※本記事は、国際電気通信連合（ITU）が主催し、スイス政府との共同開催および50以上の国連パートナーとの連携のもと運営されるAI for Goodウェビナーシリーズの講演「Workers' Exposure to AI Across Development Stages」の内容を基に作成されています。講演の詳細およびアーカイブ動画は https://www.youtube.com/watch?v=AXqSQsUA4Hw でご覧いただけます。本記事では講演の内容を要約しております。なお、本記事の内容は原著作者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈についてはオリジナルの動画をご視聴いただくことをお勧めいたします。
登壇者は、ポーランドの構造研究所（IBS）CEO兼IZA・RWIリサーチフェローのPiotr Lewandowski氏、ILO研究部門スキル・積極的労働市場政策・政策評価ユニット長のVeronica Escudero氏、司会はILOシニアリサーチャーのPawel Gmyrek氏です。AI for Goodのネットワーキングコミュニティへの参加は https://aiforgood.itu.int/neural-network よりご確認いただけます。
1. イントロダクション——セッションの概要と登壇者紹介
1-1. AI for Goodシリーズと本セッションの位置づけ
Pavle： 本日はAI for Goodシリーズへようこそ。このシリーズは、ILO（国際労働機関）がITU（国際電気通信連合）と共同で運営している、AIと労働をテーマとした連続討論の場です。AIと仕事に関するトピックを取り上げ、この分野の最先端の研究を行うゲストをお招きして議論を深めてまいりました。本日は、AIによる職業へのエクスポージャーが、各国の発展段階によってなぜ異なるのかという、私たちILOの研究にとって非常に身近なテーマを扱います。本セッションの進行としては、まずPiotrが25分間プレゼンテーションを行い、その後VeronicaがコメントとあわせてILO旗艦報告書との関連を論じ、最後に私が司会を務める形で質疑・討論に移ります。質問はITUのNeural NetworkのチャットからもILO内部のTeamsチャットからも受け付けています。
1-2. 登壇者紹介——Piotr Lewandowski、Veronica Scuderi、司会Pavle Černe
Pavle： 本日の第一の登壇者はPiotr Lewandowskiです。彼は労働経済学者であり、経済学の博士号を持ち、ワルシャワの構造研究所（IBS）の代表を務めるとともに、ボンの労働経済学研究所（IZA）およびエッセンのRWIライプニッツ研究所のリサーチフェローでもあります。技術変化・構造変化・気候エネルギー政策が労働市場に与える影響を研究し、先進国・途上国の双方における雇用の質と仕事の変化に特に力を入れています。
第二の登壇者はVeronicaです。彼女は私の同僚であり、ILO研究部門においてスキルおよび積極的労働市場政策・政策評価ユニットを率いる労働経済学者です。雇用の質を向上させる効果的な政策設計の特定を専門とし、スキル開発・仕事から仕事への移行・新興国・途上国にも重点を置いています。現在、2026年5月に刊行予定のILO旗艦報告書「生涯学習と未来のスキル」の作業を主導しています。
私Pavleは、ILOの研究部門のシニアリサーチャーとして、AIと労働の問題に取り組んでいます。本日はこのセッションの司会を務めます。
2. 研究の背景と問題意識——AI・デジタル技術と労働市場研究の現状
2-1. 労働経済学におけるAI・自動化技術と雇用研究の蓄積
Piotr： 本日お話しする研究は、IBSの同僚であるCarol Maddenおよびアジア開発銀行のチーフエコノミストであるAlbert Parkとの共同プロジェクトです。このプロジェクトでは、各国の発展段階に応じた労働の性質の違いを反映した、AIへのワーカーエクスポージャー指標の構築を目指しています。
労働経済学の分野では、過去20〜30年にわたり、デジタル技術や自動化技術が労働とどのように相互作用し、労働者の仕事・職業・労働条件にどのような影響を与えるかについて、大きな関心が寄せられてきました。職業はデータ分析の中心的な単位として位置づけられており、こうした研究の多くは、米国労働省が構築した非常に優れたデータセットによって支えられてきました。現在のバージョンはONetと呼ばれており、職業上の要求・能力・タスクを非常に豊富な形で定量化しています。このデータセットは世界中の労働市場研究に広く活用されてきました。その利便性の高さゆえに、ONetは事実上のグローバルスタンダードとして使われてきたのです。
2-2. ONetデータの広範な利用と「職務内容は国を問わず同一」という英雄的仮定の問題
Piotr： しかし、低・中所得国の文脈で研究や実務に携わった経験のある方であれば直感的にわかると思いますが、同じ職業名であっても、その仕事の内容は世界中で同一ではありません。ONetを非米国の文脈に適用するということは、「すべての国において、同じ職業であれば同じタスクを遂行している」という非常に大胆な——私はこれを「英雄的仮定（heroic assumption）」と呼んでいます——前提を置くことを意味します。
私はこの問題に約10年間取り組んできており、2022年にWorld Bank Economic Reviewに掲載された論文、およびCornerosらによる2023年の同誌掲載論文において、世界各地のサーベイデータを用いて、特定職業のタスク内容が発展水準によって実際に異なることを実証しました。これらの先行研究はAIに特化したものではなく、ICTとの補完性・代替性という観点でのルーティン・非ルーティン業務に焦点を当てたものでしたが、特定職業のタスク内容が発展水準によって大きく異なるという強力な証拠を示しています。その違いは、国内の技術供給・スキル供給、そしてその国・セクターがグローバルバリューチェーンにおいてどのような位置を占めているかによって規定されています。
