AI格差は「使える／使えない」では終わらない──AIが変える生産関数と、知的貧困の未来
先日、Andreessen Horowitz（a16z）の「State of Markets II」を読んでいて、気になる数字があった。
2026年4月時点で、米国の世帯のうち何らかのAIサービスに課金している割合は、まだ約2%だという。
一方でAI向けコンピュート需要は依然として供給を上回り、GPUは猛烈に使われ続けている。
a16zの記事が示す2026年4月時点の課金状況を見ると、
有料AIの家計への浸透は、少なくとも当時はまだ初期段階だった。
ただし、課金率は利用率でも習熟度でもない。無料利用や企業負担の契約もあるため、2%という数字から本格利用者の割合を直接推定することはできない。
この数字を見ていて、ひとつ気になった。
これから生まれる「AI格差」は、これまでのデジタルデバイドと少し性質が違うのではないか。
パソコンを持っているか。
高速回線を使えるか。
検索エンジンを使えるか。
もちろん、こうしたアクセス格差も重要だった。
だが生成AIの場合、差がつくのは単に「使える／使えない」だけではない。
知識量、思考量、試行回数、そしてアクション量そのものに差がつく。
さらに、その差が翌日の能力に持ち越される。
だからAIは、単なる「1時間の仕事を40分にする効率化ツール」ではない。
もしかすると、
「人間＋AI」という学習システムそのものの成長率を変える技術
なのではないか。
もしそうなら、AI格差は時間とともに複利で広がる可能性がある。
AI課金は「Netflixへの課金」とは少し違う
AIに毎月数千円、あるいは数万円を払う。
一見すると、NetflixやSpotifyなどへのサブスクリプションと同じに見える。
だが経済的な意味はかなり違う。
Netflixに課金すると、より多くの娯楽を消費できる。
一方、AIに課金すると、
調査が速くなる
文章を書ける
データ分析ができる
コードを書ける
外国語を扱える
思考の壁打ちができる
専門領域を学べる
アイデアを大量に試せる
一部の仕事をエージェントへ委譲できる
可能性がある。娯楽サービスも学習や創作を支えることがあるため、ここでの対比は排他的な分類ではない。
つまりAIへの支払いは、単なる消費だけにとどまらず、自分の生産能力に対する支出という側面を持つ。
ただし、ここは少し厳密に考えた方がいい。
月額料金を払った瞬間に、それがすべて「投資」になるわけではない。
経済学的には、AIサブスクリプションそのものは、
「知的生産設備を借りるためのリース料」
に近い。
本当の資本になるのは、そのAIを使う過程で蓄積される、
Skill
Knowledge
Data
Workflow
Prompt / Instruction
Automation
Agent
組織内ノウハウ
の方だ。
言い換えるなら、
AI課金は知的生産設備のリース料。
AIを通じて蓄積されるSkill・Data・Workflow・Agent・Knowledgeが資本投資。
と考えると整理しやすい。
「60分→40分」だけなら、まだ話は単純だ
AIによって60分の仕事が40分になったとする。
これは大きな効率化だ。
しかし、その20分を別の調査や学習、実験に使う。
そこで得た知識によって、次にAIへ投げる質問の質が上がる。
良い回答を得て、新しいWorkflowを作る。
Workflowの一部を自動化する。
その結果、翌日はさらに多くの仕事をAIへ任せられる。
すると、
AIを使った成果が、次回のAI活用能力を高める
という循環が始まる。
従来の効率化
60分の仕事
↓ AI
40分で終了
AIの複利
AIを使う
知識量が増える
思考・仮説の回数が増える
実験・アクションが増える
経験・データが蓄積する
Workflow / Agentが改善する
さらに高度な仕事をAIへ渡せる
ここまで来ると、AIは「同じ仕事を速くやる道具」だけにとどまらずなる。
本人の学習速度と、できる仕事の範囲そのものを変える。
実際、AIによる生産性向上はすでに観測されている
これは完全な未来予想でもない。
2023年のNBERワーキングペーパーで、Brynjolfssonらが5,179人のカスタマーサポート担当者を調査した研究では、生成AIによって1時間あたりの問題解決数が平均14%増加した。
そして興味深いのは、初心者・低スキル層ではその改善幅が34%に達したことだ。
研究では、AIが優秀な従業員のベストプラクティスを他の従業員へ伝播させ、新人の学習を速めている可能性も示されている。
BCGのコンサルタント758人を対象にした別の実験でも、AIが得意とするタスクでは、AI利用者は25%以上速く仕事を終え、成果物の品質も40%以上向上した。
一方で、AIが不得意な領域では逆に正答率が下がるケースも確認された。
つまり重要なのは、
「AIを使うか、使わないか」ではない。
どの仕事を人間が行い、どこをAIへ任せ、どう組み合わせるか。
