※本記事は、国連専門機関である国際電気通信連合（ITU）が主催し、40の国連関係機関およびスイス政府と共同開催するAI for Good Global Summitのウェビナーシリーズ「AI & Work」第1回セッションの内容を基に作成されています。本シリーズは国際労働機関（ILO）によってキュレーションされています。動画の詳細およびAI for Goodコミュニティプラットフォーム「Neural Network」への参加はhttps://aiforgood.itu.int/neural-netw... よりご覧いただけます。
登壇者は以下の2名です。Janine Berg氏はスイス・ジュネーブのILOに勤務するシニアエコノミストであり、雇用、労働市場制度、仕事のデジタルトランスフォーメーションをテーマとする複数の著書および多数の論文を執筆しています。Pawel Gmyrek氏はILOのシニアリサーチャーであり、AIが雇用と職業構造に与える影響、および生成AIを含む革新的なデータサイエンスツールの研究利用を専門としています。
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生じてい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（https://www.youtube.com/watch?v=RdVTJB2XrIk ）をご視聴いただくことをお勧めいたします。
1. イントロダクション
1-1. AI for Good「AIと仕事」シリーズの趣旨と登壇者紹介
Reinhardt： 皆さん、AI for Goodへようこそ。私はITU（国際電気通信連合）のReinhardt Harschです。AIの分野において、AIが私たちの仕事や子どもたちの仕事にどのような影響を与えるかという問いは、おそらく最も広く議論されているテーマです。AI for Goodでは、AIと仕事に関する最新の研究や調査に光を当てるため、新たなシリーズ「AIと仕事」を立ち上げることになりました。このシリーズは、国際労働機関（ILO）の2人の同僚によってキュレーションされています。
本日の発表者であるJanine BurkeとPavの2人がそのキュレーターです。JanineはILOのシニアエコノミスト、PavもILOのシニアリサーチャーであり、ともに労働市場、労使関係、労働条件、そして技術が労働力に与える影響について深い知見を持っています。2人はつい最近、生成AIが雇用に与える影響に関する科学的研究を発表しており、本日はその内容を詳しく説明していただきます。発表はおよそ30分程度を予定しており、その後に十分な質疑応答の時間を設けています。質問はセッションの進行中にチャットへ随時お寄せください。
1-2. AIが雇用に与える影響をめぐる二つの論陣
Reinhardt： AIと雇用の関係については、大きく分けて二つの立場があります。一方は、歴史が示すように、技術的な変化は最終的に人類にとってプラスに働いてきたという楽観論です。新しい技術が登場するたびに新しい仕事が生まれ、より良い仕事が創出されてきた、今回も同じだという考え方です。もう一方は、今回は違うという悲観論です。AIは現在の仕事の一部を陳腐化させるだけでなく、新たに生まれる仕事もまたAIやロボットに奪われていくという主張です。本日の発表は、こうした論争に対して最新の研究成果をもって光を当てるものです。
Pav： ご紹介いただきありがとうございます。それでは早速、発表に入らせていただきます。本研究は、生成AIが雇用に与える潜在的な影響をグローバルな視点で分析しようとするものです。グローバルな全体像を描くことは容易ではありませんが、私たちはその挑戦に取り組みました。
2. 研究の枠組みと方法論
2-1. テクノロジーと職務タスクの相互作用：三つの類型（交換台オペレーター・銀行員・パイロット）
Pav： テクノロジーが雇用に与える影響を分析するにあたり、まず考えなければならないのは、テクノロジーと職務タスクがどのように相互作用するかという点です。私たちはこれを考えるうえで、過去の事例から三つの典型的な類型を示しています。
一つ目は交換台オペレーター（switchboard operator）です。かつては非常に多くの人が従事していたこの職業は、ある技術が登場したことで、その職業の中核をなすタスクと非常に強く相互作用し、結果として職業そのものが今日ではほぼ消滅しました。テクノロジーによる完全な代替、すなわち「自動化」の典型例です。
二つ目は銀行の窓口担当者（bank teller）です。1990年代にATMやオンライン接続技術が普及した際、多くの人々がこの職業は消えると恐れました。当時の銀行員は主に現金の受け渡しといった物理的な業務を担っており、その業務がATMに代替されるように見えたからです。しかし実際に起きたことは逆でした。James Bessenをはじめとする経済学者の研究が示すように、ATMの普及はむしろ銀行員の需要を増やしました。職業そのものがなくなったのではなく、タスクの内容が進化し、職業が変容したのです。これは「拡張（オーグメンテーション）」の典型例と言えます。
三つ目は航空機のパイロットです。技術的には自動操縦システムがパイロットの業務の多くを代替できる水準に達しつつあります。しかし、たとえ技術的に可能であったとしても、私たちは人間をループの中に残しておきたいと考えるはずです。安全上の理由はもちろん、社会的・倫理的な観点からも、完全な自動化が望ましくない職業が存在します。これはテクノロジーと職業の相互作用が「人間の継続的関与」を前提とするケースです。
この三類型が、私たちが職務タスクを分析する際の基本的な思考枠組みになっています。
2-2. ISCO（国際標準職業分類）を起点とした分析設計
Pav： 職業と雇用を研究する者は、最終的に必ずISCO（International Standard Classification of Occupations：国際標準職業分類）にたどり着きます。ISCOはILOが管理し、各国の統計学者が国際的に合意した職業分類体系であり、各国の労働力調査データを国際標準に集約することで、国際比較を可能にしています。世界に何種類の仕事が存在し、何人がそれに従事しているかを知ろうとすれば、必ずこのシステムに依拠することになります。
