2024-11-26 AI時代の仕事革命：消えゆく境界線と新たな可能性

※本記事は、MIT Sloan Management ReviewとBoston Consulting Groupの共同ポッドキャスト「Me, Myself, and AI」の2024年9月4日に開催されたGeorgetown University/World BankイベントでのCarl Benedikt FreyとKarin Kimbroughへのインタビュー内容を基に作成されています。

登壇者：

• Sam Ransbotham（モデレーター）：Me, Myself, and AIのホスト
• Carl Benedikt Frey：オックスフォードインターネット研究所のDieter Schwarz AI・労働研究准教授
• Karin Kimbrough：LinkedInのチーフエコノミスト
• Timothy DeStefano, Jonathan Timmis：イベント主催者

イベントの詳細情報は、World Bankのウェブサイト（https://www.worldbank.org/en/events/2... ）でご覧いただけます。本記事では、ポッドキャスト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、オリジナルのポッドキャストやイベント録画（https://mitsmr.com/4eSmJIB ）をご参照ください。

関連リソース：

• AI in Actionイベントの過去の録画
• DeStefanoとTimmisの論文「Do Capital Incentives Distort Technology Diffusion? Evidence on Cloud, Big Data, and AI」
• LinkedInグループ「AI for Leaders」（mitsmr.com/AIforLeaders）

1. イベント概要

1.1. World Bank-Georgetownイベント「Jobs in the Age of AI」の背景と目的

Sam: ジョージタウン大学マクドン・スクール・オブ・ビジネスの准教授であるTima Stephanoさんにお話を伺います。World Bank-Georgetownイベント「Jobs in the Age of AI」についてご説明いただけますか？

Tim Stephano: このイベントは、私とJohn timusが共同で企画したAI in Actionカンファレンスシリーズの一環として開催されています。シリーズ全体の目的は、産業界の専門家、政策立案者、そして学術研究者という、AIの主要なステークホルダーが一堂に会し、AIに関する政策と知見を共有するためのフォーラムを作ることにあります。

特に今回のカンファレンスでは、AIが現在の雇用にどのような影響を与えているのか、そして将来の雇用にどのような影響を与えうるのかについて、リアルタイムの情報を提供することを目的としています。

Sam: イベントの構成について、もう少し詳しく教えていただけますか？

Tim Stephano: もちろんです。イベントは大きく二部構成になっています。前半では、学術研究者による最新のデータと研究成果の共有が行われます。特に、AIが雇用に与え始めている影響について、リアルタイムのデータを基にした分析結果が共有されます。後半では、企業の実務家が登壇し、実際の企業においてAIがどのように実装されているのか、そしてそれが雇用にどのような影響を及ぼし始めているのかについて、具体的な事例を交えて議論します。このように学術と実務の両面からアプローチすることで、より包括的な議論が可能になると考えています。

このように、私たちは理論と実践の橋渡しをする場を提供することで、AIが雇用に与える影響について、より深い理解を促進することを目指しています。

1.2. イベントの構成：学術研究者とビジネス実践者の対話

Sam: Tim先生、このイベントの構成について詳しくお聞かせください。特に、なぜ学術研究者とビジネス実践者の両方を登壇者として選ばれたのでしょうか？

Tim Stephano: このイベントでは、二つの異なる視点からAIと雇用の関係を探ることを意図しています。前半のセッションでは、学術研究者たちが登壇し、AIが雇用市場に与える影響について、最新のデータと研究成果を共有します。これは、マクロな視点からAIの影響を理解するために重要です。

Sam: そして後半は産業界からの視点ですね。

Tim Stephano: はい。後半のセッションでは、企業の実務家が登壇し、実際の企業内でAIがどのように実装されているのか、そしてそれが従業員の仕事にどのような影響を与えているのかについて、具体的な事例を共有します。例えば、LinkedInのチーフエコノミストのKaren Kimbroは、実際のプラットフォームデータに基づいて、AIがどのように職場を変革しているかについて話してくれます。

