人工知能（AI）は大きな生産性向上をもたらしうることが研究で示されており、世界の生産性成長の鈍化を反転させられるのではないかという期待が高まっています。
しかし、多くのAIツールは、新たなタスクや製品を生み出すのではなく、主にすでに行われている業務を自動化することで効率性の向上を生み出しています。
AIが生産性成長に与える貢献は、三つの重要な要因（自動化、科学的発見、世界的なAI導入率）に左右されます。
人工知能、すなわちAIは新しいものではありません。この用語は、ジョン・マッカーシーが伝説的なダートマス会議（1956年）で命名したもので、コンピュータ科学の最も優れた頭脳が集まり、「考える機械」について議論しました。その後、この分野は熱狂と衰退のサイクルを経験してきました。
初期の楽観論は、やがて「AIの冬」と呼ばれる時期を招きました。それは、実現しない過剰な期待の後に投資が削減された時期であり、AIという用語は支持を失いました。
しかし過去10年間、計算能力の向上と膨大なデータに後押しされ、この分野は初期のルールベースのシステムから、大規模言語モデル（LLM）のようなより柔軟なボトムアップ型の機械学習へと決定的に移行しました。その集大成がOpenAIによるChatGPTの公開であり、新たな誇大宣伝の時代が到来しました。しかし、改めて高まる期待にもかかわらず、生成AIが経済に与える影響は依然として不透明です。
確かに、多くの研究により、現在のAIの能力がすでに大きな生産性向上をもたらしうることが示されており、対象となる分野はカスタマーサービス、文章作成・コーディング、そして中堅専門職による業務です。
こうした知見は、世界の生産性成長の減速を反転させられるという期待を高めています。この生産性成長は、鈍化しており、10年以上にわたり続いています。しかし、これらの応用は、新たなタスクや製品を生み出すのではなく、主に人間がすでに行っているタスクを自動化することで効率性の向上を生み出しています。
ここでは、AIの生産性成長への貢献を左右する三つの重要な要因と、それらを形作る上での政策の決定的な役割を示します。
自動化は一度限りの利益である
自動化は短期的な生産性向上をもたらしうるものの、それは一度限りの利益です。1800年以降のすべての進歩が自動化に限られていたなら、効率的な農業と安価な繊維製品は手に入ったでしょうが、それ以上のものはほとんど得られなかったでしょう。
生成AIの生産性への影響の規模と時期は不確実です。ダロン・アセモグルは、AIが科学的発見や新製品の創出に貢献しない場合、最先端のAIによる自動化が今後10年間で米国の生産性を今後10年間で年率わずか0.07%しか押し上げない可能性があると試算しています。一方、エリック・ブリニョルフソンなどの論者は、AIが労働生産性を高める潜在力について、より楽観的であり、その手段は拡張と革新です。
結局のところ、AIの軌道と生産性への貢献は政策の選択によって左右されます。例えば、税制は一部の国で非効率的に自動化を優遇してきました。これは、資本に分類される設備、ハードウェア、ソフトウェアに対して、事実上、労働より低い税率を課してきたことによるものです。
自動化が効率性の向上ではなく税制上のインセンティブによって促されている限り、労働の無差別な代替を助長し、生産性を向上させられない可能性があります。こうした偏りを生む償却控除、税額控除、その他の税制インセンティブの組み合わせを再調整することについて、慎重な検討が必要です。
この不均衡を是正することで、企業が自動化ではなく拡張のためにAIを活用するよう促し、労働の代替よりも資本の節約を優先させることができるでしょう。その結果、AIによる生産性向上は、ロボット訓練、自動運転車、クレジットカードの不正検知の改善など、すでに機械が行っているタスクをますます強化するようになるでしょう。近年数十年にわたって見られた資本所得税の減少傾向を反転させることは、生産性を高めると同時に、その成果を広く共有させることができます。
AIは技術進歩を通じて生産性を高めることができる
第二に、AIは科学的発見に革命をもたらし、将来の生産性を高める技術進歩を生み出す可能性を秘めています。すでに、AIによるタンパク質の折りたたみ予測は生物医学分野に新たな知見をもたらし、AIによる新薬の発見は医薬品の研究開発に貢献しています。しかし、幅広い分野でイノベーションが加速するかどうかは保証されていません。