2-3. 自動車整備士の比較事例——北米と中所得国タイの職務内容の実態差
Piotr： この点を具体的に示す例として、スライドでは自動車整備士という職業を取り上げています。左側のパネルは米国またはカナダ——北米の——自動車整備士の仕事の様子です。右側のパネルは中所得国であるタイの自動車整備士の仕事を示しています。一見すると同じ「自動車整備士」という職業ですが、両者の仕事の組織のされ方、利用可能な技術、そして実際に遂行するタスクの内容は大きく異なります。タイの整備士は、一日の大半を自動車部品の洗浄作業に費やしています。一方、北米の整備士はエンジン本体の作業により多くの時間を割くほか、他の整備士の作業計画を立てたり、顧客対応を行ったりといった業務にも時間を使っています。つまり、同じ職業名であっても、遂行するタスクは根本的に異なっており、それに伴うAI技術との相互作用も当然異なってくるわけです。
2-4. AIエクスポージャー概念の定義——代替と補完の区別を保留する理由
Piotr： 本研究では「エクスポージャー（exposure）」という概念を用いています。これは、AIが特定の職業・タスクをどの程度代替するか、あるいは補完するかを判断するものではなく、AIの機能がどの程度その職業・タスクに関連しているかを示す指標です。AIが労働者を代替するのか、それとも労働者の生産性を高める形で補完するのかという問いは非常に重要ですが、現時点ではどのような文脈・職業・セクターで代替が優勢になり、どこで補完が優勢になるかを判断するのはまだ時期尚早だと考えています。そのため本研究はあくまでエクスポージャーの測定に焦点を絞っています。なお、AIの実際の職場での利用実態に関するデータは依然として非常に乏しく、いくつかの調査や特許データを用いた研究はあるものの、職場でのAI利用の全体像を把握するには程遠い状況です。そのため、研究の主流はエクスポージャーの推定、すなわちAIの機能や進歩のペースを職業にマッピングするアプローチに集中してきたという経緯があります。
3. 先行研究の整理——FeltonらのONetベース指標とその限界
3-1. Feltonらの手法——10次元のAI機能と職業能力のマッピング
Piotr： 本研究の出発点となるのは、Feltonらによって構築されたAIエクスポージャー指標です。これは職業のAIエクスポージャーを測定した最初期の研究のひとつであり、広く参照されているものです。彼らの手法は以下のように構成されています。まず、AIの機能的な次元を10個特定しました。簡潔に説明するために3つだけ例を挙げると、言語モデリング・画像認識・音声認識といったものです。次に、これらの特定のAI次元が、ONetに収録されている職業上の各種能力とどのように関連しているかを重み付けによってマッピングしました。ONetでは職業ごとに各能力の重要度・関連度が定量化されているため、このマッピングの重みとONetの能力スコアを掛け合わせることで、特定の職業がAI技術にどの程度さらされているか——すなわちエクスポージャーの程度——を算出することができます。このアプローチは、ONetが提供する豊富な職業情報を最大限に活用したものであり、方法論的な明快さから多くの後続研究に採用されています。
3-2. ONetベースアプローチの限界——非OECD諸国への適用における問題
Piotr： しかしながら、このFeltonらの手法には根本的な制約があります。ONetはあくまでも米国の職業を記述したデータセットです。これを世界各国に適用しようとする場合、先ほど述べた「英雄的仮定」——すなわち南アフリカの管理職と米国の管理職はAIへのエクスポージャーがまったく同じである、南アフリカの会計士と米国の会計士も同様である、という前提——を置かざるを得ません。このアプローチを好む研究者もいるでしょうが、私はこの仮定はOECD加盟国の外側に適用するには無理があると考えています。実際、IMFが2024年に発表した論文においても、ONetのみを使用し、補完性・代替性の指標も米国のデータのみで作成した上で、それを世界6カ国にマージするという手法が取られています。その結果として示される6カ国間の違いは、すべて各国の職業構成の違いを反映しているだけであり、同一職業内でのタスク遂行頻度の差は一切考慮されていません。これが私たちのアプローチとの決定的な違いです。
3-3. タスク内容の国際差を示す先行研究——ルーティン・非ルーティン研究による知見
Piotr： ONetの適用限界を裏付ける先行研究はすでに存在しています。私自身が関わった2022年のWorld Bank Economic Review掲載論文、およびCornerosらによる2023年の同誌掲載論文は、世界各地のサーベイデータを用いて、同一職業のタスク内容が発展水準によって実際に大きく異なることを実証しています。これらの研究はAIに特化したものではなく、ICTとの補完性・代替性という観点でのルーティン・非ルーティン業務の分析に焦点を当てたものでした。しかしそこで得られた知見——特定職業のタスク内容が、その国の技術供給・スキル供給、およびグローバルバリューチェーンにおける位置づけによって規定されるという事実——は、AIエクスポージャーの国際比較においても同様の構造が存在することを強く示唆しています。この蓄積された知見を踏まえると、AIエクスポージャーもまた発展水準によって相当程度異なるはずだという仮説は、研究上の必然的な出発点となります。ONetベースのアプローチはその構造的な性質上、この国際差を捉えることができず、クロスカントリーの差異を職業構成の違いのみに帰着させてしまうという限界を抱えているのです。
4. 本研究の方法論——調査データを用いたAIエクスポージャー指標の構築
4-1. PIAACサーベイによるFelton指標の再現——相関91%の検証
