AI訓練バブルが揺らす米ホワイトカラー雇用と専門職ギグ市場の行方

AI訓練ギグが雇用論争の主戦場

生成AIの雇用影響を考えるうえで、いま見落とせないのが「AIに仕事を教える仕事」です。弁護士、医師、投資銀行経験者、コンサルタント、エンジニアが、AIモデルの回答を採点し、失敗例を作り、模範解答を整える契約労働に流れ込んでいます。

この市場は、単なる副業ブームではありません。専門職が何を判断し、どの順番で情報を集め、どの水準なら「良い仕事」と言えるのかを、AI企業が買い集める工程です。高い時給は魅力ですが、その成果物は将来の自動化に使われます。米国のホワイトカラー雇用を読むには、失業率や求人件数だけでなく、知的労働がどの単位でデータ化されているかを見る必要があります。

Mercor急成長を支える専門職データ供給網

時給100ドル超を呼ぶ判断データ

Mercorの専門家向けページでは、平均契約レートが時給123ドル、作成済みロールが30万件超、日次支払いが400万ドル超とうたわれています。掲載ロールには、医療専門家が時給130〜180ドル、法律専門家が100〜150ドル、投資銀行専門家が100〜130ドル、MBBやBig 5系の戦略コンサルタントが100ドルといった案件が並びます。

Business Insiderも、法律専門家向けのAI訓練案件で、Mercorが時給100〜200ドルのレンジを提示していると報じています。仕事の中身は、AIが解きにくい法的シナリオを作る、回答を採点する、理想的な回答を示す、といったものです。プログラムのコードなら動作確認で成否を判定できますが、法律や医療、金融の判断は文脈依存です。だからこそ、専門家の評価基準そのものに値段がつきます。

この構図は、かつての低賃金データラベリングとは異なります。自動運転向けの画像ラベルや単純なテキスト分類ではなく、AIが「専門家らしく考える」ための手順を分解する作業です。ルーブリック、ゴールデンレスポンス、失敗を誘う難問、評価用の業務環境が商品になります。人間の知識は、まとまった職業ではなく、細かな採点項目に変換されて流通します。

ただし高単価は、安定雇用を意味しません。The Vergeの取材では、プロジェクトが突然終わり、同じような作業が低い単価で再募集される例や、守秘義務により実績を次の交渉材料にしにくい構造が描かれています。労働者は高度な学位や職歴を持っていても、プラットフォーム上では案件単位の供給者です。専門性は高く評価される一方で、その交渉力は継続的な雇用関係に結びつきにくいのです。

APEXが映す現場業務の細粒化

Mercorが公開するAPEX Benchmarksは、この市場の方向性をよく示しています。APEXは、投資銀行、経営コンサルティング、大手法律事務所、一次医療など、経済価値の高い知識労働をAIがどこまでこなせるかを測るベンチマークです。論文版APEX-v1.0は200件のテストケースを含み、各タスクは一流企業や医療機関の経験を持つ専門家が作成したと説明されています。

さらにAPEX-Agentsは、投資銀行アナリスト、経営コンサルタント、企業法務弁護士の日常業務を想定し、ファイルやアプリをまたぐ長い作業を評価します。Mercorのページでは、33の仮想業務世界、480タスク、採点ルーブリックが用意されているとされています。これは、AIが単に文章を出す段階から、実際の業務環境で仕事の一連の流れを試される段階へ移っていることを意味します。

重要なのは、スコアがまだ完全自動化を示していない点です。APEX-Agentsのリーダーボードでは上位モデルでも4割台の水準にとどまり、論文版でも初期のトップスコアは24.0%でした。AIは確実に進歩していますが、現場業務の曖昧さ、複数資料の整合、依頼者の意図の読み替え、納品物の品質判断では、まだ人間の補助と評価が必要です。

この「まだ足りない」部分が、専門職ギグ市場の需要を生んでいます。AI企業は、弱点を見つけ、弱点を測り、弱点を訓練データに変えるために人を雇います。したがって短期的には、AIの性能向上が人間の訓練労働を減らすのではなく、むしろ高度な人間データの需要を増やす局面があります。ここが、投資家が人材供給型AIスタートアップに高い評価を付ける理由です。

