Uberは3,300人を減らすのに、なぜ自動運転には投資を続けるのか — 人員削減と人材需要は反対語ではない

3,300人を減らす会社が、自動運転には資源を振り向ける

Uberは2026年9月2日、約3,300人、世界の従業員の約10%を対象とする人員削減を発表しました。Reutersによると、新型コロナ禍以降で同社最大規模の削減で、管理職も約20%減らし、小規模チームの統合や組織階層の簡素化を進めます。

ただし、Uberが縮小しようとしているのは将来事業への投資そのものではありません。削減したコストを成長とイノベーション、特にAutonomous Vehiclesへ再投資する方針も示されています。Robotaxi競争が激しくなる中で、総人員の削減と自動運転能力への投資強化が同時に起きています。

一見すると矛盾して見えます。しかしheadcountを一つの数字として見るだけでは、企業内部で起きる資源移動を捉えられません。再編はすべての職種を同じ割合で減らす行為ではなく、会社が重要だと考える問題へ予算と人材を移すプロセスでもあります。

今回の削減を『AIが人を置き換えた』だけで説明するのは証拠を超える

最近のテック企業の人員削減は、すぐにAIによる代替と結び付けられがちです。しかし今回、Dara Khosrowshahi CEOが前面に出した説明はAIではありません。Reutersが伝えた中心的な理由は、組織の複雑さ、管理階層、意思決定の遅さ、調整コストの削減でした。

AI投資や生産性向上がUberのコスト構造へ別の形で影響する可能性はあります。ただし、今回の3,300人を『AIが直接置き換えた人数』と断定できる公開根拠はありません。

そこでより実用的なのは、『なぜ減らしたのか』だけでなく『減らした後、どこへ再びお金を使うのか』を見ることです。自動運転が再投資の優先領域に含まれるなら、人材市場では会社全体の採用数より、その事業を成立させるCapabilityの境界を見る必要があります。

最近のAV Labs求人を見ると、必要なのは一種類の『AI研究者』ではない

Uberが最近公開していたAV Labsの求人は、自動運転人材を一つの職種にまとめにくいことを示しています。8月11日掲載のStaff Software Engineer - AV LabsではPhysical AIという表現が使われ、自動運転システムの評価framework、大規模data pipeline、実道路とsimulationのperformance metric、安全・効率KPIなどが業務に含まれていました。

6月に公開されたSenior Software Engineer - Embedded, AV Labsは、よりhardwareに近い役割です。LiDAR・Radar・Cameraなどautomotive-grade sensorのfirmwareとdriver、board bring-up、hardware validation、E/E architecture、sensor data pipelineが求められていました。

別のSenior Systems Engineer職は自動運転パートナーをUberのplatformへ統合するtechnical frameworkとsafety-critical systemを扱い、8月のSenior Product Manager - Autonomous ExperienceはAVパートナーとともに自動運転の顧客体験を実サービスへ展開する役割でした。

これらの求人は記事作成時点で一部またはすべてがremoved状態になっています。したがって『Uberが現在これらを同時募集中』という意味ではありません。最近数カ月、同社が自動運転をどの機能の組み合わせとして構築しようとしていたかを示すhiring evidenceとして読むのが適切です。

会社全体の人数と、特定能力の価格は同じ方向に動かない

人員削減が始まると、その会社の採用市場全体が凍ったように見えます。しかし戦略を切り替える局面では、選ばれた機能の中で逆の動きが起こり得ます。管理や調整の層を減らしながら、Embedded、Safety、Validation、Evaluation、Data Infrastructureのように新しいシステムを現実に動かす課題へ優先順位を置くことができます。

これはUberが今後すべてのAV職を増やすという予測ではありません。自動運転戦略はパートナーシップ、規制、事業採算、技術進展によって変わり得ます。より狭く確実に言えるのは、総headcountが減ったという事実だけでは、社内のすべてのCapabilityの価値が同時に下がったとは判断できないことです。

人材市場を見るときは『何人採るか』だけでなく、『どの問題に再び予算が付くか』も重要です。再編後にも資源が残る問題は、その会社が今後も解決せざるを得ないと考えている問題である可能性が高いからです。

自動車・車載人材が見るべきなのは会社名より、移動できるEvidence

Uberの最近のAV関連職で繰り返し現れる要素には、既存の自動車・車載電子・装置業界の経験と接する部分があります。Embedded software、firmware、sensor integration、hardware validation、system architecture、functional safety、automated evaluation、reliability、incident handlingなどです。

もちろんECUや車載電子システムを検証してきた人が、そのままAV engineerになれるという意味ではありません。Uberの求人にはautonomous driving、robotics、大規模data systemなど追加の専門性を求めるものもありました。重要なのは業界名ではなく、自分の経験が新しいシステムのどのriskを減らせるかです。

たとえば『自動車業界経験』だけではEvidenceとして弱い。どのinterfaceを検証し、どのfailureを再現し、何を自動化し、release qualityをどう改善したかまで説明できれば移動可能性は見えやすくなります。Embedded経験も、言語名よりsensor timing、driver、board bring-up、real-time constraint、safety-critical debuggingを実際に扱ったかが重要になります。

Physical AIが現実へ降りるほど、モデルと現場の間の仕事は細分化する

自動運転はPhysical AIの代表的な実世界システムです。モデル性能だけではサービスになりません。sensorが正しいdataを作り、embedded systemが安定して動き、simulationとroad testで性能を測り、安全基準を満たし、partner fleetと顧客体験まで接続する必要があります。

そのため人材市場を『AIをする人／しない人』だけで分けるのは難しくなります。model builderの隣には、現実でmodelが失敗する条件を見つけ、hardwareとsoftwareの境界を検証し、再現可能なevaluationへ変換する人が必要です。

SamsungのRobot Intelligence LabでData Efficiencyが独立した研究軸として現れたことと、UberのAV Labsでevaluation・data・embedded・systemsが並んだことは、それぞれ別企業の事例です。業界標準と断定はできません。ただ、Physical AIが実装段階へ進むほどlearning、hardware、safety、data、deploymentの接続が独立した人材課題になるかは継続して見る価値があります。

人員削減のニュースを見るとき、もう一つ質問が必要になる

削減人数は重要です。3,300人が職を失うという事実を、将来投資の話で薄めるべきではありません。一方で、その数字だけを見てUber内部のすべての人材需要が同じ方向へ動いていると考えるのも正確ではありません。

経験者にとって実用的なのは『この会社は採用しているか』だけではありません。会社が今後も必ず解かなければならないと判断した問題は何か、どこへ予算と組織を再配置しているか、自分の経歴の中にそのriskを減らせるEvidenceがあるかを同時に見ることです。

企業が人を減らすことと、人を必要としなくなることは同じ意味ではありません。減らしているのは総人数であり、引き続き買おうとしているのは新しい問題を解ける能力かもしれません。