※本記事は、David Autor氏による講演「Expertise, Artificial Intelligence, and the Work of the Future」の内容を基に作成されています。本講演は、国際電気通信連合（ITU）が主催し、40の国連関連機関との連携およびスイス政府との共同開催のもと運営される国連プラットフォーム「AI for Good」において行われたものです。講演の詳細およびアーカイブ映像は https://aiforgood.itu.int/neural-netw... でご覧いただけます。
登壇者のDavid Autor氏は、MITのDaniel and Gail Rubenfeld記念教授であり、Margaret McVicker学術研究員、MBR労働研究プログラムおよびMIT「仕事の未来を形成するイニシアティブ」の共同ディレクターを務めています。技術変化とグローバル化が雇用の二極化、スキル需要、賃金水準、不平等に与える影響を研究の中心に置き、研究・教育の両面で数多くの賞を受賞しています。2020年にはHines家族財団よりHines 25周年特別功績賞を、2023年には全科学分野を通じて2名のみが選出されるNous Distinguished Scientistに選ばれています。
本記事では講演の内容を要約・構成しております。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講演映像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——問題提起と講演の枠組み
1-1. 2034年の思考実験：AIが変えないものとはなにか
Autor： 本日は「専門性、人工知能、そして仕事の未来」というテーマでお話しします。最初に、私が最近参加したある会議のテーマをご紹介したいと思います。その会議は次のような思考実験から始まりました。時は2021年。インドで伝統的な織機を使ってじゅうたんを織る若い女性と、コンゴ民主共和国でコバルトを採掘する男性たちの映像が示されます。彼らが使っているのは古代から変わらない道具です。織機は何世紀も前のものと変わらず、炭鉱労働者にはヘルメットも、つるはしも、懐中電灯も、防塵マスクもありません。そして会議の問いはこうでした——時は2034年、変革的なAIが人間の行うほぼあらゆる作業を機械に実行させられるようになったとき、彼らの仕事はどのように変わっているでしょうか。
答えは「まったく変わらない」です。なぜなら、彼らの作業をより速く、より安全に、より安価に実現できる技術は、AIが登場するはるか以前から存在していたからです。現代的な織機はありますし、ヘルメットも防塵マスクもあります。それでも使われていない。その理由はただひとつ、労働力があまりにも安価であるために、自動化する経済的な動機が生まれないからです。この事実は非常に重要な示唆を持っています。技術的に「できる」ことと、経済的に「される」こととは、まったく別の話なのです。ですから私たちは、何かが新しい技術によって実現可能になったからといって、それが実際に使われると思い込んではなりません。そうではなく、「そもそも何が労働を十分に価値あるものにするのか」を問う必要があります。
1-2. 先進国ほど労働所得比率が高いという逆説的事実
Autor： もうひとつ、多くの人が驚く事実をお伝えしたいと思います。資本も技術も社会インフラも最も豊富に持つ先進国においてこそ、GDPに占める労働所得の割合が高いという逆説です。北米では経済活動の約60%が、まず労働者への報酬として支払われます。世界平均は約54%、北アフリカの一部では45%程度まで下がります。つまり、最も機械化・自動化が進んだ国々で、労働の取り分がむしろ大きいのです。
これは私にとって真に驚くべき、奇跡とも言える事実です。過去200年間、私たちは多くの作業を自動化し、膨大な量の労働を資本に置き換えてきました。それにもかかわらず、何らかの理由で、私たちは労働をより希少に、より価値あるものにし続けてきたのです。賃金が上昇したというだけではありません。経済活動全体に占める労働の割合そのものが高水準を保ち続けているという事実が重要です。ではなぜそうなるのか——この問いへの答えこそが、本日の講演全体を貫くテーマである「専門性（expertise）」の価値という議論につながっていきます。
2. 専門性（Expertise）の定義と経済的価値
2-1. 航空管制官と横断歩道指導員——同じ職務で賃金が4倍異なる理由
Autor： 専門性という概念を具体的に説明するために、一見すると非常に似た二つの職業を比較してみましょう。航空管制官と横断歩道指導員です。どちらも本質的には「乗り物と人、あるいは乗り物同士の衝突を防ぐ」という同じ目的を持った仕事です。空の上であれ地上であれ、やっていることの本質は変わりません。ところが、アメリカにおける報酬には約4倍の差があります。これは社会的な価値の差でしょうか。もし子どもたちが登下校中に車にはねられることを防ぐために年間13万ドルの給与が必要だというなら、私たちは何とかしてその費用を工面するでしょう。ですから、これは社会的重要性の差ではありません。
本質的な違いは専門性にあります。アメリカのどの州においても、横断歩道指導員になるために必要な訓練や資格はほとんどありません。健康な成人であれば、わずかな訓練でその仕事に就くことができます。一方、航空管制官になるには数年にわたる専門学校での学習と、何千時間もの見習い訓練が必要です。そして私が強調したいのは、単純に「一方がより高い教育を受けている」というだけの話ではないということです。専門性には、ある興味深い非対称性があります。専門性の高い労働者は、より専門性の低い仕事をこなすことができます。しかし逆はできません。もし急に横断歩道指導員が大量に必要になったとき、航空管制官にその仕事を担わせることはできます。しかし急に航空管制官が大量に必要になったとき、横断歩道指導員にその仕事を任せることはできません。この非対称性こそが、専門性の本質を物語っています。
2-2. 専門性を価値あらしめる二条件——市場価値と希少性
Autor： では専門性とは何か、あらためて定義しておきましょう。専門性とは、ある特定の目標を達成するために必要な、領域固有の知識または能力のことです。パンを焼くことでもよいですし、アプリをコーディングすることでも、患者のバイタルサインを測定することでも、キッチンを改装することでも、壊れた給湯器を交換することでも構いません。私はこの専門性こそが、先進国において——より正確には、肉体的な単純労働の重要性が大幅に低下した国々において——労働を価値あるものにしている根本的な要因だと主張しています。
ただし、すべての専門性が高い市場賃金をもたらすわけではありません。専門性が実質的な経済的価値を持つためには、二つの条件が同時に満たされなければなりません。第一の条件は、その専門性が実現しようとしている目標そのものが市場価値を持っていることです。データサイエンスは市場価値があります。しかし手品の技術はそうではありません。先ほどのコバルト採掘者やじゅうたん職人の作業も、それ自体は確かに市場価値を持つ目標を実現していますが、それだけでは不十分です。
