---
title: "新人エンジニアの仕事、数字が食い違うとき、どれを信じるか"
url: https://www.thinnd.site/ja/kosatsu/shinjin-engineer-data-mujun/
language: ja
author: "Nhu Duy Thin (Thinnd)"
published: 2026-10-30
updated: 2026-10-30
section: "考察"
tags: ["新人", "ジュニア", "データ", "雇用市場", "AI", "キャリア", "考察"]
summary: "1つの数字だけでは結論は出せません。大規模な研究は、AIの影響を受けやすい職種で22歳から25歳の雇用が弱まる一方、経済全体の雇用喪失は見えないとしています。金利、米国の税ルール、2021年から2022年の採用過熱も関係しえます。誰を、何を、いつから、どのデータで数えたか、他に何が変わったか、どこまで確かかを確認しましょう。"
license: "Cite with the author name and the canonical URL above."
---

# 新人エンジニアの仕事、数字が食い違うとき、どれを信じるか

> 学生、新社会人、ソフトウェアの最初の仕事を探している方向けです。統計の知識は要りません。難しい言葉には短い説明をつけています。
>
> これは**考察**です。証拠を比べ、分かっていないことをはっきり書くもので、研究報告ではありません。2本の論文（スタンフォード、ハーバード）はPDFを直接読み、SignalFire、Ramp、イェール、Indeed（FRED経由）は元のページを読みました。それ以外は要約や報道で読んだものとして、その都度書いています。数字を引用する前に、必ず元の資料を開いてください。

---

## 要点

- 「AIが入り口を狭めている」という記事も、「まだ何も見えない」あるいは「逆だ」という記事もたくさんあります。多くは**自分が測ったもの**については正しいのです。問題は、測っているものがそれぞれ違うことです。
- 大規模な研究に共通するのは、**経済全体では雇用の喪失は見えない**一方、**AIの影響を受けやすい職種の22歳から25歳の雇用が弱まっている**ことです（スタンフォード、ハーバード）。スタンフォードの更新版（2026年6月までのデータ）は19%という数字を出し、著者自身が因果の証明ではなく初期の記述的な指標だと述べています。
- 同じグループ、同じデータの出どころでも、6%、13%、19%、20%と複数の数字が出ます。違いは**基準点と計算方法**で、誰かが嘘をついているわけではありません。
- **AIとは関係のない説明**もあります。2022年からの金利上昇、米国の研究開発費に関する税ルール（セクション174）、2021年から2022年の採用過熱です。研究者はこれらを取り除こうとしましたが、**完全に取り除けた人はいません**。
- 数字を信じる前に**6つの質問**をします。誰を数えたか、何を数えたか、いつと比べたか、データはどこから来たか、同時に他に何が変わったか、どこまで確かか。
- どちらが正しくても、新人は**自分の市場を測り**、入り口を広げ、実力の証拠を作り、四半期ごとに数字を見直せます。

---

## むずかしい言葉をやさしく

| 用語 | やさしい意味 |
|---|---|
| **雇用（在籍者数）** | ある時点で仕事を持っている人の数。部屋に何人座っているかを数えるようなものです。 |
| **採用** | ある期間に新しく採られた人の数。ドアを何人通ったかを数えるようなものです。 |
| **求人（求人広告）** | 「人を探しています」という掲示の数。入口に貼られた看板を数えるようなもので、実際に採用されたとは限りません。 |
| **失業率** | 仕事を探している人のうち、仕事がない人の割合。探すのをやめた人は数えられません。 |
| **基準点（ベースライン）** | 「どれだけ減ったか」を言うときの出発点。基準点を変えると数字が変わります。 |
| **比較グループ** | 「これがなかったらどうなっていたか」を知るための比べる相手。 |
| **相関と因果** | 2つのことが一緒に動いても、一方が他方を起こしたとは限りません。 |
| **信頼区間** | 本当の数字がおそらく入っている範囲。サンプルが小さいほど範囲は広くなります。 |
| **給与データ（ペイロール）** | 1つの給与計算サービスを使う企業で、実際に給与を支払われた人の記録。たとえばADPです。 |
| **オンライン履歴書データ** | 人々が自分で載せる職歴のプロフィール。広くカバーしますが、自己申告です。 |

