AIによる雇用喪失と労働市場の再構築：AIが仕事を再定義する時代に人類はどう居場所を見つけるか

2025年5月、IBMは約7,800のバックオフィスポジションの採用を一時停止すると発表した。これらの職務は5年以内にAIに代替されるとの理由である。^[1]同年、全米脚本家組合（WGA）は148日間のストライキの末、AI使用制限が中核条項となる合意に達した。脚本家たちが闘ったのは賃上げではなく、「代替されない権利」であった。^[2]この二つの出来事は一見無関係に見えるが、同一の根本的な問いを指し示している。AIシステムが人間の作業タスクをますます遂行できるようになった時、数億人の労働者はどこへ向かうのか。これはSFではない。マッキンゼー・グローバル・インスティテュート（2023年）の推計によれば、生成AIは2030年までに現行の業務活動の60〜70%を自動化する可能性があり、世界で約3億人分のフルタイム雇用に影響を及ぼす。^[3]世界経済フォーラムの『Future of Jobs Report 2025』は、2030年までに世界で9,200万の雇用が消失する一方、1億7,000万の新規ポジションが創出され、純増は7,800万と予測している。^[4]しかし「純増」という楽観的な語りは、残酷な分配問題を覆い隠している。職を失う者と新しい職を得る者は、往々にして同一人物ではないのだ。ケンブリッジ大学での多国間政策研究の経験と、現在Meta Intelligenceで企業のAI変革を支援する実践を通じて、筆者は深く認識している。AIの雇用への影響は純粋な技術的問題ではなく、分配的正義、教育制度、そして社会契約の根本的な再構築を伴うガバナンス上の課題である。

一、AIオートメーションの労働市場への影響：データ、モデル、論争

AIが労働市場に与える真の影響を理解するためには、まず三つの異なるが頻繁に混同される概念を区別する必要がある。技術的実現可能性――AIが技術的にある作業を遂行できるか。経済的実現可能性――人間の労働をAIに置き換えることが経済的に合理的か。導入速度――企業と社会が実際にAIを展開するペース。これら三つの次元の間には大きな乖離があり、「AIがXX%の職を代替する」というセンセーショナルな予測の大半は、技術的実現可能性のみを考慮し、後者二つの制約を無視している。

FreyとOsborneの先駆的研究。2013年（正式発表は2017年）、オックスフォード大学のCarl Benedikt FreyとMichael Osborneは、米国の雇用の47%が自動化の高リスクに直面しているとの推計を発表した。^[5]この数字は広く引用されたが、深刻な方法論的批判も招いた。Frey-Osborneモデルは「職業」レベルで分析を行い、ある職業全体が「自動化可能」かを判定する。しかし、OECDのArntz、Gregory、Zierahn（2016年）は、自動化は「職業」レベルではなく「タスク」レベルで作用すると指摘した。大半の職業は自動化可能なタスクと不可能なタスクの混合を含んでおり、完全に消滅する職業は47%という数字が示唆するよりはるかに少ない。タスクレベルで再推計すると、OECD諸国で自動化の高リスクに直面する雇用は平均9%にとどまった。^[6]

AcemogluとRestrepoの均衡モデル。MITのDaron Acemoglu（2024年ノーベル経済学賞受賞者）とPascual Restrepoは、自動化が労働市場に与える影響を分析するためのより精緻な理論的枠組みを構築した。^[7]彼らのモデルは二種類の効果を区別する。「代替効果」――自動化がある作業における人間の労働を置き換え、賃金と雇用を押し下げる効果。そして「生産性効果」と「復元効果」――自動化が生産性を向上させ、コストを削減し、生産量を増加させると同時に、人間の労働を必要とする新たなタスクを創出する効果。自動化の雇用への純効果は、これらの効果の相対的大きさに依存する。AcemogluとRestrepoは、1990年から2007年にかけての米国における産業用ロボットの普及を対象とした実証研究で、労働者1,000人当たり1台のロボットの追加が、地域の雇用を0.2パーセントポイント、賃金を0.42%低下させることを発見した。代替効果は有意に正であったが、部分的に相殺された。^[8]

