※本記事は、世界経済フォーラム第56回年次総会（ダボス会議2026）のセッション「Preventing Jobless Growth」の内容を基に作成されています。セッションの動画は https://www.youtube.com/watch?v=EXC_3G2yYJM でご覧いただけます。本記事では、セッション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。
登壇者は、モデレーターを務めたErik Brynjolfsson氏（スタンフォード大学教授）、Ravi Kumar S氏（Cognizant CEO）、Jonas Prising氏（ManpowerGroup CEO）、Elizabeth Schuler氏（AFL-CIO会長）、Laura D'Andrea Tyson氏（UCバークレー経営大学院教授）、Valdis Dombrovskis氏（欧州委員会委員）の6名です。世界経済フォーラムの詳細情報は https://www.weforum.org/ でご覧いただけます。
1. イントロダクション：生産性の二面性とジョブレス成長の問題
1-1. 分子と分母——生産性をめぐる二つの語り
Brynjolfsson： ダボスでの今年の議論を振り返ると、大きく二つのナラティブが並走しており、驚くほど交わっていないことに気づきます。一方には成長と富の創出を称える楽観的な語りがあり、もう一方には「仕事はどこへ行くのか」という懸念に満ちた語りがあります。しかし私はこの二つが実は同じコインの表と裏だと強調したいのです。
生産性とは何か。定義はシンプルで、アウトプットをインプットで割ったものです。ところが不思議なことに、多くの人は分子ばかりに注目し、別の多くの人は分母ばかりを見ています。分子に目を向ければ、生産性の向上が富の創出にとどまらず、環境の改善、貧困の解消、医療の進歩による寿命の延伸といった多面的な恩恵をもたらす可能性が見えてきます。AIを含むテクノロジーはまさにその方向に貢献しています。私たちがコールセンターでLLMの活用を調べた研究では、平均で約14%、最大で35%の生産性向上が確認されました。ソフトウェア開発やコーディングの分野では、二桁どころか三桁の生産性向上を示す研究も存在します。米国をはじめ各国の直近のデータも、生産性復活の兆しを示し始めています。
しかし分母に目を向けると、話は楽観的ではありません。生産性の比率を高めるには、分子を伸ばすか、分母を縮小させるか、あるいは分母を横ばいに抑えるかのいずれかです。最近の雇用統計が示すのは、まさにその分母が芳しくないという現実です。
1-2. 「炭鉱のカナリア」研究：AIが若年層雇用に与える早期シグナル
Brynjolfsson： 私たちはこの懸念を検証するために、ADPのデータを用いて「炭鉱のカナリア」と呼ぶ論文を執筆しました。AIへの露出度が高い職種における雇用の早期変化を追ったものです。ONetデータベースに収録された約900の職種をタスクベースでランク付けし、AIへの露出度を職種ごとに算出したうえで、年齢層別の雇用動向を分析しました。
結果として最も顕著だったのは、22歳から26歳という最年少層のうち、コールセンターやソフトウェア開発といったAI露出度の高い職種に就いている人たちで、2024年から2025年にかけてLLM普及以前と比べて約13%の雇用減少が確認されました。この効果は年齢が上がるにつれて薄れており、全体としての影響は表面上それほど大きくは見えません。ただしその後に入手した最新データでは、この数字がすでに16%に拡大しています。今後どこまで広がるかはまだわかりませんが、まさに炭鉱のカナリアとして注視すべき動向です。
さらに重要な発見があります。データをAIを使って業務を「拡張（Augment）」している人と、「自動化（Automate）」に利用している人とに分けて分析したところ、拡張型の利用者は雇用も増加し、アウトプットも伸びていました。つまり生産性向上と雇用増加を両立させた、いわば「共有された繁栄」の形がそこにあったのです。残念ながらこのグループはまだ少数派です。しかしこの方向に多くの人を誘導できれば、ジョブレス成長を防ぐひとつの現実的な経路になりえます。私たちのパネルの目標は、生産性の恩恵を最大化しつつ、雇用を犠牲にしない道を探ることです。そのための最前線にいる専門家たちとともに、この問題を深く掘り下げていきます。
2. AI導入と生産性の現実（Ravi Kumar / Cognizant）
2-1. 価値の「ドリフト」が遅れる理由：確率論的ソフトウェアと文脈工学
