
AIが高性能になると給料は下がるのか~Anthropic研究者らの3つの経済シナリオを「タスク」で読む~
最近、Merkle3s Capital(@Merkle3sCapital)の記事「The Stronger the AI, the Lower the Wages: Your Degree Is Becoming a Depreciating Asset」を読みました。Anthropic Institute の研究者らが出したワーキングペーパーを、雇用・教育・投資・社会の4つの衝撃に分けて読み解いた記事です。
この記事では、原文を読んでいない方に向けて、レポートの根幹にある「タスク」という意味について掘り下げます。後半では、自分の仕事について振り返る方法について示します。
※起点記事は、投資の助言ではないと冒頭で断っています。この記事も数字を使った考え方の整理であり、投資の助言や売買の判断は扱いません。
【発端】 経済規模が3割伸びても、働く人の所得はほとんど増えない

控えめ/相当/極端はシミュレーションシナリオ
起点記事が最初に示しているのは、直感とは異なる計算結果です。2030年の経済がAIなしのロードマップより3割大きくなる筋書きでも、働く人全体の所得は0.5%しか増えません。
成長と賃金が別々に動くとき、中で何が起きているのか。この記事は、その仕組みを順に読みほどいていきます。
元になっているのは、Korinek、Jones、Sacher、Cotter、McCrory の5人による「Economic Scenarios for Transformative AI」(The Anthropic Institute、ワーキングペーパー 2026-02、2026年9月)です。
【基礎】 3つのシナリオは予測ではなく、前提をそれぞれ変えた計算結果

このレポートは「2030年はこうなる」と言っているのではありません。「AIがこれだけの仕事に関わるなら、標準的な経済学ではこうなる」という計算を、3通り比較したものです。
3通りを分ける最大の軸は、経済全体のタスクのうち、どれだけにAIが関わるかです。ここでの「関わる」は、AIが丸ごと自動化する場合と、人の作業を手助けする場合の両方を含みます。
控えめ:4%。2030年のGDPはAIなしの道筋より1.6%高い
相当:12%。GDPは8.3%高い
極端:30%。GDPは32.4%高い
レポートはこの3つに確率を付けておらず、予測ではないと繰り返し断っています。言えるのは、今のデータではどれも可能性を排除できない、ということです。
極端シナリオの成長率そのものにも異論があります。The Next Web の報道によれば、経済学者の Ben Moll と Alex Imas は、今後10〜15年のうちに年10〜15%のような成長率に達することはきわめて考えにくいと反論しています。
結果を大きく分けるのは、モデルの性能より普及率です。
レポートでは、AIが扱える仕事の範囲は控えめと極端で2.5倍しか違いません。そこに「実際にどれだけ使われるか」を掛けると、関わるタスクの割合は4%から30%へ、7.5倍に開きます。
Anthropic のシナリオ解説ページも、相当シナリオを「AIは知識労働の半分をこなせるが、そのすべてには使われない」と説明しています。できることと、使われることは別です。
先に押さえたい前提がもう一つあります。このモデルでAIが直接影響するのは「コグニティブワーカー(認知職)」だけです。
コグニティブワーカーとは、管理、事務、法務、教育、医療の専門職、営業など、頭を使う仕事の12の大分類を指し、2025年の米国雇用の62.4%を占めます。残る37.6%(建設、介護、運輸、製造など)の生産性は、このモデルではAIの影響を受けません。
以降に出てくる格差は、このシチュエーションの話で、実際に見つかった事実ではありません。
【違い】 職業ではなく、タスクが一つずつ削られる

見る単位を職業からタスクに替えると、レポートの数字が読めるようになります。仕事は「ある日なくなる」のではなく、中身が段々と薄くなっていきます。
タスクとは、仕事を構成する個々の作業のことです。ITエンジニアなら「障害ログの一次切り分け」や「顧客と要件の優先順位を決める」くらいの粒度のイメージです。
経済学では、このタスクを単位に自動化を考える枠組みが使われています。Acemoglu と Restrepo の論文では、機械が人の担っていたタスクを奪う「置き換え効果」と、人が得意な新しいタスクが生まれる「再雇用効果」の綱引きで、労働への需要が決まります。
職業で見るイメージと、タスクで見るこのレポートを並べて比較してみます。
変化
職業:職業が丸ごと消える
タスク:タスクが一つずつ削られる
現実に発生する姿
職業:ある日、職がなくなる
タスク:職業の看板は残り、採用する人数が減る
仕事を失った人の行き先
職業:あまり語られない
タスク:別の職を探しに出て、そこで競合する
新しい仕事
職業:「技術はいつも雇用を生む」で片付く
タスク:新しいタスクが生まれる量を数値化
どのタスクから人が外れるかにも順番があります。起点記事の整理では、引き金になるのは最も難しいタスクでも最も易しいタスクでもなく、AIでコストが大きく下がり、しかも人件費に占める割合が大きいタスクです。
【仕組み】 賃金が動く前に、人数が変化