生成AIの「認知革命」。上述の研究の大半は産業オートメーション（ロボティクス）または初期AIに基づいていたが、2022年以降の生成AIの爆発的成長は質的転換をもたらした。従来のオートメーションは主に「定型的」タスク――物理的（工場の組立）であれ認知的（データ入力）であれ――に影響を与えていた。しかし、GPT-4やClaudeなどの大規模言語モデルは、「非定型認知」タスク――文章作成、プログラミング、法律分析、医療推論――において驚異的な能力を示した。これらはまさに、以前は自動化に抵抗的と考えられていたホワイトカラー専門職の仕事である。^[9]Eloundouら（2023年）は、米国の労働市場におけるすべての職業のタスク露出度を分析し、米国の労働力の約80%がGPTモデルによって少なくとも10%の作業タスクに影響を受け、19%の労働者は50%以上のタスクが影響を受けることを見出した。^[10]さらに重要な発見として、所得が高いほど生成AIの影響を受ける業務の割合が大きい。「自動化は主に低スキル労働に影響する」という従来の理解が完全に覆されたのである。

二、最も脆弱な人々は誰か：技術的代替の経済分析

David Autorは画期的論文「なぜまだこれほど多くの仕事があるのか」で、深く影響力のある「タスクベースの枠組み」を提案した。^[11]Autorは作業タスクを二つの軸で分類する。定型的vs非定型的、そして認知的vs身体的。過去40年間の技術進歩は主に「定型認知」（例：銀行窓口係、事務アシスタント）と「定型身体」（例：工場オペレーター）のタスクを代替し、「非定型認知」（例：管理、分析、創造）と「非定型身体」（例：介護、保守）のタスクへの需要を増大させた。これが労働市場の「二極化」現象――中間スキルの雇用が減少し、高スキルと低スキルの雇用が増加する――を説明する。^[12]

しかし、生成AIはAutorモデルの境界に挑戦している。従来「非定型認知」に分類されていたタスク――レポート作成、データ分析、クリエイティブな提案の生成――が大規模言語モデルによって驚くべき効率で実行されている。BrynjolfssonとMcAfeeは2014年の『第二の機械時代』でこの傾向を予見していた。デジタル技術の指数関数的な進歩は、最終的にほぼすべての認知労働に到達するだろうと。^[13]

最新の研究に基づき、特に脆弱な職業グループを特定できる。

第一に、中間レベルの認知労働者。これには初級法務アシスタント、基礎的な金融アナリスト、一般事務スタッフ、定型レポートの執筆者が含まれる。これらの仕事は共通の特徴を持つ。タスクが高度に構造化され、既存知識の組み合わせと適用に依存し、品質基準が明確に評価可能である。これはまさに大規模言語モデルが得意とする領域である。ゴールドマン・サックス（2023年）は、世界で約3億人分のフルタイム雇用のタスクが生成AIによって自動化される可能性があり、法律サービスと事務サポートが最も影響を受ける産業に含まれると推計している。^[14]

第二に、クリエイティブ産業の「中間層」。グラフィックデザイナー、広告コピーライター、イラストレーター、翻訳者、ジャーナリスト――かつて「人間の創造性」を要すると考えられていた職業が、生成AIによる直接的な破壊に直面している。重要なのは、AIがすべてのクリエイティブワークを代替するのではなく、「実行レベル」の需要を劇的に圧縮する一方で、「戦略レベル」と「美的判断レベル」の価値を高めている可能性があるということだ。AIツールを駆使するシニアクリエイティブディレクター一人が、ジュニアデザイナー5人分のアウトプットを置き換えるかもしれない。これは仕事の消滅ではなく、バリューチェーンの再編と格差の深化である。

第三に、カスタマーサービスと営業の最前線。マッキンゼーは、カスタマーサービスと営業が生成AIの最も直接的な影響を受ける分野であり、世界で約4,000〜5,000万のカスタマーサービスポジションが今後10年以内に大幅に再編される可能性があると推計している。^[15]AIチャットボットはすでに大半の定型的な顧客問い合わせを処理でき、音声AIの進歩は電話カスタマーサービスにも自動化の圧力をかけている。

