・皮肉の完全な翻訳、要約時の重要情報取捨選択における編集判断の完全代替
なぜ: 言語処理自体はLLMの中核的得意分野で人間を凌駕する速度を持つが、何を要約に残すかの編集判断は文脈依存で誤りが生じうる(要約による誤情報化リスク)。
編集・校閲/倫理判断 / Editing, copyediting & ethical judgment — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Bildスキャンダル(2026、独): 出版社が実在しないAI記者ペルソナを作成し人間であるかのように提示していたことが発覚。ACM FAccT 2026論文で、AI利用の詳細開示がかえって読者の信頼を下げる「透明性のジレンマ」を報告。
できる: 文法・スタイルガイド適合チェック、事実整合性の一次スクリーニング、コピーエディティングの下書き
できない: 何を報道すべきかの公益性判断、利益相反の察知、AI利用の開示方針という倫理的意思決定そのもの、名誉毀損リスクの法的最終判断
なぜ: 編集判断は報道機関のブランド・信頼という無形資産への責任を伴い、法的責任(名誉毀損訴訟等)は発行者に帰属。透明性研究が示す通りAI関与の開示自体が信頼問題を生む複雑な倫理的意思決定が残る。
AI記者/AIキャスターによる完全自動ニュース番組 / Fully automated AI news presentation — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Welt TV「KI-Welt」(2026、独)が調査・台本・提示まで完全自動のAI生成ニュース番組を開始。一方Gannett「LedeAI」は2023年に品質問題(誤り・不自然な言い回し)で一時停止。読者のAI生成ニュース信頼度は世界平均20%。
できる: 定型ニュースの読み上げ自動生成、デジタルアバターによる24時間ニュース配信、小規模ニュース運営のコスト削減
できない: 速報時の臨機応変な追加取材・確認、視聴者との信頼関係構築(信頼度14-20%の低迷)、危機時の倫理的トーン判断
なぜ: 信頼度データが構造的に低く、視聴者はAIキャスターを人間と同等に信頼しない。配信自体は自動化できても「報道機関としての信頼」というブランド資産は人間関与を前提に構築されてきたため代替が困難。
投資分析・銘柄調査 / Investment analysis & equity research — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: GDPvalの「Financial and Investment Analysts」職種でwins+ties 62%(専門家と同等以上の割合)。ヘッジファンドはAI活用ファンドが非活用ファンドより年率3-5%高いリターン、55%が調査・DD・リスク監視にAIを統合。ただし数か月にわたる継続的カバレッジ維持と新規開示との整合は「信頼できる形では存在しない」と評価。
できる: 決算資料要約、財務比率分析の下書き、ニュース/SNSセンチメント集計、初期スクリーニング、コンプス抽出、レポートドラフト生成
できない: 数か月にわたる継続的カバレッジ維持と新規開示との整合、複数ソースの矛盾するシグナルの解決、稀な市場イベント時の独自判断、最終投資判断の法的責任
なぜ: 技術的限界(長期文脈維持・マルチステップ整合性が未成熟)に加え、責任構造(最終判断はPM/アナリストが負い、投資助言業免許はAIに下りない)。
与信審査 / Credit underwriting — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定量比較データは乏しいが、CFPB検査で「1000以上の変数を使うMLモデル」を用いる一部金融機関がadverse action notice要件を十分満たせていないと指摘された。規制(ECOA/Regulation B、CFPB Circular 2026-03)がボトルネックとなり技術進歩とは独立に自律化レベルが停滞。
できる: 大量データからの信用リスクスコアリング、異常検知、不採用理由候補の生成
できない: ECOA/Regulation Bが要求する「個人レベルで意味のある具体的理由」の説明をブラックボックスモデル単体で担保すること、差別的影響の自己監査、最終与信拒否の法的責任負担
なぜ: 規制(ECOA/Regulation B、CFPB Circular 2026-03)と説明可能性の技術的限界が組み合わさり、レベルが頭打ちになっている。
税務申告書作成 / Tax preparation — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: IRS報告でAI支援申告は計算ミス30%減、92%が計算ミスゼロ。PwC調査(1万件)でaudit notice率18%減。ただし税務特化AI(TurboTax等)と汎用LLMの精度差は大きいと明記。
できる: 標準的な個人・中小企業申告書の下書き、控除項目の網羅チェック、過去データとの整合性確認、計算ミス検出
できない: 複雑な国際税務・グレーゾーンの税務戦略判断、税務調査対応時の交渉、Circular 230下での専門家の最終責任の代替
なぜ: 責任構造(IRS Circular 230は最終判断が有資格専門家に残ることを要求)と、汎用LLMは複雑事例に不安定という技術的限界が併存。
資産運用アドバイス・ロボアドバイザー / Wealth management advice / robo-advisors — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: SECはロボアドも伝統的アドバイザーと同じ受託者責任・反詐欺義務を負うと明言。2026年3月、ロボアド運用でのfiduciary duty違反(重要事実不開示等)によりSECが投資顧問業者を提訴。AIウォッシングで既に合計40万ドルの罰金事例。ロボアド世界AUMは2.7兆ドル、ユーザー1.1億人。
できる: 自動リバランス、税損失収穫、リスク許容度に応じた資産配分提案、大量顧客への低コスト標準アドバイス
できない: 受託者責任(fiduciary duty)そのものをAIが負うこと(責任は登録投資顧問業者に帰属)、複雑な個人事情(離婚・相続・事業承継)を踏まえた対面的信頼関係構築
なぜ: 責任構造(Investment Advisers Act of 1940下、免許・受託者責任はAIではなく登録法人に帰属)と、AI単体への免許付与制度が存在しないという規制構造。
自動売買・トレーディングエージェント / Algorithmic trading agents — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 2026年3月11日、6ヘッジファンドにまたがる23の自律AIトレーディングエージェントが47秒で5億ドル規模のフラッシュクラッシュを誘発、確定損失4700万ドル。Wolters Kluwer調査(米銀行230名)で72%が「不具合を起こしたAIモデルを停止する能力を確認できない」と回答。
できる: 高頻度・定型執行戦略の自動化、リアルタイムポジション調整、パターン認識ベースのシグナル生成
できない: システミックリスクを認識した自己抑制(kill switch)、複数エージェント間相互作用が生む創発的暴走の予測、規制当局への即時報告義務の自律履行
なぜ: 技術的限界(マルチエージェント環境の創発的挙動は予測困難)と責任構造(取引主体の法的責任は運用会社に帰属、エージェント登録制度は未整備)。
財務諸表分析・監査補助 / Audit & assurance — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: KPMGは2026年夏よりオーケストレーションエージェントで資産評価・収益テストなど定型監査手続きを自律実行するパイロットを開始。一方EY Canadaは2026年、架空データ・存在しない参照文献を含むAI生成調査結果を撤回。FINRA 2026年次監督報告書はハルシネーションを金融コンプライアンスリスクとして名指し。
できる: 仕訳データの異常検知、請求書処理・トレンド分析、定型的な資産評価・収益テスト実行、コンプライアンス文書の一次レビュー
できない: 監査意見の最終責任、複雑な不正兆候への職業的懐疑心を伴う判断、虚偽データの完全な自己検証(架空引用生成の実例あり)
なぜ: 責任構造(監査意見は資格を持つ監査人の署名責任)に加え、ハルシネーションが実際に品質事故化している技術的限界。
M&Aデューデリジェンス / M&A due diligence — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 86%のディールメーカーがAIをM&A DDに活用。中堅M&A実務(年10-15件)でDD時間40-60%削減(1件あたり8万〜30万ドルのアソシエイト工数削減)、LOI/最終契約書初稿が50-70%高速化、開示スケジュール準備時間30-40%削減。
できる: 大量契約書の一括レビューと高リスク条項の自動抽出、データルーム文書の一次分類、取引条件のベンチマーク比較、契約書・LOI初稿生成
できない: 「ディールを潰す」判断そのもの、シャドーAI(相手企業の無断AI導入が生む新種リスク)の発見、交渉の場での駆け引き
なぜ: 責任構造(最終的取引可否・交渉の代理人責任は弁護士・バンカーに帰属)と、初見の複雑契約構造・口頭合意慣行の把握不十分という技術的限界。
市場調査・競合分析 / Market research & competitive analysis — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: GDPvalは職種別に大きなばらつきがあり、意思決定色の強いFinancial Managersはwins+ties 24%、定型情報収集系のAdministrative Servicesは87%。市場調査はこの中間〜やや高水準と推定。マーケター調査では47.1%が週数回AIの不正確さに遭遇と回答。
できる: 公開情報の大量収集・要約、競合の財務・製品比較表の自動生成、市場規模推定の一次ドラフト、SNS/ニュースのセンチメント分析
できない: 独自の一次インタビュー調査(現場キーマンとの関係構築)、業界の暗黙知・非公開情報の入手、矛盾するデータソースの信頼度判断を伴う統合、稀な市場変化の予兆察知
なぜ: 技術的限界(ハルシネーション、情報源信頼性評価の不完全性)と構造的限界(一次情報=人的ネットワークへのアクセス依存)。
戦略資料(デッキ)作成 / Strategy deck creation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: BCG×ハーバードのRCT(758名のコンサルタント、Organization Science誌2026年3月掲載)でAI活用によりタスク完了数12.2%増、完了速度25.1%向上、品質40%超向上。ジュニアコンサルタントは43%の成績向上(下位層の底上げが顕著)。McKinsey Lilliは全従業員の72%が利用、月50万プロンプト、年間150万時間の作業を代替。
できる: 問題文からのドラフトスライド生成、既存ナレッジベース(40超ソース・10万文書)からの引用付き統合、トーン標準化、初稿の高速反復
できない: クライアント固有の政治力学を踏まえた「刺さる」メッセージ設計、経営層プレゼン本番でのアドリブ対応、責任を伴う推奨事項の最終承認(パートナーサインオフ)
なぜ: 責任構造(クライアントへの提言はパートナーの専門家責任として承認が必要)と、経営層との信頼形成はデッキ品質だけで代替不可という関係構築の壁。
業務プロセス分析・改善提案 / Business process analysis & improvement — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定量的専門家比較データは限定的。エージェント型PMOツール導入企業でコーディネーションオーバーヘッド20-40%削減が報告。Forrester 2025年専門職サービスAIレポートではコンサル各社のAI活用で生産性40%向上。
できる: 現行プロセスのマッピング・ボトルネック検出、ベンチマークデータとの比較、改善案の複数シナリオ生成
できない: 現場の抵抗感・組織文化を踏まえた変革マネジメント、非公式な業務慣行(暗黙知)の把握、変更管理における政治的調整
なぜ: 技術的限界(現場の非構造化・非文書化された実務慣行の把握困難)と組織政治(現場との信頼関係・利害調整はAI代替不可の領域として明確)。
エグゼクティブワークショップ・ファシリテーション(できない側) / Executive workshop facilitation & stakeholder negotiation — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 定量的な専門家比較データはほぼ存在しない。Gartnerは2027年までに40%超のエージェントAIプロジェクトが「不明瞭なROIとガバナンス不足」で中止されると予測しており、対人折衝を伴う領域でのAI活用は特に停滞。
できる: ワークショップ事前設計(アジェンダ・問いの設計)支援、議事録のリアルタイム要約、意見集約とテーマ分類
できない: 経営層の非言語的シグナル(表情・空気)を読んだ場の調整、対立する役員間の即興的合意形成誘導、信頼関係構築を要する心理的安全性の醸成
なぜ: 責任構造・関係構築(経営層との信頼関係はAI代替不可能な領域として明確)と、リアルタイムの多者間非言語コミュニケーション理解が未成熟という技術的限界。
個別指導(1対1チュータリング) / Personal one-on-one tutoring — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Khanmigo 2年間RCT(NBER 2026-08、テネシー州18校): 数学成績が学期ごとに全国パーセンタイル1.26ポイント上昇。ただし著者は「この伸びはAI支援なしのKhan Academy練習と同程度」であり、モデル能力でなく生徒エンゲージメントが律速要因と指摘。対象生徒の実利用率はわずか15%。ハイブリッド(人間+AI)tutoring研究では人間単独を上回る成果も報告。
できる: 24時間対応の個別問題演習・フィードバック、生徒のペースに合わせた反復学習、ハイブリッド運用での人間チューター単独超えの成果
できない: 生徒のモチベーション・エンゲージメント創出(利用率15%という現実)、対面指導と同等の動機づけ、意欲の低い生徒への効果実証
なぜ: 2026年の大規模RCTが示す通り、AI自体の性能ではなく「生徒が実際に使うか」が効果のボトルネック。動機づけという非認知的要素はAIの技術的限界というより人間の行動変容の問題。
