OpenAIのEU職種4類型マップを経営の職務再設計に使う

概要

OpenAI は 2026 年 6 月 29 日、EU 労働市場を対象にした「AI Jobs Transition Framework」を公表しました。これは 2026 年 4 月に米国向けに作ったフレームワークを、欧州標準の職業分類 ESCO と Eurostat の雇用データに載せ替えて EU に拡張したものです（出典: openai.com）。

このフレームの肝は、AI の職種影響を「自動化されるか否か」の二分ではなく、4 つの類型に分けた点にあります。EU 雇用に占める割合は次のとおりです（記事本文の一次数値）。

類型	英語原語	EU 雇用シェア
成長	occupations that may grow with AI	12%
高自動化	higher near-term automation potential	14%
再編	occupations likely to reorganize	27%
変化小	occupations with less immediate change	47%

合計は 100% です。OpenAI 自身が「これは雇用予測ではなく、どこに調整圧力と機会が現れるかの準備の地図（planning map）だ」と明言している点が重要です。

経営にとっての示唆は単純です。人数（headcount）の議論を始める前に、自社の職務がこの 4 類型のどこに割れるかを地図にする、ということです。削減対象を探すのではなく、「拡張する職務」「再編する職務」「変化しない職務」を切り分け、教育投資・権限移譲・評価制度の再設計の順序をその地図から逆算します。これが本フレームを意思決定に変換する筋道です。

特徴

exposure が高い職種が自動化されるとは限らない

従来の AI 雇用影響研究は、職種を「AI にどれだけ晒されるか（exposure）」という 1 軸で並べ、その帰結を automation か augmentation かの二分で語ってきました。OpenAI の 4 類型は、exposure を出発点にしつつ、次の 3 軸の組み合わせで職種を振り分けます（米国版フレームワークの設計を EU 版が継承。米国版の定義詳細は二次情報）。

評価軸	内容
technical capability（理論 exposure）	タスク時間のうち AI に晒される割合。Eloundou et al. 2023「GPTs are GPTs」のタスク採点を直接入力
human necessity（人間必要性）	規制・関係性・物理のいずれかで人間が役割に残る必要
demand elasticity（需要弾力性）	AI がコストを下げたときの需要の弾力性
realized exposure（観測 exposure）	ChatGPT 業務利用ログから見た実際の利用割合（米国版の軸）

realized exposure について 1 点注意があります。米国版は匿名集計した ChatGPT の業務利用ログを職種タスクに紐付け、「理論上 exposed なタスクのうち実際に使われている割合」を見ています。ただし EU 版は ESCO と Eurostat をベースに human necessity と demand elasticity を欧州文脈に再推計したもので、EU 固有の realized-use データによる検証は行っていません。

この多軸化によって、同じ高 exposure の職でも結論が割れます。

組み合わせ	帰結
高 exposure × 需要弾力的	成長。コスト低下が需要を拡大し雇用増もありうる
高 exposure × 人間必要性強 × 需要が非弾力	再編。人は残るが人員需要は減りうる
高 exposure × 人間必要性弱	高自動化リスク
低 exposure / 物理障壁	変化小

つまり「exposure が高いこと」と「自動化されること」を切り離し、同時に「人間が必要なこと」と「雇用が安泰なこと」も切り離せます。これが二分法に対する最大の前進です。

最大の論点は「再編」の 27%

EU で最大の塊は変化小の 47% です。しかし経営の意思決定で効いてくるのは再編の 27% です。再編とは「AI でワークフローとスキル要件が変わるが、人は提供の中心に残り続ける」職種を指します。

性質	内容
削減対象ではない	人は残るため
現状維持でもない	人員需要は減りうるため
見えにくい	augmentation に混ぜると「人は残るが人数は減る」力学が隠れる
設計コストが高い	対応は役割再定義と reskilling と権限移譲の設計

最も手間がかかる類型が、ボリュームゾーンに位置しています。

予測ではなく準備の地図という姿勢

OpenAI は繰り返し「これは job-loss 予測ではなく transition risk のマップだ」と述べます。理由は本フレーム自身の限界にあります。理論 exposure と実際の採用には大きなギャップがあるためです。OpenAI 自身、自動化リスク職で観測 exposure 24.6% に対し理論 exposure 92.8% という「capability overhang」を報告しています。

だからこそ着地は監視と準備の提言になります。

提言	内容
モニタリング強化	労働市場変化を集計統計に現れる前に追う能力
national readiness plan	各国別にテーラーメイドした準備計画

OpenAI の Chief Economist である Ronnie Chatterji は「EU 一律でなく加盟国ごとの個別プランが必要」と主張しています（二次情報: cryptobriefing）。

