※本記事は、AI for Good（ITU主催・スイス政府共催・国連50以上のパートナー機関との連携）が開催したウェビナー「The macroeconomic impacts of AI」の内容を基に作成されています。動画はhttps://www.youtube.com/watch?v=lb-_pT_uU6c でご覧いただけます。
登壇者は、世界銀行グループのシニアエコノミストであるLulit Mitik Beyene氏、同じく世界銀行グループのリードカントリーエコノミストであるMarkus Kitzmuller氏、および世界銀行グループのシニアエコノミストであるNathalie Picarelli氏の3名です。モデレーターはILO（国際労働機関）のシニアリサーチャーである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・再構成しております。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の最新情報については、ニューラルネットワークコミュニティ（https://aiforgood.itu.int/neural-network ）もご参照ください。
1. セッション概要・登壇者紹介・研究の背景
1-1. AI for Good セッションの位置づけと登壇者
Pavmeik： 本日はAI for Goodの「AIと労働」をテーマにしたシリーズセッションへようこそ。このシリーズはILO（国際労働機関）がモデレーターを務め、ILOとITU（国際電気通信連合）が共同でホストしています。本日のテーマはAIが経済全体に与えるマクロ経済的影響という大きな問いです。私はILOのリサーチ部門でシニアリサーチャーを務めるPavmeikです。本日は通常のモデレーターとしての役割に加え、今回の研究プロジェクトの共同研究者としても参加しています。
本日のゲストは世界銀行グループから3名をお迎えしています。まず、Lulit Mitik Bayenerさんは、マクロ・ミクロモデリングで15年以上の経験を持つシニアエコノミストで、ニース・ソフィア・アンティポリス大学で経済学の博士号を取得されています。次に、Natalie Picarelliさんは、ヨーロッパにおけるマクロ経済・財政政策およびAIを専門とするシニアエコノミストで、ロンドン・スクール・オブ・エコノミクス（LSE）で博士号を取得し、コロンビア大学でも学ばれています。そして3人目のMarcus Kitsumさんは、世界銀行でEU担当のリードカントリーエコノミストを務め、欧州大学院（EUI）で博士号を取得されています。この研究は1年半以上にわたる大規模な研究チームの成果であり、ポーランドの経済分析・研究機関であるLukasiewicz研究ネットワーク、ポーランド財務省、そしてワルシャワ経済大学のGroviets教授との緊密な協力のもとで進められました。
1-2. ミクロ分析の限界とマクロ視点の必要性
Pavmeik： これまでのAI関連の議論の多くは、ミクロレベルの影響分析に集中してきました。どの職業がAIに晒されているか、どのタスクがリスクにさらされているか、企業レベルで何が起きているか、といった問いです。しかしより根本的な問いは、これらの個別の影響が積み重なり、経済全体を再構成し始めたときに何が起きるのか、という点です。生産性・産出量・価格・賃金が調整されていくとき、経済成長や雇用水準全体にどのような影響が及ぶのでしょうか。
Natalie： この問いに答えるひとつの方法は、経済全体をひとつのシステムとして捉え、そのシステムの構造を数学的な方程式で記述し、AIのような新技術という外部ショックが加わったときに均衡がどのように調整されるかを計算することです。これがいわゆる計算可能一般均衡（CGE）モデルのアプローチです。
AI関連の実証的な研究は非常に幅広く存在します。IMFのAcemogluらのやや悲観的な見方から、より楽観的な推計まで、さまざまな知見が積み上げられています。私たちが参照しているPeterson InstituteのAnton Corinらの論文でも示されているように、AIの雇用インパクトについての見解は大きく分かれています。私たちはこの論争に一方の立場で加わるのではなく、「深い不確実性のもとで政策立案者が複数のシナリオを検討できるツールを提供する」というアプローチをとっています。
1-3. AIが汎用目的技術である理由と深い不確実性
