社会民主主義の未来像②――AI資本主義の集中力学と制度的分岐

• 社会民主主義共和制の概要――問い直せる社会の構造条件

• 社会民主主義共和制の概要・経済版――非従属・探索・再挑戦を両立させる経済制度の構造

• 社会民主主義の理論史――変遷を「発展段階」として読まない

• 社会民主主義と新自由主義――長期投資を支えるのは、国家か市場か

• 社会民主主義が新自由主義より優れている理由――最良の新自由主義を認めたうえで、なお残る制度的差

• 社会民主主義の未来像①――再分配国家から「構造設計国家」へ

• 世襲資本主義の克服と共和制への移行――非支配と市民的対等性から見る制度の再構成

序　AIの未来を決めるのは、技術だけではありません

人工知能、大規模データ、先端半導体、クラウド、巨大な計算資源が、生産と情報処理の中心へ入りつつあります。
この変化を前にすると、議論は二つの極端へ流れがちです。

一つは、AIの発展によって生産性が飛躍し、人間が労働から自動的に解放されるという楽観論です。
もう一つは、AIが人間の仕事を奪い、少数の巨大企業や国家が社会全体を支配する未来は避けられないという悲観論です。

しかし、どちらも技術へ多くを語らせすぎています。

AIがどのような社会をつくるかは、技術性能だけでは決まりません。

誰が計算資源を所有するのか。
誰が基盤モデルへアクセスできるのか。
利用者が別のサービスへ移れるのか。
AIによって生じた利益を誰が受け取るのか。
労働者にどのような交渉力が残るのか。

そして、制度が失敗したとき、誰がそれを発見し、異議を述べ、変更できるのか。

これらは技術そのものではなく、制度の問題です。

本稿では、この問題を二つの層に分けます。

第一は、所得、資産、技術的能力が最初に形成される層です。
誰が計算資源を持つのか。誰がモデルを開発できるのか。誰が利益を受け取るのか。誰が次の研究へ投資できるのか。

第二は、その配置を観測し、検証し、変更する層です。
集中が進んだとき、誰がそれを知ることができるのか。誰が異議を述べられるのか。どのような条件なら別の経路へ移れるのか。

この二つは別々の問題ではありません。

自己強化が速い市場ほど、制度が現実を知り、修正するまでに許される時間は短くなります。

2026年7月にOECDが公表した政策ブリーフ『Artificial Intelligence Markets』も、AI市場を一方向の単純な独占過程としては描いていません。
半導体、クラウド、データ、電力などAIを支える上流の重要資源には強い集中傾向があります。

