AIは産業を変革し、効率を飛躍的に高め、仕事の未来を再構築しています。
知的機械が生産性主導の世界に及ぼしうる深い影響を探り、イノベーションと成長の新たな時代を切り開きましょう。
AI主導の生産性ブームに関する知見を得て、それがさまざまな分野をどのように変革し、効率と経済発展への道を開くのかを理解しましょう。
先日のある金曜日の朝、私たちの一人がお気に入りのコーヒーショップに座り、AIが労働市場にどのような影響を与えるかに関する新しい研究論文の執筆に取りかかりました。まず、彼はChatGPT（生成AIツール）を開きました。平易な英語で数回プロンプトを入力すると、システムは適切な経済モデルを提供し、そのモデルを実行するためのコードを下書きし、論文の候補タイトルも作成することができました。午前中の終わりには、彼は研究において1週間分の進捗を達成していました。
私たちは、医師や弁護士から管理職や営業担当者に至るまで、数百万人の知識労働者が、数年以内、ないしそれより早く、同様に画期的な生産性の変化を経験すると予想しています。
最新世代のAIシステムの可能性は、ChatGPTの爆発的な普及によって鮮明に示されています。ChatGPTは、一貫性があり文脈に適したテキストを生成する能力によって世間の注目を集めた大規模言語モデル（LLM）です。これは地下室で埋もれているイノベーションではありません。その能力は、すでに数億人のユーザーを魅了しています。
最近一般公開された他のLLMには、GoogleのBardやAnthropicのClaudeがあります。しかし、生成AIはテキストに限られません。近年では、Midjourney、Stable DiffusionやDALL-Eなどの画像を生成できる生成AIシステムも登場しており、さらに最近では、テキスト、画像、動画、音声、さらにはロボット機能を組み合わせたマルチモーダルシステムも登場しています。これらの技術は基盤モデルとは、深層ニューラルネットワークに基づく大規模システムであり、膨大な量のデータで学習され、その後幅広い異なるタスクを実行できるよう適応させることができるものです。情報と知識の仕事が米国経済を支配しているため、これらの知的機械は全体の生産性を劇的に押し上げるでしょう。
生産性成長の力
私たちの長期的な繁栄と福祉を決定する主な要因は、生産性成長率、すなわち労働1時間当たりに生み出される産出量です。これは、生産性の変化をすべての人がすぐに実感できるわけではなく、短期的には労働者の経済認識が景気循環に支配されているにもかかわらず、当てはまります。第二次世界大戦から1970年代初頭まで、労働生産性は年率3%を超えて成長し、その期間に倍以上になり、ほとんどのアメリカ人にとって繁栄の時代を切り開きました。1970年代初頭に生産性成長は大きく減速し、1990年代に回復したものの、2000年代初頭以降再び減速しました。
図1：1948年から2022年までの労働生産性成長の構成要素。全要素生産性の寄与。資本集約度と労働力構成の寄与。
図1は、この状況を示しています。労働生産性の全体的な成長を2つの構成要素、すなわち全要素生産性（技術の影響を測る指標）と、労働構成および資本集約度による寄与に分解しています。この図は、労働生産性の変化の主要な要因が全要素生産性（TFP）の変化であることを示しています。米国の最近の経済的苦境には多くの理由がありますが、TFPの成長の鈍化が主要な原因であり、国の繁栄をじわじわと侵食し、インフレとの闘いを難しくし、労働者の賃金を損ない、財政赤字を悪化させています。
経済成長全般の鈍化と、テクノロジー企業の異常な利益が相まって、デジタル技術が広範な経済に与える恩恵に対する懐疑論が生じています。しかし、図1に示すように、1990年代から約10年間、生産性成長の急増が見られ、それは主に巨大なコンピュータと通信への投資の波によって推進されたもので、それがひいては事業の変革を促しました。株式市場のバブルや労働・資源の大規模な再配分があったにもかかわらず、労働者は概して状況が改善しました。さらに、連邦予算は1998年から2001年まで均衡していました——一石二鳥でした。デジタル技術は広範な経済成長を推進でき、それは30年足らず前に起きたのです。
AIの生産性効果に関する初期の推計
