2026 年 AI 労働者調査

UTAWテック労働者調査は、生成AIがテック業界の仕事をどう変えているかを、この技術を構築し、導入し、管理し、評価し、使う労働者の視点と実体験からまとめたものだ。

本レポートはPDF版もダウンロードできる：

↓PDFをダウンロード（5.2 MB）

要約

AIという言葉は、互いに大きく異なり、しばしば矛盾し合う技術の寄せ集めを指すのに使われている。この言葉自体に合意があるとは言い難いが、その影響は少しずつ輪郭を現している。調査に参加した人々は、AIを概ね否定的な力として語る。それは労働を再編する力だ——求められる成果は増え、必要なスキルは変わり、監視は広がり、専門性は削られ、責任の所在は移り、同僚の間には分断が生まれる。AIの導入が仕事を実際に消すことはほとんどない。AIがするのは仕事の再配分であり、仕事をより密にすることを意味する。

労働者たちが強調するのは、AIをうまく使うには、使い方を自分たちで決められることが前提だという点だ。1核心にある問いは、AIが使いやすいかどうかではない。雇用主がそれをどう持ち込み、どう統制し、どう測定し、何のために使うかだ。要は、使うか使わないか、どう使うかを自分で選べるときに初めて、それは役に立つ。

ここで挙げた問題は、現在のモデルの技術的な限界から来るものではない。出力の品質が低いこと、ハルシネーション、ひどいコード——これらも確かに影響するが、問題の一部にすぎない。雇用主がAIを使って労働強度を高め、人員削減の口実にし、若手採用を絞り、監視を広げ、労働者を脱技能化・降格させ、リスクを従業員に転嫁し、自律性を奪っているからだ。モデルがいくら進歩しても、AIが職場で、さらには社会全体でどう使われるかを決める実行可能な権利を労働者が持てない限り、職場のこうした根本問題は残り続ける。

テック業界の労働者は、AIが環境・軍事・国家監視の場面でもたらす害、そしてメンタルヘルスへの害を強く憂慮している。だからこそ、本調査の提言は機能ではなく、誰がそれを統制し、誰がそこから利益を得るかに焦点を置く。

労働者が自らの権利を守り、広げる力を実際に持てるようにしなければならない。AIをどう導入し、使い、監視し、評価するかについて、実行可能な権限を持つことを含めて。

AIツールを仕事でどう使うか、あるいは使わないかを決める最終的な決定権は労働者にある。使わないという選択が、何らかの不利益につながってはならない。

協議と透明性は、本当の説明責任と実効性のある行動を伴って初めて意味を持つ。開示するだけで責任を問わないなら、それは見せかけの飾りにすぎない。

形成されつつある政策の方向性は次のとおりだ：

透明性だけではまったく足りない。労働者にはAI導入をめぐる実質的な協議と交渉が必要だ。
AIの使用は強制されてはならない。AIの使用を拒んだことで不利益な扱いを受けた場合の法的保護が必要であり、雇用主はAI主導の管理上の意思決定に制限を課されるべきだ。
AIの外部性に対するセーフガードを設ける。私たちが構築するAIが人と地球を傷つけないよう、強い規制で担保する。
人材流出を食い止める。若手・新卒の労働者に、AIに依存しない学習経路を整備し、維持する。
最終的な発言権は労働者にある。職場におけるAIの団体交渉の仕組みを制度化する。

政策提言

以下の提言は、2026年のTUC大会で可決された、CWU提出、Aegis賛同、UNISON、National Education Union、USDAW支持によるcomposite motion「職場における人工知能」を拡張したものだ。2

新たな職場AI規制機関の設置

雇用主とテック企業にAIの使用の責任を負わせる、歯のある規制の枠組みが必要だ。具体的には次のとおり。

雇用主と技術供給者に対して調査・執行・制裁の権限を持つ、新たな法定の職場AI規制機関を設置する。
この機関は、genAIツール、自動意思決定システム、監視ツール、採用システム、生産性システム、業績管理ツールを含む、あらゆるAIシステムを対象とする。
労働者とその労働組合は、AIに関わる害——安全でない導入、差別的な結果、過度な監視、虚偽の生産性向上の主張、労働強度の増大、脱技能化と降格、雇用の喪失、倫理・環境面の懸念——をこの機関に直接通報できるようにする。
この機関は、雇用主に対してAIシステムの開示、導入の停止、影響評価の実施、労働者とその労働組合との協議、損害の補償、導入済みシステムの撤回を求める権限を持つ。
この機関のガバナンス委員会では、労働者と労働組合の専門家の代表を、雇用主・公務員・学界の代表と同数にする。