ISCOの階層構造を見ると、最上位には10の大分類（occupational groups）があり、最も詳細なレベルでは436の職業が定義されています。そして各国の統計学者が国際会議の場で合意した内容として、それぞれの職業に付随する「典型的なタスク」の記述があります。ISCOの公式文書には合計3,123のタスクが収録されており、これが各職業の内実を定義するものとなっています。私たちの研究はまさにこの3,123タスクを出発点としています。
2-3. GPT-4の研究ツールとしての活用と精度検証
Pav： 本研究では、生成AIの雇用への影響を分析するにあたり、その分析ツール自体にも生成AIを活用しました。具体的にはOpenAIのGPT-4モデルをAPIを通じて使用しており、当時利用可能な最も高度なモデルです。Pythonスクリプトを通じてモデルにアクセスし、二段階の精度検証を行いました。
第一の検証は、職業定義の理解精度です。ISCOにおける職業定義（例えば小学校教員の定義）をモデルに与え、モデルがその職業についてどのような記述を生成するかを確認しました。モデルが出力した定義はISCOの公式定義よりも長く、かつより完全なものでした。これはモデルがISCO以外の職業分類体系（例えばヨーロッパ版のESCOなど）も学習していることから、複数の情報源を統合してより豊かな職業理解を示せることを意味しています。多くの職業においてこの傾向が確認されました。
第二の検証は、タスク生成の精度です。ISCOに記載されている小学校教員の公式タスクリストと、GPT-4が生成したタスクリストを比較すると、非常に高い類似性が認められました。ただし一点注目すべき傾向として、モデルが生成するタスクはデジタル関連のものをやや多く含む傾向がありました。これはISCOの職業定義が策定されたのが比較的以前であり、モデルはより新しい記述からも学習しているためと考えられます。とはいえ全体としての精度は高く、この検証によってモデルが職業とタスクの構造を十分に理解していることが確認できたため、次のステップである3,123タスク全体へのスコアリングへと進みました。
3. タスクレベルのスコアリングと職業分類
3-1. 3,123タスクへのスコアリング：手法・高スコアタスクの特徴・職業グループ別分布
Pav： 精度検証を終えた後、私たちはISCOに収録されている3,123のタスク全件に対して、GPT-4をループ処理で適用しました。各タスクに対してモデルに問うたのは、「GPT-4と同等の能力を持つ技術によって、このタスクを実行できるか」という一点です。モデルは0から1のスコアで回答し、加えてそのスコアを与えた理由を文章で出力します。この文章による正当化を求めることで、スコアの一貫性を事後的に検証できるようにしました。
具体的な例として、小学校教員のタスクである「毎日の授業計画を作成する」に対してはスコア0.6が付与されました。モデルの説明によれば、AIはこの作業を支援できるものの、人間の教員が持つ専門知識と文脈的な理解はなお必要だということです。一方、「教室内の規律と良好な学習習慣を維持する」というタスクに対しては非常に低いスコアが与えられました。同等の能力を持つAIがクラスの規律を維持することはできないという判断です。
こうして得られた膨大なスコアのマトリクスに対し、私たちはまず0.8以上の高スコアタスクを抽出し、それらをembedding（ベクトル表現）に変換したうえで機械学習アルゴリズムを用いて意味的にクラスタリングしました。浮かび上がってきたのは以下のような類型です。管理業務とコミュニケーション、顧客対応、情報提供・照会への対応、言語・情報の処理、そしてデータ管理と記録保持です。生成AIのこの世代、すなわち会話型モデルを実際に使ったことがある方であれば、これらがまさにこうしたモデルが得意とするタスクであることは直感的にも納得できるでしょう。
次に、タスクスコアを職業グループ単位に集約しました。スコアが0.75以上のタスクを「高度な自動化露出」、0.5から0.75を「中程度の自動化露出」として分類したうえで、各職業グループにおけるその割合を算出しました。この閾値の設定はある程度恣意的ですが、全スコアの分布を踏まえた合理的な区分です。結果として最も顕著な特徴を示したのは事務補助職（clerical support workers）であり、そのタスクの約4分の1が高度な自動化露出の範囲に入り、さらに約60%が中程度の自動化露出に分類されました。これほど高い割合を示す職業グループは他にありません。また、技術者・准専門職、専門職、サービス・販売職についても、全タスクのうちかなりの割合がAI技術によって補完・代替される可能性があることが示されました。
3-2. 平均スコアと標準偏差による三分類：自動化リスク・拡張可能性・大きな未知
Pav： タスクレベルのスコアを職業全体に集約する際、私たちは単純な平均値だけでなく、スコアの分布の形状にも着目しました。重要なのは、ある職業の全体的なスコアの高低（平均値）と、スコアのばらつき（標準偏差）という二つの変数です。この二次元の空間に436の職業をプロットすると、三つの明確なグループが浮かび上がります。
第一のグループは「自動化リスク（automation potential）」に分類される職業です。これは平均スコアが高く、かつ標準偏差が低いグループです。スコアが高い水準で狭く集中しているということは、その職業を構成するタスクのほとんどがAIによって代替される可能性を持つことを意味します。プロット上では赤い点として示されるこれらの職業は、職業全体として自動化されるリスクが最も高いと判断されます。
第二のグループは「拡張可能性（augmentation potential）」に分類される職業です。これは平均スコアが0.4を下回るほど低いにもかかわらず、標準偏差が大きいグループです。これはどういうことかというと、職業を構成するタスクの中に、自動化露出スコアが高いものと低いものが混在しているということです。つまりAIが得意とするタスクも含まれているが、それと同時にAIには代替しがたい多くのタスクも存在する。こうした職業では、AIが一部タスクを引き受けることで人間の能力を拡張・補完する関係が成立しやすいと考えられます。プロット上では青い点として示されます。