その一方で、基盤モデルの開発層では参入事業者が増え、品質調整後の価格が大きく低下し、技術的な首位も入れ替わっています。

動きの速い競争と、固定化しやすいボトルネックが同時に存在しています。

本稿が扱うのは、「AI資本主義は必ずこうなる」という予言ではありません。

どこに集中圧力が生じているのか。
どこには競争が残っているのか。
どの集中は合理的で、どの集中が退出、参入、異議申立て、再挑戦を閉じるのか。

そして、技術革新を止めずに、社会がその方向を問い直し続けられる制度をどうつくるのか。

それを考えます。

方法上の注意　数式は社会の未来を証明するものではありません

本稿では、いくつかの数式を使います。
しかし、数式から政治的・倫理的な結論を証明することはしません。

数式の役割は限定されています。

要因を区別すること。変数の関係を見やすくすること。
どの条件が変われば、どの方向への力が強まりうるかを考えることです。

とくに重要なのは、正のフィードバックが存在することと、必ず独占へ到達することは同じではないという点です。

自己強化作用があっても、技術革新、新規参入、価格低下、オープンなモデル、規制、相互運用性、需要の多様化などが反対方向へ働く場合があります。

また、制度を数式で表現したからといって、その制度が正しいことが証明されるわけでもありません。

式は制度の動きを考える補助線です。
制度の正当性そのものではありません。

1. AI市場には、なぜ集中圧力が生じるのか

AI経済には、先行した企業の優位をさらに強める複数の機構があります。
その中心にあるのが、計算資源、データ、利用者、利益再投資の循環です。

時点 t のモデル性能を M_t、利用可能な計算資源を C_t、有効データを D_t とします。単純化して、

$$M_t=f(C_t,D_t)$$

とします。

ここでは、計算資源や有効データが増えると、他の条件が同じならモデル性能も改善しうると考えます。

性能が高いサービスほど利用者を集めやすいなら、利用者数 U_t を、

$$U_t=g(M_t)$$

と表すことができます。

利用者との相互作用によって次期の有効データが増えるなら、

$$D_{t+1}=D_t+\lambda U_t$$

となります。

また、事業利益 Π_t の一部が次期の計算資源へ再投資されるなら、

$$C_{t+1}=C_t+\theta\Pi_t$$

と書けます。

λ と θ が正であれば、利用者の増加や利益の再投資が、次の競争力を強める方向へ働きます。

性能が利用者を呼ぶ。
利用者がデータを生む。
収益が増える。
収益が次の計算資源へ戻る。
さらに性能が上がる。

このような自己強化ループは起こりえます。

しかし、ここから「最大企業が永久に勝ち続ける」という結論は出ません。
追加の計算資源から得られる性能向上は逓減する可能性があります。

利用者数にも限界があります。
競合企業の技術革新があります。
推論コストも低下します。
ローカル実行やオープンウェイト型モデルが依存関係を変えることもあります。

したがって確認すべきなのは、もっと限定された事実です。

AI市場には自己強化の仕組みがあります。
しかし、自己強化は宿命ではありません。

制度が見るべきなのは、この自己強化がどの層でどの程度強く、それに対抗する経路が実際に残っているかです。

2. 本当のボトルネックは、ソフトウェアの外側にもあります

高度なAIは、単なるソフトウェアではありません。

半導体設計。
先端半導体製造。
露光装置。
高帯域メモリ。
データセンター。
クラウド。
冷却設備。
電力。
送電網。

こうした巨大な物理的基盤の上で動いています。

OECDの2025年のAIインフラに関する競争政策資料は、先端半導体製造、露光装置、AI向けアクセラレータ、クラウドなど、AIの重要な上流市場に強い集中が存在することを整理しています。

2026年のOECD政策ブリーフも、外部研究の推計を引用し、2023年時点で主要クラウド3社が世界市場の大きな割合を占め、AI向けGPUについてもNVIDIAが非常に高い市場シェアを持っていたとしています。

一方、後で見るモデル開発事業者数や価格低下の指標は、2024年から2026年を対象としています。

上流集中の数字と、下流競争の数字は、対象となる市場も観測時点も同じではありません。

したがって、「AI市場は集中している」「AI市場は競争的である」という二つの文章は、どちらも条件次第で正しくなります。

問うべきなのは、どの層の話をしているのかです。

最先端モデルの訓練費用についても同様です。
Stanford AI Index 2025はEpoch AIの推計として、GPT-4、Llama 3.1 405B、Gemini 1.0 Ultraなどの訓練に大規模な計算資源費が必要だったと紹介しています。

しかし、それは一回の訓練に直接投入された計算資源の推計です。

研究者の人件費。
データ取得や整備。
失敗した試行。
データセンター建設。
GPUそのものの取得。
電力設備。

これらをすべて含む企業全体の投資額とは別です。

モデルの訓練費と、AI産業全体の資本投資を混同してはいけません。

2-1. 利用者が移れないことと、新しい事業者が入れないことは別です

AI市場の参入障壁には、少なくとも二種類あります。

第一は、利用者側の切替費用です。

新しいサービス k の価値を V_k、既存サービスの価値を V_inc、移行費用を C_switch とします。

利用者が移るための単純な条件は、

$$V_k-C_{\mathrm{switch}}>V_{\mathrm{inc}}$$

となります。

データ移行。
APIの変更。
既存コードの書き換え。
社員教育。
認証システムの変更。
業務フローの再設計。

これらの費用が大きければ、新しいサービスが少し優れている程度では移れません。

第二は、供給側の参入費用です。

新規事業者の期待収益を R_k、可変費用を VC_k、参入に必要な固定費を F_infra とすれば、

$$R_k-VC_k-F_{\mathrm{infra}}>0$$

でなければ、参入を持続できません。

利用者が移れない問題と、新しい企業が入れない問題は別です。

しかもAI市場では、その二つが重なる可能性があります。

3. オープンウェイトモデルは、分散と不可逆性の両方を持ちます

集中に対抗する一つの経路が、モデルの重みを公開するオープンウェイト型モデルです。

利用者や研究者がモデルを自ら実行できれば、特定のクラウドAPIだけに依存する必要は小さくなります。
研究機関や中小企業が自分たちの用途に合わせてモデルを調整できる可能性も広がります。

これは、利用者側の切替費用や、新規事業者が試行するための費用を下げる方向へ働きます。

しかし、オープン性には反対側の問題があります。

一度広く配布されたモデルは、後から完全に回収することが難しくなります。

中央管理されたサービスなら、重大な不具合が見つかった場合に提供停止や更新を行う余地があります。
しかし、モデルが多数の利用者の環境へ複製されれば、公開主体が後から一括して変更することはできません。

したがって、オープンウェイトは、退出可能性を高めます。
同時に、公開後の撤回可能性を低くします。

ここに重要な緊張があります。

オープンだから常に善いとも言えません。
閉じているから常に安全とも言えません。

必要なのは、性能、利用可能性、研究上の価値、悪用可能性、公開後の撤回困難性などを分けて評価することです。

分散を守ることと、取り返しのつかない公開を慎重に扱うことは両立しなければなりません。

4. モデル競争は活発です――しかし「安くなった」の意味を分ける

上流インフラの集中だけを見れば、AI産業全体がすでに固定されたように見えるかもしれません。

しかし、モデル開発の層では反対方向の動きもあります。

OECDの2026年政策ブリーフによれば、推論やコーディングを含む認知的作業向け言語モデルの開発事業者数は、2024年1月の9社から2026年4月には47社へ増えました。
同じ期間に、稼働しているテキスト型モデルも大幅に増えています。品質を調整したモデル価格指数も大きく低下しました。

