メインコンテンツへスキップ
見出し画像

AIは仕事を奪うのか、人を伸ばすのか。決めるのは「作り方」です

    【発端】 予測ではなく設計の話

    画像
    学び方も、得意も不得意も違う。だから真似させるより組み合わせる

    最近、MITの経済学者ダロン・アセモグルが書いた「Will AI Replace Workers? Not If We Build It Right.」を読みました。掲載は The Humanist Reviewの創刊号(2026年7月15日)です。

    AIと仕事の話は、「どれだけ奪われるか」という予測で語られがちです。この記事は問いの置き方を変えています。

    AIが何をするかは、どう作るかで変わるという立場です。

    この Deep Dive では、原文の主張をもとに、次の順で整理します。

    1. AIを「人間の代わり」ではなく「別の種類の知能」として扱うと何が変わるか

    2. なぜ業界は自動化に偏るのか

    3. その偏りを変える手はあるのか

    原文を読んでいなくても追える書き方にしています。

    【基礎】 劣化コピーではなく別種の知能

    画像
    目標と成功指標が違うため、つまずく場所も違う

    似ていないものを真似させるより、組み合わせたほうが強い、という考え方です。

    人間は、少ない例から仮説を立て、試して直しながら学びます。周りの人の振る舞いから学ぶ、社会的な学びも大きな部分を占めます。

    AIは、大量のデータからパターンを見つけるのが得意です。一度身につけた推論の型は、抽象的な場面でも具体的な場面でも同じように使えます。

    その一方で、AIには現時点で、リアルタイムの社会的学習や試行錯誤の力がありません。幻覚(もっともらしい誤り)が出たときに、人間のように「これは現実的でない」と自分で捨てることもできません。

    原文は電卓を例にしています。電卓は計算で人間より優れていますが、誰も人間の知能と同じものだとは思いません。

    AIにも同じ見方を当てはめる、という提案です。

    【違い】 最後の1%で止まる全自動と手前から役立つ補完

    「人を置き換える」と「人の能力を増やす」では、目標も成功指標も、つまずく場所も違います。

    目標

    • 代替(全自動):職業のタスクをAIが丸ごと引き受ける

    • 補完(pro-worker AI):人ができることを増やす

    成功の測り方

    • 代替(全自動):人間と同じ水準に達したか

    • 補完(pro-worker AI):人の生産性と新しい能力が増えたか

    壁になるもの

    • 代替(全自動):最後の1%、高リスクの判断、人との対話

    • 補完(pro-worker AI):現場に合う道具を作れるか

    労働者への作用

    • 代替(全自動):仕事の喪失、不平等につながりやすい

    • 補完(pro-worker AI):人の技能と専門性の価値を高める

    原文が全自動の難しさの例に挙げているのが、音声認識です。1997年の Dragon NaturallySpeakingは、途切れずに話した言葉を文字にできる最初のソフトでした。

    後発の製品は「精度99%」をうたいます。それでも、残りの1%が文の意味を変えることがあります。

    使う人は、見落としやすい誤変換を探して、すべてのメールを読み直すことになります。

    全自動には、この最後の1%を全部解決する作業が要ります。原文はさらに、全自動は高リスクの判断や社会的なやり取りまでAIが引き受けることを意味する、と書いています。

    補完なら、AIが100%でなくても価値が出ます。人が最後の判断を持つからです。

    【仕組み】 4つの力で固定される自動化への偏り

    画像
    技術変化を5種類に分けると、どこに専門性の価値が残るかが見える

    業界が自動化に向かうのは、技術的に正しいからというより、いくつかの力が同じ向きに働いているからです。

    原文は、そのうち3つを経済的な力、1つを思想の力として挙げています。

    • ビジネスモデル:大手の収益源は、企業向けソフトと広告です。人を補完する道具で稼ぐ事業は、まだ試されていません。

    • 競争の欠如:巨大企業が資本、データ、人材を握っています。新興企業は、たいてい買収されます。

    • ナットとボルト:企業は「提供されるのは自動化ツールだけ」と考えて計画し、開発側は「需要があるのは自動化だけ」と考えて投資します。お互いが相手を見て動くので、抜け出せません。

