# AIは「仕事」より先に「タスク」を奪う――MITのNeil Thompsonが語る自動化の実像

- 番組: [The Data Exchange with Ben Lorica](https://ai-curator.jp/podcasts/shows/cmv3z5c0q000m5o10xxr4slsk)（Ben Lorica）
- 元のタイトル: AI Is Coming for Tasks Before It Comes for Jobs
- 配信日: 2026年10月15日
- 長さ: 56分
- 要約作成日: 2026年10月15日
- トピック: [#AIと労働市場](https://ai-curator.jp/topics/AI%E3%81%A8%E5%8A%B4%E5%83%8D%E5%B8%82%E5%A0%B4) [#タスク自動化](https://ai-curator.jp/topics/%E3%82%BF%E3%82%B9%E3%82%AF%E8%87%AA%E5%8B%95%E5%8C%96) [#AI導入格差](https://ai-curator.jp/topics/AI%E5%B0%8E%E5%85%A5%E6%A0%BC%E5%B7%AE) [#一般均衡モデル](https://ai-curator.jp/topics/%E4%B8%80%E8%88%AC%E5%9D%87%E8%A1%A1%E3%83%A2%E3%83%87%E3%83%AB) [#AIリスク](https://ai-curator.jp/topics/AI%E3%83%AA%E3%82%B9%E3%82%AF) [#オープンモデル](https://ai-curator.jp/topics/%E3%82%AA%E3%83%BC%E3%83%97%E3%83%B3%E3%83%A2%E3%83%87%E3%83%AB)
- URL: https://ai-curator.jp/podcasts/cmv9g0q1s00025j10kv56t067

## 要約

MIT FutureTechのNeil Thompson氏が、AIの職業への影響を扱った2本の最新論文をBen Loricaと議論した回。現場の職業人による評価調査から、AIの能力向上は突然の波ではなく、徐々に満ちる潮のように進むと述べる。一方で導入は能力に大きく遅れており、固定費の存在が大企業に有利に働くと説明する。後半では経営コンサルやサイバー・生物リスク、オープンモデルの行方にも触れた。

## ポイント

- 論文「Crashing Waves vs Rising Tides」では、O*NETの各タスクについて実際にその職に就く人がLLMの回答を評価。40以上のモデルを使い、米国の職業の7〜8割を一部カバーしたという。
- ソフトウェア開発のように1つの誤りが全体を失敗させる業務は急な崖になるが、マーケティング計画のように誤りが緩やかに品質を下げる業務が多く、自動化は段階的に進むと見る。
- 最低限の品質なら約60%のタスクを自動化できるが、優れた品質では27%にとどまるとの結果が示された。
- 導入は能力に大きく遅れ、導入コストなどの摩擦で潜在的な利益の約半分が失われているという。コード行数は800%増えても実際のリリースは20%増にとどまる例も挙げた。
- 第2の論文は、機械の限界費用だけでなく固定費を組み込んだ一般均衡モデルで、AI導入の経路の約3分の2は固定費で説明できると述べる。従業員50人未満の企業の導入率は約20%、250人超は37%。
- リスク面では、サイバーと生物リスクを懸念。専門家272人のDelphi調査では、複数のリスクで5年以内に重大な被害が生じる確率が10%超と回答された。

## 章立て

- [00:00] **FutureTechと2020年論文の振り返り** — 研究グループの紹介と、深層学習の計算限界に関する論文の自己評価。コスト圧力は的中した一方、アルゴリズム進歩の大きさは過小評価していたという。
- [08:23] **調査の設計：現場の職業人が評価** — O*NETのタスクからGPT-5で具体例を生成し、複数のLLMの回答を実際の職業人がAI由来と知らずに評価した方法を説明する。
- [14:33] **崖ではなく満ち潮** — METRの結果に対比させ、多くの職業のタスクでは能力が緩やかに伸びると論じる。数学・プログラミング分野の特殊性や、最低限品質60%と優秀品質27%の差にも触れる。
- [27:00] **見習い・育成への影響** — 初級職が不要になれば人材育成の道が失われる懸念に対し、AIを教育に使う可能性や、Terence TaoらのAI向けに問題を残す提案を議論する。
- [32:50] **導入は能力に遅れる** — 情報の流れや導入コストにより潜在利益の約半分が失われること、コード量増加とリリース増の乖離などボトルネックの例を紹介する。
- [37:05] **固定費と大企業の優位** — 第2の論文の一般均衡モデルを解説。固定費が導入経路の約3分の2を説明し、大企業が先行する理由やコンサルの役割を論じる。
- [47:10] **AIリスクとオープンモデルの行方** — サイバー・生物リスクへの懸念、Delphi調査の結果、そしてオープンモデルが主流になるかを蒸留の観点から議論して締める。

## 解説記事

MIT FutureTechのディレクターNeil Thompson氏が、The Data ExchangeでBen Loricaと対談した。テーマは、AIが仕事や経済をどう変えていくかである。最新の2本の論文を軸に、能力の進み方と実際の導入の遅れ、そして固定費が生む企業間格差が語られた。