一方、以下のタイプの仕事は当面、比較的高い「AI耐性」を保持している。深い対人交流と感情的つながりを必要とする仕事――心理療法士、ソーシャルワーカー、看護スタッフなど。これらの仕事の核心的価値は人と人の間の信頼関係と感情的共鳴にあり、現在のAIには再現できない。複雑な身体操作と環境適応を必要とする仕事――配管工、造園業者、救急外来看護師など。Hans Moravecの「モラベックのパラドックス」は依然として当てはまる。人間にとって容易な知覚・運動タスクは、機械にとって極めて困難なままである。^[16]分野横断的な判断と制度的知識を必要とする仕事――シニア弁護士の訴訟戦略、医師の複雑な診断、企業経営者の戦略的意思決定など。これらの仕事が必要とするのは知識だけでなく、不確実性の下での経験、直感、価値判断に基づく意思決定能力である。

三、新興職種とスキル転換：AIはどのような仕事を創出しているか

歴史は繰り返し示してきた。技術革命は古い雇用を破壊すると同時に新しい雇用を創出する。ATMの普及は銀行窓口係を淘汰しなかった。むしろ、銀行がより低コストでより多くの支店を開設することを可能にし、窓口係の役割を「現金処理」から「顧客関係管理」へと転換させた。^[17]自動車は御者を代替したが、何百万人ものトラック運転手、自動車整備士、ガソリンスタンド従業員を生み出した。問題は新しい雇用が生まれるかどうかではない――ほぼ確実に生まれる。問題は、移行のタイムラグ、スキルギャップ、地理的ミスマッチが大規模な人的苦痛を引き起こすかどうかである。

世界経済フォーラムの『Future of Jobs Report 2025』は、いくつかの急成長中の新興職種を特定している。^[4]AIおよび機械学習スペシャリストが最も急成長する職種のトップに位置するが、このような高度技術職の数は限定的であり、大量の代替労働者を吸収することはできない。より注目すべきは、AIの普及によって間接的に創出される職種のタイプである。

「ヒューマン・マシン・インターフェース」職種。AIシステムが各産業に展開されるにつれ、多数の新しい「仲介的役割」が出現している。プロンプトエンジニア、AIトレーナー、AI倫理監査人、人間とAIの協働ワークフロー設計者などである。これらの職種の共通の特徴は、深い機械学習の専門知識は必要としないが、AIの能力と限界に対する深い理解と、AIツールを特定のビジネスコンテキストに統合する能力が求められることだ。ハーバード・ビジネス・レビューはこの能力を「フュージョンスキル」と呼んでいる。純粋な技術スキルでも純粋なビジネススキルでもなく、両者の交差点に位置するスキルである。^[18]

「信頼と検証」職種。AI生成コンテンツが爆発的に増加する中、「人間による検証」への需要も高まっている。AIアウトプット品質レビュアー、ファクトチェック専門家、アルゴリズムバイアス検出者などである。医療、法律、金融などのハイステークス分野では、「ヒューマン・イン・ザ・ループ」の要件がこれらの検証職を不可欠な新しい職種としている。これはAIガバナンスフレームワークで強調される「人間による監視」の原則に直接関連する。

「人間固有」職種の再評価。AIがますます広範な認知タスクを実行できるようになると、人間固有の能力に依存する仕事の価値はむしろ上昇する可能性がある。看護・介護の仕事（日本ではすでに深刻な人手不足に直面）、体験型教育（知識伝達とは対照的に）、メンタルヘルスサービス、コミュニティ構築――これらの仕事は、体系化可能な知識やスキルではなく、人間の感情、共感、社会的つながりに根ざしている。皮肉なことに、これらは現行の経済システムでは最も低賃金の仕事であることが多い。AI革命は、こうした仕事の真の社会的価値を再評価することを我々に迫るかもしれない。