Sam: つまり、理論と実践の両面からアプローチすることで、より包括的な理解を目指しているということですね。

Tim Stephano: その通りです。AIの影響は複雑で多面的です。学術研究だけでは見えてこない実務的な課題があり、逆に実務だけでは把握できない長期的なトレンドや構造的な変化があります。この二つの視点を組み合わせることで、より深い洞察が得られると考えています。特に、AIという新しい技術が雇用市場に与える影響を理解するためには、このような多角的なアプローチが不可欠だと考えています。

2. Carl Freyのキーノートスピーチの洞察

2.1. AIによる自動化の3つの障壁の再評価

Sam: Carl先生、2013年の論文で示された自動化の3つの障壁について、現在の視点からどのように評価されていますか？

Carl Frey: 2013年の論文で私たちが示した自動化の主要な障壁の一つは、複雑な社会的相互作用でした。当時の最先端のチャットボットの代表例は、Eugene Gostmanでしたね。このチャットボットは、英語を第二言語として話す13歳のロシア人少年を模倣することで、チューリングテストで多くの人々を騙すことに成功しました。

Sam: 現在のチャットボットとの違いについて、どのようにお考えですか？

Carl Frey: 現代のチャットボットは、明らかにEugene Gostmanよりもはるかに高度な能力を持っています。少なくともバーチャル空間においては、自動化の進歩は顕著です。しかし、興味深いことに、これらのテクノロジーの進歩は、対面でのコミュニケーションの価値をむしろ高めているのです。つまり、AIが多くのコミュニケーションを代替できるようになればなるほど、実際の人間同士の対面コミュニケーションの希少性と重要性が増していくという逆説的な状況が生まれています。

Sam: その評価の根拠について、もう少し詳しくお聞かせください。

Carl Frey: 社会的相互作用という障壁は、部分的にはまだ有効だと考えています。なぜなら、AIが進歩すればするほど、人間にしかできない対面でのコミュニケーションの価値が相対的に高まっているからです。例えば、もしAIが誰もの恋愛レターを書くようになれば、初デートの重要性は逆に増すでしょう。同様に、すべての企業がAIを使って製品を売り込むようになれば、対面での営業活動こそが差別化要因になるのです。このように、技術の進歩は必ずしも人間のコミュニケーション能力の価値を低下させるわけではありません。むしろ、特定の形態のコミュニケーション、特に対面でのコミュニケーションの価値を高める可能性があるのです。

2.2. 対面コミュニケーションの価値上昇の仮説

Sam: Carl先生、AIの進化によって、対面コミュニケーションの価値が逆に高まるという興味深い仮説についてお話しいただけますか？

Carl Frey: はい、これは非常に重要な洞察です。AIの能力が向上するにつれて、私たちは価値の「希少性シフト」が起きていることに気付きました。つまり、あるものが豊富になれば、別のものが希少になるという原理です。

Sam: 具体的な例を挙げていただけますか？

Carl Frey: 例えば、AIが誰もの恋愛レターを書けるようになったとしましょう。すると、初デートの重要性が逆に高まることになります。なぜなら、文章によるコミュニケーションが均質化されればされるほど、実際の対面での印象や相互作用が差別化要因として重要になってくるからです。

同様のことが、ビジネスの世界でも起きています。もし全ての企業がAIを使って製品を売り込むようになれば、そのマーケットプレイスで自社を差別化するにはどうすればよいでしょうか？答えは、対面でのコミュニケーションです。人間同士の直接的な接触が、むしろ重要な差別化要因となってくるのです。

Sam: つまり、AIの進化が逆説的に人間的な要素の価値を高めているということですね。

Carl Frey: その通りです。バーチャル空間でのコミュニケーションがAIによって自動化・効率化されればされるほど、リアルな対面でのコミュニケーションの価値は相対的に高まっていきます。これは、単なる技術的な代替ではなく、人間の社会的相互作用の本質的な価値を再確認させる現象だと考えています。

2.3. 創造性の自動化における限界

Sam: Carl先生、AIの自動化における二つ目の障壁として、創造性の問題を挙げられていましたが、この点についてどのようにお考えですか？

Carl Frey: 創造性の自動化について議論する際の最大の課題は、そもそも創造性とは何かを定義することの難しさにあります。しかし、基本的には「何らかの商業的あるいは象徴的な価値を持つ、新しいアイデアや成果物を生み出すこと」と考えることができます。