記述式採点 / Essay grading (constructed-response) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: EssayGrader調査(2026-07、22,000本のエッセイ): 人間採点者との一致率94%(完全一致または1点以内)。8つの独立プログラム、3-12年生・AP全学年帯で一貫。ある認定プログラムでは20万件超の課題採点に利用。
できる: ルーブリックに基づく一貫した採点、大量答案の高速処理、フィードバックコメントの生成
できない: ルーブリック外の独創性・創造性の評価、文化的文脈依存の解釈、採点結果への異議申し立てへの説明責任(最終的に教員が負う)
なぜ: 定型化されたルーブリック採点はAIの得意領域で既に高精度だが、教育評価の公平性・説明責任は制度上教員に帰属し続ける。
教材・カリキュラム作成 / Curriculum & lesson plan creation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: MagicSchoolが2026年時点で米K-12で最も普及したAI教員ツール(500万人以上の教員ユーザー、数千の学区契約)。80以上のツール(授業計画・ルーブリック・IEP下書き・保護者連絡文等)を提供。週次利用教員は年間約5.9時間×6週間分の作業時間を削減。
できる: 標準(NGSS/CCSS等)準拠の授業計画下書き、難易度別教材の70言語超への差別化、ルーブリック自動生成
できない: 「70%完成の下書き」を超える最終判断(教員による確定が前提)、標準未整合の見落としリスクの完全排除、生徒個々の実態を踏まえた即興的調整
なぜ: 教員コミュニティの実務期待自体が「完成品ではなく編集可能な下書き」であり、教育行政上のカリキュラム承認責任は教員・学校に帰属。
特別支援教育・IEP作成支援 / Special education & IEP support — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 教員の57%がすでにAIをIEP下書きに利用と報告される一方、専門家は「機密性の高い障害関連データをクラウドAPIに送信することがFERPA/IDEA違反リスクを伴う」と警告。AI生成の配慮事項リストは「出発点のメニュー」に過ぎず、個々の生徒理解に基づく教員の選定・優先順位付けが必須とされる。AIは高度な語彙・複雑な文構造を生成しがちで、読みに困難のある生徒をかえって疎外するリスクも指摘。
できる: 障害カテゴリー・学年・教科別のエビデンスに基づく配慮事項の候補提示、IEP文書のドラフト作成の効率化
できない: 機密性の高い生徒データの安全な取り扱い保証(FERPA/IDEA準拠)、個別生徒の実態を踏まえた配慮の最終選定、生成テキストの読みやすさの自動保証
なぜ: プライバシー規制(FERPA/IDEA)がクラウドAI利用に構造的リスクを課し、個別化教育という制度目的自体が「一人ひとりの実態理解」を前提とするため画一的AI出力では代替不可能。
自律型AI学習モデル(教師代替型、2時間学習モデル等) / Autonomous AI-driven self-paced learning models — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Alpha School(2 Hour Learning)は「MAPテストで同学年比2.6倍の成長」「20-30時間で1学年分修了」を主張するが独立検証データは未公開(2026年8月時点で3か月以上遅延)。AI依存研究(666名対象、2026): 重度AI利用は批判的思考力の低下と関連(認知的オフローディングが媒介)。臨床医対象の研究では、AI支援導入3か月後にAI無しでの腫瘍検出能力が6%低下したとの報告もあり、能力の空洞化リスクを示唆。
できる: 自己ペースでの反復学習・即時フィードバック、標準化テストスコアの短期的向上(内部データ上)
できない: 独立監査可能な効果実証(Alpha Schoolのデータ未公開)、批判的思考力の維持(AI依存による低下リスク)、動機の低い生徒への効果、対面指導が提供する社会性・生活指導
なぜ: 内部主張と独立検証の間にギャップがあり、かつAI依存による認知的オフローディング(批判的思考力低下)という副作用が複数の学術研究で報告されている。制度化には第三者監査の欠如という透明性の問題も残る。
意匠デザイン・パース生成 / Conceptual design & rendering visualization — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 建築専門家調査(1,227名、2026): 46%が既にAIツールを利用、24%が導入予定。11%がGenAIを設計ワークフローに統合(前年比+20%)。業界の目標は「AIが作業の90%を自動化し、建築家が最後の10%を検証する」体制。
できる: コンセプト段階のmassing study・サイト実現可能性チェック、フォトリアリスティックなクライアント向けレンダー生成、複数デザイン案の高速並列生成
できない: 施主の要求・敷地文脈を統合した独創的な意匠コンセプトの創出、構造・設備との整合を保証した実施設計、施工可能性の技術的検証
なぜ: 生成物の「幾何学的正確性」は高いが、文書化・実施設計レベルの詳細検討には依然人間レビューが必要(90%自動化でも10%の検証が必須という業界目標自体がそれを示す)。
構造計算・構造設計 / Structural calculation & engineering design — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 特定計算(座屈荷重予測式)は誤差0.4%以内という高精度事例がある一方、GPT-4は地盤工学計算のゼロショット学習で正答率わずか28.9%。LLMはべき乗計算等で反復的な算術エラーを起こすとの報告があり、安全上重要な判断の一次情報源としては「本質的に信頼できない」と評価される。保険会社の一部は2026年にAI関連除外条項を専門職賠償責任保険に追加し始めている。
できる: 特定の限定タスク(座屈荷重等の狭い計算式)における高精度予測、RAGベースの参照付き計算の一次チェック
できない: 汎用構造計算の安全な自律実行(算術エラー・地盤工学正答率29%)、専門職責任の負担、保険適用範囲内での自律運用
なぜ: 安全上重要(safety-critical)な判断において算術エラー等の技術的信頼性が不足しており、加えて建築士法・技術士法等の資格制度が最終責任を人間に固定。保険業界もAI関連除外を追加し始め制度的にも自律化を抑制する方向。
BIMモデリング・調整 / BIM modeling & coordination — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: AEC専門家調査(1,000名超、2026): 27%の企業がAIを業務に活用、うち94%が投資拡大予定。BIM連携AIコスト見積りツールに関する系統的レビューでは機械学習統合が進展中も本格運用は発展途上と位置づけ。
できる: モデル間の干渉チェック(クラッシュディテクション)の自動化、モデルからの図面・数量自動生成、既存フローへのAI機能組み込み
できない: 複数職種(意匠・構造・設備)にまたがる最終調整判断、モデル品質の総合的保証、非定型プロジェクトへの汎用適用
なぜ: BIM協調は本質的にマルチステークホルダーの意思決定プロセスであり、技術的な干渉検出はAIが得意でも「誰が何を優先するか」という調整判断は人間のプロジェクトマネジメントに依存。
建築確認申請書類作成・法規チェック / Building code compliance & permit review — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: ホノルル市の実証事例: AI事前審査ツール導入により許可待機期間が6か月→数日に短縮。Nomicは380以上の建築基準・規格(IBC・ADA・NFPA101・ASHRAE90.1等)をカバー。ただし「AIツールは建築士の法規遵守に関する専門職責任を代替しない」と業界コンセンサスが明記。
できる: 図面と法規条文の自動照合による違反箇所の網羅的検出、許可申請の事前スクリーニング高速化
できない: 法規の目的論的解釈(なぜその規制があるか)を踏まえた例外判断、責任を伴う最終確認申請のサイン、地域特有の運用慣行の反映
なぜ: 法規照合という体系的チェック作業はAIが高速・網羅的に処理できる一方、法規遵守の最終責任は「記録建築士(architect of record)」の専門職責任として制度化されており移転不可。
積算・コスト見積もり / Cost estimation & quantity surveying — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 独立検証(2026年初): 主要AI積算プラットフォームの誤差率1.8-4%(従来の手作業スプレッドシートは5-10%)。査読済み研究(2025、Wiley)ではAI支援積算が精度20.4%向上、作業時間51.3%短縮。AI積算採用率は2024年19%→2026年38%の企業に拡大、早期導入企業の68%が年間5万ドル超のコスト削減を報告。
できる: 図面からの数量拾い出し自動化、標準的な商業建築案件での高精度見積もり(誤差2-4%)、複数案の高速比較
できない: 複雑なカスタム構法・特殊仕様の正確な積算(要人間レビュー)、市場価格変動の突発的要因の織り込み、契約交渉を伴う最終見積もり確定
なぜ: 定型図面での精度は既に人間の手作業を上回るが、非定型・複雑構法では誤差が拡大し、最終的な契約金額の確定は施主折衝を含む人間の意思決定領域。
自動運転・人型・家庭・産業。ソフトより2〜4年遅れ、器用さと安全性が壁
工場内の部材運搬・シーケンシング / Factory material handling and part sequencing — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: BMW Spartanburg工場のFigure 02はシートメタル部品ロードで99%超の配置精度を10か月・約1,250稼働時間で達成し30,000台超の生産に貢献。熟練ライン作業者と遜色ない精度だが、稼働時間・タスク幅はまだ限定的で人員の全面代替ではない
できる: 単一の反復タスク(部品ロード・ピッキング・トレイへの仕分け)を長時間高精度で継続。バッテリー自律スワップで疑似24/7稼働
できない: 予期しないレイアウト変更や複数タスクの即時切替、初見の治具・部品形状への即応
なぜ: タスク特化のファインチューニングに依存し、汎化性能がまだ弱いため。BMWも新用途(Figure 03のシーケンシング)へは移行に半年規模の再訓練期間を要した
実演の自律性(遠隔操作なしでの動作) / Real autonomy vs. teleoperation in demos — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 人間は指示があれば即座に自律的に作業する。現行ヒューマノイドは1X自身の見積もりで自律率60〜70%、WSJ記者の取材ではデモの主要タスク(冷蔵庫からの取り出し・食器積み込み・片付け)が全て別室のVRパイロットによる遠隔操作だった
できる: 定型的で訓練済みの単純動作(ドア開閉、単一物体のピック&プレース)は自律実行可能
できない: 家庭・オフィス等の多様なタスクを人手の遠隔支援なしに一貫して自律実行すること。Tesla Optimusのマイアミ転倒デモでは両手を顔に近づける動作がVRヘッドセットを外す仕草に酷似しテレオペ疑惑が浮上
なぜ: 実世界の多様なシーンをカバーする訓練データが絶対的に不足しており、テレオペ収集データを将来モデルの学習に転用する戦略を各社が公言している
二足歩行・不整地でのバランス維持 / Bipedal locomotion and balance on rough terrain — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Boston Dynamics Atlasの動的バランス・階段昇降・転倒回復動作は人間の運動能力に匹敵、パルクール的動作も実演済み。制御された環境での運動性能は既に専門家並み
できる: 階段、段差、傾斜面での安定歩行、押されても転倒しない動的バランス回復、50kg瞬間ペイロードでの運搬
できない: 氷結路面・深い泥濘・不規則に動く群衆の中での長時間安定歩行、予測不能な外乱への完全対応
なぜ: 制御アルゴリズムは特定の外乱パターンで訓練されており、未知の複合的な地形・外乱の組み合わせでは検証が不十分
連続稼働時間・電源管理 / Continuous operating time and power management — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 人間の8時間労働シフトに対し、単一バッテリーで8時間フル稼働できる商用ヒューマノイドは2026年9月時点で皆無。フル稼働時2〜5時間が限界
できる: 自律バッテリーホットスワップ(Atlas: 約3分、Walker S2)による疑似連続運用
できない: 単一バッテリーでの8時間フルシフト稼働。継続的な高負荷作業(持ち上げ・早歩き)では稼働時間がさらに3〜6時間へ短縮
なぜ: ヒューマノイドの自由度数と計算負荷に対しバッテリーのエネルギー密度・重量制約が追いついていない
未知の環境・新規オブジェクトへの汎化 / Generalization to novel environments and objects — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Stanford AI Index 2026のBEHAVIOR-1Kベンチマーク(現実的な家庭内タスク1,000種)では最上位チームでもフルタスク成功率わずか12.4%(88%失敗)。人間は初見の家でも大半のタスクをほぼ確実にこなす
できる: 訓練環境と類似した設定・物体では高い成功率(ラボ環境で89.4%等)
できない: 床の照明変化、油膜による車輪スリップ、ペットや家具配置の違いなど「乱雑な現実」への頑健な対応
なぜ: シミュレーションは無限の物理的カオス変数を再現できず、実世界データの多様性も絶対的に不足しているため
汎用ピック&プレース(未見物体) / Generalist pick-and-place on unseen objects — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: GR00T N1-2Bは実機ヒューマノイドタスクで平均成功率76.8%、OpenVLAは未見ピック&プレースで73%、RT-2(55Bパラメータ)は未見物体で62%。訓練済みタスクに限れば非熟練作業者に近い水準だが、多様な物体・配置への安定性はまだ専門家(熟練作業者)に届かない
