- 現時点のデータでは、AIへの露出度が高い職種で大規模な雇用減少は確認されていないが、新卒者や若手ホワイトカラーの採用不振にはAIが一部影響した可能性がある
- 2022年以降、失業率はAI露出度の上位20%の職種で0.77ポイント、下位20%の職種で0.85ポイント上昇しており、AIによる失職というより労働市場全体の減速に近い
- 生成AIはカスタマーサポート、コーディング、ライティング、法務などの業務速度をおおむね高めたが、効果は職務や熟練度によって異なり、不正確さ・誤った助言・創造性の画一化も見られた
- 企業のAI導入率は調査によって約20%から80%以上まで幅があり急速に上昇したが、大半は一部機能の実験・パイロット段階にとどまり、雇用への影響もまだ小さい
- 初期の証拠だけでAIの長期的な雇用効果を確定することはできず、導入速度と組織再編にかかる期間が労働市場へのショックの規模と政策対応の余地を左右する
AIによる大規模失職を裏付ける証拠はまだ不足している
- AIが近い将来、ホワイトカラー労働市場を大きく揺るがすとの懸念が高まっており、Anthropic CEOのDario Amodeiは、AIがホワイトカラー職の半分をなくし、失業率を20%まで押し上げる可能性があると予測している
- 現在の集計データでは、AIがすでに深刻な雇用減少を引き起こしたという証拠はほとんどない
- 2022年以降、失業率はAI露出度の上位20%の職種で0.77ポイント、露出度の下位20%の職種で0.85ポイント上昇した
- これはAI露出職種だけのショックというより、労働市場全体の弱含みを示している
- AI露出度が高い職種の雇用動向も比較的安定している
- コーディング比率が高い職種の雇用増加ペースは鈍化したが、なおプラスである
- AI導入が企業の求人掲載を減らしたという証拠はない
- ソフトウェア開発者の求人掲載は、直近1年で他の職種より速いペースで増加している
- 企業向けAIを導入した企業の雇用は、その後2年間で10%増加し、従業員1人当たりのAI支出が最も多い企業が増加を主導した
- AIを理由に挙げたレイオフ発表でも、実際の原因はさまざまである
- 一部の限定的な人員削減はAI自動化と関連している可能性がある
- 他の削減は、AI投資のための現金確保やパンデミック期の過剰採用の調整に由来するとみられる
- 人事担当者は、直接的な解雇よりも、職務統合や自動化可能な職務での新規採用回避にAIの影響がより明確に表れていると見ている
- 集計統計には表れない一部集団へのショックは存在し得る。特に若手ホワイトカラー労働者の需要には否定的な兆候が見られる
新卒採用の減少とAIの関係
- 新卒者の失業率は2026年初めに**5.6%**へ上昇し、3年前より1.6ポイント高くなった
- 初級職には、日常的な調査・分析・ライティングのようにAIが相当部分を実行できる作業が多く、新規採用需要が弱まる可能性がある
- Brynjolfsson・Chandar・Chenの研究では、2022年のChatGPT公開後、ソフトウェア開発者やカスタマーサービス担当者などAI露出職種の初期キャリア層の雇用が明確に減少した
- 同じ職種の高年齢労働者の雇用は比較的安定しているか、増加を続けている
- 研究者らは若手労働者を、AIによる労働市場ショックを先に受ける「炭鉱のカナリア」にたとえている
- 米国と英国の後続研究でも、2022年から若手のAI露出労働者の採用に同様の否定的効果が確認された
- ただし、減少の時期はAIだけでは説明しにくい
- 2022年当時のAIモデルの能力は非常に限られていた
- 米連邦準備制度は、ChatGPT公開の数カ月前である2022年3月から、インフレに対応して金利を積極的に引き上げた
- 2つの研究では、AI露出職種の採用減少は金融政策の転換後、かつChatGPT公開前に始まったと分析している
- パンデミック期の過剰採用やリモートワーク拡大も影響した可能性がある
- リモートワークは現場での学習を遅らせ、若手労働者を採用する価値を低下させる可能性があり、パンデミック後、リモートワークに親和的な職種の採用は経験者寄りになり始めた
- 交絡要因を統制した追加分析では、初級労働者の雇用減少が2024年から目立つようになった
- 2022年前後の減少には、AI以外の要因が作用した可能性がある