生成AIの最近の進歩は、ソフトウェア、ハードウェア、データ収集の進展、そして最先端モデルへの投資の増加によって推進されてきました。Sevilla et al. (2022)は、先端的なAIシステムの学習に使用される計算量（計算能力）が、過去10年間にわたり6か月ごとに倍増していることを指摘しています。生成AIシステムの能力もこれと並行して向上し、かつて認知労働者に限られていた多くのタスク、例えば、洗練された文章の作成、コンピュータコードの作成、記事の要約、アイデア出し、計画の整理、他言語への翻訳、複雑なメールの作成などを、生成AIが遂行できるようになりました。さらに多くのことも可能です。
生成AIは幅広い応用があり、多様な労働者、職業、活動に影響を与えるでしょう。過去の自動化の進歩の多くとは異なり、これは認知労働に影響を与える知的機械です。最近の研究論文で指摘されているように、(Eloundou et al., 2023)、LLMは何らかの形で米国の労働力の80%に影響を与える可能性があります。
特定の職業やタスクにおけるAIの生産性への影響を推定する新たな文献があります。Kalliamvakou (2022)の研究によると、ソフトウェアエンジニアは、大規模言語モデルGPT-3の前バージョンに基づくCodexというツールを使用すると、最大で2倍の速さでコーディングできます。これは変革的な効果です。Noy and Zhang (2023)の研究によると、多くの執筆タスクも2倍の速さで完了でき、Korinek (2023)は、言語モデルの25の利用事例に基づき、大規模言語モデルを使用することで経済学者の生産性が10〜20%高まり得ると推定しています。
しかし、特定のタスクにおけるこうした成果は、現実の環境における大きな成果につながるのでしょうか。答えはイエスであるようです。Brynjolfsson, Li, and Raymond (2023)の研究では、コールセンターのオペレーターがこの技術を使用すると生産性が14%向上し、最も経験の浅い労働者では30%以上の向上が見られたことが示されています。さらに、生成AIを補助として使用するオペレーターとのやり取りでは顧客満足度が高く、おそらくそれが理由で、従業員の離職率も低下していました。このシステムは、以前は実地経験（OJT）によってのみ習得されていた、問題解決や顧客満足のための組織内の暗黙知の一部を捉え、伝達することで価値を生み出しているようです。
大規模言語モデルを単に「確率的オウム」だとする批判は的外れです。ほとんどの認知労働は、過去の知識や経験を踏まえ、それを目の前の問題に適用することを伴います。生成AIプログラムが特定の種類の誤りを起こしやすいことは事実ですが、その誤りの形は予測可能です。例えば、言語モデルは「ハルシネーション（幻覚）」、すなわち事実や参考文献を捏造する傾向があります。その結果、明らかに人間による監督が必要です。しかし、その経済的価値は完璧であるかどうかではなく、生産的に利用できるかどうかに依存します。その基準によれば、すでに大規模な影響を与える態勢が整っています。さらに、生成AIモデルの精度は急速に向上し続けています。
生産性効果の定量化
ゴールドマン・サックスによる最近のレポートは、生成AIが世界のGDPを7%押し上げる可能性があることを示唆しています。これは単一の技術としては真に重要な効果です。さまざまなユースケースの分析と、主に認知労働に従事する労働力の割合に基づくと、この推定は妥当に思われますが、AIの究極的な生産性と成長効果については依然として大きな不確実性があります。
モデルにおいて、生成AIが生産性、産出、そして最終的に社会厚生の成長をもたらすと考えられる経路を厳密に分解することは有益です。
第一の経路は、生産の効率性の向上です。生産に従事する認知労働者をより効率的にすることで、産出水準が増加します。経済理論によれば、競争市場では、特定部門の生産性向上が総生産性と産出に与える効果は、生産性向上の大きさにその部門の規模を掛けたものに等しくなります（フルテンの定理）。例えば、生成AIによって10年か20年の間に認知労働者の生産性が平均30%向上し、経済における付加価値の約60%を認知労働が占める（認知タスクに帰属する賃金総額で測定）場合、その効果は、その期間にわたって広がる総生産性と産出の18%増加に相当します。
第二の、そして最終的により重要な経路は、イノベーションの加速、ひいては将来の生産性成長の加速です。認知労働者は現在の産出を生むだけでなく、新しいものを発明し、発見を行い、将来の生産性を高める技術進歩を生み出します。これにはR&D（科学者の仕事）が含まれ、さらに重要なのは、経済全体の生産活動に新しいイノベーションを導入するプロセス（マネージャーの仕事）です。認知労働者がより効率的であれば、技術進歩を加速させ、それによって生産性成長率を永続的に押し上げるでしょう。例えば、生産性成長率が2%で、その生産性成長を支える認知労働が20%より生産的になると、生産性の成長率は20%上昇して2.4%になるでしょう。ある年において、このような変化はほとんど目立たず、通常は景気循環の変動に埋もれてしまいます。