スキル、研修、若手のキャリア経路

AIを導入する場所では、AIが引き起こす脱技能化と降格をなくすため、スキルとキャリア形成を優先しなければならない。

若手の職務と学習経路を守り、AIが研修、指導、監督、基礎スキルの育成を置き換えないようにする。
雇用主は、専門知識、適切な人員配置、キャリア形成への投資をAIで代替すべきではない。
労働者は、AIツールに頼ることを強いられずに、学び、練習し、振り返り、スキルを伸ばすための保護された時間を持つべきだ。
AIが仕事の性質を変えるとき、雇用主は再研修とスキル向上のための資金と時間を負担しなければならない。
労働者の専門的判断、技能、自信、学習能力を損なう形でAIを使うことを要求してはならない。

拒否・異議・不服申し立ての権利

労働者は拒否する権利を保持しなければならず、そうすることで報復を受けてはならない。

選択権を法律に明記する。専門性、倫理、環境、平等、アクセシビリティ、安全、宗教、メンタルヘルス、品質に関する懸念がある場合、生成AIツールを使うかどうか、どう使うかを労働者が決める権利を持つ。
AIの使用や開発を拒否し、疑問を呈し、批判し、あるいは通報したことで不利益な扱いを受けた労働者を保護する。
AIに懸念を示したことを理由に、労働者が抵抗的だ、業績が悪い、昇進に適さないと見なされることがあってはならない。
AIが労働者の仕事、賃金、業績、昇進、懲戒、採用、人員削減に影響する意思決定に使われる場合、労働者は人による再審査を求める権利を持つ。

環境と社会的説明責任

AI の負の外部性については、包括的な評価と開示が欠かせない。

雇用主に対し、職場における AI の環境影響——エネルギー消費、水消費、データセンターへの依存、インフラ需要、サプライチェーンへの影響——を評価し、開示するよう求める。
環境報告を狭義の炭素会計に矮小化してはならない。AI の拡大がもたらすより広範な社会的コストと物質的コストも対象に含めるべきだ。
AI の公共政策には、労働者の声、環境への説明責任、民主的統制を組み込まなければならない。イノベーションや生産性に関する主張だけでは不十分だ。
生成 AI モデルをデュアルユース技術に分類し、軍事輸出許可の基準の執行を強化する。

健康と安全

職場における AI の新たな心理的害を考慮に入れるよう、健康と安全の規制を更新しなければならない。

導入前、および AI システムに重大な変更を加える際の影響評価を義務付ける。評価は、作業量、心身の健康、平等、アクセシビリティ、雇用の安定、スキル、研修、環境・倫理への影響を網羅しなければならない。
オフラインになる権利を立法化する。
AI が実際に生産性の向上をもたらした場合、その利益が労働者に比例して還元されるよう雇用主に義務付ける（例：賃下げなしの労働時間短縮、有給の研修休暇、賃上げ）。

監視・業績評価・サーベイランス

労働者が生成 AI ツールを仕事に使った度合い（あるいは使わなかった度合い）を理由に、懲戒処分や業績上の責任を問われてはならない。3

AI 利用データは、懲戒処分、昇進、人員削減、業績評価、生産性のベンチマークに使用してはならない。ただし、明確に開示され、団体交渉で合意され、独立した評価を経ている場合は除く。これには、AI の利用を労働者に迫る手段としての AI ランキング、token ランキング、利用量ダッシュボードも含まれる。
AI 関連の指標が測っているのは活動量、コスト、数量、速度ではなく、有用で安全かつ質の高い仕事であることを雇用主に証明させる。
労働者が AI を十分に使わなかったことを理由に罰してはならない。
労働者がデータ、手法、結果に異議を唱えられないまま、不透明な AI 主導または AI 支援の業績評価を行うことを禁止する。

人員削減とオフショア outsourcing の防止

人員削減の保護を強化しなければならない。雇用主が AI の導入を口実に、オフショア outsourcing や業務委託を正当化できるようにしてはならない。

AI の導入、生産性の向上、自動化の予測を理由に、独立した証拠、協議、取り決めた保障措置を飛ばして人員削減を行うことを雇用主に認めてはならない。
人員削減の保護を強化し、最低協議期間を延長し、集団的手続きにおける「事業単位」の定義を雇用主全体に広げる。
AI を理由に人員削減を正当化し、後になって同じ仕事を再雇用、外部委託、再配置する行為には、より厳しい罰則を導入する。

協議・透明性・開示

雇用主には、導入の意思決定に労働者を実効的に参加させることが義務付けられなければならない。

AI ツールの導入、拡大、強制使用、あるいはあらゆるワークフローにおける重大な変更の前に、労働者と意味のある協議を行う法的義務を設ける。
団体交渉が存在する場では、AI の導入と、それが監視、生産性への期待、人員配置、仕事の設計の変更に及ぼす影響について交渉する義務を雇用主に課す。
団体交渉が存在しない場では、悪影響について合理的な懸念がある場合に、労働者が AI システムの一時停止、見直し、撤去を求められる権利を認め、規制当局へエスカレーションする経路を用意する。
雇用主は、職場で使用する AI システムについて、その用途、採用理由、収集するデータ、データにアクセスできる者、データの保持期間を、従業員が入手できる文書で開示しなければならない。

