「AIを使いこなす人が勝ち、使えない人が負ける」という命題は、メディアで繰り返し語られています。しかし宮本弘暁先生の新著『AI大格差—最先端の研究が明かす仕事と給料の未来』(日本評論社) を読むと、最新の労働経済学が描く現実はこの単純な図式と大きくずれていることが見えてきます。本書はG7のAI専門家パネルに参加された宮本先生の知見を凝縮した一冊で、フレイ＝オズボーンからオーターへと続くタスクベース・アプローチの系譜、コールセンター実験やタクシーAI Naviの実証、そして「ギザギザの技術フロンティア」の含意を丁寧に辿っていきます。今回のNewsletterでは、AI格差の本質はどこにあるのか、低スキル層への恩恵と経験者の「見抜く目」がなぜ同時に成立するのか、そして人事プロフェッショナルが今着手すべき転換について書きました。
type: draft
task_id: book-AI大格差-linkedin
channel: personal-tl
voice: personal
draft_iteration: 3
status: review
created: 2026-06-01
updated: 2026-06-01
based_on: book-AI大格差-linkedin-draft-v2.md
v3_changes:
slop_fixes:
- 「5つの転換」を「4つの転換」に整理、項目長を意図的に不揃いに
- 「〜することで〜できる」型因果接続を短文言い切りに分解 (4箇所)
- 「〜のである」止めの反復を削減 (6回→3回)
- トリプル並列を2箇所削減 (3要素→2要素or 4要素)
- 「分岐点」語彙を3回→1回 (タイトルのみ)
- 「勝者」語を削除、別語に置換
- 章タイトルのコロン区切り独占を緩和 (3章をem-dash形に、HR章を非コロンに)
argument_fixes:
- 第4章末に「移行期」が機能条件として再登場する一文を追加 (中盤での論証厚み)
- 第5章冒頭に第4章 (時間軸) との軸関係を1文で明示
- 項目3に「どの低スキル層から優先するか」の判断基準を追加
tags:
- thesis
- linkedin-newsletter
- AI-and-employment
- labor-economics
- task-based-approach
「AIを使いこなす人が勝ち、使えない人が負ける」。この命題は直感的にもっともらしく、メディアでも繰り返し語られている。だが、この単純な図式は、最新の労働経済学が描く現実とは大きくずれている。
宮本弘暁 (一橋大学経済研究所教授) は新著『AI大格差—最先端の研究が明かす仕事と給料の未来』(日本評論社, 2026)[1]で、格差を生む構造を二層で捉える必要があると論じる。第一にタスク構造の変化、第二にAI出力を評価し意思決定に落とし込む「判断と責任の回路」。そしてこの二層が機能する条件として、リスキリングと職の移動を支える移行期の制度設計が前提に置かれる。AIを「使える」かどうかは表層の話にすぎない。
宮本は2024年G7「人工知能と経済・金融政策立案に関するハイレベル専門家パネル」に日本代表として参加し、フィリップ・アギヨン教授 (2025年ノーベル経済学賞) らと報告書を共同作成した人物である。本書はその知見を日本の読者に向けて凝縮した一冊だ。
2013年、フレイとオズボーンが「米国の雇用の47%が自動化のリスクにさらされている」と発表し[2]、世界中に衝撃を与えた。だが、この研究は「職業単位」での分析だ。OECDが「同じ職業でもタスク構成は個人によって異なる」と批判した[3]ことを契機に、分析の主流はタスクベース・アプローチへと転換した。
MITのデイヴィッド・オーター教授が体系化したこの枠組みは、仕事を「定型的タスク」と「非定型的タスク」に分解する。AIが代替しやすいのは定型的タスクだ。仕事全体は消えない。ATMの普及で銀行窓口業務が減ったにもかかわらず、窓口担当者の仕事は顧客相談に再編され、支店数はむしろ増加した[4]。技術は仕事を「消す」のではない。「形を変える」のだ。
複数の国際機関の試算も方向性を共有する。ゴールドマン・サックスは世界で3億人の雇用が影響を受けると見積もり、WEF「仕事の未来レポート2025」は2025-2030年に約1.7億の新規雇用創出と約9200万の雇用喪失—純増7800万を予測している[5]。IMFの分析では先進国の雇用の約60%がAIの影響を受けるが、その半分は「補完」(生産性向上) であり、残り半分が代替リスクだ[6]。複数の独立した推計が同じ方向を指している点を見逃してはならない。
本質はここにある。「補完か代替か」は職業によって決まるのではなく、同じ仕事の中で混在する。だからこそ職業単位の議論では届かない。
通説の裏を突く実証が積み上がっている。
ノイとチャン (Noy & Zhang, 2023) が『サイエンス』誌に発表したコールセンター実験では、生成AIの導入により低スキル層のパフォーマンスが大きく向上した[7]。高スキルの担当者にとっての改善は限定的だった。東京大学の渡辺安虎らが開発したタクシーAI Naviの実証では、経験の浅いドライバーの売上が約14%向上した[8]。効果は経験豊富なドライバーではなく、経験不足のドライバーにおいて顕著であった。