---

## 1. 例え話：同じ群衆を5人がはかる

*日常の場面に置き換えてイメージしてみましょう。これは私の例で、実際のデータではありません。*

駅の改札前の同じ群衆を5人が見て、「この群衆は小さくなっているか」に答えようとします。

- 1人目は**子どもだけを数えます**。減ったと感じます。
- 2人目は**全員を数えます**。ほとんど変わらないと感じます。
- 3人目は**入口に立ち**、新しく入る人を数えます。大きく減ったと感じます。
- 4人目は「人手募集」の**掲示板を読みます**。掲示が減っていると感じます。
- 5人目は**一人ひとりに聞きます**。「入るのは大変でしたか」。多くが「はい」と答えます。

5人とも誠実で、自分が測ったことについては正しいのです。「群衆が小さくなっている」とだけ聞くと、誰が何を言ったのか分かりません。ソフトウェアの新人の仕事の話もまったく同じで、さらに**出発の年**と**立つ場所**も人によって違います。

---

## 2. 「入り口が狭まっている」という側

研究を、何を測っているかで並べます。最後の列は、結論への確信ではなく、私がその研究を正しく読めているかの確かさです。

| 出典 | 誰を数えたか | 何を数えたか | 基準点と期間 | 数字 | データ | 読み取りの確かさ |
|---|---|---|---|---|---|---|
| **スタンフォード「Canaries in the Coal Mine」**（Brynjolfsson、Chandar、Chen） | AIの影響が最も大きい職種の22歳から25歳 | 在籍者数 | 2022年11月から2026年6月 | 影響が最も小さいグループに歩調を合わせた場合より、雇用が約**19%**低い（2025年8月版、2025年7月までのデータでは企業ごとの衝撃を調整して**13%**） | ADPの給与データ、米国の数百万人 | 高い（PDFを読みました） |
| **ADP Research**（同じ研究チーム） | 最も若いソフトウェア開発者 | 在籍者数 | 2022年晩秋のピークから2025年7月 | ピークより約**20%**低い | ADPの給与データ | 中程度（ページは「最も若い開発者」とだけ書き、年齢層は明記していません） |
| **ハーバード、Hosseini と Lichtinger** | 「GenAIインテグレーター」の求人を出した企業の「ジュニア」社員 | 在籍者数（求人を出していない企業と比較） | 2023年第1四半期から、6四半期後 | 約**9%**減。別の検定では8四半期後に約8% | 2015年から2025年の28万社超・約6500万人のオンライン履歴書データと求人データ | 高い（2026年5月版のPDFを読みました） |
| **SignalFire「State of Talent 2025」** | 時価総額上位15のテック企業の新卒者 | 新しく採用された人の数 | 2023年から2024年、および2019年との比較 | 2023年比**25%**減、2019年比**50%**超の減少。新卒者は採用全体のわずか**7%** | ファンド独自のデータ（Beacon AI、6億5000万超のプロフィール） | 読み取りは高い、再確認は低い（データは非公開） |
| **Indeed Hiring Lab（FRED経由）** | 米国のソフトウェア開発の全職種 | 求人数 | 指数、2020年2月＝100 | **233.82**（2022年2月28日）から**61.10**（2025年5月17日）、現在は**80.79**（2026年10月23日） | Indeedの求人 | 高い（元の系列を読みました） |

表から分かる2つのことです。

1. **大規模な研究は、経済全体で仕事が消えているとは言っていません。** スタンフォードの論文自体が、経済全体での広範な雇用の置き換えは見られないと書いています。話しているのは狭いグループ、つまりAIが業務の一部を代替できる職種の若者です。
2. **同じグループ、同じデータでも複数の数字が出ます。** AIの影響が大きい職種の22歳から25歳について、ADP Researchのページは約6%減（2022年後半から2025年7月、自分自身との比較）、スタンフォードの論文は13%、のちに19%（他のグループとの比較）、ソフトウェア開発者だけなら約20%（ピークとの比較）と述べています。第4章でこれらの比較を計算し直し、違いの理由を確かめます。