はじめに

本報告書は、AI を技術労働者の視点から検討する。技術労働者とは、これらのシステムを構築し、導入し、評価し、管理し、使用する人々である。これは労働者が主導し、労働者が生み出した介入であり、AI に関する公共の議論に加わるもので、技術労働力全体にわたる技術労働者の直接の経験に基づいている。

「AI」という言葉が単一の技術を指していないことは、事態をわかりにくくしているだけだ。これは傘の用語であり、まとめて売り込まれる別々の技術をひとまとめに覆い隠している。本報告書は、そのうちのいくつかには有益な用途があり、別のものにはないことを示す。中にはそもそも存在せず、おそらく今後も存在しないものもある——それでいて、AI に関する公共の議論の中で大きな位置を占めている。

私たちの調査は一つの基本的前提から出発する。技術労働者は AI によって影響を受けるだけでなく、これらのシステムが実際にどう構築され、導入され、監視され、使われているかを知っている。AI、仕事、規制に関するまともな議論は、彼らの経験を抜きには成り立たない。

なぜ AI について技術労働者調査を行うのか

AI に対する私たちの認識を形作ってきたのは誰か。ほぼ例外なく、技術を理解しないメディアの評論家と、AI 企業を所有する技術起業家である。後者はソフトウェアエンジニアや科学者出身であることもある。いずれにせよ、彼らは AI の普及から利益を得る超富裕層の実業家だ。

私たちが知る限り、本報告書は、幅広い技術従事者の AI 経験を体系的に統合した初めてのものである。私たちの調査は英国のテクノロジー業界のサプライチェーンを対象とし、カスタマーサポート担当者、研究科学者、ソフトウェア開発者、サイバーセキュリティ分析者、技術教育者などを含む。

私たちの従事者調査は、サプライチェーンの各段階にいる従業員の技術的な専門性に依拠している。手法は率直で、具体的な日々の経験に焦点を当て、異なる職務の従事者の見解をぶつけ合わせ、その背後にある動因を問いただす。

一つの階層として見れば、AI を開発し導入する従事者は、この話題について最も発言力のある人々と言ってよい。すでに組合に加入している、あるいは組合を結成しつつある労働者の集まりとして、本報告書の声が語るのは進歩、公平、そして弱い立場の人々の保護である。テクノロジー企業の経営陣は、生成 AI 技術に対する資本の貪欲な構想を代表しており、その立場は一貫して明確だ——素早く動き、決まりごとを打ち壊せ。シリコンバレーの巨人たちが「打ち壊して」きた「もの」は長い列をなす。Molly Russell のような青少年から、戦火に苦しむコンゴ東部の人々まで。技術従事者——この新しい技術を支える頭脳と肉体の労働者——は、AI が人と地球と相容れないのではないかと懸念している。

ここでいう「AI」とは何か

AI は「何でも詰め込めるスーツケースのような言葉」と評される。この曖昧な言い回しは何の役にも立たない。実際の AI には、リスクも環境負荷も便益もそれぞれ異なる、まったく別種の技術がいくつも含まれているからだ。具体的に言えば、AI がメンタルヘルスやサイバーセキュリティ、雇用の自動化に脅威を与えるという話をするとき、指しているのは LLM と agent（LLM ベースのシステム）だ。これらは最もエネルギーを食う技術である。

一方、AI のブレークスルーや有益な応用——ノーベル賞を受賞した AlphaFold や天気予報モデルなど——を語るとき、指しているのはまったく別の技術だ。特定のタスク（狭く、明確に定義されたタスク）に特化した、消費電力が無視できるほど小さいモデルを使う。

この二つを同じ言葉で呼ぶせいで、それぞれのリスクと便益についての議論が混乱するだけだ。生成 AI（genAI）という言葉のほうが、LLM、視覚言語モデル（VLM）、そして訓練データに基づいて出力を合成するあらゆる機械学習技術（音声・動画を含む）をより正確に捉えられる。本レポートでは、AI と言うときは可能な限り正確を期す。

AI をめぐる思想的潮流

AI の議論の多くは汎用人工知能（AGI）を中心に回っているが、これは定義が曖昧で、存在しない理論上の技術だ。この議論には多くの論点が絡む（AGI をどう定義するか、AI 終末論者と AI 加速主義者の対立、AGI を目指すべきか否かなど）。ここでは扱わない。いずれも genAI の現実の応用から人を遠ざけるだけだからだ。AGI に定義がないがゆえに、そのリスクの議論ははるか未来の時点へと先送りされ、genAI がもたらす現在と近い将来のリスク、そして社会が依存する各種システムへの genAI の浸透が見過ごされている。

