AIの能力は、毎月スコアが更新されます。SWE-bench、Humanity's Last Exam、ARC-AGI、OSWorld。数字は伸び続けています。
でも、そのスコアを見て「じゃあ自分の契約書レビューは任せられるのか」に答えられた人を、私は見たことがありません。測っている単位が、仕事ではないからです。
だから、単位を変えて作り直しました。
8つの領域、71の中分類、326の仕事。 ひとつずつ2026年の一次情報にあたり、「専門家と比べてどこまでか」の6段階を付け、2022年から2030年（予測）までの8時点で色を塗りました。判定の根拠は626本のリンクとして全部貼ってあります。うち549本が2026年の情報です。
→ AIエージェント能力アトラス 2026（無料・登録不要・ブラウザで開くだけ）
私の知るかぎり、AIの能力をタスク単位で、時系列で、根拠つきで、この規模で並べた地図は他にありません。ベンチマークの一覧でも、職業リストの当てはめでもない。実際の仕事を326個並べて、1つずつ原典にあたったものです。
この記事では、その中身を全部お見せします。
実際のページ冒頭。ここから8領域→71中分類→326タスクへ降りていける
なぜベンチマークでは足りないのか
ベンチマークは「モデルの性能」を測ります。仕事で必要なのは「この作業を、いま任せていいか」の判断です。この2つは、3か所でずれます。
1つめ、粒度がずれる。 SWE-bench が80%を超えても、「デバッグ」が80%できるわけではありません。同じ開発の中で、再現手順のあるバグ修正はレベル4、再現困難なバグの切り分けはレベル2。同じ職種の中でタスクごとに2段階の差があります。
2つめ、天井の理由がずれる。 スコアが伸びない理由が、能力なのか、制度なのか、物理なのかを、ベンチマークは区別しません。法廷弁論がAIにできないのは、推論能力が足りないからではなく、弁護士資格を法人格のないAIが持てないからです。
3つめ、時間が見えない。 「いま何ができるか」だけでは、来年の判断材料になりません。必要なのは動きの方向と速さです。
だから、タスク単位 × 時系列 × 原典、の3つを同時に持つ地図を作りました。
ものさし — 専門家と比べて6段階
| レベル | 意味 |
|---|---|
| 0 | できない。試みても使い物にならない |
| 1 | デモ止まり。選り抜き例なら見せられるが実務では使わない |
| 2 | 補助。人が主で、AIは下書き・候補出し。作業量が2〜5割減る |
| 3 | 実務品質（要確認）。ジュニア専門職の成果物相当。人が確認すればそのまま出せる |
| 4 | 専門家並み。自律で多くの専門家に匹敵。まれに確認 |
| 5 | 専門家超え。専門家の9割より上、または人には不可能な規模・速度 |
時点は2022・2023・2024・2025・2026、そして予測として2027・2028・2030の8つ。各マスには**「できること」「できないこと」「なぜそうなのか」「根拠リンク」「現実的な運用形態」**が入っています。
全体像 — 海岸線は4年で動いた
「実務品質以上（レベル3以上）」でこなせる仕事の割合です。
| 年 | 実務品質以上 | 専門家並み以上 | 専門家超え | できない |
|---|---|---|---|---|
| 2022 | 0% | 0% | 0件 | 158件 |
| 2023 | 9% | 0% | 0件 | 56件 |
| 2024 | 37% | 4% | 0件 | 7件 |
| 2025 | 57% | 16% | 2件 | 2件 |
| 2026（いま） | 71% | 32% | 3件 | 1件 |
| 2027（予測） | 87% | 52% | 23件 | 1件 |
| 2028（予測） | 96% | 71% | 71件 | 1件 |
| 2030（予測） | 98% | 86% | 143件 | 0件 |
このグラフ自体がページ内でアニメーションします。年スライダーを動かすと領土図も連動して色が変わります
2022年は、326個すべてが補助かデモ止まりでした。「できない」が158件、つまり半分近くが手も足も出なかった。それが4年で、実務品質以上が7割です。
一方で、「専門家超え」はまだ3件しかありません。伸びたのは「使い物になる」ラインであって、「人を追い越す」ラインではない。ここが混同されがちなところです。
2027年以降は外挿なので、この記事では論拠には使いません。ただ方向として、レベル5が3件から143件へ増える予測を私は置いています。
326タスクをさらに71の中分類に束ねると、領域をまたいだ得意・不得意が見えてきます。