Brynjolfsson： AIが生産性を押し上げる潜在力については多くの議論がありますが、それが集計統計にまだほとんど現れていません。驚くべき能力が実証されているにもかかわらず、マクロの数字は依然として低調です。Raviさん、Cognizantはまさにその最前線にいる組織として、AIが業務をどのように拡張し、あるいは代替し、生産性にどう影響しているかをもう少し具体的に教えてもらえますか。また、企業がその潜在力をより効果的に活かすためには何が必要でしょうか。
Kumar： ありがとうございます。私たちはONetデータベースから18,000のタスクと1,100の職種を対象に調査を行いました。そこから言えることは、テクノロジー自体はすでに十分に進化しているということです。イノベーションの量は目を見張るものがあります。ところが、その価値が企業の実務に「ドリフト（浸透）」していく速度は、私たちが期待していたより明らかに遅い。これはほとんどの技術革新に共通する現象で、通常は8年から10年かかります。AIの場合はさらにそれより遅れています。
その理由の核心は、AIが本質的に「確率論的なソフトウェア」であるという点にあります。30年から40年前に私たちが導入したエンタープライズソフトウェアは決定論的でした。入力が同じであれば出力も同じ、という予測可能な世界です。しかしAIは違います。人間の判断、意思決定、問題解決のプロセスが組み込まれた確率論的なシステムを、既存の業務フローに統合しようとすれば、単なるシステム導入ではなく、業務そのものの「文脈的な再設計」が必要になります。これを私たちは「コンテキスト・エンジニアリング」と呼んでいます。過去はマイクロプロセッサーを中心に技術を構築していました。これからはLLMを中心に構築する時代です。そのLLMは確率論的であるがゆえに、企業の固有の業務フロー、暗黙知、組織文化、つまり「その会社ならではの動き方」を理解させなければ、生産性は上がらないのです。
私がHBRに寄稿した論文でも書きましたが、要するに「AIをチームの一員として教育すること」が鍵です。AIに会社の業務リズム、仕事のパターン、組織内に蓄積された部族的知識を理解させる。それを体系化し、AIを使ったデジタルレイバーを構築することが、私たちが今まさに取り組んでいることです。この文脈工学なしには、生産性向上の議論は絵に描いた餅に終わります。
2-2. 下位50パーセンタイルの従業員が示した実験結果と新卒採用拡大の戦略
Brynjolfsson： Ericさんの研究ではコールセンターのケースで、スキルの低い労働者の方がAI活用による恩恵が大きかったという結果が出ていましたが、Cognizantでも同様のパターンが見られますか。
Kumar： まったく同じです。私たちが測定したデータでは、下位50パーセンタイルの従業員で36%の生産性向上が確認されました。一方、上位50パーセンタイルでは17%です。これは非常に重要な示唆を含んでいます。AIが持つ可能性のひとつは、ピラミッドの底辺を広げること、つまり入職の障壁を取り除き、これまでキャリアの入口に立てなかった人たちに対して、より速く、より高いレベルへの成長経路を開くことです。学習速度が上がり、専門性への到達が早まる。
Brynjolfsson： それは非常に興味深い。実際にCognizantでは、エントリーレベルの採用をどう対応しているのですか。AIによって若い世代の雇用が減っているという私たちのデータとは対照的に聞こえますが。
Kumar： 実は昨年、これまでで最も多くの新卒を採用しました。その背景にある考え方はシンプルです。新卒の人たちは、古いやり方を知らない。ソフトウェアコードを書くとき、それがAIと協働して書くことが最初から当たり前の世界に入ってきます。古い習慣を捨てる必要がない分、移行が圧倒的にスムーズです。さらに私たちは今、同期型のコードアシストから非同期型のエージェントワークへと移行しつつあります。以前は人間とAIがリアルタイムで並走していました。今は人間がエージェントに仕事を委託し、大きな方向性を示して（マクロ委任）、細かい修正を加えながら進める（マイクロ操舵）という形になっています。新卒者はこのモデルをゼロから習得できる。そこに大きな可能性があります。
2-3. 業務の再発明こそが生産性向上の本質：ワークフロー統合とエージェント活用
Kumar： 最後に、最も根本的な点をお伝えしたいのですが、AIを使って生産性を上げようとするとき、多くの企業がやりがちな間違いがあります。それは既存の業務にAIを「乗せる」だけで終わることです。そのアプローチでは、古い業務がより安くなるだけで、根本的な生産性向上は起きません。本当に必要なのは、ビジネス、プロセス、フロー全体を「再発明（Reinvention）」することです。AIを前提に業務を最初から設計し直す。その再設計と再想像が、真の生産性向上を生み出します。