第二の条件は、その専門性自体が希少でなければならないということです。専門性と希少性は、ほとんど不可分の関係にあります。もしある能力が希少でなければ、それは価値を持たず、私たちはそれを「専門性」とすら呼ばないでしょう。映画『Mr.インクレディブル』のキャラクターであるダッシュが「みんなが特別なら、誰も特別じゃない」と言うように、「みんなが専門家なら、誰も専門家ではない」のです。
この二条件の観点から眺めると、なぜ特定の職業が低賃金に甘んじているかがよく見えてきます。ウェイター、清掃員、守衛、スクールバスの運転手、保育士、横断歩道指導員——これらの仕事の中には、先ほどの横断歩道指導員のように、文字通り生死に関わるものもあります。それでも賃金が低いのは、社会的価値が低いからではありません。それらの仕事をこなせる人の供給が非常に多く、かつ供給の弾力性が高いからです。需要が増加したとしても、賃金を大幅に上げなくても、その仕事をこなせる人をたくさん見つけることができる。この供給の豊富さこそが、賃金を低く抑える根本的な理由なのです。
3. 技術革命の歴史的系譜——産業革命からAI革命まで
3-1. 大量専門性（Mass Expertise）の誕生とコンピュータ革命による解体
Autor： ここからは専門性の価値という観点から、コンピュータ革命からAI革命に至る技術変化の歴史を振り返ってみたいと思います。コンピュータ革命は、私の見立てでは1970年代から80年代にかけて始まり、特に1980年代以降に広く社会に浸透しました。この革命が何をしたかというと、私が「大量専門性（Mass Expertise）」と呼ぶ形態の労働を解体したのです。
大量専門性とは何でしょうか。それは「規則に従い、ツールを使う」能力のことです。大規模な自動車組立工場の生産ラインで働く労働者であれ、大企業の事務部門や経理部門で働くクラーク職であれ、彼らが行っていた仕事は、読み書きや計算の能力、そして一定の訓練と経験を必要とするものでした。これはそれ以前の職人的な仕事——端から端まで非反復的で高度に専門化された作業を手がける——とは性質が異なります。大量専門性における仕事は極めて標準化された環境の中に置かれていましたが、それでも機械に任せられるものではなく、認知能力を持つ教育を受けた成人——19世紀から20世紀前半において高校卒業はエリートの証明でした——が担う必要がありました。
ところが1980年代にデジタルコンピュータが登場すると、この状況は一変します。コンピュータが得意とする「規則に従い、ツールを操作する」という能力は、まさに大量専門性の中核だったからです。コンピュータが象徴処理機械として規則とプログラムに従って作業を実行できるようになると、生産現場の作業員、事務・行政支援職、一部の営業職といった、大量専門性の担い手たちの仕事が機械に置き換えられ始めます。その結果、人々は職業分布の両端に押し出されていきました。一方の端には、横断歩道指導員のような対人サービス業が、もう一方の端には、専門職・技術職・管理職といった高度な知的労働が位置しています。
中間層の空洞化が進むにつれて、対人サービス業は社会的に重要であっても低賃金のままであり、専門職・管理職は高賃金ではあるものの高度な教育を前提としていました。この構造変化は急激な賃金格差の拡大をもたらしました。テクノロジーによって補完された人々——意思決定者、分析者——の報酬は上昇し、事務・生産部門の中間層の多くは低賃金サービス業へと押し下げられていきました。これはアメリカ国内に留まらず、先進工業国全般で観察された現象です。
ではなぜ、対人サービス業や専門職・管理職はコンピュータに代替されなかったのでしょうか。その答えを理解するために、次の節で重要な概念を導入します。
3-2. 暗黙知の壁と従来型自動化の限界——ポランニーの「我々は語れる以上のことを知っている」
Autor： 従来のコンピュータが代替できなかった仕事の境界線を理解する鍵は、哲学者Michael Polanyiが1966年に書いた一節にあります。「我々は語れる以上のことを知っている（We know more than we can tell）」という言葉です。私たちが日常的に行っていることの多くは、実はどうやってやっているかを自分自身でも形式的に説明できないのです。
自転車の乗り方を学ぶとき、誰もジャイロスコープの物理学を学んだわけではありません。親がゆるやかな坂の上に子どもを乗せて、背中を押して「頑張れ」と言うだけです。仮説を立てること、冗談を言うこと、こうした知的な活動も同様です。あるいはもっと身近なところで、荷物を運ぶことや部屋を掃除することも、実際には非常に複雑な認知的プロセスを含んでいますが、私たちはそれを意識的に言語化することなく実行しています。一方で、足し算や引き算の規則は明示的に知っていますし、文法や綴りの規則を知っている人もいます——私自身はあまり得意ではありませんが。
この「暗黙知」の存在が、従来のコンピュータの根本的な限界を規定していました。形式的な規則と手順として書き下せないタスクは、問題を自ら解決したり創造したりする能力を持たない機械には任せられなかったのです。プログラムを書けなければ、機械はその作業を実行できません。だからこそ、マネージャーが新しい戦略を立案したり、看護師が患者の状態を総合的に判断したり、配管工が初めて見る構造の家の水道を修繕したりといった仕事は、ルールとして書き下せない暗黙知の塊であり、長らく自動化の射程外に置かれていました。
これが、コンピュータ革命において両端の職業——低賃金の対人サービスと高度な専門職——が生き残った理由です。前者は身体的・対人的な暗黙知を必要とし、後者は高度な判断と創造的思考という暗黙知を必要とするものでした。しかしAIの登場によって、この「暗黙知の壁」は大きく揺らぎ始めます。
3-3. AIの特質——非構造化情報からの自律学習とAlphaFoldの事例
Autor： AIという言葉自体は何十年も前から存在していますが、近年になって商業的に大きな意味を持ち始めました。AIが従来のコンピュータと根本的に異なるのは、私たちが明示的なルールを書き込まなくても、パターンや情報、関連性から自律的に学習できる点にあります。非構造化情報から学び、人間であれば「創造的」と呼ばれるような作業——たとえば本講演で使っているようなイラストを生成する——もこなせますし、新たなものを発見・発明することすらできます。
この能力がいかに革命的かを示す具体例として、構造生物学における歴史的な出来事を紹介したいと思います。タンパク質の折り畳み構造の予測問題です。生物学者はほとんどのタンパク質についてアミノ酸配列を知っています。しかしアミノ酸配列だけからタンパク質の三次元的な形状——パーティーのくす玉のようにねじれ複雑に折り畳まれた構造——を予測することは、信じられないほど困難でした。この問題に取り組むために、1994年から「タンパク質構造予測の重要評価（CASP）」という年次コンペティションが開催されてきました。世界中のチームがアミノ酸配列を与えられ、その折り畳み構造を予測する競争を行います。
2020年、Googleが所有するDeepMindという企業がAlphaFoldというソフトウェアをこのコンペティションに投入しました。同年12月、科学誌Scienceは「人工知能が生物学最大の難問のひとつを解決した」と報じました。CASPの創設者であるJohn Moultは「これは50年来の問題だ。生きているうちに見られるとは思っていなかった」と述べました。この貢献の重大さは、2024年10月にDeepMindのDemis HassabisとJohn Jumperがノーベル化学賞を受賞したことにも示されています。
