2026年9月24日、英国のテック労働者組織UTAW（United Tech and Allied Workers）が「AI Workers’ Inquiry 2026」を公開しました。UTAWは通信労働組合CWUの支部で、調査は2026年8月から9月にかけて会員が実施しています。報告書によると、参加者は生成AIを、成果への期待の上昇、技能要件の変化、監視の拡大などをもたらすおおむね否定的な力として語り、仕事量が減ったとは述べませんでした。
開発者を対象にした実験は、結果が割れています。Microsoft、Accenture、Fortune 100企業の開発者4,867人では、AIコーディング支援を使った開発者の週あたり完了タスク数（プルリクエスト数で計測）が26.08%増えたと推定されています。Googleのエンジニア96人では、作業時間が調整後の推定で約21%短くなりました（推定の不確実性は大きい結果です）。2025年のMETRの実験では、経験豊富なオープンソース開発者の作業時間が19%延びましたが、METR自身が2026年2月、この結果は現在のAIの影響を反映していないとして、実験設計の変更を発表しています。
AIによって仕事や雇用そのものが今後どう変わる可能性があるのかについては、Anthropicが2030年までの経済と雇用を3つのシナリオで試算した研究もあります。
UTAWの「AI Workers’ Inquiry 2026」とは
調査は、UTAWの会員が対面とオンラインのワークショップを開き、労働者2人1組の半構造化インタビューで質的データを集める形で進められました。対象は英国のテックセクター全体にわたり、参加者の職種は、ソフトウェア開発、サイバーセキュリティ、ITサポート、データサイエンス・データエンジニアリング、カスタマーサービス、コーチングと教育、研究などです。
「Workers’ Inquiry」は、労働者自身が調査の担い手になる参加型の研究手法で、マルクスの労働者調査に着想を得ています。AI研究向けの方法論としては、Miceliらが2025年のAAAI/ACM AIESで整理しています。
サンプルの抽出方法は統計調査のものではないため、証言が英国のテック労働者全体のどれくらいの割合に当てはまるかは、報告書から読み取れません。報告書は労働組合の支部が作成した文書で、政策提言も含まれています。
生成AIで増えたレビューとデバッグの仕事
報告書は、仕事の中身が、問題を解いて成果を作る作業から、LLMの出力を監督する作業へ変わりつつあると記しています。ソフトウェアとサイバーセキュリティでは、生成AIが、熟練した労働者が確認・修正できる量を超えるコード、チケット、レポート、インシデント報告を作るといいます。カスタマーサポートでも、文章の生成が速くなった分、編集と品質管理の作業が増えると述べています。
参加者は、コードのレビュー、不具合のデバッグ、出力の確認、LLMが作った問題の修復といった追加の労働を挙げました。ソフトウェアエンジニアの一人は、AIでコードを書くのをやめた途端、仕事が楽しくなったと述べています。報告書によると、労働者は知的な刺激のある作業から離され、プロンプトの入力と、質の低い出力の確認・修正へ回されていました。
AIがコードを書く量と人間がレビューできる量の差については、「AIコード時代、コードレビューは誰のためにあるのか」でも、コード生成速度と人間の理解・判断の速度を分けて整理しています。
UTAWは、参加者の証言をもとに、雇用主がAIを、仕事の高密度化、人員削減の正当化、ジュニア採用の抑制、監視の強化、技能の低下、リスクの従業員への転嫁に使っていると主張しています。ハルシネーションや質の低いコードは、問題の一部にすぎないという立場です。
AI利用がKPIになる職場——トークン数が評価に使われる
報告書によれば、経営側による生成AIの利用状況の監視は広く行われ、監視と受け取られるほどの例もあります。AIを使わなさすぎても、使いすぎても不利益を受けた労働者がおり、同じ会社の中で両方が起きた例もあります。ジュニアソフトウェアエンジニアは、AIの利用がすでに自分のKPIに組み込まれていると語っています。シニアデータエンジニアは、トークンをできるだけ使うよう言われたのに、同僚が使いすぎを注意されたと証言しました。
トークンは、LLMが文章やコードなどのテキストを処理するときの単位です。企業はコストや利用量、活動量の測定にトークンを使いますが、UTAWは、それが品質や生産性を測るとは限らないと指摘しています。報告書は、成果の質に代わってトークンが評価指標になり、昇進が実際の能力よりツールの利用と結びついていると述べます。
ジュニアの技能低下という証言と、Anthropicの実験
報告書は、基礎技能が弱いジュニアがエージェントやアシスタントに過度に頼るようになっていると記します。ジュニアと同様に、自分でコードを書き確認する力がLLMの利用で落ちていると自覚する労働者もいました。UTAWは、AIが研修、指導、監督、基礎的な学習の代わりにならないよう、ジュニアの職と学習の道筋を守ることを求めています。
