AI業務代替指標、政策活用に限界

AIが職業の何割の業務を代替できるかを示す「AIエクスポージャースコア」が、学術論文から政策立案まで広く引用されている現状に対し、その測定手法の限界と政策・研究間の連携不足を体系的に論じた論文が公表された。キャンベル・ランド氏らの研究チームがarXivに投稿した。

問題の起点となるのは、Eloundouら（2023年）が算出した「GPTs are GPTsスコア」と呼ばれる指標群である。これは大規模言語モデルが各職業の業務タスクをどの程度支援できるかを静的に測定したものだ。研究チームはこのスコアが二つの構造的な問題を内包していると指摘する。

第一の問題は、測定値そのものの限界である。スコアは特定の時点・地域・業務定義に基づいて算出されており、技術革新の速度や国ごとの労働市場の差異を反映できない。例えば、日本やドイツといった製造業中心の経済圏と、米国のサービス業主体の経済圏では、同一の職業分類でも実際の業務内容が大きく異なる。静的な指標をそのまま援用すれば、特定産業や地域での人材リスクを過大または過小評価する恐れがある。

第二の問題は、より深刻とされる研究と政策の間の連携不足である。測定手法の改善を目指した後続研究—動的指標、アンサンブル手法、労働者視点の指標、実際の導入・利用データなど五つの研究系統—が存在するにもかかわらず、政策立案の現場では旧来のスコアが更新されないまま参照され続けている。

企業経営への影響は多岐にわたる。人事部門においては、AIエクスポージャースコアを根拠とした要員計画の見直しリスクが生じる。スコアが高い職種—データ入力、文書作成、顧客対応などホワイトカラー業務の多く—を単純に削減対象と見なすことは、実態とかい離した意思決定につながりかねない。特に金融機関のコンプライアンス部門、保険会社のアンダーライティング部門、製薬企業の規制申請部門など、高度な専門判断を要する業務では、代替可能性の評価が機械的なスコアに依存することへのリスクは大きい。

KPI管理の観点でも示唆は大きい。生産性向上率やAI投資対効果（ROI）を測定する際、業務代替の「可能性」と実際の「導入率」と「成果」は別次元の問題である。論文が指摘する導入・利用データの欠如は、企業のAI投資効果測定においても共通する課題であり、自社内でのAI活用実態を継続的に把握するデータ基盤の整備が急務となる。

製造業では、工場の現場業務はエクスポージャースコアが低いとされてきたが、設計・品質管理・調達といった間接部門は高スコアに分類されやすい。この区分が人員配置や採用計画に直接反映されれば、現場の熟練知識が失われるリスクや、専門人材の早期流出を招く可能性がある。

研究チームは、政策立案者が証拠基盤を拡充し、労働者を意思決定の「知的パートナー」として位置づけるよう求めると同時に、研究者側もデータインフラの構築と参加型手法の採用を通じて実務との接続を強化すべきと論じる。予測から「備え」へのパラダイム転換が、企業の人材戦略においても不可欠の視点となりつつある。