AI市場は、少なくともモデル供給者の層では新規参入と技術革新を続けています。

ただし、価格低下については注意が必要です。

一トークンあたりの価格が下がっても、同じ仕事に必要なトークン数が増えれば、仕事一件あたりの費用が同じ割合で下がるとは限りません。

さらに企業がAIを実際の業務へ導入するには、データ整備、社員教育、業務工程の変更、セキュリティ対応、品質管理などが必要です。

モデル単価の低下と、AIを社会で使う総費用の低下は同じではありません。

もう一つ注意すべき問題があります。

高性能AIの単価が全体として低下しても、非常に高度な推論や大量の計算資源を必要とする利用については、企業や個人の資力の差がアクセス条件へ反映される可能性があります。

この問題をただちに「新しい階級社会」と呼ぶ必要はありません。

しかし、高度な情報処理能力へのアクセスが、一部の主体だけに長期的に偏っていないか。

これは観察すべき新しい格差の一つです。

5. AIは労働を消すのではなく、仕事の構成を変えています

AIと雇用について、現時点で「人間労働が不要になる」と断定できる証拠はありません。

ILOとNASKが2025年に公表した世界規模の分析では、世界の雇用のおよそ4人に1人が、生成AIへの何らかの曝露を持つ職業に就いていると推計されています。

しかし、これは雇用喪失率ではありません。
技術的にAIの影響を受けうる仕事の割合です。

また、曝露は均等ではありません。
最も曝露度の高い層では女性の割合が男性より高く、高所得国ほど何らかの曝露を持つ仕事の割合も高いと推計されています。

事務職の曝露は高く、デジタル化された専門職や技術職にも影響が広がっています。

ILOが強調するのは、仕事の全面的な消滅よりも、仕事の内部で行われる作業の構成が変わる可能性です。

一つの職業には、多くの場合、自動化しやすい作業、人間との対話を必要とする作業、現場判断を必要とする作業、責任を引き受ける作業、新しい問題へ対応する作業が混在しています。

アセモグルとレストレポらのタスク型アプローチも、技術変化を、人間の仕事を機械へ移す力だけでは捉えません。

置き換えられる仕事があります。
新しく生まれる仕事もあります。
AIによって人間の能力が高まる仕事もあります。

したがって、AI資本が増えれば、労働の価値が必ずゼロになるとは言えません。

しかし、社会全体で雇用が維持されることと、誰も移行費用を負わないことも同じではありません。

失われる仕事と生まれる仕事は、同じ地域、同じ人、同じ時点に存在するとは限りません。

ここで社会保障、職業訓練、労働者の交渉力が重要になります。

社会民主主義が守るべきなのは、現在あるすべての職務を永久に保存することではありません。

仕事が変わっても、人が生活を失わず、交渉し、学び直し、別の仕事へ移り、再び参加できる条件です。

6. 社会保障の問題は、「終わること」ではなく財源構造にあります

AIによって労働所得の比重が低下する可能性を考えると、「福祉国家は維持できなくなる」という議論が出てきます。

しかし、問題を分ける必要があります。

社会保障が必要でなくなるわけではありません。

問題になるのは、社会保障財政を賃金所得へ過度に依存させている場合です。

個人 i の市場所得を、労働所得 W_i と資本所得 R_i に分けます。

$$Y_i^{\mathrm{market}}=W_i+R_i$$

もし経済全体で W の比重が下がり、R の比重が上がる一方、税や社会保険料の基盤を主として W に置いたままなら、賃金所得への負担が相対的に重くなる可能性があります。

必要なのは、ここから直ちに「AI税」という一つの税へ飛ぶことではありません。

法人利益。
資本所得。
土地。
消費。
環境負荷。
その他の税源。

それぞれには異なる長所と副作用があります。

重要なのは、社会保障の財源構造を、経済構造の変化から切り離して固定しないことです。

さらに、AI時代には事後的な再分配だけでは足りません。

誰がAI資本を所有しているのか。
誰が計算資源へアクセスできるのか。
誰が企業利益を受け取るのか。
誰が次の研究開発へ投資できるのか。

所得が生まれた後だけではなく、所得が生まれる前の制度条件まで政治の対象になります。

7. 「デジタル封建制」は、予言ではなく警告概念として使います

AI経済の未来を「デジタル封建制」と表現する議論があります。

歴史上の封建制と現代のデジタル市場は同じではありません。

現代には選挙があります。
司法があります。
競争法があります。
新規企業を設立する自由があります。
契約も所有権もあります。

したがって、歴史的封建制との単純な同一視は避けるべきです。

それでも、この言葉を警告概念として使う意味はあります。

問題になるのは、生産や社会参加に必要な基盤が少数主体へ集中し、それを使わずに生活や事業を続ける費用が極端に高くなり、別の供給者へ移ることが難しくなり、そこから得られた利益がさらに支配的資源の取得へ再投資される場合です。