- 2024年にはAI導入とモデル能力が大きく進展し、直接的なAI影響の蓋然性が高まった
- 2022年ごろに初級のAI露出職種の採用が大きく減少したことは明らかだが、AIの因果的影響をマクロ経済ショックから切り分ける問題はまだ解決されていない
生産性はおおむね向上したが、効果は均一ではない
- 実験では、チャットボットやコーディングツールが、経験や成果の低い労働者の業務成果を相対的に大きく高める場合が多かった
- 大規模コールセンターの生成AIアシスタントは、全体の生産性を15%向上させた
- 初心者・低熟練のオペレーターが1時間当たりに解決した問題数は30%増えた
- 高熟練のオペレーターには成果改善がなく、回答品質がわずかに低下した
- GitHub Copilotの実験では、ソフトウェア開発作業が56%速くなり、改善幅は経験の少ない開発者に集中した
- 別の企業現場実験では、会社によって開発生産性への効果が10〜30%と示された
- ChatGPTはすべての熟練度グループでライティング時間を短縮し、ライティング能力の低い労働者の成果物の品質も高めた
- 若手弁護士の契約書作成などの法務作業や、医療記録作成でも速度向上が観察された
- 医療用AI記録ツールの効果は小さく、断続的な不正確さのため医師の監督が必要だった
- 各研究は作業の種類や期間が異なり、一部はランダム化実験ではないため、効果の大きさを直接比較するのは難しい
作業ごとに異なる能力と判断コスト
- AIの性能は、適用する作業によって大きく肯定的にも否定的にもなる**ギザギザの境界（jagged frontier）**を示す
- 実際の職場では、従業員がAIをいつ、どのように使うかを決め、その結果が有用か、あるいは追加修正が必要かを判断しなければならない
- ケニアの起業家を対象にした実験では、低熟練の起業家がAIを使った場合、AIを使わずに事業を成長させた集団より売上と利益が低かった
- 低熟練者は、自分の状況に合わない一般的なAI助言を実行する可能性が高かった
- 成果の良い起業家は、事業ニーズにより適した提案を引き出した
- AIは個人の成果物の品質を高める一方で、集団のアイデアの多様性を減らす可能性がある
- 創作ライティングでは低熟練者の物語の品質が向上したが、AIを使った物語は人間が書いた物語より互いにはるかに似通っていた
- AIツールを導入した科学者は論文をより多く発表したが、研究される全体のテーマ数と科学者間の交流は減少した
個別作業の改善が経済全体の生産性につながらない理由
- AIが収益性を伴って短縮できる作業の比率は、経済全体ではまだ小さい可能性がある
- AIが支援できない工程のボトルネックが、全体の生産性向上を制限する可能性がある
- 企業は新技術を導入する際、業務機能を再編し補完投資を行う必要があるため、測定される生産性が初期にはむしろ低下することもある
- 実験で確認された効果は多くが特定の作業と短期間を対象にしているため、経済全体の長期的な生産性効果と同じではない
- AIが最終的に生産性を高める可能性はあるが、現在の企業導入ペースでは、総生産性統計にまだ表れていない可能性がある
速いが不均一な企業導入
- AIへの移行が3年で起きるのか20年で起きるのかは、政策課題を大きく変える
- 急激な移行は、多くの労働者を同時に押し出す可能性がある
- 緩やかな移行は、労働者と政策担当者に適応する時間を与える
- 企業調査はいずれもAI利用が急速に増えていると見るが、導入率の推計値は大きく異なる
- 米国国勢調査局の全国代表調査BTOSは、約20%の企業がAIを利用していると推計している
- 米国企業幹部を対象にした調査では、従業員の80%以上が業務でAIを使用している
- Rampの顧客企業のうち50%以上がAIツールまたはベンダーに費用を支出している
- 全国代表の家計調査では、就業している回答者の40%以上が職場でAIを使っている
- 数値の差は調査方法とサンプル構成に由来する
- 大企業のAI導入率が高いため、雇用規模で加重した比率は単純な企業数ベースより高くなる
- Rampのサンプルは全企業を代表しておらず、AI導入率の高いテクノロジー企業に偏っている
- 連邦準備制度の研究は、全国サンプルを用いる国勢調査局の低い推計値を重視する根拠があり、雇用加重を適用すれば調査間の差はかなり縮小すると見ている