スキル転換の中核的課題。しかし、「代替された仕事」から「新しく創出された仕事」への移行は自動的には起こらない。ブルッキングス研究所のMark Muroらの研究によれば、AI露出度が最も高い職種（会計士や事務アシスタントなど）と最も急成長している新興職種（AIスペシャリストやデータサイエンティストなど）との間のスキルギャップは極めて大きい。AIに代替された事務アシスタントが短期間で機械学習エンジニアに再訓練されることは到底不可能である。^[19]この「スキルの断崖」こそがAI雇用移行における最も厄介な問題であり、マクロレベルでは新規雇用創出が旧雇用破壊を上回ったとしても、多くの個別の労働者が長期の構造的失業に陥る可能性があることを意味する。

四、各国の政策対応：UBI論争、リトレーニング、社会的セーフティネット

AIオートメーションの雇用への影響に直面し、各国の政策対応は大きく三つの次元に分類できる。予防的措置（影響のペースを緩和する）、補償的措置（影響を受ける人々にセーフティネットを提供する）、変革的措置（労働者の新スキル習得を支援する）である。

ユニバーサルベーシックインカム（UBI）論争。AI時代で最も議論を呼ぶ政策提案は、おそらくユニバーサルベーシックインカム――就業状況にかかわらず、すべての市民に無条件で一定額の現金を給付するもの――であろう。シリコンバレーのテクノロジー界のリーダーたち――Sam AltmanからElon Muskまで――がUBIへの支持を表明しており、AIオートメーションが従来の「労働して収入を得る」モデルを持続不可能にすると主張している。^[20]

経済学的観点からは、UBI論争はいくつかの中核的問いを含む。第一に、財政的実現可能性。米国を例にとれば、一人当たり月額1,000ドルの給付には年間約3.9兆ドルが必要であり、連邦政府の年間支出の60%以上に相当する。AIによる生産性向上が税収基盤を拡大したとしても、財政的圧力は極めて大きい。^[21]第二に、労働供給効果。従来の経済学はUBIが労働意欲を低下させることを懸念してきた。しかし、Nature Human Behaviour（2024年）に掲載された大規模ランダム化比較試験では、月額1,000ドルの無条件現金給付は、受給者の週労働時間をわずか1.3〜1.4時間しか減少させず、予想をはるかに下回った。^[22]フィンランドのUBI実験（2017〜2018年）も同様の結論に達した。受給者の就業率に顕著な低下はなく、幸福感と生活満足度が著しく向上した。^[23]

AcemogluはUBIに対して慎重な立場をとる。彼は、重要な問いは「AIが生み出す富をどう分配するか」ではなく「より多くの人がAI経済に参加できるようにするにはどうするか」であると主張する。UBIは受動的な補償メカニズムであり、能動的なエンパワーメント戦略ではない。彼は、政策の優先事項はAI技術の発展方向を誘導し、人間の労働を「代替」するのではなく「補完」するものにすることであるべきだと提唱する。^[24]

リトレーニング政策の実践。大規模な労働力のリトレーニングは各国政府で最も一般的に採用されている対応戦略であるが、その効果は大きなばらつきがある。

シンガポールのSkillsFutureイニシアティブは、世界で最も体系的な事例である。2015年の開始以来、政府は25歳以上のすべての市民にS$500（2025年にはS$4,000に増額）の研修補助金を提供し、24,000以上の認定コースに利用可能としている。^[25]さらに重要なのは、シンガポールがリトレーニングと産業政策を連動させていることだ。AI、グリーン経済、介護サービスなどの優先分野に対して補助金を強化し、労働力を需要のある分野への移行に誘導している。

ドイツの「Work 4.0」（Arbeit 4.0）政策枠組みは、社会的パートナーシップを重視する。政府、企業、労働組合の三者間で自動化の展開ペースと方法について交渉する。パンデミック期間中に労働市場のショックを緩和する能力を実証したドイツの短時間勤務制度（Kurzarbeit）は、AI移行期間にも適用可能である。AI導入時に労働者を解雇するのではなく、労働時間を短縮し、その空き時間をOJTに充て、政府が賃金差額の一部を補助するのである。^[26]

