AIで「キャリアの梯子」はどう変わるのか──スタンフォード大学のブリニョルフソン教授が語る、若手雇用の13%減と「AI＝意図の増幅」
マッキンゼーのポッドキャスト「McKinsey Talks Talent」に、スタンフォード大学のエリック・ブリニョルフソン教授が出演しました。経済学者として、AIの生産性への影響を長く研究してきた人物です。話題はAIによる生産性の向上がなぜ時間がかかるのか、若手の雇用に何が起きているのか、そして企業と個人は何をすべきかに及びました。司会はルシア・ラヒリー氏、マッキンゼーのブルック・ウェドル氏とブライアン・ハンコック氏が加わっています。
1. 生産性の向上に時間がかかる理由：「Jカーブ」
効果が出るのは、見えない投資が終わってから
マッキンゼーが「AIパラドックス」と呼ぶのは、企業がAIに巨額を投じているのに、全社規模の価値や収益がまだ見えにくいという状況です。ブリニョルフソン教授は、これを「生産性のJカーブ」で説明します。強力な技術の恩恵を受けるには、プロセスの変更、従業員の再教育、時には新しい製品やサービスの発明といった無形の投資が必要です。大規模言語モデルを買うことは、むしろ簡単な部分で、本当に大変なのはこちらだというのが同氏の見方です。この間は投資が成果にすぐ結びつかず、無形の投資が整ってから、ようやく収穫が始まります。
国の統計にはまだ早く、企業単位では見え始めている
教授は、国の生産性統計には現れ始めているかもしれないが、断定するには早いと慎重です。一方、個別の企業では、うまく展開できたところで大きな成果が出ていると言います。問題は、それが経済全体に広がっていない点で、いずれ広がるだろうと述べました。
ウェドル氏は、クライアントとの仕事の70〜80%は、何を自動化するか、どの技術を入れるかではなく、新しい役割、その役割の行動、必要なスキル、成功を支える考え方にかかっていると説明します。教授はこれに同意し、職業を「タスクの束」に分解して見ることを勧めました。AIはメモの作成や文書の分析は助けますが、箱を持ち上げる作業は助けません。どの職業も、効果が大きい部分と小さい部分があるため、管理職はタスクを組み替え、束ね直す必要があり、これには大きな創造性がいると述べています。
2. AIは人を「置き換える」より「拡張する」べきだ
チューリング・テストは「ひどい経営戦略」
教授は、多くの技術者が人間を模倣するAIを作ることに夢中だと指摘します。AIが人間と区別できなければ成功とするチューリング・テストは、面白い発想ではあるものの、ビジネス戦略としては「ひどい」と言います。むしろ、人間がすでに得意なことではなく、AIが得意なことに集中させるべきで、そうすれば、AIは代替ではなく補完になります。
「人員削減」だけで測るCFO
教授が最近話したあるCFOは、AIの投資対効果をもっと測りたいと言い、各部門でどれだけ人員を減らせたかを見ると話したそうです。教授はこれを「非常に狭い指標」と述べました。ただ、コストの発想は広く浸透しており、それは最も測りやすいからだとも認めています。大きな上振れは、人がこれまでやったことのない新しいことをできるようになる点にあるというのが、教授の主張です。
コーディングに見る置き換えと拡張の共存
最も速く進んでいるのはコーディングです。同じ職種の中でも、置き換えと拡張が混在しています。定型的な作業はAIエージェントが担う一方、シニアのエンジニアは、1〜2体ではなくエージェントの「群れ」を動かし、はるかに多くのことができるようになっています。人の仕事は組み替えられ、バランスが変わっていますが、本当に面白いのは、これまでできなかった新しいことができるようになる場面だと述べています。
3. 測れるものが企業の成否を分ける
ADPのデータ：雇用には影響、賃金はまだ大きくは動かず
教授はADP（世界最大の給与処理会社）と協力し、データを分析しました。雇用面ではかなり目立つ影響があり、職業によって雇用が減るものと増えるものがありました。その違いは、年齢とAIへの露出度に強く左右されます。一方、賃金面では、大きな変化は見られなかったとのことです。
「入力」だけでなく「出力」を測る
ウェドル氏は、多くの企業がまず人の業績管理のやり方を見直しており、エージェントの業績管理も課題になっていると述べます。教授は、最も成功する企業は、測ることに最も長けた企業だと答えました。経済学者は生産性を「入力あたりの出力」と定義しますが、多くの人は入力しか見ていません。出力の側では、品質の向上、顧客サービスの改善、新製品、従業員の離職の減少なども指標になりえます。