Piotr： 私たちの方法論の第一ステップは、ONetの代わりにサーベイデータを用いてFeltonらの指標を再現することです。具体的には、米国についてはPIAACサーベイ（Programme for the International Assessment of Adult Competencies）を使用します。PIAACは成人の認知スキルを測定するサーベイですが、職場でのスキル使用状況や特定タスクをどの程度の頻度で遂行しているかについての質問群も含んでいます。FeltonらがONetの能力スコアに与えた重みをそのまま用いながら、その能力スコアをPIAACの質問への回答で置き換えることで、米国についてサーベイベースのエクスポージャー指標を構築します。この方法でFeltonらのONetベースの指標をどれだけ再現できるかを検証したところ、両者の相関係数は91%に達しました。つまり、ONetを用いずともサーベイデータによって米国のエクスポージャー分布をほぼ正確に再現できることが確認されました。この高い再現性が、同じ手法を他国に展開する際の方法論的な正当性の根拠となっています。
4-2. 18項目のタスク質問群の構築——計量モデルによるONet能力とのマッピング
Piotr： ONet能力とPIAAC質問群のマッピングは、純粋にデータドリブンな計量経済学的手法によって行っています。具体的には、ONetの各能力について、米国における特定職業でのその能力の重要度を被説明変数とし、PIAACのタスク関連質問への回答を説明変数とした回帰モデルを推定します。このモデルによって、各ONet能力に対して最良の代理変数となるPIAAC質問の組み合わせとその係数を特定します。最終的に、18項目のタスク質問群が選定されました。これらは大きくいくつかのカテゴリに分類されます。ひとつは対人業務・管理・時間管理に関連する質問群です。もうひとつは情報処理に関する質問群で、さまざまな情報源からの読み取り・文書作成・計算・フォーム記入などが含まれます。さらに数学的処理やコンピュータ使用に関する質問も含まれますが、PIAACで捉えられるコンピュータ使用は、電子メール・表計算・プログラミングコードの記述といった比較的基礎的な用途に限られている点は留意が必要です。こうして構築された18項目の質問群とその係数の組み合わせが、サーベイベースのAIエクスポージャー指標の核心をなしています。
4-3. 使用データセットの構成——PIAAC・STEP・中国都市労働調査（CULS）
Piotr： 本研究では3つのサーベイデータセットを組み合わせて使用しています。第一はPIAACです。これは先述のとおり、成人の認知スキルと職場でのタスク遂行頻度を測定するサーベイであり、主に高所得国をカバーしています。第二はSTEP（Skills Toward Employment and Productivity）で、世界銀行が収集したデータセットであり、主に低・中所得国をカバーしています。第三は中国都市労働調査（CULS：China Urban Labor Survey）で、中国社会科学院が実施しているサーベイです。重要なのは、これら3つのサーベイにPIAACと同一の職業タスク質問群が含まれている点であり、この比較可能性が本研究の国際分析の基盤となっています。これらを合わせると50カ国以上のデータをカバーしており、ワーカーレベルでのAIエクスポージャー指標を算出することが可能です。ワーカーレベルの推計ができるという点は、職業単位の集計指標では捉えられない個人間の異質性を分析できるという意味で、方法論的に重要な強みです。
4-4. サンプル外予測の手法——100カ国超・世界雇用の90%をカバーするための推計モデル
Piotr： PIAAC・STEP・CULSの3サーベイは多くの国をカバーしていますが、インド・ブラジル・南アフリカといった大規模な新興経済国は含まれていません。そこで、サーベイデータが存在する国々で推定したモデルをサンプル外予測に活用する手法を取ります。具体的には、サーベイが利用可能な国々において、AIエクスポージャーと各種の国レベルのエンドウメント指標との関係を職業・国レベルで推定します。このモデルに、サーベイが存在しない55カ国以上についての同様の指標を入力することで、エクスポージャーの予測値を算出します。国レベルの指標としては、ITUのデジタル準備度指数・インターネット利用率・教育の質などを使用しており、これらは広く入手可能なデータです。最終的にサーベイベースの推計とサンプル外予測を組み合わせることで、100カ国以上をカバーするデータセットが構築され、これは世界の雇用の約90%を代表しています。
4-5. 4つの基本説明要因——ICT利用強度・人的資本・企業部門特性・開発水準指標
Piotr： クロスカントリーのエクスポージャー差を説明するために、4つの基本的な説明要因をモデルに組み込んでいます。第一はICT利用強度です。これは特定の国・セクターにおいて労働者が職場でコンピュータを使用する確率として定義されます。ただし、誰がコンピュータを使っているかという個人レベルの情報ではなく、セクターレベルでのコンピュータ利用強度を用いています。これは、個人レベルのコンピュータ使用はタスク配分に対して内生的になりやすいためです。第二はワーカーレベルの人的資本です。使用するサーベイには認知スキルの測定値が含まれているため、教育年数だけでなく識字能力・数的処理能力といった認知スキルの異質性を捉えることができます。さらに、こうした認知スキルテストの存在により、国間の学校教育の質の差異も部分的に把握することが可能です。第三は企業・部門特性で、グローバルバリューチェーンにおける位置づけや、ICT技術・新技術の利用状況に関する情報を含んでいます。これは世界銀行のエンタープライズサーベイから取得しています。第四は開発水準指標であり、オミット変数バイアスを制御するために用いています。
5. 分析結果①——開発水準勾配とスキル別・職業別のエクスポージャー格差
5-1. 開発水準勾配の存在——低所得国ほどAIエクスポージャーが低い
