1811年3月11日、イングランド中部ノッティンガムシャー（イングランド中部の州）の織物職人たちは、夜陰に紛れて織機を破壊した。彼らは伝説の指導者「ネッド・ラッド」の名を借り、ラッダイト（Luddite、機械破壊運動の参加者）と呼ばれることになる。後世の歴史教科書は彼らを「機械を恐れた愚かな職人」として描いた。だが歴史家エリック・ホブズボーム（Eric Hobsbawm）は1952年、この通説を覆す指摘をしている。ラッダイトとは「暴動による集団交渉」であり、技術への抵抗ではなく、労働の価値を切り下げる雇用形態への抵抗だったのだと。
この区別はいま、もう一度重要になっている。生成AI（テキストや画像を自動生成する大規模機械学習モデル）が事務労働の中核を侵食しはじめた2023年以降、世界の労働市場では奇妙な現象が同時進行している。生産性は上がっているのに、賃金は追いつかない。総体の雇用は維持されているのに、求人は減っている。スキルの底上げが起きているのに、賃金プレミアム（高度技能に支払われる上乗せ報酬）は崩れつつある。これはラッダイトが200年前に直感した「労働の価値そのものが構造的に下がる」という現象の現代版である。ラッダイト2.0とでも呼ぶべきこの局面に、私たちはどう向き合うべきか。
ラッダイトが恐れていたのは「機械」ではなかった
1810年から1817年にかけて、イングランドの繊維産地でラッダイトが破壊した機械は、特定の種類のものに限られていた。広幅織機やストッキング編み機など、熟練の必要な工程を、未熟練の低賃金労働者でも操作できるよう設計し直した機械だ。彼らが要求したのは最低賃金の確保、児童労働の停止、品質基準の維持だった。つまり機械破壊は手段であり、目的は労働基準の防衛である。当時のイギリス政府は1万2000人の兵を投入し、機械破壊を死刑相当とする法律を制定して鎮圧した。動員兵力は同時期のスペイン半島戦争に派遣された軍の規模を上回っていたという。為政者はこの運動の正体が「労働対資本」であることを正確に理解していたのだ。
このとき同時に進行していたのが、経済史家のロバート・アレン（Robert Allen）が「エンゲルスのポーズ」と名づけた現象である。1780年から1840年代までの約60年間、イギリスの労働生産性は年率1%以上で伸び続けたが、実質賃金はほぼ横ばいだった。技術の進歩で生み出された価値が、労働者ではなく資本家に集中して配分された時期である。フリードリヒ・エンゲルス（Friedrich Engels）が『イギリスにおける労働者階級の状態』で描写した貧困は、生産性向上と賃金停滞の同時進行という、いま私たちが直面しているのとよく似た構造から生まれていた。
労働分配率は静かに下がり続けている
エンゲルスのポーズの再来を最初に体系的に示したのが、デヴィッド・オーター（David Autor、マサチューセッツ工科大学）とアンナ・サロモンズ（Anna Salomons）による2018年の研究である（NBER Working Paper 24871）。1970年から2007年までの18カ国28産業のデータを用いて、自動化が労働分配率（付加価値のうち賃金として労働者に分配される割合）に与えた影響を測定した。結論は皮肉なものだった。自動化は雇用そのものは減らしていない。だが、付加価値のうち労働者の取り分が、産業全体で着実に縮小していた。技術が労働者を直接追い出さなくても、生産性向上の果実の分配が静かにシフトする。ラッダイトが直感していたのは、まさにこの「気づかれにくい価値の流出」だった。
問題は、この流出をどう測るかである。モーガン・フランク（Morgan Frank、ピッツバーグ大学）、オーター、ジェームズ・ベッセン（James Bessen）らは2019年の米国科学アカデミー紀要論文で、AIの労働市場影響を測る上での三つの障壁を整理した。第一に、職業の中身は刻々と変わるため、固定的な職業分類では捕捉できない。第二に、スキルが補完されるのか代替されるのかは、職業単位ではなくミクロのタスク単位でしか判定できない。第三に、AIの効果は職場制度、地理的労働市場、国際分業といったマクロ要因と複雑に絡み合うため、技術単独の影響を分離するのが難しい。これらの方法論的な行き詰まりが、AI影響の議論を「楽観論と悲観論の応酬」に押し留めてきた。著者らが提案するのは、職業の高解像度な縦断データと、人間と機械の相互補完性のミクロモデルである。地味な提案だが、ここを直さない限り、AIの労働影響は決して正確には測れない。
その隘路を破ったのが、エドワード・フェルテン（Edward Felten、プリンストン大学）らによる2021年のAI職業曝露指標（AI Occupational Exposure、AIOE）である。AIの10の能力次元（言語理解、画像認識、推論など）と、米国労働省O*NETの職業別タスク要件を突き合わせ、職業ごと、産業ごと、地理単位ごとにAIが代替可能なタスク密度を推定した。この指標は後続研究の基盤となり、AIの労働影響が「どの職業に」「どの程度」現れるかを比較可能にした。
実証データが示しはじめた「静かな置換」
