※本記事は、国際電気通信連合（ITU）が主催し、50以上の国連機関および스위스政府と共同開催するグローバルプラットフォーム「AI for Good」のウェビナー「AI and labour markets in early 2026」の内容を基に作成されています。ウェビナーの動画はこちら（https://www.youtube.com/watch?v=Msbl0gPuoDI ）からご覧いただけます。
登壇者は、スタンフォード・デジタル・エコノミー・ラボのポスドク研究員であるBharat Chandar氏と、キングス・カレッジ・ロンドン経済学助教授のBouke Klein Teeselink氏です。モデレーターは国際労働機関（ILO）上級研究員のPawel Gmyrek氏が務めました。本記事では、ウェビナーの内容を要約しております。なお、本記事の内容は登壇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。また、AI for Goodのネットワーキングコミュニティ「Neural Network」（https://aiforgood.itu.int/neural-netw... ）もあわせてご参照ください。
1. セッション概要と登壇者紹介
1.1 AI for Goodシリーズの背景と本セッションの目的
Pavel： 本日はAI for Goodの2026年シリーズ第1回セッションへようこそ。このシリーズは2024年3月から継続してきたもので、AIと労働をテーマとした連続討議です。基本的なコンセプトはシンプルで、このテーマに関連する研究を行っている研究者を招き、議論を通じて知見を共有し、その内容を様々なメディアを通じて無償で公開することです。
現在、AIと労働に関する初期の実証的エビデンスが出始めている一方で、依然として多くの憶測が飛び交っています。ほぼ毎日のように「AIが雇用を自動化する」という見出しが踊り、仮にその証拠が大規模には確認されていなくても、「近い将来に必ず起きる」という主張が後を絶ちません。本日のセッションの目的は、AIと労働市場について私たちが実際に何を知っているのかを整理し、未解決のまま残っている問題や十分に理解されていない点を明確にし、今後の研究とエビデンス構築の優先事項を議論することにあります。研究者の方にとっては、今後どこに時間とエネルギーを注ぐべきかのヒントになるセッションでもあります。
1.2 登壇者プロフィールと発表の構成
Pavel： 本日は二人の優れた登壇者をお迎えしています。まず一人目はBarrett Khandwalaです。彼はスタンフォード・デジタル・エコノミー・ラボのポスドク研究員で、スタンフォード・ラボ所長のErik Brynjolfsson、リサーチサイエンティストのRui Chenとの共著論文「Canaries in the Coal Mine（炭鉱のカナリア）」の著者です。この論文は大きな影響力を持ち、本日の議論の中心的テーマとなります。またBarrettはAIと労働市場について私たちが何を知っていて何を知らないのかについても幅広く執筆しており、Substackでその成果を積極的に発信しています。さらに学術的な活動にとどまらず、デジタルエコノミーの企業内での実務経験も持っており、それが技術の普及や労働への影響についての彼の思考を形作っているはずです。
二人目はBauke Tesselarです。彼はキングス・カレッジ・ロンドンの経済学助教授であり、Objective Center InstituteおよびKing's Institute for Artificial Intelligenceの研究員を兼任しています。彼の最近の研究は大規模言語モデルが英国労働市場に与える影響を検証するものです。本日は大西洋の両岸における研究結果を比較する場となり、またBarrettとBaukeはAI採用に関する共同研究も進めており、そのトピックにも今日は触れることになります。
セッションの進行としては、まずBarrettから文献の概観と「炭鉱のカナリア」論文の発表を行い、続いてBaukeから英国の分析結果と新たな知見を紹介します。その後、両者の議論を通じてAI採用の測定や政策的含意について掘り下げていきます。
2. 米国労働市場への初期影響：「炭鉱のカナリア」論文（Barrett Khandwala）
2.1 研究の動機とADPデータの活用
Barrett： この論文を書いた動機からお話しします。論文発表以前から、AIが労働市場に与える影響についての議論は広く行われていました。AIによる雇用の大崩壊がすでに新卒者に起きているのか、それとも実際には何も起きていないのか、様々な憶測が飛び交っていましたが、それらを裏付けるデータはほとんどありませんでした。
2025年半ばには、政府統計を使った研究がいくつか発表され、広範な雇用喪失は起きていないという知見が示されました。私自身も同様の発見をした論文を執筆しました。曝露度の高い職種と低い職種を比較しても、高曝露職種で急激な雇用減少は見られなかったのです。ただしこれらは政府統計を使った分析であり、細かい粒度のデータを得ることには限界がありました。
