効率性の罠

2025年1月27日、DeepSeekのオープンソースモデルが西側のAI価格を桁違いに下回ったことで市場がパニックに陥る中、Satya Nadellaは4つの単語をXに投稿し、議論全体の枠組みを変えました。「Jevons paradox strikes again!」

この引用の元になったのは、ヴィクトリア朝時代の経済学者William Stanley Jevonsです。彼はJames Wattの蒸気機関について直感に反する事実に気づきました。Wattの設計は旧型のNewcomen機関より4〜5倍燃料効率が良かった。当然の予測として、英国の石炭消費量は減るはずでした。しかし実際には石炭消費は急増しました。安価なエネルギーは燃料を節約せず、蒸気動力を何千もの新しい用途に実用的なものにしたのです。「燃料の経済的利用が消費の減少と同義だと考えるのは、まったくの思想の混乱である。真実はその正反対だ」とJevonsはThe Coal Question（1865年）に書いています。

Nadellaの主張を端的に言えば、AIが認知労働を安価にすれば、私たちはそれをはるかに大量に求めるようになる、ということです。

あれから13ヶ月が経ちました。それ以降の証拠は両方の側を支持しており、まさにそこが問題なのです。

2026年1月のヘッドライン： 単月で108,000件の人員削減。2009年以降最悪の1月であり、発表ごとにAIが理由として挙げられました。IMFのKristalina Georgieva専務理事はCNBCに対し、AIは「津波のように労働市場を直撃している」と語りました。Sam Altmanは実際の雇用喪失を認めつつ、「AI washing」——AIのせいにしているがどのみち行っていたはずのレイオフを指す彼の造語——について警告しました。

2026年2月のヘッドライン： 「Productivity J-Curve」を提唱したスタンフォードの経済学者Erik Brynjolfssonは、Financial Timesに寄稿し、2025年の米国生産性は約2.7%上昇したと報告しました。過去10年の平均1.4%のほぼ2倍です。ハイパースケーラーの設備投資見通しは2026年に6,020億ドルに達し、前年比36%増です。1トークンあたりの推論コストが3年足らずで約2桁低下したにもかかわらず、各社はAIインフラへの支出を増やしています。ジェヴォンズのパラドックスがリアルタイムで展開されているのです。

この2つのヘッドラインはどちらも真実です。雇用の喪失と需要の爆発は対立する理論ではありません。同じプロセスの異なるフェーズであり、両者を区別するには、どちらのヘッドラインも問うていない質問を立てる必要があります。それは、あるセクターにおいて認知労働がコスト構造のどこに位置するのか、という問いです。この答えが、安価なAIがジェヴォンズ的な需要爆発を生むのか、それとも農業的な崩壊を引き起こすのかを決定します。そして、どちらの結果からも生じる余剰を誰が手にするのかを決定します。この問いを今後30年にわたる経済的波及の中で追跡していくことが、本稿の課題です。

I. 拡張の時代（2025〜2035年）：J-Curveの10年

AIの労働市場への影響を予測する際、最もよくある間違いは、能力を普及と混同することです。AIはすでに、訓練を受けた専門家に匹敵するレベルでコードを生成し、契約書を起草し、医療画像を分析できます。しかし、大多数のプログラマー、弁護士、放射線科医は、2015年の同業者と見分けがつかない方法で仕事を続けています。技術はすでに到来していますが、組織はまだ働き方をほとんど変えていません。

Brynjolfsson、Daniel Rock、Chad Syversonは2021年の論文「The Productivity J-Curve」（American Economic Journal: Macroeconomics）でこの遅れを実証しました。汎用技術は初期導入時に測定可能な生産性が低下するのです。これは、企業が無形の補完的投資（トレーニング、プロセスの再設計、組織の再構築）を行わなければ、効果が顕在化しないためです。

歴史的前例は示唆に富みます。Paul Davidの1990年の研究「The Dynamo and the Computer」（American Economic Review）は、1882年にEdisonのPearl Street Stationが開設されてから、電力が生産性統計に表れるまで約40年かかったことを示しました。工場は完全に再設計されなければなりませんでした。蒸気シャフト駆動の多層構造から、個別モーターを備えた単層の生産ラインへと。情報技術も圧縮されてはいますが、同様の軌跡をたどりました。Robert Solowは1987年に、「生産性統計以外のあらゆるところにコンピューター時代を見ることができる」と述べています。IT生産性ブームが到来したのは1990年代半ば、商用化が広まってからおよそ20年後のことでした。

導入の遅延期間が短縮し続けているのであれば、AIは10〜15年のタイムラインにある可能性があり、変曲点は2035年頃となります。Brynjolfssonの2026年2月のデータ（2.7%成長）は、カーブがすでに上向き始めていることを示唆しています。ただし、彼が注意を促したように、「長期的なトレンドを確認するには、もう何期か持続的な成長が必要」です。