具体的に言えば、AIはワークフローの中間に位置します。フロントには人間がいて、認証、課題発見、アイデア創出を担います。バックにも人間がいて、検証と確認を行います。AIはその中間でプロセスを動かす。この人間と機械の統合的なワークフローを設計しなければ、生産性は生まれません。自動運転車の導入が難しいのと同じ理由です。インフラがもともと人間のために設計されているなかに機械を組み込む難しさ、人間だけでも機械だけでもなく、両者が協働する設計の複雑さがそこにあります。スタートアップなら5人で再発明できますが、大企業や公共セクターでは文化の変革も伴うため時間がかかる。それが価値ドリフトの遅れのもうひとつの現実です。
3. 経済学的視点：利益分配の構造問題と政策的課題（Laura Tyson / UC Berkeley）
3-1. 過去の技術革命が示す長期的雇用の回復と移行期の混乱コスト
Brynjolfsson： 経済学者として、AIによる雇用消失をどう見ていますか。産業革命以来、技術革新が雇用を奪うという懸念は繰り返されてきましたが、歴史的には雇用は増えてきた。今回も同じなのか、それとも今回は違うのか。Lauraさんの見解を聞かせてください。
Tyson： まず私の基本的な立場を明確にしておきたいのですが、これまでの証拠を見る限り、技術的変化による長期的な失業というものは存在しません。技術が進化するにつれて、需要の構造が変わり、雇用の構成が変わり、人々が何をするかが変わり、どのセクターが成長してどこに労働力が吸収されるかが変わっていく。これが歴史的なパターンです。その意味で、私は長期的な技術的失業論には与しません。
ただし、それで議論を終わらせてはいけない。二点目として強調したいのは、移行期の混乱コストが非常に大きいということです。ある職種の雇用が減り、別の場所に新しい雇用が生まれるとしても、それは同じ人が自動的に移行できることを意味しません。新しい仕事には別のスキルが必要で、地理的にも異なる場所にあることが多い。David Autorらの研究が示すように、これは40日や4年で解決するプロセスではなく、40年単位のプロセスです。その時間軸の長さこそが、人々が抱える不安の正体です。
Brynjolfsson： 過去の技術革命の中で、移行がうまくいった例はありますか。
Tyson： 残念ながら、「本当にうまくいった」と言える事例を即座に挙げるのは難しい。だからこそ移行期の政策設計が重要なのです。コミュニティカレッジの話がありましたが、今朝聞いたカリフォルニアの取り組みは示唆に富んでいます。カリフォルニアでは多くの職業訓練がコミュニティカレッジを通じて行われており、そこに通う学生たちはまさにEricさんが示したデータに直面してパニックになっています。「エントリーレベルの仕事が消えるなら、自分はどうすればいいのか」という恐怖です。だからこそ教育機関と企業の間の緊密な連携が必要で、企業が今後どのような職種を生み出すのかを教育機関にリアルタイムで伝え、そのニーズに応えたカリキュラムを組む。Raviさんが分析した900職種のデータのようなものを、政策立案者と教育機関が活用する仕組みを作るべきだと思います。
3-2. デジタル革命が招いた二極化と資本・労働間の分配問題
Tyson： ただし、私には一つのディストピア的な視点もあります。生産性の恩恵が実際に存在し、それが相当なものになりうるとしても、問題はその恩恵が誰に分配されるかです。これが今後の最大の論点だと考えています。
デジタル革命を振り返ってみてください。産業革命とAI時代の間に起きたあの変化は、労働市場に著しい二極化をもたらしました。中間スキル・中間所得の仕事が消え、高い教育を受けた人々は上方に移動できましたが、多くの人々は下方に落ちました。そして最も重要な点は、生産性そのものは向上していたにもかかわらず、実質賃金の伸びがそれに追いつかなかったということです。生産性の果実は労働ではなく資本へと流れ、労働所得シェアが低下し、資本所得シェアが上昇した。これはデジタル革命についての実証データが示している事実です。
Brynjolfsson： それはまさに私が気にしているところです。企業が自動化よりも拡張を選ぶ構造的なインセンティブを、私たちはどう設計できるでしょうか。
