AI駆動型自動化は実際に雇用にどのような影響を与えるか？

AI駆動型自動化は実際に雇用にどのような影響を与えるか？

Alex ImasとSoumitra ShuklaによるGhosts of Electricity経由の寄稿、

AI政策で最も広く引用されている発見の1つは、Eloundou、Manning、Mishkin、Rockによる2023年の論文「GPTs are GPTs」からのものです。このタイトルは二重の意味を持っています。この論文は、大規模言語モデル（GPTsでもある）によって推進される汎用技術（GPTs）が労働市場をどのように再形成する可能性があるかを研究しています。見出しとなる発見は、米国労働者の約80％が少なくとも10％のタスクがLLMによって影響を受ける可能性があり、約19％はタスクの半分以上が影響を受ける可能性があるということです。広範には、これらの露出指標は、AIがその仕事に関わるタスクをどの程度補強できるかの関数として、その職業がAIにどれだけ「露出」しているかを捉えようとします。「直接的な露出」は、「LLMまたはLLM搭載システムへのアクセスが、人間が特定のDWAを実行したり、タスクを完了したりするために必要な時間を少なくとも50％削減できるかどうか」と定義されています。著者らは論文の中でこれについて非常に明確に述べています。露出とは、AIが仕事に関与できる能力を指し、仕事がどの程度自動化されるかではありません。しかし、「露出」という言葉は、まさにその、つまり雇用の喪失に関するあらゆる種類の不安を引き起こすことになりました。そしておそらくこの理由から、これらのAI露出指標は過去数ヶ月間にわたってソーシャルメディアで定期的にバイラルになっています。

最近の例は、OpenAIの共同創設者であり、AIについてより一般的に考える方法のリーダーであるAndrej Karpathy（例えば、彼は「jagged intelligence」と「vibe coding」の両方の用語を造語しました）によるものです。彼が「vibe-coded」週末プロジェクトと説明した彼のダッシュボードは、主要な職業がAI駆動型自動化にどれだけ露出しているかのランキングでした。それはすぐにXでバイラルになり、AIによる急速な失業に関する既存のすべての物語を煽りました。

ダッシュボードがセンセーショナルに広まり、野火のように広がったのを見た後、Karpathyは彼の「露出」スコアカードは、仕事がどれだけデジタルであるかのLLM生成による迅速な測定に基づいたものであり、どの職業が縮小または消滅するかを真剣に予測することを意図したものではなかったと明確にしました。彼自身のプロジェクトウェブサイトも同じ注意書きをしていましたが、Xではほとんど無視されました。よく知られたフレーズを台無しにすると、「vibe codedな週末プロジェクトは、注意書きがズボンを履く時間を得る前に、世界を二周旅行するでしょう。」
しかし、この最近のエピソードが示しているのは、そのような露出指標は一般の注目を集めていますが、定期的に誤読されているということです（「露出」という言葉を完全に廃止することを提案する人もいます）。人々が仕事がAIに「80％露出している」と聞くと、その仕事の80％が消滅すると想像します。AIの露出と失業の実際の経済学は、その描写からかなりかけ離れています。

「仕事」とは何か？

仕事とはタスクの集合です。通常、人はその仕事に関連するすべてのタスクをどの程度うまく完了したかに基づいて報酬を受け取ります。例えば、あなたがプロジェクトマネージャーだとしましょう。あなたの仕事には、アイデアを生み出す、それらのアイデアを簡潔にまとめる、チームメンバーからフィードバックを得る、プレゼンテーションをまとめる、そして多くの定型業務（例えば、タイムシートの承認、ロジスティクスの処理）が含まれます。AIモデルがより良くなるにつれて、あなたはこれらの多くを自動化できることに気づきます。AIは定型業務の多くをあなたのために行ってくれるだけでなく、プレゼンテーションの作成も手伝ってくれます。露出指標によれば、あなたの仕事は今やAIに「露出」しています。あなたの仕事はどうなり、あなたの賃金はどうなりますか？さて、一部のタスクを自動化することで、より良いアイデアを生み出すための時間が解放されれば、あなたの全体的な生産性は向上します。あなたは会社にとってさらに価値のある存在になります。人間は依然として雇用されており、むしろ賃金が上昇します。