全員がこの歴史的類推を受け入れているわけではありません。AnthropicのCEOであるDario Amodeiは「Machines of Loving Grace」（2024年）で、AIは50〜100年分の科学的進歩を5〜10年に圧縮できると主張しました。「データセンターの中の天才たちの国」です。続くエッセイ「The Adolescence of Technology」（2025年）では、エントリーレベルのホワイトカラー職の半数が1〜5年以内に喪失される可能性があると予測し、制度が適応する時間がないままJ-Curveが崩壊するようなタイムラインを示しました。Amodeiの能力推定が正しければ、拡張の時代は数十年ではなく数年で測られるかもしれません。問題は、組織の慣性——Edison以降も数十年にわたって工場を蒸気シャフトレイアウトで運営させ続けたのと同じ力——が緩衝材として機能するのか、それとも単により厳しい着地を遅らせるだけなのかという点です。

ミクロの証拠はマクロ統計よりも速く蓄積されています。Brynjolfsson、Li、Raymondは、カスタマーサービスのエージェント向けAIアシスタントが平均14%の生産性向上をもたらし、経験の浅い労働者では34%の向上をもたらしたことを発見しました。NoyとZhangは、ChatGPTが大卒の専門家のライティングタスクの時間を40%短縮したことを示しました。Dell'Acquaらのハーバードの研究では、AIにアクセスできるBCGコンサルタントが12%多くのタスクを、25%速く、40%高い品質で完了したことが分かりました。

これらは拡張効果です。労働者はまだそこにいます。より多くのことをこなしているのです。

必要な注意点として、3つの研究すべてが個別の組織における狭く定義されたタスクを測定したものです。Brynjolfssonの研究は1社のカスタマーサービスを対象としたもの。NoyとZhangは実験室環境の453人の専門家を対象としたもの。Dell'AcquaのBCG実験は、AIの能力フロンティア内のタスクに限定して選定された758人のコンサルタントを対象としたものであり、注目すべきは、そのフロンティアの外側のタスクでは、AIユーザーは対照群より19パーセントポイント低い成績を記録したことです。このミクロレベルの成果が経済全体の生産性向上に集計されるかどうかは、まさにAcemogluのマクロフレームワーク（第VI章）が問い直す問題です。J-Curve理論は部分的な和解を提供します。ミクロの成果は実在するが、実装コスト、組織再構築、タスクの異質性が余剰の多くを吸収してから生産性統計に到達するため、マクロ効果は遅れるのです。ミクロの証拠とマクロデータのギャップは矛盾ではありません。それこそがJ-Curveの表れなのです。

この時代の仮説： 2035年までに、AIは主に代替ではなく拡張を通じて生産性向上を推進し、AI補完的スキルには大きな賃金プレミアムが付き、新たなAIネイティブの職種が失業者を吸収するでしょう。PwCの2025 Global AI Jobs Barometerでは、AIスキルを必要とする職種にはすでに56%の賃金プレミアムがあり、この数字はわずか1年で倍増しました。また、David Autorは2024年のQuarterly Journal of Economicsの論文「New Frontiers」で、2018年の雇用の60%が1940年には存在しなかった職種名で行われていることを示しました。

Autorの発見は問いを再構成します。通常の議論は二項対立を前提としています。拡張か自動化か。彼の歴史的証拠は、より重要な第三の結果を示しています。変革的な技術は、誰も予想しなかったまったく新しい仕事のカテゴリーを生み出すのです。1990年に「ソーシャルメディアマネージャー」や「データサイエンティスト」が2020年までに主要な職種になると予測した人はいませんでした。AIの最も重要な雇用効果は、まだ名前のない役職にあるかもしれません。

このタイムラインに対する最大の脅威は汎用ロボティクスです。もし物理的なAIシステムが、大規模言語モデルが持つ柔軟性と同等のものを物質世界の操作において達成すれば、ほとんどの産業で完全自動化が拡張よりも安価になり、10年の猶予期間は崩壊します。医療と法律における規制抵抗もJ-Curveを急峻にする可能性があります。そして、AI活動が少数のイノベーションハブに集中するという地理的集中は、過去の汎用技術で見られたどの格差よりも深刻な分岐を生む可能性があります。2026年1月の米国大統領経済諮問委員会の報告書「Artificial Intelligence and the Great Divergence」は、産業革命における工業化した国とそうでない国の分断との明確な類似を指摘しています。

II. 再構築の時代（2035〜2045年）：ジェヴォンズの爆発

拡張のシナリオが成立し、組織がAIを適切に使う方法を学ぶのに10年を費やしたと仮定しましょう。認知労働が安くなったら何が起こるか。20%安くなる程度ではありません。90%安くなるのです。

Jevonsは1865年にこの問いに答えました。安い石炭は石炭の減少を意味しませんでした。石炭であらゆるものが動く世界を意味したのです。あるサービスが劇的に安くなると、既存のユーザーはより多く消費し、以前は禁止的に高コストだったまったく新しい用途が実用的になります。この組み合わせにより、価格が劇的に下落しても総支出は増加し得るのです。

