
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

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。
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
なぜ業界は自動化に偏るのか
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

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

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

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。
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。
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。
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

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

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。
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。
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。
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。