要約
結論は、ミクロではYes、マクロではまだ完全確認ではない。
Brynjolfsson, Li, RaymondのGenerative AI at Workは、5,172人のカスタマーサポート担当者を分析した。生成AIアシスタントへのアクセスは、1時間あたりの解決件数で見た生産性を平均約**15%**高めた。効果は経験の浅い労働者や低スキル層で特に大きかった。
FRBのFEDS Notesは、AI導入がすでに無視できない水準に達したことを示す。2025年末時点で企業ベースのAI導入率は約18%、個人の業務関連GenAI利用率は約41%、雇用加重では労働者の約**78%がAI導入企業で働き、約54%**がLLM利用企業で働いている。
一方でカンザスシティ連銀は慎重だ。米国の労働生産性は2022年末以降、パンデミック前トレンドを上回っているが、改善はまだ広範ではない。AI導入率が高い産業ほど生産性成長が速い傾向はあるが、集計上の生産性改善の多くをAIだけで説明するには不十分だ。
4つの資料をつなぐ
| 資料 | 階層 | 問い | 結論 |
|---|---|---|---|
| Generative AI at Work | 職場・タスク | AIは実務生産性を上げるか | 特定業務では上げる |
| FEDS Notes | 導入率 | AIはどれだけ使われているか | すでに意味のある水準 |
| カンザスシティ連銀 | 産業別生産性 | 米国の生産性改善はAIか | 関係はあるが未確定 |
| サンフランシスコ連銀 | 政策 | 何を見るべきか | 集計データだけでは遅い |
職場では効果がある
重要なのは15%という数字だけではない。AIは最高の労働者をさらに天才化したというより、経験の浅い労働者を平均に近づけた。これはスキル格差の圧縮である。
AIは組織内の暗黙知を一部システム化し、新人教育、顧客対応、文章作成、技術サポートのような業務で効果を出しやすい。
導入率はすでに十分高い
18%、41%、78%、54%という数字は矛盾しない。企業数、個人、雇用加重という単位が違うためだ。大企業が先に導入すると、企業数ベースでは低く見えても労働者ベースでは高くなる。
導入が目立つのは金融と専門サービスだ。これはAIが低付加価値作業ではなく、高付加価値の知識労働に最初に入り込んでいることを意味する。
マクロ生産性はまだ狭い
米国の生産性は改善している。しかし改善は一部産業に集中している。これはAIの失敗ではなく、汎用技術の初期普及によくある姿だ。
タスク単位の改善
→ 企業の業務再設計
→ 産業への拡散
→ マクロ統計への反映
今はまだこの連鎖の途中にある。
投資への示唆
AIインフラ投資はなお正当化されうる。ただし根拠はモデル性能ではなく、業務フローでの生産性改善でなければならない。
韓国市場では、HBM、サーバーDRAM、eSSD、ネットワーク、電力設備、データセンター、AIクラウド、企業向けソフトウェアに長期的な意味がある。ただし、単なるAIラベルではなく、反復可能な生産性改善を示す企業だけが評価されるべきだ。
結論
AIの生産性はタスクレベルでは本物だ。導入率も十分に高い。しかしマクロの生産性革命はまだ完全には証明されていない。
次のAIサイクルはデモ性能ではなく、業務フロー、利益率、労働者一人あたり生産、そして最終的な国民経済の生産性統計にどこまで現れるかで決まる。