- AI導入はテクノロジー企業や金融のような情報集約型産業に集中している
- 最も一般的な適用領域は営業・マーケティング、IT、戦略、財務、会計である
- 導入企業でも、1〜2の業務機能に限定したり、複数の作業で低頻度に使用したりするケースが多い
- 包括的なAI統合は例外であり、McKinseyの調査では大半が実験・パイロット段階で、少数の大企業だけが拡大展開を主導している
- 現時点で企業のAI導入が雇用に与えた影響は小さい
- 国勢調査局データでは、雇用への影響があると答えた企業は5%で、増加と減少の回答数は同数だった
- Atlanta Fedの調査では、幹部の80%がAI投資はまだ従業員数や生産性を変えていないと回答した
- デンマークの研究では、AIが労働者の作業と時間配分を再編したが、雇用・労働時間・所得にはまだ影響していない
- AI導入企業の雇用がその後2年間で10%増加したという研究結果もある
初期の証拠が長期的な未来を決めるわけではない
- 過去の技術革新は、企業と労働市場を変えるまでに数年から数十年を要した
- Robert Solowは1987年に「コンピューター時代は、生産性統計を除くあらゆる場所で見ることができる」と述べた
- 1980年代の企業はPCに大規模投資したが、効果を得るには企業向けソフトウェア、労働者の再教育、組織再編がさらに必要だった
- こうした導入摩擦のため、コンピューター革命の測定可能な経済的成果は1990年代後半になってようやく現れた
- AIをめぐる見方は大きく分かれる
- **通常の技術（normal technology）**と見る側は、AIは過去の技術と同様に変革的だが、段階的に普及すると考える
- もう一方は、早ければ2027年に世界を変える効果が現れると予想している
- 通常の技術という見通しを支える強い根拠は、過去の技術革命が一部職種の労働需要をなくしたり減らしたりする一方で、新しい仕事と産業を生み出してきたという歴史である
- 仕事と経済の性質は変わったが、総雇用は増加した
- AIが過去と異なると見る側は、導入速度の速さ、認知労働への不均衡な影響、単一職種ではなく広範なホワイトカラー職にまたがる特性を根拠にしている
- どの見通しが正しいとしても、技術革命は個人に大きなショックを与え得るため、労働市場の変化を迅速に把握し、可能な政策対応を準備する必要がある
1件のコメント
Hacker Newsの意見
議論を開いてすぐ、最上位コメント2件が正反対だった。1つはAIが既存の高業績者の生産性をさらに高めて 80:20を99:1 にすると言い、もう1つはLLMが平均以下を底上げする一方で熟練者の邪魔をして 平均へ収束 させると言っている
簡単な仕事が終われば難しい仕事しか残らず、ジュニアはそれ以上進めなくなるかもしれない。官僚的な会社は簡単な仕事を大量に生み出すので、Jiraチケットの処理量を生産性として測るなら、ジュニアの AIによる生産性向上 ははるかに大きく見えるだろう
今では、自分とフロントエンド開発者2人、ほぼフルスタックの開発者、テスター、プロダクト担当2人、PMで構成された大規模プロジェクトを 自分とテスターだけでより効率的に 進められると思っている。20年ぶりにSQLを書いても遅くならず、CSS・機能・テストまで1人で素早く処理できる
もともとプロジェクトごとに開発者1〜2人の小さな組織なので、大規模プロジェクトの運営はひどく、コミュニケーションに労力の80%を浪費している。初期のスコープやUI/UXパターンではプロダクトチームが有用だったが、その後は具体的なデザイン依頼だけ任せ、徹底したテスターが珍しい境界条件を拾ってくれれば十分だ
自分が天才だという意味ではなく、いくつかの分野でそこそこ有能なだけだが、それでも 熟練したフルスタック開発者 がUX感覚とステークホルダー管理能力まで備えてこのツールを使えば可能になることは、恐ろしいほどだ
改善がジュニアに集中しているという結果も、割り当てられる業務の違いかもしれない。シニアがジュニアの仕事をやれば1,000%速くなるかもしれないが、実際の難しい仕事はシニアに集まり、今では Claudeで簡単に処理できない仕事 そのものが難しい仕事として分類されている