AIがこれを実現できた理由は、ルールや指示を必要とせず、パターンと情報の連想から暗黙知的に学習し、ハードコードされた指示としては組み込まれていない予測と推論を行えるからです。人間と同一ではありませんが、人間に近い形で文脈的に学習するこの能力こそが、AIが機械と人間の専門性の関係を大きく変えようとしている根本的な理由です。
4. AIと専門性の相互作用——補完か代替か
4-1. ツールとしてのAI——専門性を拡張するシナリオと陳腐化させるシナリオ
Autor： まず強調しておきたいのは、AIはひとつのツールであるという点です。電卓であり、チェーンソーであり、聴診器と同列に理解されるべきものです。多くのツールは人間の専門性を補完し、その価値を高めます。医師であれば聴診器なしには仕事になりません。屋根職人であれば空気圧ハンマーなしでは作業効率が極端に落ちます。航空管制官であればGPS、レーダー、無線通信機がなければそもそも職務が成立しません。こうしたツールは、専門家が自分の知識と判断を現実の場面で表現するための媒体であり、専門性そのものがツールの使い方の熟達と不可分に結びついています。
この観点からすると、AIにとって理想的なシナリオとは、人間の専門性の価値を拡張することです。医療であれ、輸送であれ、設計であれ、顧客サービスであれ、人々の判断力・知識・状況把握能力をより広い領域に応用できるようにすること——より優れたツールを与えることで、人々の労働をより有用なものにする可能性があります。
しかし、すべてのツールが専門性に優しいわけではありません。ここで非常に示唆的な事例を紹介しましょう。1894年から現在に至るまで、ロンドンでブラックキャブの運転手になるには「ザ・ナレッジ（The Knowledge）」と呼ばれる試験に合格する必要がありました。ロンドンの全道路、裏道、近道を完全に記憶するこの習得には、約3年かかりました。ところがGPSによる自動経路案内が普及すると、その知識は経済的に無意味になりました。スマートフォンはロンドンの全道路を知っているだけでなく、特定の時間帯における渋滞状況までリアルタイムで把握しています。人間が暗記によって習得できる限界を超えた情報を機械が持てるようになったのです。
つまり、AIには専門性を補完する側面と、専門性を陳腐化させる側面の両方があります。どちらか一方だけが起きると考えるのは誤りです。両方が同時に進行しており、私たちは代替の可能性を深刻に受け止めながら、同時に補完・拡張の機会を真剣に探らなければなりません。
4-2. AIはすでに日常に組み込まれている——予測と補助の現在形
Autor： AIはすでに私たちの日常生活に深く織り込まれています。自分が思っている以上に、です。スマートウォッチが「転倒しませんでしたか」と尋ねてくること、高速道路走行中に車が自動的に車線逸脱を修正しようとすること、ワープロソフトが文章の続きを補完しようとすること——これらはすべてAIの例です。AIはユーザーの意図を読み取り、予測を行い、作業を完了する手助けをします。現代の多くの場面でAIが果たしている役割は、まさにこの「予測による補助」という形です。
しかしこの補助の形には、期待と危険の両面があります。次のセクションからは、実際に行われた研究や実験をもとに、AIが専門性の発揮にどのような影響を与えるかを、具体的な事例を通じて詳しく見ていきます。補完がうまく機能した事例もあれば、設計の失敗によって専門性が損なわれた事例もあります。いずれも、AIをどう設計し、どう使うかという問いに対して、重要な教訓を与えてくれるものです。
5. 事例研究①：放射線科医とAI診断——設計失敗の教訓
5-1. CheXpertの性能と実験の概要
Autor： AIが専門性の発揮に与えるリスクを示す最初の事例として、放射線科領域におけるAI診断ソフトウェアの研究を紹介したいと思います。ここで取り上げるのは「CheXpert（Chest X-ray Expert）」と呼ばれるソフトウェアです。これは胸部X線画像を読影し、浮腫や肺炎などの所見があるかどうかを予測するAIです。
放射線診断はAIにとって非常に相性の良い領域です。なぜなら、放射線診断には厳密なルールというものがなく、何かが「ある」か「ない」かを白黒はっきり言えるものではないからです。放射線科医は何千時間もの実習と数万枚のスキャン読影を通じて、判断力とパターン認識を磨いていきます。そして何を見ているかを解釈することを学びますが、完全に確信を持てることはほとんどありません。こうした不確実性の中で行われる判断こそが、まさにAIが学習によって近似できる領域なのです。
CheXpertの性能は目を見張るものがあります。他の文脈情報なしに、スキャン画像だけを見て診断を行った場合、このソフトウェアは同じ画像を見た放射線科医の少なくとも3分の2を上回る精度を示しました。これほど優秀なツールであれば、放射線科医がCheXpertと組み合わせて使えば、単独で作業するよりも優れた診断結果が得られるはずだと思うでしょう。実験はまさにその仮説を検証するために行われました。
研究を実施したのは、私の同僚であるNikhil Agarwal、Diva Sals、そして彼らの学生であるAlex Mingらのチームです。実験の設計は巧妙でした。放射線科医たちは、新たなスキャン画像を読影しているつもりで作業に臨みます。しかし実際には、すでに過去に読影されたことのある既存のスキャンを読み直しているのです。放射線科医たちはそのことを知らされていませんでした。彼らはCheXpertを使う条件と使わない条件の両方で読影を行い、その後、専門家パネルが結果を評価しました。Sloan財団がこの実験に50万ドルの資金を提供し、高額の報酬を受ける放射線科医たちが自分でも気づかないまま既読スキャンを再読影するという、非常にコストのかかる実験設計が採用されました。
5-2. 「AI補助あり」の方が成績が悪くなる驚愕の結果と「相関した不確実性」の問題
Autor： 実験の結果は驚くべきものでした。CheXpertを使った放射線科医は、CheXpertなしで単独で作業した放射線科医よりも、系統的に成績が悪かったのです。非常に優秀なAIツールを使うことで、むしろ診断精度が下がってしまった。なぜこのような逆説的な結果が生じたのでしょうか。
研究チームはその原因を「相関した不確実性（correlated uncertainty）」と呼んでいます。問題の核心は、放射線科医とCheXpertが同じ情報——すなわち同じスキャン画像——を見ているという点にあります。放射線科医がある所見について不確かなとき、そのスキャンはCheXpertにとっても判断が難しいものである可能性が高い。逆に放射線科医が確信を持っているとき、CheXpertも比較的高い確信を示す可能性が高い。両者の判断は独立していません。同じ入力情報から派生した、相関した不確実性を持っているのです。
ではAIと放射線科医の意見が食い違ったとき、何が起きるでしょうか。両者ともに不確かなとき、医師はAIの判断に従う傾向があります。両者ともに確信を持っていて、なおかつ意見が異なるとき、医師はAIの判断を無視して自分の判断を優先する傾向があります。しかし、どちらの行動も適切ではありませんでした。不確実性が高い状況では、実は人間の医師の方がサンプル外で高い精度を示すことが多いのです。確実性が高い状況では、医師はむしろ「このツールは私が生涯で読影するより多くのスキャンを見てきたのに、私はそれほど確信を持って間違いだと言えるのか」と自問すべきでした。