一方で、特に若年労働者への影響に焦点を当てた議論は各新聞紙上でも盛んに行われていました。「AIがすでに大卒者の就職市場を破壊している」という主張も見られましたが、政府統計では若年層・高曝露職種に絞った信頼性の高い推計を出すには粒度が不十分でした。そこで私たちが着目したのは、特定のサブ人口集団、とりわけ若年層のエントリーレベル労働者において、AIの影響をすでに検出できるのかという問いです。
この問いに答えるために活用したのが、米国最大の給与ソフトウェアプロバイダーであるADPとの提携を通じて得られた月次給与データです。このデータは米国全土の数百万人の労働者をカバーしており、職種・年齢・企業レベルで細かく分析することが可能です。なお本日お見せする結果は2025年12月まで更新済みの最新版であり、現時点で得られる最新のデータに基づいています。
2.2 若年層・曝露職種における雇用減少の実態
Barrett： では実際に何が起きているのかを見ていきます。まず確認したのは、AIへの曝露度が高い職種において、若年労働者の雇用が実際に減少しているという事実です。いくつかのケーススタディを紹介します。
ソフトウェア開発者については、22〜25歳の若年層で2022年末以降に約20%の雇用減少が確認されています。一方で、35〜50歳のミドルキャリア層では同様の減少は見られません。カスタマーサービス職でも非常によく似たパターンが観察されており、やはり22〜25歳の若年層に集中した雇用減少が起きています。
これとは対照的に、在宅介護士のような職種——身体的・社会的なインタラクションが多く、AIへの曝露度が低いと予想される職種——では逆のパターンが見られ、若年労働者の雇用がむしろ高齢労働者より速く成長しています。
この傾向はより広い職種にわたっても確認されています。22〜25歳の若年層を対象に見ると、曝露度の高い職種では雇用が減少している一方、曝露度の低い職種はトレンド通りに成長を続けています。曝露度の測定には2024年に発表されたGPTsまたはGPTsと呼ばれる論文の指標を使用しています。
二つ目の重要な発見は、エントリーレベルの採用における相対的な鈍化です。22〜25歳の年齢層全体として、他の年齢層と比べて雇用の伸びが遅くなっています。そして特に注目すべきは、この鈍化がほぼ完全にAI曝露度の高い職種によって牽引されているという点です。曝露度の低い職種（第1〜3五分位）は他の年齢層と同様のペースで成長を続けていますが、第4〜5五分位の高曝露職種では明確な雇用減少が見られます。
ただしここで明示しておきたいのは、これはあくまでも米国経済の実態を記述しているものであり、因果関係を測定しているわけではないという点です。
2.3 自動化的利用 vs 拡張的利用による雇用への異なる影響
Barrett： 次に、AIの利用の仕方によって雇用への影響がどう異なるかを見ていきます。ここではClaudeの利用データを活用し、ある職種におけるAIの使われ方が「自動化的」な性質のものか「拡張的」な性質のものかを測定しました。
自動化的な利用とは、タスクを完全にAIに任せてしまい、結果の確認や双方向のやり取りをほとんど行わない使い方です。要するに「やっておいて」と投げかけてそのまま受け取るという使い方です。この種の利用が多い職種としては、ソフトウェア開発、会計・監査、情報処理関連が挙げられます。こうした職種では、前述した若年層の雇用減少と非常によく似たパターンが確認されています。
一方、拡張的な利用とは、学習やフィードバックの受け取りなど、AIを自分の能力を高めるツールとして使う形態を指します。このような利用が中心となっている職種——マネジメントや設備保守・修繕など——では、最も拡張的に利用されている職種ほど雇用が全体トレンドより速く増加しているという逆の傾向が見られます。
この発見は、AIをどのように使うかという「使い方」の質が、雇用への影響を大きく左右することを示唆しており、単なる曝露度の違いだけでは説明できない重要な次元を示しています。
2.4 代替仮説の検証：金利・テクセクター・テレワーク要因との分離
Barrett： もちろん、これらのパターンがAIとは別の要因によって引き起こされている可能性も慎重に検討する必要があります。その一つが、企業全体の採用動向の変化です。そこで私たちは企業×時点の固定効果を分析に組み込みました。これにより、企業レベルの採用変化を全体として制御した上で、同一企業内で高曝露職種と低曝露職種の雇用が異なる動きをしているかどうかを確認することができます。結果として、若年労働者については高曝露職種で18%の相対的雇用減少が確認されました。このアプローチはマクロ経済的要因をある程度制御できるため、より純粋にAIの影響を捉えている可能性が高いと考えています。またこの手法を使うと、雇用減少のトレンド開始時期は2024年末頃からと、より遅い時期になります。
Pavel： 金利要因との交絡についての批判にも触れていただけますか。コロナ期のゼロ金利と、その後の急激な引き締めが、あなたの観察しているパターンを生み出しているだけではないかという指摘についてです。