第三のグループは「大きな未知（the big unknown）」と私たちが呼ぶ領域です。これは上記の二極の間に位置する職業群であり、テクノロジーがどのように進化するか、そして職場においてどのような政策のもとで技術が導入されるかによって、自動化にも拡張にも転じうる職業です。この不確実性こそが「未知」と呼ぶゆえんであり、政策の選択が結果を左右する余地が最も大きい領域でもあります。
4. グローバル・地域別の雇用インパクト推計
4-1. 所得グループ・地域・性別による自動化リスク職と拡張可能性職の分布
Pav： 職業の三分類が定まったところで、次に問うべきは「では実際に何人がその影響を受けるのか」という点です。ここで私たちは再びISCOに立ち返り、各国の労働力調査から集計された雇用者数のデータと分類結果を突き合わせました。集計は性別、所得グループ別、地域別に行っており、詳細な統計は論文に記載していますが、本発表ではその主要な結果をお示しします。
まず拡張可能性（augmentation potential）のある職業については、男女ともにおおむね均等に分布しており、高所得国から低所得国まで比較的安定した割合を示しています。全雇用に占める割合はおよそ10.4%から13.4%の範囲に収まっており、所得グループによる大きな差は見られません。
一方、自動化リスク（automation potential）の高い職業については、様相が大きく異なります。まず絶対的な規模として、全世界の雇用に占める割合は約2.3%、実数にして約7,500万人です。拡張可能性のある職業と比べると割合は低いものの、7,500万という数字は決して小さくありません。そしてこの自動化リスク職の分布には二つの顕著な特徴があります。
一つ目は所得グループによる差異です。高所得国においては自動化リスク職の割合が全雇用の5.1%、実数で約3,000万人に達します。これに対して低所得国ではその割合は非常に小さく、フォーマルな事務職・専門職の絶対数が少ないことが背景にあります。つまり自動化リスクは、皮肉なことに、より豊かな国々において高い水準で顕在化しているということです。
二つ目は性別による偏りです。グラフ上のオレンジ色のバーが常に他よりも大きく、おおむね2倍から2.5倍の差があります。これは女性の雇用が自動化リスクの高い職業に集中していることを示しています。女性が担ってきた仕事、特に事務・管理系のフォーマルな職業は、まさに生成AIが最も得意とするタスク構成と重なっており、政策立案においてこの点は重要な含意を持ちます。
さらに「大きな未知」の領域に位置する職業については、全雇用の9.1%、実数にして約3億人が該当します。この巨大な不確実性の塊こそが、政策の方向性によって結果が大きく変わりうる領域です。私たちはこれらの数字が、あくまでも現在すでに存在し、公式統計として報告されている過去の雇用データに基づくものであることを強調しておきたいと思います。生成AIの普及によって新たに創出される職業は、この推計には含まれていません。
4-2. ラテンアメリカへの適用：自動化リスク職の個人属性プロファイル（世界銀行共同研究）
Pav： グローバルな集計値に加えて、私たちは現在、世界銀行のシニアエコノミストであるHernan Winklerとの共同研究として、ラテンアメリカ諸国を対象とした詳細分析を進めています。この研究では、各国の労働力調査（labor force surveys）における個人レベルの回答データを活用しており、自動化リスク職や拡張可能性のある職業に就いている人々がどのような属性を持つのかを詳しく分析しています。論文は本年中に公表予定です。
ラテンアメリカ諸国の集計結果では、自動化・拡張・未知の三カテゴリを合算した「AIへの総露出度」が、国によって全雇用の27%から40%超に及ぶことが示されており、各国間の比較も可能になっています。また同様の手法を用いた他の研究者による地域別分析も相次いで発表されており、本手法の汎用性が示されています。
個人属性の分析において特に注目すべきは、自動化リスク職の属性プロファイルです。統計的に有意な差が複数の軸で確認されています。まず性別では、女性の雇用に占める自動化リスク職の割合が男性を大きく上回っており、グローバル集計と同様の傾向が個人レベルでも裏付けられました。居住地では都市部の労働者に集中しており、農村部の職業とは対照的です。年齢については、比較的若い層に多く見られます。学歴では高学歴者の雇用に多く、世界銀行が定義する貧困ライン以上の所得層に属する人々が該当します。就業形態では、インフォーマルセクターではなくフォーマルセクターの正規雇用者に集中しており、自営業者よりも賃金労働者に多く見られます。業種別に見ると、金融・保険・サービス業において自動化リスク職の割合が最も高くなっています。
Pav： このプロファイルが示す含意は深刻です。自動化リスクにさらされているのは、これまで社会のなかで比較的良好な立場にあった人々、すなわちフォーマルな雇用契約を持ち、相対的に高い教育水準と収入を享受し、都市部で働く若い女性たちです。もしこれらの職業が自動化されるとすれば、それは単なる雇用数の減少にとどまらず、労働市場における既存の格差構造を大きく揺るがすことになります。政策的な対応を考えるうえで、この属性プロファイルは不可欠な情報です。
5. 政策提言：雇用量の保護とスキル転換
5-1. 失業対策：再配置優先・所得支援・スキリング政策の社会的責任化
Janine： データが示すように、大多数の職業はテクノロジーによって変容していきます。それは良い方向にも悪い方向にも転じうるものであり、その行方は技術が職場にどのように導入されるかにかかっています。だからこそ政策が重要なのです。また、私たちの推計が「雇用の黙示録」を示していないとはいえ、それでも職を失う人々は確実に存在します。失業というのは極めて個人的な経験であり、長期にわたる傷跡を残し、深刻な悪影響をもたらします。数字が比較的穏やかに見えるからといって、それを軽視することはできません。