概念構造

4 類型が決まる仕組み

3 軸の合成で職種が 4 類型に振り分けられます。

要素名	説明
AI exposure が高いか	理論 exposure による最初の分岐
需要弾力性	コスト低下で需要が増えるかの判定
人間必要性	規制・関係・物理で人間が残る必要の判定
変化小 EU 47%	exposure が低い、または物理障壁で守られる職種
成長 EU 12%	高 exposure かつ需要弾力的な職種
再編 EU 27%	高 exposure かつ人間必要性が強い職種
高自動化 EU 14%	高 exposure かつ人間必要性が弱い職種

先行研究の系譜での位置づけ

OpenAI 4 類型は突然変異ではなく、exposure 研究の系譜の延長にあります。

研究	単位	主軸	代表数値
AIOE（Felten et al. 2021）	職種	単一 exposure 指標	-2.67〜+1.58 の順位
GPTs are GPTs（Eloundou 2023）	タスク	LLM exposure	80% が 10% 以上のタスク影響、19% が 50% 以上
OECD（2024）	職種	exposure と代替は別物	高自動化リスク約 27%（二次）
ILO（2025）	タスク（ISCO-08）	augment が automation を上回る	exposure 約 25%、代替リスク 3.3%
Anthropic AEI（2025-02）	タスク（実ログ）	automation と augmentation の二分	augmentation 57.4% / automation 42.6%
OpenAI 4 類型（EU 2026）	職種（3 軸）	成長 / 再編 / 自動化 / 変化小	EU 12 / 27 / 14 / 47%

これらの指標は単位（職種・タスク・労働者）も定義もバラバラで、横並び比較はできません。ILO 3.3% と OECD 27% が一桁違う点が好例です。OpenAI 4 類型の価値は、新しい数値を出したことではなく、先行指標を下位入力として包摂し、「成長」と「再編」を独立カテゴリに切り出したことにあります。

経営の意思決定への変換

4 類型の地図を、経営が握るべき意思決定の順序に落とすと次のようになります。

要素名	説明
職務マップ	自社職務を 4 類型に分類
タスク分解	職務をタスクに割り automate / augment / human に仕分け
役割再定義	残ったタスクを束ね Builder / Orchestrator / Strategist へ再構成
reskill と権限移譲	監督能力の獲得後に判断を AI へ委譲
評価制度	KPI をアウトカム軸へ再設計
headcount	上記の結論として最後に決定

ポイントは headcount を順序の最後に置くことです。WEF Future of Jobs Report 2025（一次。ただし PDF が環境で timeout のため exact 数値はサブエージェント要約由来）は、労働力 100 人中 59 人が 2030 までに訓練を要し、その内訳を次のように示します。

区分	人数（100 人中）	内容
現職 upskill	29 人	現職のままスキル向上で対応可能
redeploy	19 人	別所へ再配置して活用
移行困難	11 人	必要な再教育を受けられず雇用リスク

これはマクロ予測なので個社にそのまま写像はできません。それでもマクロでは「削減候補」に見える層にも相当の再配置余地があることが示唆されます。先に削ると、この再配置可能な人材を地図化する前に失います。

この順序が正しいことは実証でも裏付けられます。

観点	内容
ワークフロー再設計	AI を足すだけは生産性 +5%、human-AI 中心の再設計で +30%（欧州 telecom、二次）
削減のリターン	最も人員削減した企業のリターンは最も削減しなかった企業とほぼ同じ（Gartner、二次）
error-correction 層	Ford はベテラン削減で品質補正層を失い、再雇用コストが削減額を上回った（二次）

経営が決めるべきことを集約すると、次の 6 点になります。

意思決定の順序を固定する。タスク分解 → 仕分け → 役割再定義 → reskill と権限 → 最後に headcount。
分析単位を職種台帳でなくタスクとスキルにする。
HITL（人間を実行経路に残す）を保つ領域、すなわち権利・財務・健康・規制の影響を職務記述に固定し、それ以外で監督能力が育った領域を HOTL に移す。
評価指標を「AI 導入数 / 自動化率」でなく「再設計したワークフローのアウトカム」にする。
削減前に redeploy 可能性（スキル隣接性）を必ず評価し、error-correction を担う暗黙知保有者を保護する。
「AI を口実にした削減（AI washing）」を禁止・監査するガバナンスを置く。