Barrett： 重要な点を突いています。実は、金利への曝露度とAI曝露度は負の相関関係にあることがわかっています。つまり、金利上昇によって影響を受けると予測される職種と、AIによって影響を受けると予測される職種は、実はかなり異なります。言い換えれば、金利曝露の高い職種と低い職種に分けて分析しても、メインの分析とよく似た結果が得られます。つまり金利要因はAI曝露とは独立した変動をしており、今回の雇用減少のパターンを金利だけで説明することはできません。また、テクセクターの影響やテレワーク可能な職種かどうかといった追加的な要因を含めた分析を行っても、結果は概ね安定しています。
これらはあくまでも示唆的な証拠であり、AIがある世界とない世界を比較する実験が存在しない以上、因果的な主張には慎重であるべきです。ただ、複数の代替的な説明を検証した上でもトレンドが安定しているという事実は、AIが何らかの役割を果たしているという解釈を支持するものだと考えています。
3. 英国・グローバルへの展開（Bauke Tesselar）
3.1 研究設計：LinkedInと求人票データによる分析
Bauke： Barrettの米国での発見は、私の研究に直接つながるものです。米国でこのような結果が確認されたとなると、当然次に浮かぶ問いは「では他の国ではどうなのか」ということです。米国固有の現象なのかもしれません。テクノロジー企業が米国に集中していること、ベンチャーキャピタルのサイクルが異なること、雇用規制の仕組みが大きく異なること——これらの条件が揃っている米国だからこそ観察されるパターンである可能性は十分にあります。
そこで私が注目したのは、米国と似ているようでいくつかの点で異なる英国です。英国はより強い労働市場保護を持ち、産業構造も異なります。こうした異なる条件のもとでも同様のパターンが見られるかどうかを検証することで、AIの影響の普遍性を問うことができます。
分析に使用したデータは、LinkedInのプロフィール約2,000万件と、複数年にわたる約6,000万件の求人票です。分析の基本的な戦略はBarrettの手法と共通しており、AI曝露度の高い企業と低い企業を比較するとともに、職種レベルでの比較も行っています。このデータの大きな利点の一つは、求人票を観察できるため、新規の求人開口数という指標を直接見ることができる点です。
3.2 英国における雇用・求人・賃金への影響
Bauke： 結果をお見せします。まず企業レベルの比較から見ると、高曝露企業と低曝露企業はChatGPTが導入される以前は非常によく似た軌跡をたどっていました。ところがChatGPT導入からおよそ8か月後を境に、高曝露企業では低曝露企業と比べて雇用者数が相対的に減少し始めています。
若年層の雇用に関しても、非常によく似た結果が得られています。高曝露企業と低曝露企業を比較すると、大規模言語モデルが導入されるまでは両者の若年労働者の割合はほぼ同水準で推移していました。しかし導入後、高曝露企業では若年労働者の割合が低曝露企業と比べて相対的に低下しています。
次に職種レベルの分析として、新規求人数を見てみます。ここでも高曝露職種と低曝露職種は大規模言語モデルの導入まで似たような軌跡をたどっており、導入後に乖離が生じています。高曝露職種では新規求人数が相対的に停滞・減少しており、低曝露職種との差が広がっています。
Pavel： 米国の結果と比較して、英国固有の特徴はありますか。
Bauke： 大枠の方向性は一致していますが、いくつか重要な相違点があります。英国では、雇用喪失がAIによって引き起こされているとすれば、それは高賃金セグメントに集中しているという特徴があります。これは賃金分布を圧縮する方向に働くものですが、低賃金層が引き上げられるのではなく、高賃金層が引き下げられる形での圧縮です。加えて、高曝露職種では掲載されている賃金そのものも低下しています。つまり英国では雇用量の減少だけでなく、賃金水準の下落という別次元の影響も確認されています。
3.3 グローバル展開：39か国での分析結果と米国との比較
Bauke： この分析をさらに世界規模に拡張した研究も行っています。米国と英国だけでなく、39か国を対象に求人票への影響を調べた結果、そのうち31か国で高曝露職種における求人数への負の影響が確認されました。地域や制度的条件が大きく異なる国々においても同様のパターンが見られるということは、AIが労働市場に与える影響が特定の国の事情に依存した現象ではなく、より広く共通して生じていることを示唆しています。
Pavel： 二つの国でこうした発見が出てきたことの意味についてどう捉えていますか。
Bauke： 少なくとも言えることは、エビデンスが存在するということです。高曝露企業は雇用を減らしており、若年労働者が最も大きな打撃を受けている。この傾向が大西洋の両岸で確認されたことは、AIが実際に何らかの役割を果たしているというエビデンスとして追加的な重みを持ちます。企業レベルで起きていることや時間的な変化、産業内の動向といった多くの代替的説明を除外した上でもこのパターンは残っており、それがこの発見の説得力を高めています。