Natalie： AIが他の技術と根本的に異なる点は、単一セクターにとどまらず経済全体に波及していく汎用目的技術（General Purpose Technology）である点です。AIは労働の代替（自動化）と補完（拡張）の両方の可能性を持っており、過去の技術とは異なる複雑な影響をもたらします。さらに、AIの計算コストが急速に低下する一方で、その能力は指数関数的に向上しており、こうした動態はTFP（全要素生産性）への線形ショックとして単純に表現することができません。また、各国はAIのバリューチェーンにおいて異なる位置に立っています。アメリカや中国のように基盤モデルを開発・輸出する上流国もあれば、ポーランドのようにAIサービスを主に輸入しつつICTサービスを輸出する下流国もあります。この国ごとの差異も考慮に入れなければなりません。
こうした特性を踏まえると、経済全体への影響を同一フレームワーク内で分析できるCGEモデルこそが適切なツールであると私たちは考えています。世界銀行はいわゆる貸付機関であるだけでなく、知識銀行（Knowledge Bank）でもあります。「政策立案者がこれらの問いに答えるためのオープンソースのツールを開発できないか」という問いに対して、私たちの答えはYesです。これが今回ご紹介するAI-MANAGEモデルの出発点です。
2. 計算可能一般均衡（CGE）モデルの概要とAI-MANAGEの開発
2-1. CGEモデルの仕組み——主体・最適化・均衡
Lulit： 私たちが採用した分析手法の核心にあるのが、計算可能一般均衡（CGE）モデルです。このモデルでは、経済を構成するさまざまな主体——企業、家計、政府、そして海外部門——がひとつのフレームワークの中で表現されるだけでなく、互いに相互作用します。これが一般均衡モデルの本質的な特徴です。ある政策や外部ショックが加わったとき、その影響はひとつの市場や主体にとどまらず、価格が動き、資源がセクター間・主体間で再配分され、予算制約や資源制約が全体にわたって機能します。
このモデルにおいて最適化行動をとる主体は主に家計と企業です。家計は予算制約のもとで効用を最大化し、企業は技術制約のもとで利潤を最大化します。これらの個別の最適化行動が、マクロ経済の整合性条件と整合的になるよう設計されています。均衡とは需給が一致した状態を意味しますが、モデルの設定によって価格調整の速度は異なります。また重要な点として、「均衡」はすべての勘定が必ず均衡することを意味するわけではありません。財政収支の不均衡や経常収支の不均衡も明示的にモデルに組み込まれており、これらのマクロ経済的不均衡はモデルの中で実際に重要な役割を果たします。
CGEモデルは方程式の体系として構成されており、この体系を実際の経済データに対してキャリブレーション（較正）することで一般均衡理論を操作可能な形に落とし込みます。このデータは社会会計行列（Social Accounting Matrix、SAM）として表現され、国民経済計算体系に含まれるさまざまな取引フローを記述します。方程式体系は数値的に解かれるため、「計算可能（Computable）」という名称がついています。また私たちが使用するモデルは動学モデルであり、時間を通じた動態的な効果を追跡できます。さらに明確にしておきたいのは、CGEモデルは予測モデルではなく、シミュレーションモデルであるという点です。過去の実績に基づいてキャリブレーションされたベースラインシナリオに対して、異なるシナリオを比較するツールとして機能します。
2-2. 標準CGEモデルの限界とAI-MANAGE開発の動機
Lulit： 標準的なCGEモデル——私たちが拡張の対象としたMANAGEモデルを含む——は、もともと非常に幅広い分析に対応できる強力なツールです。セクター間の波及効果や産業連関の分析、マクロ構造変化の把握、財政・貿易への影響評価、そして10年・20年以上にわたる将来シナリオのシミュレーションなど、ひとつのフレームワークの中で多くのことを行えます。
しかし私たちは、AIという技術を適切に分析するうえで、標準的なCGEモデルにはいくつかの重大な限界があることを認識しました。第一に、タスクを明示的にモデル化できないという点です。特に認知労働と身体労働を区別した形でタスクを表現することが、既存モデルの枠組みでは困難でした。第二に、ソフトウェア資本を独立した生産要素として表現できないという点があります。多くのモデルではAIをTFPショックや資本深化として近似していますが、それではAI固有の特性を十分に捉えられません。第三に、同一フレームワーク内でセクターをまたいだ異質な露出度——つまり同じセクター内でも職業によってAIへの晒され方が異なるという現実——を表現することが難しいという問題があります。第四に、AIによる自動化効果と拡張（オーグメンテーション）効果を明示的に区別して同時にモデル化できていませんでした。そして第五に、AIの普及・拡散ダイナミクスを明示的に組み込む仕組みが欠けていました。