ホワイトカラー賃金を揺らす自動化の経済学

代替より先に進むタスク再編

AIと雇用の関係は、「職業が丸ごと消えるか」という単純な問いでは捉えにくくなっています。OpenAIと研究者による「GPTs are GPTs」は、米国労働者の約80%が少なくとも業務タスクの10%でLLMの影響を受け得る一方、約19%の労働者はタスクの50%以上に影響が及び得ると推計しました。これは失業予測ではなく、技術的な露出度の測定です。

Anthropic Economic Indexも、実際のClaude利用は職業単位ではなくタスク単位に広がっていると示しています。約36%の職業で関連タスクの少なくとも4分の1にAI利用が見られ、利用の57%は人間の能力を補う拡張、43%はAIに直接任せる自動化に分類されています。最も多いのはコンピューター・数学系で、会話の37.2%を占めました。

この数字が示すのは、代替と補完が同時に進む現実です。AIは一部の作業を速く安くしますが、完全な職務遂行には人間の確認、依頼者との調整、曖昧なゴール設定が残ります。企業はまず、職務を分解してAIに渡せるタスクを探します。その過程で、採用する人材、評価する能力、外注する工程が変わります。

2026年に公表された求人票分析の研究も、生成AIへの対応が求人需要の再配分と職務内の再設計を通じて進むと指摘しています。求人の露出度低下は、単にAIに弱い職種を採らなくなるだけでなく、同じ職種の中で求めるタスクを変えることでも起きます。これは、米国企業が人員削減だけでなく、職務設計そのものを作り替えている可能性を示します。

金融市場の目線では、この変化は生産性ストーリーと人件費ストーリーの両面を持ちます。OpenAIのGDPvalは、44職種、9産業、1,320タスクを対象に、実務経験平均14年以上の専門家が作った成果物とAI出力を比較しました。フロンティアモデルは一部タスクで専門家品質に近づき、推論時間とAPI料金だけで見れば約100倍速く、約100倍安い可能性があるとされます。ただし、同報告は人間の監督、反復、職場への統合コストを含まないと明記しています。

つまり企業の利益率を押し上げる可能性はありますが、即座に人件費が100分の1になるわけではありません。実務では、AIが作った下書きを誰が検証するのか、誤りの責任を誰が負うのか、社内データをどこまで使えるのかが制約になります。AI訓練ギグは、こうした制約を少しずつ削るための投資です。

若手職種に集中する訓練データ需要

もっとも大きな圧力を受けるのは、専門職の入り口です。投資銀行のアナリスト、法律事務所の若手弁護士、コンサルティング会社のアソシエイトは、資料収集、一次分析、メモ作成、プレゼン下書き、契約書レビューなどを通じて経験を積みます。AIがまず得意にするのは、まさにこうした定型化しやすい初期タスクです。

MercorのAPEX-Agentsが投資銀行アナリスト、経営コンサルタント、企業法務弁護士を対象にしていることは象徴的です。専門職の上位判断をすぐ置き換えるより、若手が担う情報整理や成果物作成をAIに寄せる方が、費用削減の道筋を描きやすいからです。企業にとっては、採用人数を抑えながら成果物の量を維持できる可能性があります。

一方で、若手が訓練機会を失えば、将来のシニア人材の供給が細ります。金融や法律、コンサルティングでは、見習い的な作業が専門判断の土台でした。AIが下積みを吸収すると、短期の生産性は上がっても、長期の人材育成には空洞化リスクが生じます。これは労働市場だけでなく、企業価値評価にも関わる問題です。

World Economic Forumの「Future of Jobs Report 2025」は、2025〜2030年に構造変化で1億7,000万の雇用が生まれる一方、9,200万が置き換わり、純増は7,800万になると見込みます。同時に、既存スキルの39%が変化または陳腐化し、AIが自動化できる領域で40%の雇用主が人員削減を予想するとしています。雇用全体が増えても、入口の職務内容が変われば、賃金分布とキャリア形成は大きく変わります。

ここで重要なのは、AI訓練ギグが「新しい仕事」を生む一方で、それが持続的なキャリアになりにくい点です。専門家はAIに仕事を教えることで収入を得ますが、モデルが十分に学習した領域では案件が縮小します。高単価は、その専門性が希少な間の価格です。需給が緩むと、時給低下や案件終了が起きやすくなります。