このパターンはすでにAIインフラで見えています。ハイパースケーラーの設備投資は2026年に6,020億ドル、前年比36%増に達しました。一方、AIの推論コストは過去3年間で約2桁低下しています。AIが効率的になればなるほど、企業はより多くのAIを購入するのです。

しかし、元来のジェヴォンズのパラドックスは枯渇性のある物理的資源に関するものでした。石炭は競合的かつ排除可能です。ある機関で燃やせば別の機関では燃やせません。AIが生産する認知サービスは非競合的であり、複製の限界費用はほぼゼロです。AI生成の法律文書は無限にゼロコストでコピーできます。これにより、AIのアウトプットは石炭よりもソフトウェアに近い性質を持ち、採取資源の経済学よりも情報財の経済学（Shapiro and Varian, 1999）の方が適切に当てはまります。ジェヴォンズの類推が成立するには、本稿が正直に認めなければならない条件があります。十分に弾力的な需要です。

需要の弾力性が、どの認知セクターでジェヴォンズ的爆発が起き、どのセクターが単に安くなるだけかを決定します。

放射線科の例を考えてみましょう。楽観的なAI予測にはほぼ必ず登場します。AIが読影コストを90%削減すれば、MRI検査が年次健康診断や消費者向けウェルネスモニタリングの標準になり得るでしょうか？需要拡大の計算は魅力的です。検査数は20倍に増え、1件あたりのコストは10分の1に下がり、総支出は2倍になります。しかし、読影は検査コストの一構成要素に過ぎません。MRI装置、技師の時間、施設の維持費（主要なコスト要因）は、AIによる読影の影響を受けません。読影コストの90%削減は、検査総コストの90%削減にはなりません。ジェヴォンズ効果が発揮されるには、効率化が制約的なコスト要因に当たる必要があります。放射線科では、そうでないかもしれません。

Amodeiの「知能への限界収益」のフレームワークは、供給側から同じ結論に達します。無限のAI知能を持ってしても、進歩が認知的努力ではなく物理実験、規制サイクル、本質的な複雑性に依存する領域では収穫逓減に直面します。放射線科は装置と施設に制約されます。ソフトウェアは思考に制約されます。ジェヴォンズのメカニズムは後者で機能し、前者では機能しません。

ソフトウェア開発と対比してみましょう。ここでは制約的なボトルネックは認知労働そのもの——仕様作成、コーディング、テスト、デバッグです。あるいはコンテンツ制作を考えましょう。制作コストのほぼすべてが人間の時間です。これらの領域では、需要の弾力性は本物のジェヴォンズ効果に十分なほど高いと考えられます。認知労働が総コストに占める割合が小さい領域（製造業、物流、建設）では、効果は限定的です。各認知セクターにとっての問いは、ソフトウェアに近いか（弾力的、ジェヴォンズ適合型）、農業に近いか（非弾力的、雇用喪失型）です。需要に上限のあるセクターで生産性が劇的に向上すれば、雇用は拡大するのではなく崩壊します。農業は生産性の巨大な向上にもかかわらず、1世紀かけて労働力の95%を失いました。「認知労働」を均一な弾力性を持つ単一のカテゴリーとして扱うことは、ジェヴォンズのフレームワークの一般的な応用において最もよくある誤りです。

第二の条件があります。効率化による利益が消費者に価格低下として還元されるための十分な競争です。AIプロバイダーが効率化の恩恵を寡占利益として取り込み、低価格として還元しなければ、需要刺激メカニズムは停滞します。現在の市場構造——少数のファウンデーションモデルプロバイダーとMagnificent Sevenが19.6兆ドルの時価総額を支配し、2024年のS&P 500の利益成長の75%を吸収している——を考えると、これは仮定の話ではありません。

オープンソースAIは、ジェヴォンズ説の賛否両面で寡占の物語を複雑にします。2025年1月にリリースされたDeepSeekのR1モデルは、プロプライエタリなフロンティア性能にコストの一部で匹敵し、業界全体で即座の値下げを強いました。MetaのLlamaシリーズやMistralのオープンウェイトモデルも同様の効果を持ちます。コモディティハードウェアでの推論の価格フロアを実質ゼロに設定することで、単一のプロバイダーが効率化の利益を利潤として獲得することを困難にします。オープンソースモデルがフロンティア能力に接近し続けるならば——2023年以降のトレンドは約6〜12ヶ月の遅延でそうなることを示唆しています——ジェヴォンズ効果の競争条件は強化されます。効率化の利益は消費者に還元され、価格は下がり、需要は拡大します。しかし、オープンソースは雇用喪失の側面も加速させます。スタートアップが電気代だけで有能なモデルを自社サーバーで実行できるようになれば、認知タスクの自動化の障壁は「APIを使えるか？」から「プロンプトを書けるか？」に下がります。ジェヴォンズのメカニズムと雇用喪失のメカニズムの両方が強化されるのです。分配の問いは緩和されるどころか、より切迫したものになります。