---

## 3. 「まだ見えない」「逆だ」という側

| 出典 | 誰を数えたか | 何を数えたか | 基準点と期間 | 数字 | データ | 読み取りの確かさ |
|---|---|---|---|---|---|---|
| **イェール大学 Budget Lab**（ブルッキングスと共同、2025年10月、2026年に更新） | 米国の労働市場全体 | AIへの接触度ごとの職種構成と失業期間 | ChatGPT公開から33か月 | 経済全体で「目立った混乱は見られない」。2026年初めの更新も安定を示した | 米国の公開雇用データ（詳細は未確認） | 中程度（Fortuneや報道経由で読み、元のページ全体は開けませんでした） |
| **RampとRevelio Labs**（ワーキングペーパー、2026年6月30日） | AIに多く支出する2万1000社超の米国企業（支出上位3分の1、当初は従業員1人あたり月約30ドル） | 在籍者数 | AIを使い始めてから2年 | 総人数は**10.2%増**、入門レベルの人数は**12%増**。支出の少ない企業は有意な変化なし | Rampのカード支出とRevelioの人員記録 | 高い（Rampのページを読みました） |
| **ニューヨーク連銀、新卒者** | 学士号を持つ22歳から27歳 | 失業率 | 2026年第2四半期、専攻別は2023年ACSデータ | 全専攻：失業率**5.6%**、不完全雇用**42%**。コンピュータサイエンス**6.1%**、コンピュータ工学**7.5%**（2023年、サンプルが小さく、コンピュータ工学の信頼区間はEIGの計算で約4%から11%） | 米国コミュニティ調査（ACS） | 全体の数字は高い、専攻別は低い（EIGの分析経由で読み、元の表は開けていません） |

読み違えないための注意です。

- **Rampの「入門レベルの人数が12%増」**は、要約の間違いではありません。AIに多く支出した企業で、2年間に入門レベルの人数が増えたという意味です。ただしRamp自身が、これらの企業は以前から規模が大きく、エンジニアが多く、ベンチャーの出資が多く、成長も速かったと書いています。つまりその企業群の中での**相関**で、経済全体については何も言えず、論文も最終版ではありません。
- **ハーバードとRampは、新人については本当に逆の結果です**。どちらもAIを使う企業を見ています。ハーバード論文の注によれば、両方ともRevelioの履歴書データを使っています。違いは「AIを使う企業」の定義です。片方はAI統合の職種の求人を出した企業、もう片方はAIツールにお金を使った企業です。同じデータ提供元でも、定義が違えば結果が違います。
- **ニューヨーク連銀の専攻別失業率は、サンプルが小さいため非常にぶれます。** 2023年のデータは、上の研究の多くの対象期間より前でもあります。その後の更新は報道では約7.0%と7.8%とされていますが、元の表を開いて確認できなかったので、主な数字には使いません。

---

## 4. なぜ同じ市場で違う数字が出るのか

*おもちゃの町を思い浮かべてください。以下の数字は私が作った例で、手で計算しました。実際の市場を測ったものではありません。*

おもちゃの町には**新人向けのポジションが100**あります。2022年：40がAIが業務の一部を代替できる職種（グループA）、60がそれ以外（グループB）。2025年：グループAは32、グループBは66に増えました。

| 数え方 | 計算 | 結果 |
|---|---|---|
| グループAだけを自分自身と比較 | 32 / 40 - 1 | **20%減** |
| グループAをグループBのペースと比較 | (32 / 40) / (66 / 60) - 1 = 0.8 / 1.1 - 1 | 歩調を合わせた場合より**27.3%低い** |
| 町全体 | (32 + 66) / 100 - 1 | **2%減** |

同じデータから3つの答えが出ます。「20%減」「27%低い」「ほぼ変わらない」。誰も間違っていません。スタンフォードの19%も同じ仕組みです。影響が最も大きい2つの職種グループの雇用は2022年11月から2026年6月に**約11%減**り、影響が最も小さい3つのグループは**約10%増**でした。0.89 / 1.10 - 1 で、歩調を合わせた場合より約19%低くなります。「11%減」だけを見れば、同じデータから別の数字が出ます。