しかし、生産性成長は複利で効いてきます。10年後には、説明したわずかな生産性成長率の上昇によって経済は5%大きくなり、その後も毎年さらに成長が複利で積み重なります。さらに、加速が成長率の成長率に及ぶ場合（例えば、AIの応用の一つがAI自体の改善である場合）、もちろん、時間の経過とともに成長はさらに加速するでしょう。
図2は、20年の期間にわたる生産性成長の2つの経路の効果を模式的に示しています。ベースラインは、議会予算局（CBO）による現行の生産性成長率1.5%の予測に従っており、その結果、20年間で合計33%の生産性成長となります。「Level」と表示された予測は、生成AIが生産性と産出の水準を10年間でさらに18%引き上げると想定しており、これは第一の経路について議論した例示的な数値によって示唆されています。10年後、成長はベースライン率に戻ります。「Level+Growth」と表示された3つ目の予測は、さらに生成AIによって引き起こされる追加的なイノベーションから生じる、ベースライン率に対する成長率の1パーセンテージポイントの上昇を含みます。当初、結果として生じる成長経路は「Level」の予測とほとんど区別できませんが、複利の力によって効果は時間とともに大きくなり、20年後には産出がほぼ倍増し、ベースライン予測をはるかに上回ります。
導入の障壁と推進要因
生産性向上が実現するためには、AIの進歩が経済全体に普及する必要があります。伝統的に、これには常に時間がかかってきたため、潜在的な生産性向上がすぐに現れることは期待できません。進歩は、中小企業を含め、経済全体で認知労働を雇用する企業や組織によって採用され、展開される必要があります。これらの企業の中には、先進的な新技術に適応するという潜在能力の実現が遅いところや、それを上手く使うために必要なスキルを欠いているところもあるかもしれません。例えば、ゴールドマン・サックスのレポートは、その利益が完全に実現するまでに10年かかると想定しています。
「生産性のJカーブ」(Brynjolfsson et al., 2021)は、新技術、特に汎用技術が、ビジネスプロセスや新しいスキルなどの補完的な無形資産への投資期間を経てからのみ生産性向上をもたらすことを説明しています。実際、これは一時的に計測される生産性をむしろ押し下げることさえあります。その結果、電気や最初のコンピュータの波といった以前の汎用技術は、生産性に大きな影響を与えるまでに数十年を要しました。導入と普及のさらなる障壁には、雇用喪失への懸念、制度的慣性、そして医療から金融、法律に至る分野における規制が含まれます。
しかし、生成AIの場合には、こうした障壁を軽減し、あるいは導入を加速させ得る要因もあります。第一に、物理的な自動化とは対照的に、認知的自動化の利点の一つは、多くの場合ソフトウェアを通じて迅速に展開できることです。これは、遍在するデジタル基盤であるインターネットが利用可能な今、特に当てはまります。ChatGPTは歴史上最も速い製品ローンチとして有名で、わずか2か月で1億人のユーザーを獲得しました——インターネット接続のある誰もが利用でき、ユーザー側でのハードウェア投資を必要としなかったためです。
マイクロソフトとGoogleはいずれも、検索エンジンやオフィススイートの一部として生成AIツールを展開している最中であり、これらのツールを定期的に利用する先進国の認知労働者の大部分に生成AIへのアクセスを提供しています。さらに、アプリケーション・プログラミング・インターフェース（API）が次第に利用可能になり、システム間のシームレスなモジュール化と接続が可能になっており、プラグインや拡張機能のマーケットプレイスも急速に拡大し、機能の追加が格段に容易になっています。最後に、他の技術とは異なり、生成AIのユーザーは特殊なコードやコマンドではなく自然言語でこの技術とやり取りできるため、これらのツールの習得と採用が容易になります。
こうした楽観的な理由は、これら新技術の展開が過去より速い可能性を示唆しています。とはいえ、これらのツールを最適に活用するための訓練の重要性はいくら強調してもしすぎることはありません。