AIOEを用いて2010年から2018年の米国求人データを分析したのが、ダロン・アセモグル（Daron Acemoglu）、オーター、ジョナサン・ヘイゼル（Jonathan Hazell）による2022年の労働経済学論文である。彼らは事業所単位の求人ほぼ全数を分析し、AI適合度の高い事業所がAIを導入する時期に、AI非関連ポジションの採用が同時に減少することを観察した。観察研究のため因果関係まで断定はできないが、置換の兆候が事業所レベルで現れていることは明らかだった。AI担当ポジションは増える一方で、それ以外の人員採用は引き締まる。マクロ統計では未だ検出できない規模だが、ミクロでは置換が始まっている。求人の構成変化は、雇用統計より先に動く先行指標である。ラッダイトの時代と違って、現代の置換は工場の入口で起きるのではなく、求人広告の文面で静かに始まっているのだ。
マイケル・ウェッブ（Michael Webb、スタンフォード大学）は同じ2019年、AI特許の文言と職業タスク記述をテキストマイニングで照合し、AIが過去の自動化と異なる「逆ピラミッド型」の曝露構造を持つ可能性を示した。これまでのコンピューター化とロボット化は低・中スキルの定型業務を狙った。だがAI、特に機械学習は、高学歴の非定型認知業務（医療診断、法務判断、研究分析など）を狙う。新たに脅かされるのは、これまで自動化から守られていた層なのだ。
そして2022年末、ChatGPTの登場が状況を一変させる。生成AIが文章生成、コーディング、画像生成、要約、翻訳といった「中スキル知識労働」の中核を直接実行できるようになった。エリック・ブリニョルフソン（Erik Brynjolfsson、スタンフォード大学）、ダニエル・リー（Danielle Li、MIT）、リンジー・レイモンド（Lindsey Raymond）は2023年、コールセンターの顧客対応職員5179人を対象に、生成AIアシスタント導入前後のデータを分析した。結果は際立っていた。1時間あたりの問題解決数は平均14%増。だがこの上昇は、経験の浅い新人ほど大きく、熟練者にはほとんど効果がなかった。著者らはこのパターンを、AIが熟練者の暗黙知を抽出し、新人に伝達する装置として機能していた可能性を示唆する証拠だと解釈している。
シャケド・ノイ（Shakked Noy）とホイットニー・チャン（Whitney Zhang）は同年、Science誌で対照実験の結果を報告した。大卒の専門職453人を無作為に2群に分け、片方だけにChatGPTを使わせて、職業特有の文書作成課題を解かせる。所要時間は40%短縮、成果物の品質は18%向上した。注目すべきは、もともと低スキル群の改善幅が大きく、労働者間の格差が縮小したことだ。新人と熟練者の差が縮まる。これは耳ざわりはよい。だが視点を変えれば、熟練者が長年かけて積み上げた人的資本の市場価値が、AIアクセスによって相対的に下がるという話でもある。
ティナ・エルンドゥー（Tyna Eloundou、OpenAI）、サム・マニング（Sam Manning）、パメラ・ミシキン（Pamela Mishkin）らは2023年、米国労働者の業務タスクをLLM能力と突き合わせ、約80%の労働者が少なくとも10%のタスクをLLMに影響され、約19%が50%以上のタスクで影響を受ける可能性があると推計した。重要なのは、この影響が低賃金職に偏っていなかったことだ。高所得・高学歴の知識労働ほど、むしろ曝露度が高い。ラッダイトの時代、新技術が標的としたのは熟練手工業だった。今回も同じ構図が反復しているように見える。
「補完」を制度設計できるかが分水嶺になる
ここで分かれ道が現れる。AIが人を置き換えるのか、人を補完するのか。技術自体の特性ではなく、制度設計の選択である。オーター、デヴィッド・ミンデル（David Mindell）、エリザベス・レイノルズ（Elisabeth Reynolds）らが2022年に出版した『The Work of the Future』は、MITが3年間続けたタスクフォースの結論をまとめた本である。米国の労働市場が他の先進国に比べて低賃金・低品質な仕事に偏っているのは、技術のせいではなく、技術変化を吸収する制度の不在のせいだと結論づける。技能訓練、職場ベースの学習、社会保険の携帯可能化、団体交渉の刷新といった制度補完が伴わないと、技術進歩の果実は労働者には届かない。
オーターは2024年、もう一歩踏み込んだ提案を出した（NBER w32140）。情報化時代のユートピア論は、情報共有によって職階が平準化すると約束した。だが現実は逆だった。情報は意思決定の入力に過ぎず、意思決定権を握る一握りの専門家エリートに価値が集中した。AIの独自性は、意思決定支援を介して、中程度の熟練を持つより広い層が、これまでエリートに独占されていた高難度判断業務に踏み込めるようにする点にある。医療判断を看護師に、契約書作成を法務補佐に、コード生成を中級エンジニアに、教育を中等教員に。AIをこの方向に使えば、自動化と国際分業によって空洞化した「中スキル・中所得」層を、もう一度厚くできる可能性がある。これは提案であり予測ではないが、政策の方向性として極めて示唆的だ。