この循環が長期化すると、市場での成功が単なる豊かさを超えて、他の人が社会へ参加する入口を管理する力へ変わる可能性があります。

したがって警戒すべきなのは、企業が大きいことそのものではありません。

巨大であることが、退出、参入、比較、異議申立てを閉じる力へ変わることです。

8. 知識基盤には、三つの異なる問題が起きています

AIは、計算資源だけで動いているわけではありません。

文章。
画像。
コード。
論文。
ニュース。
公共記録。
オンライン上の対話。

人間社会が長期間にわたって生み出してきた情報にも依存しています。

ここでは三つの問題を分けます。

三つを一つの因果関係にしてはいけません。

8-1. 公開知識共同体への参加減少

del Rio-Chanonaらの2024年の研究では、ChatGPT公開後、Stack Overflowでの投稿活動が比較対象に比べて大きく低下したと推計されています。

Burtch、Lee、Chenの研究でも、Stack Overflowで訪問や質問投稿の減少が確認されました。
一方、比較対象となったRedditの開発者コミュニティでは、同じ変化は確認されていません。

したがって、AIによって人間の知識共有全体が衰退したとは言えません。

確認されているのは、特定のオンラインQ&A領域において、人間による公開知識生産が減少した事例です。

それでも制度上の問いは残ります。

過去の公開知識を利用して作られた技術が、人間が次の公開知識を生み出す動機や場を弱めるなら、長期的にはその入力基盤自身が細る可能性があります。

現段階では、これは確立された一般法則ではありません。

観察すべき制度的リスクです。

8-2. AI向けデータ利用を制限する動きが広がっています

Longpreらは約1万4千のウェブドメインを調べ、2023年から2024年にAI向けのアクセス制限が急速に増えたことを報告しました。

ただし、その原因を一つに決めることはできません。

著作権。
プライバシー。
商用利用。
帰属表示。
利用許諾。
大規模な自動収集。

複数の問題が重なっています。

従来のウェブ上の仕組み自体が、大規模AI学習という利用方法を前提に設計されていなかったという問題もあります。

したがって必要なのは、すべてを自由に収集できる状態でも、すべてを閉じてしまう状態でもありません。

利用条件、権利、研究アクセス、公共性を区別しながら、公開知識を持続可能にする制度をつくる必要があります。

8-3. 生成データへの再帰的依存には技術上の問題があります

Shumailovらが2024年に『Nature』で報告した研究では、生成モデルが前世代の生成データへ繰り返し依存すると、元のデータ分布についての情報が失われていく条件が示されました。

ただし、この問題についても研究結果は条件に依存します。

実データを新しい生成データで置き換える場合。
実データを保持しながら生成データを追加する場合。
生成データの割合。
継続的に新しい実データが流入するか。

こうした条件によって結果は変わります。

したがって、合成データを使えば必ずモデルが崩壊するとは言えません。

反対に、少量の実データを残せば問題はないとも言えません。

ここから制度的に言えることは限定されています。

現実について新しく生み出される観測、研究、報道、実験、創作、少数事例の記録を、将来のAIにとって不要なものとして扱うべきではありません。

AIが知識を利用できるほど、その知識を新しく生み出し続ける社会の能力も重要になります。

9. AI社会には複数の制度方向があります

AI経済への対応は、「市場に任せるか、国家が管理するか」という二択ではありません。

実際には複数の組み合わせがあります。

民間企業へ重要資源が強く集中する形があります。
国家へ計算資源や情報が強く集中する形もあります。
国家と巨大企業が相互に依存する形もあります。
そして、市場、公共部門、大学、非営利組織などに複数の経路を残そうとする形もあります。

ここで重要なのは、それぞれに名前をつけて善悪を先に決めることではありません。

同じ検査をかけます。

利用者は別の道へ移れるでしょうか。
新しい主体は参入できるでしょうか。
国家の決定は外部から検証できるでしょうか。
企業と国家の契約は、必要な秘密を守りながらも責任の所在を追えるでしょうか。
一つの供給者が失敗したとき、別の経路は残っているでしょうか。

制度名ではなく、修正経路が実際に残っているかを見ます。

10. 公共計算資源――市場の外ではなく、別の入口をつくる

AI時代の競争政策は、巨大企業を分割することだけではありません。
重要な資源への入口を増やす方法もあります。

その一つが公共的な計算資源です。

EUではEuroHPCを基盤にAI Factoriesの整備が進められ、大学、研究機関、中小企業、スタートアップなどが高度な計算資源へ到達できる環境づくりが進められています。
さらにAI Gigafactoriesの構想も進んでいます。

この考え方の重要な点は、国家が唯一のAIモデルをつくることではありません。

巨大クラウドを直接購入できる主体だけが研究や開発へ参加できる状態を避けるために、別の入口をつくることです。

しかし、公共計算資源にも限界があります。

公的施設の利用枠が政治化するかもしれません。
手続が遅くなるかもしれません。
設備更新が遅れるかもしれません。
一部の研究分野へ偏る可能性もあります。

さらに、公共施設が増えても、そのすべてが同じ少数の半導体供給者へ依存していれば、上流の障害点は残ります。

ここから重要な区別が出ます。

主体の数が増えることと、依存経路が増えることは同じではありません。

五つの研究施設があっても、五つとも同じ単一の供給源に依存しているなら、一つの障害がすべてに波及します。

公共計算資源も、利用実績、採択基準、費用、成果を公開し、民間サービスとの比較を受ける必要があります。

公共であることも、検証を免除する理由にはなりません。

11. 相互運用性――「競争相手がいる」だけでは足りません

市場に複数の企業があっても、利用者が移れなければ競争は十分には働きません。

EUのDigital Markets Actは、一定のゲートキーパーについて、データポータビリティや相互運用性を求めています。

EU Data Actも、クラウドなどのデータ処理サービス間の切替障壁を減らす仕組みを設けています。
2025年9月から対象サービスの利用者には切替に関する権利が発効し、2027年1月からは一定の切替手数料が禁止される制度設計になっています。