一方、AIがすべてのタスクを自動化した場合、例えばあなたの仕事が2つのタスクしかなく、両方が自動化された場合、確かに人間の労働力は代替されます。重要なのは、タスクの数が少ないほど（これを仕事の次元性と呼びます）、会社がそれを自動化するインセンティブが大きくなるということです。これは自動化に関する多くの分析が見落としている部分です。既存の組織にAIを導入するにはコストがかかるため、会社は仕事全体を自動化できる場合に投資する可能性が高く、タスクだけではありません。「露出」と自動化のリスクは、モデルの能力の関数であるだけでなく、会社のインセンティブにも依存します。そしてこれは仮説ではありません。インセンティブが自動化されるものと時期に大きく影響することは、すでに多くの証拠があります（例えば、人間の労働コストが増加した場合、企業は自動化する可能性がはるかに高くなります）。

最後に、AIが人々をより生産的にし、より高い賃金をもたらしたとしても、消費者がその生産性の向上を「吸収」しない場合、そのセクターで大規模な人員削減が発生する可能性があります。生産性主導の価格下落が製品の需要を増加させない場合、そのセクターで必要とされる労働者は少なくなるでしょう。

より一般的には、タスクがAIに露出していること、たとえその露出がそのタスクの完全な自動化に対応するものであっても、その職業の賃金の上昇と雇用の増加につながる可能性があります。あるいは、人員削減や完全な代替につながる可能性もあります。露出が労働者にとってより良いか悪いかの労働市場の結果につながるかどうかは、2つの重要な変数に依存します。そのセクターにおける消費者の需要の弾力性（価格が低下したときに人々がどれだけその製品を多く購入するか）、および仕事の次元性（その仕事に含まれるタスクの数）です。この記事の終わりまでに納得していただけると思いますが、私たちは現在よりも、トラック輸送や倉庫業務のような仕事について、はるかに心配すべきです。

自動化の標準的なアプローチ

自動化について考える「標準的な」アプローチから始めましょう。まず、O*NETのような分類法を使用して仕事をタスクに分解し、それらのタスクのいくつがAIによって自動化または補強できるかを評価します。仕事への全体的な影響は、各タスクがどの程度改善されたかの加重平均です。これは、「露出指数」を構築できることを意味します。通常、これはAIが仕事のタスクのどのくらいの割合を実行できるかとして定義されます。そして、その指数は仕事がどの程度影響を受けるかに線形にマッピングされます（例えば、Michael Webbのすでに古典的な論文を参照）。このアプローチは、AIの潜在的な範囲をマッピングする上で非常に役立ちました。しかし、それはほとんどの現実の仕事にとってほぼ確実に間違っている仮定を含んでいます。それはタスクが分離可能であると仮定しています。つまり、タスクAを自動化してもタスクBの生産性には影響せず、全体的な影響は単なる部分の合計です。

あなたが知っている仕事について考えてみてください。多くの仕事では、成果はそれらのうちのいくつかを正しく行うことだけでなく、多くの異なることを正しく行うことから成り立っています。レシピのほとんどのステップに従う料理人、ほとんどビートに乗っているドラマー、コードが部分的にしか機能しないプログラマー（あるいは、仕事の半分しか研究しない教授…ただし、一部はこの要件をテストしたことがあります）はありえません。これらは、成果が許容されるためには各タスクが成功裏に完了する必要がある仕事です。

言い換えれば、タスクは分離可能ではありません。それらは補完関係にあります。つまり、仕事の中で1つのタスクを正しくまたは間違って行うことは、それを完了するために仕事の中で他のタスクをどの程度うまく実行できるかに影響します。現実の生産のほとんどにおいて、仕事内のタスクが代替物ではなく補完物であるということは、非常に妥当であるように思われます。そして、これはAIが実際に仕事にどのように影響するかについて、広範囲にわたる重要な意味を持っています。

O-ringモデルの仕事

補完的なタスクが非線形な生産性を生み出すという考えは、Michael Kremerの古典的な1993年の論文「The O-Ring Theory of Economic Development」に遡ります。その名前は、悲劇的なチャレンジャー号の事故に由来しています。単一の欠陥のあるOリングがシステム全体の壊滅的な失敗を引き起こしました。Kremerの洞察は、生産に多くのステップが必要であり、最終製品に価値があるためには各ステップがうまく実行される必要がある場合、生産性はスキルの乗数関数になり、線形関数ではなくなるということでした。タスクあたりのエラーをわずかに少なくする労働者は、それらの小さな品質向上がすべてのステップで複利計算されるため、全体として劇的に生産性が向上します。