では具体的にどのような政策が必要か。まず大規模な職場においては、自動化によって職を失うリスクのある労働者を、組織内の他のポジションへ優先的に再配置することが考えられます。これはILOの国際労働基準である雇用保護条約第158号が提唱するアプローチであり、社会的対話を通じて労働者を他の職務へ移行させることを、雇用喪失の悪影響を緩和するための第一歩として位置づけています。
しかしもちろん、再配置ができない人々も出てきます。そうした人々に対してスキリング政策（職業訓練・再教育）は非常に重要ですが、ここで強調したいのは、これは個々の労働者が自力で背負うべき問題ではないということです。生成AIの普及は、個人の選択によるものではなく、社会全体の技術的変革です。したがってこの移行を管理するための集団的アプローチが真に必要とされており、所得支援と職業訓練の組み合わせを、社会全体の責任として制度化していかなければなりません。
加えて、どの産業分野が成長していくかを見据えたうえで、そこへ向けた職業訓練プログラムや労働力の誘導を計画的に行うことも不可欠です。労働者が新しい職に移れるよう、スキルプログラムと雇用管理を前もって設計していくことが政府・企業双方に求められます。
5-2. 成長分野への戦略的投資：ケア経済・グリーン転換と新規AIトレーニング職の質確保
Janine： 成長が見込まれる分野として特に注目すべきなのがケア経済（care economy）です。医師、看護師、助産師、高齢者介護職員、保育士といったケア関連の職種は、現在すでに世界的に深刻な人手不足が続いています。これはあらゆる地域に共通する現象であり、自動化によって影響を受ける労働者の受け皿として、このセクターへの戦略的な投資を行い、賃金や権利・福利厚生を含むディーセントワーク（decent work）の水準を確保したうえで、職を失った人々をこうした職種へと移行させることが有効な政策手段の一つです。同様に、グリーン転換（green transition）に関連した職種も大きな雇用創出が見込まれており、政府がこれらの分野に先行投資してスキルプログラムを整備することが重要です。
Janine： もう一つ見落とせないのが、AIシステムそのものを支えるために新たに生まれている仕事、すなわちAIのトレーニングやデータアノテーションに携わる職種です。New York Magazineの記事に「テクノロジーを人間らしく見せるために何人必要か――何百万人もの人々」という表現がありますが、まさにその通りで、AIが機能しているのは膨大な数の人々が陰でデータにラベルを付け、出力内容の精度を確認し、不適切な内容を排除するという作業を担っているからです。
世界銀行の推計によれば、こうした業務に従事している人々は約1億5,000万人に上ると言われています。その多くはグローバルサウスの人々であり、業務処理受託（BPO）企業を通じて働いている人もいますが、大半はオンラインプラットフォームを通じて独立請負業者として雇用されており、通常の雇用関係であれば当然付随するはずの権利や福利厚生を持っていません。賃金も低水準にとどまっているケースが多く報告されています。これらはAIが機能するために不可欠な仕事であるにもかかわらず、雇用の質という観点では極めて脆弱な状態に置かれています。政策によってこうした職種を良質な雇用へと転換することは十分に可能であり、ILOでは来年以降、プラットフォーム経済におけるディーセントワークをテーマとした基準設定の議論を開始する予定です。新技術がもたらす新しい雇用を、最初からまともな働き方として設計していくことが、今まさに求められています。
6. 政策提言：雇用の質を守る三つの介入レベル
6-1. レッドライン（禁止事項）：監視・アルゴリズム解雇・採用差別への歯止め
Janine： 雇用の質を守るための政策介入には三つのレベルがあります。第一のレベルは「レッドライン」、すなわち労働者の基本的権利を侵害する行為を明確に禁止することです。ここで言う基本的権利とは、ILOの187の加盟国が合意した権利、すなわち結社の自由や差別禁止といった基本的労働権を指します。
AIが職場に導入されることで生じる具体的なリスクとして、まず使用者による労働者の監視があります。Oxfordの法律家たちが昨年発表した論文が詳述しているように、禁止されるべき監視の範囲は明確に定義される必要があります。例えば、労働者が職場の外にいる時間帯、すなわちオフ時間における監視は禁止されるべきです。また地理的な意味でも、職場の外での監視は許容されません。さらに、人間の尊厳を脅かすような場所、例えばトイレや、労働組合代表者との私的な会話における監視も明確に禁止されなければなりません。
この最後の点は特に重要です。もし労働者が組合結成を検討して同僚と話し合っていたとして、その会話をテクノロジーが追跡し、組合活動の可能性があるとしてその労働者を解雇するような事態が起きれば、それは基本的権利の明白な侵害です。テクノロジーがこうした形で使われることを、政策は明示的に防がなければなりません。
次に問題となるのがアルゴリズムによる解雇です。プラットフォーム労働やギグエコノミーにおいては、アルゴリズムがプラットフォームからの締め出しという形で事実上の解雇決定を下すことがすでに起きています。私たちはこれを禁止すべきであり、解雇の決定には必ず人間が関与し、労働者には不服申し立てのための人間的な救済手段が保障されなければなりません。
採用における差別についても同様です。AIを採用プロセスに使用する場合、それが意図せず特定のグループを排除していないかを確認するための監査が不可欠です。例えば、特定の郵便番号や居住地域の求職者にだけ求人情報が届かない、あるいはアルゴリズムが特定のマイノリティグループの居住区域の応募者を排除するといった事態は、たとえ意図的でなくとも差別に当たります。このような不均衡を定期的に検証する仕組みを義務化することが求められます。
6-2. 団体交渉：SAG-AFTRAストライキの成果と限界
Janine： 雇用の質を守るための第二のレベルは団体交渉です。法定規制が横断的・画一的に適用されるのとは異なり、団体交渉は特定のセクターや企業の実情に即した柔軟な対応が可能であり、また法整備よりも迅速に問題に対処できるという利点があります。AIが職場に及ぼす影響に対しても、団体交渉はすでに有効な手段として機能し始めており、近年の労働協約においてテクノロジーに関する条項が増加しています。