Tyson： まず前提として、私たちの市場経済においてこれらの決断は最終的に企業が下します。政策立案者は後追いで対応する立場にあります。だからこそ、まず不可欠なのはマクロ経済政策の安定です。労働市場が弱い状態では、新しい雇用の創出も遅くなる。需要を十分に維持することが、あらゆる議論の前提条件です。
その上で、生産性向上の恩恵を労働者と分かち合う仕組みを制度として設計しなければなりません。税制、所得分配の仕組み、労働者が交渉力を持てる制度的な枠組み。これらを「再分配」という言葉を恐れずに議論の俎上に乗せることが求められます。雇用の数だけを見ていても不十分で、どのような質の仕事が、どのような賃金水準で、誰に提供されるのかという問いに正面から向き合わなければ、今回の技術革命もまた過去の二の舞になりかねません。
4. EU政策と労働市場：高齢化社会における生産性戦略（Valdis Dombrovskis / 欧州委員会）
4-1. AIコンチネント・アクションプランと欧州の産業競争力再建
Brynjolfsson： 政策立案者の立場から見て、ジョブレス成長のリスクはどう映っていますか。また、EUとしてどのような政策目標を持っているのか、具体的に教えてください。
Dombrovskis： まず欧州の現状から整理したいと思います。生産性という観点で見ると、EUはすでに数十年にわたって他の主要経済圏に後れをとっています。その遅れの大部分を説明しているのがテクノロジーセクターの停滞です。デジタル分野における欧州の競争力の弱さが、生産性全体の足を引っ張っているという構図です。この認識のもとで、私たちはAIを「巻き返しの機会」として位置づけています。
その中核となるのが「AIコンチネント・アクションプラン」です。これは大きく二つの柱で構成されています。一つ目はAIの開発と推進、具体的にはAIギガファクトリーの整備など、欧州内でのAI基盤の構築です。二つ目はAIの普及戦略で、製造業、サービス業、そして公共セクターを含む経済全体にわたってAIの活用を促進していくものです。技術を開発するだけでなく、それを社会全体に実装することまでを一体的に設計しています。
Brynjolfsson： EUの労働市場は今、実際にどういう状況にありますか。雇用という観点では、懸念材料はありますか。
Dombrovskis： 興味深いことに、現時点での雇用状況は全体として堅調です。コロナ禍からの回復局面を振り返ると、経済成長の水準に対して通常では説明がつかないほど多くの雇用が創出されました。現在も雇用は増加を続けており、失業率は歴史的な低水準にあります。ある意味でジョブレス成長とは逆の現象が起きていると言えます。
ただしこれは現状の話であり、将来に向けたリスクは明確に存在します。OECDのデータによれば、現在の求人のおよそ3分の1がAIスキルを必要とする職種に高度に露出しており、この割合は今後数年で3分の2にまで拡大すると予測されています。つまり今は雇用が豊富でも、労働力がAI時代のスキル要件に対応できなければ、この状況は急速に変わりうる。
4-2. 移行期の管理：リスキリングとAIスキル普及の政策設計
Dombrovskis： そこで最も重要な政策課題として浮かび上がるのが、移行期の管理です。企業がAIを積極的に活用しようとしている一方で、必要なAIスキルを持つ人材が圧倒的に不足しています。マクロデータを見ても、企業が大規模に従業員の再教育を進めている実態が確認できます。しかしそれでも、新卒者も在職者も、AI時代に求められるスキルを十分に備えていない状況が続いています。
Brynjolfsson： デジタルスキルの不足は以前から指摘されてきた課題ですが、AIでも同じことが繰り返されていると。
Dombrovskis： おっしゃる通りです。デジタルスキルの広範な不足に以前から取り組んできた私たちが、今また同じ課題に直面しています。AIスキルについても、新たに労働市場に参入する人々と、すでに就業している人々の双方に対して、適切なスキルを習得させることに注力しなければなりません。これは単に企業の競争力の問題ではなく、欧州全体の経済的繁栄を持続させるための構造的な課題です。
加えて、欧州には他地域にはない固有の事情があります。欧州は急速に高齢化が進んでいる大陸です。労働供給そのものが縮小していく中で、現在の繁栄水準を維持するためには、一人ひとりの生産性を高めることが不可欠です。AIによる生産性向上は、欧州にとって成長戦略であるだけでなく、縮小していく労働力を補完するための社会的な必要条件でもあります。だからこそ移行期をいかにうまく管理し、正しいスキルを持った労働力をAI経済に対応させるかが、欧州の政策の中心に据えられているのです。
5. 雇用主の責任と労働市場の現実（Yonas Prasing / ManpowerGroup）