計算方法のほかにも、数字をずらす要因が4つあります。

| 違う点 | 例 | 数字が変わる理由 |
|---|---|---|
| **何を数えるか** | 在籍者数、採用数、求人数、失業率 | 企業は新規採用を減らしても既存の社員を保てるので、在籍者数は採用数より遅く減ります。仕事探しをやめた人は失業率に入りません。 |
| **期間** | 2022年のピークから、パンデミック前から、ChatGPT公開から | 下の表を見てください。 |
| **誰を数えるか** | 国全体、AI導入企業、新卒者 | AI導入企業は規模が大きく、他と違います（ハーバードもRampもこの点を書いています）。 |
| **データの出どころ** | 給与、オンライン履歴書、求人、調査 | どの出どころも市場の一部しかカバーしません。スタンフォードの論文によれば、米国のCPS調査には22歳から25歳のソフトウェア開発者が毎月23人から48人しかおらず、数字が大きくぶれます。 |

### 基準点を変えると物語が変わる：実際の求人データ

Indeed Hiring Labの米国ソフトウェア開発の求人系列（指数、2020年2月＝100、季節調整済み）はFRED上で公開されています。系列の3つの点から比較を計算し直しました。

| 出発点 | そのときの値 | 2026年10月23日の値（80.79） | 変化 |
|---|---|---|---|
| ピーク、2022年2月28日 | 233.82 | 80.79 | **65.4%減** |
| パンデミック前、2020年2月 | 100 | 80.79 | **19.2%減** |
| 底、2025年5月17日 | 61.10 | 80.79 | **32.2%増** |

1つの系列から3つの文が作れます。「求人は3分の2減った」「パンデミック前よりまだ約5分の1低い」「底から32%戻った」。しかも2022年の求人はパンデミック前の約2.3倍でした。「減少」の一部は**異常なピークからの戻り**で、すべてが新しい出来事ではありません。

---

## 5. AIとは関係のない説明

*いくつもの変化が同時に起きた市場で、AIはその1つにすぎないと考えることもできます。*

| 説明 | 何が起きたか | 証拠と確かさ |
|---|---|---|
| **金利の上昇** | FRBが2022年初めのほぼゼロから、2023年5月までに約5.00%から5.25%まで引き上げ | 借り入れが高くなると、特に成長に多く投資するテック企業は採用を減らします。スタンフォードの論文は職種ごとの金利感応度を統制しても差は残り、金利がピークを過ぎた後の2026年まで広がり続けたと述べています。確かさ：中程度（報道の記録に頼ったので、FRBの公式ページで確認してください）。 |
| **セクション174の税ルール** | 2022年度の課税年から、米国は国内の研究開発費（ソフトウェア開発費を含む）をすぐに控除せず5年で償却するよう義務づけ。2025年の法律（174A条）は、2024年12月31日より後に始まる課税年から国内費用の即時控除を復活させた（開始年は資料により異なる） | これが企業の人員削減につながったと主張する人もいます。仮説であり、単独で切り分けた研究はなく、支持する記事の多くは意見記事です。スタンフォードの論文には注があり、テック企業とコンピュータ職種を除いても差は残るので、この経路は否定的だと述べています。確かさ：低い〜中程度。 |
| **2021年から2022年の採用過熱** | Indeedの求人系列は2022年初めにパンデミック前の2.3倍に達した | その後に採用が減るのは予想できることです。ピークの数字は本物です（FRED）。新人の減少のうちどれだけを説明するかは、切り分けられていません。 |
| **パンデミック後の調整** | デジタル関連の需要が急増し、その後冷えた | 同じ理屈です。イェール大学Budget Labの報道によれば、職種構成の変化の多くは、AIが広がる前の2021年から始まっていました。 |
| **削減の理由をAIのせいにする** | 本当の理由はコスト、関税、政策なのに、AIのためだと言う企業がある | イェールのMartha Gimbelはこれを「AI washing」と呼んでいます（Fortune、2026年2月）。同記事によればOxford Economicsは、2025年の最初の11か月の人員削減のうち5万5000件（記録された件数の4.5%）がAIによるもので、24万5000件が市場環境によるものとしました。確かさ：低い（報道経由で読みました）。 |