5-3. 技術の失敗ではなく設計の失敗——航空自動操縦事故との類比
Autor： この結果から導かれる結論は、CheXpertが悪いツールだということでも、AIと人間の協働が成立しないということでもありません。これは設計の失敗です。放射線科医はこのツールをうまく使えているかどうかを学ぶ機会を一切与えられませんでした。ツールはただ現場に投げ込まれ、使われるだけでした。私たちがこの協働がうまくいっていないことを知ることができた唯一の理由は、Sloan財団が50万ドルという多額の資金を投じてこの実験を実施したからにすぎません。資金がなければ、問題は気づかれないまま続いていたでしょう。
この構図は、航空の世界における自動操縦装置に関わる深刻な事故と重なります。問題はオートパイロットが誤作動したのではありません。計器に異常が生じたとき、オートパイロットが正常通りシャットオフしたのです。しかしパイロットたちは、オートパイロットなしで機体を操縦する訓練を十分に受けておらず、その状況に対応できませんでした。これも技術の失敗ではなく、高度な判断が求められる緊迫した状況を、人間と機械が協働して乗り越えるためのシステム設計の失敗です。
放射線科医の事例も航空事故の事例も、同じ教訓を指し示しています。AIツールを現場に導入することと、そのツールを人間が効果的に使いこなせるよう設計することは、まったく別の問題です。後者なくして前者だけを行えば、かえって専門性の発揮を損ないかねない。この洞察は、これから紹介する「うまくいった事例」と対比することで、より鮮明に浮かび上がってきます。
6. 事例研究②：コールセンター支援AI——専門性習得を加速する好循環
6-1. 研究の設定と実験結果——AI早期導入グループが5か月で他グループを追い越す
Autor： 次に紹介するのは、AIが専門性の習得を加速するという好ましい相互作用を示した研究です。これはEric Brynjolfsson（Stanford大学）、Danielle Li（私の同僚）、そして彼女の博士課程の学生であるLindsay Raymondによって実施された研究で、エンタープライズ・ソフトウェア製品のカスタマーサポート業務を対象としています。複数の企業が業務運営に使うソフトウェア——Salesforceのようなものをイメージしてください、ただしSalesforce本体ではありません——のサポートを提供する企業が舞台です。このサポート業務の一部は、顧客がチャットで問い合わせを送り、サポートエージェントがそれに対応するという形で行われています。
たとえばこんな問い合わせが届きます。「Alexと申します。本当に困っています。お客様から一日中、ウェブサイトにアクセスできないという連絡が来ていて、一刻も早く解決が必要です」。ここで重要なのは、AIチャットボットが顧客に直接返答するのではないという点です。AIはこのテキストを読み取り、サポートエージェントに対して返答の候補を提示します。「Alexさん、ご不便をおかけして申し訳ございません。喜んでお手伝いします」あるいは「まずアカウントを確認させていただき、その後ステップごとにご案内します。よろしいでしょうか」といった形で、エージェントが顧客に送るべき文章の候補を示すのです。AIはあくまで裏方として、エージェントの判断を支援する役割を担っています。
この研究の核心は、AIの導入タイミングが異なる三つのグループの生産性の推移を比較したことにあります。横軸に入社からの月数、縦軸に1時間あたりの解決件数を取ったグラフを見ると、非常に興味深いパターンが現れます。青のグループはAIソフトウェアを一切使わなかった人々です。入社当初は1時間あたり約1.8件の解決件数でしたが、10か月後には約2.5件にまで向上しています。約40%の改善です。緑のグループは入社後5〜6か月後にソフトウェアへのアクセスを与えられた人々です。彼らは当初青のグループと同じ軌跡をたどっていましたが、ソフトウェア導入後に急速に追い上げ、10か月後には3件以上を達成しています。そして赤のグループ、入社初日からソフトウェアを使い始めた人々は、わずか5か月で他の二グループをいずれも上回っています。
ここで注目すべきは、赤のグループも入社初日から成績が良かったわけではないという点です。三グループとも、初日の成績は同様に低い水準から始まっています。違いは専門的な使いこなしへの収束速度です。赤のグループは、機械が仕事を代わりにやってくれたから早く上達したのではありません。このツールを使いながら仕事を覚えることで、専門性を習得するスピードが大幅に上がったのです。AIが専門家の振る舞いのモデルを提示し続けることで、エージェント自身の判断力と対応能力が加速度的に育まれていきました。
6-2. 副次的発見——離職率の低下と顧客対エージェント間の敵意の減少
Autor： この研究には、生産性以外にも注目すべき副次的な発見がありました。AIソフトウェアが導入された後、このコールセンターにおける離職率が低下したのです。コールセンターの仕事は非常に離職率が高く、燃え尽き症候群が起きやすい職場として知られています。その理由は想像に難くありません。怒りをぶつけてくる顧客、理不尽な要求、終わらないクレーム対応——まさに道路上でのあおり運転のような状況が、一日中続くのです。
なぜAIが離職率の低下をもたらしたのでしょうか。テキストの感情分析によるデータを見ると、ソフトウェア導入後、顧客からエージェントへの敵意の水準と、エージェントから顧客への敵意の水準が、ともに低下していたことが確認されました。AIは顧客への返答候補を提示することで、感情的な摩擦を和らげる役割を担っていたのです。「まずはご不便をおかけしたことをお詫び申し上げます」「ご状況を詳しくお聞かせください」といった、感情的な緩衝材となる言葉をエージェントが使いやすくすることで、対話全体のトーンが落ち着いたものになりました。これはいわばAIが感情労働の一部を肩代わりしたとも言えます。
この事例から得られる示唆は多岐にわたります。AIは専門性の習得を加速しただけでなく、仕事そのものの質を改善し、エージェントが長くその職場に留まれる環境を作り出しました。もっとも、これはあくまで個別の事例であり、このパターンが全体的な傾向であるとは言い切れません。しかし、プロの執筆業務やソフトウェア開発など他の領域でも、経験の浅い人がAIによって専門家に近い成果を出せるようになるという類似した観察が積み重なりつつあります。共通して見えてくるのは、AIが「専門性そのものを代替する」のではなく、「専門性を身につける過程を支援し、より少ない経験でより高い水準に到達させる」という機能を果たしうるという可能性です。
7. 事例研究③：材料科学における生成AI——判断力を持つ者だけが恩恵を受ける
7-1. 逆材料設計の手法と生産性への影響——発見件数40%増・特許出願30%増
Autor： 次に紹介するのは、MITの学生であるAiden Toner-Rogersが執筆した、材料科学における生成AIの活用に関する研究です。材料科学とは、粘着性・柔軟性・硬度・耐熱性・伸縮性といった特性を持つあらゆる素材を開発する応用科学の一分野です。皆さんの車の中にある接着剤も、履いている靴も、宇宙船に使われる部品も、ミキサーの内部部品も、すべて材料科学の産物です。非常に重要な分野であり、近年は生成AIの影響が顕著に現れています。博士課程のシラバスや学術論文を見ると、生成AIはこの分野全体に急速に浸透しています。