5-1. AI価値実現の遅れと若年層雇用への影響：採用市場の現在地
Brynjolfsson： ManpowerGroupは世界最大級の雇用主のひとつとして、雇用の最前線に立っています。AIが労働市場に与える影響について、雇用主としての責任と現在地をどう見ていますか。
Prasing： まず出発点として確認したいのですが、このパネルの議論を聞いていて、長期的なジョブレス成長は主要な問題にはならないという点では皆さんと同意見です。課題は移行期にあり、その恩恵がいかに均等に分配されるかにあります。
ただし、Ericさんが示された若年層の雇用データについては、少し違う角度からも見る必要があると思います。確かに米国では若年層の雇用に格差が生じています。しかし労働市場が厳しい局面に入ると、企業はまず経験豊富な人材や専門スキルを持つ人材を優先的に採用します。新卒者や高校卒業者は景気サイクルの中で常に最初に割を食う。2025年を通じて、米国の経済成長は力強い一方で労働市場は全体的に軟化していました。その構造的なパターンが若年層の雇用に影響している部分も大きいと思います。
Brynjolfsson： ただし私たちの研究では、単純な景気サイクルとは言い切れない部分もありました。同じ若年層でも、AIへの露出度が高い職種では大きな落ち込みがあり、露出度の低い職種ではそうでもなかった。ホームヘルスエイドのような職種では逆に雇用が伸びていたほどです。これは単なる景気の問題ではなく、AIへの露出という要因が働いているように見えます。
Prasing： それは認めます。特定の職種カテゴリーではその影響が見え始めています。ただ全体として見ると、価値の実現はまだ大きく遅れています。Raviさんも言及されましたが、私たちも18,000タスクを定量化する調査を行いました。米国の労働経済全体の規模は約15兆ドルです。そのうちすでに理論的にAIに露出しているのは4.5兆ドル相当です。しかしその4.5兆ドルの価値はいまだ実現されていない。AIが個別のタスクに適用されるだけでは不十分で、ワークフロー全体に統合されて初めて真の生産性向上が生まれます。そのプロセス再設計には時間がかかり、新しいスキルが必要で、新しい職種も生まれる。だからこそ価値の実現が遅れているのです。
5-2. AIは専門知識を民主化する：デジタルデバイド論への逆張りと三段階スキル習得モデル
Brynjolfsson： 雇用主として、デジタルデバイドの拡大という懸念についてはどうお考えですか。AIスキルを持つ者と持たざる者の格差が広がるという議論があります。
Prasing： ここでは少し逆張りの見方を提示したいと思います。私はAIがむしろ格差を縮める方向に働くと考えています。その理由は、AIが専門知識を民主化するからです。デジタル技術の時代には、特定のスキルを習得しなければ特定の職種に就けないという参入障壁がありました。しかしAIは、これまでアクセスできなかった知識や能力への扉を誰にでも開く。いわば自分の能力を無限に拡張できるツールを手にするようなものです。それは必然的に参入障壁を下げ、これまでキャリアの入口に立てなかった人々に新たな道を開きます。
Brynjolfsson： ただし、そのためにはAIスキルそのものを習得する必要がありますよね。企業は今、具体的にどういうスキルトレーニングを行っているのですか。
Prasing： 最前線にいる企業の動きを見ると、非常に実践的なアプローチをとっています。スキル習得は大きく三つの段階で進みます。まず第一段階は、良いプロンプトを書けるようになること。これが出発点です。第二段階は、文書の統合、データの分析、そこから洞察を引き出し、結論を導く力を身につけること。第三段階が最も重要で、LLMとともに働くことで自分のスキルを拡張し、これまでとは異なるやり方で仕事を完結させられるようになることです。かつてWordやExcelやPowerPointを使えることが就職の基本条件だったように、今やAIリテラシーは職場のインフラとして当然求められるスキルになりつつあります。
実際に採用市場でも変化が起きています。今最も競争力のある求職者は、「プロンプトが書ける」「ChatGPTを使える」「Claudeで作業できる」と履歴書に書いている人たちです。採用担当者はそれを見て、「この人は新しいスキルを積極的に学ぶ人だ」と判断する。これはかつてMicrosoftオフィスのスキルが評価されたのと全く同じ構図です。そしてAIリテラシーを持つ人間は、機械との協働によってより多くの価値を生み出し、その結果として雇用可能性も高まる。これが今の採用市場の現実です。