測定の問題 - サイレントな生産性成長
最も一般的な生産性指標である非農業部門の事業生産性は、産業部門における生産性の向上を捉えることにかなり長けています（投入と産出が有形で計上しやすい場合）。しかし、認知労働の生産性は測定がより困難です。GDPや生産性統計を作成する統計担当者は、認知活動の産出を、それを生み出すために使用される労働投入量に比例すると仮定することで評価することがあり、当然ながらこれにより生産性成長の余地は排除されてしまいます。
例えば、生成AIによって、経済学者はこれまでより多くの論考を書き、経済をより深く分析できるようになりますが、この成果は直接GDP統計には現れません。読者は、より優れた深い経済分析にアクセスできていると感じるかもしれません（上記の第一の経路に寄与）。さらに、こうした分析は、ビジネスリーダーや政策立案者が生成AIのプラスの生産性効果をより良く活用できるようにする役割も果たし得ます（上記の第二の経路に寄与）。こうした研究によるこれらのプラスの生産性効果のいずれも、公式のGDPや生産性統計には直接捉えられませんが、経済学者の生産性向上の恩恵は、それでも社会厚生の増大につながるでしょう。
同じことは、経済全体の他の多くの認知労働者にも当てはまります。これは大幅な過小計測、すなわち「サイレントな生産性成長」を生み出す可能性があります。
生産性成長、労働市場、所得分配
パイが大きくなっても、誰もが均等に、あるいはまったく恩恵を受けるとは限りません。生成AIの生産性効果は、多くの労働者が賃金の下落圧力に直面するなど、労働市場における大きな混乱を伴う可能性が高いでしょう。例えば、前述のEloundou et al.の論文は、労働力の最大49%が最終的に、職務タスクの半分以上がAIによって遂行されるようになり得ると予測しています。これらのタスクへの需要は、そうした効率化の利益を補うほど増えるでしょうか。労働者は他のタスクを見つけられるでしょうか。答えは決して確実ではありません。過去の技術変革では、職を失った労働者は新しい仕事に移ることができ、平均して賃金も上昇しました。しかし、差し迫る混乱の規模と、それが労働を節約する性質を持つことを考えると、生成AIの時代においても同じことが言えるかどうかは、今後の推移を見る必要があります。
さらに、現在の認知的自動化の波は、物理的な職業や定型的な認知タスクに焦点を当てていた、これまでの多くの自動化の波からの変化を示しています。現在では、創造的で非定型の認知的職業も影響を受けています。混乱の打撃を受けるのは最も低賃金の労働者ではなく、今では最高賃金の職業の多くが影響を受けるでしょう。これらの労働者は、この混乱を非常に予想外と感じるかもしれません。スキルが汎用的であれば、ブルーカラー労働者よりも離職への適応が容易かもしれません。しかし、陳腐化する多額の人的資本を蓄積していた場合、以前の自動化の波で離職したブルーカラー労働者よりも、はるかに大きな所得損失を経験するかもしれません。
創出される雇用と失われる雇用という考え方は、一般の人々にとって労働市場の混乱の最も具体的な表れです。雇用の喪失は確かに重大な社会的懸念であり、調整を促進するための政策が必要です。しかし、経済学者として、新技術が労働市場に与える影響を決定する主要な要因は、最終的にそれが労働需要に与える効果であると考えます。創出される雇用と失われる雇用の数を数えることは、雇用が労働需要と労働供給の均衡によって決まるという点を見落としています。労働供給は非常に非弾力的です。これは、ほとんどの生産年齢人口が、所得が上がるか下がるかにかかわらず、働きたい、あるいは働かざるを得ないということを反映しています。技術変化の結果として職を失った労働者は、代替的な雇用を求めるでしょう。そして、技術変化が生産性を高める限り、それは国民所得を増やし、労働需要を刺激するでしょう。長期的には、労働市場は均衡すると予想でき、雇用の供給、雇用の需要、賃金水準が調整されて完全雇用が維持されるでしょう。これは、米国の失業率が戦後期を通じて一貫して低い水準を保ってきたという事実によって裏付けられています（不況からの回復において、金融政策と財政政策の支援を受けています）。雇用の破壊は常に雇用の創出によって相殺されてきました。むしろ、自動化と補完の効果は、賃金と所得に反映される傾向があります。戦後期を通じて一貫して低い水準（不況からの回復において、金融政策と財政政策の支援を受けています）。雇用の破壊は常に雇用の創出によって相殺されてきました。むしろ、自動化と補完の効果は、賃金と所得に反映される傾向があります。