材料科学者が生成AIをどのように活用しているかというと、「逆材料設計（inverse material design）」と呼ばれる手法が中心です。従来の設計は「この素材を使ったらどんな特性になるか」という順方向の問いから出発しますが、逆材料設計では逆の方向から考えます。「こういう特性——たとえばこれくらいの柔軟性、この程度の粘着力、この温度まで耐熱できる——を持つ素材を作るには、どんな構造が必要か」という目標特性を先に設定し、グラフニューラルネットワークを通じて、その特性を実現すると予測される材料構造を導き出すのです。生成AIはこのプロセスにおいて、研究者が思いつかなかったような材料候補を大量に提案することができます。
この研究で特に優れているのは、実験設計の厳密さです。単純な導入前後の比較ではなく、異なるタイミングでAIを導入した多数のチームを比較する手法が採られており、AIの効果をより信頼性高く推定できます。結果は驚異的でした。AI導入後、新材料の発見件数は40%増加し、特許出願件数は30%増加しました。特許の最終的な取得件数については審査に年単位の時間がかかるため現時点では不明ですが、出願件数は何らかの成功の見込みを示す重要な中間指標です。さらに製品の試作品数は約20%増加しました。あらゆる生産性指標においてこの数字は目覚ましく、しかも開発された材料の特性は目標とする特性へのフィット度が向上しており、新規性の観点からも従来より革新的な発見が生まれていたことが複数の指標によって確認されています。
7-2. 業務内容の変化と研究者の能力別分析——領域判断力の有無が成果を分ける
Autor： 生産性が劇的に向上したことはわかりました。では、材料科学者たちの仕事の中身はどう変わったのでしょうか。AI導入前、研究者たちは業務時間の約40%をアイデアの創出に費やし、約25%をそのアイデアの実現可能性の評価に、残りの約3分の1を実験に充てていました。AI導入後、アイデア創出に費やす時間はおよそ3分の2削減されました。機械が大量のアイデアを生成するようになったため、研究者が一からアイデアを考える必要性が大幅に減ったのです。その分、AIが提案したアイデアを評価する時間と、有望なアイデアを実際に実験で検証する時間が増えました。科学における分業の構造が根本的に変化したと言えます。
ここで非常に重要な問いが生じます。この変化はすべての研究者にとって等しく恩恵をもたらしたのでしょうか。Aiden Toner-Rogersの分析は、この問いに対して明確な答えを示しています。AI導入前、研究者たちが最初に選んで実験する材料候補は約90%の確率で成功していました。つまり、自分の知識と判断に基づいて最も有望なものから順番に試していたわけです。その成功率は実験を重ねるにつれて急速に低下していきました。AI導入後は興味深いことに、最初の実験の成功率はむしろ低下しました。しかしその代わり、発見の「テール」が長く伸びました——つまり多くの実験を経てもなお有意義な発見が続く傾向が現れたのです。
さらに研究者を生産性（AIが提案する実験の成功率を予測する能力）によって四分位に分けて分析すると、際立った差異が浮かび上がりました。下位四分位の科学者たちは、AIなしのときはある程度の順序立て——有望なものから順に試す——ができていましたが、AI導入後はほぼランダムに近い選択をするようになってしまいました。AIが提案する多数の候補の中から、どれが良いアイデアでどれが悪いアイデアかを見極める判断力を持っていなかったのです。一方、上位四分位の科学者たちも、AI導入後は個々の実験の成功予測精度という点ではAIなしのときより若干低下しました。しかし発見の長いテールが維持されており、AIが広げた探索空間を自分の判断力で効果的にナビゲートすることができていました。
この研究の核心的な結論は明快です。生成AIは強力なツールですが、その恩恵を受けられるのは、AIが提案するアイデアの良し悪しを評価できるだけの領域判断力を持つ科学者に限られるということです。コールセンターの事例では、AIが判断力の習得を加速させるという機能を果たしていました。しかしこの材料科学の事例では、AIはすでに判断力を持つ者の能力を増幅させる一方で、判断力を持たない者にとってはほぼ無意味、あるいは有害にすら働くという、より峻厳な現実を示しています。専門性とAIの関係は一様ではなく、その人がどれだけの領域固有の判断力を持っているかによって、まったく異なる帰結をもたらすのです。
8. AI影響の類型整理と「仕事の終焉」論への反論
8-1. 三つの帰結パターン——水平化・スーパースター増幅・専門性の陳腐化
Autor： ここまで三つの事例を見てきました。放射線科医の事例では設計の失敗によって専門性の発揮が損なわれ、コールセンターの事例ではAIが専門性の習得を加速する好循環が生まれ、材料科学の事例では領域判断力を持つ者だけが恩恵を受けるという非対称な増幅が起きていました。これらを整理すると、AIが専門性に与える影響には大きく三つの帰結パターンが見えてきます。
第一のパターンは「水平化（leveling up）」です。コールセンターや職業的な文章執筆、ソフトウェア開発の一部で観察されているように、経験の浅い人がAIの支援を受けることで、より熟練した専門家に近い成果を出せるようになる現象です。AIが専門的な振る舞いのモデルを継続的に提示することで、習得のスピードが上がり、より多くの人がより高い水準に到達できるようになります。これは不平等の縮小につながる可能性を持つ、最も希望のあるパターンです。
第二のパターンは「スーパースター増幅（superstar amplification）」です。材料科学の事例で示されたように、すでに高い領域判断力を持つ者がAIによってその能力をさらに拡張し、より多くの発見や成果を生み出せるようになる現象です。このパターンでは、能力の高い者と低い者の差がむしろ拡大します。同様の現象は、ロンドンのブラックキャブ運転手の事例の逆側にも見られます。GPSの普及によって「ザ・ナレッジ」という専門性は陳腐化しましたが、一方でそれを使いこなし、より広い地域でより多くの顧客にサービスを提供できる運転手は恩恵を受けました。
第三のパターンは「専門性の陳腐化（expertise dissolution）」です。かつてはウェブサイトのコーディングが希少で価値ある専門性でしたが、今やそれは広く普及しています。AIが特定の専門的スキルを誰でも使えるレベルにまで安価化・普及化させると、その専門性はもはや希少ではなくなり、経済的な価値を失います。これは専門家の収入に直接的な打撃を与えます。
ただし、第三のパターンが支配的になるとは必ずしも言えません。看護師と医師の関係を考えてみましょう。ナースプラクティショナー（診療看護師）は、AIではなく社会運動の産物です。看護師たちが自らの能力を正当に評価し、より広い診療範囲を切り開いてきた歴史があります。現在彼女たちは電子医療記録、診断ソフトウェア、薬物相互作用チェックシステムといったテクノロジーによって強力に補完されています。私が思い描く好ましい未来のひとつは、AIによってナースプラクティショナーがより広い範囲の疾患を診断・治療できるようになることです。これは医師の収入を多少圧迫するかもしれませんが、医師という存在がエリート教育を受けた人々だけが担える職業であり続ける限り、医療サービスへのアクセスを広げるためには不可欠な変化です。専門性の陳腐化が起きる場合でも、それが単なる押し下げではなく、より多くの人々が高付加価値な仕事に参入できる入口になりうるのです。
