Japan Jobs × AI Impact
厚生労働省の 職業情報提供サイト（job tag） / JILPT IPD v7.00 に登録されている 556 の日本の職業 について、年収・学歴・就業者数・将来性などの構造化データに加えて、複数のAIによる総合（AIOIS-10）の AI 影響度（Transformation）と仕事が減るリスク（Displacement-Risk）、およびその理由を重ねた可視化サイトです。公開値は、3社のAIそれぞれの最新モデルによる採点の平均。個別モデルの採点は モデル比較 と履歴に残します。UI は日本語で、国内の読者を対象としています。
🔗 公開サイト: https://mirai-shigoto.com/
このサイトの位置づけ
ひとつの squarified treemap で、どの職業の業務が AI によって大きく変わりうるか と 仕事そのものが減るリスクはどの程度か を、就業者数の重み付き視点で一目で見られるように設計されています。
データの土台は、公開されている日本政府統計（job tag、労働力調査、経済センサス）です。AIOIS-10 スコアは別途 LLM が生成しており、調査結果ではなく モデル出力であることを明記 しています。UI は日本語で、国内の読者を対象としています。
本プロジェクトは 厚生労働省、独立行政法人 労働政策研究・研修機構（JILPT）、その他いかなる政府機関とも提携していません。独立した分析です。
サイトでできること
mirai-shigoto.com を開くと、以下が見られます：
- 556 職業の treemap。タイルの 大きさ は就業者数、色 は AI 影響度（Transformation、既定）。大きい赤いタイル = 多くの人が従事しており、AI による業務変化も大きい職業。大きい緑のタイル = 多くの人が従事しており、AI による業務変化は小さい職業。
- 6 種類の色レイヤー をツールバーから切替可能：AI 影響度 / 年収 / 平均年齢 / 労働時間 / 求人倍率 / 学歴。タイルの大きさは変わらず、色の意味だけが変わります。
- 色覚配慮（viridis） トグル。
- Direction C ウォームエディトリアル・テーマ — 暖米色パレット、Noto Serif JP 見出し、テラコッタのアクセント。
prefers-color-scheme による検出は組み込み済み、手動ライト/ダーク切替トグルは現在非表示。
- 職業名でリアルタイム検索。
- タイルにマウスオーバー（PC）またはタップ（スマホ） で tooltip — AI 影響度、年収、就業者数、LLM の評価理由を表示。
- 556 職業の専用詳細ページ —
/{id}（JILPT IPD v7.00 の職業を全量反映。職業 ID 404 だけは /404 をカスタム 404 に残すため /occupations/404）。各ページに評価理由のフルテキスト、AIOIS-10 プロファイル、年収 / 平均年齢 / 労働時間 / 求人倍率 / 学歴の内訳、転職パス推薦、検索エンジン向けの構造化データ（Schema.org Occupation JSON-LD）を含む。言語プレフィックス付き URL は 2026-06-02 の撤去後の移行用で、vercel.json が /ja/:path* と /en/:path* を /:path* へ恒久リダイレクトする。
- セクターハブ —
/sectors/ の一覧と、16 業種それぞれの /sectors/<sector>。各ハブは AI 影響 TOP 5（高/低）、就業者数 TOP 5、全職業ソート一覧を集約。
- 専用ページ — データについて（
/about）、コンプライアンス（/compliance）、プライバシー（/privacy）、カスタム 404。
- ソーシャル共有ボタン — X、LINE、Hatena Bookmark、LinkedIn、Copy Link、モバイルでは Web Share API。
- クッキーレス解析レイヤー を Google Analytics と並走。クッキーを許可していなくても主要な集計は機能します。
UI は 360 px のスマートフォンと 4K デスクトップの両方で同じコンテンツ密度で読めるよう設計しています。
なぜこのサイトを作ったか
2024 年に Andrej Karpathy 氏が公開した karpathy/jobs は、米国労働統計局の Occupational Outlook Handbook（342 職業）を題材に、各職業に対して LLM が AI による仕事への影響を 0〜10 で採点した可視化作品でした。きれいな構造でした — 実在する BLS の職業、実在する BLS の就業者数、その上に LLM が生成したスコアという 1 層だけが合成データ。
中国でフォークされた madeye/jobs は同じフォーマットを採用したものの、土台を変えてしまいました — 職業リスト自体が AI 生成だったのです。これでは出所をたどる連鎖が切れ、数字が公的データに接地しません。
日本にも BLS OOH に相当する公的データが存在します — 厚生労働省 職業情報提供サイト（job tag）、約 500 職業、年収・学歴・就業者数・将来性などが構造化された形で提供されています。このデータセットは数年前から存在していたにもかかわらず、Karpathy 流の treatment（政府データに基づき、LLM スコア付き）を施したものは 誰も作っていませんでした。
本プロジェクトはその欠けていたピースです。Karpathy のアイデアを日本に移植したものです。
AIOIS-10 スコアの算出方法
ここはこの可視化作品で 最も重要かつ、最も議論の余地がある 部分なので、紙面を割いて説明します。