研究ではこれを「Jagged Technological Frontier（ギザギザした技術フロンティア）」として説明している。
Harvard Business School「Navigating the Jagged Technological Frontier」
AIは「生産関数」を変えるのか
ここで冒頭の問いに戻る。
AIへの課金を「生産関数への投資」と表現するのは正しいのか。
生産関数とは、時間・技能・設備などの投入から、どれだけ成果を作れるかを表す関係だ。材料だけでなく、厨房の道具や料理の手順が変われば、同じ時間でも作れる料理は変わる。ここで問うのは、AIがその「成果の作り方」を変えるのか、ということである。
かなり筋はいいと思う。
ただし、
AIを買うこと自体が生産関数を変えるのではない。
AIによって、
人的資本
業務プロセス
ソフトウェア
データ
組織設計
という補完的な資本が変化したとき、本格的な生産性向上が起こる。
この考え方は、Brynjolfsson、Rock、Syversonらが提唱した「Productivity J-Curve」とも重なる。
彼らはAIのようなGeneral Purpose Technologyが普及するとき、技術を導入するだけでは十分だけにとどまらず、
新しい業務プロセス、人的資本、ビジネスモデルなどへの補完的な無形資産投資
が必要になると論じている。
NBER「The Productivity J-Curve」
これは、企業が「全社員にCopilotを配ったのに、あまり生産性が上がらない」という現象も説明する。
AIのアカウントを配ることと、
会社の仕事の仕方がAI前提に再設計されること
は別だからだ。
AI格差には3段階ある
私はAIによる差を、少なくとも3段階に分けて考えると分かりやすいと思う。
Efficiency（効率化）：60分→40分。同じ仕事を速く終える。
Capability（能力拡張）：今までできなかったことができる。
Compounding（複利）：学習・仕組み・データが次回に残り、次の改善を助ける。
一番大きいのは3番目だ。
仮に2人の現在の能力を100とする。
AIを使うAさんは、
調査し、考え、制作し、フィードバックを受け、Workflowを改善する。
AIをほぼ使わないBさんは、これまで通り仕事をする。
最初の数日は大きな差ではない。
ところがAさんが120まで伸びたところで、次のAI利用が始まる。
すると、
120 × AI
と、
100
の競争になる。
差の上に、次の差が乗る。
これがAI時代の「認知資本の複利」だ。
個人では「課金格差」から始まる可能性がある
2026年現在、ひとつの分かりやすい変数がAIへの課金だ。
もちろん、有料AIを契約したから能力が自動的に高くなるわけではない。
しかし有料プランでは一般に、
高性能モデル
利用回数
長いContext
高度なTool
Agent
優先Compute
などへのアクセスが広がる。
たとえばGoogle Geminiの現行公式仕様では、AIプランなしでもFlash-Lite、Flash、Proへのアクセス自体は提供されている。
一方、利用上限は無料層を基準としてAI Plusで2倍、Proで4倍などと階層化され、Context Windowも、
AIプランなし：32,000 token
AI Plus：128,000 token
AI Pro / Ultra：100万token
と大きく異なる。
重要なのは、特定サービスの料金体系そのものではない。
お金を払うことで利用できる「知的計算資源」が増える
という構造だ。
Netflixへの課金なら、娯楽時間が増える。
AIへの課金では、
本人の調査量・思考量・制作量・行動量まで増える可能性がある。
だから格差が翌月へ持ち越される。
そして既に「利用する人」の偏りがある
ここで問題になるのが、誰がAIを先に使うのかという点だ。
OECDの2025年データでは、生成AI利用率には、
所得階層：約21ポイント
教育水準：約21ポイント
の差がある。
さらに年齢差は53.6ポイントに達する。
学生では16歳以上の約4分の3が生成AIを利用している。
これは「富裕層だからAIを使った」という因果関係まで証明する数字ではない。
しかし少なくとも、
AIによって既存格差を縮められる可能性がある一方、もともと教育・所得資本を持つ層ほどAIを早く取り込んでいる
という状況は既に観測されている。
ここに複利が乗ると面白くもあり、怖くもある。
AIは格差を縮めるのか、広げるのか
ここには一見矛盾する2つの力が働いている。
先ほどのカスタマーサポート研究では、AIの恩恵を最も大きく受けたのは初心者だった。
つまり、
熟練者の知識
AI
初心者へ移転
という現象が起きている。
これは明確に格差圧縮作用だ。
しかし、
AIを大量に使う人
知識・Skill・Workflow蓄積
さらにAIを高度利用
成果・所得増加
さらにAIへ投資
という循環も存在する。