Piotr： 分析結果の第一の定型化された事実は、AIエクスポージャーに明確な開発水準勾配が存在するということです。この点を示すために、スライドでは2種類の指標を対比させています。左側のパネルは、Feltonらのアプローチに従ってONetで計算した米国のエクスポージャー指標を各国の職業構成にマージする従来の手法による結果です。このパネルでは、各国のエクスポージャーの分布はほぼ横ばいになっています。わずかな差異はあるものの、それは職業をより細分化されたレベルでマージしているために生じるわずかな構成効果にすぎません。本質的には、発展水準に関係なくどの国でも同じようなエクスポージャーが観察されるという、先ほど述べた英雄的仮定の結果がそのまま現れています。
一方、右側のパネルは本研究の手法——各国のサーベイデータに基づき、職業内でのタスク遂行頻度の実際の差異を反映したエクスポージャー指標——による結果です。こちらでは、発展水準との強い正の勾配が明確に確認されます。貧しい国ほど、特定の職業においてもAIへのエクスポージャーが低いという関係が浮かび上がります。なお、本プレゼンテーション全体を通じてゼロの基準点は「米国の平均的な労働者のエクスポージャー」に設定されています。つまり、各国の数値は米国の平均的労働者と比較してどの程度エクスポージャーが高いか低いかを示しています。
5-2. 職業別の格差パターン——高スキル職で顕著、低スキル手作業職では格差が小さい
Piotr： 第二の定型化された事実は、この開発水準勾配の強さが職業によって大きく異なるという点です。管理職を例にとると、米国の管理職は米国の平均的な労働者よりも高いエクスポージャーを示しており、これは直感的にも納得できる結果です。しかし中国・フィリピン・ケニアといった国々の管理職は、米国の平均的な労働者よりも低いエクスポージャーしか示していません。同一職業名でありながら、これほどの差が生じているのです。この格差パターンは専門職・技術者においても同様に観察されます。時間の都合上すべての結果を示すことはできませんが、高スキル認知集約的な職業ほど、先進国と途上国の間のエクスポージャー格差が顕著に現れます。
これに対して、事務職や販売・サービス職といった中程度のスキル水準の職業では、この開発水準との勾配はより緩やかになります。さらに、プラント・機械オペレーターのような低スキルないし手作業集約的な職業になると、国間にある程度の分散は見られるものの、GDP per capitaとの系統的な関係はほとんど消えてしまいます。これは理にかなっています。AIは本質的に認知的なタスクに対して親和性が高く、手作業的なタスクはむしろ産業用自動化ロボットなどの影響を受けやすいという性質を反映しているからです。
5-3. 基準点の設定——平均的米国労働者を0とした国際比較の枠組み
Piotr： 分析結果の解釈において重要な参照点について改めて説明します。本研究では、分析全体を通じて「米国の全経済における平均的な労働者のエクスポージャー」をゼロと定義しています。各国・各職業のエクスポージャーの数値はすべてこの基準点からの乖離として表現されており、国際比較を直感的に行いやすくするための共通の参照枠組みとなっています。この設定により、たとえば「ケニアの管理職のエクスポージャーは米国の平均的労働者よりも低い」という形で、職業間・国間の差異を一貫した軸で読み取ることができます。Veronicaが後ほど指摘するように、低所得国の労働者は高所得国の労働者と比較して平均でほぼ1標準偏差分AIエクスポージャーが低いという事実も、この共通の基準点を用いることで明確に浮かび上がります。
6. 分析結果②——分散分解：ICT利用強度・人的資本・職業構成の寄与
6-1. ICT利用強度が最大の説明要因——クロスカントリー差の約40%を説明
Piotr： ワーカーレベルのモデルを推定し、分散分解を行うことで、クロスカントリーのAIエクスポージャー差をそれぞれの要因にどの程度帰着させられるかを検討しました。4つの基本説明要因と職業構成を組み合わせた結果、クロスカントリーの分散の大部分を説明することができました。その中で最大の説明力を持つのがICT利用強度です。特定の国・セクターで労働者が職場でコンピュータを使用する確率の差異が、クロスカントリーのAIエクスポージャー分散の約40%を説明しています。これは職業構成の寄与を上回る数値です。
この結果が示す重要な含意は、クロスカントリーのエクスポージャー格差の大部分が、職業構成の違いではなく、同一職業内でのタスク遂行の違いによって駆動されているという点です。つまり、途上国に高スキル職の就業者が少ないという構造的な問題だけでなく、同じ管理職・専門職であっても実際に遂行するタスクの性質がICT環境の差異によって根本的に異なっているという事実が、エクスポージャー格差の主要因となっているのです。
6-2. 人的資本と職業構成の寄与——職業構成コントロール前後での効果の変化
Piotr： 職業構成の寄与も無視できない大きさですが、ICT利用強度には及びません。途上国では高スキル職の就業比率が低く、手作業集約的な職業の就業比率が高いという構造的な差異は確かにエクスポージャー格差に寄与していますが、それだけでは格差の全体像を説明することはできません。
人的資本については、職業構成をコントロールした状態での寄与はICT利用強度や職業構成よりも小さくなります。ただしここで重要な留保があります。職業構成をコントロールしない形でモデルを再推定すると、人的資本の役割はより大きくなります。これは、人的資本が職業構成にも影響を与えているためです。人的資本水準が高い国ほど高スキル職の就業者が多いという関係があるため、職業構成をコントロールすると、人的資本の効果は「同一職業内での管理職間・事務職間といった職業内の人的資本差」として測定されることになります。つまり、職業構成をコントロールした場合の人的資本の係数は、職業構成を通じた間接効果を除いた純粋な直接効果を捉えており、職業構成を通じた経路を含めると人的資本の総合的な役割はより大きくなると理解すべきです。
