AIによる雇用への影響予測

本稿の著者は、AIがどの職業、企業、業界にどれだけの影響を与えるかを分析し、スコア化してチャートにしようとする現在の流行に対して、根本的な疑問を呈しています。多くの研究者が国勢調査データを処理し、バイラルチャートを作成していますが、著者はこれは基本的に予測不可能なものを予測しようとする試みだと主張します。

この問題を理解する最も簡単な方法は、過去の大きな技術変革に対して同じ分析をバックテストしてみることです。予想に反して、最も大きな打撃を受けるはずだった業界がむしろ拡大し、実際に打撃を受けた業界は免疫があると思われていたという事例が数多く存在します。

典型的な例が会計業務です。計算機、パンチカード、メインフレーム、データ処理、データベース、PC、スプレッドシート、ERP、クラウド――実に半世紀以上にわたって、私たちは会計の自動化にテクノロジー業界の半分を費やしてきました。それにもかかわらず、会計士の数は増え続けています。この高レベルの調査データはミクロレベルでも同様で、50年にわたる財務自動化はCPA市場にほとんど影響を与えていません。もしコンピューティングによる自動化にさらされる職業を分析したなら、会計はリストのトップに来るはずでした。Dan Bricklinは、1970年代後半にCPAがVisiCalcを使って1ヶ月のプロジェクトを数日でこなしていたと語っていますが、それでも雇用は増加しました。

著者はこの現象に三つの理由を挙げています。第一に、技術だけが変数ではありません。規制の変更が新たな会計要件を生み出し、CPA採用の一時的な急増を引き起こしました。これが経済学者が「他の条件が同じなら」と言う理由です。第二に、自動化にはジェボンズのパラドックスが働きます。何かを行うコストを下げると、人々は同じ金額でより多くのことを行うようになります。DCF（割引キャッシュフロー）計算が1週間から30秒になれば、おそらくもっと多くのDCFを行うでしょう。「自動化への露出」は仕事の減少ではなく、増加を意味する可能性があります。

しかし最も重要なのは、かつて高価で時間のかかった何かを自動化して安価かつ迅速にすると、それが別の何かを解き放つという点です。分析が安価で容易になれば、より多くの分析を行い、しかもその多くは異なる種類の分析になります。今日の会計士は1970年代と同じ仕事を「もっと」行っているわけではありません。彼らは依然として「会計士」と呼ばれていますが、その仕事は大きく変化しています。新しいテクノロジーはしばしば「古いことをもっと多く」という形で使われ始めますが、最終的にそうなることは稀です。

国勢調査データの詳細を見ると、「会計士および監査人」というカテゴリー自体はかなり安定していますが、その周辺には時間とともに出現したり消えたりする多くの金融関連職業があります。「請求書作成・記帳・計算機オペレーター」という仕事は約10年間統計に現れた後、姿を消しました。これは在庫係としてキャリアを始め、在庫管理のために「記帳機オペレーター」になり、その仕事がソフトウェアに吸収されて引退するまで再び在庫係に戻るというケースのどれだけを表しているでしょうか？同様に、「データ入力係」というカテゴリーはまだ存在しますが、「ERPオペレーター」というカテゴリーはありません。同じ人が同じ実際の仕事（むしろ同じビジネス目的に奉仕すること）を行っているにもかかわらず、時間の経過とともに異なる職種名が付けられる一方、「会計士」という同じ職種名でありながら異なる仕事を行っています。

第二の問題は、仕事そのものはまったく変わらないのに、その背後にあるビジネスが変わってしまうことです。インターネットは優れたジャーナリストやA&Rスカウトであるために必要な能力を実際に変えたわけではありませんが、ジャーナリズムの仕事は軽製造業とトラック輸送（アメリカでは地元の求人広告独占）によって支えられており、レコード会社の重役の給料は小さなプラスチックとアルミホイルの製造と輸送によって支払われていました。これらは、コピーエディターやサウンドエンジニアの仕事を分析しても決して捉えられない別の要素です。インターネットは製品や仕事そのものには影響を与えなかったが、ビジネスを変えたのです。

著者は、AIでも同じことが起こると予想しています。AIへの露出が非常に低い仕事に就いている人がどれだけいるでしょうか？しかし彼らのビジネスは、AIに大きく影響される別の仕事に依存しているかもしれません。また、AIが真似するのが非常に難しい仕事をしている人がどれだけいるでしょうか？しかし彼らの会社の競争上の防御策は、非常に退屈な仕事をする人々で満たされた建物をたくさん持っていることかもしれません。AIはかつて高価だったものを非常に安価または無料にします。それが何を解き放ち、何を壊し、どれだけの仕事に影響するのでしょうか？