しかし、料金だけをなくしても十分ではありません。

独自API。
独自データ形式。
認証基盤。
社内業務との結合。
特定モデルに最適化されたシステム。

これらが残れば、技術的なロックインは続きます。

一方で、完全な互換性をすべてのサービスへ義務づければ、安全性、性能、知的財産、技術革新との緊張も生じます。

だから目的を明確にする必要があります。

すべてを同じ仕様にすることではありません。
利用者が現実に別の道へ移れる余地を残すことです。

12. AI資本を社会が一部保有するという選択肢

AI経済で資本所得の重要性が高まるなら、課税による事後的な再分配以外の方法も検討できます。

その一つが、公共ファンドなどを通じて社会自身が生産資産の一部を保有する方法です。

社会全体の資本を単純化して、

$$K=K_{\mathrm{priv}}+K_{\mathrm{soc}}$$

と考えます。

K_priv は民間主体が保有する資本、K_soc は公共ファンドなどを通じて社会的に保有される資本です。

公共ファンドの分配可能な運用収益を R_soc、市民数を N とするなら、単純な均等配当モデルでは、

$$D=\frac{R_{\mathrm{soc}}}{N}$$

となります。

これは制度案であって、AI時代の唯一の答えではありません。

公的資産の収益を住民へ広く還流させる既存例としては、アラスカ恒久基金があります。
しかし、アラスカの事例は「自動的で安定した配当制度」の単純な成功例ではありません。

配当額をめぐっては、法定算定式、州財政、公共サービスへの支出、議会の判断が緊張関係を持っています。

社会的所有を導入すれば、分配問題が政治から消えるわけではありません。

むしろ、

配当へ回すのか。
公共サービスへ使うのか。
再投資するのか。
将来世代のために残すのか。

という新しい政治判断が生まれます。

公共ファンドを使うなら、投資先への政治介入、利益誘導、過度の集中を防ぐ必要があります。

運用原則の公開。
分散投資。
外部監査。
日常的な運用と政治部門の分離。

こうした条件が必要です。

13. 現金だけでは自由をつくれません

社会的配当や所得保障は、人が選択する余地を広げます。

しかし、現金だけでは確保できないものがあります。

住宅供給が足りなければ、給付が家賃上昇へ吸収される可能性があります。
医療の供給が不足していれば、お金があっても受診できません。
通信環境がなければ、行政手続や教育、求職へのアクセスが狭くなります。

AI時代には、基本的なデジタル環境や、必要な場面でAIを利用できる条件も社会参加に影響する可能性があります。

したがって、生活基盤を一つの総合点へ換算するべきではありません。

所得。
医療。
住居。
教育。
通信。
移動。
異議申立て。
デジタル環境。

それぞれについて、実際に利用できる最低限の経路が残っているかを別々に確認する必要があります。

現金と公共サービスは、完全な代替物ではありません。

そしてAIへのアクセスについても、最先端の計算能力を全員へ無制限に配るという話ではありません。

教育、行政、研究、就労など、社会参加に必要な基本的利用条件をどこまで公共的に支えるべきか。

これは今後の制度設計上の問いです。

14. AI時代にも労働者の交渉力は必要です

AIによって仕事内容が変わるほど、技術導入を誰が決めるのかが重要になります。

どの作業を自動化するのか。
生産性向上による利益をどう配分するのか。
監視技術をどこまで使うのか。
誰に再訓練の機会を提供するのか。
人員削減以外の選択肢を検討したのか。

こうした判断は、技術そのものから自動的には決まりません。

ILOもAIによる労働市場の変化を扱う際、社会対話と労働者参加を重視しています。

社会民主主義が守るべきなのは、変化しない職場ではありません。
変化する職場の中でも、影響を受ける人が一方的な対象にされないことです。

そして企業が失敗した場合にも、その企業そのものを永久に保存する必要はありません。

企業の永続性ではなく、そこで働く人が企業の失敗と一緒に人生まで失わないことです。

15. 知識を生み続ける基盤と、独立した観測点を守る

AIが過去の知識を大量に利用できるほど、次の知識を誰が生み出すのかが重要になります。

大学。
研究機関。
図書館。
公文書。
調査報道。
オープンソース。
文化活動。
専門職。
個人の創作。

これらを、現在のAI企業へどれだけ直接利益を生むかだけで評価することはできません。

社会が将来も新しい事実を発見し、誤りを修正するための基盤だからです。

ここには、もう一つの問題があります。

判断主体が多いことと、独立した情報源が多いことは同じではありません。

百人がそれぞれ意見を述べていても、その全員が同じAIの要約だけを読んでいれば、実質的な観測点は多くありません。

新聞社が複数あっても、すべてが同じ一つの自動情報源へ全面的に依存すれば、同じ誤りが同時に広がる可能性があります。

企業が多数あっても、同じ一つの評価モデルに依存すれば、同じ人を同じ理由で排除することがあります。

したがって必要なのは、意見の数だけでなく、情報へ到達する経路の多様性です。

一次資料へアクセスできること。
独立した研究が存在すること。
異なるモデルを比較できること。
人間が直接観測し、記録できること。
AIによる要約そのものを検証できること。