Natalie： こうした限界を克服するために、私たちは世界銀行のMANAGEモデルを拡張し、「AI-MANAGE」と呼ぶ新しいモデルを開発しました。このモデルの最初の適用先がポーランドです。ポーランドは、AIの普及パスはどうなるか、雇用・企業への影響はどのようなものか、そして今日どのような政策選択ができるかという問いに真剣に向き合っている国であり、かつ詳細な経済データが整備されているという点でも理想的な適用先でした。AI-MANAGEはオープンソースツールとして開発されており、政策立案者が深い不確実性のもとで複数のシナリオを比較・検討するための実践的なプラットフォームとなることを目指しています。
3. AIの定義・計測とモデルへの組み込み
3-1. AIの定義と社会会計行列への組み込み方法
Lulit： モデルを構築するうえでまず直面した問いは、「AIとは何か」「それをどう計測するか」という根本的な問題です。概念の定義としては、AcemogluとRestrepによる定義を採用しました。すなわちAIとは、データ駆動型の手法を用いるソフトウェアシステムおよび学習済みモデルの総体です。しかし概念が定まっても、それを実際の経済データの中でどう測定するかという問題は別途解決する必要があります。
私たちのモデルの基礎データは社会会計行列（SAM）です。AIは、この行列の中に2つの経路で現れます。第一は「フロー」としてのAIです。企業が外部プロバイダーからAI能力を購入する場合、それはITサービス・ソフトウェア・データ処理といった中間消費として計上されます。これには国境を越えた輸入も含まれます。ポーランドのようにAIサービスを主に輸入している国にとっては、この国際調達の側面が特に重要です。第二は「ストック」としての無形資本としてのAIです。企業が1年以上繰り返し使用するためにAIシステムを取得する場合、それは投資として計上され、国民経済計算上はソフトウェアおよび知的財産への投資（GFCF）として現れます。このように、AIは中間サービスの消費と無形資本への投資という二重の形でモデルに入力されます。定義の根拠としては、国連の国民経済計算体系（SNA）2025年版の基準およびOECDの複数の関連文書に依拠しています。
3-2. ハードウェア・ソフトウェア生産関数と認知・身体労働の区別
Lulit： 標準的なマクロモデルでは、産出は労働と資本の組み合わせによって生産されます。しかしAIの影響を適切に捉えるためには、労働をさらに人間の身体労働と人間の認知労働に区別することが不可欠です。私たちはGroviets、Yablanca、Patreaが開発したハードウェア・ソフトウェアフレームワークを導入し、生産関数を根本から再設計しました。
この新しい生産関数では、産出はハードウェアとソフトウェアという2つの複合的な投入要素から生み出されます。ハードウェアは人間の身体労働と物的資本の組み合わせであり、両者は不完全代替の関係にあります。一方ソフトウェアは、人間の認知労働とデジタルソフトウェア（AIを含む）の複合体です。この構造は入れ子型のCES（定代替弾力性）生産関数として定式化され、ポーランド経済の22セクターと9つの職業分類にわたって適用されます。つまり、農業から金融、ICTに至る22のセクターそれぞれについて、9つの一桁職業分類コード（ISCO）に対応した労働構造が個別に定義されています。
Natalie： 各職業の労働がどの程度「認知的」でどの程度「身体的」であるかを定義するため、私たちは4桁の職業分類レベルでタスクの内容を分析しました。具体的には、大規模言語モデル（LLM）を使って各職業に割り当てられたタスクが主に身体的か認知的かを判定し、その結果をポーランド経済の雇用シェアで加重平均したうえで、一桁レベルの9職業×22セクターの行列に集約しました。結果として、管理職や専門職は認知的タスクの比率が高く、素材・機械オペレーターや単純作業従事者は身体的タスクの比率が高いことが示されました。この分類はポーランド経済の実際の産業構造を反映したものとなっています。