スタンフォードの論文は自分の弱点も明記しています。差は**学歴を統制すると小さくなり**、**生成AI以前から一部で異なる傾向が見られ**、全国調査よりADPデータのほうが顕著です。初期の記述的な指標であり、因果の推定ではないと強調しています。ハーバード論文の先行研究の整理によれば、影響の大きい職種と小さい職種の間に系統的な差が見られない研究もあります。たとえばCPSデータを使ったChandar（2025）とFinancial Times（2025）、約5.5%とより小さな減少を見つけたスウェーデンの研究です。これらは各論文ではなく、ハーバードの整理を通して読みました。

---

## 6. 数字を信じる前の6つの質問

*6本の懐中電灯だと考えてみましょう。数字に1本ずつ当てて、暗いままの場所があれば、急いで信じないでください。*

| # | 質問 | こんな場合は注意 | この記事での例 |
|---|---|---|---|
| 1 | **誰を数えたか** | 「若者」「開発者」と一般的に言うだけで、年齢、職種、企業、国が不明 | スタンフォードは米国の最も影響が大きい職種の22歳から25歳だけ |
| 2 | **何を数えたか** | 在籍者数か、採用数か、求人か、率か不明 | SignalFireは新卒の採用数を数え、在籍者数ではない |
| 3 | **いつと比べたか、どの期間か** | 基準点がない、またはピークや底に置かれている | Indeed：基準点により65%減、19%減、32%増 |
| 4 | **データはどこから来て、誰が公表したか** | 誰も再確認できない独自データ、小さいサンプル、商品を売る側 | SignalFireは1つのファンドの独自データ、ニューヨーク連銀の専攻別は信頼区間が4%から11% |
| 5 | **同時に他に何が変わったか** | AIだけを挙げ、金利、税、採用過熱、パンデミックに触れない | 第5章 |
| 6 | **どこまで確かか：相関か因果か、どの版か** | 比較グループなしの「AIが原因」、版によって数字が変わる | スタンフォード：データ版ごとに13%、16%、19%。著者自身が因果ではないと述べている |

**試してみましょう。** *例（想定）：私が作った見出しで、実在の記事ではありません。*「新人開発者の仕事が20%減」。6つの質問：どの国の新人開発者か。在籍者数か採用数か。どの年から、ピークからかパンデミック前からか。給与データか求人か。金利、税、採用過熱は考慮されたか。比較グループはあるか。記事が3つ以上答えられなければ、その数字は**数字のついた噂**として扱い、まだデータとは見なさないでください。

---

## 7. ベトナムと日本：見つかったもの

- **ベトナム。** ベトナムの新卒開発者に特化した**政府のデータは見つからず**、大手求人サイトの公開レポートも開けませんでした。最も近いのは、Tuổi Trẻの報道（2026年9月9日）によるManpowerGroupの2026年第4四半期調査です。調査対象285の雇用主のうち**57%**が2025年と比べて入門レベルの採用を増やしたと答え、情報分野では**77%**でした。注意して読んでください。人材会社による雇用主の自己申告の調査で、285社がすべてベトナムの企業かは記事に書かれておらず、「入門レベル」の定義もなく、開発者だけを切り出してもいません。確かさ：低い〜中程度。
- **日本。** AIと結びついた日本の新人開発者に関する一次データは見つかりませんでした。経済産業省（METI）の、2030年までにシナリオによって約16万人から79万人のIT人材が不足しうるという予測がよく引用されます。元のページにアクセスを拒否されたので要約でしか読めておらず、生成AIが広がる前に作られた全体数の予測なので、**新人とAIの問いには答えません**。確かさ：低い。引用する前に元の資料を開いてください。