自社での始め方

いきなり全社の職務マップを作る必要はありません。次の順で小さく始めると、95% が ROI を出せていない大規模変革の轍を避けられます。

主要職務を 4 類型に仮置きする。粒度はタスク単位とし、職種名で丸めない。
「再編」に落ちた職務を最優先で精査する。ボリュームゾーンかつ最も設計が要るため。
自社人員を WEF の 29 / 19 / 11（現職 upskill / redeploy / 移行困難）に対応づけ、削減判断の前に redeploy 経路を引く。
1 職務群だけで「タスク分解 → 役割再定義 → 評価指標のアウトカム化」を回し、ROI を確認してからスケールする。
HITL を残す領域（権利・財務・健康・規制）を職務記述に固定する。

反証と限界

本フレームを意思決定の根拠にする前に、提言の根拠・前提・有効性をそれぞれ直撃する反証を直視します。

根拠を弱める発信源バイアス

OpenAI 自身が AI ベンダーであり、雇用影響分析には構造的な利益相反があります。退職した元社員が OpenAI の経済リサーチチームを内部で「アドボカシー部門（advocacy arm）」と評し、AI による雇用代替などネガティブな研究の公表が慎重になったと WIRED が報じています（二次情報: Gizmodo/WIRED）。「automation でなく再編」という framing は、AI 活用継続つまり製品販売の動機と矛盾しません。中立的な地図として鵜呑みにせず、第三者研究（OECD・ILO・学術）と突き合わせる必要があります。

前提を弱める exposure と実採用の乖離

4 類型は exposure ベースであり、理論値の地図です。NBER の研究（要再検証。一次 PDF が 403 で本文の数値・図表を独立再確認できず、サブエージェント要約由来）は、comparative advantage モデルが実際の AI 採用変動の約 60% を説明するのに対し、exposure-only モデルは 14% に留まり、約 30% の労働者で両者が乖離すると報告しています（nber.org）。マップ先行で制度を再設計しても、実態と 3 割ズレうる、ということです。

有効性を弱める AI 変革の低い成功率

MIT NANDA「The GenAI Divide」報告（報告書・ミラー。Fortune と整合）によれば、生成 AI を導入した組織の 95% で測定可能なリターンが出ていません（fortune.com 経由）。reskilling は upskilling より従業員満足度が低く（62% 対 73%、二次）、最も成果が出にくい領域です。「大規模な制度再設計を急げ」という提言は、95% が ROI を出せていない領域への賭けになりえます。これは「順序を間違えるな」という規範は支持しつつ、「小さく検証してからスケールせよ」という慎重さを併せ持つべき根拠になります。

EU 固有の摩擦

職務再編を伴う workforce 最適化は、EU では AI Act（Annex III）と works council 法と解雇規制の積み重ねにより、経営の一存では進みません（二次: aiactblog.nl）。順序設計そのものが組合協議の対象になりえます。

頑健な論点

一方で、反証探索でも崩れなかった論点もあります。「automation 二分法より粒度を上げる方向性そのもの」は、Frey & Osborne 2013 の「47% が自動化リスク」が OECD の task-based 分析（Arntz et al. 2016）で約 9%（21 OECD 国平均、米国も 9%）に縮小された経緯（一次）が、むしろ「粒度を上げるべき」方向を補強します。「拙速なレイオフを最優先にしない」という規範も、正面から否定する一次文献は見つかりませんでした。

未解決の問い

対象職種数は EU 報告書に 2,609 ESCO occupations と明記。総雇用者数の母数のみ未確認。
EU 版の「成長」「再編」の具体的職種名は記事・二次とも逐語抽出できず未確認。職種例は米国版（法廷速記者は高 exposure、判事・弁護士・教師・看護師・配管工は human necessity で保護）で代替。
ChatGPT 観測データの EU 版での適用粒度は未確認（米国版継承と推定）。

まとめ

OpenAI の EU 職種 4 類型マップは、AI の影響を「自動化か否か」の二分から「成長・自動化・再編・変化小」へと粒度を上げ、人数削減より先に職務マップを作る発想を後押しします。一方で発信源バイアス・exposure と実採用の乖離・AI 変革の低い成功率という反証があり、提言は「順序を間違えず、小さく検証してからスケールする」姿勢で受け取るのが妥当です。

この記事が少しでも参考になった、あるいは改善点などがあれば、ぜひリアクションやコメント、SNSでのシェアをいただけると励みになります！

🗺️ OpenAIのEU職種4類型マップを経営の職務再設計に使う

概要

特徴