6-3. グローバルバリューチェーン統合の意外な役割——低・中所得国でのエクスポージャー低下との関連
Piotr： 企業・部門特性の説明力は、ICT利用強度や人的資本・職業構成と比較すると限定的です。ここで興味深い点として、グローバルバリューチェーン（GVC）への統合度については、純粋なルーティン・非ルーティン業務の分析ではやや大きな役割が見られましたが、AIエクスポージャーの説明においてはそれほど大きな寄与は確認されませんでした。むしろ後ほどVeronicaが指摘するように、多くの低・中所得国においてGVCへの統合がAIエクスポージャーの低下と関連しているという発見は注目に値します。これはGVCの上流側や労働集約的なルーティン業務に特化した活動に従事する国ほど、AI親和的な認知的タスクの比率が低くなるためだと解釈できます。全体として、AIエクスポージャーのクロスカントリー差を規定する主要因はICT利用強度・人的資本・職業構成の3つであり、なかでもICT利用強度の支配的な役割が本分散分解の最も重要な発見といえます。
7. 分析結果③——時系列変化・グローバル二極化・代替vs補完シナリオの含意
7-1. 時系列変化の分析——14カ国のPIAAC2時点データが示すエクスポージャー上昇
Piotr： 本研究ではクロスカントリーの比較だけでなく、時系列での変化も分析しています。PIAACには2サイクルの調査があり、最初のサイクルは2010年代初頭、第2サイクルは2022〜2023年に実施されています。この2時点のデータが、職業・教育水準に関する十分に詳細な情報とともに利用可能な国は14カ国に限られており、残念ながらこれらはいずれも高所得国のサブサンプルです。また、第2サイクルのPIAACデータは第1サイクルと比較して職業・教育に関する情報の粒度がやや粗くなっている点にも留意が必要です。こうした制約はあるものの、これら14カ国における時系列分析の結果、大多数の国でAIエクスポージャーが上昇していることが確認されました。この上昇に対して分散分解を適用すると、その大部分はICT利用強度の上昇——すなわち経済全体でコンピュータ使用が広がっていること——に帰着することができます。
7-2. 「時間トレンド」残差の解釈——補完性の萌芽的シグナル
Piotr： 時系列分析において特に注目すべきは、第2サイクルのサーベイに対して固定効果として投入した「時間トレンド」の項です。この項は、ICT利用強度や人的資本その他の観察可能な変数の変化では説明しきれない、経済全体・あらゆる種類の仕事を横断した形でのエクスポージャー上昇を捉えています。この残差的なトレンドは、タスク構成がAIエクスポージャーの高いタスクの方向へとシフトしていることを示唆しており、単なるコンピュータ使用の増加や人的資本の変化だけでは説明できません。私はこれをAIと労働の補完性が実際に作動しつつあることの「ソフトなシグナル」として解釈しています。第2サイクルのサーベイが実施された時期にはすでにAIツールが一般に利用可能になっていたことを考えると、人々が職場でAIにさらされやすいタスクをより多く遂行するようになっている傾向が、このトレンドに反映されているのかもしれません。断定はできませんが、補完性の方向への緩やかな動きが観察されるという点は、今後の研究において注目すべき発見です。
7-3. グローバル分布の二極化——高所得国に最高エクスポージャー労働者の約60%が集中
Piotr： 100カ国以上をカバーするデータセットを構築した上で、ILOstatの職業構成データと組み合わせることで、世界全体のAIエクスポージャーの分布を描くことができます。ここでは雇用規模で加重したグローバルランキングを作成し、上位25%を「最も高いエクスポージャーの労働者」、下位25%を「最も低いエクスポージャーの労働者」と定義しました。この分析により、AIエクスポージャーが世界的に強く二極化していることが明らかになりました。最も高いエクスポージャーを持つ労働者の約60%は高所得国に集中しています。しかし高所得国が世界全体の雇用に占める割合はわずか約25%にすぎません。一方、最も低いエクスポージャーを持つ労働者の約60%は低所得国および低中所得国に集中しており、これらの国々は世界全体の雇用の約40%を占めています。逆にいえば、最も高いエクスポージャーを持つ労働者のうちこれらの低所得・低中所得国に属する割合はわずか17%にとどまっています。このように、AIエクスポージャーは発展水準に沿って極めて鮮明な形で二極化しており、AIがもたらす恩恵と影響が世界的に均等には分配されていないことを示しています。
7-4. 代替vs補完シナリオ別の含意——国際所得分配への異なる影響
Piotr： 以上の結果を踏まえると、AIが労働に与える影響について代替シナリオと補完シナリオのどちらを想定するかによって、国際所得分配への含意が大きく異なってきます。もしAIが主として労働者を代替する方向に作用するならば、AIは世界の所得分配を圧縮する方向に働く可能性があります。なぜなら高いエクスポージャーを持つのは主に高所得国の労働者であり、代替の打撃を最も受けるのも高所得国ということになるからです。逆に、AIが主として労働者の生産性を高める補完的な役割を果たし、賃金や収益の上昇をもたらすならば、AIは世界の所得分配をむしろ拡大させる方向に作用するでしょう。恩恵を最初に、そして最も大きく享受するのは高所得国の労働者であり、低所得国の労働者はその恩恵から取り残されるリスクがあるからです。現時点ではどちらのシナリオが現実に近いかを断言することはできませんが、この二極化した分布の構造を正確に把握しておくことは、政策立案においても研究においても不可欠な前提となります。
8. Veronica Scuderiによるコメント——ILO旗艦報告書との接合とスキルの二重の役割
8-1. ILO旗艦報告書（生涯学習・未来のスキル）との接点