痛みは段々と来ます。先に人数が減り、賃金の低下はあとから追いつき、転職先も一度には受け入れられません。
このモデルでは、企業はAIのほうが安いと判断すると、賃金を下げる前に人を減らします。賃金は流動しづらく、需給が釣り合う水準との差が1年で半分しか縮まらないからです。
レイオフされた人は、AIの影響を受けない側の職種へ移ろうとします。ところが受け入れ側の求人は少しずつしか増えず、この食い違いが失業として残ります。
その結果、極端シナリオの2030年になっても、コグニティブワーカーの失業率は17.9%のままで、調整は終わっていません。全体の失業率は11.9%で、この二つは分けて読む必要があります。
レポートには、賃金の流動性の低さを変えたテスト(前提を一つだけ動かして結果の変わり方を見る計算)も載っています。極端シナリオでの結果です。
賃金が最も柔軟な場合
コグニティブワーカーの賃金:42.2%下がる
コグニティブワーカーの失業率:2.6%
全体の失業率:3.1%
賃金が最も変化しづらい場合
コグニティブワーカーの賃金:2.8%上がる
コグニティブワーカーの失業率:24.0%
全体の失業率:15.2%
変化によって「全員が大幅な賃下げ」にも「4分の1が職を失い、残りは昇給」にもなります。賃金を守ることは、人の雇用を守ることと同じではありません。
【具体例】 GDPが32.4%伸びた極端シナリオで、賃金の総額を計算

控えめ/相当/極端はシミュレーションシナリオ
成長したパイの大きさと、賃金として配られる量は、別の計算式で決まります。極端シナリオの数字で確かめます。
鍵になるのは労働分配率です。GDPのうち、賃金として働く人に支払われる割合のことで、残りは設備や計算資源などの資本のオーナーに渡ります。
極端シナリオでは、GDPが32.4%増える一方で、労働分配率は60.0%から45.2%へ下がります。
分配率の変化:45.2 ÷ 60.0 ≒ 0.75(4分の1減る)
GDPの変化:1.324倍(3分の1増える)
計算式:0.75 × 1.324 ≒ 1.0(賃金の総額はほぼ動かない)
3つのシナリオを並べると、GDPと働く人の所得が同じ方向性に動かないことが分かります。
控えめ
GDP(AIなし比):+1.6%
労働分配率:59.4%
働く人全体の所得(AIなし比):+0.6%
相当
GDP(AIなし比):+8.3%
労働分配率:56.1%
働く人全体の所得(AIなし比):+1.4%
極端
GDP(AIなし比):+32.4%
労働分配率:45.2%
働く人全体の所得(AIなし比):+0.5%
極端シナリオの働く人の所得は、相当シナリオより低くなっています。一方で、資本のオーナーが受け取る所得は、AIなし比で81.4%多くなります。
平均賃金にも落とし穴があります。極端シナリオの平均賃金は+9.7%と良く見えますが、中身はコグニティブワーカーの-11.5%と、それ以外の+33.6%の合算です。
しかも、失業したコグニティブワーカーの人はこの平均の分母に入っていません。平均賃金が上がることと、自分の賃金が上がることは別です。
【関連概念】 レポートの数字を読むための五つの補助線

