「業務遂行の過程で生じた知的財産権は会社に帰属する」。ほとんどの雇用契約書には、こう書かれている。20世紀後半に標準化されたこの条項は、特許や著作物のような明示的な「成果物」を念頭に置いていた。だが2026年現在、複数の米テック企業が従業員のパソコン操作ログを細かい単位で記録し、社内の生成AIに学習させる試みを公表している。コーディング履歴、顧客対応の言い回し、判断の癖まで、デジタル痕跡として蓄積可能になりつつある。10年勤めた従業員が退職する日、その暗黙知（言語化されていない経験知）の一部はAIに転写されている可能性がある。本人が転職しても、知識の一部は元の会社に残りうる。
問いはここから始まる。ある人の技能、知識、ノウハウは、誰のものなのか。20世紀の労働法はこの問いを正面から扱わなかった。なぜなら、技能は「労働者の頭」にしか宿らないと想定されてきたからだ。だが、AIが暗黙知まで抽出できる時代には、技能は労働者と企業のどちらに帰属するかという中世以来の問いが、まったく違う重みで立ち現れる。本稿では雇用契約・非競争条項・営業秘密・データ労働論を巡る過去10年の主要研究を時系列で辿り、個人のIP（intellectual property、知的財産）優先か集合利益優先かという根源的論点を整理する。
古い境界線：労働者の「移動」を制限する歴史
技能と知識の帰属を巡る法的論争は、もともと「労働者の移動」を巡る攻防として展開してきた。マット・マルクス（Matt Marx、当時MIT、現コーネル大学）は2009年、Management Science誌で米ミシガン州が1985年に偶然行った非競争条項の執行転換を自然実験として用いた。執行が強化された後、発明者の移動性は明確に低下した。特に企業特有スキルを持つ発明者と、狭い技術領域の専門家ほど、移動が抑制された。論文の含意は鋭い。非競争条項は労働市場の流動性を下げ、特定の領域の知識を企業内に閉じ込める。技能を労働者から切り離す制度的レバーが、企業側にはずっと存在してきた。
アンドレア・コンティジャーニ（Andrea Contigiani、オハイオ州立大学）は2018年、Strategic Management Journal誌で「不可避な開示（inevitable disclosure）」理論を分析した。これは元従業員が新雇用主のもとで働けば営業秘密を不可避的に開示するだろうと裁判所が判定すれば、移動を差し止めることができる米国の判例法理である。州別の採用差を差分の差分法で評価したところ、企業寄りの営業秘密保護強化は、発明者個人の特許出願を有意に減らした。労働市場の外部シグナルとしての特許のインセンティブが弱まり、結果としてイノベーション全体が抑制された。技能の囲い込みが個人の特許出願を萎縮させ、社会全体の知識生産を減らす。
イヴァン・スター（Evan Starr、メリーランド大学）は2021年、Journal of Law and Economics誌で全米代表性のあるサーベイ（N=11,505）に基づき非競争条項の実態を初めて体系的に明らかにした。米国労働力の約18%が非競争条項に拘束され、過去合意経験者は38%に達する。高賃金高スキル職に多いが、低賃金職にも、執行不能な州ですら蔓延している。重要な発見は、わずか10%しか条項を交渉せず、約3分の1は内定受諾後に提示される点だ。事後通知される非競争条項は労働者の賃金にマイナス効果を与える。執行可能性が高い州では、条項の有無に関係なく賃金が低い。非競争条項は「不戦勝」の交渉装置として機能している。
AIが境界を溶かす
非競争条項が労働者の身体的移動を制限してきた装置だとすれば、AIは技能そのものを移動させる装置になっている。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）の2023年論文は、コールセンター5179人を対象にした準実験的観察で、生成AIアシスタント導入が新人と低スキル労働者の生産性を14%引き上げ、熟練者にはほぼ効果がないことを示した。論文の解釈はこうだ。AIは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が高い。
この観察を制度設計の文脈に置くと、雇用契約の意味が反転する。従来の雇用契約では、熟練者の暗黙知は「労働者の頭」に残り、退職とともに会社から離れた。だがAIが暗黙知の一部を抽出するなら、その部分は会社のシステムに残りうる。労働者は退職しても、自分の「分身」の一部を置いていく構図が立ち上がる。ティナ・エルンドゥー（Tyna Eloundou、OpenAI）らの2023年研究では、米国労働者の約80%が10%以上のタスクをLLM（大規模言語モデル）に影響され、19%が50%以上のタスクで影響を受ける可能性が示された。高所得・高学歴の知識労働ほど曝露度が高い。本稿の解釈としては、最も暗黙知が豊富な層から順に、知識がAIへ吸い上げられる構造が立ち上がりうる（論文自体は曝露度を測ったのみで、知識転写の機構までは検証していない）。
ベッティナ・ファルケンタル（Bettina Falckenthal、ベルリン工科経済大学）らは2025年、Societies誌で、世代間の暗黙知移転にAIを組み込む設計を、36件の深層インタビューと文献統合で分析した。シニア人材の退職が加速する欧州で、AIをジュニア・シニア組（JuSeT）の中間に置く設計は、暗黙知の保持と移転を効率化する。論文の含意は二重である。AIは個人の暗黙知を「組織記憶」として保存し、世代横断で利用可能にする。だが同時に、シニアが従来持っていた「自分にしか分からない」というレバレッジが消える。