Veronica： Piotrの発表を大変興味深く拝聴しました。論文も精読しましたが、これは私たち全員にとって非常に中心的な問いである「人工知能が各発展段階の労働市場とどのように相互作用するか」という問題に対して、非常に価値ある貢献をしていると確信しています。Pavleからのご依頼に応える形で、私が現在チームで進めているILO旗艦報告書「生涯学習と未来のスキル」——特にその第4章およびその基礎となる学術論文——の観点から、Piotrの研究に照らし合わせながら4つの論点をお話しします。私たちの研究はAIに特化したものではなく、AIを含むより広義の新興デジタル技術全般を対象としており、デジタル技術の雇用への影響をスキルがどのように形成するかという問いに焦点を当てています。
8-2. 特許データを用いたデジタル技術エクスポージャー指標——AI分析との整合性と「AIデジタルデバイドの重層化」
Veronica： まず私たちの研究がPiotrの発見とどのように整合しているかについてお話しします。私たちは新興デジタル技術への特許データを用いたエクスポージャー指標を使用していますが、そこでも発展水準に沿った非常に明確なデジタルエクスポージャー勾配が観察されます。エクスポージャーの高い地域は主に高所得国と一部の高中所得国に集中しており、対照的にサブサハラアフリカ・南アジア・東南アジア・中央アメリカの大部分では一貫して低いエクスポージャーが観察されます。この意味で、AIに関するPiotrの発見はデジタル技術全般に関する私たちの知見と高度に整合しています。ここから導かれる重要な洞察は、新たなAIデバイドが既存のデジタルデバイドの上に重層化されているという構造です。AIの問題は孤立した現象ではなく、より広いデジタル格差の延長線上にあるという理解が重要です。
8-3. 職業ではなくタスクを通じてAIが浸透するという重要な含意
Veronica： Piotrの論文で私が特に重要と考える知見のひとつは、AIがタスクを通じて仕事に浸透するのであって、職業を通じて浸透するのではないという点です。これはPavleも過去の研究で示してきたことでもあります。この発見が意味することは非常に重大です。まったく同じ職業タイトルを持つ2人の労働者が、居住・勤務する国が異なるだけで、まったく異なるタスクを遂行している可能性があり、したがってAIへのエクスポージャーの水準も大きく異なり得るのです。さらにPiotrの分散分解が示しているように、職業構成の調整を行うと、クロスカントリーのエクスポージャー格差はむしろ拡大します。特に管理職・専門職・技術者といった高スキル職において格差が顕著に拡大するのですが、これは一般的に信じられてきた「途上国はタスクのルーティン化のゆえに先進国よりもAIにさらされやすい」という仮定を覆す発見です。実際には、低・中所得国の多くの労働者は、AIが現在補完しているタイプのタスクをそもそも遂行していないのです。エクスポージャーは構造的に低い水準に置かれているということです。
8-4. エクスポージャーが雇用増加効果を持つ条件——補完チャネルの役割
Veronica： 次の論点は、労働者がこれらの技術にさらされた場合に何が起きるか、という問いです。私たちの旗艦報告書の発見では、低所得国においてエクスポージャーは確かに低水準ではあるものの、それでも雇用を増加させる効果を持ち得ることが示されています。デジタル化は直接的な雇用創出チャネルではなく、モバイル技術・オンラインコマース・デジタル決済・物流といった補完的なチャネルを通じて雇用創出に寄与することが多いからです。ただし、Piotrの職業内タスク構成の差異に関する発見を踏まえると、こうした効果の一部は過大評価されている可能性があります。同一職業でも国によって遂行するタスクが大きく異なるのであれば、ある国の知見を別の発展段階の国にそのまま当てはめることはできず、AIの雇用への期待される影響も文脈によって大きく変わり得るという慎重な見方が必要です。高所得国においては、雇用への影響は概ねポジティブであり、高スキル・低スキル双方の労働者が恩恵を受けるという分極化の兆候が見られます。これは既存の文献とも整合しています。
8-5. スキルがエクスポージャーの機会・排除を左右する二重の役割——高度デジタルスキルの限界も含めて
Veronica： 私が最も重要と考えるのは、スキルに関する論点です。Piotrの論文と既存の文献、そして私自身の研究を合わせて読むと、スキルは互いに連動した2つの明確な役割を果たしていることがわかります。第一に、スキルはエクスポージャーを受ける側にいるのが誰かを規定します。Piotrの論文が示すように、高い教育水準と高い識字・数的処理能力——すなわち人的資本——そして何より高いICT利用強度が、労働者をAIにさらされやすいタスクへと押し込む力を持っています。スキルとデジタル準備度がAIの影響を受けるポテンシャルを規定するわけです。第二に、スキルはエクスポージャーが機会になるか排除になるかを左右します。私たちの研究では、認知スキル——基礎的・高度の両レベルを含む——、コミュニケーション・管理・基礎的なデジタル能力を要求する仕事が集積している地域において、新技術へのエクスポージャーがポジティブな雇用効果に結びつくことが示されています。
ただしここで重要な留保があります。高度なデジタルスキルは必ずしも保護的に機能するわけではありません。高所得国では高度デジタルスキルは中・高学歴労働者に恩恵をもたらす傾向がありますが、低所得国では高度デジタルスキルを持つ労働者であっても、高学歴・低学歴を問わず代替リスクにさらされる可能性があります。このように可能な結果の幅は非常に広く、スキル構成が重要な媒介要因であるという点は、政策を考える上で決定的に重要な視点です。したがって、これらのスキルを無視することは、今日のエクスポージャー格差を明日のはるかに深刻な機会の不平等へと転化させるリスクを孕んでいます。
9. 質疑応答——IMF手法との比較・ICTインフラの制約・デジタルプラットフォーム労働
9-1. IMF（2024年）の手法との比較——ONetのみに依存した6カ国分析との決定的な違い