この時代の仮説： 2045年までに、高弾力性の認知サービス（ソフトウェア、コンテンツ、アナリティクス、デザイン）へのグローバル支出は、AIが桁違いに安くなっているにもかかわらず、実質ベースで2035年の3〜5倍になるでしょう。認知コストがほぼゼロでなければ成立しなかった新産業が出現します。しかし、低弾力性のセクターでは、効率化は需要拡大ではなくコスト削減として取り込まれるでしょう。

III. エネルギーの壁：デジタルなパラドックスの物理的限界

ジェヴォンズのパラドックスは需要の拡大を予測します。しかし、需要は物理的インフラが許容する速度でしか拡大できません。そして現在、インフラはこの競争に負けつつあります。

国際エネルギー機関（IEA）の推定によると、2024年の世界のデータセンター電力消費量は415TWhで、世界の電力の約1.5%です。2030年までにIEAはこれが945TWhへ倍増以上になると予測しています。日本の現在の電力需要全体に匹敵する量です。Goldman Sachsは同期間にデータセンターの電力需要が165%増加し、AIのシェアがデータセンター負荷の約14%から35〜50%に上昇すると予測しています。

これらの予測は物理的なボトルネックと衝突します。それは系統連系です。2024年後半の時点で、米国の系統連系キューには約2,600GWの発電・蓄電提案が待機しています。同国の設置済み容量の2倍以上です。連系申請から商業運転までの中央値は、2000年代初頭の2年未満から現在では4年以上に倍増しました。2000年から2019年に連系申請を行った容量のうち、2024年末までに商業運転に達したのはわずか13%です。残りは撤回されたか停滞しています。

AIの需要は1〜2年サイクルでスケールしています。電力網の拡張には5〜10年かかります。タイムラインが根本的にミスマッチしているのです。

その影響はすでにローカルレベルで顕在化しています。世界最大のデータセンター市場であるバージニア州では、Dominion Energyの電力販売の4分の1以上がデータセンターに供給されていると、Virginia Joint Legislative Audit and Review Commissionが報告しています。アイルランドでは、EirGridが電力網の容量懸念から2028年までダブリン地域の新規データセンター接続を事実上停止しています。これらは予測ではなく、新規容量がどこに設置できるかに対する現在の制約です。

このミスマッチが原子力ルネサンスを引き起こしています。MicrosoftはThree Mile Island 1号機（835MW）の再稼働のため20年の電力購入契約を締結しました。Metaは「Prometheus」という6.6GWの原子力調達プログラムを発表し、Oklo、Vistra、TerraPowerとの契約を含みます。Google、Amazon、OpenAIもそれぞれ原子力契約を結んでいます。OpenAIのフラッグシップであるテキサス州アビリーンのStargate施設は、電力網が十分な電力を供給できないため、敷地内にガス火力発電所を含みます。パターンは明白です。AI企業は必要に迫られてエネルギー企業になりつつあります。

この皮肉は再帰的です。Nvidiaは2016年以降、1ワットあたりのAIエネルギー効率が約100,000倍向上したと主張しています。しかし同社は2023年だけで376万個のデータセンターGPUを出荷しました。前年比で100万個以上の増加であり、ハイパースケーラーの設備投資は2026年に6,020億ドルに達しています。より効率的なチップはエネルギー消費を減らしません。より多くのチップを稼働させることを経済的に合理的にするのです。Khowajaらは「From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate」（ACM FAccT 2025）でこれを形式化し、「効率化の利益がパラドックス的に消費の増加を刺激する可能性がある」と主張しました。

二重のジェヴォンズ効果です。安いAIがAIサービスへの需要を増やし、効率的なチップがチップへの需要を増やします。どちらも同じ物理的インフラに制約されています。電力網の容量、冷却水、チップのパッケージングです。

エネルギーの壁はジェヴォンズ説を覆すのでしょうか？いいえ、しかし曲げます。正しい類推は元の石炭の話です。Jevonsは効率的な蒸気機関が石炭需要を増やすと言って正しかった。しかし、石炭の供給制約（採掘能力、輸送、労働力）が価格フロアを作り、成長率を緩和しました。需要の爆発は実在したが無限ではなかった。AIもおそらく同じパターンをたどるでしょう。ジェヴォンズ効果は実在するが、インフラ制約が自然なスピードガバナーとして機能し、AIコストを純粋なアルゴリズム効率が可能にするよりも高く保ち、需要の爆発を物理的な供給が拡大できるペースに緩和するのです。

Epoch AIの包括的分析は、電力が「最初にバインドする可能性が高い制約」であるとすべてのAIスケーリングのボトルネックの中で結論づけました。Jensen Huangはエネルギーを「ボトルネック」と呼び、AI産業の「5層のケーキ」の最下層に位置付けました。最下層が制約すれば、その上のすべても制約されます。