マリア・カリヴァキ（Maria Kalyvaki）は同じ2025年、International Review of Law, Computers & Technology誌で、生成AIと「デジタル複製（digital replicas）」を巡るグローバルな法的課題を整理した。AIが個人の声、画像、文体、思考様式を複製できる時代において、米国は州法レベルで「パブリシティ権」を拡張し（テネシー州ELVIS法、ニューヨーク州デジタル複製法）、EUはAI法で透明性義務を導入した。論文が指摘するのは、現行の著作権法と肖像権法は「人格の部分複製」を想定していない点である。
法制度の応答：非競争の弊害が見えはじめた
技能の囲い込みが社会全体にもたらすコストは、近年の実証研究で明確化してきた。ヒョ・カン（Hyo Kang、南カリフォルニア大学）は2022年、Strategic Management Journal誌で、カリフォルニア州が1998年に非競争条項の州外執行を否定した判例を自然実験として用いた。州外企業が労働者の離脱リスクを抱えると、特許出願を増やして秘密の代わりに公開保護を選ぶようになる。大企業と複雑・成長産業でこの効果は強い。論文は、技能の囲い込みと公開知識生産の間に明示的なトレードオフがあることを示した。
マシュー・ジョンソン（Matthew Johnson、デューク大学）らは2023年、NBERワーキングペーパーで米国の全州別非競争条項執行変更（1991-2014）を分析した。執行強化は、発明者個人の特許出願を抑制し、平均的な州における今後10年の引用加重特許を16-19%減少させる。論文は重要な解釈を加える。執行強化は社内R&D投資を増やすが、それでも全体としてのイノベーションは低下する。社内に閉じた知識生産は、社外への流出を伴う知識生産より、効率が低い。
マーティン・ガンコ（Martin Ganco、ウィスコンシン大学）らは2024年、Strategic Management Journal誌で逆方向から分析した。同じ業界・同じ州でも、非競争条項を「使わない」企業が存在する。人的資本依存度が高く、業界リーダーではない企業ほど、優秀な人材を引き付けるため非競争条項を使わない戦略を選ぶ。技能の流動性を保つことが、企業にとっても競争優位になる場面が存在する。米連邦取引委員会（FTC）が2024年4月、全米で非競争条項を原則禁止する規則を公表した（その後、テキサス州連邦地裁で執行差止）背景には、こうした実証研究の蓄積がある。
データ・労働論争：個人IPか集合利益か
技能と知識の所有を経済学の言葉で問い直したのが、イマノル・アリエタ＝イバラ（Imanol Arrieta-Ibarra）、レナード・ゴフ（Leonard Goff）、ディエゴ・ヒメネス＝エルナンデス（Diego Jiménez-Hernández）、ジャロン・ラニアー（Jaron Lanier、技術哲学者）、グレン・ワイル（Glen Weyl）の2018年AEA Papers and Proceedings論文だ。現状のデータ経済では、ユーザーデータは「企業が無料で観察した資本」として扱われる。だがデータを部分的にでも労働の成果物として扱えば、対価の根拠が立ち、データ独占の市場支配力を相殺できる可能性が議論される。論文は対抗力として、競争、データ労働運動、規制の三つが必須だと指摘する。AI時代の従業員データに、この枠組みが直接適用できる。
チャールズ・ジョーンズ（Charles Jones、スタンフォード大学）とクリストファー・トネッティ（Christopher Tonetti）は2020年、American Economic Review誌でデータの非競合性を厳密にモデル化した。一人の位置情報、医療記録、運転データは複数企業が同時に利用できる。非競合財は逓増収穫をもたらし、社会的最適は「広く使われる」ことである。論文の重要な示唆は、消費者にデータ所有権を与えれば、プライバシー選好と経済的利得を個人が比較し、最適に近い配分が実現することだ。従業員の暗黙知データに同じ論理を当てれば、個人IP承認が社会全体の効率にもプラスとなる経路が見えてくる。
カリヴァキの2025年論文に戻れば、デジタル複製の規制論議は、まさにこの「個人IPか集合利益か」を立法レベルで決めようとしている。米国型のパブリシティ権拡張は個人IPを強化する方向。EUAI法は集合利益（透明性、説明責任）を優先する方向。日本は2026年現在、両者の中間で「営業秘密法によるノウハウ保護」と「AI事業者ガイドライン」の重ね合わせを試みている。
統合的な解は存在するか
冒頭の問いに戻る。個人IPか集合利益か。研究の蓄積を踏まえると、二者択一ではなく、複数の制度的レバーの組み合わせとして設計する余地が大きい。本稿の総合的提案として、5つの方向を示す。
第一に、雇用契約の知財帰属条項を「成果物」と「学習データ」で分離する。コードや特許のような明示的成果物の帰属は維持するが、AI学習のために収集された行動ログは、本人の同意と対価を必要とする情報として扱う。
第二に、非競争条項のデフォルトを「執行不能」に転換する。マルクス、コンティジャーニ、ジョンソンらの実証が示すとおり、強い執行は社会全体のイノベーションを下げる。米FTC規則の方向性を、日本の独占禁止法か労働基準法で取り込む選択肢がある。
第三に、「AI学習対価」を制度化する。アリエタ＝イバラらのデータ労働論を従業員に適用し、AI学習に使われた業務ログに対し、退職後も含めた継続的な分配を設計する。RSU（譲渡制限付き株式報酬）の業務ログ版と考えれば実装は可能だ。
第四に、ジョーンズ＆トネッティの非競合性論を制度化する。一企業がAI学習データを抱え込む経済的非効率を抑え、公共データ信託あるいは業界横断データ協同組合に振り向けるインセンティブを与える。
第五に、デジタル複製権を立法化する。退職後、本人の同意なしに本人のAI複製を商業利用することを禁ずる。米テネシー州のELVIS法を労働文脈に拡張するイメージである。
冒頭の予測に戻る。暗黙知の抽出可能性が高まれば、業界内の企業の能力差は縮まり、データ蓄積と資本規模で勝負が決まる比重が増す可能性がある。スーパースター企業への集中圧力は、これまでの実証研究でも示唆されてきた構造である。だが、その圧力を全て市場に委ねるか、制度設計で個人と社会の取り分を守るかは、選択の問題である。技能と知識は誰のものか。労働者と企業と社会の三者で割り当てる新しい契約理論を設計する責任が、いま我々にある。