その最も注目すべき事例が、アメリカの映画・テレビ業界における俳優組合SAG-AFTRAと脚本家組合WGAによるストライキです。5か月にわたる長期のストライキでしたが、最終的には成功を収めました。俳優組合との合意では、俳優のデジタルイメージを使用する際には本人の同意が必要であること、そして使用に対する報酬が保障されることが定められました。脚本家組合との合意では、脚本制作プロセスにおけるAIの使用に上限が設けられました。この交渉が成立した背景の一つとして、アメリカの著作権法においてAIが生成したコンテンツは著作権保護の対象外であるという法的な枠組みが、労働側の交渉力を後押しした点が挙げられます。
Janine： もっとも、このストライキは非常に特殊な条件のもとで成立したものです。SAG-AFTRAは100年以上の歴史を持つ強力な組合であり、著名な俳優たちが名を連ねることで強い連帯と社会的注目を集めることができました。他の業種や国々、特に組合組織率が低い国においてこれと同じことができるかというと、必ずしもそうではありません。組合側も使用者側も、団体交渉の席に着く両者がテクノロジーを十分に理解していないケースも多く、この分野における教育・研修の必要性は高い状態にあります。組合組織率が低い国や業種ではそもそも団体交渉の前提が整っておらず、適用可能性に限界があることも率直に認めなければなりません。
6-3. 労働者参加型設計とノルディック諸国の事例
Janine： 第三のレベルは、法定規制や団体交渉よりもさらに柔軟な介入手段であり、私たちが「ワーカーズ・ガバナンス」と呼ぶ労働者参加型の設計プロセスです。これは組合が組織されている職場でもそうでない職場でも適用でき、いわゆる「高エンゲージメント職場」において特に有効です。テクノロジーが職場に導入される際に、労働者が設計段階から関与し、その目的、使用方法、必要なセーフガードについて発言できる共同設計（co-design）のプロセスを確立することが核心です。
この参加型設計が重要なのは、テクノロジーの導入が労働者の自律性や裁量を損なわないようにするためです。研究知見が示すように、労働者の自律性が低下し、プレッシャーが高まると、燃え尽き症候群やメンタルヘルスの悪化につながりやすくなります。一方、問題が生じた際に管理職と話し合い、交渉し、相談できる仕組みが整っていれば、テクノロジーが人にかけるストレスをある程度緩和することができます。
Janine： この点において示唆に富む事例が、北欧諸国の労働慣行です。労働者参加の制度的伝統が強いノルディック諸国では、テクノロジーの影響に対する労働者の不安が他の国々と比べて相対的に低いことが知られています。これは技術そのものが異なるわけではなく、テクノロジーが導入される際の制度的環境、すなわち労働者が意思決定に関与できる仕組みが整っているかどうかが、心理的な安心感に大きな差をもたらしているのです。テクノロジーの影響を技術的な問題としてだけでなく、労使関係の問題として捉え直すことの重要性を、この事例は雄弁に語っています。
7. 生産性利益の分配とデジタルデバイド
7-1. 戦後米国の生産性・賃金乖離と労働市場制度強化の必要性
Janine： AIをはじめとするテクノロジーが職場に導入されることで、ルーティン的なタスクが肩代わりされ、労働者がより多くの仕事をこなせるようになれば、生産性が向上するのは自然なことです。それ自体は歓迎すべきことです。しかし問題は、その生産性向上の恩恵が誰に帰属するのかという点です。
この問いに答えるための具体的なデータとして、私たちは戦後アメリカにおける生産性成長と実質賃金成長の推移を示しています。1948年から2019年にかけての長期データを見ると、両者の間には顕著な乖離が生じています。生産性は着実に上昇し続けた一方で、実質賃金の伸びはそれに大きく追いつけていません。この乖離の主因として指摘されているのが、労働組合の弱体化をはじめとする労働市場制度の後退です。生産性が上がっても、それを労働者の賃金へと還元する仕組みが機能しなければ、利益は資本側に集中するだけです。
Janine： では今後、AIによる生産性向上の恩恵をより公平に分配するために何が必要か。第一に、労働者が生産性向上の果実を交渉できるだけの雇用の安定（employment security）が必要です。不安定な雇用関係のもとでは、労働者は交渉力を持てません。第二に、法定最低賃金の整備です。第三に、団体交渉の強化です。これらは相互に補完し合う制度的基盤であり、どれか一つが欠けても機能しません。
さらに見落とされがちな選択肢として、労働時間の短縮があります。第一次世界大戦前後および第二次世界大戦後にかけて、先進国では大幅な労働時間の短縮が実現しましたが、その後は労働時間の削減はほとんど進んでいません。生産性が向上したならば、その恩恵をより少ない労働時間というかたちで還元することも十分に正当な選択肢です。同じ成果をより短い時間で達成できるのであれば、労働者に追加的な業務を課すのではなく、働く時間そのものを減らすことが雇用水準の維持にも寄与しうるのです。生産性利益をどう分配するかは、技術的な問題ではなく政策的・社会的な選択であるという認識が重要です。
7-2. グローバルなデジタルデバイド：26億人のオフライン人口と南北格差拡大リスク
Janine： 最後に、デジタルデバイドの問題に触れておかなければなりません。世界の多くの地域では、そもそもテクノロジーへのアクセス自体が存在しません。
Reinhardt： この点に関してITUが定期的に公表している数字があります。現時点で世界人口の約37%、実数にして約26億人がいまだインターネットに接続できていません。これは技術の恩恵が世界全体に均等に届いていないことを如実に示す数字です。
Janine： ラテンアメリカのデータを例に挙げていますが、アフリカやアジアの一部ではさらに深刻な状況があります。インターネット接続の問題だけでなく、電力供給の不安定さ、デジタルスキルの欠如が重なっており、多くの国々でテクノロジーの職場への普及は限定的にならざるを得ません。