4. 「炭鉱のカナリア」という比喩が示す含意：若年層への影響の解釈
4.1 なぜ今回は若年層・高スキル職が影響を受けるのか
Pavel： 炭鉱夫たちは小さくて敏感なカナリアを炭鉱に持ち込みました。有毒ガスに対して人間よりはるかに敏感なカナリアが死んでしまうことは、より大きな危険が迫っているという最初のシグナルでした。あなたたちが描写していることは、まさにそのようなことを示唆しているように思えます。ILOの数多くの報告書からも、若者が労働市場にアクセスし、まともな仕事に就くことがいかに困難になっているかはすでによく知られています。そこへきて今、この技術によって若者がさらに大きな影響を受けている可能性が見えてきました。過去のデジタル化の波では、新しい技術への適応が難しかったのは主に年配の労働者でした。インターネットやコンピュータの普及がその典型です。ところが今回は、若者が、しかも所得の高いデジタル化された専門職において影響を受けているように見えます。これは本当に何か大きな災難を予告するカナリアなのでしょうか、それとも移行期の一現象に過ぎないのでしょうか。
Barrett： まず悲観的な見方からお伝えし、その後に楽観的な見方をお伝えします。悲観的な見方としては、若年労働者がより大きな影響を受けている理由として、彼らが労働市場に持ち込む知識が、AIモデルの能力と非常に大きく重複しているという点が挙げられます。モデルがどのように訓練されているかを考えると、インターネット上に存在する情報のコーパスに基づいて訓練されています。そしてそのコーパスは、学生が大学の授業を通じて学ぶ内容と非常に重なっています。一方、より経験豊富な労働者は、どこにも文書化されていないような仕事上の知識を持っています。特定の業務をこなすための暗黙知、他者との人脈や社会的なつながり、リーダーシップスキル、戦略的思考やマネジメントスキルといったものは、AIと直接競合するというよりもむしろ補完的な性質を持っています。これが、少なくとも短期から中期にかけて、若年層により大きな影響が出やすい理由の一つだと考えられます。
4.2 キャリア形成パイプラインの断絶リスクと楽観的シナリオ
Barrett： 楽観的な見方としては、歴史的に見て若年労働者は年配の労働者よりも新しい技術への適応が速かったという事実があります。ChatGPTのリリースからすでに3年半近くが経過しましたが、まだそのような回復の兆しは見えていません。しかしそれは、今後もこのまま続くということを意味するわけではありません。労働市場、若者、そして企業がAIの変化に適応していくにつれて、現在見られているトレンドが逆転していく可能性はあります。
Bauke： 私もその点には同意します。ただ、若者の労働市場からの排除が実際に進んでいるとすれば、それは非常に重大な政策課題です。なぜなら、これまで若者が専門性を積み上げていくための伝統的なトレーニングパイプラインが、まさにここで断ち切られる危険性があるからです。若い人々はいわゆる「雑用仕事」をこなす中で、同僚とのやり取りや実際の業務経験を通じて専門性を少しずつ獲得し、やがて高い生産性を発揮できるようになっていきます。もしそのファーストステップが失われてしまえば、社会が必要とするレベルの専門家が育っていかないという問題が生じます。これは単なる個人の問題ではなく、社会全体で取り組むべき公共政策上の課題です。
一方で楽観的な面もあります。現時点ではAIの導入はまだ不完全であり、AIツールをうまく使いこなす人もいれば、そうでない人もいます。今の労働市場では、企業間でも、同じ職種の中でも、AIの使い方をめぐる競争が実際に起きています。最終的にAIをうまく使いこなせる人がより生産性を高め、就職においても有利になります。若者がより新しいツールへの適応に柔軟であるとすれば、数年後には実はAIをうまく使いこなせない年配世代よりもずっと生産性が高くなっている、という可能性も十分にあります。
4.3 金利・マクロ経済要因との交絡をめぐる議論とモニタリング計画
Pavel： 論文に対する批判の一つとして、あなたが観察しているパターンは、コロナ禍のゼロ金利による大規模な採用ブームとその後の急激な引き締めによるもので、AIとは関係ない可能性があるという指摘があります。それへの応答とともに、現在は逆に利下げ局面に入りつつありますが、今後テクセクターに追加的な流動性が供給されても、若年労働者の雇用に回復が見られないとすれば、それ自体が一つの検証になるのではないかと思いますが、いかがでしょうか。
Barrett： 後半のモニタリングについては、まさにその通りで、継続的に追跡していく予定です。本日お見せした結果は2025年12月まで更新されていますが、実はこうした雇用変化やAI導入・経済への影響に関する各種指標をリアルタイムで追跡できるダッシュボードの構築に向けて、すでに専任の人員を採用して作業を進めているところです。