この点を実験で調べたのが、Anthropicの研究者らによる2026年公開の論文です。クラウドワーカーのプラットフォームで集めたPython経験者52人に、新しいPythonライブラリ（Trio）を使う課題を解かせ、AIアシスタントを使うグループと使わないグループを比べました。その後、全員がAIなしで理解度クイズを受けています。AIを使ったグループはクイズの得点が17%低く（27点満点で約4.15点差）、課題の完了時間の短縮は統計的に有意ではありませんでした。得点差が最も大きかったのはデバッグの問題です。
AIの使い方は6つのパターンに分かれました。コード生成を丸ごと任せたグループや、デバッグをAIに頼り続けたグループなどのクイズ得点は24〜39%でした。概念の質問だけをしたグループや、コード生成の後に理解を確かめる質問をしたグループなどは65〜86%でした。各パターンの人数は2〜7人と少なく、著者らも、実験が約1時間の課題1つであり、スキルの形成には数か月から数年かかる点を限界として挙げています。
この実験が測ったのは、新しい技能を学んだ直後の理解度です。UTAWの参加者が語る長期的な技能の変化は、実験の範囲の外にあります。
AIコードと技能形成の関係は、AI生成コードが増えたときにコードレビューが人間の技能維持にどんな役割を持つのかを扱った記事でも詳しく取り上げています。
生成AIで開発者の生産性を測った実験の結果
| 研究 | 対象 | 測った指標 | 結果 |
|---|---|---|---|
| Microsoft・Accenture・Fortune 100企業の3実験（Cuiら、Management Science） | 開発者4,867人 | 週あたりの完了タスク数（プルリクエスト数で計測） | 26.08%増（標準誤差10.3%） |
| Google（Paradisら） | フルタイムのエンジニア96人 | 複雑な企業向けC++タスク1件の所要時間 | 調整後の推定で約21%短縮（信頼区間が広い） |
| METR（2025年公開） | 経験豊富なOSS開発者16人、246タスク | タスク完了までの所要時間 | 19%増（信頼区間+2%〜+39%） |
Cuiらの研究は、3つの実験が個別にはばらつきが大きく、統合して26.08%増という推定になりました。経験の浅い開発者のほうが、利用率も向上幅も大きくなっています。主なアウトカムは週あたりの完了プルリクエスト数で、1人あたりの労働時間やレビューに使う時間を直接測った数字ではありません。論文は2026年2月にManagement Scienceに掲載されています。
GoogleのRCTは、AI Code Completion、Smart Paste、Natural Language to Codeの3機能を使う群と使わない群を、複雑な企業向けC++タスク1件の所要時間で比べています。AI群の平均は96分、非AI群は114分で、この単純比較の差は統計的に有意でした（p=0.038）。共変量を調整した最良モデルの推定は約21%の短縮ですが、95%信頼区間は広く、5%水準では有意ではありません（p=0.086）。著者らは、この結果を他のツールや時期にそのまま当てはめられないと注意し、コード品質への影響は調べていないと明記しています。
METRの「AIで19%遅くなる」は2026年にどう変わったか
METRの2025年の実験で、開発者は平均5年の経験を持つ成熟したプロジェクトに取り組み、2025年2〜6月時点のAIツール（主にCursor ProとClaude 3.5/3.7 Sonnet）を使いました。開発者はAIで作業時間が24%短くなると予想し、実験後にも20%短くなったと見積もっていましたが、実測ではAIを許可したときのほうが19%長くなっています。
METR自身のページは、現在この結果を古いものと表示しています。2026年2月の更新では、2025年8月に始めた第2の実験（前回の参加者10人と新規47人、計57人、800件を超えるタスク）の結果を示しました。作業時間の推定は、前回の参加者で18%短縮（信頼区間は38%短縮〜9%延長）、新規参加者で4%短縮（15%短縮〜9%延長）です。
METRは、この推定を現在のAIの効果を測る数字としては信頼できないと判断しています。AIが普及して、AIなしで働くことを望まない開発者が参加を見送るようになり、調査では30〜50%の開発者が、AIなしではやりたくないタスクを提出していないと答えました。AIあり・なしを比べる実験そのものが、組みにくくなっています。報酬が時給150ドルから50ドルに下がったことも、選択に影響したとみています。METRは、2026年初めの開発者は2025年初めよりAIで速くなっている可能性が高いと見ていますが、今回のデータはその大きさを示す証拠としては非常に弱いとしています。実験設計は変更する予定です。
AIで作業が速くなっても仕事が楽になるとは限らない
5つの資料が測っているものは、それぞれ違います。Cuiらは一定期間に完了したタスクの数、GoogleとMETRは1件のタスクにかかった時間です。Anthropicの実験は、課題を通じて身についた理解度を測りました。UTAWが聞き取ったのは、実際の職場で仕事がどう変わったかという労働者の経験です。
1件の仕事が速く終わっても、同じ時間に求められる仕事が増えれば、労働者が楽になるとは限りません。UTAWの報告書は、参加者が成果への期待の上昇を語ったと記しています。Googleの著者らも、現在のAI機能では生成コードの確認と編集に時間がかかると述べています。確認とレビューに実際にどれだけの時間がかかっているかを測った数字は、ここで扱った実験の見出しにはありません。