高業績者は仕事を非常に速く終わらせ、品質と手順に集中しながらよく磨かれたソフトウェアを作るが、PMたちがそれに気づき、スプリントに仕事を次々追加し始めて悪化している
さらに驚くべきなのは、もはや 分野別専門家(SME) である必要がないということだ。Android経験がまったくない小規模チームが、移植しにくい製品機能を数か月でほぼバグなしにリリースしたが、AIがなければ最低でも半年以上かかっていただろう。前日に「何を意味するのかさえ分からない」と言っていた仕事が翌日には完了するレベルだ
こうした研究の難点は、Claude CodeやOpenAI Codexのような コーディングエージェント が11月末になってようやくまともに動き始め、12月の休暇のせいで多くの人が実際に使ったのは1月初めだったことだ。OpenClaw、Anthropic Copilot、ChatGPT “Work” のような汎用エージェントはさらに遅かった
2022〜2025年の対話型システムより仕事への影響がはるかに大きい可能性があるので、2025年末までしか扱わない研究は、実質的な性能ジャンプを見落としていた可能性がある
Claudeは使っているが、ほかで見かけたようなAI狂信者はほとんどおらず、これも求職時の重要なフィルターだった。雇用減少の物語は大きく誇張されており、AnthropicとOpenAIおよびその代弁者たちによる 破滅マーケティング に近いと思う
去年は「同じソフトウェアをより少ない人数で作る」という空気だったが、今は「別の種類や別の作り方のソフトウェアを作る」という期待の中で初期企業が成長している。ただし、将来の人員規模や成功が保証されるわけではない
非スタートアップ企業では、依然として解雇の脅しとAIツール使用の圧力があり、長時間実行されるエージェントがレガシーコード上で慎重な監督なしでも壊れず効果的に動くかについては見解が分かれている
ソフトウェア開発が完全に変わったとしても、2027年に開発者が不要になるとか人数が 50%減少 すると信じている人は多くないようだ
生産性はパレート分布に従い、AIはすでに生産的な人を比例的にさらに生産的にする鋭い道具である。AIの知能が高まるほど、80:20が90:10、95:5、99:1へと変わり得る
企業官僚制はゆっくり変わるが、トップ成果者が抜けてより小さな競合企業を作れば、中大規模企業が小企業に置き換わる変化は速いだろう。効率的な企業間競争は消費者余剰を増やす一方で、大規模な経済的離脱と税収基盤の崩壊を生む可能性がある
AIがここまで良くなったのはごく最近であり、競合企業の設立にも時間が必要なので、遅行指標にはまだ現れないはずだ。私も、ニッチ産業の高級ソフトウェアより優れた製品を事実上無料で提供しながら大金を稼げるようなコモディティ化を進めているが、競合にそれを知らせる理由はない。複数の業界で同じことが起きれば、世界は完全に変わり得る
マルチクラウド・マルチリージョン展開から地域規制、会計、税務、法務まで官僚的業務を処理する非常に賢いロボットが必要で、今はSAPのような企業がその役割を担っている。そうした自動化が可能になれば、私たちが知る形の会社そのものが不要な状況に近づく
失業率チャートがコロナ発生前から1年以上にわたり緩やかに上昇している理由が疑問だ。BLSのデータでは2020年3月に突然急騰している(資料)
また、2015年時点の「AI露出」が何を意味するのかも不明確だ。当時LLMはなく、引用論文の五分位区分は実質的にはAIではなくコンピューター使用量に近い。チェスを指すAIと実際の業務をこなすLLMは区別すべきで、後者が登場してからはおそらくまだ1年ほどしか経っていない
最近の採用市場で自分の資格を確かめてみたが、組織内の単独開発者としてこの18か月十分に最新動向を追ってきたと思っていたのに、結果は厳しかった。企業はエージェント型AIの経験4年を求めていた
結局のところ、みんな話をでっち上げており、基本原理を理解しないまま誇大宣伝を信じて、誰にも越えられない基準を作っているのだ。AIネイティブな能力を積み上げても、AIネイティブ職には資格不足になる
それでも、古いモデルや制約が似ている最新の小型モデルを触る価値はある。細かなコンテキスト管理や、よく作られた例といった習慣は最新モデルにも通用し、性能を高め、コストを下げてくれる。可能なら言葉で説明するより見せるべきだ