上位は「個人の生活」「コンテンツ制作」が多く、下位は「物理世界・ロボット」「ソフトウェア開発」の長期的判断が並ぶ
8つの領域を、1つずつ
ここからが本題です。領域ごとに、いま何が起きているかを見ていきます。
8枚のカードそれぞれの中身を、ここから1つずつ見ていきます
1. コンテンツ制作 — 平均3.4、いちばん進んでいる
41タスク。レベル4以上が**23件（56%）**で、8領域中で最多です。レベル1以下はゼロ。
| 進んでいる | TTS・ナレーション（5）、効果音・BGM（4）、作詞作曲（4）、画像編集（4）、字幕・吹替（4） |
| 止まっている | ゲーム全体の自動生成（2）、レベル/マップデザイン（2）、プレイ可能なワールドモデル（2） |
音声ナレーションは、326個で唯一「専門家超え」に届いた制作系タスクです。人間のナレーターより速く、安く、24時間、何言語でも読める。品質はもう聞き分けられない水準に来ています。
一方で、ゲームは止まっています。根拠にあたった記述はこうでした。「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として人間の仕事」。素材は作れるのに、まとめて1本の体験にする部分が残っている。
この領域の要点は、生成は速いが、長さと一貫性と「声」で差がつくということです。短編小説は4、長編で伏線を回収するのは3。短尺クリップは4、長尺の一貫性は2。同じ能力が、尺が伸びた瞬間に落ちます。
2. 事務・ビジネス — 平均3.3、定型は強い
40タスク。レベル4以上が18件（45%）。
| 進んでいる | 請求書・領収書のOCRと仕訳（4）、チャットサポート一次対応（4）、チケット分類（4）、議事録（4）、文書翻訳（4） |
| 止まっている | 決算・財務報告書（2）、苦情対応・返金判断（2）、電話での複雑なクレーム対応（2） |
決算が2で止まっている理由は、能力ではありません。根拠の記述はこうです。「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」。
返金判断も同じ構造でした。金額の裁量を委譲するかどうかは、企業のリスク管理方針の問題であって、モデルの精度の問題ではない。
事務のAI化を検討する人がまず見るべきなのは、その作業に「金銭的・法的な裁量」が乗っているかどうかです。乗っていなければ4に届き、乗っていれば2で止まります。
3. 個人の生活 — 平均3.1、決済と感情が境界
36タスク。レベル4以上が16件（44%）。
| 進んでいる | 日常の雑談・感情サポート（4）、高齢者の転倒検知（4）、家計簿の自動化（4）、写真の自動整理（4） |
| 止まっている | 希死念慮・精神的危機への対応（1）、身体介助（1）、行政手続きの代行（2） |
ここでいちばん重い数字が、危機対応の1です。根拠にはこうありました。「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制限」。
日常の雑談は4なのに、危機対応は1。 この落差がこの領域の本質です。雑談ができることと、命がかかった場面で正しく振る舞えることは、別の能力でした。
4. 研究・問題解決 — 平均3.0、検証できる問題ほど強い
49タスク。ここに326個で唯一の「専門家超え」が2つあります。
| 進んでいる | 競技数学（5）、競技プログラミング（5）、データ可視化（4）、大規模計算実験（4） |
| 止まっている | 引用文献の妥当性チェック（2）、査読代行（2）、因果推論（2） |
競技数学と競技プログラミングは、2022年に0でした。4年で0から5です。326個で最大の伸びでした。
対照的なのが引用チェックの2です。理由の記述が的確でした。「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」。
つまり同じ領域の中に、「答えが一意に決まる問題」と「実在を外部に確かめないといけない作業」が同居していて、前者は人を超え、後者は補助のままです。
5. 基盤能力（横断）— 平均2.9、全領域の地下水脈
37タスク。他の7領域を下支えする、時間地平・計画・ツール使用・記憶・自己検証・安全性です。
| 進んでいる | 推論速度・レイテンシ（4）、トークン単価（4）、インコンテキスト学習（4） |
| 止まっている | 継続学習・重み更新なしの限界（1）、現実世界の変動への頑健性（2）、テスト時適応（2） |
継続学習が1のままなのは重要です。根拠にはこうあります。「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」。