こちらは格差拡大作用になる。
そこで私は、この現象を
「AI Compression / Compounding Paradox」
と捉えると分かりやすいと思う。
これは個別研究と蓄積の仕組みから組み立てた本稿の仮説であり、すべての仕事や集団に成立すると実証された法則ではない。
同じAIへアクセスできる集団の中では能力差を圧縮し得る。
一方で、AIを継続的に活用・蓄積できる主体とできない主体の間では、格差を複利で拡大する。
Within-groupでは縮小。
Between-groupでは拡大。
両方が同時に起き得る。
大企業はAI時代に不利なのか
次に企業について考えてみたい。
直感的には、
「巨大企業や保守的な組織は意思決定が遅いため、AI導入でもスタートアップに負ける」
と思いやすい。
だが実態はもう少し複雑だ。
OECDでは2025年にAIを利用している企業は、
大企業52.0%に対して、小企業17.4%。
むしろ大企業の方が導入率は圧倒的に高い。
米国Census Bureauでも、2026年5月3日までの調査で、250人以上の企業では37%がAIを利用していた一方、全体では19.8%だった。
米国Census Bureau「Large Firms With at Least 20 Employees Biggest AI Users」
両調査は対象・AIの定義・企業規模区分が異なり、国際的な同一ランキングではない。
つまり、
Accessでは大企業が強い。
理由は分かりやすい。
予算がある
IT部門がある
データを持っている
AI人材を採用できる
Microsoft、Google、AWSなどと大規模契約できる
SecurityやComplianceの専門組織もある
からだ。
しかし、別の問題がある。
「導入」と「Transformation」は違う
全社員へCopilotを配ることはできても、
Legacy System
データ権限
Compliance
稟議
職務分掌
人事制度
KPI
評価制度
までAI前提に作り直すのは簡単ではない。
したがって大企業には、
大企業のAIパラドックス
が起こり得る。
Access → 大企業が速い
Experiment → 個人・Startupが速い
Transformation → 組織能力で決まる
企業間でも「AIをどこまで仕事に入れているか」の差が広がる
OpenAIが2026年に公開した企業利用データも興味深い。
企業を1ユーザーあたりのAI出力token量で並べると、利用量上位10%の「Frontier firms」は、中央値付近の企業に比べて8.3倍のtokenを生成していた。
1月時点では2.6倍だったため、利用の深さの差は短期間でかなり広がっている。
もちろんtoken数そのものが事業価値ではない。
OpenAI自身もそう注意している。
それでも、
「AIへどれだけ本格的な仕事を任せているか」
を見る代理指標としては興味深い。
https://openai.com/signals/enterprise-data/
つまり企業でも、
AIを導入している企業
vs
AIを仕事のOperating Systemへ組み込み始めた企業
の差が生まれ始めている。
国家間では、さらに巨大な格差になり得る
個人や企業だけではない。
同じ構造は国家レベルでも起こる。
World BankはAIを活用するための基盤を、
Connectivity
Compute
Context
Competency
の「4C」で整理している。
その中でも特にComputeの差は大きい。
2025年6月時点で、高所得国は世界のコロケーション型データセンター容量の77%を占めている。
低所得国は0.1%未満だ。
World Bank「Strengthening AI Foundations」
これは単なる「サーバーの数」の問題ではない。
Compute
AI企業
AI人材
AI活用
企業生産性
所得・税収
さらにComputeへ投資
という国家規模の正のFeedback Loopを作り得る。
IMFの2025年のモデル分析では、AIによる今後10年間の所得水準の押し上げ効果は、先進国で低所得国の最大で約2倍になる可能性が示されている。
もちろんこれは実測だけにとどまらず、一定の仮定に基づくモデル分析だ。
それでも、「既存のデジタル・人的資本・制度基盤を持つ国ほどAIの利益も取り込みやすい」という問題を示している。
IMF「The Global Impact of AI: Mind the Gap」
それでも私は、AIについてかなりポジティブな可能性も感じている
ここまで書くと、
「AIによって格差社会がさらに酷くなる」
という話に見える。
しかし、それだけではない。
むしろAIには、
「絶対的な知的貧困」を歴史的規模で減らせる可能性
がある。
ここで、「相対格差」と「絶対水準」を分けて考える必要がある。
仮に知的サービスへアクセスできる能力を、説明のためだけに数値化してみる。