IV. 分配の問い：余剰は誰の手に渡るのか？

ジェヴォンズの爆発が実現したとしても、誰が恩恵を受けるかは極めて重要です。AIによる効率化の余剰はどこかに向かわなければなりません。労働者への高い賃金として、消費者への低価格として、資本所有者への利益として、あるいは特定の地域への集中的成長として。初期の証拠は、その流れが極めて不均一であることを示しています。

賃金プレミアムは実在するが集中している。 PwCの2025 Global AI Jobs Barometerは、6大陸の約10億件の求人広告を分析し、AIスキルを要する職種には同等の職種に比べ56%の賃金プレミアムがあることを発見しました。このプレミアムは1年で倍増しました。しかしBrookingsとGovAIの分析では、利益は年収約9万ドルでピークを迎え、6桁の所得者で高止まりしています。収入が低い労働者は、既存のワークフローでAIツールにアクセスする機会が少ないのです。AIから最も利益を得られるポジションにいるのは、すでに恵まれている人々です。

より深い構造変化は、労働から資本へのシフトです。 IMFの2025年4月のワーキングペーパーは直感に反する発見をしました。AIは実際には賃金格差を縮小する可能性があるのです。高賃金の認知タスクを代替することで賃金分布を圧縮するためです。しかし同時に、資産格差を拡大します。高額な労働の自動化から生じる余剰が、企業利益と株価上昇を通じて資本所有者に流れるためです。連邦準備制度のDistributional Financial Accountsによれば、米国世帯の上位10%がすべての企業持分の約87%を保有しています。AIが企業収益を押し上げると、利益は賃金を得る人々ではなく、株式を所有する人々に集中します。IMFが述べたように、「賃金格差が縮小するシナリオにおいてさえ、AIは資産格差を大幅に拡大させる可能性が高い」のです。

地理的集中は際立っている。 Brookingsは、30の米国大都市圏がAI関連の求人投稿の67%を占めていることを発見しました。ベイエリアだけで、グローバルな生成AI向けベンチャーキャピタルの82%を吸収しています。わずか15都市が米国のAI資産と能力の3分の2を占めています。この集中度はIT時代よりもさらに極端です。フロンティアAI開発に必要な計算インフラと専門人材は、インターネットブーム時代に求められたものと比べ桁違いに高コストです。

国際的な状況はさらに深刻です。EUはアメリカの40に対し3つのファウンデーションモデルしか生み出しておらず、グローバルなハイエンドAIコンピュートの5%しか保有していません。アメリカは74%です。インドの2,270億ドルのBPO産業は500万人を雇用しGDPの7.4%に貢献していますが、直接的な破壊に直面しており、推定165万人の音声サポート・データ処理労働者がリスクにさらされています。アフリカのAI市場全体は2025年に45億ドルと予測されており、世界のAI支出の約1〜1.5%です。DeepSeekのオープンソースモデルと中国のデジタルシルクロードはグローバルサウスに代替経路を提供しますが（2024年のFOCACサミットでアフリカと20のデジタルインフラプロジェクトが発表）、別の超大国への技術的依存というコストを伴います。

中国は自然実験を提供しています。 世界第2位のAIエコシステムを持つ中国——DeepSeek、Qwen、そして多数のファウンデーションモデル——は、根本的に異なる制度的条件の下で運営されています。国家主導の産業政策、管理された労働市場、そして国家と技術企業の間の異なる関係です。中国の製造業やサービス業で雇用喪失が起きた場合、対応には中央で調整された再訓練プログラムと新産業への指向的投資が含まれ、市場メカニズムによる調整ではありません。中国のアプローチが西側モデルより低い喪失コストと速い労働者の再配置を実現するならば、ジェヴォンズ説は技術と弾力性だけの問題ではなく、ガバナンスの問題であるという示唆になります。本稿のフレームワークは暗黙的に西側のものであり、中国の軌跡はそのフレーミングが有効かどうか、あるいは制度設計が市場構造よりも決定的であるかどうかを試すことになります。

制度的変数が最も重要です。 強力な労働組合と積極的な労働市場政策を持つ北欧諸国では、AIの導入は賃金格差の縮小と関連しています。米国と英国では、同じ技術がより鋭い二極化と同時に進行しています。OECDの2024年11月の調査では、2014〜2018年の間にAIに最も影響を受ける職業の中でAIが格差を縮小したことが分かりました。ロボットが引き起こしたこととは正反対です。メカニズムは以下の通り。AIは物理的労働を代替するのではなく補完する認知タスクを自動化することで、低スキル労働者の相対賃金を引き上げます。しかし、この平等化効果が持続するかどうかは、生産性の利益を労働者が獲得するか資本所有者が獲得するかに完全に依存します。同じ技術、異なる制度、正反対の分配結果です。