ある程度関係があるとすれば、AI 楽観派と悲観派の論争だろう。前者は genAI（ひいてはあの捉えどころのない AGI）が世界の最重要課題を解決すると信じ、後者は信じない。テック業界の人間の意見はこの点で割れているが、genAI の最前線の実践に対する反応は総じて悲観的だ。

実際に使われる genAI は自動化技術であり、過去のあらゆる自動化技術と同じく、効率化の主な受益者は超富裕層の会社オーナーだ。一方で、仕事が genAI に変えられた労働者は、心身の健康へのさまざまな害を報告している。他方、過去 30 年のテックブームと過去 10 年の AI バブルは、ごく一握りの億万長者を大いに潤わせ、その政治的影響力（しかも明らかに極右寄りの）を大幅に強めた。同じ時期に、大多数の労働者の収入は何年も連続で減少し、不平等は何十年もかけて急激に悪化してきた。

したがって、genAI という技術が今この瞬間に億万長者にもたらす利益は、将来の不確かな時点で他の人々を利する（あるいは破壊する。彼らがどの投資を狙っているかによる）という約束をはるかに超えている、と言うのは公正だろう。誰が AI を喧伝し、誰が AI の導入に苦しんでいるかが、この現実を裏づけている。労働者と中小企業のオーナーは同じ敵に直面している。フロンティアモデルを握る大テック企業だ。彼らは genAI を労働力に押しつけながら、自社モデルをますます法外な価格で貸し出している。

さらに、賛成派も批判派も、genAI を必ず長く存続する技術として語る。この「不可避」の物語は、政治的能動性を人の手から「市場」——つまりこの技術を所有する超富裕層——へと移し、経営層とその株主を利する。労働者がなぜこの説を無批判に受け入れる必要があるのか。

genAI は社会的、経済的、機械的な影響を持つ力であり、その影響は理解でき、対処でき、規制でき、必要なら禁止もできる。個々の genAI の導入も、それが広く普及した技術であること自体も、所与の事実として扱うべきではない。

AI による人員削減について

AI 楽観派は生産性の向上を声高に唱える。こちらはそれを正しい名前で呼びたい。労働強度の上昇だ。一部の論者はこれをジェヴォンズのパラドックスと呼ぶ。効率が上がるほど、生まれる雇用も増えるというわけだ。ベンジャミン・フランクリンの言葉を借りれば、この半面の真実（効率の向上）は大嘘である。

企業は人員を削り、採用を止め、残った仕事をより少ない人数に、より厳しい期限で割り振っている。一見すると、企業は人員削減（大規模なレイオフも、小規模な通常の削減も）を行い、その理由を「AI が労働者の需要を置き換えたから」と主張している。内部の人間の話では、削減の目的はむしろ、インフレ進行下で売上を守ること、財務指標を操作して企業価値を吊り上げること、あるいは genAI プラットフォームの購読料を払うためでさえないこともある。

ジェヴォンズのパラドックスが本当に当てはまる仕事はテキスト合成だ。ある労働者の仕事が、品質を問わずとにかく多くのコピーを書くことだけなら、その仕事は確かに自動化できる。こうした「AI による効率化」なるものは、現実を覆い隠す口実にすぎない。熟練した労働者が使い勝手の悪い新しいツールに置き換えられ、削減を生き延びた者は際限なく増える仕事を引き受ける。

総合すると、生成 AI の採用とは、より不快なタスクでよりきつい仕事をすること——皮肉なことに、AI 推進派の約束とは正反対だ。彼らは「AI が退屈な作業を引き受け、人間には面白い仕事を残す」と言う。

結局は労働者が握る

最終的に、生成 AI を最も適切に規制できるのは、それを作り使いする労働者だ。恩恵を最初に受け、結果も最初に受けるのは彼らだから。一般の労働者として、技術系の労働者もまた、この技術が社会の他の部分に与える影響の外にはいられない。この技術を所有する億万長者は別だ。私たちは「労働者に優しい AI」という、すでに反証済みの前提を退け、本レポートで労働者中心の提案を示す。

この報告の妥当な結論は目新しいものではない。Wendell Phillips が150年以上前に雄弁に語っている——労働には、自らが生み出したものすべてを享受する権利がある。テック大手が権力と利益を独占し続けるのを放置すれば、生成 AI の最悪の側面、すなわち大多数の人間の搾取と支配をこれからも目にすることになる。逆に、AI 技術の権力を、それを作り配備する労働者の手に委ねれば、社会は利益を得て害を避けられる。労働者は仕事の中で AI を制御する権利を持つべきだ。私たちは「親労働者 AI」という前提を拒否し、本報告では

