GISアナリスト・地図製作者

米国。同局は、地図製作者と写真測量技術者の雇用が2025年から2035年に7%、14,700人から15,700人に増えて平均を大きく上回り、求人は年に約900件あると予測している。このページは人工知能に触れていない。数えているのは一つの国の、規模の小さな職業の雇用であり、GIS技術者は別の区分で数えられている。

立場のある名指しの人物が、ある日付に、帰属のつく言明として何かを公けに予測した。誰がいつ何を言ったのかが確かめられるまま残るように記録するのであり、そして業務の判断を決して動かさない。予測は観測ではないからである。その価値は後から来る——この記録は、その職業についての証拠と同じページの上に載るので、予測を読む人は、そのあと何が起きたかの記録を隣で読むことになる。それが決算である。この site は、ある予測が当たったかどうかについて何の判定も公表しない。

米国。同局は、測量・地図作成技術者の雇用が2025年から2035年に6%、58,800人から62,200人に増え、求人は年に約6,900件あると予測している。地図情報への需要の高まりによって技術者が必要になるとし、ドローンなどの進歩によって測量の仕事の一部の側面は効率化されるものの、正確さと完全さを確保するために、こうした技術の出力を確認し解釈する技術者は引き続き必要とされると述べている。人工知能には名指しで触れていない。

立場のある名指しの人物が、ある日付に、帰属のつく言明として何かを公けに予測した。誰がいつ何を言ったのかが確かめられるまま残るように記録するのであり、そして業務の判断を決して動かさない。予測は観測ではないからである。その価値は後から来る——この記録は、その職業についての証拠と同じページの上に載るので、予測を読む人は、そのあと何が起きたかの記録を隣で読むことになる。それが決算である。この site は、ある予測が当たったかどうかについて何の判定も公表しない。

世界全体。機械学習で画像から抽出した建物の輪郭をまとめたMicrosoftのオープンデータセットは、225の地域をカバーしている。そのREADMEは、同社の指標によればこのデータは手描きの建物輪郭と同等以上の品質であるとし、地域ごとに適合率が92%を上回り、再現率が70.9%から85.9%であると報告している。また、地域の品質は農村部と都市部や地形によって異なるため、まず地域の品質を確かめずにこのデータをOpenStreetMapに取り込むことは決してしないよう利用者に求めている。会社が自社のデータセットを説明したものである。

実演、ベンチマーク、あるいは論文が、その業務をやれることを示している。技術に何ができるかを更新するのであって、雇用主が何をするかを更新するのではない。

26人の参加者による対照実験で、Humanitarian OpenStreetMap TeamのAI支援による建物マッピング環境fAIrと、手作業のマッピングに使うJOSMを比べた。手作業のマッピングのほうが全体として速く正確であり、その主な理由は経験のある参加者の成績がよかったことである。fAIrは初心者と経験者の差を縮めたが、AIに関係する誤りを生み、最も多かったのは複数の建物を一つの輪郭にまとめてしまう誤りだった。二つの調査地域でのボランティアによるマッピングであり、この結果はツールの新しい版に生かされた。

実演、ベンチマーク、あるいは論文が、その業務をやれることを示している。技術に何ができるかを更新するのであって、雇用主が何をするかを更新するのではない。

実際のGISの問題から作った、Pythonによる50件のジオプロセシング課題のベンチマーク。ChatGPT-4o-miniのような商用モデルはワークフローの有効性で95%に達し、DeepSeek-R1-7Bのような小型のオープンモデルは48.5%にとどまった。空間関係の検出や最適な立地選定のように、より深い空間的推論を要する課題は最も難しいままであり、著者らはGISの完全な自動化を主張する前に厳密な評価を行うよう求めている。有効なワークフローは、正しい結果と同じではない。

実演、ベンチマーク、あるいは論文が、その業務をやれることを示している。技術に何ができるかを更新するのであって、雇用主が何をするかを更新するのではない。

フランス。国の地図作成機関は、2022年に始まったプロジェクト以来、航空写真と衛星画像からAIで作成している大縮尺土地被覆図(OCS GE)が、いまでは一つの県につき3年ではなく1年で作れるようになった(作成時間が3分の1になった)とし、この技術がこの地理データの作成費用を半分にしたと述べている。機関が自らの作成業務を説明したものであり、人員については何も述べていない。

雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。

言語モデルのエージェントをQGISに組み込み、利用者が自然言語の指示で空間分析を実行できるようにした研究で、三段階の複雑さの100件を超えるタスクで評価された。基本と中級のタスクでは、ツールの選択とコードの生成で高い成功率を示した一方、より複雑なタスクで完全な自律性を実現するには課題が残ると報告している。開発者自身が研究の環境で試験したものである。

実演、ベンチマーク、あるいは論文が、その業務をやれることを示している。技術に何ができるかを更新するのであって、雇用主が何をするかを更新するのではない。

これから始めるなら、大量のデジタル化はモデルが行うと考えておき、モデルに欠けているものを身につけること。空間的推論、現地と照らし合わせたデータの確認、そして機械が作ったレイヤーが間違っているときにそれに気づく力である。

機械の出力の修正と検証、そしてAIの助けを借りた分析のスクリプト作成に、より多くの時間を使うと考えておくこと。データが何を意味し、使うのに適しているかどうかの判断は、あなたの手に残る。

職の形を組み替える

地物をなぞる仕事から、機械が作ったレイヤーを確かめる仕事に移る

地図作成機関は抽出をモデルに移しつつあり、ベンダーでさえ出力を地域ごとに確かめるよう利用者に求めている。

留まって強くする

空間分析とデータ品質にとどまる

ベンチマークは空間的推論がAIにとって最も難しい部分だと明らかにしており、出力を確認する技術者はいまも必要とされている。

隣へ移る

GeoAIモデルの訓練と評価に移る

モデルによる抽出には、ラベル付きデータ、地域に合わせた調整、そして精度の確認が必要であり、それらは地図作成の知識に支えられている。

AIが引き受けつつあるのは地物の大量抽出であって、仕事全体ではない。ある国の地図作成機関はAIで土地被覆図の作成時間を3分の1に縮めたが、対照試験では手作業で作業する経験のあるマッパーがAI支援エディターを上回り、空間的推論はAIエージェントにとっていまも難しく、機械が作ったデータにはいまも確認が必要である。米国は、地図製作者の雇用が2025年から2035年に7%増えると予測している。

この問いに年数で答えることはしない。あなたの組織が画像からではなく機械が作ったレイヤーから作業を始めるようになるかどうか、そしてあなたの時間のどれだけがその確認に移るかを注視すること。それらはどんな日付よりも多くを教えてくれる。

大規模にはできる。Microsoftは世界中の機械作成の建物輪郭を公開している。しかし品質は場所によってばらつきがあり、ある対照試験では、AI支援エディターで最も多かった誤りは複数の建物を一つの輪郭にまとめてしまうことだった。

定型のジオプロセシングのワークフローを書いて実行することはできる。しかしベンチマークは、立地選定のように、より深い空間的推論を要する課題が最も難しいと明らかにしており、研究者は完全な自動化という主張に注意を促している。