多くの企業は、すでに持っている管理データの量を過小評価していると言います。企業をデータで計測できるようになれば、技術を展開したとき、細かい指標がどう動くかを追えます。さらに、単なる相関ではなく因果関係を見る必要があり、差の差分法や操作変数法といった経済学の手法を使うべきだと述べました。教授は、経済学で起きた「信頼性革命」をビジネスデータにも持ち込むことを自身の使命としています。
上位の人材のやり方を「型」にする
クライアント自身のデータを使い、ボトムアップで評価すると、どの企業でも同じパターンが見えるといいます。成果のべき乗分布で、10倍、20倍の成果を出す人が少数いる、という構図です。各職種で、その上位層が何をしているかを捉えて形式知にし、組織に共有すれば、全体を底上げする「簡単な勝ち筋」になります。ウェドル氏は、「千の花を咲かせよう」という段階の企業が、次にトップダウンで価値に結びつける段階へ移ろうとしていると述べ、教授も、ボトムアップとトップダウンの両方が必要だと応じました。
4. トークンのコストを、人もエージェントも見積もれない
教授が注目する新しい問題が、AIエージェントのコストです。数カ月前まで、人々はトークンを使えるだけ使い（token maxing）、コストを気にしていませんでした。いまは、トークンに数千万ドルを使う企業もあり、コストが一次的な課題になっています。問題は、あるタスクにどれだけのトークンがかかるかが事前にわからず、エージェント自身も見積もりが非常に下手なことです。プロジェクトを始められない、あるいは途中まで進んで終わらない、といった事態が起こりえます。人、トークンなどにどれだけの費用がかかるかを理解する研究が必要だというのが、教授の見立てです。
5. キャリアの梯子：若手雇用に現れた影響
「準備はできていない」
ラヒリー氏が、産業革命以来の大変革に備えられているかと問うと、教授は「できていない」と明言しました。シリコンバレーでは、能力向上のために数千億ドルが投じられていますが、雇用、生産性、富、所得、賃金、権力の集中か分散かといった帰結への理解は乏しく、ほとんど投資もされていません。これが今後10年ほどの最大の課題だと述べます。生産性には楽観的だが、不平等、権力の集中、そして「パイが大きくなっても」多くの人にとって混乱が大きくなることを心配している、という立場です。
22〜26歳、最も影響を受ける職種で13%から16〜17%へ
教授の研究では、雇用が縮んでいたのは、AIへの露出が最も大きい職種の、22〜26歳の入口の層でした。約700の職種をAIへの露出度でランク付けし、最上位の五分位（約150職種）を見ると、当初の研究では若手の雇用が約13%減でした。その後も毎月データを集めており、現在は16〜17%に拡大しています。影響は時間とともに大きくなっている、と述べました。
「私の世代は終わりなのか」
教授は、1カ月ほど前に研究室を訪ねたスタンフォードの卒業予定の学生の話を紹介しました。彼女は仕事がなく、友人も同じ状況で、「私の世代は終わりなのでしょうか」と尋ねたそうです。教授は、データでも同じ傾向が見えるため、これを軽く扱わなかったと言います。仕事が失われていることは否定せず、同時に、新しい機会も生まれていると伝えたといいます。
「AI」を「Amplifying Intention」と読み替える
教授は、最後の授業で学生に、AIを聞いたときに「人工知能」ではなく「意図の増幅（amplifying intention）」と考えるように伝えたそうです。意図があれば、AIはこれまでよりはるかに多くのことを可能にします。そのためには、誰かに仕事を決めてもらうのではなく、自分が創り手になる主体性と積極性が必要だと述べています。
ピラミッドは「ダイヤモンド」に
多くの企業や大学では、新人が入って階段を上るピラミッド型の構造が、底辺の細い「ダイヤモンド」型に変わりつつあると教授は言います。短期的にはコスト削減になりますが、入口の層がいなければ、将来の中間管理職や中堅、さらにシニアをどこから連れてくるのか、という問題が生じます。対策として、教育や再訓練への公的投資、そして企業の側でAIを活用した個別最適の教育があげられました。
6. 企業はどう再設計すべきか
「効率化に直行するのは、怠惰だ」