SAG-AFTRAとWGAの2023年のストライキは、AI権利に関する最初の成功した労使交渉を生みました。同意要件、報酬保護、人間の創作物のAI使用に関する透明性ルールです。これはテンプレートとして機能しますが、ハリウッドの脚本家はマニラのコールセンター労働者よりも交渉力があります。より広い政策ツールキットは、分配の問いに対して信頼できる答えをまだ出せていません。ロボット税はEUで否決されました。AltmanのUBIパイロット（低所得者1,000人に月1,000ドル）は必需品の支払いには役立ちましたが、雇用の質や健康状態の改善にはつながりませんでした。Brookingsは、AI高曝露職からの転職者が再訓練後、低曝露職からの転職者より25%少ない賃金を得ていることを発見しました。AIの余剰を分配するメカニズムは、現時点では理論上のものにとどまっています。

最も楽観的な予測でさえ、この偶然性を認めています。Amodeiの途上国向け「夢のシナリオ」——AIによる技術普及を通じた年間20%のGDP成長——には明示的な但し書きがあります。「私たちの側の強い努力」が必要だということです。恩恵は自動的に分配されません。彼はまた「オプトアウト問題」を指摘しています。AI強化されたサービスを拒否する人々は徐々に遅れをとり、既存の格差を複合するフィードバックループを生み出します。ワクチン忌避との類似は居心地が悪いですが示唆的です。技術の恩恵が大きく、導入が不均一な場合、導入者と非導入者の間の格差は、いかなる再分配メカニズムでも縮められないほど速く拡大します。

V. 制度の時代（2045〜2055年）：Perez的転換

ジェヴォンズの爆発が弾力的なセクターで起こり、エネルギーの制約が壊れずに曲がると仮定しましょう。それでも生産性の向上には制度が追いつく必要があり、それには数十年かかります。

Carlota Perezの技術経済パラダイム理論（2002年）はこのパターンを記録しています。蒸気動力は有限責任会社と鉄道システムを必要としました。電力は科学的管理法と大量生産を必要としました。情報技術はリーン生産とアジャイル手法を必要としました。各汎用技術は新しいツールだけでなく、新しい制度を必要としたのです。技術は常に制度の追随より数十年先に到来し、生産性の向上は両者のマッチングから生まれました。

制度的適応はすでに始まっていますが、断片的にです。EU AI Actは2024年8月から段階的に施行が開始され、AIシステムの最初の包括的な規制フレームワークを作りました。リスクレベルによるシステム分類と、高リスクアプリケーションへの透明性・監査要件を課しています。カリフォルニアのSB 1047は、2024年を通じて議論されNewsom知事に拒否されましたが、コンピュート閾値を超えるフロンティアモデルの安全テストを要求するものでした。アプリケーションレベルではなく能力レベルでAIを規制する最初の試みです。SAG-AFTRAとWGAの2023年の協定は、人間の創作物のAI使用に対する同意要件と報酬保護を確立しました。他の業界はまだこれを再現していません。シンガポールのModel AI Governance Frameworkはまったく異なるアプローチを取っています。自主的で、業界主導であり、規範的なルールよりも組織的説明責任を重視しています。

これらのフレームワークのいずれも、より深い構造的問いに答えていません。著作権のある作品で訓練されたAIシステムの出力は誰のものか？教育機関はまだ存在しない役割に向けてどのように労働者を準備すべきか？AIによる生産性向上からの余剰を再分配しつつ、それを生み出す投資を抑制しない税制と移転メカニズムはどうあるべきか？著作権の問いは米国の裁判所で進行中です。New York Times v. OpenAIとThomson Reuters v. Ross Intelligenceの訴訟が判例を確立することになります。しかし、より広い制度的再設計はまだほとんど始まっていません。

この時代の仮説： 2055年までに、経済を支配する組織構造は2025年の企業とほとんど似ていないでしょう。ちょうど2025年のテクノロジー企業が1960年代の産業コングロマリットとほとんど似ていないように。問いは制度が適応するかどうかではなく、技術的能力と制度的準備の間のギャップの間にどれだけのダメージが蓄積するかです。

Perezの歴史的分析は、これらの移行がめったに順調でないことを示唆しています。新たな制度的フレームワークが安定する前に、金融危機、政治的動乱、世代間対立を伴います。ヴィクトリア朝経済から進歩主義時代への移行は、数十年の労働争議、独占禁止法の適用、規制の創出を要しました。AIの移行がより穏やかになることはないでしょう。

VI. 弱気のシナリオ：悲観論者が正しかったら？

上記のシナリオは、AIが汎用技術の歴史的パターンに従うことを前提としています。この前提は間違っているかもしれません。3つの批判は、楽観的な見解が通常認めるよりも強力です。

Robert Gordonの長期停滞論。 GordonのThe Rise and Fall of American Growth（2016年）における主張は、イノベーションが減速したということではありません。1870〜1970年の「一度限りの」発明（上下水道、電気、内燃機関、電気通信）が物質的存在を、定義上再現不可能な方法で変革したということです。屋内配管は一度しか発明できません。Gordonはまた、技術的進歩とは無関係に成長を抑制する構造的逆風（格差の拡大、教育の停滞、人口の高齢化、政府債務の増大）も特定しています。AI推進派は、AIが変革的である理由だけでなく、50年にわたって生産性を抑制してきた逆風を克服する理由を説明しなければなりません。