一見すると、テクノロジーの普及が遅れている国々では、それが雇用を守る短期的な緩衝材になるとも考えられます。しかし私たちはこの見方に同意しません。テクノロジーへのアクセスを持てないことは、その国の競争力と生産性の向上を阻むものだからです。テクノロジーを職場に統合できる豊かな国々は生産性を高め、国際競争力をさらに伸ばしていきます。その結果、テクノロジーを活用できる富裕国と、そうでない途上国との間の所得格差はさらに拡大するリスクがあります。
Pav： この南北格差の問題は、私たちの研究が取り組んでいる途上国の分析においても鮮明に浮かび上がっています。デジタルツールの恩恵を受けるためには、まず基礎的なデジタルスキルが必要であり、そのスキルを習得するためには教育制度の整備が前提となります。高所得国と低所得国の間では、教育機関を出た時点でのスキル水準に既に大きな差があります。その出発点の差がある状態で同じデジタルツールを与えたとしても、結果として得られる恩恵の大きさは大きく異なります。おそらくデジタルツールは、すでに高い教育水準にある人々をさらに高みへ押し上げる一方で、基礎スキルを持たない人々には同等の機会を提供しないでしょう。この構造的な不平等を放置したまま技術の普及だけが進めば、格差はより一層深まります。だからこそ、デジタルインフラの整備とともに、教育制度への投資が不可欠な政策課題として位置づけられなければならないのです。
8. Q&A：税制・教育・キャリア・AIリテラシー
8-1. 税制改革：多国籍企業課税、ロボット税の是非、補完性を促すインセンティブ設計
Reinhardt： 税制についてお聞きします。AIやロボット、テクノロジー全般が労働力に与える変化に対応するために、税制はどのように変わるべきでしょうか。
Janine： 課税の問題は、現在世界が直面している最大の課題の一つです。特に問題なのは、テクノロジー分野の大企業の多くが多国籍企業であり、その利益に見合った税を必ずしも支払っていないという現実です。これは深刻な問題です。なぜなら、私たちが提唱している政策、すなわちスキリングプログラムへの財政支出、労働者への所得支援、グローバルサウスにおけるインフラ整備、これらすべては政府の財源があってはじめて実現できるものだからです。したがって、グローバルな課税のあり方を抜本的に見直すことは、AI時代の労働政策全体を支える基盤として優先課題に位置づけられなければなりません。OECDの枠組みの中でいくつかの前進はありましたが、まだ十分ではありません。
Reinhardt： 数年前にロボット税という議論がありました。これについてはどうお考えですか。
Janine： ロボット税の議論の背後にある論理は、労働に対する課税と資本に対する課税の非対称性です。現行の税制では、労働よりも資本のほうが軽く課税される傾向があるという問題意識があります。ただし、労働に対する課税の多くは社会保険料であり、これは厳密には税ではなく、労働者への社会的な保護の財源です。ですからこれをなくすべきではありません。テクノロジーへの投資に対して課税するというアイデアについては、個人的な見解として、これは実現が非常に難しいと思っています。どこからどこまでをテクノロジーとして定義するのか、どのように税率を設定するのか、実務的な困難が大きすぎます。むしろより高い法人税率を設定し、課税逃れを防ぐ仕組みを強化するほうが、ロボットやAIそのものを直接課税対象とするよりも現実的かつ効果的なアプローチだと考えています。ただし、これはあくまで私個人の見解であり、ILOとしての公式見解ではありません。
Pav： Janineが触れた課税の問題に関連して、私が興味深いと思っているのは、税制がどのようなインセンティブ構造を作り出すかという視点です。今回の次のシリーズでインタビューする予定のある経済学者も含めて、一部の経済学者が議論しているのは、現行の税制が労働の完全代替、すなわち全面的な自動化を促す方向にインセンティブを設計してしまっているという点です。もし税制をインセンティブの設計ツールとして捉え直すならば、テクノロジーと労働の補完性（complementarity）を促進する方向に税制を組み直すことができるはずです。つまり、労働者をすべて機械に置き換えるよりも、機械と人間が協働する形を選んだほうが企業にとって有利になるような税制設計です。これは特定の国に普遍的に適用できる処方箋ではなく、各国の既存の税制や労働市場の文脈に大きく依存しますが、指導原理としては非常に示唆に富む考え方です。またコロナ禍において多くの国が導入した雇用維持スキーム、すなわち企業が労働者を解雇せず雇用を維持した場合に補助金を給付する仕組みは、こうした補完性促進の政策が実際に機能しうることを示すひとつの実証例として参考になります。
8-2. 教育制度の変革：AIを組み込んだカリキュラムと「プロンプト職人」では不十分な理由
Reinhardt： AI露出度の高い職業に就いている人々、あるいはこれからそうした職業に就こうとしている人々に対して、教育・訓練制度はどのように変わるべきでしょうか。また、キャリア設計においてどのような示唆がありますか。
Janine： 教育制度の変革において最も重要なことの一つは、テクノロジーそのものを教育の中に積極的に組み込むことです。例えば弁護士という職業を考えると、これまで新人弁護士が法律事務所に入って最初に担当していたデューデリジェンスのような定型的な調査業務は、今やテクノロジーによって容易に代替できます。ならば法科大学院でのカリキュラムは、法律を学びながら同時にそのテクノロジーの使い方を習得させるものに変わるべきです。そうすれば、テクノロジーに慣れていないベテラン弁護士が多い法律事務所に入った際に、即戦力として活躍できます。テクノロジーに目を閉じたままでいることは、もはや現実的な選択肢ではありません。どの分野においても、テクノロジーをカリキュラムに統合していくことが不可避の課題です。
Reinhardt： AIエージェントの登場についての質問が来ています。単に文章や画像を生成するだけでなく、実際に行動を実行するソフトウェアエージェントが普及する中で、子どもたちはプロンプトの書き方さえ覚えておけばよいのでしょうか。それとも従来型の専門教育はなお必要でしょうか。