はっきり言うと、この記事の数字は主に米国のものです。ベトナムと日本は違うかもしれませんが、どう違うかを言える証拠は私にはありません。

---

## 8. どちらが正しくても、新人にできること

*明日が雨か晴れか分からないときの準備だと考えてみましょう。傘もサングラスも持っていれば、当てる必要はありません。* 以下は私自身の考えで、多くの人で検証されたものではありません。

| 「入り口が狭まっている」側が正しい場合 | 「心配は要らない」側が正しい場合 | どちらでも役に立つこと |
|---|---|---|
| 新人向けの枠が少なく、競争が激しい | 市場は調整から回復しているだけ | **自分の市場を数える：** 毎週20件の求人（職種、レベル、要件、AIに触れているか）を記録します。30分で、実際に応募する場所のデータが手に入ります。 |
| 「ジュニア開発者」という肩書きが減る | その肩書きは依然として多い | **いろいろな種類の入り口を狙う：** テスト、テクニカルサポート、データ、社内IT、小さな会社、受託開発の会社。これは私の提案で、データから出た結論ではありません。 |
| 検証できない人を企業がためらう | 企業は学ぶのが速い人を必要としている | **本物の証拠を作る：** 説明できる小さなプロジェクト、その場でのデバッグ、実際の貢献。[新人の12か月計画](https://www.thinnd.site/ja/ayumi/ai-jidai-no-shinjin-12kagetsu-keikaku/)を見てください。 |
| 面接が厳しくなる | 面接は普通 | **面接の練習を続ける：** [2週間の計画](https://www.thinnd.site/ja/ayumi/ai-jidai-no-mensetsu-2shukan-keikaku/)を見てください。 |
| AIが簡単な仕事を代わりにやる | AIは補助だけ | **AIは学ぶために使い、代わりにやらせない：** 先に自分で書き、説明は後で頼み、結果の責任は自分で持ちます。[AIが間違えたら誰が責任を取るのか](https://www.thinnd.site/ja/kosatsu/ai-ga-machigaetara-dare-ga-sekinin-wo-toru-ka/)を見てください。 |
| 数字がさらに悪くなる | 数字が良くなる | **四半期ごとに見直す：** 6つの質問を使い、何が起きたら計画を変えるかを先に決めておきます。 |

もう1つ。全国平均は1人への判決ではありません。1回の不採用には、予算や他に合う人がいたなど具体的な理由があるのが普通で、統計の数字のせいではありません。長い目で見たい方は、[開発者の歩み](https://www.thinnd.site/ja/kosatsu/kaihatsusha-no-ayumi/)がこの話を職業の歴史の中に置いており、[AIが速くコードを書く時代、開発者は創造する人か](https://www.thinnd.site/ja/kosatsu/ai-ga-hayaku-kaku-jidai-kaihatsusha-wa-souzou-suru-ka/)が代替しにくい仕事について書いています。

---

## 9. 分かっていないこと

- **原因。** AIを、金利、税、採用過熱、パンデミック後の調整から切り分けた人はいません。スタンフォードとハーバードの著者も、それぞれの言い方でそう述べています。
- **採用が遅れているのか、なくなったのか。** 単に採用が遅れているだけなら、新人は数年後に入れます。はしごの1段がなくなったのなら、話は違います。現在のデータでは区別できません。
- **ソフトウェアに限った話。** 22歳から25歳の開発者について最も良い数字は、ADPの20%と小さな調査です。CPSではこの年齢層が毎月ごくわずかしかいません。
- **米国以外。** ベトナムと日本については、信頼できる証拠がありません。
- **数字は版で変わる。** スタンフォードの数字はデータの追加と計算方法の変更で13%から16%、19%へと動きました。この記事も古くなるので、日付を確認してください。
- **私自身の限界。** 2本の論文はPDFを直接読み、上に挙げた元のページも読みましたが、残りは要約経由です。再確認できる生データはないので、計算は公表された数字をやり直したものにすぎません。