調査が明らかにした問題

1. 仕事満足度の低下

「AI でコードを書くのをやめた途端、また仕事が楽しくなった」——ソフトウェアエンジニア

労働者たちは、頭を使う作業から引き離され、プロンプトを書き、レビューし、低品質な出力を修正する側に回らされていると語る。

コードを書く従業員は質的な変化を経験している。仕事は問題解決から LLM の監督へと変わった。多くの回答者は、もはや「フロー」を感じることはなく、モデルを監視し出力を評価していると述べる。まずい結果を出さないようにするため、レビューと修正の作業量は、かえって時間が増えるほど大きくなることが多い。

2. 脱技能化と技能低下

「コーディングアシスタントを使うほど、自分でコードを書く力は落ちる」——ソフトウェアエンジニア

技能低下は広く存在する重大な懸念だ。回答者たちは、生成 AI を長く使ううちに、以前なら調べる必要すらなかったことを今は調べなければならなくなったと報告している。これは特にプログラミング作業で顕著だが、プログラミングに限った話ではない。

若手や基礎が固まっていない人ほど、agent や assistant といったツールに過度に依存している。若手には、必要な技術力や批判的思考力を学ぶ動機も時間もない。業務負荷の増大は、問題を一緒に議論できる相手がますます減ることを意味する。専門能力がなければ、LLM の出力の質を判断することも難しい。

LLM の使用を求められたベテランの中にも技能低下を訴える人はいるが、LLM を自分の思考の代替ではなく補助的なコーディングツールとして使えば、むしろ自信が持てると言う人もいる。彼らの技能は AI 普及以前に培われているため、認知的降伏 9 により抵抗しやすい。とはいえ若手と同様、LLM を使うにつれてレビュー能力と自分でコードを書く能力が衰えていることも認めている。

「AI は情報を集約して要約するので、重要な細部やニュアンスがしばしば失われ、触れて間違えることで学ぶ機会もなくなる」——データアナリスト

雇用主は従業員の研修を LLM に置き換え、専門知識と技能の欠落を覆い隠している。LLM のリサーチアシスタントの使用が義務づけられている職場では、こうしたアシスタントが学習過程を代替し、短期間で専門家になれるという非現実的な期待を生んでいる。

長期的には、業界全体が専門能力と技能を失うことになる。同時に、LLM 生成コンテンツがオープンソースライブラリにあふれることで、ドキュメントは量が増えて質が下がり、あらゆるキャリア段階の人の効果的な学習をさらに妨げている。

3. 監視、懲戒、昇進

「AI は今や私たちの KPI に組み込まれている。給与もボーナスも AI を使うかどうかで決まる」——ジュニアソフトウェアエンジニア

生成 AI ツールの使用状況に対する管理側の監視は広く行われており、監視そのものと形容されることもある。その形は多様だ。従業員は、使わなすぎても罰せられ、使いすぎても罰せられると報告しており、同じ会社で両方が同時に起きることもある。Token が産出物の質に代わって業績指標となり、昇進はツールの使用と結びつき、実際の能力は犠牲にされている。場合によっては、生成 AI で行った作業が LLM ベースの評価器によって監視・判定されるが、こうした評価器は人間の回答を正確に理解できず、不公平な評価結果を招いている。

「できるだけ多くの token を使うよう求められていたのに、同僚は使いすぎで警告を受けた」——シニアデータエンジニア

多くの回答者は、データ収集の過程が不透明で、どの使用データが集められ、どう分析されているのか分からないと述べる。これにより、業績評価とそれに続く懲戒の過程で従業員と管理側の非対称性が深まり、従業員は見えない的を狙って闇雲に撃つしかない。

4. 外部性とより広い害

「たとえ使い勝手がよくても、全体として問題がないことにはならない」——ソフトウェア開発者

回答者たちは「企業にとって良いことは社会にとっても良い」という前提に繰り返し疑問を投げかけ、生成 AI が環境・心理・政治に与える影響を企業の意思決定に組み込むべきだと主張する。あるツールの採用が合理的で根拠のあるものであっても、外部性は無視されていると従業員は言う。

多くの回答者はまた、仕事での生成 AI 使用を強制され、それが個人の信念に反するとき、その開発と維持が害をもたらしているために罪悪感を覚えると述べる。10 この認知的不協和が生むストレスは、多くの人にとって労働時間の外にも及んでいる。

「私が作る AI には人類の役に立ってほしい。大量虐殺を助長するのではなく」——研究科学者

最先端モデルを開発するフロンティアラボの研究者たちは、自分の仕事が軍事用途に使われることに強い不安を感じていると語る。内部での度重なる報告、外部の内部告発者の暴露、公開抗議にもかかわらず、研究科学者やエンジニアが描く上層部は、この問題の存在もその規模も一貫して否定するか、意図的に無視してきた。11

従業員たちは、データセンターの計算力（人間の知能に対する）の環境への影響が考慮されたことがないと指摘する。より速く、より低品質に仕事をこなすためだけに化石燃料をより多く燃やすという根底の論理に疑問を呈している。