Sam: その定義に基づくと、現在のAIの創造性についてはどのように評価されますか？

Carl Frey: フロンティア能力、つまり真に新しい価値を創造する能力という観点からみると、私たちはまだAIによる完全な自動化からはかなり遠い位置にいると考えています。たとえば、AIは既存の概念を再構成したり、過去のパターンから予測を行ったりすることは得意としています。しかし、人間の活動の多くは、単なる過去のパターンの外挿を超えたものなのです。

Sam: それは具体的にどういうことでしょうか？

Carl Frey: 人間は、単なるパターンの認識や再構成を超えて、世界についての精神的なモデルや理論を構築することができます。この能力が、真の創造性の源泉となっているのです。AIは既存のデータやパターンの中で非常に効率的に動作しますが、全く新しい概念を生み出したり、既存の概念を根本的に再構築したりする能力については、まだ人間に及びません。これは、創造性という観点から見た場合の、現在のAIシステムの本質的な限界の一つだと考えています。

2.4. 単純な外挿を超えた人間の思考モデルの重要性

Sam: Carl先生、人間の思考モデルとAIによる予測の違いについて、興味深い歴史的な例を挙げられていましたね。

Carl Frey: はい。1900年における人間の飛行可能性の予測を例に説明させていただきます。もし当時、AIアルゴリズムを使って飛行の可能性を予測しようとしていたら、どうなっていたでしょうか。おそらく、それまでの失敗実験のデータを大量に学習することになったでしょう。

また、鳥のデータを参照点として使用したかもしれません。これは実際、人間の飛行が可能であることを示唆した最初のヒントでした。しかし、そのデータを見ると、50ポンド以上の鳥は飛べないか、あるいは非常に困難に飛んでいることが分かります。このような過去のパターンからの単純な外挿では、人間の飛行は不可能だという結論に至ったでしょう。

Sam: では、人間はどのようにしてその限界を超えることができたのでしょうか？

Carl Frey: 人間は単なるパターンの外挿を超えて、世界についての精神的なモデルを構築し、理論を作り出すことができます。これらの理論によって、私たちは環境を再構築し、新しい可能性を生み出すことができるのです。

例えば、過去200年の生産性成長のパターンを見てみましょう。1920年から1970年にかけて大きな生産性の成長があり、その後減速し、1995年から2004年に短期的な回復があり、その後再び停滞しています。このデータの任意の時点から外挿を行うと、おそらく誤った予測になるでしょう。

Sam: つまり、過去のパターンだけでは不十分だということですね。

Carl Frey: その通りです。むしろ私たちは、実際に起きている技術的な変化を観察し、それらの技術がどのように経済を再形成する可能性があるかを理解しようとすべきです。もちろん、これも一種の推測ゲームではありますが、単なるパターンの外挿よりもはるかに有用なアプローチだと考えています。人間の優位性は、まさにこのような理論構築と環境再構築の能力にあるのです。

2.5. 自動化は「単純化」を通じて実現される発見

Sam: Carl先生、一般の人々がAIによる自動化を考えるとき、多くの場合ロボットを想像すると指摘されていましたが、実際の自動化はどのように進むのでしょうか？

Carl Frey: 現実の自動化の多くは、実は単純化を通じて実現されます。典型的な例として、洗濯機の発明を考えてみましょう。私たちは手洗いの動作を模倣するロボットを作ったわけではありません。また、家まで歩いていって洗濯物を干すロボットも作っていません。代わりに、電気洗濯機という形で、プロセス全体を単純化することで自動化を実現したのです。

Sam: そうすると、現在の職務分析による自動化の予測には限界があるということでしょうか？

Carl Frey: その通りです。例えば、ある仕事のタスク構成を分析し、「これは自動化可能」「これは自動化不可能」と分類するアプローチには大きな限界があります。なぜなら、このアプローチでは重要な可能性を見落としてしまうからです。

具体例を挙げましょう。もし自動運転車について、現在の運転タスクを分析すると、「ステアリングホイールを握るには指先の器用さが必要だから、この部分は自動化できない」という結論に至るかもしれません。しかし実際には、完全自動運転車が実現したとき、誰もステアリングホイールを握る必要はないのです。