3-3. ILO NASCインデックスによる職業露出評価と代替弾力性への変換
Pavmeik： ここで私はモデレーターから共同研究者の立場に切り替えてご説明します。私がここ1年間で最も多く紹介してきたスライドがこの露出インデックスです。国際標準職業分類（ISCO）に基づく436の職業それぞれが、散布図上のひとつの点として表されています。横軸は各職業の平均露出スコア、縦軸は職業内の各タスクスコアの標準偏差——すなわち職業内のスコアのばらつきを示します。
ポーランドのデジタル行政省傘下の研究機関NASCと共同で、ポーランドの職業分類（6桁レベル、ISCOの約10倍の粒度）を出発点として、各タスクが現在の生成AIによってどの程度実行可能かを評価しました。この評価を職業レベルに集約すると、4つのカテゴリが浮かび上がります。左端の灰色の点群は主に手作業の職業で、生成AIによる自動化の可能性が低いグループです。緑・青のゾーンに移るにつれて、AIによって実行可能なタスクの割合が増加します。そして右端の赤い三角形のグループは、職業内の大半のタスクが高い代替スコアを受け、かつそのスコアのばらつきも小さい——つまり職業全体として高い自動化リスクにさらされているグループです。
Lulit： この露出スコアをそのままモデルに直接投入することはできません。私たちが必要とするのは、認知労働とAIソフトウェアの間の代替弾力性という経済的パラメータです。この変換にはCarendonらの実証推定を用いました。具体的には、代替弾力性の上限を2.18に設定し、ロジスティック曲線を用いて各職業の露出グラジエントに対応する弾力性値を割り当てます。曲線の変曲点には、専門職の労働と資本の間の代替弾力性として実証的に推定された0.86を採用しました。露出がほとんどない職業については、身体労働と同様の代替弾力性を使用しています。こうして生成AIへの露出スコアが、モデル内で認知労働とAIソフトウェアの代替弾力性として機能するパラメータへと変換されます。
3-4. 労働生産性フロンティアの設定とICTブームとの比較検証
Natalie： 自動化（代替）の側面だけでなく、拡張（オーグメンテーション）の効果もモデルに組み込む必要があります。そのために導入したのが、労働生産性フロンティア（上限）という概念です。拡張の可能性が高い職業・セクターに対して、AIの導入が進むにつれて労働の実効的な生産性がどこまで上昇しうるかの上限値を定義します。ベースラインでは拡張効果はゼロです。しかし企業がAI資本を蓄積するにつれて、実効的な労働生産性はこの上限に向かって徐々に上昇していきます。各セクターはそれぞれ固有の上限を持ちます。
この上限値の設定においては、実証的な研究と理論的な文献の両方を参照したうえで、1990年代のICT革命という歴史的な先例に照らしてその妥当性を検証しました。たとえばITサービスセクターでは、10年間の累積でAI拡張による労働生産性の上昇上限を32%と設定しています。これは大きな数字に思えるかもしれませんが、1990年代のICTブーム期における実績と比較すると、むしろ保守的な仮定であることが確認されています。一方、AIへの露出度が低い農業などのセクターでは、上限値は相対的に低く設定されます。このフロンティアは企業のAI資本蓄積の速度に連動して段階的に機能するため、急速な採用が起きるシナリオほど生産性の上昇も早く実現する設計になっています。
4. シナリオ設計
4-1. ベースラインと普及シナリオの定義
Natalie： シミュレーションを行うにあたって、まず比較の基準となるベースラインを定義することが不可欠です。私たちのベースラインは、2025年時点のAI採用水準が2035年まで変化しないという仮定のもとで、ポーランド経済がどのような軌道を描くかを示すものです。言い換えれば、2025年以降にAIの新たな普及が実質的に起きなかった場合の経済の姿です。すべてのシミュレーション結果はこのベースラインとの乖離として表現されます。
AI採用率の指標としては、EurostatのAI採用定義——少なくとも1つのAI技術を使用している企業の割合——を企業レベルで用いています。現時点のポーランドの経済全体の平均採用率は約8%と比較的低水準にあります。ただしこの数値はセクターや企業規模によって大きく異なります。セクター別に見ると、農業では約2%にとどまる一方、金融およびITサービスではすでに約33%に達しており、セクター間の格差は非常に大きいものがあります。