金利低下が雇用にどう影響するかという問いについては、低金利によって促進される投資が労働と補完的なのか代替的なのかによって結果が変わってくると考えています。歴史的に見れば、データインフラへの投資といったものは労働と補完的であることが多く、雇用にもプラスの影響をもたらしてきました。ただ今回のAIは、過去の技術と比べて労働の代替性がより高い可能性があります。そのため、過去の技術革新の局面と比べて、投資増加が雇用に与える恩恵が小さくなるかもしれません。これはまだ答えが出ていない問いで、今後のデータを見守る必要があります。利下げ局面でも若年層の雇用回復が見られないとすれば、確かにそれはAIの影響を支持する追加的なエビデンスになり得ます。
5. AI採用（Adoption）の実態：国際比較分析（初公開結果）
5.1 曝露と採用の概念的差異と測定手法
Pavel： ここからは議論の第二の柱、すなわち企業がこの技術をどのように採用しているかという問いに移りましょう。技術の採用の仕方、労働者への統合の仕方が、現時点では非常に不均一であることはわかっています。企業レベルでの正式な採用と、従業員による非公式な個人的利用の間には大きな違いがあります。いくつかの研究から、この技術はいわばバックドアから企業に入り込んでいる場合が多いことが見えています。従業員が使ってはいるものの、全体的な戦略がなく、何ができて何ができないかについてのコミュニケーションもほとんどなく、研修もあまり行われていない。これがセクターによって大きな違いをもたらしています。BaukeとBarrettはこのテーマで共同研究を進めており、今日はその初期結果を聞かせていただけるということで大変楽しみにしています。
Bauke： ありがとうございます。これは私たちが十分な答えをまだ持っていない、本当に大きな未解決の問いです。BarrettとI私が改善しようとしているのもまさにここです。明確にしておきたいのは、曝露と採用は根本的に異なる概念だということです。Barrettの研究でも私の研究でも、これまで見てきたのは曝露と労働市場アウトカムの関連性です。しかし曝露と採用はさまざまな点で異なります。曝露とは技術的な実現可能性、つまりAIがこのタスクをこなせるかどうかという問いです。一方、採用とは実際にAIを職場や業務に組み込んで使うことであり、単なる技術的可能性とは別物です。その駆動要因も異なります。曝露を変えるのはAIの能力向上ですが、採用を左右するのは組織の構造、信頼の問題、業務フローの再設計の必要性、その他さまざまな組織的な摩擦です。時間軸も異なりますし、何より重要なのは摩擦の種類が異なるという点です。ワークフロー統合への障壁、信頼の問題、組織再編の必要性といった要因が採用には付きまとい、これらは曝露度がいくら高くても自動的に採用が進むわけではないことを意味します。
採用の測定については、私たちは求人票に基づくアプローチを採用しています。Revelio Labsが提供する10億件の求人票を対象に、まず生成AI、大規模言語モデルなどのAIキーワードを含む求人票を抽出します。次に、そのキーワードを含む求人票をすべてLLMに入力し、これが実際にAI関連の職種であるかどうかを検証します。つまり企業が初めてこうした求人票を掲載した時点を、その企業のAI採用の開始点として定義しています。ここで重要なのは、私たちが測定しているのはあくまでも企業が少なくとも何らかの形で生成AIの利用を公式に認めているという事実であるという点です。これは個人レベルでの利用とは全く異なる問いです。実際のところ、どの企業にも社員の誰かがLLMを使っている人はいるでしょう。しかしそれが企業として公式に認めているかどうかは別の話です。
5.2 採用率の国際・産業・企業規模別の分布
Bauke： では実際の採用の姿を見ていきます。まず国際比較ですが、国ごとの違いは非常に大きいです。AI採用企業として分類される企業の割合は、イスラエルやシンガポールでは20%を超える一方、グローバルサウスや低所得国の一部ではわずか数%にとどまっています。この国別ランキングは、AnthropicのEconomic Indexが企業によるClaudeの利用状況を測定した結果と非常によく対応しています。私たちの分析はClaudeだけでなくAI全般を対象にしているという点で、より広い視野を持っていると考えています。
時系列で見ると、当然ながら採用率は増加傾向にあります。ただし産業間の差異は大きく、最も採用が進んでいるのは情報セクター、すなわちITやプログラミング、ソフトウェア開発といった分野です。専門サービス、金融・保険でも比較的高い採用率が見られます。一方、医療分野での採用は相対的に低い水準にとどまっています。国別の時系列を見ると、採用率の国別ランキングは概ね安定して推移していますが、一つ例外として2024年にスペインが採用の加速という軌跡をたどっているのが目を引きます。
企業レベルで見ると、採用しているのは大企業です。グラフはここには示していませんが、より収益性の高い企業、そしてR&Dにより多く投資している企業ほど採用企業になりやすいことも確認されています。セクターで見ると、採用は圧倒的にホワイトカラーの仕事に集中しています。情報セクター、専門サービス、管理業務、金融・保険といった分野です。生成AIが生産性向上をもたらすと想像しやすい職種がまさにそこに集中しており、逆に建設、農業、芸術・エンターテインメントでの採用はずっと少ない状況です。