5. 一方的な意思決定

「誰も意見を求められなかった。新 CEO は全社集会で40%の人員削減を発表し、同時に AI への全面移行を宣言した」——プロジェクトマネージャー

AI 導入のほとんどの事例では（明らかな例外は少数ある）、利用がごくわずかであれワークフローに深く組み込まれていようと、意見を求められる場面は存在しなかった。参加者によれば、経営上層部は自分たちが押し付けたツールを理解しておらず、従業員を実験台のように扱っている。そしてそのツールは、加速・改善すると謳った作業をしばしば遅らせ、悪化させている。

「ツールの導入はたいてい『勘』で決まり、品質や効率が上がる証拠は何もない。上層部は新しいツールを入れる前に、自分のところの専門家に相談しようとしない」——サイバーセキュリティ専門家

参加者たちは、生成 AI ツールが導入される背景には、幹部の熱意、投資家や顧客からの圧力、そして市場への恐慌（いわゆる「みんなやっているから」）があると述べている。仮に意見を求められたとしても、従業員が挙げた懸念は真剣に受け止められないか、完全に退けられるかのどちらかだった。ある典型例では、LLM が生成したコードが会社のサイバーセキュリティを弱めるとサイバーセキュリティ専門家が指摘したが、その意見は無視された。

従業員が求めているのは、どの AI システムが使われているかを単に知らされることではない。彼らは専門家であり、意思決定が下される前に参画し、実証されていない導入を変更・停止・制限・拒否する権限を求めている。

6. 職場で進む社会的分断

「同僚の仕事の成果に対する信頼が大きく下がった。その分、他人のコードをレビューして理解するために、より多くの労力と時間を割くことになる」——シニアソフトウェアエンジニア

広範な導入は、社内の従業員の間に複数の分断を生み出している。第一に、ジュニアとシニアの間で技術的な専門性の差が広がっている。第二に、職場の階層で下位の従業員ほど、上位の従業員よりも監視と評価を受けている。第三に、LLM でより速く成果を出す人と、それを検査し、修正し、穴埋めし、あるいは結果を受け止めなければならない人の間に分断が生じている。最後に、LLM ツールや agent への依存が協働を減らし、参加者は職場での孤立感が強まっていると報告している。

「ジュニアの同僚から低品質な pull request が大量に届き、技術を理解していないプロダクト責任者がバグの蔓延を無視する。こんな状況でパフォーマンス目標を達成するのは難しい」——データエンジニア

さらに参加者は、プロジェクトマネージャー／プログラムマネージャーと、実際の作業を担う技術職との間の亀裂が深まっていると報告している。LLM がタスクの所要時間や実現可能性の見積もりに使われる機会が増えるにつれ、その結果は実際に手を動かす人の経験や専門性としばしば衝突する。こうして、LLM でプロジェクトを構想する人と、それを届ける人の間に「われわれ対彼ら」の感覚が生まれる。

7. 作業量

「agent に仕事をさせるのはスロットマシンを回すようなものだ。出力は1分で来ることもあれば1時間かかることもあり、しかも成功するかどうかは分からない」——三次サポートエンジニア

「問題を口にした瞬間、1時間以内に解決策を出せと求められる」——ソフトウェアエンジニア

調査全体を通じて、genAI が作業量を減らしたと答えた従業員はいなかった。彼らが報告するのは労働強度の上昇だ。産出量の増加、締め切りの短縮、生産性への期待の高まりである。

前述のとおり、仕事の性質は成果につながる問題解決から LLM の監督へと移りつつあり、コード生成の速度は人間が検査できる速度をはるかに超えている。従業員は追加の労働を語る。コードのレビュー、問題のデバッグ、出力の確認、LLM が引き起こした問題の穴埋め。多くの場合、この追加労働は目に見えず、経営層には見えず、KPI にも反映されない。

教育・学術の現場の実務者は、学生や同僚による genAI の濫用を非難するが、そこから生じる追加業務は無報酬で、誰かと分担されることもない。濫用を証明するための詳細な報告書の作成、異議申し立てや再試験への対応、低品質な出力資料の修正。ソフトウェアとサイバーセキュリティの領域では、genAI が生み出すコード、チケット、報告書、インシデント記録の量が多すぎて、熟練した従業員が一件ずつ確認して直すには到底間に合わない。カスタマーサポート系の仕事でも、テキスト生成の速度は同様に編集と品質管理の追加作業を生む。この監督作業をさらに genAI に任せたい誘惑は強いが、結果として問題が起きれば、責任は従業員に落ちる。ツールに落ちることは決してない。

これらの現象が全体として示すのはこうだ。高い生産性への期待が大量の信頼できない出力を生み、その出力を人間か補助ツールがレビューしなければならず、それが正のフィードバックループとなって仕事を絶えず激化させる。このループ自体がジレンマを成している。責任感のある従業員がループを断ち切るには、速度を落として出力を丁寧にレビューするしかないが、それは自分の業績指標を危うくする。かといって最も楽な道を選べば、ろくにレビューしていない LLM 出力の責任を負わされるかもしれない。