教授は、これは「設計の問題」であり、受け身でいるべきではないと述べます。マッキンゼー側の発言として、組織のピラミッドをどう進化させるかに唯一の正解はなく、どこで価値が生まれるか、人とエージェントの役割をどう分けるかを考えたうえで、それを支える人材の仕組みを考える流れになる、という指摘がありました。教授はさらに、多くの組織が効率化に直行していることを「正直、少し怠惰だ」と述べ、コスト削減は測りやすいが、新しい価値の源泉を見つけて従業員に投資するほうが持続可能だと続けました。従業員にAIを「人員削減の道具」と伝えれば、抵抗も強まるとも指摘しています。
歴史を振り返れば、新技術が登場しても賃金と雇用は伸びてきたといいます。電気の例が引かれました。工場に電灯を付けるだけでなく、工場全体を電化し、工場の運営を根本から考え直すことが必要だったように、AIでも、社会レベル（教育、スキルのシグナル）と、企業・ワークフローのレベルの両方で設計が求められます。教授は、タスクを「原子単位」として理解することが、再設計の出発点だと述べました。
「何もしないことが、いちばん危険」
既存のものを自動化するのは創造性がさほど要りませんが、まったく新しいものを想像するのは難しいと言います。それでも教授は、やらないほうがリスクだという立場です。同じことだけに集中して成功した企業も国も個人もないと述べ、地平を広げることが米国を成功させたと語りました。
小さな事業にとっての機会
小規模事業者にとっては、これまで手の届かなかった人材や能力に、AIでアクセスできるようになる点が大きいといいます。たとえば、バックオフィス業務を任せるために、診療所を私募ファンドの傘下の医療グループに売却せざるを得なかった医師が、AIツールで自分の事業を保ったまま成長できるかもしれません。「一人のユニコーン企業」は誇張でも、少人数でAIを活用して大きな成果を上げられるのは、誇張ではないという見立てです。
マッキンゼー側からは、あるクライアントが「エンジン1」（現行事業）と「エンジン2」（AIネイティブな新事業）と呼ぶ方式が紹介されました。エンジン2は具体的な成果が早く出ますが、エンジン1に残された人の扱いをどうするかという懸念があり、どちらが規模拡大の答えになるかは、まだ見極め中だそうです。
知識の共有と、熟練者を守ること
教授は、AIがウェブや書籍のコンテンツを増やし続けることへの懸念に触れ、人間の創作者が価値を生み続けるインセンティブが必要だと述べました。現行の著作権法は、必ずしも創作者に報いておらず、創作への報酬と利用への報酬のバランスを見直す必要があるといいます。
企業内でも同じ問題があります。コールセンターの論文では、経験の浅い従業員がAIから最も大きな恩恵を受け、最も熟練した従業員にほぼ並ぶ成果を出しました。その結果を見て、熟練者を雇う必要がなくなったと考える経営者もいたそうですが、教授はそれを「非常に近視眼的」だと述べます。知識はもともと熟練者から生まれたもので、その答えは組織全体に複製されるため、熟練者の価値はむしろ高まっています。今日の成果だけでなく、その知識が将来生む価値に対して報いる必要がある、というのが教授の主張です。
7. リーダーと次世代へのメッセージ
成功している例は少ない
ラヒリー氏が、リーダーに必要な能力を尋ねると、教授は、成功している例は多くなく、取り組みの難しさは過小評価されていると答えました。協働している企業としてNASDAQを挙げ、LLMの登場以前から組織を作り替えてきたリーダーシップが、いまも生きていると評価しています。多くの経営陣は、いまうまく回っているものを守りたいため、CEOが前に出て、システムに「揺さぶり」を与える必要があるとも述べました。
ウェドル氏は、クロスファンクショナルな議論では「自分の領域はうまくいっている」と防御的になりやすいと述べ、オープンさを生む場づくりが必要だと指摘しました。ハンコック氏は、組織内の「マーベリック」（既成の枠に挑む人）を把握し、変革に戦略的に配置しているかを、CEOやCHROが自問すべきだと提案しています。
子どもに必要なスキル
「大学生の子どもを持つ親の悩み」に対し、教授は特定のスキルより、広い枠組みを挙げました。自分が本当に何をしたいのかという意図を持つこと、プロジェクトを指揮する人になること、新しいアイデアを出す人になることです。ほとんどの人が、1体ではなくエージェントの「群れ」を管理するようになり、小さな組織のCEOのようにリーダーシップを発揮し、エージェントを正しい方向に向けて評価できる人が伸びると述べています。
政策面では、起業を支える投資を増やすべきだと答えました。過去数十年、技術は進んだのに生産性があまり伸びなかった理由の一つは、経済のダイナミズムの低下にあり、シリコンバレーを除けば、米国全体で起業は減っているといいます。起業とダイナミズムが増えれば、技術の恩恵も大きくなる、という見立てです。