このタスクベースの仕事のモデルは、Joshua GansとAvi Goldfarbによる最近の論文「O-Ring Automation」で新たな関連性を得ており、これはKremerのフレームワークをAI駆動型自動化に直接適用しています。彼らのモデルは一見単純に見えるかもしれませんが、その影響は広範囲に及び、深遠です。少なくとも私たちの一人（Alex）は、この論文に数ヶ月間夢中になっています（ここ、ここ、ここを参照）。

GansとGoldfarbは、各労働者の仕事がn個のタスクで構成される企業モデルを構築しています。仕事の成果は各タスクの品質の乗数です。これがO-ring生産関数です。

労働者は時間的資源hを持ち、それをn個のタスクに割り当てます。タスクsを手動で実行する場合、労働者はそれにh_s時間費やし、品質を生成します。

ここで、aは労働生産性であり、タスク間で一定であると仮定されます（単純化のための仮定）。労働者の時間的制約は次のとおりです。

企業はまた、コストrで各タスクあたり固定品質θを提供する資本の一部を借りることで、いずれかのタスクを自動化することを選択できます。これは注意を払うべき重要な部分です。企業がタスクを自動化することに投資するかどうかは、この問題に組み込まれたトレードオフにかかっています。タスクが自動化されると、労働者はそれに時間を費やす必要がなくなります。

これまでのところ、セットアップは非常に単純です。興味深いのは、生産関数の乗数構造が自動化が導入された場合に何を意味するかということです。

自動化はどのように賃金を引き上げることができるか？

ここで、企業がn個のタスクのうちk個を自動化することを選択したと仮定します。労働者には何が起こり、それが賃金にどのように影響しますか？

自動化前、労働者は対称的な構造を考えると最適なn個のタスクすべてに均等に時間を割り当てます。したがって、各手動タスクはh/n時間を受け取り、品質はa・h/nになります。総出力は次のようになります。

k個のタスクが品質θで自動化された後、労働者はn-k個の手動タスクのみにすべてのh時間を割り当てることができます。各手動タスクはh/(n-k)時間になり、品質a・h/(n-k)を生成します。総出力は次のようになります。

したがって、出力は部分的な自動化後に増加するのは、次の場合に限ります。

これは、自動化されたタスクの品質θが、労働者がそれらのタスクで元々達成していた手動品質以上である場合、出力は確実に増加することを示す重要な条件です。一部のタスクが自動化されたからといって、出力が自動的に増加するわけではありません。自動化の品質が十分に高い場合に増加します。

しかし、ここに重要な洞察があります。自動化は労働者が残りのタスクに集中する時間を解放するため、自動化されたタスクが自動化前よりもわずかに低い品質で実行されたとしても、出力が増加する可能性があります。自動化により、労働者はより少ないタスクに集中できるようになり、各タスクの品質が向上します。これが「フォーカス効果」です。生産関数の関数形式のため、残りの手動タスクの品質向上は出力に加算されるだけでなく、生産関数全体に掛け合わされます。労働者は、より少ないことをしているという理由だけで、より生産的になります。

自動化の品質が、労働者がそれらのタスクで手動で生成していたものと比較して十分に高い場合、労働者の限界生産物は増加し、通常は賃金も増加します。O-ringの世界では、部分的な自動化は人間の労働力の代替ではなく、補完であることが多く、労働者の賃金を増加させます。

しかし、これは労働者にとって必ずしも良いニュースではない

労働者の生産性の向上は賃金にとって良いことですが、それはより多くの雇用につながるのか、それともより少ない雇用につながるのか？それは消費者需要に依存します。各労働者は1日に1台の電卓を作成し、会社には10人の労働者がいます。すべての電卓は、現在の価格で販売されます。ここで、各労働者がはるかに生産的になり、各労働者が10台の電卓を作成できるようになると想像してください。各電卓の価格は下落しますが（コストは下落します）、消費者は依然としてほぼ同じ数の電卓を需要します。これは非弾性需要の場合です。価格への反応が少ない場合です。この場合、会社は9人の労働者を解雇するでしょう。しかし、消費者が低価格で電卓をはるかに多く購入した場合、つまり需要が非常に弾力的な場合はどうでしょうか？その場合、会社は各労働者がより生産的になったにもかかわらず、新しい需要を満たすためにより多くの労働者を雇用することになるでしょう。