AIは、使いながら賢くなりません。 毎回、文脈に入れた分だけを覚えて、セッションが終われば忘れる。だから「うちの業務を覚えさせる」は、いまのところ学習ではなく、文脈と検索の設計の話になります。
6. 専門職サービス — 平均2.9、天井を決めるのは技術ではない
46タスク。医療・法務・金融・教育・建築・心理・ジャーナリズム・コンサル。
| 進んでいる | 建築確認申請の法規チェック（4）、積算・コスト見積もり（4）、意匠パース生成（4） |
| 止まっている | 法廷弁論・訴訟代理（0）、独自取材・情報源開拓（1）、危機介入・自殺リスク評価（1） |
326個で唯一のレベル0が、ここにあります。 法廷弁論です。根拠の記述はこうでした。「弁護士資格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」。
そしてこの領域は、**2030年の予測でも8領域の最下位（平均3.74）**です。他の領域が4.1〜4.7へ伸びるなかで、ここだけ伸びしろが小さい。
技術精度が上がっても、「誰が責任を取るのか」が決まらない仕事は動きません。この天井を上げるのは、モデルの改良ではなく制度の改正です。
7. ソフトウェア開発 — 平均2.7、二極化している
36タスク。レベル4以上は**7件（19%）**で、8領域中でいちばん低い比率です。
体感と逆だと思います。私自身、この地図をAIと作りました。中を見ると、割れています。
| 4に届いている | プロトタイプ/MVPをゼロから作る、テストコード自動生成、再現手順のあるバグ修正、CI/CDの設計・構築、脆弱性発見・自動ペンテスト、データ品質監視 |
| 2以下のまま | 曖昧な要求からの仕様策定（2）、システム設計のトレードオフ判断（2）、本番障害の一次対応（2）、再現困難なバグの切り分け（2）、本番への高リスク変更（1）、長期保守を見据えた技術選定・負債管理（1、2022年から5年間ずっと1） |
技術選定が1で止まっている根拠が、いちばん刺さりました。「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」。
「作る」は速くなり、「決める」と「持ちこたえる」は動いていない。開発という仕事の大半が、実はコードを書く作業ではなかったということです。コードを書く時間が半分になった人が「なぜか楽になった気がしない」のは、この形をしているからだと思います。
8. 物理世界・ロボット — 平均2.7、器用さと安全性が壁
41タスク。レベル1以下が4件と最多で、分布がいちばん割れています。
| 進んでいる | 自律トラクター（4）、インフラ点検（4）、精密除草レーザー（4）、外観検査（4） |
| 止まっている | 料理（1）、介護アシスト（1）、家全体の片付け（1）、食器洗い（2） |
屋外の反復作業は4に届いているのに、家の中は1です。
面白かったのは、遅れの理由が1つではなかったことです。食器洗いは「反射・透明素材・液体・熱源が混在する高難度環境」。洗濯物たたみは「布は柔軟物体で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」。家の片付けは「長時間タスクでは各手順の誤差が累積」。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」。料理は「AIはジョブ全体ではなくタスクの約3分の1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」。
環境の複雑さ、変形物体の制御、誤差の累積、社会的知性、タスクの合成。5種類の違う壁が並んでいます。「データが足りない」の一言では説明できませんでした。
326個を横断して見えたこと
専門家を超えたのは、3つだけ
2026年にレベル5に届いたのは、音声ナレーション、競技数学、競技プログラミングの3つです。
この3つに共通するのは、正解を機械で判定できることです。ただし、これは法則ではありません。Lean や Isabelle での定理証明は証明支援系が正誤を一意に判定しますが、2026年はレベル3です。自動運転の事故率も、記述式採点も、与信審査も、検証できるのに4以下でした。検証できることは、超越の必要条件でも十分条件でもない。
言えるのは、「2026年に超えた3件は、いずれも機械採点できる領域だった」というところまでです。
まったくできないのは、1つだけ
レベル0は法廷弁論の1件のみ。2022年に158件あった「できない」は、4年で1件まで減りました。