AIは情報への入口を増やすことができます。
しかし、一つのAIが情報世界そのものになってはいけません。

16. 集中の是非ではなく、集中の可逆性を問う

ここまで集中の危険を論じてきました。

しかし、何でも分散すればよいわけではありません。

半導体工場には巨額の固定費が必要です。
全国送電網には一体的運用が必要です。
大規模研究施設には集中投資が必要です。
危機時には、一時的に速い判断が必要になることもあります。

したがって、集中しているから悪いという判定は採りません。

問うべきなのは、その集中が何を可能にし、何を閉じているか。
そして、失敗したときに別の道へ移れるか。ということです。

大企業があっても、新規参入ができます。
独占的インフラであっても、利用条件を外部から監督できます。
国家が大規模事業を行っても、情報公開と外部監査があります。
専門機関へ権限を委任しても、理由を記録し、後から争えます。

その場合、集中と社会的な修正可能性は必ずしも矛盾しません。

一方で、形式上は多数の主体が存在していても、同じクラウド、同じ半導体、同じ資金源、同じデータ、同じ評価モデルへ依存していれば、実質的には同じ障害点を共有しています。

冗長性は、組織の数だけでは測れません。
別の依存経路が本当に残っているかを見る必要があります。

そして、別の道を残すことにも費用があります。

複数の供給経路を維持すれば高くなります。
相互運用性を要求すれば開発上の制約が増えます。
独立監査を置けば費用がかかります。
長期契約を短くすれば価格条件が悪くなる場合があります。
慎重な審査を増やせば意思決定は遅くなります。

したがって、冗長性は多ければ多いほどよいとも言えません。

問うべきなのは、

どの失敗がどれほど取り返しにくいのか。
その取り返しにくさに対して、どこまで冗長性の費用を払うべきか。

ということです。

17. 動的安定性――集中圧力と修正速度を同じ枠組みで見る

ここまでの議論を、制度の動きとして簡単に表してみます。

時点 t の社会状態を x_t、政策介入を u_t、外部からの予測困難な変化を w_t とします。

極端に単純化すれば、

$$x_{t+1}=Ax_t+Bu_t+w_t$$

と表せます。

A は、政策介入がない場合に、現在の状態が次の状態へどのようにつながるかを表す項です。
第1節で見た利用者、データ、利益再投資の自己強化も、概念的にはここに含まれます。

政策が目標状態 x* からの乖離を見て修正するなら、

$$u_t=-K(x_t-x^*)$$

という単純な負のフィードバックを考えることができます。

すると、

$$x_{t+1}=(A-BK)x_t+BKx^*+w_t$$

となります。

ここで重要なのは、特定の K を数学から政策として導くことではありません。

公共計算資源。
競争政策。
相互運用性。
社会的所有。
労働者参加。
情報公開。

それぞれは性質の違う制度です。

この式は、それらを同じ政策とみなすためのものではありません。

示しているのは、自己強化の力だけを見ても制度の結果は決まらず、介入の強さだけを見ても決まらないということです。

さらに現実の制度には遅れがあります。

問題が起きる。
データを集める。
分析する。
政治的に議論する。
法律を変える。
実施する。

そのあいだにも市場は動きます。

遅れを d とすれば、

$$u_t=-K(x_{t-d}-x^*)$$

のように考えることができます。

一般に、強く自己増幅する系では、観測や修正が遅れれば、対応までに状態が大きく変わる可能性があります。

ただし、許容できる遅れがどの程度かは、A、B、K、対象市場の構造などによって変わります。

したがって、「自己強化が強ければ、遅れの上限が必ず一定の数式で決まる」という一般法則として扱うべきではありません。

本稿がここから得るのは、もっと限定された制度上の含意です。

変化が速く、しかも一度固定されると戻りにくい領域ほど、現実を早く観測し、早い段階で問い直せる制度が重要になります。

先端半導体。
基幹クラウド。
電力。
広く使われる標準。
巨大な長期契約。

このような領域では、数年遅れの統計だけで初めて問題を知る状態は脆弱です。

一方、参入が容易で技術の入れ替わりが速い応用市場では、過度な事前規制がかえって新規参入を妨げる可能性があります。

したがって、同じ規制強度をAI産業全体へ一律に適用するべきではありません。

自己強化の強さ。
退出の難しさ。
代替供給源の有無。
失敗した場合の回復困難性。

これらを層ごとに見ます。

18. 社会民主主義自身にも失敗条件を置く

ここまでの議論から、「社会民主主義的な制度を導入すればよい」と結論してはいけません。

公共計算資源が使われないかもしれません。
行政手続が複雑になりすぎるかもしれません。
相互運用性義務が革新を妨げるかもしれません。
AI規制への対応費用が大企業にしか払えず、規制が新しい参入障壁になるかもしれません。