生成AIが労働需要に与える効果は、システムが労働を補完するか代替するかによります。代替は、AIモデルが特定の職業のタスクの大部分または全部を自動化する場合に生じ、補完は、AIが特定の職業の小さな部分を自動化し、人間が不可欠なまま残る場合に生じます。さらに、AIシステムは、新しいタスクを可能にしたり質を高めたりする場合、人間の労働を補完し得ます。
企業が生成AIへの投資を増やすにつれ、代替と補完のどちらを重視するかについて選択肢があることがよくあります。例えば、コールセンターがAIを使って人間のオペレーターを補完できる場合、あるいはAIが向上するにつれて、オペレーターが関与しなくてもシステムがますます多くの問い合わせに対応できるようプロセスを再構築するかもしれません。同時に、経済全体で生産性成長率が高まると、全体的な労働需要が増加することで、全体的な効果がより補完的になり、混乱を緩和するかもしれません。
近年、所得分配に影響を与えてきた主な力は3つあります。第一に、所得が賃金から企業資本へと全体的にシフトしてきました。第二に、企業が重視するスキルへの見返りが増加してきました（教育への見返りが高まっていることにも一部表れています）。第三に、外国との競争の激化によるシフトが生じています。
生成AIがこのバランスにどのような影響を与えるかを予測することは困難です。前向きな解釈は、数学や文章作成の一部の側面に苦労している労働者が、これらの新しいツールの助けによってより生産的になり、新技術の助けを借りてより高賃金の仕事に就けるようになるというものです。否定的な解釈は、企業が技術を使って次第に多くのポジションを排除したり、非熟練化したりし、労働力のより大きな割合を満足度の低い仕事に追いやり、所得に占める利益の割合を高め、そしておそらく労働力の最もエリートな層への需要を増やすというものです。
技術進歩が現在の生成AIの波で止まることは間違いありません。むしろ、AIのさらに劇的な進歩が期待でき、その技術は汎用人工知能（AGI）と呼ばれるものに近づくでしょう。これは生活と仕事のさらに根本的な変革をもたらすでしょう。人間の労働の希少性は、私たちの歴史を通じて諸刃の剣であり続けてきました：一方では、より多くの生産には、より多くの労働が必要となるため、経済成長を妨げてきました。他方では、賃金が希少な労働の市場価値を表すため、所得分配にとって非常に有益でした。将来、幅広いタスクにわたって労働が機械に置き換えられるなら、両方の点が成り立たなくなり、AIによる成長の飛躍と労働の価値の低下が同時に起こる可能性があります。これは社会にとって重大な課題を提起するでしょう。さらに、AGIは、人間の目的と一致しない場合、人類に大きなリスクをもたらす可能性もあります。
結論
大規模言語モデルなどの生成AIはまだ初期段階にあり、その生産性への影響を高い確度で予測することは困難です。しかし、これまで論じてきたとおり、生成AIは生産性の水準を引き上げるとともに将来の生産性の伸びを加速させることによって、生産性に大きなプラスの効果をもたらすと考えています。
政策立案者の目標は、ますます強力になるAIがもたらすリスクや弊害を抑えつつ、生産性向上による利益を確保することであるべきです。生産性の伸びの加速は、生活水準の向上や貧困への対応から、全員への医療の提供、防衛力の強化に至るまで、社会の多くの課題を解決または緩和し得る特効薬です。実際、十分に力強い成長がなければ、増え続ける財政赤字をはじめとする財政上の課題を解決することはほぼ不可能でしょう。
AIを活用した生産性の伸びは、新たな課題も生み出します。労働市場の混乱に伴う福祉コストを和らげ、AIの恩恵が富の集中ではなく共有された繁栄につながるようにするため、社会保障制度や税制の見直しが必要になる可能性があります。また、誤情報や分断の拡大による民主主義の不安定化、そして多数の人々を負傷させたり死亡させたりし得る新たな生物兵器やその他の兵器の出現など、他の害にも対処する必要があるでしょう。
したがって、AIの能力が、その潜在的影響に関する私たちの理解を上回ることを許してはなりません。経済学者や他の社会科学者は、急速に技術を進歩させているAI研究の同僚たちに追いつくため、AIの影響に関する研究を加速させる必要があるでしょう。そうすることができれば、今後数年間で、人工知能がもたらす生産性の恩恵と成長の加速を活用して人類の福祉を大きく向上させられると、私たちは楽観しています。