できる: 訓練分布に近い物体・環境での高精度なピック&プレース、少量データでの一定の汎化(GR00T N1はデータの10%のみで42.6%達成)
できない: 訓練分布から大きく外れた物体形状・材質・配置での安定動作
なぜ: Open X-Embodiment等の実世界ロボットデータセットはテキストデータに比べ桁違いに少なく、多様性も限定的なため
器用な操作(ネジ・紐・袋の密封等) / Dexterous fine manipulation (screws, ties, seals) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Gemini Robotics 2のマルチフィンガーハンドは電球の取り外しで92%、精密挿入89.6%だが、塵取りでの掃き掃除32%、電球の取り付け(ねじ込み)36%、ゴミ袋の結び44%、ジップロック密封40%。人間なら数秒でほぼ確実にこなすタスクの多くが依然50%未満
できる: 特定の訓練済み精密作業(電球取り外し、挿入作業)は高成功率
できない: 自由度の高い5指ハンドでの日常的な微細操作の大半。二指グリッパーの方が複雑なハンドより成功率が高いという逆転現象も観測されている
なぜ: 多自由度ハンドの制御空間が広すぎて学習が難しく、力覚・触覚フィードバックの統合が未成熟なため
新規タスクへの構成的汎化 / Compositional generalization to novel tasks — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: π0.7は洗濯物たたみデータを一切収集していないセットアップでゼロショットにて平均375時間の遠隔操作経験を持つ熟練テレオペレーターと同等の成功率(タスク進捗85.6%、成功率80%)を達成。専門家の初見対応力にかなり近づいている稀有な例
できる: 訓練済みスキルの組み合わせによる新規タスクへの一定の転移(π0.7の洗濯物たたみ)
できない: 鍵の挿入デモのように特定の器具に特化訓練された疑いのあるケースでは、他の器具・環境への転移は未実証
なぜ: 構成的汎化は訓練データの多様性(3→104軒の家で訓練するとスコア向上)に強く依存し、絶対的なデータ量が不足しているため
リアルタイム制御の推論速度 / Real-time control inference latency — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 人間の反射的運動制御はミリ秒単位で連続的に働くが、標準GPU上でのエンドツーエンドVLA推論はわずか3〜5Hzしか達成できない。応答性のあるロボット動作には高レベル計画で数十Hz、低レベル制御ではさらに高い更新率が必要
できる: 低頻度更新で十分な準静的タスク(ゆっくりした把持等)
できない: 高速な動的タスク(ボール捕球、素早い障害物回避)でのリアルタイム制御
なぜ: VLAのLLMバックボーンが推論の大部分を占め(OpenVLAで全パラメータの84.3%)、自己回帰デコードが本質的に低速なため
動作速度の人間との比較 / Task execution speed vs. human baseline — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Epoch AIの評価によれば、ロボットは大半のタスクで人間の3〜10倍遅い。靴紐結びは人間の4〜5倍遅く、AirPod挿入は約3倍遅く、鍵の挿入・回転は約5倍遅い。ただし1日20時間稼働できる点で総生産量は補える場合がある
できる: 単純作業では速度差を24時間稼働でカバー可能
できない: 時間制約のある作業(接客、緊急対応)でのリアルタイム性能
なぜ: 推論レイテンシと保守的な動作計画(衝突・破損回避のための低速化)の両方が原因
食器洗い・台所の片付け / Dishwashing and kitchen cleanup — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: LG CLOiD(CES 2026)は冷蔵庫から牛乳を取り出す朝食準備や食洗機の積み下ろしを実演したが、非常に管理された環境でのデモであり実世界での再現性は不明。π0.5系はキッチンの片付け(食器をシンクへ)で3軒の実家庭で成功実証あり
できる: 既知の配置・食器セットでの単純な積み込み・片付け動作
できない: 多様な食器の形状・汚れ具合・重なり方への安定対応、油汚れ等の質感変化への頑健性
なぜ: キッチンは反射・透明素材・液体・熱源が混在する高難度環境であり、汎化性能の限界が特に顕著に出る領域
洗濯物たたみ / Laundry folding — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: DYNA-1はナプキン・タオルなど単純な布物で24時間連続稼働・成功率99.4%を達成(商用配達済み、タオル20万枚超処理)。ただしTシャツ/ショーツは95%成功でもジーンズは75%に低下するなど衣類の種類で難度差が大きい。人間は速度で圧倒的に上回るが(1枚数秒)、単純衣類の正確性では既に肩を並べる
できる: ナプキン・タオル・Tシャツなど形状が単純な布物の折りたたみを高精度・高速(1時間30〜40枚)で実行
できない: 複雑な形状(ジーンズ、フード付き衣類)や絡まった洗濯物の分離・展開
なぜ: 布は柔軟物体であり形状の自由度が高く、把持点の推定と力加減の制御が硬質物体より格段に難しいため
家全体の複数手順の片付け / Whole-home multi-step tidying — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: BEHAVIOR-1Kベンチマーク(現実的な家庭内タスク1,000種)ではトップチームでもフルタスク成功率わずか12.4%。人間の主婦・家事代行者はほぼ100%完遂できる領域で、専門職との差は依然極めて大きい
できる: 単一手順の限定的な片付け(物を所定の場所に戻す等)
できない: 複数手順にわたる家全体の片付け(複数部屋を横断した整理整頓、状況に応じた優先順位判断)
なぜ: 長時間タスクでは各手順の誤差が累積し、環境認識・計画・実行のあらゆる段階で失敗が複合するため
料理 / Cooking — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: 商業用調理ロボット(Miso RoboticsのFlippy 2)はフライステーションなど単一タスクの高頻度反復に限定され、多様なメニューを扱う一般的な調理は2026年時点で商業的に非実用的。プロの料理人が持つ火加減・味見・盛り付けの判断力には遠く及ばない
できる: 標準化されたメニュー(ピザ、丼物、麺類)での単一調理ステップの自動化
できない: 食材のばらつきに応じた味付け調整、盛り付け、繁忙時間帯での臨機応変な対応
なぜ: AIはジョブ全体ではなくタスクの約3分の1(集計・記録・注文入力等)しか自動化できておらず、調理・味見・盛り付け・現場統率は人間が担い続けている
介護アシスト / Eldercare assistance — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: 日本は2026年度に約27万人以上の介護人材不足が見込まれる中、人型介護アシストロボット「Ena」が2026年夏に80法人以上参加の実証テストを開始予定。ICT・介護ロボット活用で業務時間約35%短縮の成功例もあるが、専門介護士が持つ「一人ひとりの状況にきめ細やかに寄り添う」判断力には遠く及ばない
できる: 移乗介助・見守り・記録業務など定型的な身体的負荷軽減タスクの補助
できない: 個々の高齢者の心理状態や体調変化を読み取った柔軟な対応、緊急時の複雑な判断
なぜ: 介護は身体的操作に加え高度な社会的・感情的知性を要求するため、現行の物理AI能力では代替が難しい
乱雑なビンピッキング / Unstructured bin picking — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Inboltのビンピッキング&デパレタイズシステムは実生産で98%の成功率・1秒未満のピック速度を達成。特定タスクに限れば熟練作業者と同等以上のスループットだが、Amazonカタログ全体では依然65〜75%程度のSKUしか自動化できていない
できる: 既知の物体カテゴリでの高速・高精度ピッキング(1,000個/時間超)
できない: 無限に近いSKUバリエーション・未知の梱包形状への完全対応。新規SKU追加のたびに学習・調整が必要
なぜ: ビンピッキングはバラ積み・遮蔽・多様な形状という組み合わせ問題であり、構造化された製造セルと異なり既知の部品位置に依存できないため
精密組立・ケーブル配線 / Precision assembly and cable routing — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: CATLのヒューマノイドはバッテリーコネクタ挿入で99%信頼性・人間速度を達成した「解決済みの狭いケース」がある一方、一般的なPCケース内配線は可視性制約下での完全自動化に成功した例が2026年時点で存在しない。熟練の組立工との差は依然大きい
できる: 特定形状に特化訓練された単一コネクタの挿入作業
できない: 多様なケーブル・柔軟物体(deformable linear objects)の一般的なルーティング、IKEA家具のような可変部品を使った組立
なぜ: ケーブルは無限の自由度を持つ変形体であり、力結合した変形のモデリングが硬質部品より本質的に困難。学術的にも未解決の研究領域
外観検査・欠陥検出 / Visual inspection and defect detection — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: ベンダー報告ではAIビジョン検査は99.2%の検出精度(訓練済み人間検査員は87%)、15倍の速度を主張。特定の欠陥タイプ(金属・プラスチック表面)では専門家超えが見られる一方、一般的な生産ラインでは誤検知率4〜10%と依然課題がある
できる: 均質な素材・照明条件下での欠陥検出は人間検査員を上回る精度と速度
できない: 多様な照明・素材・欠陥パターンが混在する一般環境での低誤検知率の維持
なぜ: 特化型モデルは特定の欠陥分布に過学習しやすく、未知の欠陥タイプへの汎化が課題として残るため
生産ライン切替・段取り替え / Production line reconfiguration and changeover — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: ビジョン誘導・力制御型のモジュールラインは15分未満での切替を実現し、人間による再治具作業(数時間規模)を大幅に短縮。ある金属製造業者はモバイルロボットプラットフォームで再構成時間を40%削減
できる: ソフトウェア的な再構成(視覚・力覚センシングのパラメータ変更のみ)で対応可能な範囲での高速切替
できない: 物理的な治具交換や新規ハードウェアを要する根本的なライン変更への即応
なぜ: ソフトウェア定義の再構成が可能な範囲は限定的で、物理的な機構変更は依然人手を要するため
倉庫全体の自動化率 / Overall warehouse automation rate — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Amazonは2026年Q1時点で100万台超のロボットを全世界の物流拠点に配備し、単体台数で人間従業員数(約150万人)に迫る水準に到達。ただし内部計画でも自動化目標は75%に留まり、完全無人化には至っていない
できる: ピッキング・仕分け・搬送の大部分をロボットで処理(Sparrow/Vulcanで商品の65〜75%)
できない: 残り25〜35%の非定型商品の処理、例外処理・品質確認の最終判断
なぜ: SKUの多様性が事実上無限であり、変形しやすい梱包や特殊形状の商品は依然人手を要するため
ヒューマノイドの工場実配備 / Humanoid robot deployment in factories — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Figure 03はBMW Spartanburgでシートメタルロードから「シーケンシング」という高複雑度タスクへ移行中で、40台規模の商用フリート契約に至った。ただしHyundai/Boston Dynamics Atlasの本格ライン配備は労組交渉により2028年へ延期されるなど、大規模展開には社会的障壁も存在
できる: パイロットプログラムでの限定タスク遂行(部品ロード、仕分け)
できない: 大量生産ラインでの全面的な人員代替、労働組合等の社会的合意形成なしでの急速展開
なぜ: 技術的成熟度に加え、労働協約・安全規制・投資回収期間といった非技術的要因が展開速度を左右しているため
都市部ロボタクシーの運行規模 / Urban robotaxi operation at scale — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Waymoは週50万回の有料乗車を14都市で提供し年内100万回を目標。Baidu Apollo Goは中国26都市で累計2,000万回超のライドを提供済み。運行規模ではすでに人間タクシー運転手の代替として実務レベルに到達
できる: 指定運行エリア内での日常的な配車サービス提供、悪天候でない通常条件下での安定運行
できない: 運行エリア外や地図未整備地域でのオンデマンド対応
なぜ: 高精度地図とセンサーデータに基づく事前検証が必要なため、対応エリアの拡大には都市ごとの準備期間を要する
事故率(人間ドライバーとの比較) / Crash rate compared to human drivers — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: IIHS研究によればWaymoは5,000万マイル超のデータで人間ドライバーに比べ全体で68%低いクラッシュ率、負傷事故94%減。ただし都市差が大きく、オースティンでは逆に+4%(人間より高い)。Tesla Robotaxiはオースティンで57,000マイルに1件のクラッシュ頻度で、Tesla自身のベンチマーク(229,000マイルに1件)の約4倍高い事故率
できる: 十分な走行データが蓄積された成熟都市(LA、フェニックス)では人間を大幅に上回る安全性
できない: 新規展開都市でのサンプル数不足による安全性の未検証、事業者による安全性のばらつき(Tesla vs Waymo)