またここで重要なのは、大企業の心配はしなくていいということです。大企業はリソースがあり、競争上の必要性もあるため、自ら従業員を再訓練し、スキルアップさせていきます。私たちが真剣に心配しなければならないのは、雇用の大部分を担っているその他の無数の中小雇用主たちです。彼らはどうするのか。この問いに答えるのが、政策立案者の最も重要な役割であり、分配政策や支援の仕組みを整えることが急務です。目を引くテクノロジーの話題に意識が集中しがちですが、その恩恵を社会全体に届けるためのその他のあらゆる変革こそが、現実に生産性向上が「生きてくる」場所なのです。
6. 労働者の視点：公正な分配・集団交渉・技術への参加権（Liz Schuler / AFL-CIO）
6-1. 経済的脆弱性の現実と「上流関与」モデル：労働者をAI開発の起点に置く
Brynjolfsson： ここまで研究者、政策立案者、雇用主の視点から議論を聞いてきました。AFL-CIOは64の労働組合、1,500万人の組合員を擁する米国最大の労働組合連合です。プロアスリートから俳優、バスドライバー、看護師、医療従事者、そしてこの会議を裏で支えているすべての人たちを代表している。その立場から、今の議論をどう聞いていましたか。
Schuler： 正直に言うと、発言できるタイミングをずっと待っていました。なぜなら、ここで語られている「人々」そのものを私たちは代表しているからです。まず現実を直視するところから始めなければなりません。AIの話をする前に、今の経済はすでに働く人々のために機能していません。米国では不平等が過去最高水準に達しています。人々はより多く働き、より少ない報酬を得ている。2つ、3つの仕事を掛け持ちしてようやく生活が成り立つ状況です。米国の労働者の40%は、400ドルの緊急出費にも対応できない。その上にAIが乗ってくるわけです。
この出発点を理解しなければ、人々がなぜ不安を感じているのかは説明できません。ある日突然、自分の職場に新しいテクノロジーが導入されている。訓練もなく、自分たちに発言権もない。それが現実です。だから不安になるのは当然であり、将来に対して不安を感じるのは当然です。
Brynjolfsson： では、その不安に対してどう応えるべきだとお考えですか。
Schuler： 私たちが主張しているのは、労働者をプロセスの「上流」に置くということです。テクノロジーの導入サイクルの末端に労働者を置くのではなく、最初から関与させる。私たちはまさにその理由からMicrosoftとのパートナーシップを結んでいます。たとえばAIを交通分野に導入するなら、バスドライバーを開発ラボに入れる。彼らが開発者と一緒に「どうすればこの技術が実際の現場でうまく機能するか」を考える。これは反テクノロジーの立場ではありません。これまでのすべての産業革命において、働く人々は技術を「飼い慣らす」役割を果たし、移行を可能にしてきました。最も効果的な使い方を見つけてきたのは、現場の労働者たちだったのです。
拡張か代替かという問いについて言えば、私たちは拡張を支持します。AIが仕事をより良く、より安全に、より生産的にするためのものであれば、全員が賛成できる。しかし、脱スキル化し、非人間化し、人々を路上に放り出すことが目的なら、それは革命を招くことになります。
6-2. 過去の移行の失敗から学ぶ：分配・データ権利・仕事の質をめぐる問題提起
Brynjolfsson： 過去の技術移行でうまくいった例を挙げられますか、という問いを先ほど投げかけましたが、Lizさんはどう見ますか。
Schuler： 過去から学ぶべきだと思います。米国が製造業を失い、中西部の産業地帯が空洞化したとき、労働者は置き去りにされました。あの移行はうまくいきませんでした。なぜ私たちはその教訓を活かさないのか。今回は違う選択ができるはずです。だからこそ、今回の移行は労働者中心でなければならない。訓練は上から押しつけるものではなく、労働者が当事者として参加するパートナーシップであるべきです。そしてガードレールが必要です。テクノロジーが私たちを追い越さないための歯止めとして、労働者が主導権を持てる仕組みを設けなければなりません。
もう一つ、この場でほとんど議論されていない話をしなければなりません。生産性向上の果実を、それを生み出している働く人々と分かち合うことです。「再分配」という言葉はこの場では禁句のように扱われています。しかし税制をどう設計するか、インフラ投資をどう行うか、富をどう循環させるか、こういった問いを真剣に議論しなければ、生産性の恩恵は一部の人だけに集中することになります。
Brynjolfsson： データや仕事の質についてはいかがですか。