ただし2030年の予測でもレベル2以下に留まると見ているマスが6つあります。新規ハードウェアのbring-up、長期保守の技術選定、危機介入・自殺リスク評価、法廷弁論、独自取材・情報源開拓、継続学習。物理接触・長期責任・命・取材・学習の構造、この5種類です。
4年間で「下がった」のは、1つだけ
326個のうち、2022年から2026年でレベルが下がったのはSEO記事の量産だけでした。2023年は実務品質、2026年は補助止まり。
AIが下手になったのではなく、検索する側が量産を評価しなくなったからです。Search Engine Land の16か月間の追跡実験では、純AI生成記事が3か月後に検索上位100位へ残る割合は3%。別の487件の分析では、AI記事のトップ表示率9%に対し人間執筆80%という数字も出ています。
これは敵対的環境での最適化、いわゆる赤の女王効果です。成果が「AIの能力」ではなく「AIの能力と、相手の対応との差分」で決まる。広告運用、採用スクリーニング、セキュリティも同じ形をしている可能性があります（書類選考は2024年から2030年予測までずっと3で頭打ちです）。
5年間まったく動いていないのは、4つ
- SEO記事の量産（2 → 一度3まで上がって2へ戻った）
- AI生成コード自体に混入する脆弱性の抑制（5年間ずっと2）
- 長期保守を見据えた技術選定・負債管理（5年間ずっと1）
- 法廷弁論・訴訟代理（5年間ずっと0）
コードを書く速さは4に届いたのに、書いたコードに脆弱性を混ぜないことは2022年から動いていません。 速く作れることと、壊れないことは、別の能力でした。
「任せきり」にできるのは、22件（6.7%）
各マスには、現実的な運用形態も付けています。
| 運用形態 | 件数 |
|---|---|
| 人が主導（AIは候補出し） | 158 |
| 任せて、人が確認 | 146 |
| 任せきり（自律で回る） | 22 |
自律で回せるのは**22件、6.7%**でした。
レベル3の定義が「人が確認すればそのまま出せる」である以上、これは当然の帰結です。裏を返せば、確認は要るということ。いま差がつくのは、うまく作らせる技術ではなく、うまく確かめる技術のほうです。
使い方 — 自分の仕事を、マスに落とす
- 出力を決める。 何ができあがれば終わりか、を1行で書く。
- 入力をそろえる。 AIに渡せる形で手元にあるか。無ければ、集めることが最初の仕事。
- 検証を決める。 正しいとどう分かるか。検証方法を決められない仕事は、レベルを1つ下げて扱う。
そのうえで、地図の検索に自分の仕事を1行入れてください。近いマスが出ます。
そのとき見るのは、色ではありません。「できないこと」の欄です。 71%のマスが実務品質以上ですが、その全部に「できないこと」が書いてあります。あなたの仕事がAIで失敗するとしたら、たいていそこに書いてある理由です。
マスをクリックすると開くパネル。「できない」と「なぜ」を必ずセットで読んでください
レベル別の分担はこうなります。
| レベル | 人がやること |
|---|---|
| 0〜1 | そのタスク自体は人がやる。周辺（調べる・書き起こす・整理する）だけ切り出す |
| 2 | 候補出し・たたき台・自分の案の批評、の3用途に絞る |
| 3 | 任せて人が確認する。確認の観点を先にチェックリストにしておく |
| 4 | 人は問題設定と受け入れ判断。途中は見なくてよい |
| 5 | 人は方向づけと責任。人が検証できないなら、別のAIで検証する |
この地図について
更新：データは月1回更新します。判定の根拠リンクは626本すべて公開しているので、おかしい判定を見つけたら、そのマスの根拠を見たうえで教えてください。直します。
限界：どの仕事を並べるかという粒度の設計と、最終的なレベル判定は私が行っています。2027年以降は外挿です。6段階は粗く、同じ3でも実感の幅があります。だから根拠を全部開けてあります。
326マスの全体像。年スライダーを動かすとマスの色が2022年から2030年予測まで変わり、上がったマスが枠線で強調されます
地図はこちら → AIエージェント能力アトラス 2026
自分の仕事がどのマスにあるか、探してみてください。
動画版もあります。ずんだもんと四国めたんの掛け合いで作りました。
解説版 4分20秒 ／ ショート① ／ ショート② ／ ショート③ ／ 再生リスト
音声: VOICEVOX（ずんだもん・四国めたん） ／ BGM: Kevin MacLeod (incompetech.com) CC BY 4.0
（この記事は note版 と同内容です）