2 つの指標
本サイトは AIOIS-10 v1.0 に基づき、各職業に 10 次元（D1〜D10）と 2 つの派生指標を付与しています。従来の単一スコアではなく、次の 2 つを分けて読みます。
- Transformation（AI 影響度） — D1「認知・生成暴露」と D2「定型反復」の平均。現在の生成 AI が、その職業の日々の仕事をどの程度作り変えるかを示します。サイト上の見出しスコアと treemap の既定色はこの指標です。高い値は「業務変化が大きい」を意味し、失業確率ではありません。
- Displacement-Risk（仕事が減るリスク） — Transformation に、人間の強み（D3〜D7）、自動化の費用対効果、制度・需給、日本の労働市場文脈（D8〜D10）を掛け合わせた指標。職そのものが縮小しやすいかを見るための別軸です。
AIOIS-10 の 10 次元は、AI が届く部分（D1〜D2）、人間の強みとして残りやすい部分（D3〜D7）、導入・制度・労働市場の調整要因（D8〜D10）を分けて採点します。各次元は 0.0〜10.0、小数第 1 位までです。
Karpathy の「政府職業データ × LLM スコア」という構造は継承していますが、現行版では AIOIS-10 により、業務が変わる大きさと職が減るリスクを分離しています。
スコアが生成される流れ
スコアリングは下記のキャリブレーションアンカーと凍結プロンプトに基づくバッチとして実行します。各職業について：
- 入力バンドル — 職業名（日 + 英）、業種、job tag の「仕事内容」記述、構造化フィールド（年収、就業者数、学歴分布、将来性）。
- プロンプト — AIOIS-10 v1.0 の定義 + 入力バンドル + 構造化出力指示（JSON:
ai_risk, rationale_ja, confidence, aiois: { d1...d10, transformation, displacement }。本サイトは日本語専用）。
- モデル — 各 run のモデル ID・provider・採点日は
data/scores/*.json に記録します。公開値は、3社のAIそれぞれの最新モデルによる採点の平均。個別モデルの採点は /models と履歴に残す。別モデルへの silent fallback は行いません。
- 出力 — モデルの AIOIS-10 スコア + 理由文、職業ごとにキャッシュ。再実行時は既出力の職業はスキップ。
- 集約 —
bun run build:data（src/data/build.ts）が IPD ソースデータ + AI スコア + 統計を結合し、public/ 下に projection を出力（treemap / top10 / detail / search / labels / sectors / profile5 / transfer_paths / holland / skills など）。ホーム画面は desktop で canvas が近づいた時だけ /data.treemap.json を読み込み、mobile の TOP 10 は軽量な /data.top10.json を読み込みます。
各理由文は 1〜3 文で、なぜそのスコアになったか — 業務のどの部分が現時点の LLM でこなせそうか、どの部分が難しそうか — を簡潔に説明します。
限界 — このスコアは何で、何ではないか
これらのスコアは 「現在のフロンティア LLM がこの職業について構造化された意見を述べたもの」 であり、ground truth ではない とご理解ください。具体的には：
- モデル出力であって、調査統計ではありません。 就業者数や年収中央値は実在の統計値です。AI 影響度と仕事が減るリスクは、軽く構造化された生成テキストです。
- プロンプトの言い回しに敏感です。 ルーブリックを変える、アンカーを変える、あるいは worked example の言い方を変えるだけで、データセット全体で 1〜2 ポイントずれることがあります。公開しているアンカーとプロンプトは安定したものですが、それは可能なキャリブレーションのひとつであり、唯一解ではありません。
- 「現時点の LLM の見解」を反映しており、その見解は変動します。 新しいモデルで再採点するとスコアが動きます。古いモデルはクリエイティブ職に対して系統的に悲観的、新しいモデルは事務職に対して悲観的、という傾向もあります。スコアはスナップショットです。
- 理由文は日本語を正としています。 サイトと README は日本語を正本として運用しています。英語 UI は v1.4.0 で廃止済みです。
- face validity 以上の妥当性は主張しません。 実務者へのフォローアップ調査も、実際の代替率との比較も、信頼区間もありません。履歴上は 2026-06-23 に、当時の正典だった Claude Fable 5 batch（2026-06-13）の代表 40 職業を Claude Opus 4.8 / Sonnet 4.6 と比較しましたが、これは Fable predecessor の外部整合性チェックであり、現行の公開総合値の全量検証ではありません。公開値は、3社のAIそれぞれの最新モデルによる採点の平均です。
このダッシュボードは、すでに発表されている学術的演習を日本の読者にとって具体的・クリック可能な形で提示するためのものです。特定の個人の仕事の将来を予測する目的では作っていません。
データソース
This is the beginning of the README. Read the rest at the original. Read the full README ↗