パーソナルコンピュータとインターネットは、かつて究極の研究ツールとして称賛されました。前例のない情報へのアクセスを可能にし、統計分析を支援し、国際的な協働を促進するものでした。しかし、ミレニアムの変わり目頃に初期の生産性ブームがあったにもかかわらず、コンピュータは研究における大きなブレークスルーを引き出すことに失敗しました。
ムーアの法則（シリコンコンピュータチップ上のトランジスタ数が2年ごとに倍増するという観察）を維持するには、現在、1970年代初頭に比べて18倍の研究者が必要となっており、これはより広範な収穫逓減の傾向が米国経済全体に広がっていることを反映しています。
一つの説明として、伝統的にイノベーションを牽引してきたスタートアップが、参入障壁の高まりに直面していることが挙げられます。大企業はデータと計算能力の両面で規模を持っており、それがAI開発の過度な集中につながりかねません。しかし、研究によれば、スーパースター企業における特許取得の集中も大幅に高まっており、この防衛的な特許取得が彼らの技術的優位を守る助けとなっています。
かつてはスタートアップが収益性の高い産業に積極的に参入していた時代がありました。しかし、1990年代後半までに、利益はもはや新規企業の参入を予測しなくなりました。既存企業による防衛的な特許取得か、制限的な規制を求めるロビー活動かを問わず、新規参入者は市場に入ることがますます困難になっています。
この活力の低下は特に懸念されます。というのも、スタートアップは新たな研究を市場に届ける上で不釣り合いに大きな役割を果たしており、また、新たな産業や労働のための新たなタスクを生み出す製品を投入する可能性も高いためです。したがって、イノベーションを促すための競争の活性化は、今後の政策立案者にとって重要な課題です。
生産性成長はAI導入の速度に左右される
第三に、科学的なブレークスルーを市場で通用する製品へと転換するには、何年、場合によっては何十年もかかりうるため、今後10年間の生産性成長は、AIがどれだけ速やかに導入されるかに大きく左右されるでしょう。
前向きな点として、研究は、異なる国々が新しい技術を採用するまでの時間差が、数世紀にわたって大幅に縮小していることを示しています。
例えば、蒸気船はイングランドで導入されてからインドネシアに到達するまで131年かかりましたが、パーソナルコンピュータは米国で発明されてからわずか11年でベトナムに到達しました。問題は、これらの技術が当初の導入後にどの程度人口全体に広がるかが、時間とともに低下してきたことです。
世界中でAIの導入を促進する方法
問題は、政策立案者が世界中でAIの普及と導入の強度をどのように高めることができるかです。これには補完的な投資が必要となるでしょう。
まず第一に、基盤となるAIへの備えは極めて重要であり、特に新興市場や開発途上経済において、デジタルインフラ、デジタルデータ、そしてスキルへの投資が必要です。実際、リスキリングやアップスキリングに関しては、労働者向けのより良い訓練の選択肢を提供することで、AIは解決策の一部となり得ます。ただし、必要なインフラが整備されていることが前提です。
第二に、AI以前のデジタル導入に関する研究は、この広範な普及パターンが保証されておらず、格差が生じる可能性があり、さらには起こりうることを示唆しています。AIが長期的に完全な経済的影響を達成するためには、大企業・中小企業を問わず、また農村部・都市部を問わず、経済全体で利用可能でなければなりません。
最後に、効果的なAIの導入には、AIのリスクを管理するための適切な規制（スタートアップを不利にすることでイノベーションを損なわないこと）と、AIの利用に対する信頼を強化するための効果的なガードレールの構築が必要です。
AIには、生産性を高め、成長の見通しを引き上げる可能性があります。その恩恵を余すところなく引き出し、すべての人にその利益を広げるためには、包括的な政策アプローチが必要です。
著者であるカール＝ベネディクト・フレイ、エラ・ダブラ＝ノリス、ロブ・ホーンビー、ローラ・ダンドレア・タイソンは、成長の未来に関するグローバル・フューチャー・カウンシルのメンバーです。
世界経済フォーラムは第四次産業革命に関して何をしているのでしょうか？
フロンティア技術・イノベーション・センターは、科学者、政策立案者、ビジネスリーダーを結集させ、新たな技術とその現実世界における影響を見極めています。
協働と実験を可能にすることで、センターはパートナーが研究から得られるイノベーションを、世界共通の課題に対処する実用的な応用へと転換できるよう支援しています。