より一般的には、需要が弾力的である場合（弾力性 > 1）、価格の低下は需要量の比例以上の増加につながります。出力は大幅に拡大します。各労働者はより生産的になりましたが、会社はこの高い出力を生産するためにより多くの労働者を必要とします。純粋な効果：より多くの雇用。

需要が非弾力的である場合（弾力性

これは、資源の利用効率が高まると、その資源の総消費量が減少するのではなく増加することが多いという、Jevonsのパラドックスとして一般に知られている人気のあるアイデアに密接に関連しています。蒸気機関が石炭をより効率的にしたとき、石炭の消費量は急増しました。なぜなら、非常に多くの新しい用途が経済的に実行可能になったからです。同じ論理が労働力にも適用されます。AIが労働者を劇的に生産的にし、その製品の需要が弾力的であれば、その職業ではより少ない労働者ではなく、より多くの労働者が雇用される可能性があります。

なぜ仕事の次元性が重要なのか：企業のインセンティブのケース

タスクと消費者需要の弾力性の関係は、AI駆動型代替を予測する上で重要な次元ですが、しばしば見落とされる変数は、仕事自体のタスクの数、つまりその次元性です。仕事の次元性は2つの理由で重要です。

第一に、タスクが自動化されたという条件で、低次元の仕事は完全に代替される可能性が高くなります。仕事に20のタスクがあり、1つが自動化された場合、人間の労働者は依然として残りの19のタスクを実行する必要があります。しかし、仕事に1つのタスクがあり、その1つのタスクが自動化された場合、その仕事はなくなります。第二に、そしてこの次元はおそらく最も見落とされていることですが、組織は、仕事に残っている非自動化タスクが少ないほど、タスクを自動化するインセンティブが強くなります。タスクの自動化には1000万ドルの投資（ソフトウェアの購入、オンボーディング、システム全体への接続など）が必要だと想像してください。あるケースでは、このタスクは仕事に残っている唯一の非自動化タスクです。別のケースでは、このタスクが自動化された場合、残りの19の非自動化タスクがあります。会社は、後者のケースよりも前者のケースでタスクを自動化するインセンティブがはるかに高くなります。なぜなら、その後、労働者を置き換えて、関連するコスト削減を享受できるからです。1

このため、企業は低次元の仕事を自動化するための技術に投資するインセンティブが強くなります。低次元の仕事では、コアタスクのすべてまたはほとんどを自動化することで、ポジションと賃金請求を完全に排除できます。これにより、自動化からのリターンがはるかに大きくなります。言い換えれば、すべての「露出していない」タスクが等しく重要であるわけではありません。一部の仕事では、残りのタスクが既存の労働者を会社に留めます。他の仕事ではそうではありません。

これは明確な予測を与えます。たとえ仕事が現在AIに「露出」しておらず、その仕事に関わるタスクにAIが使用されていないとしても、それが低次元であり、技術がタスクの自動化に近づいている場合、それはリスクと見なされるべきです。企業は、仕事に多くの非自動化タスクがある場合よりも、関与するタスクを自動化するために、より一生懸命働き、より多く投資するでしょう。

トラック輸送と倉庫業務、見落とされたカナリア

だからこそ、私たちはトラック輸送や倉庫業務のような仕事について、人々はもっと心配すべきだと考えています。

約300万人のアメリカ人が生計のためにトラックを運転しています。多くは50代で、何十年も運転しており、トラック輸送が経済の基盤となっている地域に住んでいます。トラック輸送は、大学の学位なしで得られる最高の仕事の1つです。長距離トラック運転手の実際の仕事は、いくつかの主要な機能によって支配されています。トラックを安全にA地点からB地点へ移動させることです。ロジスティクス、積み下ろしなどはすべて他の人が行います。自動運転が長距離ルートで信頼できるようになれば、トラック運転手の仕事は単に補強されるだけでなく、根本的に脅かされ、完全に代替される可能性さえあります。そして、その可能性はもはや理論的なものではありません。Aurora InnovationやKodiak Roboticsのような企業は、すでに制約のあるルートで大規模な自動運転トラックのパイロットと商業展開を実行しています。倉庫業務も同様の物語を語っています。倉庫業務は数百万人の米国労働者を雇用しており、多くの倉庫の仕事（ピッキング、パッキング、ソーティング、パレット移動）は比較的狭く、ますます自動化可能になっています。海外では、企業はすでに、最小限の人員で24時間稼働する高度に自動化された「ダークウェアハウス」を運営しています。これらの倉庫は今日の私たちの目にするものとは全く異なります。それらは機械によって運営されるようにゼロから設計されています。