公共ファンドが政治的利益誘導へ使われるかもしれません。
社会的配当が公共サービスを圧迫するかもしれません。
給付制度が過度な行政裁量を生むこともあります。

だから社会民主主義自身についても問います。

集中を抑える制度が、既存企業を守る制度へ変わっていないでしょうか。
公共性を守る制度が、国家独占をつくっていないでしょうか。
安全を守る規制が、新規参入を不可能にしていないでしょうか。
検証機関を増やしたのに、明らかな失敗が一度も変更されていないということはないでしょうか。
問い直しの制度を、資金力のある主体だけが使える状態になっていないでしょうか。

そして、制度変更の費用を、毎回同じ労働者、同じ地域、同じ世代へ押しつけていないでしょうか。

社会全体が学ぶという名目で、一部の人だけに失敗の代償を負わせるなら、それは公正な修正ではありません。

制度をつくります。
結果を記録します。
反対意見を残します。
予測と違えば変更します。
評価指標そのものも問い直します。

AIを統治する制度自身も、AIと同じように検証されなければなりません。

結論　AI時代の自由とは、選び直せることです

AI経済には強い集中圧力があります。

先端半導体。
クラウド。
データセンター。
電力。
データ。
高度な人材。
利益の再投資。

これらには規模の経済があり、一度得た優位が次の優位へつながる仕組みもあります。

しかし、そこから、AI資本主義は必ず少数企業の支配へ向かうと結論する必要はありません。

実際にモデル開発層では参入が続き、性能改善と価格低下も進んでいます。
オープンウェイト型モデルもあります。
公共的な計算資源という別経路も生まれています。
利用者の切替を容易にする法制度も整備されつつあります。

AIによって労働が全面的に消えるという証拠もありません。
現時点で見えているのは、仕事の構成の変化、特定の職種への強い影響、そして移行費用の偏りです。

だから未来はまだ決まっていません。

問題は、

誰がAIを持つのか。
誰が使えるのか。
誰が利益を受け取るのか。
誰が新しい知識を生み出せるのか。
誰が技術導入の費用を負うのか。
誰が異議を述べられるのか。
そして、間違ったときに別の道へ移れるのか。

ということです。

市場には、分散した試行と競争の力があります。
国家には、長期投資と公共基盤を支える力があります。
大学や研究機関には、短期利益から距離を置いて探索する力があります。
企業には、新しい技術を実際の製品やサービスへ変える力があります。
労働者や利用者には、現場からしか見えない情報があります。

どれも必要です。

しかし、どれか一つを社会全体の最終判断者にする必要はありません。

AI時代の社会民主主義が目指すのは、集中のない社会ではありません。規模の大きな企業をすべて解体する社会でもありません。
国家がAIを所有する社会でもありません。

必要な集中は認めます。
長期投資も認めます。
専門機関も使います。
市場競争も使います。

しかし同時に、

退出できること。
別の主体が参入できること。
情報を外部から検証できること。
異なる観測経路が残ること。
失敗した人が再び参加できること。
政策の結果を記録できること。
制度自身を変更できること。

を守ります。

効率と冗長性は衝突します。
安全と公開性も衝突します。
長期投資と撤退可能性も衝突します。
高速な技術革新と民主的な熟議にも時間差があります。

成熟した制度とは、その緊張を消したふりをする制度ではありません。
何を守るために何を犠牲にしているのかを見えるようにし、結果が悪ければ選び直せる制度です。

AI時代の自由とは、最も高性能なAIを持つことだけではありません。
AIによって拡張された能力を利用しながら、そのAIを誰か一人の主人にせず、技術が変わっても人間が社会の進路を選び直せることです。

そして、選び直せる時間は無限ではありません。
集中が速く、戻りにくい場所ほど、問い直すための経路を早い段階から残しておく必要があります。

未来を完全に予測することはできません。
だからこそ必要なのは、未来を一度で正しく選び当てる制度ではありません。

予測を誤ったときにも、生活と異論と別の選択肢を失わず、社会全体を壊さずにもう一度選べる制度です。

参考資料

以下は、本稿中の事実的・制度的記述の確認、および議論の背景整理に用いた主要資料です。

各資料が直接示している経験的・制度的事実と、そこから本稿が行う比較、評価、規範判断、制度的提案は区別しています。
資料の存在そのものから、本稿の規範的結論や具体的制度案が自動的に導かれるわけではありません。

また、市場シェア、価格、法制度、公共投資計画などは変化します。本稿の現状記述は、原稿作成時点で確認した資料に基づいています。

AI市場・インフラ・競争政策

• OECD, Artificial Intelligence Markets: Recent Developments and Competition Issues, OECD Publishing, Paris, 2026. DOI: 10.1787/d531d73f-en.