---

## 10. バランスのとれた見方

- **この記事は、心配せよとも心配するなとも言いません。** データが示すのは、狭い領域（AIが一部を代替できる職種の若者）が弱まっていることで、経済全体の問題は示していません。
- **「まだ見えない」は「ない」ではありません。** イェールのBudget Labは混乱を見ていないと言い、今後もないとは言っていません。私が読んだ要約では、AIはいずれ何らかの痕跡を残すだろうと見ています。
- **「見える」は「AIのせい」ではありません。** 上の新人に関する数字は、すべて相関です。
- **測れるものは物語にしやすい。** 「AIがあなたの仕事を奪った」は、「いくつものことが同時に変わり、まだ切り分けられていない」よりすっきりしています。すっきりしているからといって、正しいとは限りません。

---

## 11. 結論

2つの記事が正反対の数字を出しているとき、たいていは違う物を違う秤ではかっています。6つの質問をしましょう。誰を、何を、いつから、どのデータで、他に何が変わり、どこまで確かか。新人にとっては、どちらの側が正しいかを当てるより、どの場合でも役に立つことをするほうが大切です。自分の市場を測り、入り口を広げ、実力の証拠を作り、四半期ごとに見直しましょう。

今週から始めましょう。表計算を開き、応募したい場所の求人を20件記録します。1つの見出しで計画を変えないでください。

---

## 参考資料

数字を引用する前に、必ず元の資料を開いてください。要約や報道でしか読んでいないものは、上に書いています。

- [Brynjolfsson, Chandar, Chen: Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of AI（スタンフォード大学Digital Economy Lab。私が読んだ版は2026年8月付、データは2026年6月まで）](https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/)
- [ADP Research: Yes, AI is affecting employment, here's the data（最も若いソフトウェア開発者の6%と20%、2025年7月）](https://www.adpresearch.com/yes-ai-is-affecting-employment-heres-the-data)
- [Hosseini, Lichtinger: Generative AI as Seniority-Biased Technological Change（SSRN 5425555、2026年5月6日版）](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555)
- [SignalFire: State of Tech Talent Report 2025](https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025)
- [Ramp Economics Lab: Companies hire more after AI adoption（2026年6月30日）](https://ramp.com/data/heavy-ai-adopters-hire-more)
- [ニューヨーク連邦準備銀行: The Labor Market for Recent College Graduates](https://www.newyorkfed.org/research/college-labor-market)
- [Economic Innovation Group: A viral chart on recent graduate unemployment is misleading（専攻別の6.1%と7.5%の読み直し、ACS 2023）](https://agglomerations.eig.org/p/a-viral-chart-on-recent-graduate)
- [イェール大学 Budget Lab: Evaluating the Impact of AI on the Labor Market: Current State of Affairs](https://budgetlab.yale.edu/research/evaluating-impact-ai-labor-market-current-state-affairs)と[Fortune：2026年2月の更新と「AI washing」の記事](https://fortune.com/2026/02/02/ai-labor-market-yale-budget-lab-ai-washing/)
- [FRED: Software Development Job Postings on Indeed in the United States（Indeed Hiring Lab）](https://fred.stlouisfed.org/series/IHLIDXUSTPSOFTDEVE)
- [Baker Tilly: Domestic research expenditures, Section 174 under the 2025 tax act（会計事務所の要約で、法令そのものではありません）](https://www.bakertilly.com/insights/domestic-research-expenditures-section-174-under-obbba)
- [Tuổi Trẻ News: Vietnam among region's strongest hiring markets, yet employers struggle to find skilled workers（2026年9月9日、ManpowerGroup調査）](https://news.tuoitre.vn/vietnam-among-regions-strongest-hiring-markets-yet-employers-struggle-to-find-skilled-workers-103260909145949272.htm)
- ブログ内の関連記事：[AI時代の新人：12か月計画](https://www.thinnd.site/ja/ayumi/ai-jidai-no-shinjin-12kagetsu-keikaku/)、[AI時代の面接：2週間計画](https://www.thinnd.site/ja/ayumi/ai-jidai-no-mensetsu-2shukan-keikaku/)、[AIが間違えたら誰が責任を取るのか](https://www.thinnd.site/ja/kosatsu/ai-ga-machigaetara-dare-ga-sekinin-wo-toru-ka/)、[開発者の歩み](https://www.thinnd.site/ja/kosatsu/kaihatsusha-no-ayumi/)