8-2. 先進国は雇用不足ではなく労働者不足に直面している
Autor： さて、Elon MuskとGeoffrey Hintonという二人の著名人が、AIによって将来的に仕事はなくなると主張しています。Muskは「いずれ仕事は必要なくなる」と言い、Hintonは2023年に「配管工として就職することをお勧めする」と述べました。HintonはAIへの貢献でノーベル賞を受賞した人物でもあります。しかし私はこの見方は誤りだと考えており、その理由は二つあります。
まず実用的な観点から言えば、先進国において私たちは雇用の不足には直面していません。むしろ労働者の不足に直面しています。OECD加盟国の大多数において、生産年齢人口の絶対数は今後35年間で減少していく見通しです。一方、高齢者の数は減りません。これは深刻な経済問題です。もちろんこれは途上国の多くには当てはまらない話ですが、先進国においては明確な傾向として現れています。
先進国における労働力不足は、実のところ政策の産物でもあります。世界には先進国に移住して働くことを望む人々が大勢いますが、移民政策はその流入を制限しています。これは政策によって解決可能な問題であるにもかかわらず、現在の政策の方向性はむしろこの問題を悪化させる方向に向かっています。人類にとって大きな損失と言わざるを得ません。いずれにしても、少なくとも先進国の文脈では、「仕事が消滅して失業者があふれる」という未来よりも、「仕事はあるのに担い手がいない」という未来の方がはるかに現実的な課題です。
8-3. 変革的技術は自動化よりも新たな能力を創出する——飛行・顕微鏡・古代ギリシャの思考実験
Autor： しかし「仕事の終焉」論への反論として、私がより根本的だと考えるのは、変革的技術の歴史を振り返ることで見えてくる別の論点です。人々が新技術を思い描くとき、多くの場合「これで既存の作業が自動化される」という発想から出発します。しかしそれは変革的技術の本質を見誤っています。人類の歴史において最も深く生活と仕事の様式を変えた技術革新は、既存の作業を自動化したのではなく、それまで人間にはできなかったまったく新しい能力を創造したのです。
動力飛行を例にとりましょう。20世紀初頭に機械による飛行が実現したとき、この技術は「それまで人間が飛んでいた仕事を自動化した」わけではありません。そもそも機械なしに人間は飛べなかったのです。走査型電子顕微鏡が亜原子粒子の観察を可能にしたとき、それは「以前の方法で原子を見ていた仕事を自動化した」わけではありません。その顕微鏡がなければ、そもそも見ることができなかったのです。
さらに思考実験を極端に押し進めましょう。古代ギリシャに戻り、当時ギリシャ人が行っていたすべての作業を自動化したとしても、21世紀の現代世界は生まれません。馬のいない世界になるだけです。電気もなく、ペニシリンもなく、飛行機もなく、通信技術もない世界です。真に変革的な技術とは、既存のことをより効率よく行うものではなく、以前は不可能だったことを可能にするものです。私の洗濯機はアポロ誘導コンピュータ——1966年に人類を初めて月に送り届けたコンピュータ——よりも高い処理能力を持っています。しかしその処理能力は、どこにいてもスマートフォンから洗濯機のすすぎサイクルを開始できるという、率直に言ってほぼ無意味な機能のために使われています。洗濯物を取り出すには結局、自分で洗濯室まで行かなければなりません。そして私の洗濯機は月には行けません。技術を変革的なものにするのは、ハードウェアとソフトウェアの量ではなく、それがどのような新しい能力を可能にするかです。AIもまた、「同じことをより速く安く行う」ことに使われるのか、「以前は不可能だったことを可能にする」ことに使われるのかによって、その社会的意義はまったく異なってきます。問うべきは、大量の処理能力や学習能力をどのような目的のために向けるのか、という問いなのです。
9. 社会的選択としてのAI設計
9-1. 北朝鮮と日本の核技術選択——用途は技術の特性ではなく社会の決断が決める
Autor： AIをどのような目的に使うかは、技術そのものが決めるのではなく、人間の選択によって決まります。これを示す強力な例として、核分裂技術の使われ方を考えてみましょう。核分裂には大きく二つの用途があります。核兵器と、原子力発電です。北朝鮮は印象的な核兵器の備蓄を持っていますが、原子力発電所は一基もありません。一方、日本は核兵器を持たない国であり、実際に核兵器が攻撃目的で使用された唯一の国でもありますが、数十基の原子力発電所を運用しています。これは技術の特性によって生じた違いではありません。社会が下した選択の結果です。同じ技術が、まったく異なる目的のために使われています。
AIも同様です。AIは検閲や監視のためのツールとして使うこともできます。むしろその用途においては、これまで人類が手にした中で最も強力なツールだと言えるかもしれません。しかしAIは同時に、高齢者介護の支援、建設・修繕現場の作業員へのリアルタイム情報提供、教育のシミュレーション化と低コスト化、医療サービスのより広い普及といった目的にも使えます。どちらに使うかは、AIという技術の性質から自動的に決まるのではありません。誰がお金を出し、誰が設計し、誰が展開するかという人間の意思決定によって決まるのです。
Autor： これは単なる理念論ではありません。商業的なインセンティブや学術的なインセンティブの多くは、人間の能力を「複製する」方向に向きがちです。しかし私が考える本当の価値は、人間の能力を「拡張する」ことにあります。どのように使うかを決める主体は、ツールではなく、ツールに投資し、設計し、導入する人々です。そしてその選択は、個人の善意だけに委ねるべきではなく、ガバナンスの問題として真剣に向き合う必要があります。
9-2. 産業・政府・大学・労働代表が今まさに下している集合的決定
Autor： では誰がAIの方向性を決めるべきなのでしょうか。現実には、誰も一手に「技術的進歩の方向性を決める」立場にはいません。しかしだからこそ、問うべきことがあります。人々が応答しているインセンティブは何か、ということです。産業界は利益を追求します。学術界も独自のインセンティブに動かされます。そのどちらも、人間の能力を複製する方向に引き寄せられやすい構造があります。
ここで政府が重要な役割を果たせます。先進国における科学研究の多くは、大学への助成金や公的支援によって成り立っています。アメリカでは「民間製薬会社が革新を生んでいる」という言説が流布していますが、実際には国立衛生研究所（NIH）の資金が医薬品研究の大部分を支えています。政府は優先事項を設定する役割を担えるのです。さらに政府は多くの場合、こうした技術の主要な買い手でもあります。アメリカではGDPの約20%が医療と教育に向けられており、その少なくとも半分は最終的に公的資金です。政府は「医療をどう届けるか」「教育をどう設計するか」という問いに対して投資を行い、その目的として「働く人々の専門性を拡張すること」を明示的に掲げることができます。単に人を置き換えることではなく、人の能力を引き出すことを目標に据えることができるのです。