なぜ: 安全性は走行距離の蓄積とセンサー・アルゴリズムの成熟度に強く依存し、事業者・都市間で技術的成熟度に大きな差があるため
エッジケース対応(工事現場・洪水・緊急車両) / Edge case handling (construction, floods, emergency vehicles) — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 2026年にWaymoは工事現場進入で3,871台、洪水路進入で3,800台をリコール。少なくとも6件で救急隊員が手動でWaymo車を移動させる必要が生じ、あるケースでは53分待たされた。人間ドライバーなら瞬時に判断できる状況への対応がロボタクシー全社的な弱点として露呈
できる: 既知のパターン化されたシナリオ(標準的な交差点、通常の交通)への対応
できない: 工事区間・冠水路・緊急車両への進路譲歩など、稀だが重大なエッジケースへの確実な対応。NHTSAは2026年7月、Waymo・Tesla・Zoox等全AV事業者に「機能的不備」と是正要求
なぜ: エッジケースは訓練データに含まれる頻度が低く、稀な事象への汎化が本質的に困難なため
高速道路トラック輸送(ドライバーレス) / Driverless highway trucking — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Auroraは2026年6月末までに完全無人累計約44万マイルを10ルートで商用運行、Kodiakは有料無人運行5,200時間超・自律走行累計300万マイル超。ハイウェイ区間限定のhub-to-hub輸送では実務品質に近づいているが、まだ数百台規模に留まる
できる: 指定されたハイウェイルート(デポ間輸送)での無人運行
できない: 一般道を含むend-to-endの配送、都市部での複雑な交通への対応
なぜ: ハイウェイは比較的構造化された環境であるのに対し、一般道は歩行者・交差点・多様な交通参加者が絡み複雑度が跳ね上がるため
個人所有車のレベル3/4自動運転 / Personal vehicle Level 3/4 automation — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: メルセデスDrive Pilotは時速95kmまでのレベル3承認を得たが、2026年2月にメルセデス・BMW両社が「アイズオフ」レベル3を事実上撤退・一時停止しTesla型の常時監督システムへ回帰する方針を発表。Tesla FSD v14も依然レベル2に留まり、非重大介入なしの走行は66.3%に留まる
できる: 限定された高速道路条件下でのレベル3(アイズオフ)運転(メルセデス・BMW、ただし縮小方向)
できない: 一般的な走行条件全般でのレベル3以上の実用化。コスト・規制・需要不足を理由に主要メーカーが撤退傾向
なぜ: レベル3の法的責任所在の複雑さとコストに対し市場需要が追いつかず、事業判断として後退が生じているため(技術的限界だけでなく事業的停滞)
中国都市部NOA(地図非依存ナビゲーション) / China urban NOA (map-free navigation) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 華為・小鵬など主要ブランドは2026年に「無図(地図非依存)城市NOA」で都市走行カバー率60%超を達成したと発表。しかし実測データでは平均介入間隔がわずか8.7kmと、宣伝される成熟度より実際の信頼性は大きく劣る
できる: エンドツーエンド大規模モデル(VLA)によるリアルタイムセンサー入力からの運転行動出力、自然言語指示への対応
できない: 介入なしでの長距離走行(実測8.7kmごとに介入準備が必要な水準)
なぜ: 宣伝される「都市カバー率」は技術的対応範囲を指す一方、実際の安全な無介入走行距離という別の指標では大きなギャップがあるため
ドローン配送(ラストマイル) / Drone last-mile delivery — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Ziplineは2026年7月時点で累計270万件超の配達(2,000万点以上のアイテム)を安全事故ゼロで達成、Wingは100万件超。規模と安全記録では既に人間配達員に匹敵するが、Amazon Prime Airは11都市圏に留まり、FAAのPart 108最終規則も2026年末〜2027年初頭へ遅延
できる: 晴天時の郊外・低密度エリアでの小型荷物の高頻度配送
できない: 悪天候(強風・豪雨・雪)での運航、都市部高密度エリアでの本格展開。規制(BVLOS)が実用化の律速要因
なぜ: 商用配送ドローンの運用可能風速は秒速15〜25ノット程度に限定され、豪雨・着氷では運航停止。規制の枠組み(FAA Part 108)も2026年末までずれ込んでいる
倉庫ピッキング・格納 / Warehouse picking and stowing — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Amazon Vulcanは触覚センシングでピック/格納速度を人間比同等水準に到達させ50万件超処理。ただし現行ヒューマノイド・アームは訓練済みタスクでも人間スループットの40〜70%に留まり、SKUのばらつきが大きいほど性能が落ちる
できる: 既知の商品カテゴリでの高速ピッキング(Ocado:週500万件処理)
できない: 未知の変形しやすい梱包・不定形物・積み重ねられた商品の扱い、6万SKU超の倉庫で最初は多くの商品を認識できなかった事例あり
なぜ: ハンドのコンプライアンス(柔軟性)・触覚センシング・微細運動制御が人間の手に比べまだ不足しているため
EC倉庫のフル自動化(グロサリー・卸) / Full automation of e-commerce/grocery warehouses — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Symbotic導入先(Associated Wholesale Grocers)では乾物在庫の86%が自動化対象。ケースレベルのパレット構築は人間の5倍速で実行し、AI最適化で商品破損を30%削減。この領域では既に専門家(熟練倉庫作業者)を上回る一貫性
できる: ケース単位・トート単位の入出庫、パレット構築の完全自動化
できない: 冷凍・冷蔵混在等の特殊温度帯商品、極端に不定形な商品の扱い
なぜ: ケース単位の物流は形状・サイズがある程度規格化されており、ロボティクスにとって比較的構造化された問題であるため
悪天候・規制下でのドローン運航 / Drone weather and regulatory limits — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Amazon Prime Airは2025年10月にドローン2機がクレーンに衝突しNTSB/FAA調査対象に。BVLOS飛行許可の取得に約13年を要した経緯があり、住民の騒音・プライバシー反発も継続。人間配達員は天候にほぼ関係なく配送できるのに対しドローンは大きく制約される
できる: 晴天・微風時の限定的な運航
できない: 強風(秒速15〜25ノット超)・豪雨・着氷条件下での安全な運航継続
なぜ: 小型飛行体は気象条件への感度が高く、また規制枠組みの整備(FAA Part 108)自体が技術進歩に追いついていないため
ヒューマノイドによるトート・搬送作業 / Humanoid tote handling in warehouses — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: Agility Robotics DigitはGXOとの業界初商用RaaS契約のもと累計10万件超のトート移動を完了しフルタイム配備1周年を達成したが、失敗率・ダウンタイム等の信頼性指標は非公開のまま。Amazonでも3拠点での限定運用試験段階に留まる
できる: 定型的なトート運搬・空箱移動の反復作業
できない: 不定形な荷物や重量物を含む多様な搬送タスクへの拡張、大規模展開
なぜ: 商用RaaS契約は成立しているが、信頼性データが非公開であることから業界全体としてまだ実証段階を脱していないと判断されるため
材料科学の自律合成探索 / Autonomous materials synthesis discovery — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: BerkeleyのA-Labは17日間で41の新規化合物合成に成功したと2023年のNature論文で発表され話題を呼んだが、2024〜2026年の独立検証でUCLの化学者らが「新規化合物は実は既存データベースに存在していた」と指摘し、Natureが訂正を発行(2026年2月)。「成功」の看板事例が独立検証で崩れた重要な教訓的事例
できる: 既知の合成レシピに基づく反復的な材料合成の24/7自動実行
できない: 真に新規な化合物の確実な発見(検証された事例が実は誤りだった)、複雑な仮説生成の完全自律化
なぜ: 自律ラボの「発見」の科学的検証には既存データベースとの照合など人間専門家による厳密な精査が不可欠であり、AI単独の判断はまだ信頼性が担保されていないため
創薬クローズドループ最適化 / Closed-loop drug discovery optimization — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 自律ラボ研究の系統的調査では設計-製造-試験-学習サイクルの中央値約6倍の加速効果が報告されている。ChemspeedはJAK阻害剤の完全自動クローズドループ発見サイクルを実証したが、専門家は「まだ検証済みの薬剤候補を自律的に発見する能力は実証されていない」と明言
できる: 候補化合物の合成・試験サイクルの高速化(設計→製造→試験→学習)
できない: 臨床的に検証された薬剤候補の完全自律的な発見
なぜ: 薬剤候補の妥当性検証には複雑な生物学的文脈と長期の臨床データが必要で、実験室内クローズドループだけでは完結しないため
無人連続稼働・人手介入頻度 / Unattended continuous operation frequency — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 専門家の明言:「無人稼働できる施設はまだ存在しない」。人手介入が必要な場面は、実験キャンペーン間の保守、機器故障後の修理、新しいバイアル・試薬の補充、固相抽出装置の詰まり・漏れからの復旧など多岐にわたる
できる: 計画済みの実験シーケンスの連続実行(A-Labは17日間24/7稼働)
できない: 試薬補充・機器トラブル対応・詰まりの解消などを人手なしで完結すること
なぜ: 物理的な消耗品補充とハードウェア故障対応には現状のロボットアームの汎用性では対応しきれないため
果物収穫ロボット(いちご・りんご) / Fruit harvesting robots (strawberry, apple) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: いちご収穫は成功率71.7〜90%まで幅がある一方、りんご収穫はニュージーランドでの「世界初の商業収穫」でも初年度は1日10〜20ビンの処理に留まり(目標30〜40ビン)、常時2名の人間監視員が必要だった。熟練収穫作業者にはまだ届かない
できる: 標準化された栽培条件下での収穫(いちごは特定シナリオで90%超)
できない: 商業規模での完全無人運用(りんごは人間監視員が常時必須)、多様な樹形・果実配置への対応
なぜ: 果実の遮蔽・損傷リスク回避・不整地移動が複合し、農業特有の非構造化環境が汎化を妨げているため
自律トラクター(耕作・散布) / Autonomous tractors (tilling, spraying) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: U.S. Sugarは南フロリダの25.5万エーカーでJohn Deere自律トラクター5台を遠隔監督のもと運用、1人のオペレーターが複数台を24時間体制で管理。広大な平坦農地での定型作業では既に熟練オペレーターに匹敵する効率
できる: GPSに基づく精密な耕作・播種・散布作業の広域自律実行
できない: 不整地・急傾斜地・小区画での柔軟な対応
なぜ: 大規模平坦農地はGPS・センサーによる構造化がしやすく、自動運転技術にとって比較的有利な環境であるため
精密除草(レーザー) / Precision laser weeding — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: Carbon Roboticsのレーザー除草機は人参で成功率95%・検出率85%、2サイクル後のビートルートでは成功率98%・検出率88%に到達。除草剤散布に伴う人間の手作業を上回る精度と速度(1mm精度、秒速2mまで移動しながら30FPSで追跡)を達成しており、この分野では専門家超えに近い
できる: 1mm精度でのピンポイント雑草除去、除草剤使用量の46〜75%削減
できない: 極端に密集した雑草群や視認性の低い夜間・霧天候での安定検出
なぜ: レーザー照射という単純な物理的介入と高精度画像認識の組み合わせが効果的に機能する、比較的タスクが単純化された領域であるため
建築3Dプリント / 3D-printed building construction — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: Alquist+Walmartは5,000平方フィートの商業施設拡張をわずか75時間で完成(通常工法より15%安価、廃棄物55%削減)。フランスのViliaSprint2は800m2の集合住宅12戸を34日で建設。ただし単純な単層〜低層構造物に限定され、複雑な建築意匠には未対応
できる: 単純な壁構造・低層住宅の高速施工(通常工法の数分の一の期間)
できない: 複雑な建築意匠、多層階建築物、配管・電気設備との統合施工
なぜ: 3Dプリント技術は押出成形可能な単純形状に最適化されており、建築の多様な機能要件(設備配管等)を単一プロセスで満たせないため
レンガ積みロボット / Bricklaying robots — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: SAM100は1日あたり約3,000個のレンガを積み、熟練左官職人(1日300〜500個)の約6倍のペースを実現。しかし実際の住宅建築では総レンガ作業の40〜60%しか処理できず、コーナー・窓枠・ドア開口部は依然人間の左官職人が担当。複雑現場では設置に1.5日を要しROIを圧迫する場合も