この計算を読み進めるためのツールは、経済学にすでにあります。どれも、レポートのどの数字をどう読むかに関わります。
代替と補完:自動化は人を置き換えるだけでなく、人の仕事を助けもします。
Autor の論文は、機械が定型的な作業を代替しつつ、問題解決や適応力の価値を高める面を論じています。
レポートでは、AIの利用のうち自動化にあたる割合を、控えめ・相当・極端で半分、4分の3、9割としています。人を助ける側の余地は、50%から10%へ狭まるイメージです。
新しいタスクの創出:レポートは、2つのタスクが自動化されるあいだに1つの新しいタスクが生まれるという比率を、Acemoglu と Restrepo の推定として使っています。
3つのシナリオではこれを、2つに1つ、4つに1つ、極端では0と置きます。
極端シナリオは、「技術は新しい仕事を生む」という安心材料を意図的に外した設定です。
AIに触れうるタスクの測り方:レポートは、AIが扱える仕事の範囲を、Eloundou らの研究の評価に沿って決めています。
この研究は、大規模言語モデル(文章を読み書きするAI)が、どの職業のどのタスクに触れうるかを点数付けしたものです。
シグナリング:学位が評価されるのは、能力が高い人ほど取得しやすく、選別の目印になるからだ、という考え方です。出発点は Spence の古典的な論文です。
起点記事は、AIが文章や分析の水準を平らにすると、このシグナルは弱まると推論しています。
失業後の影響:レポートのモデルでは、転職すれば新しい業界の賃金がすぐ得られます。
ただ、一方でレポート自身も、実際の再就職では賃金が10〜20%下がりやすく、職業を変えた人に集中すると書いています。
長く勤めた人が職を失ったあとの所得減については、Jacobson らの研究が、長期で年平均25%の減少を示しました。
起点記事は、この点でモデルの失業や所得減の数字は下限に近い、と読んでいます。
参考情報・参考資料(PR)
本記事の理解のために、概念マップスライドを作成しました。
こちらも合わせてご覧ください。
技術による生産性向上が賃金に届く条件を歴史から扱い、置き換えと新タスクの論点を広げる。
AIを「予測のコストを下げる技術」として捉える経済学の入門で、タスクのコスト低下という見方につながる。
AIと雇用・経済の関係を日本語の新書で扱い、この記事の論点を読み比べる入口になる。
関連記事
【まとめ】 実際の仕事を10個のタスクに分けてみる
まずは、投資判断でも転職でもありません。自分の仕事のどれだけが「削られやすい側」にあるかを数えてみることです。
以下は、起点記事の提案をもとにしたこの記事の整理で、レポートの手法ではありません。
□ 先週の仕事を、10個のタスクに書き出します。
□ 各タスクに印を付けます。Aは、成果物が文章やコードで、正しさを機械的に確かめやすいもの。Bは、責任を負う、他部署と調整する、現場で判断するもの。Cはその中間です。
□ Aの割合を数えます。割合が高いほど、このモデルの言う「削られる側」に寄っています。
□ 収入が止まった場合、手元の蓄えで何か月耐えられるかを想定してみます。
□ 自分の分野の求人数を、年に一度メモしておきます。賃金が下がりにくい業界では、変化は賃金より先に採用の量に表れます。
「違い」のセクションで挙げた例なら、「障害ログの一次切り分け」はA寄り、「顧客と要件の優先順位を決める」はB寄りです。
レポートはロボットや景気循環を扱わず、分析を2030年より先に延ばしていません。ポイントは、極端なシナリオに備えることではなく、どのシナリオでも生き抜くために自分の状況を振り返ってみることです。
参考情報
The Stronger the AI, the Lower the Wages: Your Degree Is Becoming a Depreciating Asset(Merkle3s Capital):この記事の起点。報告を雇用・教育・投資・社会の4つの衝撃に分けて読んだ解説。
Economic Scenarios for Transformative AI(Korinek ほか、The Anthropic Institute、PDF):3つのシナリオのモデル、前提、感度テストを確かめる一次資料。
Scenarios for our Economic Future(Anthropic):同じ報告を一般向けに説明したページ。タスクの見方と、能力と普及の違いが分かる。
Automation and New Tasks(Acemoglu、Restrepo、Journal of Economic Perspectives):置き換え効果と再雇用効果という、タスクで自動化を考える枠組みの基礎。
Why Are There Still So Many Jobs?(Autor、Journal of Economic Perspectives):自動化が人の仕事を代替するだけでなく補完もする理由を理解する資料。
GPTs are GPTs(Eloundou ほか、Science):大規模言語モデルがどの職業のどのタスクに触れうるかを測った研究。報告の前提の出どころ。
Job Market Signaling(Spence、Quarterly Journal of Economics、1973):学歴が選別の目印として働く仕組みを示した古典。
Earnings Losses of Displaced Workers(Jacobson、LaLonde、Sullivan、Upjohn Institute):離職後の所得減が長く続くことを示した実証研究。転職の前提を点検する材料。
Anthropic maps three AI economies, from a mild boost to mass job loss(The Next Web):報告の主な数字を報道で照合し、経済学者の反論も知るための資料。
関連記事
推論が安くなると、GPUクラウドの需要は減るのか~同じ仕事に要る計算量から読む~
CoreWeave の急落は需要の崩れか、資金調達コストか~2026年10月の1週間を数字で読む~