8. 健康と安全

「ストレスは上がり、自信は下がり、集中力も落ちている。全社集会にはもう出ない。必ずどこかの幹部が立って、われわれは努力が足りないと言うからだ」——プロジェクトマネージャー

「コードを書くのは好きだし、自分の仕事も好きだ。でも、この道をこのまま進めば、かつての楽しさは消えて二度と戻らないと分かっている。品質が悪くなるからだけではない。この言語自体が死につつあるからだ」——ソフトウェアエンジニア

LLM の重度の使用が心理的な害をもたらすという証拠は増えている。従業員がこの問題を提起しても、上層部はしばしば取り合わず、嘲笑さえする。学術文献にはすでに記録があり、参加者の経験もそれを裏付けている。12

仕事の激化に伴うストレス増大はこの現象に固有のものではない。それとは別に、参加者はスキル退化による自信の低下、agentic なワークフローの断続性による注意力の断片化、出力待ち時間の予測不能さがワークライフバランスに与える悪影響も報告している。要するに、genAI ツールの使用を強いられた労働者のメンタルヘルスは損なわれつつある。

用語集

Agent（エージェント）

LLM を基盤として構築され、タスクを自律的に実行することを目的としたシステム。

Assistant（アシスタント）

LLM を基盤として構築され、直接の入力を得てユーザーのタスク遂行を支援することを目的としたシステム。

AI：人工知能

本レポートでは、AI を幅広い総称として用いる。自動化、予測、分類、生成、推薦、あるいは意思決定の支援といった技術を包含する。本レポートは、すべての AI システムを一括りに論じることは避ける。

AI 精神病（AI Psychosis）

AI に関連するメンタルヘルス上のリスクを指す略称。主に AI の谄媚（sycophancy）に長期間接触することで生じる影響を表すが、生成 AI を使う利用者が経験する緊張、不安、自信の喪失、注意力の断片化、倫理的葛藤、労働強度の増大を含むこともある。

算力（Compute）

算力とは、プログラムの実行に必要な処理能力と物理的（ハードウェア）資源を指す。AI モデルの訓練と維持には膨大な算力が必要で、そのために新設されるデータセンターが増え続け、大量のエネルギーと水を消費している（現時点でエネルギーは主に炭素ベース）。こうしたデータセンターの建設には、半導体製造に使うコルタンやコバルトなど、大量の鉱物も要る。これらの鉱物は主にコンゴ民主共和国で採掘され、その代償として環境は深刻に破壊され、採掘者（多くは子ども）も深く傷つけられている。

去技能化（Deskilling）

ある労働慣行が、仕事やタスクに求められる訓練や経験の水準を引き下げ、賃金と労働条件に下押し圧力をかけることを指す。

降技能化（Downskilling）

技能の退化。労働者が、技能の習得を妨げる技術に依存することで、仕事やタスクを遂行する能力を失うことを指す。

外部性（Externality）

ある主体の行為が、「関与していない」第三者に負わせるコスト。例として、データセンターの炭素排出と水消費、労働者のメンタルヘルス、ガザの民間人の大規模な死傷が挙げられる。これらのコストが「外部化」されるのは、経営層が AI の開発や導入を決める際にそれらを意図的に見ないからだ。

GenAI：生成 AI

LLM と VLM を基盤とし、テキストや画像の情報を合成するツール群。

LLM：大規模言語モデル

大量のテキスト入力データで訓練し、自然言語テキストを合成または操作できる機械学習技術。例として ChatGPT、Claude、Gemini。

ML：機械学習

入力データで訓練し、確率的な予測を出力する統計アルゴリズムの一大分類。人工ニューラルネットワークは機械学習アルゴリズムの一種であり、genAI 技術の土台でもある。

谄媚（Sycophancy）

LLM が、正しい内容や適切な内容ではなく、利用者が聞きたがっているとモデルが予測した内容を出力する傾向。

Token

Token は LLM がテキストを処理する単位。企業はコスト、使用量、活発さを測るのに token を使うが、それが測っているのは必ずしも品質や生産性ではない。

VLM：視覚言語モデル

画像とテキストを同時に扱えるシステム。例えば、画像を説明・合成したり、スクリーンショットを分析したり、仮想のプロンプトに応答したりできる。

方法

UTAW AI 労働者調査は、CWU 傘下の UTAW 分会のメンバーが 2026 年 8 月と 9 月に実施した。ワークショップは対面とオンラインビデオ通話の二形式で行い、労働者が二人一組になって半構造化インタビューを行い、定性データを集めた。