    • AGIの思想:チューリングの「模倣ゲーム」以来、人間と同じになることが成功の目印になってきました。人間の技能を過小評価する見方も、これを後押ししました。

    では、変える手はあるのか。原文の答えは、特効薬の政策はなく、まず見方を変えることです。

    そのうえで、次の4つを同時に進めます。

    • 企業の側に、補完ツールへの需要をつくる

    • 成功例を見せる、実証の場をつくる

    • 新しい事業モデルが育つ余地を保つ

    • 専門家の質の高いデータが集まる基盤を整える

    1つ目の需要については、税制の歪みも指摘されています。原文は、米国で労働への実効税率が25%を超え、資本はほぼゼロだと書いています。

    Brookingsの紹介記事では、機器とソフトウェアへの実効税率は約5%とされています。資本の側が割安なら、企業は人を雇うより機械を買います。

    【具体例】 教室で教師の手を増やす補完

    画像
    教育の自動化は非現実的でも、補完なら現実の範囲にある

    教育は、AIが教師の仕事を代替する形で作られがちな分野です。原文は、現実的な補完の形を示しています。

    1. AIが、生徒ごとに教材のどこで詰まっているかを見つけます。

    2. その結果をもとに、クラスを小さなグループに組み直す案を出します。

    3. 教師が、グループごとの弱みと強みに合わせて指導します。

    個別の教育計画は、遅れている生徒に有効ですが、これまでは費用が高すぎました。AIがその費用を下げられる、というのが原文の見立てです。

    必要なのは、教材と熟練教師のデータで学習させた中規模の言語モデルだと書かれています。原文によると、著者の研究チームが試作品を作って評価中です。

    効果の結果は、まだ示されていません。

    この例では、AIは教師の仕事を奪っていません。教師は、それまで見えなかった情報を手にして、それまでできなかった指導ができるようになります。

    【関連概念】 主張を支える三つの手がかり

    画像
    三つの手がかりが、補完という設計を支えている

    導入の遅れと「生産性統計に出ない」現象

    原文は、1987年にロバート・ソローが、コンピュータは生産性の統計以外のあらゆる場所にある、と皮肉ったことを引いています。AIも今のところ、統計には表れていないという見立てです。

    電気も、普及して生産性に効くまでに数十年かかりました。原文は、AIは企業の組織変更が要る分、さらに遅いかもしれないと考えています。

    人と機械の共生という古い構想

    Lickliderの1960年の論文は、人が目標と仮説と評価基準を決め、計算機が定型作業を引き受ける関係を描きました。原文は、これを今のAIに求める姿として引用しています。

    5つの技術変化の分類

    NBERの論文は、技術の変化を5種類に分けています。labor-augmenting(労働を増強)、capital-augmenting(資本を増強)、automating(自動化)、expertise-leveling(専門性の平準化)、new task-creating(新しい仕事の創出)です。

    このうち、はっきり労働者の味方と言えるのは、新しい仕事を生む最後の一つだけだと論文は述べています。他の4つは、人の専門性が高く評価されるとは限りません。

    参考情報・参考書籍(PR)

    本記事をより深く理解するために、概念マップスライドを作成しました。こちらをみることで理解の補助になるはずです。

    『技術革新と不平等の1000年史 上』(ダロン・アセモグル、サイモン・ジョンソン)は、技術の恩恵が誰に行くかが、技術・社会・政治の選択で決まるという論点を、歴史から裏付けます。

    原書の Power and Progress は、この記事が触れる「人の技能の過小評価」を、英語の原文で読めます。

    関連記事

    【まとめ】 現場のAIへの三つの問いかけ

    画像
    原文の枠組みを使った点検案

    ここまでの整理は、AIを作る側にも使う側にも当てはまります。以下は、原文の枠組みを使った私なりのポイントです。

    1. 誰が何を持つか:このAIは、どのタスクを引き受け、どの判断を人に残していますか。

    2. 何で成功を測るか:指標は「人間並みか」でしょうか。それとも「人の仕事が増えたか、広がったか」でしょうか。

    3. 新しい仕事が生まれるか:使う人に、これまでできなかった新しいことができるようになりますか。

    社内ツールの企画や、AI機能の導入を判断する場面で、一度当てはめてみてください。

    参考情報

    この記事はnoteマネーにピックアップされました

    noteマネー 今週の特集「AI株を占うエヌビディア決算」
     
     
    海外でバズった最新テック関連情報をわかりやすく整理します! スキの数やページビューが多いなどの反響が多いものがあれば、実際の環境で操作した結果や手順などを共有する記事も作成したいとも思ってます! とりあえずこれを見ておけばディープな最新情報もキャッチアップ!できるものを目指します

    あなたへのおすすめ