5.3 採用企業の雇用への影響：総雇用増と若年層比率低下の併存
Bauke： 採用の全体像が見えたところで、次の問いに移ります。企業が採用した場合、採用しなかった場合と比べて雇用はどう変化するのか、ということです。ここでは採用企業と、採用企業と可能な限り似た条件を持つ非採用企業を比較し、採用前後の軌跡を追跡しました。この分析を複数の国について行っていますが、結果は非常に一貫しています。
そしてこの結果は、曝露の分析から得られた結果とは正反対のものです。企業がAIを採用し始めた瞬間から、非採用の類似企業と比べて、その企業で働く人数は徐々に増加していきます。この傾向は米国、英国、ドイツ、インド、日本、ブラジルにわたって確認されています。つまり採用企業は雇用を増やしているのです。
Barrett： ただし若年層の問題については、採用企業でも依然として懸念が残ります。
Bauke： その通りです。採用企業全体の雇用は増えているとはいえ、若年労働者の割合という点では別の話になります。採用企業と非採用の類似企業を比較すると、採用前は若年労働者の割合はほぼ同水準でした。しかし採用後、多くの国で採用企業における若年労働者の割合が低下しています。つまり採用企業は確かに成長しているのですが、その成長の恩恵は若年層には相対的に届いていないということです。
ここから引き出せる重要な示唆が二点あります。一つ目は、採用は曝露とは別物だということです。この二つの概念をきちんと区別することが研究上も政策上も不可欠です。二つ目は、世界全体でのAI採用は非常に不均一だということです。国別では大きな所得格差が採用率の差に反映されており、企業別では大企業・高収益企業・R&D投資企業に採用が集中しています。そして採用企業は成長しています。ある意味では、曝露度の高い産業全体は縮小しているかもしれませんが、その産業の中でAIを採用した企業が非採用企業に対して優位に立っているという構図が浮かび上がります。AIを使う企業が使わない企業に勝つ、それと同じ原理がここでも働いているようです。ただしそれでも、若年層の採用という点では依然としてコストが生じているということは見過ごせません。
6. 曝露効果と採用効果の乖離：解釈と方法論的課題
6.1 先行研究の整理：曝露効果はネガティブ、採用効果は混在
Barrett： ここで一度、曝露の分析と採用の分析から得られた結果の違いについて少し掘り下げてお話しします。大規模データを用いた高品質な学術的手法による先行研究を整理すると、曝露効果の推計はほぼ一貫してネガティブ、特に若年労働者に対して雇用への負の影響を示しています。一方、採用効果の推計は結果が混在しています。
具体的に見ていくと、Baukeが今日示したように、採用企業全体の雇用は増加しているものの、若年労働者への影響は小さいか、あるいは減少している可能性があります。Cannon and Strattanの研究では雇用変化は確認されていません。Holm and Møller Vestergaardの研究は興味深いことに両方の列に登場しており、曝露のみを見ると入職レベルの雇用が減少するという結果が出る一方、採用を見ると賃金にも雇用にも影響がないという結果が出ています。Husain and Lyttinenは採用について雇用の減少を確認しています。全体として、曝露効果の推計はよりネガティブで、採用効果の推計はより混在しているというのが現状のまとめです。
6.2 乖離を説明する三つの仮説：先取り・測定ミス・擬似相関
Barrett： ではなぜこのような乖離が生じているのでしょうか。私が考える候補となる説明は三つあります。最初の二つは、採用の分析におけるコントロール群が実は真のコントロール群になっていないのではないかという問題に関わっています。
一つ目は先取り（Anticipation）の問題です。AIをまだ明示的に採用していない企業であっても、将来的に採用するだろうという予測を持っており、それゆえにすでに採用を抑制している可能性があります。つまり非採用企業がコントロール群として機能していないかもしれないということです。この点についてのエビデンスは混在していますが、示唆的なものは存在します。2024年初頭にCensusが実施したサーベイでは、6%の企業が雇用の減少を見込み、6%が増加を見込んでいました。これはあまり大きな先取り効果を示唆するものではありませんでした。しかし、より最近の二つのサーベイはそれとは異なる絵を描いています。Davenport and Trevinoによる非常に最近の研究では、調査対象の経営幹部の60%が、現在および将来のAIを見越して人員削減を行ったと報告しています。McKinseyのグローバルサーベイでも、採用決定における先取り効果の重要な役割が示唆されています。先取りが重要である可能性はあるものの、データがもっと必要であり、全体としてはまだ結論が出ていない状況です。