ハーバード大学とBCGの共同研究[9]は、コンサルタントにAIを使わせた実験で「ギザギザの技術フロンティア」という概念を提示した。AIの得意領域では生産性が大幅に向上する。だが不得意領域では—AIを使ったグループの方がむしろパフォーマンスが低下した。AIの出力を鵜呑みにし、自分の判断を手放したことが原因だ。
アグラワル、ガンズ、ゴールドファーブ (トロント大学) は『サイエンス』誌で「よりよい自動化」の経済学を提唱し[10]、自動化と補完は対立しないと論じている。部分的に自動化する。人間はより高次の判断に集中できる。逆に全面的に自動化すると、「まあまあの技術 (so-so technology)」—MITのアセモグルが批判する[11]—に陥り、雇用を壊しながら生産性もさほど上がらないという最悪のパターンを招く。
私はここに、深津貴之らが『メタスキル』(2025)[12]で言う低周波帯のスキルとの強い接続を見る。フーリエ変換のメタファーで言えば、プロンプトの書き方やツールの操作法は高周波帯—陳腐化が速い。一方、構造を見抜く力やAI出力の「違和感」を察知する判断力は低周波帯に属し、時代を超えて価値を持つ。宮本が本書で繰り返す「見抜く目」とは、この低周波帯スキルそのものだ。
ひとつ、論理的な緊張を解いておきたい。先に紹介した実証は低スキル層への恩恵が大きいと示すが、宮本は本書で「経験者の方がAI出力の違和感に気づきやすい」とも指摘する。一見すると矛盾する。だが、時間軸で整理すべき問題だ。
短期—AI導入直後の数ヶ月から1〜2年では、定型タスクの自動化が一気に進む。コールセンターやタクシー配車のように、ベテランの暗黙知をAIが言語化し、経験不足を埋める効果が支配的になる。低スキル層の生産性が底上げされ、組織全体の出力が押し上がる位相だ。
中長期—3〜5年以上の地平では、AIの「ギザギザの技術フロンティア」が顕在化する。AI出力の根拠の薄さや事実誤認を見抜く判断力、適切な問いを立てる能力が分岐点になる。BCG実験で示されたように、AIの不得意領域では経験者の判断回路がないと逆に質が下がる[9]。短期の底上げが行き渡った後、組織の差を決めるのはこの「見抜く目」のほうだ。
低スキル層への恩恵と経験者優位は時間的に位相がずれているだけで、両立する。短期は底上げのインフラ、中長期は判断回路の育成—二つの戦略を並走させた組織だけが、AI格差を構造的優位に転換できる。
ただし時間軸の両側を機能させるには、ひとつの前提条件がある。移行期に取り残される層への制度的支援だ。IMFの分析では先進国の雇用の約60%がAIの影響を受け、その半数は代替リスク側に立つ[6]。この層への再訓練機会が空白になれば、短期の底上げも中長期の判断回路育成も土台を失う。冒頭で示した「機能する条件」は、論考の中盤においても効いている。
時間軸で分けた2つの位相を、今度は個人と組織の二層に分解する。両軸は補完関係にある—個人の判断回路の育成は中長期側で利き、組織のタスク再設計は短期から効く。
個人の層では、AI出力を評価できるかどうかが決定的になる。ドメイン知識の蓄積がハルシネーションや根拠の薄い結論に対するセンサーとして機能する。私が以前のNewsletterで紹介した「7:3のパートナーシップ」[13]—自分が70%理解している領域でAIに残り30%を補わせるという設計—は、この「見抜く目」が機能する条件を示していた。70%の理解が前提条件だ。それなしには残り30%の妥当性を評価できない。
組織の層では、タスクの再設計が鍵を握る。フォードが100年前に分業を導入して生産性を飛躍させたように、AIの導入は仕事そのものの再設計を伴う。再設計がなければ効果は出ない。宮本は「どの業務で・どのように・どこまで」AIを使うかの線引きを経営判断として行うことを強調する。これは、Bersinが「HR 2030」のビジョンで描いた「HRはプロセス管理者からシステムチューナーへ進化する」[14]という方向性と合致する。AIという新しいインフラを、自組織の文脈にチューニングする能力が問われている。
人事プロフェッショナルが今着手すべき転換を4つ挙げる。
1.「AI研修」から「判断力の鍛錬」へ。 AIツールの操作研修は必要だが、それだけでは不十分だ。AI出力を批判的に評価し、最終的な意思決定の責任を引き受ける力—これを育成プログラムの中核に据える。
2.職業単位からタスク単位への分析転換。 「この職種はAIに代替される」という粗い議論をやめる。職務をタスクに分解し、どこが補完されどこが代替されるかを精緻に分析する。これが入り口になる。
3.低スキル層からAIを導入する。優先順位は明確だ。 実証が一貫して示すのは、低スキル層のパフォーマンス底上げ効果である。AIを「エリートの武器」から「底上げのインフラ」へ位置づけ直す。組織全体の生産性が押し上がる。どの低スキル層から優先するかの判断基準は—(a) 業務の定型性が高い領域、(b) 暗黙知が言語化可能な領域、(c) 個別パフォーマンス差が大きい領域。この3つを満たす業務群が最大の費用対効果を生む。オーターが言う「中間層の再建」[15]は、この方向にこそ可能性がある。