逆方向の現実も走っている。アントン・コリネック（Anton Korinek、バージニア大学）とジョセフ・スティグリッツ（Joseph Stiglitz、ノーベル経済学賞受賞者）は2021年、AIが「労働節約・資源節約・勝者総取り」の特性を持つため、過去半世紀に発展途上国が世界経済への統合から得た利益を、逆転させる可能性があると警告した。AI能力は計算資源、データ、人材が集積する先進国に偏在する。途上国の比較優位だった低賃金労働は、AIによる代替で価値を失う。グローバル分業の再編は、不平等を縮めるのではなく拡げる方向に働きうる。中所得の沈下と途上国の取り残しが同時に進行するシナリオである。
ただし、楽観的なデータもある。シェン・ヤン（沈陽）とチャン・シウウ（張秀武）は2024年、Humanities and Social Sciences Communications誌で、中国30省2006-2020年のパネルデータを分析し、産業用ロボット導入と雇用増加が同時に進んだことを報告した。著者らの解釈では、生産性向上、資本深化、分業の精緻化が、ロボット置換の負の影響を上回った可能性が高い。中国の特定期間・特定文脈での観察結果であり、米欧へ直接外挿はできないが、技術と制度と労働需要の組み合わせ次第で結果は大きく変わりうることを示唆する。
労働者の価値を取り戻す5つの柱
ラッダイトの教訓は「機械を止めろ」ではない。「機械が生み出す価値の分配を制度化せよ」だ。証拠の蓄積を踏まえると、現代の労働者・政策当局・労働組合が取りうる戦略は、次の5本柱に整理できる。
第一に、AIへのアクセス権を労働権として確立する。Brynjolfssonらの研究が示したように、AIは熟練者の知見を未熟練者に拡張する装置として機能しうる。だが企業がAIアクセスを管理職や正社員に限定すれば、底上げ効果は失われる。非正規労働者、ギグワーカー、中小企業従業員にも、業務関連AIへのアクセスと訓練を保障する制度設計が必要だ。EUのAI法（2024年成立）が職場AI利用の透明性義務を導入したのは、この方向への第一歩である。
第二に、集団的交渉をアルゴリズム時代に再発明する。プラットフォーム労働者は単独で雇用主と対峙するのが構造的に難しい。アルゴリズムによる配車、評価、報酬決定は、契約書の文言よりも実質的に労働条件を支配する。ドイツで進む共同決定制度のAI拡張、米国のNLRB（全国労働関係委員会）によるアルゴリズム監督の指針、英国のUber裁判（2021年最高裁判決）でドライバーが労働者と認定された判例。これらを束ねるのは、雇用契約だけでなくアルゴリズム管理にも交渉権を及ぼすという発想だ。ホブズボームの「暴動による集団交渉」を、「データによる集団交渉」に置き換える試みでもある。
第三に、再配分メカニズムを設計する。Acemogluらが繰り返し主張してきたのは、自動化が雇用を直接破壊しなくても、労働分配率の低下を通じて間接的に労働者を貧しくする点だ。対策としては、ロボットや自動化への課税、AI開発企業への超過利潤税、データ配当（個人データ利用への対価支払い）、付加価値税の組み換えなどが議論されている。どれも個別には未検証だが、再配分なしの技術進歩は政治的に持続不可能であることは、200年前のラッダイトが教えている。
第四に、雇用適応支援を実需に合わせる。形だけの再訓練プログラムは、技術変化のスピードに追いつかない。職場ベースの学習、ハイブリッド学習、業界横断的な技能認証、ポータブルな社会保険といった制度補完が必要だ。北欧型の積極的労働市場政策が一つの参照点になる。日本でも雇用調整助成金を、職を守るためではなく、移行を支援する方向に組み替える議論が必要だろう。
第五に、AI配備に労働者参加型のガバナンスを組み込む。職場へのAI導入は、経営判断として一方的に行われるのが現状である。だが導入の仕方ひとつで、補完にも代替にもなる。ドイツの共同決定制度や、北欧の労使協議の伝統を参考に、AI導入計画への労働者代表の関与を制度化する。これは生産性を犠牲にする話ではない。Autorの2024年論文が示すように、AIを補完的に配備する方が、長期的には中スキル層の生産性を引き上げる可能性が高い。
ラッダイトは負けた。だが彼らが戦った相手は機械ではなかった。技術が生み出す価値を、特定の階層が独占する制度的偏りに対する抵抗だった。エンゲルスのポーズが終わるのに60年かかった。私たちは今、ラッダイト2.0の局面の入り口にいる。同じ60年を待つ必要はない。証拠は揃いつつある。問題は、その証拠を制度設計に翻訳する政治的意思があるかどうかだ。技術と労働の契約は書き直さなくてはならない。
参考文献
Is Automation Labor-Displacing? Productivity Growth, Employment, and the Labor Share
・出典: NBER Working Paper No. 24871 (2018)
・著者: David H. Autor, Anna Salomons
・エビデンスレベル: 中（18カ国28産業のパネル分析、計量経済学的に堅牢）
・DOI: 10.3386/w24871
Toward understanding the impact of artificial intelligence on labor
・出典: Proceedings of the National Academy of Sciences, 116(14), 6531-6539 (2019)
・著者: Morgan R. Frank, David Autor, James Bessen et al.