低所得層：20 → 70
中間層：50 → 120
富裕層：100 → 250
※これは概念説明用の仮想値であり、実測データではない。
この場合、
富裕層と低所得層の差は、
80 → 180
へ広がっている。
絶対差は拡大した。ただし、この例では相対比率は縮小している。
富裕層／低所得層の比率は100÷20＝5倍から、250÷70≒3.57倍へ下がる。「差が広がった」ときは、差額なのか比率なのかを区別したい。
しかし低所得層自身は、
20 → 70
へ大きく改善している。
つまり、
全員の能力が上がることと、格差が広がることは両立する。
AIではこの現象がかなり起きるのではないか。
AIは「専門知へのアクセス」を民主化できる
人間による専門サービスには、昔から強烈な供給制約があった。
家庭教師。
キャリア相談。
法律相談。
プログラミング教育。
語学教師。
医療情報の整理。
経営相談。
研究支援。
どれも基本的には、
専門家の人数 × 専門家の時間
以上には供給できない。
優秀な専門家ほど価格も高くなる。
だから所得がアクセスを左右してきた。
ところがAIは、
優れた知識・ノウハウ
AIモデル
非常に低い追加コストで複製
数億人へ知的支援を提供
という構造を作れる。
もちろん、人間の教師、医師、弁護士、カウンセラーなどをすべて置き換えられるという話ではない。
重要なのは、
「誰にも相談できない」から「かなり優秀なAIには相談できる」への変化
だ。
この改善幅は極めて大きい。
検索エンジンより、もう一段深い民主化
インターネットは、
情報へのアクセス
を民主化した。
検索エンジンは、
必要な情報を探す能力
を民主化した。
生成AIはさらに、
情報を理解し、加工し、自分の状況へ適用する能力
まで民主化し始めている。
Wikipediaの記事を渡されても理解できない人はいる。
行政文書を読んでも、自分が何をすべきか分からない人もいる。
しかしAIなら、
「小学生にも分かるように説明して」
「私の場合は何が該当する？」
「この書類のどこを書けばいい？」
「3つの選択肢を比較して」
「次にやることを順番に教えて」
まで聞ける。
つまりAIは単なる情報アクセスだけにとどまらず、
「知的支援へのアクセス」
を民主化する技術になり得る。
Small AIは途上国にも大きな意味を持つ
国家格差の話でも、悲観だけではない。
World Bankは、巨大なAIモデルや大規模データセンターを自前で持たなくても、軽量で安価な「Small AI」を利用することで、途上国でも医療、農業、小規模事業などに大きな効果を出せる可能性を指摘している。
つまり、
AIを「作れる国」でなくても、「利用する国」としてLeapfrogできる可能性がある。
スマートフォンが固定電話網を十分に整備していなかった国へ一気に普及したように、
AIでも、
既存の専門サービス供給網が不足している地域ほど、一足飛びに知的サービスへアクセスできる
可能性がある。
これはAI格差を考えるとき、かなり重要な希望だと思う。
将来、「最低限のAI」は社会インフラになるのかもしれない
ここまで考えると、ひとつ政策的な問いが出てくる。
将来的に、
「一定水準以上のAI Intelligenceへ誰でもアクセスできること」
は、教育や図書館、インターネットのような社会基盤として考えられるようになるのではないか。
私は必ずしも「最新・最高性能モデルを全員へ無料提供すべきだ」とは思わない。
むしろ重要なのは、
1. Basic Intelligence Guarantee
教育、行政、就職、日常生活に必要な最低限のAIを低価格または無料で利用可能にする。
2. Public AI Infrastructure
学校、図書館、自治体、職業支援施設などからAIを利用できるようにする。
3. AI Literacy
「便利なPrompt集」を覚えるのだけにとどまらず、
問いを立てる
AIへ依頼する
出力を検証する
複数案を比較する
自分で意思決定する
能力を身につける。
4. Human Escalation
医療・法律・福祉など高リスク領域では、人間の専門家へ適切に接続する。
という仕組みの方が重要だと思う。
なぜなら、
AIが無料で置いてあることと、それを使って自分の問題を解けることは同じではない
からだ。
図書館が無料でも、全員が同じだけ知識を得るわけではない。
AIも同じだ。
AI Access Divideの次に「AI Capital Divide」が来る
モデルそのものは、長期的には安くなる可能性が高い。
今日の高性能モデル相当が、数年後には無料または端末上で動くかもしれない。
そうなれば、
「AIへ一度質問できるか」
というAccess格差は縮小する可能性がある。
しかし別の格差が残る。
2024〜
Access Divide
AIを使えるか
Quality / Quota Divide
どのモデルを
どれだけ使えるか
Usage Divide
どこまで仕事・学習に