Sam: つまり、自動化は既存のプロセスの模倣ではなく、プロセス自体の再設計を通じて実現されるということですね。

Carl Frey: その通りです。ほとんどの自動化は、タスクの単純な代替ではなく、プロセス全体の単純化を通じて実現されます。このことは、将来の自動化の可能性を考える上で非常に重要な視点となります。タスクの個別分析だけでなく、プロセス全体をどのように再設計できるかという観点が必要なのです。

3. LinkedInのデータに基づく労働市場の変化

3.1. AIスキルの急速な普及：過去1年で5倍の増加

Sam: Karen さん、LinkedInは世界中の職業データを持つプラットフォームとして知られていますが、最近のAIスキルの普及についてどのような傾向が見られていますか？

Karen Kimbro: LinkedInは10億人以上のメンバーを持つグローバルプラットフォームとして、ユーザーの学歴、スキル、職歴などの包括的なデータを収集しています。これにより、私たちは前例のない規模でキャリアの階段についての全体像を把握することができます。

最近特に注目すべき傾向として、AIスキルへの投資が急速に増加していることが挙げられます。具体的には、過去1年間でLinkedInラーニングにおけるAI関連コースの受講が5倍に増加しています。

Sam: それは技術系の人材に限った傾向なのでしょうか？

Karen Kimbro: いいえ、興味深いことに、この傾向は技術系人材に限定されていません。AIスキルの獲得は大きく2つのパターンに分かれています。一つはAIの専門家として、例えば大規模言語モデルの構築などを行う人々です。もう一つは、AIリテラシーの獲得を目指す人々です。

例えば、経済学者や教授といった非技術系の専門家がChatGPTやGitHub Copilotなどのツールをより効果的に活用するために、AIリテラシーの向上を図るケースが増えています。これは、AIが特定の専門家だけでなく、幅広い職種の人々にとって重要なツールとなりつつあることを示しています。

Sam: つまり、AIスキルは新しい必須スキルになりつつあるということですね。

Karen Kimbro: その通りです。特に注目すべきは、人々が自発的にAIスキルの習得に投資していることです。LinkedInのプロフィールにAIスキルを追加する人が急増していますし、実際にLinkedInラーニングを通じてスキルアップを図る人も増えています。これは、労働市場がAIによって大きく変化しつつあることを、働く人々自身が強く認識している証左だと考えています。

3.2. 職務内容の変化：マーケティングマネージャーの例

Sam: Karenさん、具体的な職種でAIによる変化を見てみましょう。マーケティングマネージャーの役割はどのように変化していますか？

Karen Kimbro: 興味深い変化が起きています。私たちのデータを分析すると、既存の職種内でタスクの構成が大きく変化していることがわかります。例えば、マーケティングマネージャーという役職は従来から存在していますが、その中で行われる実際の業務内容が変化しているのです。

Sam: それは具体的にどのような変化なのでしょうか？

Karen Kimbro: 職務を「タスクの集合体」として見ると、各タスクには特定のスキルが必要です。現在起きているのは、ジェネレーティブAIの導入により、従来のルーティン的なタスクから、より付加価値の高いタスクへの「回転」です。

マーケティングマネージャーは、AIを活用して定型的な業務を効率化し、その時間を、より創造的で戦略的な業務に振り向けています。これは単なる生産性の向上ではなく、人間としての付加価値を最大化するための質的な変化です。

Sam: つまり、AIは仕事を奪うというよりも、仕事の質を変えているということですね。

Karen Kimbro: その通りです。特に技術職以外の職種でも、人々は新しいAI技術を活用して生産性を向上させ、より価値の高い業務に注力できるようになっています。これは、仕事の「破壊」ではなく「進化」と見るべきでしょう。従来は時間のかかっていた定型業務をAIが支援することで、人間はより創造的で判断を要する業務に集中できるようになっているのです。

3.3. ジェンダーによる影響の差：女性の3分の1が「破壊的影響」を受ける職種に従事

Sam: Karenさん、AIの影響にジェンダーによる差があるというデータを示されていましたが、具体的にどのような傾向が見られているのでしょうか？

Karen Kimbro: LinkedInのデータベースを分析したところ、非常に重要な発見がありました。私たちのプラットフォーム上の女性ユーザーの約3分の1が、AIによって「破壊的影響」を受ける可能性が高い職種に従事していることがわかりました。これに対して、男性では約4分の1にとどまっています。

