AIと雇用 / 生成AI時代、AIは誰の仕事に届くか / EU・JRC実証論文を読む 雑感

Ⅰ　「自動化不安」の再燃と先行研究の限界

　2013年にオックスフォード大学のフレイとオズボーンが発表した推計は、米国の雇用の47%が「自動化リスクの高い」状態にあると結論づけ、以降この数字はメディアや政策論議に繰り返し引用されてきた〔注1〕。その後、OECDがタスク単位で分析を行い直し、同様の手法でも自動化リスクは平均9%程度にとどまるという修正推計が示された〔注2〕。「高リスクは主に低技能職種」という結論は、この二つの研究系譜を通じて概ねコンセンサスを形成していた。

　しかし2022年11月のChatGPT公開を境に、大規模言語モデル（LLM）を基盤とする生成AI（GenAI）は、文章の生成・要約・論理的推論といった能力を急速に拡張させた。フレイ=オズボーン研究が「自動化のボトルネック」と位置づけた「創造的知性」「社会的知性」の一部に、GenAIはまさに正面から侵食しつつある。GenAI以前に構築された露出指標がいまも有効かどうかは、改めて問い直されなければならない。

　欧州委員会の共同研究センター（JRC）が2026年に公表したワーキングペーパーは、その問い直しを体系的に試みたものである〔注3〕。352のAIベンチマークを14の認知能力と108の職務タスクを介して127のISCO-3職業に接続し、2008年から2024年にわたる動態的なAI露出指標を構築している。以下では、その方法論的骨格と主要な発見を整理した上で、そこから何が読み取れるかを一考する。

Ⅱ　三層構造のマッピングとは何か

1　AIの進捗を「論文数」で測る意味

　AI研究の進捗をどのように定量化するかは自明ではない。個別ベンチマーク上の精度向上を比較しても、ベンチマーク間の難易度や性質が異なるため横断的な評価は困難である。本論文が採用するのは、特定ベンチマークに関連して発表された学術論文数を研究強度の代理指標とするアプローチである。研究コミュニティが集中して取り組む領域ほど近い将来に進歩が生じる可能性が高いという前提に立った設計であり、進捗の直接測定ではなく、どこにAI研究の「重力」が向かっているかを測るものと理解するのが正確である。

　この論文数を対数変換して時系列累積値として構築することで、指標は単年の変動に左右されず、AIが認知能力ごとにどの期間にどれだけ蓄積的な研究を引き寄せてきたかを捉えられる。

2　認知能力という中間層の役割

　方法論の核心は、AIベンチマークと職業タスクを直接接続せず、14の認知能力という中間層を挟む点にある。この枠組みは人間とAIの双方に共通する一般的な能力として設定されており、「アイデア系」「人系」「物系」の三群に大別される〔注3〕。AIベンチマークと職業タスクとを同一の認知能力の軸で比較することで、技術の進捗が職業にどのような経路で届くかを構造的に可視化できる。

　108タスクと14認知能力との対応関係は、人間専門家2名とLLMエージェント4体を組み合わせたデルファイ法で決定されている。本論文はこのプロセスについても詳細な検証を行っており、AIが人間の補完として機能する場合と代替として機能する場合とで結果が大きく異なることを実験的に示している。代替実験は失敗に終わり、補完モデルのみが合意に到達したという記述は、方法論的な誠実さとして評価できると同時に、後述する政策的含意とも呼応する。

Ⅲ　発見の構造

1　「アイデア系」認知能力への集中と、その横断性

　近年のAI研究の進展は特定の認知能力に強く偏っている。曝露が最も加速しているのは、注意と探索、理解と表現、概念化・学習・抽象化、量的・論理的推論の四つであり〔注3〕、LLMや視覚・言語モデルが直接設計の対象としてきた領域に対応している。2024年時点でのAI露出スコアにおいて、これらの能力は最高の中央値と最大の分散を示している。