第三に、過去のテクノロジーの予測不可能な大きな影響のテーマを続けるなら、あなたの分析はUberをどう扱いますか？著者は2000年代にモバイル分野で働いていましたが、ロケーションデータについて多くの議論があったにもかかわらず、それがタクシーにとって問題になるとは誰も考えていませんでした。より効率的な配車を提案することはあっても、それが仕事の性質を完全に変え、100万ドルのタクシーライセンスの抵当権を無価値にするとは誰も考えていませんでした。1995年に職業別の「インターネット露出」を計算していたり、2005年に「スマートフォン露出」を計算していたとしても、自信を持ってタクシー運転手をリストに入れられたでしょうか？

O*NETのようなものを使用して仕事が何であるか、どれだけ自動化できるかを分析しようとする問題は、その分析の外側で自動化によって仕事が縮小したり成長したりする方法、あるいは仕事自体が別の場所での自動化によって変化する方法について何も教えてくれないことです。さらに根本的な問題として、変化の問題を脇に置いたとしても、原理的に仕事の完全な記述を作成することは不可能ではないかと著者は考えています。

O*NETの仕事の記述を読むと、人々が論理的なステップを使用して画像認識や言語翻訳を行うAIシステムを構築できると考えていたエキスパートシステムの失敗を思い起こさせます。理論的には、機械が猫を認識する一連のステップを記述できますし、法律事務所のアソシエイトパートナーが正確に何をするかを書き下すことも理論的には可能です。しかし現実には、これらのことはあまりにも複雑で微妙であり、そのように記述することはできません。時には仕事が本当に単なるタスクであり、ボタンに変えられることもありますが、それは実際には非常に稀です。一般的に、仕事は明示的に説明する能力を欠いた複雑なネットワークです（これはまた、ほとんどの人がチャットボットの使用に苦労する理由でもあります）。そして、もちろん詳細に掘り下げると、これらの記述は機械学習以前の論理システムと同じように崩壊します。どうやら、家族信託の管理とクオンツファンドのデスク運営は同等の仕事であり、Lotus 1-2-3、Oracle、Quickbooksに堪能である必要はありますが、Bloombergは必要ないようです。

BoxのCEO Aaron Levieはこれを「ゲルマン健忘症」の変種と表現しました。自分の専門分野がどれほど複雑で、AIがそれに対処できる範囲がどれほど不完全であるかはよくわかっているが、他の分野ではそれを忘れてしまう。PowerPointや法的文書のClaudeテンプレートを見て、「わあ、コンサルタントや法律事務所は終わりだ！」と思ってしまう。ベイン、BCG、マッキンゼーを雇うと、いくつかのスライドを提供してくれるが、あなたが払っているのはそれだけではない。ソフトウェアを購入するときも、コードを受け取るが、それが製品なのではない。

これらすべてに対する反論は次のようなものです。「確かに重要な例外はあるが、方向性としては、反復的な事務作業を多く含む仕事が最も影響を受けると言うのは『確かに』正しい。そしてそれがどれだけの仕事なのか、どの程度なのかがわかる。」これは聞こえは良いが、例外がルールよりも大きいかどうかはわからない。1995年にインターネットがメディアの物理的流通の価値を破壊すると言ったとしよう。これは「方向性として正しかった」が、実際にはレコード会社、新聞社、テレビ会社、映画スタジオに対してまったく異なる意味を持っていた。平均すれば、すべてが死んでいる。分析した仕事の半分はまったく影響を受けないかもしれず、完全に見逃している変革される仕事の大きな集団が他にあるかもしれない。わからないのだ。

先日、著者の仕事を「いつも『場合による』と結論づけている」と批判する人がいた。しかし、根本的に新しいテクノロジーのこれほど初期の段階では、特定の分野に関する具体的な予測は運が良くないと正しくならない。実際に「場合による」のだ。ヨギ・ベラの言葉を借りれば、「予測をするのは難しい、特に未来についての予測は」。確かに、これがどのように機能するかの枠組みやメンタルモデルを指し示すことはできるし、過去半ダースの同様の変化で何が起こったかを指し示すこともできる。おそらく方向性として正しいことを言うことさえできる。しかし、それを定量化し、職業ごと、業界ごとにモデル化し、美しいレーダーチャートを作ろうとするやいなや、自分自身を欺いていることになる。なぜなら、あなたは今日それらの仕事が実際に何であるかを知らず、それらがどのように変化するかを知らないからだ。最低限、あなたのモデルが新聞テスト、Uberテスト、CPAテストに合格するかどうかを自問しなければならない。あなたのアプローチはそれらの影響を捉えられただろうか？そうでなければ、それは他の人々にとってどれほど有用なのだろうか？