Janine： プロンプトをうまく書くだけで十分だとは思いません。なぜなら、適切なプロンプトを書くためには、そもそもその分野についてある程度の知識が必要だからです。何を問うべきかがわからなければ、何を問えばよいかもわかりません。教育がなくなることはありませんし、なくなってほしくもありません。重要なのは、テクノロジーを遠ざけるのではなく、できる限り教育に組み込んでいくことです。子どもたちはどのみちこのテクノロジーを使うのですから、禁止するのは現実的ではありません。
Pav： 私も同意します。専門分野の確かな知識は依然として不可欠です。電卓やExcelの比喩が参考になります。私たちはもはや手で掛け算をすることはありませんが、だからといって計算する能力が不要になったわけではありません。私自身、データサイエンスの仕事をしており、以前は自分で書かなければならなかったコードの一部を今はツールが補ってくれます。いずれはある種のプログラミング言語について、特定の用途ではノーコードに近い形になっていくことも考えられます。しかしそれでも、ひとたびある技術分野に踏み込めば、その分野を根本から理解していることが不可欠です。エージェントとのやり取りだけで知識を得ようとするのでは、その分野についての理解は非常に表面的なものにとどまります。それでは本当の意味でその分野を前進させることはできません。
8-3. 若者へのキャリアアドバイス：技術・ソフトスキルの組み合わせと「情熱に従え」という助言の落とし穴
Reinhardt： 中世であれば農民も鍛冶屋も、50年後に自分の仕事がどうなっているかはほぼわかっていました。しかし今は誰もそれを知ることができません。若い人たちはどの分野に進むべきでしょうか。
Pav： これは何百万ドルもの価値がある問いかもしれません。まず前提として、何を目指すかによって答えは変わります。高収入を得たいのか、やりがいのある仕事をしたいのかという選択は依然として存在します。現状では、テクノロジーや技術的な専門性を持つ職業のほうが高収入を得やすい傾向があります。一方でケア経済などの職業はそうではありませんが、それは私たちが特定の職業をどう評価するかという社会的な選択の結果です。現在の所得分配を所与とした場合、将来必要とされるスキルは技術系スキルと人間系のソフトスキルの組み合わせであり続けると考えています。ただしその中身は変化します。プログラマーを例に取れば、今日のプログラマーが行っているコード記述の多くがツールに代替されたとしても、プログラマーという職業が消えるわけではありません。ツールと新しい形で対話しながら、新しいアプリケーションを作り、新しい問題を解く仕事へと進化するのです。技術的に高度な職業においては、機械と近い距離で対話する能力は引き続き重要であり続けますが、その形は絶えず変化していきます。また配管工のような職業であっても、デジタルツールを活用して情報やマニュアルに素早くアクセスできる人は、そうでない人に対して比較優位を持てます。知識を素早く吸収し、最新の進展を人間の問題に応用する能力、そして他者と協働してイノベーティブな成果を生み出すソフトスキル、この二軸が将来にわたって価値を持ち続けると考えています。
Janine： 私も同意します。対人サービス型の職業は引き続き存在し続けます。パンデミックの際に明らかになったのは、医療従事者や介護職など「エッセンシャルワーカー」と呼ばれる人々が全雇用の約30%を占め、感染リスクがあっても出勤して機能を果たし続けたという事実です。こうした職業は自動化されません。ただしそれらが低賃金にとどまっているのは、技術的な必然ではなく社会的な選択の結果です。制度や社会の仕組みを変えることで、これらの仕事を良質な雇用に転換することは十分可能なのです。
Reinhardt： 「好きなことを仕事にしろ」という助言については、ワシントン大学の心理学者による興味深い研究があります。この研究によれば、「情熱に従え」というアドバイスはしばしば逆効果を招くとされています。その理由は、人々がジェンダーステレオタイプを「情熱」として内面化してしまうからです。女性は人を助けること、芸術、男性は機械工学やコンピュータサイエンスやスポーツ、といったステレオタイプが根強く存在しており、情熱に従えと言われた結果、女性が理工系分野を自分の選択肢として考えもしないという事態が生じます。この論文は後ほどチャットでも共有します。
8-4. インフォーマル経済従事者のスキルジャンプ、MOOCの教訓、デジタルツールが格差を拡大するリスク
Reinhardt： インフォーマル経済の労働者がAI時代の労働市場に対応できるスキルを身につけるにはどうすればよいでしょうか。
Janine： テクノロジーが持つ最大のメリットの一つが、教育ツールとしての可能性です。例えば数学の問題でつまずいている人がChatGPTに質問すれば、解き方を教えてもらえます。つまりコンピュータへのアクセスと基本的なデジタルスキルさえあれば、リソースの乏しい人でもある程度は自己学習が可能です。ただしこれは少し過大な仮定でもあります。実際には学習プロセスを導くための教師や訓練士の存在は依然として不可欠であり、一人で何でも習得できるわけではないからです。教育専門家や訓練専門家が不足している国々において、AIをその代替・補完として活用することは有効なアプローチです。デジタル化全般により、より多くの人々により広くリーチすることが可能になっているのは事実です。ただしインフォーマル経済で働く人々、例えば路上の食品販売者、輸送業者、家事労働者といった職業は、本来的にはより付加価値の高い職業へと移行することが望ましいものです。AIをその移行を促進するツールとして使うことができれば、それはポジティブな変化と言えます。
Reinhardt： 大学の教育は500年前からほとんど変わっていないとも言われます。MOOCのような大規模オンライン学習プラットフォームが教育を革命すると期待されましたが、実際はどうだったのでしょうか。
Janine： MOOCがうまくいかなかったのは、有名大学のブランド力がなかったからだけではないと思います。やはり教育には人間的な接触が必要だということです。講義はオンラインでも可能ですが、教授との双方向のやり取りやフィードバック、そして指導関係はやはり必要です。AIの進化によってより多くの人々にリーチしたり、規模の経済を活かしたりすることは可能ですが、学習プロセスをリードするメンターや教師という存在はなくなるべきではありませんし、なくならないでしょう。