Pavle： 聴衆からIMFが2024年に発表した論文——Carl Lucas Aningarほかによるもの——との方法論的な違いについて質問が来ています。あの論文もONetを使って複数の国を比較していたと思いますが、Piotrあなたが最もよくご存じだと思いますので説明していただけますか。
Piotr： はい、これは私たちの研究との核心的な違いに直結する質問です。IMFの論文はONetのみを使用しています。さらに補完性と代替性の指標についても米国のデータのみで作成しており、その上でこれらの米国データから作成した指標を世界6カ国にマージしています。6カ国のうちの1つは南アフリカだったと思いますが、他は正確には覚えていません。結果として、その論文が示す6カ国間のすべての差異は、各国の職業構成の違いのみを反映したものになっています。南アフリカの管理職も米国の管理職もAIへのエクスポージャーはまったく同じ、南アフリカの会計士も米国の会計士も同じという英雄的仮定のもとで分析が行われているわけです。このアプローチを好む研究者もいるでしょうし、それ自体を否定するつもりはありません。しかし私はOECDの外側にこのアメリカのデータを適用することは無理があると考えています。私たちのアプローチとの決定的な違いは、私たちが各国で収集されたサーベイデータを用いており、クロスカントリーの差異がタスクの遂行頻度における実際の差異を反映しているという点です。職業構成のみに基づく差異ではなく、職業内でのタスクの違いを直接捉えた、国固有の指標を構築しているのです。
9-2. 国レベルの平均エクスポージャーと職業構成の説明変数としての扱いに関する方法論的整理
Pavle： もう一つ方法論に関する質問が来ています。AIエクスポージャーを職業レベルで説明する際に、説明変数のひとつとして職業構成を用いているという点について、国レベルの平均エクスポージャーとの関係がどうなっているのかという整理を求める質問です。
Piotr： ご指摘はもっともです。整理すると、私たちはまずワーカーレベルでモデルを推定し、ICT利用強度・人的資本・企業部門特性・開発水準といった要因が個々の労働者のAIエクスポージャーとどう関係しているかを理解しようとしています。その上で、例えばポーランドと米国の平均エクスポージャーの差を、職業構成の差から来る部分と、職業構成以外の要因——職業内でのタスク遂行の差異——から来る部分とに分解することを試みています。職業構成が説明変数として含まれているのは、あくまで職業構成の寄与を他の要因から切り離して把握するためです。国レベルの平均的なエクスポージャー差はこの分解の結果として得られるものであり、職業構成と職業内タスク差異の双方が合わさったものとして解釈されます。
9-3. ICTインフラが最大の制約要因である理由——中小企業のICT非採用動機とポーランドの事例
Pavle： Veronicaが先ほど、AIエクスポージャーが実際に雇用増加に結びつくためには、まず低エクスポージャー国がAIを生産性向上に活用できる条件を整える必要があるという点を指摘しました。ICT基盤の整備なのか、企業能力の向上なのか、セクターのアップグレードなのか、あるいは全く別の何かなのか——低エクスポージャー国が最初の一歩を踏み出すための最も現実的なレバーは何だとお考えですか。
Piotr： 少し留保を加えた上でお答えします。私たちが測定しているのは識字能力・数的処理能力といったより一般的な認知スキルであり、補完性と代替性のどちらが優勢かを精密に捉えるには、より狭く定義されたスキルの測定が必要かもしれないという点は認めます。しかしそれでも、クロスカントリーの文脈で考えると、最も大きな制約要因はICTインフラであり、具体的には職場へのICT技術の浸透だと確信しています。デジタル技術の普及は近年、生産的な職場利用よりも、むしろプライベートなレジャー用途が先行する傾向が見られます。
高所得国に位置するポーランドを例に挙げてみましょう。ポーランドでも比較的低い投資率とICT技術の浸透の低さについて議論が続いています。数年前に世界銀行が実施した企業調査では、財務計画・資源管理などを支援するビジネス固有のソフトウェアへの投資について調査しました。その結果、大企業はこうしたツールをほぼすべて導入しているのに対して、従業員100人以下の中小企業との間には大きな格差があることが明らかになりました。なぜ中小企業がこうした生産性向上技術に投資しないのかを尋ねたところ、最も多く挙げられた理由は「スキル不足」でも「資金不足」でもなく、「メリットを信じていない、使い方がわからない」というものでした。技術が自分たちの問題を解決できるという認識そのものが欠如しているのです。
現在、大手多国籍企業の中にはAIがいかに仕事を変えるかについて過度に楽観的な企業もあるかもしれませんが、一方でスペクトルのもう一方の端には、AIをスクロールのためのツールとしか認識していない何百万もの中小企業があります。冒頭に示した自動車整備工場の経営者たちを思い出してください。作業の計画立案・倉庫管理・タスクの順序付けといったスキルは必ずしも高くないかもしれませんが、現在利用可能なAIツールに問いかけるだけで、いわばMBAレベルの組織的知識に即座にアクセスできる可能性があります。完璧な答えが得られるとは限りませんが、それでも改善につながり得ます。ICTインフラとコストが制約要因であることは確かですが、私はこれが人材不足以上に大きな障壁だと考えています。
なぜそう考えるかというと、開発会計の文脈でのSacelli-Colemanのアプローチ——世界の所得格差はスキルの差よりも技術の差によってより大きく説明されるという考え方——に私は共鳴しているからです。
9-4. テクノロジー環境が収益を規定する——Scelli-Coleman的解釈と低所得国のスキル過少活用