Marcus： この現状を踏まえて、私たちは2つのAI普及シナリオを定義しました。高普及シナリオは、ポーランドを2035年までにEUのフロンティア国が現在置かれている水準まで引き上げることを想定したものです。経済全体の平均採用率が2035年までに約32%に達するという設定で、セクターによって到達水準は大きく異なります。ITサービスでは2035年末までに約74%の採用率に達する一方、農業では依然として11%程度にとどまる見込みです。中普及シナリオは、高普及シナリオの成長率の半分の速度でAI採用が進む想定です。本日の発表では、より影響が鮮明に現れる高普及シナリオの結果を中心にご説明します。
4-2. AI技術効率の改善仮定と労働移動性の設定
Lulit： 普及シナリオに加えて、AI技術そのものの効率改善をどう扱うかという問題があります。AIツールの能力が急速に向上し続けているという現実を無視することはできません。しかし技術がどの程度の速度で進化するかについての客観的な情報は乏しく、私たちは2つの仮定を設けています。ひとつは年率5%の効率改善、もうひとつは年率10%の効率改善です。この効率改善はAIソフトウェアバンドル全体に均一に作用し、全セクターに同じ率で適用されます。比較のために、技術効率が改善しないシナリオも用意しており、この3つを組み合わせることで普及と技術進歩の相互作用を評価できるようになっています。なお年率5%・10%という数値は、AIの現実の進化速度を考慮すれば依然として下限に近い保守的な仮定である可能性があることも付け加えておきます。
Natalie： もうひとつの重要な設計上の選択が、労働移動性の仮定です。AIショックが経済に加わったとき、労働者がどの程度自由にセクター間・職業間を移動できるかによって、結果は大きく変わります。私たちは3つの移動性シナリオを設定しました。第一は不完全移動性シナリオで、現在のポーランドおよび多くの国の労働市場に存在する摩擦——リスキリングの困難さ、地理的・制度的障壁——を反映したものです。これが現実に最も近い基本的な想定です。第二は完全移動性シナリオで、労働者が完全に自由にリスキリングを行い、他のセクターや職業へと移動できることを想定しています。GDP効果の上限を示すシナリオとして位置づけられます。第三は職業・セクター特化型移動性シナリオで、タスクの類似性に基づいて職業間の移動可能性を定義するものです。これは現在も研究を継続しており、最終的な分析には今後組み込まれる予定です。これらの移動性仮定と普及シナリオ・技術効率シナリオを組み合わせることで、複数の政策的含意を持つシナリオ群が構成されます。
5. 分析結果
5-1. GDPへの影響——成長押し上げ効果と要因分解
Natalie： それではいよいよ結果をご覧いただきましょう。まず最も基本的な問いである「AIの普及はポーランドのGDPにどのような影響を与えるか」から始めます。結果を一言で言えば、すべてのシナリオにおいてGDPはベースラインを上回って拡大するという結論です。ただしその規模は、労働移動性の仮定と技術効率の改善仮定によって大きく異なります。
労働市場の摩擦が強い低移動性シナリオでは、GDP押し上げ効果は最も小さくなります。一方、労働市場の摩擦が解消され、労働者が自由にセクター間を移動できる高移動性シナリオでは、GDP押し上げ効果は大幅に拡大します。さらにAI技術の効率改善（年率5%または10%）を加えると、技術改善なしのシナリオと比較してGDP押し上げ効果はほぼ倍増します。つまり、AIの普及そのものに加えて、AI技術の性能向上が経済成長に対して非常に大きな追加的なインパクトをもたらすことが示されています。
Lulit： GDPへの寄与を要因分解すると、いくつかの注目すべき特徴が浮かび上がります。まず最大の成長ドライバーはTFP（全要素生産性）であり、これは短中期・中長期を問わず一貫しています。次に顕著なのがソフトウェア資本の寄与の増大です。これはハードウェア・ソフトウェアフレームワークを採用した結果として自然に現れる特徴であり、AI採用が進むほどAIソフトウェア資本の蓄積が加速することを反映しています。また身体労働の寄与は小幅ながら正の値を維持しています。
一方で成長への貢献が低下する要素も確認されています。物的資本はむしろ成長の抑制要因（ドラッグ）として機能しています。これはソフトウェア資本への投資が拡大する一方で、物的資本への投資が相対的に押しやられる「クラウドアウト」が発生しているためです。そして認知労働のGDP成長への寄与はベースラインと比較して低下しています。技術効率の改善シナリオと改善なしのシナリオを比較すると、各要素の方向性は維持されたまま、その規模が増幅されることが確認されました。