Berg： おっしゃる通りだと思います。私たちILOの研究でも、テクノロジーによる補完という観点からその効果をいかに測定するかという問いに取り組んできました。「AIへの露出（exposure）」を測定する研究は多くありますが、Autorさんもご指摘のように、露出そのものが良いか悪いかは自明ではありません。コンピュータがあるから仕事が成り立っている私と、テクノロジーによって職を奪われたクラーク職の人とでは、同じ「露出が高い」という評価でも意味がまったく違います。この測定問題についてはどのようにお考えですか。
Autor： まさにそこが核心的な難問です。Pavalさん自身の研究でもこの点が認識されていますね。私の短い答えとしては、露出が良いか悪いかを分けるのは「その露出が、その人の持つ希少な専門性の価値を増幅するのか、それともその専門性をより希少でなくして消滅させるのか」という点にあります。私とMITの同僚Neil Thompsonは、この問いに取り組む研究を進めており、まだ論文としては書いていませんが発表は始めているところです。ただ根本的に難しい問いであることは間違いありません。もうひとつ重要なのが新しい仕事の創出です。Daron Acemogluらの研究でも取り上げられているテーマですが、私も最近Caroline Chin、Anna Solomons、Brian Zillerとの共同研究でこれを測定しようとしています。推計によれば、2020年時点でアメリカ人が就いている職業の専門領域の60%は、1940年には存在していませんでした。新しい仕事の創出は本質的に重要ですが、それがどこで、どのようなスキルを必要とする形で生まれるかを予測することは非常に難しい。AIはこの予測をさらに複雑にしています。楽観と慎重の両方の理由がある。今は私たちはこの技術の地下一階にいる段階であり、それが何のために最も適しているかをまだ十分には理解できていないのです。
10. 質疑応答——残された課題と展望
10-1. リスクの三類型と言語バリア解消・オフショアリングの影響
Berg： 発表の中で専門性の価値が低下するリスクについて触れられていましたね。放射線科医やコールセンター労働者の事例のように、AIが専門性を陳腐化させることで、これまで比較的高い賃金を得ていた人々の収入が押し下げられる可能性があります。これは中間層の再建につながるどころか、むしろ中間層の賃金水準そのものを引き下げてしまう危険性があるのではないでしょうか。たとえばジェンダー賃金格差を考えると、男性の賃金が下落することで格差が縮小するというシナリオが考えられますが、それは望ましい縮小ではありません。同様に、AIによる「平等化」が実は全体的な引き下げによって実現されるとしたら、それは問題ではないでしょうか。そうしたリスクを防ぐためにどのような制度が必要だとお考えですか。
Autor： おっしゃる通り、そのリスクは確実に存在します。AIが専門性に与える影響には、大きく三つの異なる様相があります。第一に、ある専門的スキルが希少から豊富へと転じ、経済的価値を失うケースです。かつてウェブサイトのコーディングや経路探索の知識は希少な専門性でしたが、今やそれは広く利用可能になっています。AIがある種の人間のスキルを安価にしすぎてしまうケースは確かに起きるでしょう。ただし、これがすべての場合に当てはまるとは思いません。第二に、競争が激化するケースです。ナースプラクティショナーは医師と実際に競合しており、医師の収入に影響を与えています。アメリカでは医師会がナースプラクティショナーの職域拡大を阻もうとしてきましたが、それでも着実に広がっており、私はこれを健全な発展と見ています。高い報酬を得てきた専門家の立場が多少揺らぐ一方で、より多くの人々が高付加価値な仕事に参入できる機会が生まれるからです。第三に、生産性そのものが向上するケースです。放射線科医を例にとれば、AIによって専門性が陳腐化するというよりも、優秀な放射線科医が一日に読影できるスキャン数が増え、より多くの価値を生み出せるようになるかもしれません。これは椅子取りゲームではありません。生産性が上昇すれば、実質的な賃金上昇の余地が生まれます。私が最も懸念するのは、専門性の広範な陳腐化が進み、生産性の向上による果実がすべて資本に帰属し、労働への配分が減少するシナリオです。そうなれば労働の価値は全体として下落します。これが私の最大の懸念点です。
Berg： もうひとつ気になる点があります。生成AIは言語バリアをほぼ解消しつつあります。コールセンターの業務であれば、今やどの国からでも、アクセント矯正や他言語対応を使いながら運営できます。これはAIによって業務のオフショアリングがさらに加速するリスクではないでしょうか。
Autor： リスクでもあり、機会でもあると思います。世界の商取引の多くは英語で行われており、それが母語でない人々にとっては大きな障壁でした。AIによってより多くの人々がその英語中心の経済圏に参入できるようになることは、機会の拡大という側面を持っています。経済学者として私は一般的に競争を歓迎します。ただし正直に言えば、競争を歓迎する人などほぼ存在しません。誰もが先頭に立って、競合相手のいない状態を望むものです。私が本当に懸念するのは、競争そのものよりも、労働が資本との競争において価値を失うシナリオです。機械によってあまりにも多くの仕事がこなされるようになり、労働そのものが希少でなくなること——これが私の根源的な心配です。そしてそれはAIを専門性の補完に使うか、単なる人員削減の手段に使うかという選択に大きく依存しています。
10-2. 測定の困難と新しい仕事の創出——露出が「良いか悪いか」を判断する枠組みの模索
Gimik： 今日の講演では、テクノロジーが人間の労働を補完する要因として非常に重要だというお話がありました。この補完性を体系的に測定し、さまざまな職業や作業に適用できる手法について、何かお考えはありますか。私たちのような研究者や政策立案者が実際に活用できるようなツールとして。
Autor： まずPavalさん自身がまさにそれを測定しようとする研究をされており、昨夜も論文を読んで多くを学びました。測定の難しさは、「AIへの露出」が高いことが良いのか悪いのかが、露出の度合いだけでは判断できないという点にあります。私はコンピュータなしでは仕事ができませんから、非常に高い露出を持っていますが、それは私にとって明らかに有益です。一方、多くの事務・行政職の人々も高い露出を持っていましたが、テクノロジーによって仕事を奪われました。では何が露出を良いものにし、悪いものにするのか。私の暫定的な答えは、その露出がその人の持つ希少な専門性の価値を増幅するのか、あるいはその専門性をより希少でなくして消し去るのかという点にあります。Neil ThompsonとMITで進めているこの問いへのアプローチはまだ論文化できていませんが、本質的に難しい問いであることは確かです。もうひとつ重要な側面は新しい仕事の創出です。私がCaroline Chin、Anna Solomons、Brian Zillerとの共同研究で推計したところ、2020年にアメリカ人が従事している職業上の専門領域の約60%は、1940年には存在していませんでした。新しい仕事の創出は根本的に重要ですが、どこでどのようなスキルを必要とする形で生まれるかを予測することは非常に難しい。AIはまだ登場したばかりであり、私たちはその可能性の地下一階にいる段階です。楽観する理由も、慎重になる理由も、両方あります。