Daron Acemogluのイノベーションの方向性論。 Acemogluの批判は、一般的な論評が示唆するよりも具体的で、定量的にダメージが大きいものです。「The Simple Macroeconomics of AI」（NBER Working Paper 32487, 2024; Economic Policy, 2025年1月）で、彼はAIが全要素生産性を**10年間で最大0.53〜0.66%しか向上させず、累積GDP増加は1.1〜1.6%**に過ぎないと推定しました。これらの数値は、楽観的な予測より1桁小さいものです。

そのメカニズムは以下の通りです。Acemogluのタスクベースのフレームワーク（Pascual Restrepoと共同開発）は、自動化の労働市場への影響を形成する3つの力として、置換、生産性、新タスク創出を特定しています。重要な洞察は、置換が新タスク創出を上回れば、自動化は生産性向上をもたらしながらそれでも労働者に害を及ぼし得るということです。彼の「so-so technologies」という概念——大幅な生産性向上なしに労働者を置換する自動化（レジ係よりも劇的に効率的ではないが雇用は削減するセルフレジのような）——は、現在の多くのAI導入に不快なほど当てはまります。2026年1月のHBRの分析では、調査対象組織の60%がAIの潜在的な能力を見越してすでに人員を削減しており、実際のAI導入に基づく大規模レイオフを報告したのはわずか2%でした。企業はAIが実際に行ったことではなく、行うかもしれないことのために労働者を削減しているのです。

測定問題。 GDPはAIによる品質向上を捉えません。より良いレコメンデーション、パーソナライズされたコンテンツ、より速いサービス、無料のAIツール。これらのいずれも生産性統計には表れません。しかし、コスト（置換、再訓練、エネルギー消費）は表れます。William Nordhausは、経済データが変革的なAIシナリオと整合的な成長の加速を支持するかどうかを実証的にテストしました（American Economic Journal: Macroeconomics, 2021）。彼の結論は、支持しない、でした。

3つの批判は異なる方向を指しています。Gordonは大きな利益は過去のものだと言います。Acemogluは利益は予測より小さく、誤った方向に向かっていると言います。Nordhausはデータが加速を示していないと言います。いずれも明らかに間違っているとは言えません。しかし彼らもまた、2025年の2.7%の生産性ジャンプと6,020億ドルのハイパースケーラー設備投資を説明しなければなりません。何かが起きています。議論は規模、方向性、そして分配についてです。

VII. 軌跡の追跡：どのシナリオが実現しているかを知る方法

これらのシナリオは検証可能な予測を生み出します。

2030年までに、4つの指標が道筋を区別するでしょう。 第一は、ソフトウェア開発とコンテンツ制作における雇用——認知労働が制約的なコスト要因である領域です。すでに制作時間を3分の1削減するAIツールがあるにもかかわらず、両セクターが成長していれば、需要が置換を上回っています。両方が縮小していれば、農業モデルが当てはまります。第二はAI賃金プレミアムです。PwCは2025年に56%と測定しました。20%以上を維持していれば、拡張の時代は進行しています。ほぼゼロに崩壊すれば、AIリテラシーが拡張による持続的移行を支えるには速すぎるペースでコモディティ化したことになります。第三は新しい職種カテゴリーの出現——Autorのフレームワークが予測するように、BLSが現在存在しないAIネイティブの職業をコード化し始めるかどうか。第四はデータセンターのエネルギーシェアです。米国のデータセンターが国の電力の12%以上を消費していれば、エネルギーの壁がバインドしています。8%未満であれば、物理的制約は曲がりつつあります。

2035年までに、マクロの全体像が明確になります。 2%を超える持続的な全要素生産性成長はJ-Curveの変曲を検証するでしょう。ソフトウェア、アナリティクス、コンテンツにおける認知サービス支出が3倍以上（インフレ調整済み）であれば、高弾力性領域でのジェヴォンズ効果が確認されます。上位10大都市圏とそれ以外に流れるAIベンチャーキャピタルの比率——現在は約70/30——は、地理的集中が強まっているか分散しているかを示します。そして、2014年の53%から2024年に52.4%に低下した国民所得に占める労働分配率は、労働者と資本所有者のどちらが余剰を獲得しているかを示すでしょう。

結論：制約的ボトルネック

本稿のすべては、認知労働がコスト構造のどこに位置するかにかかっています。

ソフトウェア開発においては、認知労働がコスト構造そのものです。仕様作成、コーディング、テスト、デバッグ——これらは機械や施設に従属する二次的な項目ではありません。これらが製品です。これらのコストを半減させれば、5人のエンジニアリングチームを正当化できなかった企業が2人で出荷できます。90%削減すれば、ソフトウェア予算を持ったことのない企業がカスタムツールを構築し始めます。コンテンツ制作も同じ論理に従います。ライティング、デザイン、映像制作は純粋な認知労働です。労働が制約的ボトルネックである領域で制作コストが崩壊すると、「安くなる」は「少なくなる」を意味しません。「多くなる」を意味します。これがジェヴォンズのメカニズムであり、ソフトウェアとコンテンツはそれが最もクリーンに検証される場です。