5-2. セクター別付加価値への影響
Natalie： 続いてセクターレベルの結果をご覧いただきます。ポーランド経済において最大のセクターは製造業と卸売・小売業であり、付加価値全体に占めるシェアが最も大きくなっています。全体の傾向として、3つのセクターを除くすべてのセクターで付加価値が増加するという結果が得られました。ただしその恩恵は均等には分配されていません。
最も大きな恩恵を受けるのはコンピュータ・プログラミング・情報サービスセクターです。このセクターはAIサービスの提供者でもあり（一部は輸入ですが）、かつAIへの露出度も高いため、付加価値の拡大幅が際立っています。一般的に、AI露出度の高いセクターほど付加価値の伸びが大きい傾向にあります。
一方で注目すべき例外が不動産セクターです。このセクターは付加価値が顕著に低下するセクターのひとつとして現れました。不動産は非貿易財セクターであり、その需要は主に家計の消費から来ています。AIショックによって家計の所得や需要が変化する結果、不動産への需要が減少するというメカニズムが働いています。これは直接的にAIの影響を受けるセクターではなく、家計部門を介した間接的な波及効果として現れている点が興味深い結果です。
5-3. 雇用・労働市場への影響——セクター×職種別の変化
Marcus： GDPが全体として拡大する一方で、雇用についてはGDPとは対照的な結果が得られています。雇用率（労働需要）はすべてのシナリオにおいてベースラインを下回って低下します。ただしその程度はシナリオによって大きく異なります。
雇用損失が最も大きく現れるのは低移動性シナリオです。労働市場に強い摩擦がある場合、労働者は失われた雇用から新たな雇用機会へと移動しにくく、雇用の減少がより顕著になります。また技術効率改善（年率10%）シナリオでは、自動化と代替の力が支配的になるため、高移動性シナリオであっても雇用損失が拡大します。
セクター×職種別に分解すると、雇用損失の大部分が特定のセクターと職業に集中していることが鮮明になります。雇用減少の影響が最も大きいのは、専門的サービス、金融、管理支援（アドミンサポート）の各セクターです。これらはAIへの露出度が高く、かつ認知的・定型的・コード化可能なタスクの比率が高いセクターです。職業別に見ると、管理職、専門職、技術者、事務職がとりわけ大きな影響を受けています。これらはいずれも認知的でルーティン性が高い職業であり、生成AIによる代替可能性が高いグループです。
一方、身体労働については対照的な結果が見られます。身体労働の雇用は一部のセクターで拡大していますが、その規模は非常に限定的です。たとえば専門的サービスセクターにおける身体労働の雇用拡大は確認されましたが、これは身体労働雇用全体のわずか1.1%を占めるにすぎません。高移動性シナリオでは、認知職業から身体職業への労働の再配分が一定程度起きることも示されましたが、その規模は経済全体として見れば限られたものにとどまっています。
5-4. 4象限分析：自動化・専門性低下・専門性均等化・新規雇用
Marcus： セクターと職業への影響をより包括的に整理するために、私たちは賃金（縦軸）と雇用量（横軸）の2次元で各セクター・職業の変化を描写した4象限の分析図を作成しました。この図はAIが認知労働にどのような影響を与えるかを視覚的に整理するもので、4つのカテゴリが浮かび上がります。
第一の象限は「自動化（Automation）」です。賃金が低下し、かつ労働需要も減少するゾーンです。ここに位置するのは認知的でルーティン性が高く、コード化しやすいタスクが多い職業・セクターです。AI採用率が高く、かつ労働生産性フロンティアも高いセクターが集まっており、金融、ICT、専門・科学・技術職などが典型例として現れました。
第二の象限は「専門性低下（Expertise Reducing）」です。賃金は低下する一方で雇用量は増加するゾーンです。こうした職業・セクターでは、AIの導入によって個々の労働者に求められる専門性や熟練度が低下し、より多くの労働者が採用されますが、賃金水準は下がります。ここでもルーティン性が比較的高い認知職業が現れますが、自動化グループほど代替リスクが高くないものが含まれます。