10-3. AI時代の教育投資——メタ認知と判断力が人間の核心的スキルとなる
Gimik： 2015年の論文「なぜいまだにこれほど多くの仕事があるのか（Why Are There Still So Many Jobs?）」は非常に印象に残っています。あの中で20世紀初頭のアメリカにおける16歳までの就学義務化という政策決断のお話がありましたね。これは「次の技術革命に備えて人々に基礎的なスキルを与える」という社会的投資の典型でした。現在のAIの時代に相当する投資とは何だとお考えですか。人々のスキルや能力を高め、この技術移行から最大限の恩恵を引き出すために、今何をすべきでしょうか。
Autor： 非常に重要な問いです。20世紀初頭の就学義務化は、振り返ってみれば明らかに正しい判断でしたが、当時それが正解だと確信できた人はほとんどいなかったはずです。今もまた、何が正解かは自明ではありません。ただ私が根本的に信じているのは、これからの時代においても——むしろこれまで以上に——重要になるのは、ツールをうまく使うための判断力、つまり一種のメタ認知だということです。コールセンターの事例でも、材料科学の事例でも、放射線科医の事例でも、共通して浮かび上がるのは「自分がそのツールをうまく使えているかどうかを判断する能力」の重要性です。ツールが出力するものが良質なのか、それともゴミや危険なものなのかを見極めるためには、領域固有の知識と文脈的な理解が不可欠です。AIに感銘を受けることは容易であり、そうすべきです。しかしAIを過大評価することも同様に容易であり、そこに危険があります。人間が本質的に重要であり続けるのは、まさにこの翻訳の部分——文脈を理解し、ツールの出力を現実の状況に照らして判断するという部分——においてです。では具体的にどういうスキルを育てるべきか。それは分析的・定量的に考える力、情報を統合する力、論拠を構築する力、そして人を動かすコミュニケーションの力だと思います。ルールに従うだけでは不十分な時代において、これらの能力はますます重要になります。教育への具体的な投資のあり方はまだ明確ではありませんが、基本的な方向性はこのメタ認知と判断力の涵養にあると私は考えています。
10-4. 途上国への含意——モバイルフォンとの類比による「軽量技術」としてのAIの潜在力
Gimik： 発表の冒頭では途上国の文脈から問題提起をされながら、その後は先進国中心の視点になりましたね。ILOでは途上国、特に低所得国への影響を非常に重視しています。World Bankとの共同研究でも示したように、AIによって変革されうる仕事の最大半数は、コンピュータやインターネットへのアクセスという基本的な前提条件さえ満たしていないかもしれません。AIの恩恵を受けるためのインフラが整っていない状況で、先進国の中間層議論は途上国にどう当てはまるのでしょうか。また多くの途上国ではそもそも中間層が非常に薄く、AIに露出しているのはむしろ中間層の仕事であるとするならば、それは中間層のさらなる空洞化リスクにつながらないでしょうか。
Autor： 両面があると思います。ただひとつ興味深い観察があります。英語圏以外の国々の人々が生成AIをむしろより多く利用しているという傾向が各所で報告されています。これはAIが専門的な知識へのアクセスを母語を問わず広げているからかもしれません。先進国の多くのテクノロジーは、教育インフラや関連技術の整備を前提としており、途上国には必ずしも適していませんでした。しかしモバイルフォンは興味深い例外でした。長距離通信手段が存在しなかった地域にとって、携帯電話は代替技術ではなく、それまで存在しなかった能力をもたらした技術でした。親族との連絡、価格情報の取得、天気予報の確認、銀行サービスへのアクセス——これらすべてがスマートフォン一台で可能になりました。世界の成人の約60%がスマートフォンを持っているという事実は、その価値の大きさを示しています。AIはモバイルフォンに近い性質を持っていると思います。核エネルギーのような重厚なインフラを必要とせず、スマートフォンを通じて利用できる「軽量技術」です。医療の専門知識、教育の専門知識、法律の専門知識、設計・工学・ソフトウェアの専門知識——これらが最も不足しているのは、私がいる場所ではなく途上国です。そこでの人々の判断力を支援し、専門的な領域でより多くのことができるようにするツールとしてのAIには、大きな可能性があります。医療はすでにその可能性が見え始めているケースのひとつです。もちろんリスクも現実の変位も存在します。恩恵を受ける人と不利益を被る人が異なることも多い。「平均的に良い」ということは「全員に良い」ということではありません。投資、測定、規制の整備が、この機会を最大限に活かすために不可欠です。
10-5. 技術進歩の方向性を誰が決めるべきか——「予測問題」ではなく「設計問題」として未来に向き合う
Berg： 最後にもうひとつ、聴衆から寄せられた問いをお伝えします。民主主義社会において、技術の進歩や革新の方向性を決める主体はどうあるべきか、どのようなプロセスでそれを決めていくべきかというご質問です。
Autor： 率直に言えば、現状では誰も責任を持って決めていません。それ自体が問題です。誰もコントロールしていないとすれば、人々はどのようなインセンティブに応答しているのかを問わなければなりません。商業的なインセンティブも、学術的なインセンティブも、多くの場合、人間の能力を「複製する」方向に向きがちです。しかし私が考える本当の価値は、人間の能力を「拡張する」ことにあります。政府はここで重要な優先事項の設定機能を果たせます。先進国における多くの科学研究は、大学への補助金と公的支援によって成り立っています。アメリカでは「偉大な民間製薬企業が革新を生んでいる」とよく言われますが、実際にはNIHの資金が大部分を支えています。政府はまた、こうした技術の主要な買い手でもあります。GDPの約20%が医療と教育に向けられており、その少なくとも半分は公的資金です。政府は「医療をどう届けるか」「教育をどう設計するか」という問いに対して投資し、その目的として「働く人々の専門性を拡張すること」を明示的に掲げることができるはずです。これは非常に難しい問題であり、単純な答えはありません。しかし最初の一歩は、これが技術によって決定されるものではないと認識することです。私たちが生きることになる未来は、単なる予測の対象ではなく、設計の対象です。私たちは自分たちがその設計者であることを自覚し、「どのような未来を設計したいのか」という問いに正面から向き合わなければなりません。それは困難なことですが、急を要することでもあります。
Berg： 本当に豊かな議論をありがとうございました。専門性とAIの関係というレンズを通じて、技術変化の歴史から具体的な実験結果、そして政策上の選択に至るまで、非常に広い視野から照らし出していただきました。次回のAI for Goodトークは、Boston University法科大学院の技術・政策研究イニシアティブ所長であるJames Bessenを迎え、1月21日火曜日に開催いたします。本日はどうもありがとうございました。
Autor： こちらこそ、大変光栄でした。聴衆の皆さんにも感謝申し上げます。ありがとうございました。