AIと生産性 – Stripe Economics

最近の学術研究では、AIツールが労働者や企業レベルでの実質的な生産性向上をもたらすという知見が収束しつつある。大規模言語モデル（LLM）やAIアシスタントは、カスタマーサービスエージェントの生産性を平均14%向上させ（Brynjolfsson et al., 2023）、ライターの執筆速度を40%高速化し品質も向上させた（Noy and Zhang, 2023）。コンサルタントがLLMを使用すると、完了タスク数が12%増加し、タスクあたりの時間が25%削減される（Dell’Acqua et al., 2023）。知識労働者がAIを利用すると、週に2時間少なくメールに費やすことが、66社を対象とした研究で示されている（Dillon et al., 2025）。これらの発見は、研究の多くが旧世代のLLMに基づいていることを考慮すると、さらに説得力を持つ。モデルが改善され導入が進むにつれて、これらの効果はより顕著になると考えられる。

ミクロの生産性向上の証拠が積み重なる一方で、米国の総生産性（マクロ生産性）も加速している。米国の労働生産性は過去1年間で約2.5%成長し、過去20年の年平均1.6%を有意に上回っている。

現在、米国は少なくとも当面は高生産性成長期にある可能性が高い。経済学者が経済指標が以前と有意に異なる挙動を示す確率を判断するために使用するマルコフスイッチングモデルによれば、米国が「高」生産性期間に移行した確率は93%である。ただし、以下のチャートが示すように、これだけでは高生産性レジームがどれだけ続くかはほとんどわからない。

当然の仮定として、マクロ生産性の向上はAIによる労働者・企業レベルのミクロ生産性向上を単純に反映したものと考えられるかもしれない。しかし実際には、AIがおそらくその一部であるとしても、その作用は大多数が考えるようなものではない。

まず、たとえ適切に測定されたミクロの生産性向上であっても、現時点でマクロレベルで大きな影響を与えているとは疑う理由がある。例えば、強力なミクロの生産性向上は全要素生産性（TFP）の推定値に現れると予想される。TFPは公式には、経済に投入される資本や労働の増加では説明できない生産性成長の部分であり、より非公式には、経済学者が「純粋な」技術・効率成長と考えるものである。ただし、TFPは直接観測できず、経済モデルを用いて推定しなければならないという重要な注意点がある。もしAIがフロンティアで労働者の生産性を向上させているならば、TFP推定値も全労働生産性と同様に加速しているはずである。しかしそうではない：力強いヘッドラインの労働生産性数値にもかかわらず、サンフランシスコ連銀の推定では、過去1年間のTFP成長はほぼゼロである。同じマルコフスイッチングモデルは、米国が高TFP成長期にある確率が20%未満であることを示している。

さらに、業界レベルの生産性向上とAI導入との間にはほとんど関係がない。国勢調査局のビジネストレンド・アウトルック調査（BTOS）から得られた最近のAI導入率と、シカゴ連銀の四半期業界別労働生産性（その方法論を用いて2四半期延長）を組み合わせると、企業が自己申告する現在のAI導入率と最近の生産性成長との間には、控えめながら正の関係がある（下図の上段パネル）。しかし、AIを最も積極的に導入したセクターは、生成AIが存在しなかった2016～2019年においても、より強い生産性成長を示していた（中段パネル）。これらの既存トレンドを取り除くと、AI導入と最近の生産性成長との間の残差相関はほぼゼロに低下する（下段パネル）。

言い換えれば、AI導入率の高いセクターは、パンデミック前の経験からすでにより強い生産性成長が期待されるセクターだった。これは必ずしもAI導入が総生産性に影響を与えていないことを意味するわけではない（パンデミック前の高い生産性が今のAI導入への欲求や能力を促進した可能性もある）が、セクターデータではそのような関係が明確でないことを意味する。

これは明らかな疑問を提起する：もしAIが特定タスクでミクロの生産性向上をもたらす証拠があるなら、なぜそれがマクロの生産性成長の強化と関連しないのか？別の最近の研究が一つの可能な答えを与える：AIは境界のあるタスクを加速しても、最終アウトプットを決定する下流の制約を緩和しないかもしれない。韓国銀行の経済学者は、生成AI導入により作業時間が3.8%（週約1.5時間）減少することを発見した（先述のDillon論文と同程度）。しかし、これらの時間節約は、労働者が節約された時間を生産的に再配分する自律性や強いインセンティブを持たない限り、実現したアウトプット成長と本質的に関係がないことも見出した（Suh et al., 2026）。別の研究では、ソフトウェアでも同様の減衰が示されている：AIコーディングツールはコミット数とコード量を急増させるが、プルリクエスト、プロジェクト、出荷リリースと生産段階が上がるごとに利益は減少する。なぜなら、レビュー、統合、テスト、リリース、発見、ユーザー採用は依然として人間のボトルネックだからである（Demirer et al., 2026）。つまり、AIは内部ループを加速するが、外部ループ（これが制約要因となる）はまだ加速していない。要するに、企業がワークフロー、インセンティブ、補完的プロセスを再設計して、これらの利益が総生産性に現れるようにする前に、AIはタスクレベルの効率を生み出すことができる。

しかし、人間のボトルネック仮説が正しいなら、なぜ米国の総労働生産性は加速しているのか？米国の労働生産性を押し上げているのは、ミクロの生産性向上ではなく、AIによるマクロ生産性向上、具体的には企業が既存資本をより酷使していることであると考えられる。すでに建設された工場の長期稼働、すでに支払い済みのサーバーラックやGPUクラスターのより高い利用率、既存ホテル客室の高い占有率を考えてみよう。経済学者はこれを「資本集約度」または「稼働率」と呼ぶ。資本稼働率の上昇は実質的な経済的利益を表すが、それはミクロ生産性と同じではない。これは、サンフランシスコ連銀のTFP推定における稼働率の寄与の増加に見ることができる。その水準は（パンデミック回復期を除けば）数十年で最高である。これは「資本深化」（資本投資などによる資本供給拡大から測定される生産性の成長）と同じではない。しかし、稼働率と資本深化はしばしば相関する：設備投資を増やす動機のある企業は、既存資本もより酷使する傾向がある。

これらはいずれもAIに対する悲観的な読みではない。まず、研究の多くはGPT-2からGPT-4時代のモデルに基づいている。タスクレベルのAI利得が10～40%の範囲であり、それがより最近のモデルで増幅され（経験的に非常にあり得る）、企業がモデルをワークフローに統合することに習熟し、利得が持続してより広く普及すれば、最終的にそれらのミクロ生産性向上はマクロデータでより大きな影響を与えるだろう。そのような利得が達成可能であるという学術的証拠は増えている。さらに、人間や他のボトルネックがAI生産性向上の制約要因であるなら、企業は以前の技術ショックに対応したように、徐々にそれらを解消するために再編成するだろう。

しかし、現在の数字は、この伝達がすでにマクロレベルで順調に進行しているという主張をまだ支持していない。導入は薄く、横断面的なシグナルは弱く、下流のボトルネックは残っており、生産性の回復は稼働率にあまりに起因しており、その結論に確信を持つことはできない。代わりに、これまでに見られる加速は、主に企業が既存インフラの限界を押し上げてAI容量の需要を満たそうとした結果である。