二つ目は測定の問題です。採用の定義をうまく捉えられていない可能性があります。ここで一つ重要な課題を挙げると、仕事でAIを使う人々のうち、ほぼ半数が個人アカウントのみを使用しており、企業のプロフィールはまったく使っていません。さらに約25%は個人アカウントと企業アカウントの両方を使っています。ChatGPTの利用に関する研究でも、消費者向けChatGPTの利用の27%が実際には業務目的であるという結果が出ています。つまり既存の採用指標が捉えようとしているのは、企業による意図的な統合という側面のみです。こうした個人レベルでの非公式な利用がどれほど推計に影響を与えているかを把握することは難しく、これが採用効果の推計にバイアスをもたらしている可能性があります。
三つ目は擬似相関（Spurious Correlation）の可能性です。これは曝露の推計にも採用の推計にも当てはまる問題です。曝露の側では、より多くの変数を制御するにつれて、雇用減少の開始時期が遅くなるという傾向が確認されています。基本的な記述分析では早い時期に減少が始まっていますが、より多くの要因を制御すると、その開始時期が後ろにずれます。これは他にも労働市場に影響している要因があり、すべてがAIに起因するわけではないことを示唆しています。採用の側では、採用企業と非採用企業がそもそも異なる軌跡をたどっているという問題があります。BaukeとI私はこれを意識して企業をできるだけ似たもの同士でマッチングさせていますが、それがうまくいっていない場合、ChatGPTのリリース以前から採用企業と非採用企業の雇用トレンドが大きく異なってしまうことが起こり得ます。AIがある世界とない世界を比較できる実験は存在しない以上、これらの推計はどうしても解釈の余地が残り、議論が続くことになります。
6.3 因果推定の根本的限界と今後の統計的アプローチ
Barrett： これら三つの説明をどう評価するかによって、どちらの推計をより信頼すべきかが変わってきます。先取りと採用の測定ミスが主な要因だと考えるならば、曝露の推計の方がより情報量が高いと考えることになります。一方で、擬似相関が主な問題だと考えるならば、どちらを信頼すべきかは曖昧になりますが、おそらく採用の推計の方が因果効果をよりうまく捉えている可能性があります。採用企業と非採用企業を比較するアプローチはより因果的な効果を拾いやすいと考えられるからです。
今後これを改善するためのステップとして、いくつかのことが重要だと考えています。まずAIと雇用に関する企業の信条（beliefs）についてのデータ収集を充実させることです。企業が採用決定をどのように変えるつもりなのかについてのより良いデータが必要です。次に、採用の測定を改善するためのより良い企業レベルの利用データが必要です。そして因果推定を改善するための代替的な統計的手法の開発も重要です。最後に、実は時間そのものが最良のエビデンスをもたらすかもしれません。高曝露職種でのエントリーレベル雇用の減少が今後も継続して確認され続けるならば、ベイズ的な観点から見て、私たちはそのデータを世界で何が起きているかについての情報として真剣に受け止めるべきでしょう。
7. エンタープライズ採用・補完性・政策アジェンダ
7.1 本格展開の難しさ：バックドア型普及とMITパイロット調査
Pavel： スタンフォードでは以前から、コーディング、ライティング、カスタマーサービスといった個人レベルの生産性への早期効果について多くの研究が行われてきました。一方で、エンタープライズレベルでの本格展開はなかなか進んでいないという実態もあります。昨年MITが行った研究では、大企業300社のパイロットの約95%がパイロット段階にとどまったままで、企業全体に意味のある形で展開することが極めて難しかったという結果が出ており、AIマーケットに大きな波紋を呼びました。制度的な要因や、エンタープライズレベルでの実装の仕方が、この技術をどれだけ労働の代替ではなく補完的なものにできるかに影響しているように思われます。その点についてお考えを聞かせいただけますか。
Barrett： おっしゃる通りで、AIを労働の代替としてではなく補完的なものとして統合するにはどうすればよいか、いくつかの角度から考えることができます。一つの切り口は、AIを使って人々が新しいことを学ぶ速度を高められるかどうかという点です。これについては以前から書いてきましたが、AIには大きな可能性があると思っています。教室の中でも、すでに職場にいる人々に対しても、AIは学習の変革的なツールになり得ます。実際、最近のサーベイエビデンスでは、AIに対する楽観論と悲観論の分かれ目が、AIを新しいスキルを学ぶためのツールとして見るか、単純に自分の仕事を置き換えるツールとして見るかによって大きく左右されていることが示されています。つまり人々はAIの補完的な側面への期待と代替への恐れを持っており、企業がどちらの方向でAIを活用するかが、働く人々の受け止め方にも大きく影響します。