組み込めるか
Agent Divide
どこまで仕事を
AIへ委譲できるか
AI Capital Divide
Skill / Data / Workflow /
Agent / Knowledgeの蓄積差
Compounding Divide
「自己改善速度」そのものの差
最初のモデルアクセスが平等になっても、
それまで数年間に蓄積された、
AI Literacy
Knowledge
個人データ
業務データ
Automation
Agent
Workflow
Reputation
資産
まではリセットされない。
だから私は、
AI Access Divideより、AI Capital Divideの方が長期的には重要
なのではないかと思っている。
個人・企業・国家で、同じ構造が入れ子になる
この議論を整理すると面白い。
個人
AI
学習・思考・実験量
人的資本
成果・所得
さらにAI利用
企業
AI
Workflow・Data・Agent
組織生産性
利益
AI・人材・Computeへ再投資
国家
AI基盤
企業・行政・教育の生産性
所得・税収
人材・Compute・研究開発
さらにAI基盤が強化
構造はほとんど同じだ。
個人
チーム
企業
産業
地域
国家
各階層で
AI利用
能力蓄積
成果
再投資
だからAI導入を放置した場合、
単に「事務作業が少し遅い」程度では済まない可能性がある。
人、組織、地域、国家そのものの成長率が違ってくる。
そうなると、数年の導入遅れが後から簡単に取り戻せるとは限らない。
では、何をKPIにすべきなのか
ここまで考えると、
「社員の何%が生成AIを使っています」
というKPIだけではかなり弱い。
個人でも、
「ChatGPTを1日何時間使いました」
だけでは本質を測れない。
見るべきなのは、
AIによって何回多く学習・思考・実験・実行ループを回せたか
ではないか。
たとえば、
新しい仮説を何個検証したか
顧客理解を何回更新したか
新しいSkillをいくつ獲得したか
Workflowを何本改善したか
Agentへ何工程を移管したか
意思決定までの時間がどれだけ縮まったか
人間しかできない判断へ何時間再配分できたか
を見る。
AI時代の競争力は、
AIを何回呼び出したか
だけにとどまらず、
AIによって自己更新ループをどれだけ高速化したか
で測る方がいいのかもしれない。
AIは格差を広げるのか──私の暫定的な答え
ここまで考えてきた結論は、「Yes / No」ではない。
AIには、
相対的な格差を広げる力
と、
同時に、支援が届く範囲は広がる
の両方がある。
高所得・高教育・先進企業・先進国ほどAIを早く使い、
Skill、Data、Workflow、Agentという資本を蓄積していけば、
競争力の差はむしろ拡大するかもしれない。
一方で、
これまで家庭教師を雇えなかった人。
専門家へ相談できなかった人。
外国語の情報へアクセスできなかった人。
プログラミングを学ぶ機会がなかった人。
近くに専門家がいなかった地域。
そうした人々に、
24時間利用できる一定水準の知的支援
を極めて低いコストで届けられる可能性もある。
だからAI社会について考えるとき、
「格差が広がるから危険だ」
だけでも、
「AIが民主化するから大丈夫だ」
だけでも不十分だと思う。
目指すべきなのは、おそらく、
絶対的な知的貧困を最大限圧縮しながら、AIによる複利格差が固定的な階級にならない社会
なのだろう。
そして個人や企業については、もう少し切迫している。
AIを「便利な検索窓」として見る限り、導入を半年遅らせても大きな問題には感じない。
しかし、
AIが自分という生産システムの改善速度そのものを変える
と考えるなら話は変わる。
今日の差は、小さい。
1回多く調べた。
1つ多く仮説を考えた。
1本多くコードを書いた。
1つ多く新しいことを学んだ。
その程度かもしれない。
しかし、それが毎日蓄積する。
だから数年後に振り返ったとき、
AI格差の本当の意味は、
「あの人は良いAIを使えた」という差だけにとどまらず、
「あの人と私は、数年間まったく違う速度で学び続けていた」という差
として現れるのかもしれない。
それは、単なるデジタルデバイドよりも大きな意味を持つ。
同時に、人類史上もっとも安価に「知的支援」を配れる時代の始まりでもある。
この二面性こそ、これからAI格差を考えるうえで最も重要なポイントだと思う。
読み進めるための参考書
無形資産が経済をどう変えるかを考える補助線として、Jonathan Haskel・Stian Westlake『Capitalism without Capital』が参考になる。本稿の「AIを使って残る資本」という見方に近い背景を扱うが、AI複利仮説を直接実証した本ではない。
Amazonで『Capitalism without Capital』を探す
※本文の公開仕様・出典確認日：2026年10月4日。数値は各資料の対象時点の値であり、複利・政策・将来像は筆者の試論です。