AIコードの生成速度と人間側のレビュー能力の差については、こちらの記事でも、生成できる量ではなく「人間が理解し、責任を持って判断できる量」を基準にする必要性を整理しています。
感じ方と実測値の間に差が出た例は、METRの実験で確認されています。UTAWの証言は、労働者の経験に基づく質的な報告です。AIの利用量やトークンが評価指標になる職場では、速さの数字がそのまま評価や目標の設定につながります。
AIによる生産性向上が、そのまま働く人の所得や雇用の安定につながるとは限らないという問題は、Anthropicの2030年経済シナリオを扱った記事でも取り上げています。
UTAWの提言とTUC大会の決議
UTAWは報告書で、労働者がAIを使うかどうか、どう使うかの最終決定権を持ち、使わない選択に不利益を科されない状態を求めています。導入、利用、監視、評価に対する交渉力を労働者に与え、団体交渉の対象にする提言です。報告書は、労働者が使い方を自分で決められる場合には有用な使い方があるとも記し、中心の問題を、AIの性能に加えて、雇用主がどう導入し、管理し、測定し、使うかに置いています。
TUC（英国労働組合会議）の2026年大会（9月13〜16日）では、動議61と62を統合し、CWUが提案、Aegisが賛成した複合決議C13「Artificial Intelligence at work」が可決されました。UTAWの政策提言は、この決議を発展させたものと位置づけられています。決議は、AIが生産性を高め、一部の労働者から単純作業を取り除く可能性を認めたうえで、労働者の関与なしに導入されれば、スキルの低下、失業、監視の強化、仕事の高密度化、不平等の拡大を招くおそれがあると述べています。
決議はTUC総評議会に、AIが仕事や労働条件に影響する場合に、雇用主が労働組合と協議・交渉することを義務づける立法を求める運動を行うよう求めています。あわせて、労働力と平等への影響評価の義務化を働きかけること、見習いや入門レベルの機会を守ること、団体交渉のモデル協定を作ることも挙げています。UTAWの報告書もTUCの決議も労働組合の文書で、提言の中心は労働者の関与と交渉力です。
よくある質問
生成AIで仕事は楽になりますか？
この記事で扱った資料からは、一概には言えません。開発者を対象にした実験には、完了タスク数が増えた、所要時間が短くなったという結果があります。ただし、労働時間、レビューに使う時間、仕事への満足度は、見出しの数字として測られていません。UTAWの参加者は、生成AIが仕事量を減らしたとは述べず、レビューやデバッグ、出力の確認といった追加の作業と、成果への期待の上昇を語っています。
AIを使うと開発の生産性は上がりますか？
実験によって結果が分かれます。Microsoft・Accenture・Fortune 100企業の実験では、週あたりの完了プルリクエスト数が26.08%増えたと推定されています。Googleの実験では、調整後の推定で所要時間が約21%短くなりましたが、5%水準では有意ではなく、信頼区間も広い結果です。METRの2025年の実験では熟練した開発者の作業時間が19%延びましたが、METR自身が2026年2月にこの結果は現在のAIの影響を反映していないと表示し、更新データも選択バイアスのために信頼できないとしています。
UTAWの調査結果は、英国のテック労働者全体に当てはまりますか？
UTAWの調査は、会員が労働者同士で行った半構造化インタビューによる質的調査です。参加者の職種は幅広いものの、サンプルは統計調査の抽出方法を使っていないため、証言が英国のテック労働者全体でどれくらいの割合に当てはまるかは、報告書から判断できません。
参考・参照元
- AI Workers’ Inquiry 2026（UTAW / Tech Workers’ Inquiry）
- C13 Artificial Intelligence at work – a just transition through worker voice（TUC Congress 2026）
- The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers（Microsoft Research）
- How much does AI impact development speed? An enterprise-based randomized controlled trial（arXiv）
- Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity（arXiv）
- We are Changing our Developer Productivity Experiment Design（METR）
- How AI Impacts Skill Formation（arXiv）
- Methodological Considerations for Centering Workers’ Epistemic Authority in AI Research（AAAI/ACM AIES 2025）