4.「部分的自動化」を設計原則にする。 全面自動化ではなく、部分的自動化による補完を意識的に設計する。判断基準は「責任の所在が問われる領域」と「説明可能性が求められる領域」では人間が判断を残すこと。これに該当しない定型処理は積極的に自動化する。「まあまあの技術」に陥らない実装を目指す。
そして転換4つすべての土台に、移行期の制度設計が来る。代替リスクの高い定型業務の従事層へのリスキリング機会、社内公募制度による職務移動の流動化、キャリア転換の外部支援—この優先順序で実装する。技術革新の長期的な雇用創出効果は歴史的に確認されているが、移行期に取り残される人材が格差の主因になる。「いずれやる」ではなく「今やる」課題だ。
AI大格差は、テクノロジーの進歩そのものから生まれるのではない。それをどう使うか、どう組織に埋め込むか、移行期に誰を取り残さないか—人間の選択の設計から生まれる。
宮本先生の本書を読みながら、コールセンター実験とタクシーAI Naviの結果に何度も立ち返った。「AIは高スキル人材をさらに強くする」という自分の思い込みを、データが静かに覆していく。低スキル層にこそ恩恵が大きいという知見は、AI導入の優先順位を考え直すきっかけになった。来週にはエネルギー業界の案件で、タスク分解と部分自動化の線引きを実務に落とし込む段階に入る。理論と現場が交差する瞬間はいつも心が躍る。
[1]宮本弘暁 (2026).『AI大格差—最先端の研究が明かす仕事と給料の未来』日本評論社.
[2] Frey, C. B., & Osborne, M. A. (2017). "The future of employment: How susceptible are jobs to computerisation?" Technological Forecasting and Social Change, 114, 254-280. (Working paper 2013)
[3] Arntz, M., Gregory, T., & Zierahn, U. (2016). "The Risk of Automation for Jobs in OECD Countries." OECD Social, Employment and Migration Working Papers, No. 189.
[4] Bessen, J. E. (2015). "How Computer Automation Affects Occupations: Technology, Jobs, and Skills." Boston University School of Law, Law and Economics Research Paper, No. 15-49.
[5] World Economic Forum (2025). The Future of Jobs Report 2025.
[6] International Monetary Fund (2024). Gen-AI: Artificial Intelligence and the Future of Work. IMF Staff Discussion Note.
[7] Noy, S., & Zhang, W. (2023). "Experimental evidence on the productivity effects of generative artificial intelligence." Science, 381 (6654), 187-192.
[8]渡辺安虎ほか.タクシーAI Naviの実証研究.東京大学.
[9] Dell'Acqua, F., et al. (2023). "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality." Harvard Business School Technology & Operations Mgt. Unit Working Paper, No. 24-013.
[10] Agrawal, A., Gans, J. S., & Goldfarb, A. (2023). "Do We Want Less Automation?" Science, 381 (6654), 155-158.
[11] Acemoglu, D., & Restrepo, P. (2019). "Automation and New Tasks: How Technology Displaces and Reinstates Labor." Journal of Economic Perspectives, 33 (2), 3-30.
[12]深津貴之,けんすう,尾原和啓 (2025).『メタスキル—努力の価値がわかる時代のAI×自分戦略』NewsPicksパブリッシング.
[13]諸橋峰雄 (Neo).佐藤勝彦 (2026).『AIアウトプット超大全』SBクリエイティブ.第3章インタビュー.
[14] The Josh Bersin Company (2026). HR 2030: Agentic AI Vision.
[15] Autor, D. H. (2024). "Applying AI to Rebuild Middle Class Jobs." NBER Working Paper, No. 32140.