エージェント採用急増、AI職の65%がエージェント職

Get Ready For Agents はリサーチおよびインデックスプラットフォームで、2026年7月時点のライブジョブ、ガバナンス、エージェント・ツール追跡データを公開している。見出しの発見は、AI採用のエージェント焦点型職への全面的なシフトである。Jobs Index は261社の追跡対象分野内の216社における2,071件のオープンなエージェント型AI職を識別しており、監視されているすべてのAI職ポストの65%を表している。これはニッチなトレンドではなく、AI採用の支配的なカテゴリーである。

Databricks は134件のオープンなエージェント型職でリードしており、Salesforce（119件）、OpenAI（97件）、Palantir（68件）、Adobe（63件）、Citi（61件）、LangChain（57件）、Okta（52件）が続く。これらのすべての職において、Python はスキル需要を支配し（1,025件）、クラウドインフラストラクチャ（752件）、RAG（568件）、MCP—Model Context Protocol、AI ツール統合の標準（470件）、Kubernetes（395件）、LangChain（388件）、マルチエージェント・システム（365件）、TypeScript（329件）、プロンプト・エンジニアリング（290件）、LangGraph（277件）が後に続く。OpenAI、Anthropic 、および同様の企業である最先端のAIラボでは、すべてのAI職の68%がエージェント型。企業採用では、その数字は61%である。オーストラリアはさらに高いスキューを示す。28社における追跡対象の55件のAI職のうち69%がエージェント型である。エージェント型職のわずか9%がリモートとして記載されている。エージェント・チームは圧倒的にオフィス内で構築されている。

しかし、本番稼働の現実は採用速度から著しく乖離している。報告書に引用されている業界調査は、組織の62%が少なくともAIエージェントを実験しているが、実際にスケーリングしているのは23%のみであることを発見している。エージェントを稼働させているうちのわずか39%のみが EBIT への測定可能な影響を報告している。予測は率直である。エージェント型AIプロジェクトの40%以上が2027年末までに廃止される見通しで、コスト上昇、事業価値の不明確性、不十分なリスク管理に左右される。ガバナンスの画像は著しい。成熟した自律AI エージェント・ガバナンス・モデルを持つ組織は5社に1社のみである。Get Ready For Agents ガバナンス・インデックスは、16か国および4地域にまたがって作用する35のAIガバナンス・フレームワークを追跡している。エージェントを構築しているチーム間で、89%が可視性を実装しているが、52%のみが評価を実装しており、監視とテストの間に37ポイントのギャップが生じており、多くのチームはエージェントが何をしているかを見ることができるが、それらが正しく行っているかどうかについて確信がないことを示唆している。

エージェントがスケーリングして成功した場合、数字は大きい。Klara のAIアシスタントは初月に230万件の顧客会話を処理し、平均解決時間を11分から2分未満に削減した。JPMorgan のCOiNプラットフォームは12,000件の商業信用契約を数秒で審査する。この作業は以前は年間およそ36万人時間の弁護士労働を消費していた。Salesforce のAgentforce は Salesforce 自身のヘルプポータルの受信顧客サービス要求の約85%を自律的に解決する。Morgan Stanley のDevGen.AI はレガシー・コード900万行を審査し、推定28万人時間の開発者時間を節約した。これらは指定された企業による自己報告数字である。これらは利点を例示しているが、ほとんどのプロジェクトがまだ実験段階にあるか失敗するか予測されている業界で例外として機能している。データはGet Ready For Agents によって CC BY 4.0 の下で公開され、ライブ・ジョブポスティングおよび公式な規制当局および標準化団体ソースから自動的に更新され、引用可能かつ検証可能にしている。

このデータは、業界がそれらを管理、評価、スケーリングする能力を上回るエージェント焦点型AI職の採用増加を明らかにしている。2026年7月時点で、エージェント職は追跡対象のすべてのAI採用の65%を占めており、自律システムへの劇的な転換である。しかし、ほぼ普遍的な実験を報告する同じ調査（組織の62%）は、実際の本番稼働と測定可能な価値の大幅な減少を示している。実際にスケーリングしているのは23%のみで、収益性への定量化可能な影響があると報告しているのはわずか39%である。この採用対価値ギャップは著しいガバナンス赤字に伴っている。追跡対象の3,164件のAI職ポストのうち、ガバナンスまたはセキュリティ職はわずか40件である。これは構築者対ガードレール比で79対1の不均衡である。本番稼働でエージェントを既に実行しているチーム間でも、制御ギャップは著しい。89%が可視性（エージェントが何をするかの監視）を実装しているが、評価（それらが正しく機能するかのテスト）を実装しているのは52%のみであり、37ポイントのギャップがあり、多くのチームはエージェントが何をしているかを見ることができるが、それが正しく行われているかどうかについて確信がないことを示唆している。

2027年末までにエージェント型プロジェクトの40%以上が廃止されるという予測は、このミスマッチの直接的な結果である。コスト上昇、事業価値の不明確性、不十分なリスク管理は抽象的な懸念ではなく、採用、構築、稼働がガバナンス、テスト、事業説明責任をはるかに上回る場合に予測可能な失敗である。いくつかの名前付き本番稼働の成功例（Klarna の1か月間に230万件の会話、JPMorganが年間36万人時間の弁護士時間を削減、Morgan Stanley が28万人時間の開発者時間を保持）は、エージェントが十分に限定され制御されているときの利点を実証しているが、これらは例外として機能している。ほとんどの組織にとって、興奮と実行の間のギャップ、および構築と制御の間のギャップが中心的な制約のままである。

まだコメントがありません。最初のコメントを投稿しましょう！