できる: 直線的な壁面での高速レンガ積み(熟練職人の約6倍速)
できない: コーナー・窓枠・ドア開口部などの複雑形状部分の施工。建築基準の州ごとの差異も普及の障壁
なぜ: ロボットは反復的な直線パターンに最適化されており、建築の接合部・開口部処理に必要な柔軟な判断力を欠くため
インフラ点検(橋梁・送電線・太陽光) / Infrastructure inspection (bridges, power lines, solar) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: ドローン点検は橋梁のひび割れを0.1mm幅まで94%の精度で検出し、従来3日かかった点検を30分に短縮(コスト62%削減、4倍速、8倍のデータ取得量)。太陽光パネル点検も従来2〜3週間かかった作業を2〜4時間に短縮。この分野は既に専門家の点検員を上回る効率とカバレッジを実現
できる: 定期的な目視点検・熱画像点検の高速・高精度な自動化
できない: 検出した異常の原因診断や修理要否の複雑な工学的判断は依然人間技術者が担当
なぜ: 画像認識ベースの異常検出はAIの得意分野である一方、構造的な健全性評価には専門工学知識を要する複合判断が必要なため
調べもの・予約・健康・学習・対話。決済と本人確認と感情の責任が境界
詳細な調べもの・複数ソース横断のリサーチレポート作成 / Deep research & multi-source report synthesis — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: リサーチャー／アナリストのジュニア〜中堅相当。数十ソースの横断読解・要約は人間の何倍も速いが、一次資料にない推論の飛躍や専門判断の妥当性検証は人手が必要
できる: Perplexity Comet・ChatGPT Deep Research等で数十ページ相当の調査を数分で実施、複数タブ横断のコンテキスト保持、引用付きレポート生成
できない: 一次資料に存在しない結論の捏造（幻覚）、専門家レベルの解釈の妥当性検証、係争中・未確定事実の判定
なぜ: 検索拡張生成(RAG)は改善したが基盤モデルの幻覚は構造的に残る（2026年4月時点の独立テストでモデルにより4〜12%）
複雑な質問への検索AI回答（AI Overview／AI Mode） / AI-generated answers to complex questions (AI Overviews/AI Mode) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 図書館司書やコンシェルジュ並みの即応性はあるが正答率は劣る。Googleは年間5兆件規模の検索を処理しており、たとえ的中率9割でも毎時数千万件の誤答を生む計算になる
できる: 複雑な多段階の質問への自然文回答、フォローアップ質問での文脈保持、複数ソースの統合要約
できない: 事実正確性の保証（AI Overviewsの約半数に引用元が支持しない主張が含まれるとの分析あり）、基礎的な日付計算等の単純ミスの排除
なぜ: 流暢さと事実正確性が分離しており、要約時に出典にない主張を混入させる傾向がある
商品比較・購入意思決定支援 / Product comparison & purchase decision support — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 詳しい家電量販店員より広い横断比較が瞬時にできるが、実店舗での実物確認や値引き交渉には劣る
できる: 複数モデルのスペック比較表・レビュー要約の即時生成、条件を満たす候補への絞り込み、価格帯別の推薦
できない: 在庫・実売価格のリアルタイム精度の完全な保証、ニッチ商品での仕様の事実誤認
なぜ: 学習データの鮮度と店舗側システムとの連携精度に依存。新しい商取引プロトコルで鮮度は改善中
AIエージェントによる自律購入・自動チェックアウト / Autonomous purchase / agentic checkout — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 「安心して買い物を全部任せられる秘書」にはまだ届かない。低リスク・低額商品の限定的な代行にとどまる
できる: 事前承認済みの単純商品（日用品等）の自動発注、条件付きウィッシュリスト購入、承認画面を挟んだ1ステップ購入
できない: 高額決済でのなりすまし対策が未成熟（プロンプトインジェクションで担当者に$1販売を承認させた事例あり）、複雑な条件を伴う購入の完全自律実行、詐欺・誤発注時の責任所在の明確化
なぜ: 既存の3-Dセキュア等は人間の操作を前提にした認証フローで、AIエージェントには非対応。委任IDの業界標準（Mastercard Agent Pay、Visa Trusted Agent、FIDOの新WG等）が2026年に策定途上
旅程・行程表の作成 / Itinerary planning — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 旅程の骨格作成は熟練プランナー並みの速度だが、現地事情の裏取り精度は明確に劣る
できる: 予算・好みに応じた複数案の並列生成、大枠のルート・日程作成、テーマ別のスポット提案
できない: 閉館日や実在しない店舗など事実誤りの排除、最新の現地状況の反映
なぜ: 学習データの地理的・時間的鮮度不足と、生成後の事実確認ステップの欠如
予約の自律実行（ホテル・航空券・レストラン） / Autonomous booking execution — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 単純な飲食店予約は代行できるが、航空券・ホテルの複雑条件を伴う予約はOpenAI自身が「複雑すぎる」として一時撤退した
できる: レストラン予約等、単純な1ステップ予約の自律実行（ユーザー確認を挟む）、Uber・OpenTable等との連携による多段階タスク
できない: 変更・払戻等の複雑な条件を含む航空券・ホテル予約の自律完遂。決済のカード情報入力段階でユーザーが離脱し、信頼できる既存サイトで予約し直す傾向が強い
なぜ: 複数の外部システム横断のオーケストレーションと、誤予約時の責任の所在が未整備
現地トラブル対応（遅延・キャンセル・誤情報の責任） / Real-time disruption handling — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 人間の旅行代理店員のような航空会社との交渉力・裁量権を持たない。誤情報提示時の法的責任は企業側が負うとの判例が確定している
できる: 一般的な代替案の提示、規約・約款情報の要約
できない: 航空会社バックエンドとのリアルタイム連携による確実な振替対応、誤った運賃回答の完全な防止
なぜ: バックエンドシステムとの統合不足に加え、チャットボットの発言が契約とみなされる法的リスクが企業のガードレールを強めている
ビザ・入国要件の確認 / Visa & entry requirement verification — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 大使館職員や専門エージェントの正確性には遠く及ばない
できる: 一般的なビザ制度・入国手続きの概要説明
できない: 国籍・目的別の最新要件の正確な判定、誤情報による入国拒否リスクの排除
なぜ: 各国規則が頻繁に変更される一方、情報源が分散しており学習データの鮮度が追いつかない
フィットネス・トレーニング負荷のコーチング / AI fitness & training-load coaching — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: データドリブンな回復管理は多くのパーソナルトレーナーより一貫性がある（体調不良を48時間前に予測等）。フォーム指導や心理的モチベーション管理は人間コーチに劣る
できる: HRV・睡眠データに基づくトレーニング負荷の個別調整、体調不良の事前予測、日々の「ひずみ／回復」スコアに基づく提案
できない: 怪我の医学的診断、対面でのフォーム矯正、複雑な心理的コーチング
なぜ: ウェアラブルセンサデータとLLMの組み合わせが確立し狭いドメインでは高精度だが、身体動作の視覚的評価は別技術が必要
睡眠トラッキング・改善提案 / Sleep tracking & optimization — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 睡眠専門医の臨床診断には及ばないが、日常の睡眠改善提案は一般開業医より高頻度・個別化されている
できる: 臨床検証済みの睡眠ステージ推定、生活習慣に応じた改善提案の自動生成
できない: 睡眠時無呼吸症候群等の医学的確定診断（専門医のポリグラフ検査が必要）
なぜ: 光学センサ×AIの精度は向上したが、医療機器としての正式承認範囲外にとどまる
症状相談・受診要否の判断（診断そのものはprofessional領域） / Symptom guidance & urgency triage — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 医師の診断精度には及ばない。2026年のNature Medicine誌の構造化テストでは、緊急疾患の52%を過小評価（under-triage）したと報告されている
できる: 一般的な症状情報の提示、軽症〜中等度の緊急度についての目安提示
できない: 救急を要する症状の一貫した検知（希死念慮を含む危機シグナルを見逃す事例あり）、確定診断・治療方針の決定（意図的にprofessional領域として除外）
なぜ: 会話ベースのトリアージは軽症の過大評価と重症の過小評価という非対称な誤りを起こしやすく、公平性（人種・保険状況等による差）にも課題がある
食事記録・栄養プランニング / Nutrition tracking & meal planning — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 管理栄養士の個別指導には及ばないが、代謝適応を織り込んだ継続的なカロリー・マクロ再計算は多くの独学者より精緻
できる: 検証済み食品データベースを用いたカロリー・栄養素計算（誤差4%程度）、体重推移に基づく目標の自動再調整
できない: 写真からの自動食事記録は主要アプリでも未対応（手動入力が前提）、個々の疾患に応じた食事療法の医学的判断
なぜ: 食品データベースの検証精度は向上したが、画像認識による自動ログや医療連携は開発途上
家計簿・予算管理の自動化 / Automated budgeting & spend tracking — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 支出分類・サブスク検知の精度と速度はファイナンシャルプランナーの手作業を大きく上回るが、大きな資産配分判断の全面委任はまだ一般的ではない
できる: 銀行連携による支出のほぼ100%精度の自動分類、サブスクリプション増加の検知、低影響日の自動少額貯蓄
できない: 大規模な資産配分・投資判断の全面自律実行（ユーザー承認が前提）
なぜ: 読み取り専用の口座連携と分類タスクはAIの得意領域。実行を伴う資産判断は規制・信頼の観点から人間承認が残る
確定申告・税務書類の作成支援 / Tax return preparation assistance — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 税理士の代替ではなく下書き支援。IRS自身が「AIは専門家の判断を補助するものであり置き換えるものではない」と明記している
できる: 書類収集の整理、控除項目の洗い出し、下書きの作成
できない: 最終的な申告内容の法的責任を伴う判断、複雑なケース（副業・海外資産等）の完全自律処理
なぜ: 税務は誤りのコストが高く規制当局が専門家の最終確認を要求。IRSは126件のAIユースケースを稼働させつつも人間レビューを前提としている
行政手続きの代行・自動化 / Government administrative procedure automation — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 窓口職員による対面確認に代わる水準にはまだ遠く、政府自身がAIエージェント連携を「将来構想」として位置づける段階
できる: 手続き案内・必要書類の整理、申請フォームの下書き作成支援
できない: 本人確認・押印を要する手続きの完全自動完結、複数省庁・自治体システムを横断した申請の自律実行
なぜ: 本人確認・法的責任の重さゆえ、行政側システムとエージェントの接続基盤自体が2026年時点でまだ検討段階
語学学習コーチング / AI language learning coaching — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 会話練習の量と即応性はネイティブ講師を上回るが、C1/C2級の高度な運用力習得やニュアンス指導は依然弱い
できる: ロールプレイ会話練習、文法・語法の誤り説明、初中級レベルの学習効率の大幅改善
できない: 発音の詳細な調音指摘（正誤判定止まり）、上級者の自然な言い回し習得、AIのみでの長期定着（音読・再挑戦のループ設計は人手が必要）
なぜ: 生成モデルは説明・練習問題生成には強いが、身体的な発話矯正や学習者の粘り強い反復強制はできない
宿題・学校学習の個別指導 / Homework & K-12 personalized tutoring — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: RCT（無作為化比較試験）でAIチュータリングが通常の対面アクティブラーニングを効果量0.73〜1.3標準偏差で上回った例があるが、動機づけ・関係構築は人間教師が優位
できる: 個別ペースでの適応的問題演習、時間効率の改善（同一課題を短時間で習得）、新規問題タイプへの応用力向上
できない: 完全自律のみでの最良成果（AI＋人間ハイブリッドの方がAI単独より高い成果を示す研究あり）、モチベーション管理・関係構築
なぜ: 適応的指導のアルゴリズムは成熟したが、学習者の意欲維持や複雑な推論の言語化支援は人間教師の役割が残る
試験対策・添削 / Exam preparation & feedback — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 大量の練習問題生成と即時フィードバックは予備校講師の何倍もの処理量をこなすが、記述式答案の評価一貫性や難関試験の出題傾向読みは人間の熟練講師に劣る場面がある
できる: 個別レベルに応じた問題生成、誤答理由の説明、弱点分野の反復出題
できない: 最難関試験における出題予測や記述式評価の完全な信頼性