Schuler： プライバシーとデータセキュリティについても一言触れさせてください。WNBAの選手たちを例に挙げると、彼女たちは今まさに公正な契約を求めて交渉中ですが、その争点のひとつがAIです。AIが選手の意思決定や試合中のプレーを評価し、パスをこの選手にすべきだったか否かまで判定する。プロアスリートが自らの専門的判断を、AIシステムによって逐一評価される時代になっているのです。こうした問題に対して、団体交渉は実効性のある手段です。データがどのように使われるかについて、労働者が交渉の席に着き、ルールを決める権利を持つこと。これが現代の労働権の核心のひとつになっています。
さらに言えば、雇用の数だけを議論しても不十分です。仕事の質を問わなければなりません。創出される雇用が家族を養える賃金水準のものなのか。1つの仕事で生活できるのか。1つの仕事で十分であるべきです。雇用統計が改善しても、それが複数の低賃金の仕事を掛け持ちしなければ生きていけない現実を覆い隠しているのであれば、それは成功とは呼べません。働く人々がこの技術革命の恩恵を実感できるような設計を、最初から意識的に行うことが求められています。
7. オーディエンスQ&A・総括：途上国への波及と「拡張」重視への転換
7-1. 開発援助縮小後の世界：エッジAIと共有生産性利益モデルの可能性
O'Connell（聴衆・SMBグローバル開発パートナー）： 非常に示唆深い議論でした。「共有生産性利益」というフレーミングについてお聞きしたいのです。昨年の政府開発援助（ODA）の総額は世界全体で約2,120億ドルでしたが、今まさにそれが解体され、縮小され、消えようとしています。医師や看護師、教師、あるいは途上国の農家がAIによって時間を得て、企業が生産性向上によって成長するとしたら、その利益を計測し、証明し、分配できるのではないか。先進国においても同様ですが、従来のODA構造から離れた「共有生産性利益モデル」への移行という考え方について、パネリストの皆さんの見解をお聞きしたい。
Schuler： 世界銀行総裁のプレゼンテーションを先ほど聞いたばかりで、非常に説得力のある内容でした。彼らが取り組んでいるのは、エッジAIモデルを活用して貧困から抜け出せていない国や地域の主要セクターの生産性を高めるというアプローチです。具体的には農業分野におけるエッジAIの活用で、アフリカの小規模・低所得農家を支援しています。これまで農地を売って都市に出ても仕事がなく、結局何も得られなかった人々が、AIによって農業の生産性を劇的に高められるようになっています。同じことが医療分野でも観光分野でも起きている。
私たちがダボスでついつい大規模LLMや大企業の話に集中してしまいがちですが、セクターレベルで実際に行われていることには驚くべきものがあります。バス交通の話が出ましたが、私の夫はライターです。映画・音楽のライターズギルドが知的財産をどう守るかという問題も同じ文脈にあります。バスケットボール選手の話もそうです。エッジアプリケーションをそのセクターの現実に本当に即した形で設計できれば、生産性、パフォーマンス、賃金のすべてを同時に引き上げることができる。その可能性は非常に大きいと思います。
Kumar： 高い需要の創出という観点で付け加えたいことがあります。なぜ企業がボトムラインの改善にばかり焦点を当てるかといえば、成長を実現できていないからです。生産性は成長のフライホイールです。デフレ的な成長を生み出す力を持っています。農業、製造業、医療といったセクターに目を向けることが重要で、これまで生産性の議論はナレッジインダストリーを中心に行われてきました。過去20年間に生まれた多くの雇用もナレッジ産業にありました。しかし実際にスループットを高める余地が大きいのは農業、製造業、医療といったセクターです。私たちの分析では、建設や運輸のAI露出スコアは現時点では低い。しかしその露出度が上昇する速度は非常に高い。そしてこれらのセクターでは生産性が上がることで雇用も増えます。一方でソフトウェア開発は露出スコアがすでに70%に達しており、変化の速度は相対的に低くなります。すでにリベースラインが完了しているからです。未来の仕事はすでに存在している。製造業、医療、建設、輸送といった分野では、AIテクノロジーを使ったフィジカルジョブのデジタル拡張がこれから本格化します。
7-2. チューリングトラップ批判とセンターベンチマーク：人間と機械の協働を前提とした設計へ
Brynjolfsson： 拡張versus自動化というテーマを引き取って、私自身の研究から重要な点をお伝えしたいと思います。共有された繁栄をより実現しやすくするためには、AIを人間の拡張に使うべきだというのは、ここにいる全員がほぼ同意しているところです。しかし現実には、私たちを過度に自動化の方向へ引っ張っている制度的・インセンティブ的・政策的なレバーが存在しています。