• OECD, Competition in the Age of AI: Initial Evidence from Microdata, OECD Artificial Intelligence Papers, No. 64, 2026. DOI: 10.1787/6f88a1ea-en.

• OECD, Competition in Artificial Intelligence Infrastructure, OECD Roundtables on Competition Policy Papers, No. 330, 2025. DOI: 10.1787/623d1874-en.

• OECD, Artificial Intelligence and Competitive Dynamics in Downstream Markets, OECD Roundtables on Competition Policy Papers, No. 331, 2025. DOI: 10.1787/ccf0624a-en.

• Christophe André, Manuel Bétin, Peter Gal and Paul Peltier, Developments in Artificial Intelligence Markets: New Indicators Based on Model Characteristics, Prices and Providers, OECD Artificial Intelligence Papers, No. 37, 2025. DOI: 10.1787/9302bf46-en.

• OECD, Artificial Intelligence, Data and Competition, OECD Artificial Intelligence Papers, No. 18, 2024. DOI: 10.1787/e7e88884-en.

• OECD, AI Openness: A Primer for Policymakers, OECD Artificial Intelligence Papers, No. 44, 2025. DOI: 10.1787/02f73362-en.

• Stanford Institute for Human-Centered Artificial Intelligence, AI Index Report 2025, Stanford University, 2025.

• International Energy Agency, Energy and AI, 2025.

AI・雇用・自動化

• Paweł Gmyrek, Janine Berg and Marek Troszyński, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140, International Labour Office, Geneva, 2025. DOI: 10.54394/HETP0387.

• International Labour Organization, Generative AI and Jobs: A 2025 Update, 2025.

• International Labour Organization, Artificial Intelligence Adoption and Its Impact on Jobs, 2025.

• Daron Acemoglu and Pascual Restrepo, “Automation and New Tasks: How Technology Displaces and Reinstates Labor,” Journal of Economic Perspectives, Vol. 33, No. 2, 2019, pp. 3–30.

• Daron Acemoglu, Fredric Kong and Pascual Restrepo, Tasks at Work: Comparative Advantage, Technology and Labor Demand, NBER Working Paper No. 32872, 2024, revised 2025.

• Pascual Restrepo, Automation: Theory, Evidence, and Outlook, NBER Working Paper No. 31910, 2023.

公開知識・データ・生成データ

• R. Maria del Rio-Chanona, Nadzeya Laurentsyeva and Johannes Wachs, “Large Language Models Reduce Public Knowledge Sharing on Online Q&A Platforms,” PNAS Nexus, Vol. 3, No. 9, 2024, pgae400. DOI: 10.1093/pnasnexus/pgae400.

• Gordon Burtch, Dokyun Lee and Zhichen Chen, “The Consequences of Generative AI for Online Knowledge Communities,” Scientific Reports, Vol. 14, 2024, Article 10413. DOI: 10.1038/s41598-024-61221-0.

• Shayne Longpre et al., “Consent in Crisis: The Rapid Decline of the AI Data Commons,” arXiv:2407.14933, 2024. 査読前論文。

• Ilia Shumailov et al., “AI Models Collapse When Trained on Recursively Generated Data,” Nature, Vol. 631, 2024, pp. 755–759. DOI: 10.1038/s41586-024-07566-y.

• Matthias Gerstgrasser et al., Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data, arXiv:2404.01413, 2024. 査読前論文。

• Elvis Dohmatob, Yunzhen Feng and Julia Kempe, Strong Model Collapse, arXiv:2410.04840, 2024. 査読前論文。

相互運用性・データポータビリティ・公共計算資源

• European Parliament and Council of the European Union, Regulation (EU) 2022/1925, Digital Markets Act.

• European Parliament and Council of the European Union, Regulation (EU) 2023/2854, Data Act.

• European Commission, Data Act Explained, Chapter VI: Switching between Data Processing Services.

• European Commission, Digital Markets Act Developer Portal, Interoperability and End User Data Portability.

• EuroHPC Joint Undertaking, AI Factories.

• Council Regulation (EU) 2026/150, 2026.

• EuroHPC Joint Undertaking, Call for Tenders for the Selection of Artificial Intelligence Gigafactory Consortia, EUROHPC-2026-CEI-AIGF-01, 2026.

• European Commission, InvestAI, 2025.

• European Commission, AI Continent Action Plan, 2025.

公共資産・社会的配当

• Alaska Permanent Fund Corporation, Annual Report 2025.

• State of Alaska, Department of Revenue, “Department of Revenue Announces 2025 Permanent Fund Dividend Amount,” 2025.

• State of Alaska, House Bill 53.

• Norges Bank Investment Management, Government Pension Fund Global Annual Report 2025.

制度論・所有・自由

• Jacob S. Hacker, “The Institutional Foundations of Middle-Class Democracy,” Policy Network, 2011.

• Philip Pettit, Republicanism: A Theory of Freedom and Government, Oxford University Press, 1997.

• Elinor Ostrom, Governing the Commons: The Evolution of Institutions for Collective Action, Cambridge University Press, 1990.

• Thomas Piketty, Capital in the Twenty-First Century, Harvard University Press, 2014.