デンマークの「フレキシキュリティ」モデルはまた別のアプローチを提供する。高度に柔軟な労働市場（雇用と解雇が容易）、極めて充実した社会的セーフティネット（前給与の最大90%をカバーする寛大な失業保険）、積極的労働市場政策（集中的な職業訓練とジョブマッチング）の組み合わせである。^[27]このモデルの核心的なロジックは、「特定の職位」ではなく「労働者そのもの」を保護することにある。一度の失業が人生の危機を引き起こすことなく、異なる仕事の間をスムーズに移行できるようにするのである。

しかし、リトレーニング政策は根本的な批判に直面している。MIT Technology Reviewは、米国が過去数十年間に職業リトレーニングプログラムに投入した数百億ドルの成果が期待をはるかに下回っていると指摘する。^[28]「リトレーニング」を完了した多くの中堅労働者は、結局より低賃金でより待遇の悪い仕事に就いている。問題はトレーニング自体ではなく、労働市場の構造的需要変化のペースが個人の適応能力を超えているという事実にある。特に高齢の労働者や教育水準の低い人々にとってはなおさらである。

五、台湾の労働市場：固有の課題と機会

台湾の労働市場は、AIオートメーションの影響に直面する際にグローバルトレンドとは異なるいくつかの構造的特徴を有している。これらの特徴は課題であると同時に機会でもある。

第一に、出生率低下と労働力不足の二重圧力。台湾の合計特殊出生率（2024年は約0.87）は世界最低水準にある。^[29]国家発展委員会は、台湾の生産年齢人口（15〜64歳）が2024年の約1,600万人から2040年には約1,300万人に減少すると予測している。この文脈において、AIオートメーションは台湾にとって二重の含意を持つ。一方では既存の雇用を代替し、特定グループの失業を悪化させる可能性があり、他方では労働力不足を緩和するために不可欠なツールである。特に製造業、サービス業、介護において。言い換えれば、台湾の課題は「AIが多すぎる雇用を代替するか」ではなく、「AIが適切な分野で適切なタスクを代替し、人間の労働力がより高付加価値の仕事に移行できるようにできるか」である。これは人材は国力であるという命題に直結する。

第二に、中小企業の変革ボトルネック。台湾の企業の97%以上が中小企業であり、労働力の約78%を雇用している。^[30]これらの企業の大半は、AI導入に必要な技術力、データ基盤、資金力を欠いている。大手テクノロジー企業がすでにAIを活用してワークフローを再構築している一方、台湾の中小企業の多くは基本的なデジタル化さえ完了していない。政策的な誘導がなければ、AIは大企業と中小企業の間、テクノロジーセクターと伝統産業の間の「デジタルデバイド」を拡大し、労働市場の構造的不均衡をさらに悪化させる可能性がある。

第三に、製造業の自動化フロンティア。台湾の製造業はGDPの約33%を占め、ほとんどの先進国を大きく上回る。この中で半導体、電子部品、精密機械はすでに高度に自動化されている――TSMCのウエハーファブは95%以上の自動化率で稼働している。しかし、台湾にはまだ労働集約型の生産モデルに依存する伝統的製造業（繊維、食品加工、金属加工）の大きな基盤もある。AI駆動のスマート製造は、これらの伝統セクターに二重のインパクトをもたらす。労働力の一部を自動化すると同時に、産業競争力を向上させ、グローバルバリューチェーンにおける台湾のポジションを維持するのである。

第四に、サービス業の変革圧力。台湾のサービス業はGDPの約60%を占め、労働力の60%以上を雇用している。小売、飲食、金融、保険では、AIとオートメーションが急速に浸透している。セルフレジシステム、AIカスタマーサービス、ロボアドバイザーなどである。しかし、台湾のサービス業には「低賃金停滞」という構造的問題がある。大部分のサービス業の賃金は長年にわたり停滞している。AIはこれらの低賃金ポジションの数をさらに圧縮する可能性があるが、移行がうまく管理されれば、サービスの品質と効率を向上させることで、より高付加価値のサービス職を創出することもできる。