　逆に、感情制御、心のモデル化、メタ認知、感覚運動的相互作用、ナビゲーションといった社会的認知・身体的相互作用に関わる能力は、2012年から2024年を通じて露出の水準も伸び率も低いままである。

　ここで重要なのは、最も露出が集中している「アイデア系」認知能力は、専門職に固有のものではないという点である。指示の理解や初歩的な情報検索といった認知機能は、単純労働とされる職業においても日常的に使われている。技術の進捗が集中した領域が、たまたま労働市場全体に横断的に分布する能力と重なっていた。これが露出の波及をもたらした構造的な理由である。

2　全職業階層への波及という転換

　2015年以降、あらゆる職業カテゴリにおいてAI露出が急激に上昇した。管理職・専門職・技術者が引き続き最高水準の露出を示すことは変わらない。しかし事務職、サービス販売職、さらには単純労務職においても露出スコアは持続的に上昇しており、GenAI以前の研究が「弱い露出」と分類していた職種群にまで影響が及んでいる〔注3〕。

　数値として特に重要なのは、2024年時点の低技能職の平均AI露出水準が、2018年時点の高技能職の水準を上回っているという事実である。職種間の序列は残存しつつも、露出という現象そのものは労働市場の全層を横断するものとなった。フレイ=オズボーン研究が描いた「低技能職が高リスク」という構図は、GenAI時代においてはもはや正確な地図ではない。

3　露出と所得の相関と、その解釈上の留保

　2024年時点のAI露出スコアと職業の平均所得十分位との相関係数は0.85と、強い正の相関が確認されている〔注3〕。高収入の職種ほどAI露出が高い。これはフレイ=オズボーン研究が示した構図の正反対である。

　ただし再度念押しするが、本論文が測定しているのは、タスク内容とAI研究の方向性の技術的な一致度であり、実際に代替が生じるか補完関係になるかを予測するものではない。著者らも明示的に留保しており、同じ露出が異なるカテゴリーの労働者に対して代替にも補完にも転じうると認めている。

Ⅳ　代替か補完かを分つもの

　曝露スコアが高いという事実は、職業が直ちに自動化によって代替されることを意味しない。専門職にとっては、AIが高度な知的作業を補完し生産性を向上させる手段となりうる。他方で、事務職や低技能職において同様の曝露が発生した場合、タスクの自動化を通じた労働の代替へと直結する懸念が生じる。同じ技術的曝露であっても、各企業における労働の組織化の仕方や、労働者の交渉力の分布によって、もたらされる結果は反転する。

　この未決定な部分にこそ、法や社会制度が介入する余地がある。著者らは政策的示唆として、教育・訓練政策に加え、団体交渉構造の強化によってAI実装が補完として機能するよう誘導することの重要性を指摘している〔注3〕。技術の進捗がもたらす利益をどの層にも届けるかどうかは、労使間の制度設計の問題である。

Ⅴ　むすびにかえて

　本論文が示す最も重要な認識の転換は、AI露出が「高度職種の問題」から「労働市場全体の問題」へと移行しつつあるという点である。GenAI以前の研究が保護領域と見なしていた能力の一部が急速にAI研究の対象となり、低技能職種でも日常的に行われる認知タスクの多くが露出圏内に入りつつある。

　「AIは潮流として全てのボートを持ち上げうる」という表現が本論文の結語付近に登場するが、著者らは同時に、波の高さが依然として格差を維持していることを数字で示している。露出という技術的事実がどの方向に転化するかは、職場における実装の設計と交渉力の分布によって決まる。労働の価値と社会的な富の分配をいかに再構築するかという問いは、技術論ではなく法と政策の課題として位置づけ直されなければならない。詳細は原典をご確認いただきたい。何かの考えるきっかけになれば幸いである。

（マガジン）「AIと法雑感」

※目次は以下を参照

note総則規約3条2項前段
3.2 クリエイターが制作したデジタルコンテンツの著作権は、クリエイターに帰属します。
P.S. This is shared for academic discussion only.