Sam: その差はどのような要因によるものなのでしょうか？

Karen Kimbro: この差異は、職種の偏りに大きく起因しています。私たちは職種を「破壊される（disrupted）」「絶縁される（insulated）」「拡張される（augmented）」という3つのカテゴリーに分類しています。例えば、ジェネレーティブAIによってタスクの3分の2が代替可能な職種は「破壊される」カテゴリーに分類されます。

例を挙げると、この会話の文字起こしを手作業で行う仕事を考えてみましょう。非常に高度な専門性が必要な場合を除いて、このような作業に対して報酬を支払う意思は急速に低下するでしょう。このように、特定のタスクが完全に代替される可能性のある職種が「破壊される」カテゴリーに含まれます。

Sam: これは深刻な構造的課題を示唆していますね。

Karen Kimbro: はい。重要なのは、これが単にジェンダーの問題だけではないということです。確かに女性の方が影響を受けやすい状況にありますが、男性も決して安全ではありません。むしろ、これは職種の構造的な変化の問題として捉える必要があります。そして、この変化に対してどのように適応していくかが、今後の重要な課題となるでしょう。

3.4. 教育レベルによる適応能力の違い

Sam: Karenさん、AIの影響を受ける職種からの移行について、教育レベルによる違いがあるとのことですが、具体的にどのような傾向が見られますか？

Karen Kimbro: はい、私たちの研究で非常に興味深い発見がありました。AIによって「破壊される」職種に従事している人々が、どのような経路で職種移行するかを分析したところ、教育レベルによって明確な違いが見られたのです。

高等教育を受けた人々は、「拡張（augmented）」バケットに分類される職種へ移行する可能性が高いことがわかりました。「拡張」バケットとは、AIを活用することで生産性が向上し、より付加価値の高い業務に注力できる職種を指します。

Sam: 一方、教育レベルが低い場合はどうなりますか？

Karen Kimbro: 教育レベルが低い場合、「絶縁（insulated）」バケットに分類される職種への移行が多く見られます。「絶縁」バケットには、例えば錠前師や理学療法士など、当面AIの影響を受けにくい職種が含まれています。

Sam: そうすると、教育レベルが職業選択の幅に大きく影響するということですね。

Karen Kimbro: その通りです。ただし、これは単純に教育レベルだけの問題ではありません。スタート地点となる職種や、所属する産業によっても大きく影響を受けます。特に、産業によってAIへの適応速度が異なることも重要な要因です。このような複合的な要因を理解することが、効果的な支援策を考える上で重要だと考えています。

4. 今後の展望と政策的示唆

4.1. AIは汎用技術として広範な影響を及ぼす：米国の80%の職種に影響

Sam: Jonathan先生、このイベントを通じて見えてきたAIの影響の広がりについて、お聞かせください。

Jonathan Timus: このイベントを通じて、AIが汎用目的技術（general purpose technology）としての性質を持っていることが明確になりました。具体的なデータとして、米国の職種の約80%が、少なくとも一部のタスクでAIの影響を受ける可能性があることがわかっています。

Sam: その影響は具体的にどのような形で現れているのでしょうか？

Jonathan Timus: 多くの産業分野で、AIが従業員の生産性向上を支援しています。例えば、カスタマーサービスタスク、コーディング、製品推奨システムなど、様々な領域でAIの活用が進んでいます。特筆すべきは、これらの変化が特定の産業に限定されておらず、幅広い分野で同時に起きていることです。

Sam: それは従来の技術革新とは異なる特徴だと考えられますか？

Jonathan Timus: はい。AIの影響力の広がりは、産業革命期の蒸気機関や、20世紀の電気のような、歴史的な汎用技術に匹敵する可能性があります。しかし、AIの場合、その影響はより広範で、より急速に広がっているという特徴があります。また、単なる自動化や効率化だけでなく、仕事の質的な変化をもたらしているという点も重要です。これは、私たちが今後の政策立案において考慮すべき重要な要素となるでしょう。