次に、例えば経営コンサルタントのような知識労働者と比較してください。その仕事には、リサーチ、データ分析、クライアントコミュニケーション、プレゼンテーションデザイン、戦略的思考、チーム調整、関係管理が含まれます。それは少なくとも7つか8つの異なる補完的なタスクです。ClaudeやCodexはデータ分析やスライドデッキ作成の最初のパスを自動化するかもしれませんが、コンサルタントは他のすべてのために必要とされます。O-ringの観点からすると、一部のタスクを自動化することで、労働者がそれらに割り当てる時間を増やすことができるため、残りのタスクの価値が高まる可能性があります。コンサルタントは、クライアントと話したり、実装に安心させたり、さまざまな部門からの承認を得たりするためにより多くの時間を費やすことができます。その結果、賃金が上昇し、より良い成果とより低い価格がクライアントの需要を拡大すれば、雇用も増加する可能性があります。

同じ論理が、医学や学術のような多くのハイステークスの職業に見られます。現在、870を超えるFDA承認の放射線AIツールがあり、医師の66％が少なくとも1つのAIツールを使用しており、主にノートのディクテーションと診断サポートに使用されています。しかし、これらのツールは放射線科医や医師を置き換えるのではなく、補強しています。AIは通常、仕事のルーチン的なパターン認識側面を処理し、医師が複雑な症例、患者コミュニケーション、臨床判断に集中できるようにします。同様に、学者はAIの進歩がリサーチアシスタントの価値を高めるのか、それとも低下させるのかを議論してきました。AIがルーチン的な分析タスクを自動化するにつれて、教授とRAは両方ともアイデアと判断により集中できるようになり、それによって生産性と熟練した研究労働者の需要が拡大します。これは、実践におけるO-ringフォーカス効果のもう1つの例です。

私たちのラボでも同じです。追加のメンバーは非常に多くのことを行うことができます。課題は、全員を順応させ、これらのツールの使用方法についてオープンな議論を行い、人々がより価値を感じる文化を構築することです。https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) 2026年3月18日
露出指数は何を捉えるか？

露出フレームワークに戻りましょう。標準的なアプローチでは、経営コンサルタントはAIに高度に「露出」していますが、トラック運転手はそうではありません。しかし、これはコンサルタントの方がトラック運転手よりも代替リスクが高いことを意味するのでしょうか？必ずしもそうではありません。コンサルタントの高い露出は、AIが補完的なタスクの多くを補強し、フォーカス効果を引き起こし、賃金を引き上げる可能性があることを意味するため、実際には良いニュースかもしれません。一方、トラック運転手の単一の重要なタスクに対する中程度の露出は、トラック会社が運転タスクを自動化するインセンティブがはるかに高いため、はるかに危険です。そして、それが完了すると、仕事はなくなります。これらのインセンティブはすでに実践で起こっています。

ニュース：ジェフ・ベゾスは、製造業を買収し、AI技術を使用して自動化への道を加速することを目指す新しいファンドのために1000億ドルを調達する交渉中です。
これは、エンジニアリング用のAI製品を構築することを目指すジェフのProject Prometheus AIスタートアップに関連しています… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) 2026年3月19日
したがって、関連する対象は平均的なタスク露出ではなく、ボトルネックの構造と自動化がそれらの周りの労働者の時間をどのように再形成するかです。同じ露出スコアを持つ2つの仕事は、タスクが補完関係にあるかどうか、その成果の需要が弾力的か非弾力的か、そして企業が自動化に投資するインセンティブによって、完全に反対の代替リスクを持つ可能性があります。最もリスクの高い労働者は、必ずしも平均露出が最も高い労働者ではありませんが、AIが自動化できる少数のコアタスクを中心に構築された仕事を持つ労働者です。

1仕事が完全に自動化されない場合、限界タスクを自動化することによるコスト削減は、仕事における他のタスク間の補完関係に依存します。正確な関係は、O-ring自動化モデルの論文で詳しく説明されています。

Alex ImasはUChicago Boothの教授です。経済学と応用AIに関する研究を行っています。Substackはこちら。

Tyler Durden
2026年4月4日（土） - 09:20