プラットフォーム化する専門職労働の歪み

AI訓練データ産業は、データセンターや半導体と同じくAIインフラの一部になっています。AP通信によると、MetaはScale AIに143億ドルを投じ、49%の株式を持つ戦略提携を結びました。Scaleの評価額は290億ドル超とされ、同社は独立会社として残ると説明されています。これは、人間データの供給網が巨大テックの競争力に直結していることを示します。

ただし、データ供給会社の成長には集中リスクがあります。The Vergeは、AIラボが専門家データに年間100億ドル超を使っているとの業界推計を紹介しつつ、顧客が少数の大手AI企業に偏るリスクを指摘しています。モデル開発手法が変わる、主要顧客が内製化する、あるいはデータの機密性をめぐって取引先を替えるだけで、売上は急変します。

労働者側のリスクも重いものです。プロジェクトは数週間から数カ月で終わり、企業の仕様変更に合わせて単価や作業条件が変わります。Mercor自身も、案件期間は顧客ニーズにより延長、短縮、終了し得ると説明しています。独立請負の形を取る場合、失業保険、残業代、有給休暇、医療保険といった保護は限定的です。

この点で、AI訓練ギグはウーバー型ギグエコノミーの専門職版に見えます。しかし、運転や配送と異なり、成果物は厳しい守秘義務に包まれます。自分がどのモデルに何を教えたのかを公にしにくいため、実績をポートフォリオ化して賃上げ交渉に使うことが難しくなります。専門知識はプラットフォームに吸い上げられますが、労働者の市場価値として可視化されにくいのです。

規制論も動き始めています。AP通信は、AnthropicがAIの雇用・経済影響を研究する基金に2億ドルを投じ、早期キャリア人材向けに1億5,000万ドル規模のフェローシップも設けると報じました。同社は、失業率が5%、10%、さらに前例のない水準へ悪化するシナリオに応じた政策対応を提案しています。企業自身が雇用衝撃の測定を急ぐのは、AIの成長が社会的合意なしに進みにくい段階へ入ったためです。

投資家にとっては、二つの論点があります。第一に、専門家データ企業の売上成長が、AIラボの資本支出に依存していることです。第二に、AIによる生産性上昇が、賃金上昇を伴うのか、交渉力の低下を伴うのかです。前者なら消費と税収にプラスですが、後者なら高所得ホワイトカラー層の所得期待が変わり、都市部の住宅、教育、個人消費にも波及します。

読者が注視すべきAI雇用指標

AI訓練ギグは、生成AIが雇用を破壊するか救うかという二択ではなく、仕事を細かく分解して再配置する力を持つことを示しています。高時給の契約案件は、専門知識への需要がなお強い証拠です。同時に、その知識が機械に移植されるほど、同じ案件の寿命は短くなります。

今後注視すべき指標は、AI関連求人の増減だけではありません。若手専門職の採用数、法律・金融・コンサルティングの初級業務の外注比率、AI訓練案件の時給推移、データ企業の顧客集中度、そして企業がAI導入後に人員を増やすのか減らすのかです。雇用統計の表面が堅調でも、職務の中身が変われば賃金の将来価値は変わります。

個人にとっては、AIを使う技能だけでなく、AIの出力を検証し、業務文脈に合わせて責任を持てる技能が重要になります。企業にとっては、AIで削れるコストだけでなく、人材育成の梯子をどこに残すかが問われます。AI訓練バブルの本質は、人間の仕事が消える前に、人間の仕事が価格付けされ直していることです。

参考資料:

• Find AI Training Roles That Fit You | Join Mercor Experts
• APEX Benchmarks: The AI Productivity Index | Mercor
• APEX-Agents: AI Rankings for Agentic Tasks | Mercor
• Measuring the performance of our models on real-world tasks | OpenAI
• The Anthropic Economic Index
• The Future of Jobs Report 2025 | World Economic Forum
• The companies making the most money from AI | The Verge
• The lawyers and scientists training AI to steal their careers | The Verge
• Lawyers are working nights and weekends to train AI for $200 an hour | Business Insider
• Meta invests $14.3B in AI firm Scale and recruits its CEO for ‘superintelligence’ team | AP News
• Anthropic pledges $200 million to research AI’s economic impact | AP News
• The AI Productivity Index (APEX) | arXiv
• APEX-Agents | arXiv
• GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models | arXiv
• Generative AI and the Reorganization of Labor Demand | arXiv