参考文献
Mobility, Skills, and the Michigan Non-Compete Experiment
・出典: Management Science, 55(6), 875-889 (2009)
・著者: Matt Marx, Deborah Strumsky, Lee Fleming
・エビデンスレベル: 強（差分の差分法による自然実験、710回引用）
・DOI: 10.1287/mnsc.1080.0985
Trade secrets and innovation: Evidence from the “inevitable disclosure” doctrine
・出典: Strategic Management Journal, 39(11), 2818-2842 (2018)
・著者: Andrea Contigiani, David H. Hsu, Iwan Barankay
・エビデンスレベル: 強（差分の差分法、米国州別データ）
・DOI: 10.1002/smj.2941
Should We Treat Data as Labor? Moving Beyond “Free”
・出典: AEA Papers and Proceedings, 108, 38-42 (2018)
・著者: Imanol Arrieta-Ibarra, Leonard Goff, Diego Jiménez-Hernández, Jaron Lanier, E. Glen Weyl
・エビデンスレベル: 中（概念論文、後続実証研究の起点）
・DOI: 10.1257/pandp.20181003
Nonrivalry and the Economics of Data
・出典: American Economic Review, 110(9), 2819-2858 (2020)
・著者: Charles I. Jones, Christopher Tonetti
・エビデンスレベル: 強(経済学トップジャーナル、データ非競合性理論の基準)
・DOI: 10.1257/aer.20191330
Noncompete Agreements in the US Labor Force
・出典: Journal of Law and Economics, 64(1), 53-84 (2021)
・著者: Evan P. Starr, J.J. Prescott, Norman Bishara
・エビデンスレベル: 強(N=11,505の全米代表サーベイ)
・DOI: 10.1086/712206
How innovating firms manage knowledge leakage: A natural experiment on the threat of worker departure
・出典: Strategic Management Journal, 43(11), 2330-2360 (2022)
・著者: Hyo Kang, Lee Fleming
・エビデンスレベル: 強（自然実験、1998年カリフォルニア判例利用）
・DOI: 10.1002/smj.3404
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)
・DOI: 10.3386/w31161
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
Innovation, Inventor Mobility, and the Enforceability of Noncompete Agreements
・出典: NBER Working Paper No. 31487 (2023)
・著者: Matthew S. Johnson, Michael Lipsitz, Alison Pei
・エビデンスレベル: 強（米国全州非競争条項執行変更の体系的分析、1991-2014）
・DOI: 10.3386/w31487
Strategic restraint: When do human-capital-intensive companies choose (not) to use noncompete agreements?
・出典: Strategic Management Journal, 45(13), 2710-2742 (2024)
・著者: Martin Ganco, Rajshree Agarwal, Benjamin A. Campbell
・エビデンスレベル: 中（業界横断サーベイデータ分析）
・DOI: 10.1002/smj.3648
Intergenerational Tacit Knowledge Transfer: Leveraging AI
・出典: Societies, 15(8), 213 (2025)
・著者: Bettina Falckenthal他
・エビデンスレベル: 中（36件の深層インタビューと文献統合）
・DOI: 10.3390/soc15080213
AI, copyright, and business: navigating global legal challenges in the era of generative content and digital replicas
・出典: International Review of Law, Computers & Technology (2025)
・著者: Maria Kalyvaki
・エビデンスレベル: 中（法的フレームワークのグローバル比較分析）
・DOI: 10.1080/13600869.2025.2590795