とても興味深くて楽しかったベースモデル・テキストモデルが消えたのは残念だ
「経験X年」も文字通りの期間というより熟練度の代理指標だ。その仕事をX年やってきた平均的な人と同じくらいうまくこなせて、それを証明できるなら十分だ
押さえるべき核心は2つある。第一に、図表3の生産性研究の大半は2023〜2024年のデータで、Copilotが高い数値を記録していたが、当時は強力なオートコンプリート程度であり、コーディングエージェントが爆発的に普及する前だった
第二に、米国人の50%以上が毎週AIを使うと自己申告しているが、実際の利用は勤務時間の6%にすぎず、Googleの研究が表現した「広いが浅い利用」に当たる
同じ調査では節約できた時間は勤務時間の2%で、AI利用時間あたりの生産性向上は30%を超えており、複数の業界や統制研究の結果とも一致する。一部の経済学者は、この程度の低い導入率でも国家レベルの労働生産性統計に影響が現れると見ている
6%は非常に低いため、雇用への影響はまだ始まったばかりかもしれない。自己申告とミクロ・マクロの数値の両方で有用性が確認されている以上、利用者と業務範囲の両方が拡大していくだろうし、影響はゆっくり進んだあとで突然爆発する可能性があるのが怖い
導入追跡データ, Google研究 (議論), St. Louis Fed資料, 生産性分析
生産性向上は主に経験の浅いエンジニアに集中し、経験豊富な人では消えるかマイナスになるという大きな示唆がある。LLMは基準線を平均へ移し、平均以下の人には役立つが平均以上の人には邪魔になる、という実感とも一致する。
また、LLMで行った作業は自分で直接行った作業よりも記憶に残りにくい。だとすれば、経験の浅いエンジニアは実際の経験を積めていないことになる。テック企業のCEOは、賃金をあまり払わなくてよい低技能労働者を求めているのかもしれない
一方、ソフトウェアが中核ではない部品や社内ITシステムにすぎない会社では、開発者は収益資産ではなく最小化すべきコストと見なされる。最も安く経験の浅い人材を探し、外注やLLMで優秀な開発者の採用を避けようとする。
実際の業務が難しく熟練者を必要としていても、会社がコストとして見る限り、最も安い労働力で処理しようとするだろう。可能なら、ソフトウェア品質と収益性のつながりが経営陣にとって明白でない製品やITシステムの仕事は避けたほうがよい
職場におけるAIの最大の影響は開発者向けLLMコード生成器だが、企業で可能なことの表面をかすった程度にすぎない。私たちの会社には、事業目標のためにAIの本当の力を活用する方向性・意思・技術力がなく、外部のパッケージソリューションを買うだけで、環境に知能レイヤーを統合できていない。
こうした会社は珍しくないはずだ。チャットボットは有用だが、AIが業務を変えるには数年、あるいは数十年かかり、日常生活ではさらに長くかかるかもしれない。どれほど重大な技術でも、現実の摩擦とぶつかりながら普及していかなければならない
しかしAIはWebサイトよりはるかに広範に浸透しつつあり、誰もがすでに携帯電話を使っているので、摩擦も思ったより低い。MS Copilotが十分に良くなれば、非技術系ユーザーもAIに仕事をさせるようになるだろう。
HVAC業者の社長が「BrentwoodのBob’s Burgersで大きな緊急事態が起きたので、従業員2人をできるだけ早く向かわせ、必要なら他の訪問予定を変更しろ」と指示できる。こうした作業には莫大なトークンは不要なので安価になるはずで、「日程を組む」や「XにYについて連絡する」といった一般的な事務命令は3〜5年以内に非常に実用的になる見込みだ。主なボトルネックは、エージェントが適切なデータにアクセスできるようにする作業だ
周囲では実際に職を失う人が見えているが、幸いまだ自分は直接影響を受けていない。SaaS・iPaaS・サーバーレスを主要な提供技術として採用するようになってから、代理店業務はすでに10年前よりも小さなチームでこなせるようになった。
AIのおかげで、より少ない人数でより多くの仕事ができるが、全員を忙しくさせるほどプロジェクト需要が十分にない
AnthropicのCEOであるDario Amodeiは、AIがホワイトカラー職の半分をなくし、失業率を20%に引き上げる可能性があると予測する一方で、同時に特定のモデルはリリースするには危険すぎるとも述べている