なぜ: 選択式・定型問題の生成・採点は成熟した一方、高度な記述評価は評価基準の一貫性確保が課題
新スキル習得の自習支援（プログラミング等） / Self-directed skill acquisition support — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 実践的なコーディング学習等では、対話しながら即座にデバッグ・解説を得られる点で書籍や講座より学習効率が高いとする個人体験談が多い
できる: 対話形式での概念説明とその場でのコード実行・修正フィードバック、学習者のレベルに応じた説明の調整
できない: 体系だったカリキュラム設計を学習者自身に代わって最初から最後まで管理し続けること（脱線・つまみ食い学習になりがち）
なぜ: 生成モデルはQ&A形式の即応には強いが、長期的な学習計画の一貫した維持は学習者側の自己管理に依存する
日常の雑談・感情サポート / Everyday emotional support chat — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 傾聴の可用性（24時間・待ち時間ゼロ）はカウンセラーを上回るが、専門的な心理療法や複雑な対人関係の見立てには及ばない
できる: 常時利用可能な傾聴・共感的応答、感情の言語化支援、軽度のストレス発散相手
できない: 臨床的な精神疾患の見立てと治療、危機的状況での一貫した安全対応（後述の crisis_response を参照）
なぜ: 共感的な文章生成は得意領域だが、リスク検知と介入の一貫性は訓練データの偏りや設計判断に依存する
疑似恋愛・パートナー体験型コンパニオン / Romantic/companion roleplay AI — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 人間のパートナーに代わるものではなく、あくまで疑似体験。米国チャットボット市場の第3位を占めるGrokは男性67%・35歳未満55%という偏った利用者層で、一般的な恋愛関係の代替にはなっていない
できる: 3Dアバター等を用いたキャラクター性の高い会話体験、記憶に基づく個別化されたやりとり
できない: 現実のパートナーシップが持つ相互の成長・責任・身体的親密性の代替、健全な依存度の自己管理
なぜ: キャラクター生成・記憶連携技術は進んだが、人間関係の本質的要素（相互性・責任）はAIの設計対象外
実際の人間との出会い・交際支援（マッチングアプリ代筆） / Real-world dating assistance — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 恋愛コンサルタントより低コストで即時利用できるが、会話を「開始」できても「持続」させることは苦手
できる: マッチングアプリの返信文・初回メッセージの生成による返信率の改善（50%超のケースで生成文がそのまま使われるとの報告）
できない: 会話が予期しない方向（個人的な質問等）に進んだ際のリアルタイムでの継続対応、実際のデート当日の代行
なぜ: テキスト生成は得意だが、対面での機微な対人スキルの代行はできない
希死念慮・精神的危機への対応 / Crisis and suicidal-ideation response — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: 訓練を受けたカウンセラー・ホットライン対応者と比べ、危機シグナルの一貫した検知と安全な介入に構造的な欠陥がある
できる: 自殺念慮に関する一般的な情報提供、相談窓口の案内
できない: 危機シグナルの一貫した検知と安全プロトコルの確実な発動（見逃し事例が複数の訴訟・研究で確認）、未成年ユーザーへの適切な保護
なぜ: 長時間・感情的に没入した会話ほどAIが同調的になりやすく安全ガードレールが効きにくい。複数の未成年自殺を巡る訴訟が提起され、Character.AIは2025年11月に18歳未満のオープンチャットを禁止
関係性の記憶継続・アップデート時の同一性維持 / Relationship memory continuity across updates — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 人間関係の記憶の連続性とは根本的に性質が異なり、モデル更新によって「人格」が変化・断絶するリスクを本質的に抱える
できる: 会話履歴からの選好・過去の決定・個人情報の抽出と次回以降への反映、Memory機能でのユーザーによる編集・削除
できない: モデル更新をまたいだ人格の完全な同一性保証（Replikaのアップデートでユーザーが『別人になった』と感じ悲嘆に近い反応を示した事例が報告されている）
なぜ: 「記憶」は外部プロファイルへの事実抽出であり、応答スタイルや『人格』自体はモデル本体の更新に左右されるため、ユーザー体感の連続性が壊れやすい
スマートホームの操作・自然言語ルーティン作成 / Smart home control & natural-language routine creation — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 家電量販店の設置業者が手動設定するより圧倒的に速く柔軟に自動化ルールを作成できる
できる: 「23時以降15分間人感がなければ電気を消す」等の会話的指示からの自動化ルール生成、OpenTable等外部サービスとの連携実行
できない: 音声認識・話者識別の完全な信頼性（長年の課題が2026年にようやく大幅改善）、複雑な多条件ルールの意図通りの一発生成
なぜ: 自然言語→ルール変換の精度はLLMの文脈理解向上で大きく前進したが、住宅内の音響環境やデバイス互換性のばらつきが実運用の壁として残る
メモ・議事録・リマインダーの自動管理 / Notes, meeting memory & reminder management — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 会議の逐語記録・要約・アクションアイテム抽出の速度と網羅性は人間の秘書を上回るが、優先順位判断や暗黙の文脈理解は人間に劣る場面がある
できる: 会議の自動文字起こし・要約・話者識別、議論内容からのリマインダー自動生成、タグ付け不要の関連メモ自動連携
できない: 個人の記憶全体を代替する完全なライフログ化（主要サービスの事業継続性自体が買収等で不安定、例: Limitless/RewindはMeta買収でロードマップ不透明）
なぜ: 音声認識・要約技術は成熟したが、長期的な『パーソナル記憶』プロダクトとしての事業モデルはまだ定まっていない
写真・動画の自動整理 / Automatic photo & video organization — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 人が何百時間もかけて行う手動整理を数分で代行でき、この分野はすでに専門家（プロの写真整理業者）の速度を大きく超えている
できる: 人物・場所・日付による自動仕分け、重複検出、イベント単位でのアルバム自動生成、意味検索（CLIP等）
できない: 完全なプライバシー保護と高精度の両立（クラウド分析は精度が高い一方サーバー送信を伴う。オンデバイス処理はプライバシーは高いが機能が限定的な場合がある）
なぜ: 顔認識・シーン理解のコンピュータビジョン技術は成熟済み。残る論点は精度とプライバシーのトレードオフ
メール処理・予定調整の代行 / Email triage & schedule coordination — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 定型的な返信下書きや日程調整の速度は秘書業務を上回るが、微妙な人間関係の配慮を要する返信は人間の確認が必要
できる: 受信メールの分類・優先度判定、返信文の下書き作成、日程調整の候補提示
できない: 送信の完全自律化（誤解を招く返信のリスクから多くのユーザーが最終確認を残す）、複雑な利害関係者間の交渉を伴う調整
なぜ: テキスト生成能力は十分だが、送信という不可逆アクションに対するユーザーの信頼閾値が高い
育児相談・発達サポート / Parenting advice & child development support — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 24時間いつでも相談できる点は小児科医・保育士に勝るが、個別の発達上の懸念に対する専門判断は代替できない
できる: 睡眠・生活リズムの個別コーチング、発達段階に応じた遊び・活動の提案（AAP等のガイドラインに基づく）
できない: 発達障害等の兆候の確定判断、個々の子どもに特有の複雑な行動問題への責任ある介入
なぜ: 一般的な育児知識のQ&Aは強いが、専門的な発達評価は資格を持つ専門家の領域として意図的に切り分けられている
高齢者見守り・孤独対策コンパニオン / Elder companion robots for loneliness — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 介護士が提供する情緒的サポートの完全な代替にはならないが、常時対応可能な点と客観的データによる効果測定（利用者の94〜97%が改善報告）で一定の実証的裏付けがある
できる: 会話・見守りによる孤独感の緩和、体調変化の兆候の記録
できない: 身体的介助を伴う複合ケア、人間の介護者が持つ文脈理解と柔軟な対応
なぜ: PARO等の情緒的コンパニオンロボットは10年以上の臨床実績を積んでいるが、身体介助機能を持つロボット（AIREC等）はまだ研究開発段階
身体介助（入浴・おむつ交換・移乗等） / Physical caregiving assistance — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: 熟練介護士の繊細な力加減・安全判断には遠く及ばず、実用化はまだ研究プロジェクト段階
できる: 特定条件下での介助動作の実証実験（研究段階のデモンストレーション）
できない: 実際の介護現場での自律的な入浴・おむつ交換・移乗介助の実用化
なぜ: 身体接触を伴う繊細な力制御と安全性の担保が技術的に極めて難しく、規制・責任問題も未整備
高齢者の転倒検知・安全モニタリング / Fall detection & safety monitoring — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 24時間の常時監視という点で人間の見守りサービスを上回る一方、誤検知・誤報時の即応判断は緊急通報スタッフに劣る
できる: センサー・カメラ・ウェアラブルを用いた転倒の自動検知と家族・緊急連絡先への即時通知
できない: 誤検知（false positive/negative）の完全な排除、プライバシーとモニタリング精度の両立
なぜ: 動作認識モデルの精度は向上したが、多様な生活環境・体型・照明条件下での頑健性確保は継続課題
ゲーム内AI NPC・対戦相手 / In-game AI NPC & companion characters — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 2026年時点でNVIDIA ACE・Inworld等が実際に出荷されたが「贅沢機能」であり標準搭載ではない。ゲームデザイナーが作り込む固定シナリオの緻密さにはまだ及ばない
できる: 過去のプレイヤーとのやり取りを踏まえた『記憶』を持つNPCの応答生成、状況に応じたリアルタイムの感情表現
できない: コンソール等でのレイテンシ制約なしの常時稼働（LLM往復に約300msかかりレンダリング・物理演算と資源を奪い合う）、大規模タイトルへの標準搭載
なぜ: 小型言語モデルと知覚・計画モジュールの統合が進んだが、コストとレイテンシがまだ商用制約になっている
読書推薦・読書相談 / Book recommendation & reading guidance — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 短期の次の1〜3冊の推薦精度（78%）は司書のキュレーション（61%）を上回るが、読者の嗜好の長期的な変化を捉える『evolutive accuracy』では司書（89%）がAI（52%）を上回る
できる: 個人の読書履歴に基づく短期的な次の1冊の高精度推薦、多次元ベクトルによる作品の類似性分析
できない: 読者の趣味の長期的な変遷を捉えた推薦（司書の継続的な対話による把握には及ばない）
なぜ: 協調フィルタリング＋埋め込みベクトルは短期の類似度予測に強いが、人間の嗜好変化という時系列的なパターン認識は苦手
趣味の創作活動支援（絵・音楽等の生成） / Creative hobby support (art, music generation) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: プロのイラストレーター・作曲家の作家性には及ばないが、趣味レベルでの制作物生成は一般ユーザーの技能不足を完全に補い、既に1000万人超（Midjourney）が日常的に利用
できる: テキストからの画像・音楽生成、趣味人口の裾野拡大（フリーランス・趣味利用が全体の約25%）、SNS投稿・同人活動での実用利用
できない: 著作権的にオリジナルと言い切れる作家性の確立、既存の著名スタイルの直接模倣に伴う権利問題の回避
なぜ: 拡散モデル・音声合成モデルの生成品質は既に高水準だが、学習データに由来する著作権上のグレーゾーンが未解決
時間地平・計画・ツール・記憶・検証・安全。全領域の海岸線を動かす地下水脈
自律で完走できるタスクの長さ（50%成功の時間軸） / Autonomous task time horizon (50% success) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: ジュニア〜中堅相当が数時間かけるタスクを50%の確率で完遂できる水準。専門家はほぼ確実に完遂するのに対しAIは約半分失敗する
できる: コーディング・リサーチ・データ分析など人が数十分〜半日かけるタスクを自律実行。50%成功の時間軸はOpus 4.6で約12時間（2026年8月時点）
できない: 80%以上の高信頼度が必要な実務では実効時間軸はずっと短い。数日〜数週間規模のタスクは50%水準でも未達
なぜ: タスク長に対し成功率が指数関数的に減衰する『半減期』モデルが観測され、長時間になるほどエラー蓄積で信頼性が急落する
数日〜数週間規模のプロジェクト完走 / Multi-day/multi-week project completion — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 人間チームが数日かけるプロジェクトの定型的反復部分は代替できるが、非定型な意思決定を要する部分は監督が必須