政策提言。台湾の固有の文脈に合わせて、以下の政策枠組みを提案する。第一に、「AI雇用影響評価メカニズム」を設立する――主要産業にAI技術の雇用への潜在的影響を定期的に評価することを義務付け、産業政策と労働政策の立案根拠とする。第二に、中小企業に「AI変革パッケージ」を提供する――技術コンサルティング、金融補助、従業員リトレーニングを含む統合的支援を行い、中小企業のAI導入のハードルを下げる。第三に、失業保険制度を改革する――台湾の現行の失業給付は最長6ヶ月（非自発的離職の場合）に過ぎず、構造的失業者が長期のリトレーニングを必要とするには短すぎる。デンマークのモデルに倣い、給付期間を延長し、積極的なリトレーニングプログラムと連動させるべきである。第四に、「シルバーエコノミー」におけるAI応用を開発する――台湾の高齢化傾向は介護サービスへの膨大な需要を生み出しており、AI支援介護（遠隔健康モニタリングやスマートホームシステムなど）は、介護者不足の緩和と新たな雇用機会の創出を同時に実現できる。

六、教育システムの変革：知識伝達から能力開発へ

AIが「価値ある人間の労働」を再定義しているのならば、教育システム――労働供給の源泉として――は根本的な変革を遂げなければならない。この問題は高等教育の危機の議論でも触れられてきたが、AIが教育に与える影響は我々が想像するよりはるかに深遠である。

知識伝達の減価。AIがほぼあらゆる事実的質問に即座に回答し、構造的に完成度の高い分析レポートを生成し、さらには司法試験や医師国家試験にさえ合格できる時、^[31]「知識伝達」を中心とした従来の教育の価値提案は根本的な挑戦に直面する。学生が4年間かけて暗記し練習する知識とスキルをAIが数秒で――しかもより良く――達成できるならば、その形式の教育への投資収益率は急落する。これは知識が重要でなくなることを意味するのではなく、「知識を保有する」だけでは価値ある差別化要因にならなくなることを意味する。

能力開発の再定義。AI時代において、教育の中核的目標は「知識伝達」から、AIが複製し難いいくつかの能力カテゴリーの育成へと転換すべきである。Foreign Affairsの詳細な分析は、将来最も価値ある人間の能力を特定している。^[32]

批判的判断力――「答えを見つける」能力（AIが得意とする）ではなく、「答えが正しいか、適切か、倫理的か」を判断する能力。AIが大量のコンテンツを生産できる世界では、識別し、評価し、フィルタリングする能力は、生産する能力よりも価値が高い。複雑な問題設定能力――AIは明確に定義された問題空間内で最適解を見つけることに秀でるが、「問題をどう定義するか」自体が往々にして最も重要な認知的課題である。分野横断的な統合能力――AIモデルは通常、特定の領域内では卓越したパフォーマンスを発揮するが、異なる分野の知識と方法論を創造的に組み合わせること――例えばエグゼクティブ教育のビジネス思考と最先端技術を統合すること――は依然として人間の優位性である。社会情動的能力――リーダーシップ、共感、協働、紛争解決。これらの能力の重要性はAIの進歩とともに低下することはなく、むしろ技術的作業が自動化されるにつれてさらに重要になる可能性がある。

生涯学習の制度的基盤。技術変化が加速する時代において、「一回限りの教育」モデル（20代で学位を取得し、同じスキルセットで40年間働く）はもはや持続可能ではない。ブルッキングス研究所の研究によれば、将来の労働者はキャリアを通じて3〜5回の大きなスキル転換を経験する必要があるかもしれない。^[33]これには、柔軟な単位バンクシステム、ワークインテグレーテッドラーニングの機会、働く専門家が「仕事を一時停止し、新しいスキルを学び、労働力に復帰する」ことを可能にする社会保障メカニズムなど、生涯学習を支援する制度的基盤の構築が必要である。シンガポールのSkillsFutureとフランスの個人研修口座（CPF）は、この方向の先駆的な取り組みである。^[34]