Piotr： この点をさらに敷衍すると、一定水準のスキルを持つ人がインドのような低技術環境から米国のような高技術環境に移ると、収益が即座に大幅に上昇するという事実がその証左です。これはおそらく、低技術環境ではスキルが十分に活用されていないということを意味しています。スキルはあっても、それを生かすための技術環境が整っていないために、スキルの潜在的な価値が発揮されていないわけです。したがって、低所得国においてAIの恩恵を引き出すためには、スキルの底上げよりも先に、あるいは少なくともそれと並行して、ICTインフラの整備と、技術が職場においていかに実用的な問題解決に役立つかという認識の醸成に取り組むことが不可欠だと考えています。AIについても同じことが言えます。AI技術をただ遊び道具として——例えば無料だからといって無意味な画像を生成するために——使うのではなく、さまざまな発展段階の企業が自らの仕事の進め方を改善するためにどう活用できるかを示すことが重要です。
9-5. デジタルプラットフォーム上でのAI訓練データ整備労働の実態と構造的限界
Pavle： もう一つ重要な論点として、デジタルプラットフォーム労働についてお聞きしたいことがあります。ILOのデジタルプラットフォーム労働に取り組む同僚たちの研究が示しているように、高いデジタルスキルを持っていても低所得国にいると、AIモデルの訓練データ整備——いわゆるデータクリーニング——のような作業にオンラインで従事することになり得ます。これは高スキルでも周囲の環境が制約になるという、まさにPiotrが指摘した点の具体例です。こうした状況にある低所得国の個人——AIに関心を持ち、スキルを身につけ、機会を見つけたいと思っている若者——は、国を変えるという選択肢を除けば、どのようなスキルに投資すればよいでしょうか。まずPiotrから、続いてVeronicaにお聞きします。
Piotr： そうした状況は確かに起こり得ます。高いデジタルスキルを持ちながらも、ローカルで名目上より高度な仕事に就くよりも、オンラインで単純なルーティン作業をこなす方が収入が高いという現実があります。これは難しい問題です。私が考える個人・国レベルへの提言については次のセクションで詳しく述べます。
10. 個人と政府への政策提言——低・中所得国における機会創出のための投資戦略
10-1. 政府・国レベルの提言——ローカルなAIアプリケーション開発と実装能力の育成
Piotr： 低・中所得国の政府が取り組むべき方向性についてお話しします。最先端のAIモデルを構築して米国・欧州・中国のモデルと競い合うことは、現実的には非常に困難です。しかし私は、各国が自国の課題解決に向けたAIアプリケーションの開発と実装に投資することには大きな可能性があると確信しています。具体的には、行政業務の効率化・医療へのアクセス改善・農業管理・インフォーマルセクターの企業への支援といった、その国固有の問題にAIを適用することです。ローカルな開発者がこうした課題に取り組む環境を整えること、そして政府がその実装を後押しすることで、国内に雇用機会を創出することができます。AIの恩恵を受けるためにフロンティアモデルの開発競争に参加する必要はなく、既存のAI技術を自国の文脈に適用する実装能力を育てることで、現実的な価値を生み出すことができるのです。これはまさに、AIが民主化の手段となり得る領域です。中小企業でさえ、高度な組織的・経営的知識へのアクセスをAIを通じて得られる可能性があります。政府はこの方向への投資を積極的に拡大すべきです。
10-2. 個人レベルの提言——技術スキルと社会情動・トランスファラブルスキルの組み合わせ
Veronica： 低所得国に暮らしながら機会を創出したいと考える個人への提言についてお話しします。私たちの研究から得られる重要な示唆は、AIや機械学習に関連するスキルを求める求人を分析すると、そうした技術スキルが単独で求められることはほとんどないという事実です。AIに関連するスキルは常に、技術的な能力と豊富なトランスファラブルスキルおよび社会情動スキルの組み合わせとともに求められています。具体的には、コミュニケーション能力・協働する力・問題解決能力・プロジェクト管理・文脈を読み取る力・素早く適応する力といったものです。これらの能力を持つ労働者がこうしたポジションにアクセスできるだけでなく、そうした職の中でキャリアを積んでいくことができます。
さらに重要なのは、こうした総合的なスキルセットを求める仕事は、より高い賃金とより高い仕事の質を伴う傾向があるという発見です。つまり、狭い意味での技術スキルだけに投資するのではなく、これらの幅広いスキル群に投資することが、より良い仕事に就くためだけでなく、その仕事の中で成長し続けるためにも不可欠だということです。AIの時代においては、コンピュータとの時間に多くを費やしたいという誘惑は理解できますし、それは確かに魅力的です。しかし最も重要な能力のひとつは、人間と共に時間を過ごし、さまざまな異なるスキルを駆使して協働する能力であり続けるということです。技術スキルは必要条件ですが、それだけでは十分ではありません。これらの幅広いスキルへの投資こそが、低所得国に暮らす個人が、AIのバリューチェーンの中でより高い位置にある仕事や、より統合的なビジネス文脈でのAI活用に関わる仕事へとアクセスするための、最も現実的な道筋だと考えています。
Pavle： Veronicaのおっしゃる通りだと思います。AIの時代には、コンピュータと向き合う時間を増やしたいという誘惑にかられますが、最も根本的な能力のひとつは、人間と共に働き、さまざまなスキルを組み合わせて使う能力であり続けるということですね。本日は非常に充実した議論ができました。Piotr、Veronica、素晴らしい発表とコメントをありがとうございました。多くのことを学ばせていただきましたし、聴衆の皆さんにとっても非常に有益な時間だったと確信しています。このセッションはILOのライブチャンネルおよびITUのNeural Networkで視聴可能です。「AI for Good ILO」と検索していただければ、今年開催された一連の充実した議論を見つけることができます。来年も新たなシリーズで続きの議論をお届けする予定です。本日はご参加いただきありがとうございました。