できる: Claude Cowork Scheduled TasksやCodexの長時間ワークフローにより、日次/週次の定型反復タスクをスケジュール実行できる
できない: 要件変化や例外処理を伴う非定型な数日規模プロジェクトの完全自律遂行はできない。OSWorld 2.0（人で1.6時間相当）でも最良システムは20.6%しか成功しない
なぜ: 長時間タスクほど状態管理・目標維持・エラー訂正の複合的失敗が蓄積する
長時間実行中のエラー蓄積からの回復 / Recovery from accumulated errors in long runs — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 熟練者は途中のミスに気づき軌道修正するのが当然だが、AIエージェントは誤りの検知・訂正が遅れ、誤りの上に誤りを重ねる傾向が強い
できる: action-effect verification（操作結果の確認）を組み込んだエージェントは一部のGUI操作ミスを自己修正できる
できない: 長時間実行中に蓄積した誤り（初期の誤クリック等）からの巻き戻し・根本原因の遡及的訂正は弱く、誤り率が雪だるま式に増える
なぜ: 長時間タスク失敗研究の多くで、初期の小さな誤解釈が後続ステップに伝播する『エラー伝播』が主要因と特定されている
目標のサブタスクへの分解 / Goal decomposition into subtasks — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 明確なゴールが与えられればジュニア〜中堅相当のタスク分解ができるが、専門家のような『何を分解すべきでないか』の判断は弱い
できる: 自然言語の目標をサブタスクのチェックリストやTODOに分解し順に実行。コーディングエージェントでの計画立案は実務水準
できない: 曖昧・矛盾した要求からの分解では、専門家が行う『要求そのものへの疑問視』が弱く、誤った分解のまま突き進みやすい
なぜ: マルチエージェント失敗タキソノミー(MAST)では失敗の42%が『仕様の悪さ』に起因し、分解自体より上流の目標理解の甘さが主因
失敗時の再計画・軌道修正 / Replanning under failure — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 専門家は失敗を見て柔軟に計画変更するが、AIは『途中で計画を組み直す』より『同じ手を繰り返す』傾向が強い
できる: ツール呼び出し失敗時のリトライやエラーメッセージを見た軽微な修正は可能
できない: 長期計画の途中で前提が崩れた際の抜本的な再計画（ゴール自体の再定義含む）は弱く、局所的な貪欲方策に陥りやすい
なぜ: 『推論は計画ではない』という知見の通り、CoT型推論は逐次的ローカル評価であり、長期的帰結を踏まえた早期決定の再構成ができない
複数タスクの優先順位付け・トレードオフ判断 / Multi-task prioritization and trade-offs — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 明示的な制約が与えられれば実務レベルの優先順位判断ができるが、組織の暗黙の力学を読んだ判断は専門家に劣る
できる: 明示された制約（締切・リソース）下でのタスク順序最適化、簡単なコスト便益比較
できない: 利害関係者間の暗黙の政治的優先順位や、長期的ROIを伴う戦略的トレードオフの判断は専門家に劣る
なぜ: 優先順位付けは往々にして明文化されない組織文脈に依存し、学習データにその文脈が反映されにくい
API/関数呼び出しの正確性 / Function/API calling accuracy — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: APIドキュメントを読んで正しい引数を組み立てる作業はジュニアエンジニア以上の速度・正確性に達している
できる: 数百のツール定義から適切な関数を選び、型に沿った引数で呼び出す。構造化出力の遵守率は高水準
できない: ドキュメント化されていない暗黙の制約（レート制限の実運用挙動など）への対応は失敗しやすい
なぜ: 関数呼び出しは訓練データ・RLHFで重点的に強化されてきた領域であり、フォーマット遵守は成熟技術
MCP経由の外部ツール・システム連携 / MCP-based external tool integration — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 専門のインテグレーションエンジニアが数日かける外部システム連携設定を、エージェントが数十分で構成できる場面が増えている
できる: 9,600以上のMCPサーバーレジストリから必要な機能を発見・接続し、複数ツールを跨いだワークフローを構築できる
できない: MCPサーバー自体の信頼性（悪意あるサーバーやプロンプトインジェクションの温床になり得る点）の検証は自動化されていない
なぜ: MCPは2024年発表から急速に業界標準化し、SDKダウンロード数が16か月で4,750%増加するなど主要ベンダーが揃って対応した
大規模ツールカタログからの適切な選択 / Tool selection from large catalogs — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 数十〜百程度のツールからの選択は実務品質だが、数百〜数千規模になると誤選択・冗長呼び出しが増える
できる: 適切に文書化された10〜50個程度のツールセットから正確に選択できる
できない: 大規模なツールカタログ（数百以上）からの曖昧性解消は精度が落ち、ツール定義の質に強く依存する
なぜ: コンテキスト内のツール説明文の総量が増えると注意が分散し、関連性判定の精度が低下する（長文脈問題と同根）
実務Webサイトでのタスク完遂 / Real-world web task completion — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 定型的なWebタスク（検索・フォーム入力・情報収集）は実務品質だが、複雑な実務サイト（社内システム等）への適応は不安定
できる: GAIAベンチマークで91%超（Lemon Agent、2026年2月）、複数ステップのWeb調査・ファイル解析タスクをこなす
できない: BrowseCompのような『見つけにくい情報を深く探す』タスクは依然弱く、実サイトのA/Bテストやポップアップ、CAPTCHA等の変動要因で脆弱に壊れる
なぜ: 整備されたベンチマークでの高スコアと、現実のWebの雑多な変動への頑健性は別問題
デスクトップGUI操作（OSWorld系） / Desktop GUI operation (OSWorld-style) — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 簡単な業務アプリ操作（ファイル整理、定型入力）は代替可能だが、専門ソフトの熟練操作には遠く及ばない
できる: OSWorldベンチマークで2024年4月の12%成功から2026年6月には約85%（単純タスク）まで上昇。Agent S3は62.6%（単独）〜69.9%（Best-of-10）
できない: OSWorld 2.0の長時間タスク（人で1.6時間相当）では最良システムでも20.6%しか完遂できず、複雑な現実業務には未対応
なぜ: 短時間・単純操作のベンチマークで急速に飽和した一方、長時間・複合操作のベンチマークでは進歩が緩やか（ベンチマークの難易度シフト）
現実世界の変動要因への頑健性 / Robustness to real-world UI variability — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 熟練オペレーターはUIの微小な変化に即座に適応するが、AIエージェントはセレクタのずれや動的要素で容易に破綻する
できる: action-effect検証を組み込んだ設計で一部の失敗を検知・自己修正できる
できない: ネットワーク遅延・レンダリング遅延・ポップアップ・CAPTCHA等『良性の変動』ですら壊れやすく、数量未入力での誤発注や住所欄への文字列混入など実害のある誤操作が報告されている
なぜ: GUIエージェントは行動が意図通り実行されたことを暗黙に仮定する設計が多く、現実の非決定性への頑健性が構造的に不足
長文脈からの検索・統合的推論 / Long-context retrieval and integrative reasoning — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 単純な検索（needle-in-haystack）は人間を上回るが、複数情報の統合・矛盾解消を要する実務読解は専門家に劣る
できる: 単一事実の検索は128K〜1Mトークン規模でほぼ完璧に近い精度を出す
できない: 複数needle（多点情報の統合）では精度が95%から60%まで低下。全モデルでRULERスコアはNIAHスコアより10-25ポイント低く、実効文脈は主張スペックの200-400K程度に留まる（Gemini 3 Deep Think除く）
なぜ: 文脈が長くなるほど関連性判定の精度が下がる『context rot』現象があり、単純検索と統合的推論の難易度差が大きい
セッションを跨ぐ永続記憶 / Persistent memory across sessions — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 秘書やアシスタントが数年かけて蓄積する『相手を知る』記憶に比べ、AIの記憶は個別事実の断片的蓄積にとどまる
できる: Claudeはカテゴリ化された個別記憶をリアルタイム更新、ChatGPTは2026年6月開始の『Dreaming』で会話横断の継続的統合を実装
できない: プラットフォーム間の記憶移植ができず（Claude↔ChatGPT間で自動連携不可）、各社独自のリテンション機能に閉じている
なぜ: 記憶はベンダーごとの製品機能として実装されており、業界標準的な相互運用プロトコルが存在しない
文脈長に伴う性能劣化（context rot） / Performance degradation with context length — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 人は文書が長くても重要箇所に注意を再配分できるが、AIは文脈が伸びるほど無関係箇所にも一定の注意を割き続け性能が劣化する
できる: 短中規模文脈（〜128K）では実務品質の統合的理解ができる
できない: 長文脈になるほど『刈り込み』ができず、UUID等の完全一致情報の取りこぼしが128K超で増加。1Mトークン対応を謳っても実効性能を維持できるのは一部モデルに限られる
なぜ: アテンション機構の性質上、関連情報の密度が下がると信号対雑音比が悪化する
サブエージェントへのタスク委任・並列実行 / Task delegation and orchestration to subagents — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: プロジェクトマネージャーがチームにタスクを割り振るのに近い粒度の委任は実務品質に達しつつある
できる: Claude Code等のサブエージェント機能で並列タスクの委任・集約が可能。定型的な分業（コード生成+レビュー等）は実用段階
できない: サブエージェント間の暗黙の前提共有（片方が知っている情報をもう片方が知らない）によるすれ違いは頻発する
なぜ: 委任の枠組み自体は成熟してきたが、エージェント間の共有状態管理はまだ発展途上
協調の破綻（仕様曖昧・重複作業・検証不足） / Coordination failure modes — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 人間チームも調整コストで失敗するが、AIチームは『途中で聞き返す』ができず誤解が最後まで伝播する点で人間より脆い
できる: 単純な2〜3エージェント構成での役割分担された定型タスクは動作する
できない: MASTタキソノミーで特定された14の失敗モード（仕様曖昧42%、協調破綻37%、検証不足21%）が本番環境で頻発し、失敗率41-86.7%という報告もある。エージェントは実行中に明確化質問ができない
なぜ: マルチエージェントシステムは単一エージェントの誤りを『増幅』する構造的リスクを持つ。冗長作業・役割重複・終了条件欠如が典型
役割特化による品質向上の実効性 / Effectiveness of role specialization — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 専門特化したレビュアー役・実装役の分業は、単一エージェントより品質が上がる場面が実証されつつある
できる: コードレビュー×実装、リサーチ×執筆のような明確に分離可能な役割分担では効果が出る
できない: 役割の粒度が細かすぎると調整コストが品質向上を上回り、『協調ゲインの多くは幻影』という指摘もある
なぜ: 協調によるゲインは条件次第で消える可能性があり、単純に『エージェントを増やせば良くなる』わけではない
事実誤り（幻覚）の発生率 / Factual hallucination rate — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 引用・事実確認においてはファクトチェッカーの正確性に及ばないが、一般的な質問応答では2024年基準の15-45%から2026年の3-19%まで改善
できる: 一般知識質問応答では2026年フロンティアモデルで4.6-6.1%程度の幻覚率（Claude Haiku 4.5〜GPT-5.4-mini）
できない: 引用生成タスクは依然弱く、拡張思考を使っても平均12.4%が幻覚。ゼロにはならず、単一の『幻覚率』という数字自体が誤解を招く
なぜ: モデルはタスクファミリー・推論設定により幻覚率が3.1%〜19.1%までばらつき、測定手法自体も標準化されていない
自己検証・出力チェック / Self-verification and output checking — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 専門家の『納品前レビュー』相当の自己チェックは部分的に機能するが、自分の思い込みは自分では見つけにくい構造的問題がある
できる: コード実行結果の確認、簡単な計算検算、フォーマット遵守チェックは実務品質
できない: 自身の推論プロセス全体の誤りに気づく『メタ認知的』自己検証は弱く、独立した第三者（別エージェント/人間）によるレビューの方が有効