正式に労働組合を結成する前から、私たちは London Tech Workers Coalition のワーキンググループであり、マルクス主義の伝統に基づく労働者調査を続けてきた。Miceli ら（2025）はこう指摘する。「世界の AI 産業は隠れた不安定な労働に支えられているが、こうした労働者を扱った研究文献では、労働者の声はほぼ不在である」13。今回の労働者調査は、この広範な労働者調査の流れの一部であり、急速に変化するこの経済の中で生まれた。

質問票

ワークショップ中、各ペアにはインタビュー質問リスト14 が渡され、グループインタビューの指針とした。参加者は自分が最も関心のある質問を選んで深掘りしてよいこととした。グループインタビューが終わると、参加者は全体の場に戻り、それぞれの対話を簡単に共有し、浮かび上がったテーマについてさらに議論を深め、その間ファシリテーターがノートを取った。データ収集後、質問票は匿名化して集計し、本稿とした。

組合員の構成

UTAW のメンバーはテック業界のあらゆる場所から集まっている。テック企業と非テック企業の技術職、テック企業内の非技術職、さらに技術教育の普及に携わる労働者もいる。今回の調査は職種を問わず全組合員に開かれていたため、私たちの研究には業界全体の声が集まった。参加者の雇用主も多様で、自営業者もいれば、中小企業も、大手多国籍テック企業もいる。

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、データサイエンスとデータエンジニアリング、カスタマーサービス、研修と教育、研究などに及ぶ。

謝辞

調査に参加したすべての組合員に感謝する。あなた方は自分自身（そして同僚）の実体験を持ち寄り、労働者としての私たちの集合的知識を強めてくれた。

徹底した AI 調査を実施する方向を示し、本レポートにフィードバックをくれた UTAW 全国委員会に感謝する。

この素晴らしいウェブサイトを立ち上げた eeddwwiinn、グラフィックデザインと印刷レイアウトを担当した Adam Evans に感謝する。

本レポートは Lynda Ouazar、Eleanor Payne、Lamian Pheres が執筆・編集し、労働者調査の設計と実施も担当した。誤りを見つけても、私たちにメンションしないでほしい。

脚注

Doctorow, C. (2026) The Reverse Centaur’s Guide to Life After AI. London: Verso. versobooks.com↗ ↩︎
C13 Artificial Intelligence at work – a just transition through worker voice for the benefit of workers and society. TUC Congress, 2026. Received from CWU, Aegis congress.tuc.org ↩︎
これは、HR ツールや「スマート」なカンバンのように、AI 機能を備えたツールを使うだけの場合とは異なる。 ↩︎
Bender, E.M and Hanna, A. (2025) The AI Con: How to Fight Big Tech’s Hype and Create the Future We Want: Bodley-Head thecon.ai ↩︎
Hanna, A. and Bender, E.M. (2025) ‘The Myth of AGI’, Tech Policy Press, 3 June. [Accessed 11 September 2026] techpolicy.press↗ ↩︎
OECD (2024) The impact of Artificial Inteligence on productivity, distribution and growth: key mechanisms, innitial evidence and policy challenges. OECD Artificial Intelligence Papers, No. 15. Paris: OECD Publishing. doi.org↗ International Labour Organization (2026) The impact of GenAI on jobs, productivity and work organization. a review of the empirical evidence. Geneva: ILO. [Accessed 16 September 2026] ilo.org↗ も参照。 ↩︎
Jevons, W.S. (1865) The Coal Question: An Inquiry Concerning the Progress of the Nation, and the Probable Exhaustion of Our Coal-Mines. London: Macmillan. libertyfund.org↗ ↩︎
Gans, J. (2026) WTF is Pro-Worker AI joshuagans.substack.com ↩︎
Shaw, S. D., & Nave, G. (2026, January 12). Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. osf.io↗ ↩︎
UK Parliament POST (2026) What are data centres and how sustainable are they? POSTnote 762. parliament.uk↗; The Guardian (2026) ‘Google DeepMind in talks with UK unions amid staff concern over US and Israel’s AI use’, 20 May. [Accessed 16 September 2026] theguardian.com↗ ↩︎
Concerned AI Workers (2026) Statement in Support of Anthropic’s Actions to Ensure Their AI Systems Are Not Used to Harm. [Accessed 10 September 2026] concernedaistaff.org↗ ↩︎
Kosmyna, N., Hauptmann, E., Yuan, Y.T., Situ, J., Liao, X-H., Beresnitzky, A.V., Braunstein, I., Maes, P.（2025）「Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task」arXivプレプリント, arXiv:2506.08872. arxiv.org↗ ↩︎
Miceli, M., Dinika, A.-A., Kauffman, K., Salim Wagner, C., Sachenbacher, L., Hanna, A., Gebru, T.（2025）Methodological Considerations for Centering Workers’ Epistemic Authority in AI Research. Proceedings of the AAAI ACM Conference on AI, Ethics, and Society, 8(2), 1698–1710. doi.org ↩︎
労働者調査で使用したアンケートの全文。utaw.tech↗ ↩︎