台湾における教育改革の緊急性。台湾の教育システムは試験対応能力の育成において顕著な成果を上げてきた。PISAスコアは長年にわたりグローバルトップクラスに位置している。しかし、この試験重視の教育モデルが育成するのは、まさにAIが最も容易に代替できる能力――大量の情報を記憶し、構造化された問題に標準的な解答を見つけること――である。2019年カリキュラムガイドラインの「コンピテンシーベースの学習」と計算論的思考の重視は正しい改革の方向性を示しているが、実施レベル――教授法、評価設計、大学入試の信号効果――での改革の深さとペースは、AIの挑戦に対応するにはまだまったく不十分である。台湾に必要なのは漸進的なカリキュラムの微調整ではなく、「教育の目的とは何か」についての根本的な再考である。

七、結論：人間とAIの協働の未来――代替ではなく再定義

冒頭の問いに立ち返る。AIが仕事を再定義する時、人類はどう居場所を見つけるのか。筆者の答えは、「AIが人間を代替する」対「AIが人間を支援する」という二項対立を超え、より精緻な分析枠組みへ移行する必要があるということだ。

第一の認知転換：「職業」から「タスク」へ。AIがある職業全体を消滅させることは稀である。より一般的な効果は、職業内のタスク構成を再編することだ。医師は消えないが、「医療画像から疾患を診断する」タスクはAIによってより迅速かつ正確に実行される。医師の役割は「AIの分析に基づいて総合的な治療決定を下し、患者とコミュニケーションをとる」ことへシフトする。弁護士は消えないが、「判例検索と定型文書の作成」タスクは高度に自動化される。弁護士の価値は「戦略的な法的議論と複雑な法廷弁論」に集中する。このAutor（2015年）とAcemoglu & Restrepo（2019年）の理論的枠組みに由来する「タスク再編」の視点は、「XX%の職が代替される」というセンセーショナルな予測よりも現実に近い。^[35]

第二の認知転換：「人的資本」から「人間の能力」へ。伝統的な人的資本論（Becker, 1964年）は、教育を労働生産性への投資と見なす。^[36]しかし、AIが多くの「知識とスキルのサービス」をほぼゼロの限界費用で提供できる時、人的資本の伝統的な定義は拡張が必要となる。Amartya Senの「ケイパビリティ・アプローチ」はより示唆的な枠組みを提供する。重要なのはどのようなスキルを「保有」しているかではなく、何を「なり得る」か、何を「なし得る」かという能力である。^[37]AI時代において、判断力、創造性、共感、適応力――これらは従来の意味での「スキル」（標準化され、教授可能で、測定可能な）ではなく、より深い人間の「能力」であり、まさにAIが最も複製し難いものである。

第三の認知転換：「労働」から「貢献」へ。AIオートメーションが最終的に人間の週労働時間を劇的に削減するならば――ケインズが1930年に予測した「週15時間労働」が一世紀を経てようやく実現するかもしれない――我々は人間の生活における「労働」の意味を再考する必要がある。現行の社会契約は「有給雇用」を人々が収入、社会的アイデンティティ、人生の目的を獲得する主要な経路として扱っている。しかし、AIが生産的労働の大部分を処理する世界では、人間の「貢献」はより広範な用語で定義され評価される必要があるかもしれない。家族の介護、地域社会への奉仕、芸術的創造、環境保全、ボランティア活動を含めて。^[38]これは遠いユートピア的空想ではない。我々の世代が構想と準備を始めなければならない社会的変革なのである。

AIの労働市場への影響は、すでに進行中の構造的変革である。一部の楽観主義者が期待するように、消滅する雇用を代替するだけの新しい雇用を「自動的に」生み出すことはない。また、一部の悲観主義者が恐れるように、大量の恒久的失業をもたらすこともない。実際の結果は、我々が――社会として――この課題にどう対応するかに依存する。我々の教育システムはAI時代に必要な能力を育成できるか。我々の社会的セーフティネットは移行期間中に最も脆弱な人々を保護できるか。我々のビジネスリーダーは責任あるAI導入を行えるか。我々の政策立案者はイノベーションの促進と公平性の確保の両方を実現する制度的枠組みを設計できるか。これらの問いには標準的な答えはない。しかし一つだけ確実なことがある。受動的な待機は最悪の戦略である。技術だけでなく人間の能力に今から投資を始める国家と組織が、AI時代において最大の競争優位を有するであろう。