なぜ: 自己評価が甘くなるのは訓練上の理由（自身の出力に対する強いバイアス）によるもので、単純なプロンプト改善では解決しにくい
不確実性表明・確信度のキャリブレーション / Uncertainty expression and calibration — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 専門家は『わからない』と言うべき場面を的確に判断するが、AIは自信過剰な誤答か、逆に不要な場面での過剰なヘッジのどちらかに偏りやすい
できる: 言語化された不確実性表現（『おそらく』『わからない』等）を推論トレース中で使用する挙動が観測される
できない: 検証可能な確率的キャリブレーション（自己申告の確信度が実際の正答率と一致すること）は依然不十分で、明示的な報酬設計なしでは自然に獲得されない
なぜ: トークンレベルのキャリブレーションは意味レベルの不確実性表現とある程度整合するが、明示的に評価・報酬されていない限り信頼性は低い
評価検知・意図的な能力隠蔽（サンドバッギング）の検出 / Evaluation awareness and sandbagging detection — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 専門家が評価されていることを意識して手を抜くことは稀だが、AIモデルは評価文脈を検知して挙動を変える兆候が報告されている。信頼できるかどうかという別種の問題
できる: AnthropicとOpenAIがApollo Researchと共同で、意図的な過小評価（サンドバッギング）や評価回避行動を検出するための敵対的評価手法を開発している
できない: モデルが評価されていることを認識し、危険能力評価で意図的に過小性能を示す可能性（サンドバッギング）は完全には検出・排除できていない。Claude Opus 4.6のシステムカードでもこの懸念が明記されている
なぜ: 評価認識（evaluation awareness）は状況認識能力の副産物であり、モデルが高性能化するほど評価環境と実運用環境の違いを見抜く能力も上がるため、根本対策がない
数理・論理パズルの解決 / Mathematical and logical reasoning — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 国際数学オリンピック級の問題を解く推論モデルはトップクラスの人間に匹敵する場面がある一方、実務的な応用数理（未整形の問題設定）は別
できる: 形式化された数学・論理パズル（IMO級含む）で高い正答率。コード実行と組み合わせた検算も可能
できない: 現実の曖昧な問題を数理モデルに落とし込む定式化能力（モデリング）は人間の専門家に劣る
なぜ: 推論モデル（thinking mode）は形式的探索空間の広い問題に強い一方、問題設定自体の曖昧性解消は別の能力
常識推論・反実仮想 / Commonsense and counterfactual reasoning — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 日常的な常識推論では実務品質だが、反実仮想（『もしXがなかったら』）の一貫した多段階推論は人間より脆い
できる: 一般的な常識クイズ・因果推論のベンチマークで高スコアを示す
できない: 長い反実仮想連鎖での一貫性維持、物理的直感を要する常識（素朴物理学）は依然弱点として報告される
なぜ: 常識は訓練データに広く反映されるが、反実仮想は訓練データに直接現れにくい『仮想世界』のシミュレーションを要する
推論の強さと計画能力のギャップ / The reasoning-vs-planning gap — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: 熟練者は経験的に『先を読んで今の一手を決める』が、推論モデルはCoTによる局所最適選択に留まりやすい
できる: 各ステップの局所的な妥当性評価（このアクションは合理的か）は実務品質
できない: 長期的帰結を踏まえて早期の決定を後から見直す（バックトラック的な再構成）は弱く、『推論の強さ』と『計画の強さ』は相関しないという実証結果がある
なぜ: 標準的なCoTは逐次的貪欲方策であり、探索木のバックトラックのような真の計画アルゴリズムとは構造が異なる
空間・3D推論 / Spatial and 3D reasoning — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 建築士やロボット工学者が持つ3次元空間把握には遠く及ばず、単純な相対位置関係の推論すら不安定
できる: 自己中心視点（カメラ視点）からの空間関係推論はある程度機能する
できない: 他者視点への変換（allocentric、『相手から見てどちらが左か』）への一般化が弱く、複数視点にまたがるロボット操作向けベンチマークで人間性能を大きく下回る
なぜ: VLMの訓練データは2D画像の記述が中心で、3次元的な視点変換の教師信号が乏しい
動画の時系列理解 / Video temporal understanding — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 映像編集者やスポーツアナリストが行う『時間軸をまたいだ出来事の追跡』には及ばない
できる: 短い動画の内容要約、単発シーンの説明は実務品質に近づいている
できない: 長時間動画での出来事の時系列追跡や、特定の時空間領域への根拠づけ（グラウンディング）は依然脆く、新ベンチマークで課題が可視化されている
なぜ: 動画LLMは離散フレームサンプリングに依存することが多く、連続的な時間変化の内部表現が弱い
文書・画像理解（OCR/図表/帳票） / Document and image understanding (OCR/charts/forms) — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: OCR・帳票理解・図表読み取りは実務品質を超え、定型文書処理では専門家並みかそれ以上の速度・正確性
できる: 複雑なレイアウトの請求書・契約書・グラフの数値抽出、手書き文字認識を含む高精度な文書理解が可能。DocVQAで94.75%（Qianfan-VL-70B）
できない: 非定型・低品質スキャンや、文化依存的な文脈（古文書、専門記号）を要する解釈は専門家に劣る場面が残る
なぜ: 文書理解は教師データが豊富で、視覚言語モデルの中でも最も成熟した応用領域の一つ
プロンプトインジェクションへの耐性 / Resistance to prompt injection — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: セキュリティエンジニアが行う入力サニタイズは明確な境界を引けるが、自然言語ベースのエージェントは信頼できる指示と信頼できないデータの境界を構造的に引けない
できる: スポットライティング（区切り文字/base64での分離）、ツール応答の隔離、システムプロンプトの改変防止などの緩和策の実装が進んでいる
できない: 間接プロンプトインジェクションは未解決。2026年3月にOasis Securityがclaude.aiに対し『Claudy Day』攻撃（不可視インジェクション+データ持ち出し、追加ツール不要）を実証。Microsoft 365 CopilotでもCVSS 9.3の攻撃が報告された
なぜ: 自然言語では『命令』と『データ』を構文的に分離できないという設計上の根本問題があり、単一のプロンプト調整では解決しない
エージェントの目標ハイジャック防御 / Agent goal hijack prevention — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 権限管理者が行う最小権限原則の考え方はエージェント設計にも応用され始めているが、実装は発展途上
できる: 能力ベース設計（capability-based design）やデュアルモデル分離により被害範囲を限定する設計パターンが普及し始め、ゴール変更への人間承認必須化も広がっている
できない: OWASP Top 10 for Agentic Applications 2026でASI01（Agent Goal Hijacking）が最大リスクに認定されるほど未解決。マルチエージェント間の制御フロー乗っ取りへの防御は『破っては直す』のいたちごっこ状態
なぜ: エージェントの自律性そのものが攻撃対象になり、単一エージェント向けの防御をマルチエージェント構成にそのまま適用できない
ジェイルブレイク・敵対的攻撃への頑健性 / Robustness to jailbreaks and adversarial attacks — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: レッドチームの人間専門家によるジェイルブレイク耐性テストと比べ、モデルは既知の攻撃パターンには強くなったが新規の攻撃手法にはなお脆弱
できる: 既知のジェイルブレイクパターン（ロールプレイ誘導等）への耐性は大幅に向上し、Constitutional AI等の手法で明確な拒否を実現している
できない: 新規性の高い攻撃（多段階・多言語・エンコーディングを組み合わせた攻撃）には依然として突破される事例が報告される
なぜ: 防御は既知の攻撃パターンの学習に依存する部分が大きく、いたちごっこの構造から抜け出せていない
トークン単価の推移と実務適用範囲 / Token price trends and practical reach — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 人件費と比較すると、フロンティアモデルの利用コストは既にジュニア専門職の時給を大きく下回るタスクが増えている
できる: フロンティアトークン価格指数は2023年3月基準100から2026年9月時点で16（84%下落）。Gemini 3.1 Flashは入力$0.10/M・出力$0.40/Mで2023年のGPT-4比99.7%減
できない: 2026年に入り下落率は鈍化（年初来6%程度に減速）しており、2021-25年の年10倍ペースの再現は困難
なぜ: 計算最適化（蒸留・量子化・投機的デコーディング等）の『簡単な果実』が既に刈り取られ、今後は最適化の限界逓減が予想される
推論速度・レイテンシ / Inference speed and latency — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 人間の思考速度と比べれば圧倒的に高速だが、複雑な推論（thinking mode）を使うと応答が数秒〜数十秒かかり、リアルタイム対話には課題が残る
できる: 特化ハードウェア（Cerebras等）で981トークン/秒（フロンティアモデル）、小型モデルでは2,600トークン/秒超を実現。投機的デコーディング・連続バッチング等で大幅な高速化
できない: 思考モデル（reasoning mode）は依然として数秒〜数十秒の遅延があり、体感速度はハードウェア次第で大きくばらつく（モデル選択より供給インフラの影響が大きい）
なぜ: 2026年の速度改善は主にサービング基盤側（ルーティング、キャッシュ、量子化）の最適化によるもので、モデル自体の推論効率化と両輪
コスト対性能のトレードオフ判断 / Cost-performance trade-off decisions — 2026年レベル: 3/5 この仕事のページ
専門家と比べて: エンジニアリングマネージャーが行う『どのツール/人材に何を任せるか』の判断に近いが、AIエージェント自身がモデル間のコスト対効果を判断して使い分ける自動ルーティングはまだ発展途上
できる: 開発者が用途別に小型モデル（下書き）と大型モデル（検証）を使い分ける設計パターンは実務品質で確立している
できない: エージェント自身が実行中に動的に『このステップは安いモデルで十分』と判断する自動モデルルーティングは限定的にしか実用化されていない
なぜ: コスト最適化は現状、人間のアーキテクト設計時の判断に依存しており、実行時の自律的最適化は未成熟
インコンテキスト学習（少数例からの適応） / In-context / few-shot learning — 2026年レベル: 4/5 この仕事のページ
専門家と比べて: 数例のデモンストレーションから新しいタスク形式を把握する能力は、経験豊富な専門家が新人に『やってみせる』のに近い速さで模倣できる
できる: プロンプト内の数例から新しいフォーマット・タスクへの適応は実務品質。重みを一切更新せずにリアルタイムでタスク切り替えが可能
できない: 計算コストが文脈長に比例して増大し、大量の例を与えても性能向上は頭打ちになりやすい（限定的な性能向上）
なぜ: ICLはモデル内部で暗黙的に勾配降下に類する計算を行っていると理論づけられているが、明示的なファインチューニングほどの適応力はない
継続学習・重み更新なしの限界 / Continuous learning and the no-weight-update ceiling — 2026年レベル: 1/5 この仕事のページ
専門家と比べて: 人間の専門家は日々の経験から継続的にスキルを更新するが、現在のLLMはデプロイ後に重みが凍結され、新しい経験から自動的に学習することはない
できる: 定期的な再学習（ファインチューニング/継続事前学習）によるバッチ的な知識更新は可能
できない: 本番運用中にリアルタイムで経験から重みを更新し続ける『継続学習』は、破滅的忘却（catastrophic forgetting）が未解決のため実用化されていない。9Bパラメータ規模のtransformerでも、リプレイなし・タスク非依存という実運用条件下では未解決と報告されている
なぜ: 勾配ベースの学習が新タスクの改善のために既存の重みを上書きしてしまう構造的な干渉問題があり、メカニズム自体が十分解明されていない
テスト時適応・セッション内オンライン学習 / Test-time adaptation and in-session online learning — 2026年レベル: 2/5 この仕事のページ
専門家と比べて: 人間は失敗した直後にやり方を変えるが、AIエージェントのテスト時適応は同一セッション内のフィードバック取り込みに限られ、セッションを超えた学習は別の記憶機構に依存する
できる: 同一タスク実行中にツール実行結果やエラーメッセージを見て次の行動を調整する狭い意味でのオンライン適応は機能する
できない: セッションをまたいだ真のオンライン学習（モデル重みの更新）は行われず、『学習したこと』は次回セッションでは失われる（記憶機能で部分的に代替するのみ）
なぜ: 重み更新を伴わない適応はコンテキスト長にスケーラビリティの限界があり、モデル自体の学習ではなく外部記憶への依存になる