4.2. 低スキル労働者への予想外の恩恵の可能性

Sam: Jonathan先生、AIがもたらす影響について、これまでの技術革新とは異なる興味深い傾向があるとのことですが。

Jonathan Timus: はい。過去の技術革新、例えばロボットやコンピュータは、主に高スキル労働者に恩恵をもたらし、低スキル労働者を不利な立場に追いやる傾向がありました。しかし、現在のAIについて得られている証拠は、これまでとは異なるパターンを示唆しています。

Sam: 具体的にはどのような違いが見られるのでしょうか？

Jonathan Timus: 興味深いことに、AIは低スキル労働者により大きな恩恵をもたらす可能性があります。例えば、AI翻訳の発展により、外国語スキルの必要性が低下しています。これは、従来、言語スキルの不足によって就業機会が制限されていた低スキル労働者にとって、大きな機会の拡大につながります。

また、基本的なコーディングスキルしか持たない人々でも、AIのコーパイロットを使用することで、より高度なプログラミングが可能になっています。これは、従来は高度なスキルが要求されていた職種への参入障壁を大きく下げる効果があります。

Sam: それは発展途上国の労働者にとっても朗報となりそうですね。

Jonathan Timus: その通りです。特に、これまで言語の壁が大きな障害となっていた発展途上国の労働者にとって、AI翻訳の発展は新たな機会をもたらす可能性があります。これは、グローバルな労働市場における機会の平等化につながる可能性を秘めています。

4.3. AIツール活用における訓練の重要性

Sam: Jonathan先生、AIは単なるツールではないというお話でしたが、その活用において重要な課題は何でしょうか？

Jonathan Timus: AIは確かに強力なツールですが、それを効果的に活用するためには適切な判断力とスキルが必要です。特に重要なのは、AIが予測型のタスクを自動化するにつれて、その予測結果に基づいて何をすべきかを判断する人間の能力がより重要になってきているということです。

Sam: それは具体的にどのような課題をもたらしていますか？

Jonathan Timus: 現実的な課題として、多くの労働者がGPTやコパイロットなどのAIツールの使用に不慣れであることが挙げられます。また、中小企業や発展途上国の企業では、必要なトレーニングを提供する余裕がないケースも多く見られます。

Sam: そうした課題に対する解決策はありますか？

Jonathan Timus: はい。この課題は、私たちの第1回AI in Actionカンファレンスでも議論された重要なテーマでした。AIが予測型タスクを自動化するにつれて, 判断力や予測結果の解釈能力の重要性が増しています。

しかし、すべての労働者がGPTやコパイロットを快適に使用できているわけではありません。特に中小企業や発展途上国の企業では、必要なトレーニングを提供することが財政的に困難な場合があります。この課題に対しては、産業界と教育機関の協力による体系的なトレーニングプログラムの開発が必要だと考えています。

4.4. 規制の影響：英国のクラウドサービス税制事例

Sam: Jonathan先生、規制がAIの普及に与える影響について、英国の興味深い事例をご紹介いただけますか？

Jonathan Timus: はい。Timとの共同研究で、英国のIT投資に対する税制インセンティブの影響を分析しました。興味深いことに、この政策は意図せぬ結果をもたらしました。

具体的には、英国がIT機器と機械設備への投資に対して税制インセンティブを導入したのですが、クラウドサービスの利用料は対象外とされました。その結果、企業は自社でサーバーやIT機器を購入する方向に傾き、クラウドサービスの採用が抑制されることになったのです。

Sam: それはAIの普及にも影響を与えたのでしょうか？

Jonathan Timus: はい、大きな影響がありました。AIの多くはクラウドベースのサービスに依存しているため、クラウドサービスの普及の遅れは、結果的にAIの採用も遅らせることになりました。実際、この政策により、英国におけるAIの普及は約1年遅れたと推定されています。

Sam: その教訓から、今後の政策立案において重要なポイントは何でしょうか？

Jonathan Timus: この事例は、AIに関する規制を考える際には、直接的な規制だけでなく、より広い文脈での政策の影響を考慮する必要があることを示しています。例えば、選挙における偽情報やディープフェイクの問題など、AIに関連するリスクに対処する必要がある一方で、イノベーションを過度に抑制しないバランスの取れたアプローチが重要です。さらに、税制のような一見関係のない政策が、AIの普及に予期せぬ影響を与える可能性があることも考慮に入れる必要があります。