#### 2020年論文の採点：コスト圧力は当たり、アルゴリズム進歩は過小評価

FutureTechはコンピュータ科学者と経済学者が半々の大所帯である。冒頭では2020年の深層学習の計算限界に関する論文を振り返った。Thompson氏は、スケーリングが主要な推進力となり、コスト圧力が重要になるという見立ては当たったと述べる。アルゴリズムの進歩も推定には織り込んでいたが、その重要性を明示できなかったという。推論の効率化の幅は想像以上だったとも語った。当時は、深層学習の非効率さゆえに伝統的なアルゴリズムへ回帰すると考えていたが、そうはならなかった。ただエージェント化が進み、AIがツールを呼び出す形で効率的な処理を使う流れが出てきたと説明している。

#### 「崖」ではなく「満ち潮」

1本目の論文「Crashing Waves versus Rising Tides」は、AIの能力が現場でどう評価されるかを測った。従来はコンピュータ科学者に「AIに何ができるか」を尋ねる研究が多かったが、今回はクラウドソーシング基盤のProlificで、実際にその職に就く人を集めた。米国労働省のO*NETに載るタスクについて、GPT-5で具体的な事例を作り、5つのLLMの回答を評価してもらう。評価者にはAIの回答だと伝えていない。使用モデルは40以上で、職業の約7〜8割で一部のタスクをカバーしたという。

METRが示した、ソフトウェア開発で短いタスクはこなせるが長いタスクでは急落する現象を、同氏は「crashing waves」と呼ぶ。多数の小さな工程のどれか一つが間違えば全体が失敗する構造があり、誤り率が累積して指数的に落ちるためだという。だが現実の多くの業務、たとえばマーケティング計画の立案は、細部に誤りがあっても有用さが緩やかに下がるだけだ。そのため、自動化できる割合が20%、30%、40%と徐々に増える「rising tide」になると見ている。長いタスクほど工程が多いという前提を置き、人間の所要時間で工程数を代理している点は、本人も仮定と認めている。

品質別の結果も示された。最低限の品質なら約60%のタスクを自動化できるが、優れた品質では27%にとどまる。数学のように最先端の領域でも、人間が問いを定め答えを点検する役割は残っているとの見方を示した。

#### 育成の危機とAIによる学習

Ben氏は、AIが若手向けの仕事を代替すれば、将来の人材を育てる経路が断たれると懸念した。Thompson氏は、AIが教育を加速する面も大きいと応じる。若手弁護士の場合、実務ではシニアからのフィードバックが少なく学習ペースが遅いが、AIなら多数の契約書例を提示し、良い条項と悪い条項を示せる。育成機能は企業の外、たとえば大学やオープンな教材にも置けるという。Terence TaoやBill Gatesの「人間のために問題を取っておく」という発想についても、何を失うかによると述べた。AIが良い問いも生成できるのではないかとも指摘している。

#### 導入は能力に遅れる：摩擦とボトルネック

この調査は能力を測るもので、利用実態は測っていない。近く公開する新論文では、導入が能力に大きく遅れていると語る。理由は二つある。実験ではAIに必要な情報を全部与えたが、現実にはその情報の流れがまだ整っていないこと、そして導入に労力がかかることだ。これらの摩擦により、潜在的な利益の約半分が失われているという。

ボトルネックの例として、同氏はMITの研究を紹介した。Claude Codeなどの登場でコード行数は約800%増えたが、実際のリリースは約20%の増加にとどまったという。生成が安くなっても、レビューや検証、受け入れが追いつかないという話である。

#### 固定費が大企業に有利に働く

2本目の論文は、AIがタスクを置き換える速度を一般均衡モデルで分析した。従来のモデルは限界費用のみを扱うが、このモデルは導入時の固定費を組み込む。固定費には、自社データの収集・ラベル付け・検証、システム構築などが含まれる。実データでは、従業員50人未満の企業のAI利用が約20%、250人超が37%だ。導入経路の約3分の2は固定費で説明できると述べた。小企業はAccentureやDeloitteなどのコンサルを使う手があるが、その費用に見合うだけの反復や規模があるかが問われるという。AIの導入に向く業務かを見極めるうえでも、この規模の問いが基本になる。

#### リスクとオープンモデル

終盤では、サイバーと生物リスクへの懸念が語られた。同氏の研究室のAI Risk Repositoryに関連するDelphi調査では、専門家272人が、サイバーや兵器開発などで5年以内に重大な被害が出る確率を10%超と見ている。オープンモデルが主流になるというBen氏の見方には、蒸留のあり方次第だと慎重に答えた。ホワイトボックス蒸留が大きな差を生めば、クローズドなモデルの提供者が優位に立つ可能性があるという。

#### まとめ

日本の読者にとっての要点は、AIの影響を「職業が消えるか」ではなく「タスクがどれだけ自動化されるか」で見る視点だ。能力は緩やかに伸びる一方、導入にはデータ整備などの固定費がかかり、規模の経済が働く。自社の業務がAI導入に見合う反復性や規模を持つかを見極めることが重要になる。人材育成の設計や検証工程の整備も、並行して考えるべき課題である。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: The Data Exchange with Ben Lorica「AI Is Coming for Tasks Before It Comes for Jobs」