第三の象限は「専門性均等化（Expertise Leveling）」です。賃金が上昇し、かつ雇用量も増加するゾーンです。AIが労働者の能力を底上げし、生産性が向上する形で機能しているケースです。ここには比較的ルーティン性が低い認知職業が多く、また身体労働や非定型の職業も含まれます。ICTや金融にも、自動化グループとは異なる職業カテゴリとして一部がここに現れています。
第四の象限は「新規雇用（New Jobs）」です。賃金が上昇し、かつ雇用量も増加するゾーンですが、専門性均等化とは異なるメカニズムで生じています。Marcus：ただし正直に申し上げると、このカテゴリについては解釈が単純ではありません。賃金と雇用が同時に増加している背景として、新たなタイプの雇用が創出されているのか、あるいは単純にセクターの拡大によって既存の雇用が増えているのかを現時点では区別できません。労働生産性の向上によってセクター全体が成長し、その結果として雇用と賃金の両方が上昇しているという解釈も成り立ちます。
最後に、技術効率が10%改善するシナリオでの結果を確認すると、全体的なパターンの方向性は維持されながらも、自動化・専門性低下のゾーンに属する職業・セクターへの影響がより深刻になり、専門性均等化・新規雇用のゾーンでの上昇幅もやや拡大するという形で、すべての影響が増幅されることが確認されました。
6. ディスカッション：モデルの限界と今後の課題
6-1. 新たな職種・タスク創出の扱いとモデルの限界
Pavmeik： 発表いただいた結果について、最初に議論したい点があります。提示されたのは予測ではなくシナリオであり、しかも最も極端なシナリオだということは理解しています。それでも認知労働への影響は非常に衝撃的です。認知職の雇用がほぼ全面的に減少する一方で、新たな雇用として現れているのは建設や製造といった極めて手作業的な職業です。これは技術転換における新たなタスク・職種の創出という概念と、どのように整合するのでしょうか。過去の技術革新を研究したDavid Autorらの研究や、Acemoglu・Autor・Johnsonが最近提唱した議論では、新技術は確かに一部の雇用を消滅させ多くの雇用を変容させるが、同時にまったく予想できなかった新しい職種を大量に生み出してきたことが示されています。インターネットが生んだ多くの職業は、登場前には誰も想像できなかったものです。このモデルでそうした新職種の創出は扱われているのでしょうか。
Marcus： まず前提として申し上げておきたいのは、私たちの高普及シナリオ——2035年までにポーランドの採用率が32%に達するという想定——自体が、見方によってはまだ保守的であるという点です。33%という数値を急進的と感じる方もいるかもしれませんが、AIの普及速度を考えればむしろ下限に近い可能性があります。同様に、技術効率の改善を年率5%・10%と設定していますが、現実のAI能力向上の速度を踏まえればこれも低めの仮定かもしれません。つまり「極端なシナリオ」と呼んでいますが、現実はさらにその先にある可能性があります。
そのうえで新職種・新タスクの創出についてですが、これは率直に申し上げて、現在のモデルが明示的に捉えられていない部分です。モデルの構造上、ポーランドの非常に詳細な労働市場データ・職業データ・タスクレベルのデータを組み込んでいますが、それは既存の職業・タスクの組み合わせの変化を追跡するものです。質的に新しいタスクが生まれること、それが新しい職業として結晶化していくプロセスは、現時点では動態の中に含まれていません。ただし一点補足すると、Natalieが最後に示した4象限の図で「新規雇用」として現れているゾーンは、既存のタスクの組み合わせがシフトすることで需要が拡大している職業・セクターを反映しています。完全に新しい職種の誕生ではありませんが、一定の意味で新たな雇用の創出を捉えているとは言えます。これは今後の研究で取り組むべき重要な課題です。
6-2. 市場集中・労働市場制度・他国への応用可能性
Pavmeik： 次の問いはILOの同僚であるRosana Merolaから届いています。このモデルは基本的に完全競争市場を前提としていますが、現実にはAIは市場の集中を促進し、一部の企業が持続的な超過利潤と独占的支配力を持つ「スーパースター企業」が生まれています。モデルは利益を企業間に均等に分配しすぎているのではないか、という指摘です。また私自身からも追加の問いがあります。労働市場の制度や規制環境——採用の実態を左右する制度的要因——はモデルにどのように組み込まれているのでしょうか。