Pav： 職場の文脈で言えば、デジタルツールには知識へのアクセスを民主化し、スキルアップをより広く可能にする大きな潜在力があります。しかしそのツールをどう活用するかは、その人がそれまでにどのような教育を受けてきたかに大きく依存します。デジタルツールを人々に渡すだけでは十分ではなく、それを活用できるだけの基礎的な教育、特に数値的スキルがあってはじめて意味を持ちます。教育調査を見れば明らかなように、高所得国と低所得国の教育機関を卒業した時点でのスキル水準にはすでに大きな差があります。その出発点の差がある状態で同じデジタルツールを与えれば、結果としてすでに高い地点にいる人々をさらに高みへ押し上げ、基礎スキルを持たない人々には同等の機会を提供しないという構造になりかねません。デジタルツールが格差を縮小するか拡大するかは、それ以前の教育投資と基礎スキルの普及にかかっています。この接続が非常に重要であり、もちろんそれはデジタルデバイドの問題とも直結しています。世界には現時点でそうしたツールにアクセスすらできない人々が大勢いるという現実を、忘れてはなりません。
9. 登壇者による総括：雇用の黙示録か、質の浸食か
9-1. Janineの立場：「黙示録ではないが、ばら色でもない」―グローバルサウスの労働過剰問題
Reinhardt： 最後に、お二人にそれぞれの立場を伺いたいと思います。冒頭で申し上げたように、AIと雇用をめぐる議論には二つの陣営があります。歴史的に見れば技術革新は最終的に人類にとってプラスに働いてきたという楽観論と、今回は違う、新たに生まれる仕事もAIに奪われるという悲観論です。お二人はどちらの立場に立ちますか。
Janine： 私は雇用の黙示録が来るという側には立ちません。すべての仕事がなくなるわけではなく、仕事のない未来が訪れるわけでもないと考えています。しかしだからといって、ばら色の楽観論にも与しません。私たちがこのテクノロジーを迎え入れようとしている世界の労働市場には、すでに多くの問題が山積しています。特にグローバルサウスにおいては、労働過剰の状態が続いており、急速に増加する人口に対して十分な雇用が創出されていません。そこにさらに自動化の圧力が加わるとすれば、既存の問題はより深刻化します。技術が統合される方法によっては、こうした地域における雇用不足の問題が一層悪化するリスクがあります。
多くの人々がテクノロジーによって直接仕事を失わないとしても、その影響を受けないわけではありません。私たちが日常生活の中でテクノロジーの影響を受け続けているように、労働者もまた、職場に導入されるテクノロジーによって働き方や働く環境が変化していきます。そしてそのテクノロジーが人々にどのような影響を与えるかは、突き詰めれば政策の問題です。だからこそ私たちは、職場へのテクノロジー統合に際した社会的対話の必要性、労働者の基本的権利の保護、そしてより先を見据えた反応的ではなく能動的なアプローチを一貫して訴えてきたのです。
9-2. Pavの立場：「雇用数より雇用の質の浸食が最大の懸念」―契約破壊・フリーランス化の圧力
Pav： 私もJanineの見解に完全に同意します。そのうえで私自身のデータと他の研究から見えてくるものを付け加えると、それはJanineが語った絵をさらに補強するものです。ラテンアメリカのデータで示したように、自動化リスクにさらされている職業は、フォーマルで高所得な職業であり、女性が多く、若い世代が担っている職業です。こうした職業が自動化のリスクにさらされることは、一方では深刻な問題をはらんでいます。
しかし私が最も大きな懸念として抱いているのは、雇用そのものがなくなるということよりも、雇用の質が侵食されるということです。これは私たちの論文の中でも、雇用数の減少よりも大きなリスクとして明示的に記述しています。そしてこの懸念はすでに現実のものとなりつつあります。編集者や物書きといった職種において、「もはや正式な雇用契約は必要ない、AIが生成したものをレビューするだけだからコンサルタントとして関わればよい」という形で、雇用の切り下げが起きているという報告があります。本来であれば生産性向上の恩恵は、雇用者数が減ったとしても残った雇用をより良いものにする形で還元されるべきです。しかし実際に起きていることは、雇用数は同じかそれ以下でありながら、雇用の質まで低下するという最悪のシナリオです。仕事が細切れのフリーランス業務へと分解され、正規雇用の持つ安定性・権利・福利厚生が失われていくのです。
したがって私が最も強調したいのは、どれだけの仕事が影響を受けるかという量の問題と同等に、あるいはそれ以上に、その移行の結果として残る仕事が良質なものであることを担保するための政策インセンティブの設計が重要だということです。生産性効果によって雇用数が減少するとしても、残った雇用が良質であり、雇用の質の浸食が起きないようにすることに政策の焦点を当てるべきです。これが私の最大の懸念であり、この転換期において最も注視すべき点だと考えています。
9-3. 次回予告：Daron Acemoğlu（MIT）と著書『Power and Prosperity』
Reinhardt： Janine、Pav、本日は素晴らしい発表と議論をありがとうございました。最後に次回の予告をお伝えします。次にAI for Goodにお迎えするのは、MITのスター経済学者Daron Acemoğluです。彼はSimon Johnsonとともに『Power and Prosperity（権力と繁栄）』という書籍を一年前に出版しており、私自身も読みましたが非常に示唆に富む内容です。AcemoğluとJohnson の主張は、技術的な進歩は自動的に人類全体の利益にはつながらないというものです。放置すれば技術の恩恵は極めて狭いエリート層に限定されてしまうため、そうならないために積極的に闘わなければならないという論旨です。彼らはAI、特に雇用市場への影響と民主主義への影響という観点から、現在のAIの発展に対してかなり批判的な立場を取っています。この講演は6月19日水曜日にAI for Goodのプラットフォームで配信予定ですので、ぜひご参加ください。