・エビデンスレベル: 中（方法論的レビュー論文、米国科学アカデミー紀要）
・DOI: 10.1073/pnas.1900949116
The Impact of Artificial Intelligence on the Labor Market
・出典: SSRN Electronic Journal (2019)
・著者: Michael A. Webb
・エビデンスレベル: 中（特許テキスト分析による職業曝露度推定）
・DOI: 10.2139/ssrn.3482150
Artificial Intelligence, Globalization, and Strategies for Economic Development
・出典: NBER Working Paper No. 28453 (2021)
・著者: Anton Korinek, Joseph E. Stiglitz
・エビデンスレベル: 中（理論モデルと政策フレームワーク）
・DOI: 10.3386/w28453
Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses
・出典: Strategic Management Journal, 42(12), 2195-2217 (2021)
・著者: Edward W. Felten, Manav Raj, Robert Seamans
・エビデンスレベル: 中（新規データセット構築・検証、後続研究で多数引用）
・DOI: 10.1002/smj.3286
Artificial Intelligence and Jobs: Evidence from Online Vacancies
・出典: Journal of Labor Economics, 40(S1), S293-S340 (2022)
・著者: Daron Acemoglu, David Autor, Jonathon Hazell, Pascual Restrepo
・エビデンスレベル: 強（米国求人ほぼ全数の事業所単位パネル分析、トップジャーナル）
・DOI: 10.1086/718327
The Work of the Future: Building Better Jobs in an Age of Intelligent Machines
・出典: The MIT Press (2022)
・著者: David Autor, David A. Mindell, Elisabeth B. Reynolds
・エビデンスレベル: 中（MITタスクフォースによる総合的政策分析）
・DOI: 10.7551/mitpress/14109.001.0001
Generative AI at Work
・出典: NBER Working Paper No. 31161 (2023)
・著者: Erik Brynjolfsson, Danielle Li, Lindsey Raymond
・エビデンスレベル: 強（コールセンター5179人の準実験的観察、staggered rollout活用）
・DOI: 10.3386/w31161
Experimental evidence on the productivity effects of generative artificial intelligence
・出典: Science, 381(6654), 187-192 (2023)
・著者: Shakked Noy, Whitney Zhang
・エビデンスレベル: 強（事前登録済みRCT、453人の専門職対象、Science誌掲載）
・DOI: 10.1126/science.adh2586
GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models
・出典: arXiv preprint arXiv:2303.10130 (2023)
・著者: Tyna Eloundou, Sam Manning, Pamela Mishkin, Daniel Rock
・エビデンスレベル: 中（ルーブリック評価と専門家・GPT-4併用による推計）
・DOI: 10.48550/arxiv.2303.10130
Applying AI to Rebuild Middle Class Jobs
・出典: NBER Working Paper No. 32140 (2024)
・著者: David Autor
・エビデンスレベル: 中（概念的議論と政策提案、実証は補助的）
・DOI: 10.3386/w32140
The impact of artificial intelligence on employment: the role of virtual agglomeration
・出典: Humanities and Social Sciences Communications, 11, 122 (2024)
・著者: Yang Shen, Xiuwu Zhang
・エビデンスレベル: 中（中国30省・2006-2020年パネルデータ、二段階最小二乗法）
・DOI: 10.1057/s41599-024-02647-9