数字は明確になるでしょう。すでに制作時間を3分の1削減するツールがあるにもかかわらず、2030年に米国が今日より多くのソフトウェア開発者とコンテンツクリエイターを雇用していれば、需要が置換を上回っています。両セクターが縮小していれば、その前例は石炭ではなく農業です——1世紀にわたる生産性向上、労働力の95%が消失。食料への需要に上限があったからです。重要なのは、安価な認知労働が新しい市場を開くのか、それとも既存市場のコストを下げるだけなのかです。

Acemogluの予測——10年間で0.53〜0.66%のTFP成長——はAIができることの尺度ではありません。現在のインセンティブが維持される場合にAIが行うであろうことの尺度です。企業が市場拡大ではなく人員削減のために自動化を行う場合。効率化の利益が消費者への低価格として届くのではなく、少数の企業に集中する場合。より安い認知が本来もたらすはずの需要爆発に電力を供給するのに、電力網が十分に速くスケールできない場合。これらの条件のそれぞれは、宿命ではなく選択です。

Jevonsは石炭について正しかった。なぜなら市場が機能したからです。安い蒸気が新しい産業を生み、古い産業が使っていたよりも多くの石炭を燃やしました。彼が知能について正しいかどうかは、安い認知からの利益がより広い経済に届くか、それともすでに支配的な企業のアカウントに留まるかにかかっています。

Sources:

Amodei, Dario, "Machines of Loving Grace" (darioamodei.com, October 2024)
Amodei, Dario, "The Adolescence of Technology" (darioamodei.com, January 2025)
Acemoglu, Daron, "The Simple Macroeconomics of AI" (NBER Working Paper 32487, 2024; Economic Policy, January 2025)
Acemoglu, Daron & Restrepo, Pascual, "Automation and New Tasks: How Technology Displaces and Reinstates Labor" (Journal of Economic Perspectives, 2019)
Autor, David, Chin, Caroline, Salomons, Anna & Seegmiller, Bryan, "New Frontiers: The Origins and Content of New Work, 1940–2018" (Quarterly Journal of Economics, Vol. 139, Issue 3, 2024)
Brookings Institution & GovAI, "AI and the Labor Market" (2025)
Brynjolfsson, Erik, Li, Danielle & Raymond, Lindsey, "Generative AI at Work" (NBER Working Paper 31161, 2023)
Brynjolfsson, Erik, Rock, Daniel & Syverson, Chad, "The Productivity J-Curve: How Intangibles Complement General Purpose Technologies" (American Economic Journal: Macroeconomics, 2021)
Challenger, Gray & Christmas, "January 2026 Job Cuts Report" (February 2026)
David, Paul A., "The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox" (American Economic Review, 1990)
Dell'Acqua, Fabrizio et al., "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality" (Harvard Business School Working Paper 24-013, 2023)
Epoch AI, "Can AI Scaling Continue Through 2030?" (2025)
Federal Reserve, Distributional Financial Accounts (2024)
Goldman Sachs, "AI, Data Centers and the Coming US Power Demand Surge" (2024)
Gordon, Robert J., The Rise and Fall of American Growth (Princeton University Press, 2016)
International Energy Agency, "Energy and AI" (2025)
IMF Working Paper WP/25/68, "AI Adoption and Inequality" (April 2025)
Jevons, William Stanley, The Coal Question (1865)
Khowaja, Sunder Ali et al., "From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate" (ACM FAccT, 2025)
Marguerit, David, "Augmenting or Automating Labor?" (arXiv:2503.19159, 2025)
Nordhaus, William, "Are We Approaching an Economic Singularity?" (American Economic Journal: Macroeconomics, Vol. 13, No. 1, 2021)
Noy, Shakked & Zhang, Whitney, "Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence" (Science, Vol. 381, 2023)
OECD, "What Impact Has AI Had on Wage Inequality?" (November 2024)
Perez, Carlota, Technological Revolutions and Financial Capital (Edward Elgar, 2002)
PwC, "2025 Global AI Jobs Barometer" (2025)
Rogers, Everett M., Diffusion of Innovations (1962; 5th Edition, 2003)
Shapiro, Carl & Varian, Hal, Information Rules (Harvard Business School Press, 1999)
Solow, Robert, "We'd Better Watch Out" (New York Times Book Review, July 12, 1987)
TechInsights, "Nvidia Data Center GPU Shipments" (2024)
Virginia Joint Legislative Audit and Review Commission, "Data Centers in Virginia" (2024)
Council of Economic Advisers, "Artificial Intelligence and the Great Divergence" (White House, January 2026)