私が「チューリングトラップ」と名付けた問題がそれです。チューリングテストという概念をご存知の方も多いでしょう。AIが人間を完璧に模倣できるかどうかを測る、あの発想です。これが多くのAI技術者にとっての目標になってきました。しかし私はこの方向性が誤りだと思っています。人間を代替するAIを目指すのではなく、RaviさんやLizさんが言うように、人間と機械が協働する形を設計すべきなのです。
現在のAI研究者が取り組んでいるベンチマークのほとんどは、特定のタスクをAIがどれだけうまくこなせるかというブラックボックスの評価です。しかしそのAIを実際に病院などの現場に持ち込むと、ラボの成績とはかけ離れた結果になることが多い。たとえば医療画像診断システムが「患者の左肺を切除すべき」と判定を下したとして、その根拠として「確率0.87」と示されるだけだとしたら、医師や看護師はどうすればいいのか。手術をすべきか否か、判断できません。最初から医療従事者と協働することを前提に設計されていなければ意味がないのです。
だからこそ私たちは「センターベンチマーク」と呼ぶ新しい評価指標の枠組みを作っています。人間がAIを補助することも、AIが人間を補助することも「ズル」ではない。むしろそれが目的です。人間と機械のチーム全体がいかに協働して成果を上げるかを測る。これが正しい評価のあり方だと考えています。
加えて、税制上のインセンティブが自動化を過度に促進している問題があります。多くのCEOがコスト削減というボトムラインの指標に過度に集中し、価値をどう創造するかというトップラインの発想が弱い。文化的・財務的なインセンティブを変えることで、自動化より拡張を選ぶ方向に企業行動を誘導できます。生産性の分子を育てながら、分母を切り捨てない。それがこのパネルから持ち帰るべき最も重要なメッセージだと思います。
7-3. 各登壇者クロージング：農業・製造業・医療・建設の次世代雇用と労働者中心の移行
Prasing： 私たちはいつもテクノロジーそのものに魅了されすぎてしまいます。10年前はブロックチェーンが全てでした。あの熱狂は1年で消えた。その次は自動運転車で、バスドライバーはどうなるのかと大騒ぎになりました。しかし現実には、自動運転トラックが走る時代になっても、車内には運転手が乗っています。飛行機に複数のパイロットが乗っているのと同じです。データが示すのはパイロットがいる方が問題を起こすという皮肉な事実ですが、人間は「万が一」の安心感を求める。テクノロジーの進歩と普及の速度は、結局のところ人間が決めるものです。未来の仕事はテクノロジーによって可能になるが、それを決めるのは未来の労働者であり、彼らが習得するスキルです。大企業の心配は不要です。問題は中小雇用主と、彼らが雇用する大多数の人々にあります。リスキリングを大規模に実現するための政策と分配の仕組みこそが、このテクノロジーを本当に生きたものにする場所です。
Dombrovskis： ジョブレス成長は起きないというのが私たちの共通認識だと思いますが、一部の職種が置き換えられることも事実として認めなければなりません。産業革命の第一次以来、常にそうでした。重要なのは集計レベルで雇用がどうなるかということと、新しい職種に向けて人々を適切に準備できるかということです。すべての古い仕事を守ることはできません。しかし移行をうまく管理することはできる。
Schuler： うまくいった移行の例を教えてほしいという問いがありましたが、私には即座に答えられません。米国が製造業を失ったときの移行はうまくいかなかった。中西部が空洞化し、労働者が置き去りにされた。なぜ私たちはその教訓を学ばないのか。今回こそ違う選択ができるはずです。移行は労働者中心でなければならない。訓練はパートナーシップとして設計され、ガードレールを設け、テクノロジーが私たちを追い越さないようにする。生産性向上の恩恵を作り出している当事者である働く人々が、その果実を分かち合えるようにすること。それが今回問われていることです。
Brynjolfsson： 今日の議論を締めくくるにあたって、いくつかの点を整理したいと思います。世界がどう変化しているかへの可視性を高め、より良いデータと統計を持ち、インセンティブをうまく整合させること。生産性の分子を伸ばしながら、分母を犠牲にしない。それが私たちの目標です。今日これだけ多彩な知見を持つ皆さんに議論いただけたことを大変光栄に思います。ありがとうございました。