Lulit： これは公平な指摘です。現在のモデルは完全競争を前提としており、独占的競争は組み込まれていません。代替モデルとして内生的技術変化を取り入れた独占的競争の枠組みも存在しますが、今回のモデルにはその要素はありません。ただしポーランドの文脈では、この点はやや緩和される面があります。ポーランドは基本的にAIサービスの輸入国であり、基盤モデルを開発するような上流の企業——市場集中が最も顕著に起きているレイヤー——はポーランド国内には存在しません。したがって基盤モデルレベルでの市場集中の影響は、主に輸入価格の変動という形でモデルに反映されることになり、国内の競争構造への影響は相対的に限定的と考えられます。
労働市場制度についても、すべての制度的要素を詳細に組み込むことはできていません。ただし私たちが設定した労働移動性の3シナリオ——低移動性・高移動性・職業特化型——は、労働市場の摩擦という形で制度的要因を部分的に反映しています。低移動性シナリオは、リスキリングの機会が限られ、地理的・制度的障壁が高い状況を模倣しており、労働市場制度がAI採用の実際の影響を形作るという考え方をある程度取り込んでいます。
6-3. 今後の拡張課題——新タスク定量化・採用から実装へのラグ・他国への展開
Pavmeik： 最後の問いは聴衆のMelania Anglerから届いたものです。グローバルサウス——低所得国——におけるマクロ経済的影響についてはどうでしょうか。今回はポーランドへの最初の適用ですが、他の国々、特により所得水準の低い経済への応用可能性についてはどのようにお考えですか。また歴史的に見てCGEモデルは政策の現場でどの程度活用されてきたか、シナリオが現実に近い結果を生んだ実績があるかどうかも教えてください。
Lulit： 他国への展開可能性についてですが、私たちは最初からこのモデルを様々な国に適用できるよう設計しています。しかし率直に言って、このモデルは非常にデータを必要とするものです。ポーランドが理想的な最初の適用先だったのは、詳細な経済データが整備されていたからです。物的資本と無形資本を区別できるだけのデータ、そして18の労働セグメントに分解できるだけの職業・雇用統計が存在していました。こうした詳細なデータが得られない国、特に低所得国においては、分析の深度を相応に落とさざるを得ません。セクター分解や労働セグメントの数を減らすといった対応は可能ですが、それはモデルの精度と引き換えになります。データの利用可能性が他国への展開における最大の制約条件です。
CGEモデルの政策活用実績については、このクラスのモデルは広く使われています。限界は多くありますが、それにもかかわらず政策分析・シナリオ分析における有用なツールであり続けています。ポーランドのケースでは、MANAGEモデルはすでに財務省のモデリングチームが実際に使用しています。他の国々でも広く活用されており、様々な政策の影響評価に用いられてきました。
ただし精度についての正直な評価も必要です。CGEモデルはシミュレーションモデルであり、予測モデルではありません。モデルはすべて現実の単純化です。私たちが比較しているのは「他のすべての条件が同じであれば、このパラメータを変えたら何が起きるか」というベースラインとシミュレーションの差分です。その意味において、モデルが示す絶対的な数値よりも、シナリオ間の相対的な差異と方向性に着目することが重要です。
Lulit： 最後に、今後の拡張として私たちが取り組もうとしている課題を2点申し上げます。第一は新タスクの創出の定量的なモデル化です。技術的な仕様としては実装可能ですが、最大の問いは「どれだけの新タスクが実際に生まれているのか」という実証的な裏付けです。私たち自身がAIツールを使い始めると、既存の職務をこなしながら同時に新しいタスクを生み出していることに気づきます。しかしそれがどの程度の量なのかは自明ではなく、この実証的な推定が課題です。第二は採用から実装へのラグの問題です。現在のモデルはAI技術を採用した時点からその効果が即座に発現すると仮定していますが、実際には採用してから組織内でその技術が実際に機能するまでには一定の時間的なずれがあります。このラグをモデルに組み込むことが次のステップとして重要です。
Pavmeik： この議論はあと1時間は続けられそうですが、セッションの時間が来てしまいました。Lulit、Natalie、Marcusの3名に改めて感謝申し上げます。今回が初めての発表ですが、今後さらに議論を深める機会があるでしょう。ITUはジュネーブでの物理的な会合に向けてAI for Goodセッションをいったん休止しますが、秋には新たなエピソードでお会いしましょう。