長期的にモデルの能力がさらに向上したときに、この補完性がどこまで維持できるかについては、正直なところ私にも疑問が残ります。非常に高い能力を持つモデルを構築しながら、人間が引き続き担うべき領域についてはあえて能力を制限するということが可能なのかどうか、これはまだ答えの出ていない問いです。そこには楽観的になりきれない部分もあります。ただ、AIの能力向上に対してある程度ロバストな、人間の適応を助ける機会は存在すると思っており、そのうちの一つが学習ツールとしての活用です。
7.2 AIを補完的ツールにするための条件と教育・制度設計
Bauke： 補足させてください。この問題へのアプローチは二方向から考えられます。一つは技術を人々に補完的なものにする方向、もう一つは人々を技術に補完的なものにする方向です。どちらも重要です。
技術を人々に補完的にするというのは確かに難しい問題です。AIが補完性をもたらすように訓練するというのはおそらく非現実的でしょう。ただ、少なくとも出発点として有効なのは、人々が仕事の中でやりたくない部分がどこかを特定することです。たとえば経費精算をAIが完全に代わりにやってくれるなら、それが仕事の一部を自動化するとしても私は大歓迎です。つまり人々が自動化されることを望む作業を特定した上で、その方向への自動化がより高く報われるようなインセンティブを設計することが一つのアプローチになり得ます。
人々を技術に補完的なものにするという方向では、AIを教育に活用することに加えて、大学教育そのものを再構成するという可能性もあります。現在は企業の中で行われている早期キャリアの訓練——若手が雑務をこなしながら暗黙知を積み上げていくプロセス——を大学の中に取り込む形に移行することで、企業内での初期訓練の喪失を大学段階でカバーできるかもしれません。
制度的な文脈についても一点付け加えると、Daniel Careyとの別の共著論文で、雇用保護が厳しい国ほど高曝露企業での採用減少がより大きいという結果を得ています。これは雇用保護を弱めるべきだという主張ではありません。むしろ、この技術が今後どのように展開していくか不確実な状況で、高曝露企業の経営者が人を解雇しにくい場合、将来の労働市場の見通しが立つまでとりあえず採用を控えるという行動をとりやすいということを示しています。技術の不確実性と雇用の硬直性が組み合わさることで、採用抑制という形が現れているわけです。
7.3 今後の研究課題：測定・タスク変化・政策ターゲティング・新職種
Pavel： 仕事の質や中身への影響、タスクの再構成、人々が時間をどのように使うかの変化、あるいは人々が気づかないうちに仕事が強化されているといった側面も、十分に研究されていない重要なテーマだと思います。今後特に重要だと思う研究課題を教えてください。
Bauke： いくつか挙げると、まず採用の測定の精緻化と、先ほど議論した方法論的な課題への対応が急務です。次に、仕事の中身そのものがどう変わっているかという問いは非常に重要で、たとえばソフトウェアエンジニアであるということの意味がどのように再構成されているのか、AIが人々のある領域での専門性を高めることにどう貢献しているのかといった問いがあります。私自身、AIによってライティング能力が上がり、以前なら書けなかったようなものが書けるようになっています。そのようなかたちでAIが人々の専門性を様々な領域で高めているとすれば、その効果をより正確に推計することは非常に興味深い問いです。
政策ターゲティングという観点からも大きな課題があります。富裕層に対して追加的な所得支援を行っても、仮に職を失ったとしてもほとんど意味をなさないでしょう。一方で、簡単なタスクがすべて自動化されたために仕事の専門性要件が上がり、そのために職を失いかけている人には再訓練が必要です。また、容易なタスクが消えた結果、残ったのが自分の得意な難しい部分だけになった人は、むしろ採用によって恩恵を受けるかもしれません。つまりAIが職種ごと、個人ごとにどのような影響を与えているかの細かい実態がわかれば、最も効果的な形で政策を届けることができますが、現時点ではその粒度のエビデンスはまだ十分に存在していません。
Barrett： 私が特に重要だと思うのは、人々がAIを使って新しいことを学ぶ速度を高めるための機会です。学習ツールとしての活用は教室でも職場でも大きな可能性を持っており、特にエンタープライズ側でこれを採用の積極的な要素として組み込むことができれば、単なる労働の代替ではなく人間を拡張する方向にこの技術を向けられると思います。長期的にモデルが更に高能力になっていったときにそれが維持できるかどうかはわかりませんが、現時点では学習への活用は人間の適応を助けるロバストな機会の一つだと考えています。
Pavel： 最後に、新しい職種の出現という問いも残っています。過去のデジタル化の波でも、誰も予想しなかったような仕事が生まれてきました。今回もAIがどのように職種を変え、どのような新しい職種を生み出すのかは大きな未解決の問いです。今日はこれらの問いに答えを出すことはできませんでしたが、次回のセッションでは世界銀行との共同研究として、ポーランドを対象にした応用一般均衡モデルを使った二次効果の分析を3月5日に発表する予定です。Barrett、Bauke、素晴らしい議論をありがとうございました。