2022年夏、米国コロラド州の品評会で、一枚の絵がデジタルアート部門の最優秀賞を射止めた。「Théâtre D’opéra Spatial（テアトル・ドペラ・スパシアル、宇宙のオペラ劇場）」と題されたその作品は、荘厳な劇場に立つ人影を金色の光で描き、見る者を圧倒した。手がけたのはジェイソン・アレン（Jason Allen）。ただし、彼は絵筆を握っていない。使ったのはMidjourney（ミッドジャーニー）という画像生成AIだった。

受賞そのものも論争を呼んだ。だが、本当に奇妙だったのはその後である。アレンがこの絵の著作権登録を申請すると、米国著作権局（U.S. Copyright Office、著作権の登録を担う政府機関）はこれを拒んだ。理由はたった一つ。「人間が創作した」とは認められない、というものだった。賞を取り、多くの人の心を動かした絵が、法律の世界では「誰のものでもない」。

AIが文章も絵も音楽も量産する時代になった。ならば問いはこうなる。AIが生んだ作品に、著作権は宿るのか。宿るとすれば、それは誰のものか。日本、米国、そしてEU（欧州連合)は、驚くほど似た結論にたどり着きながら、そこへ至る道はそれぞれ違っている。

「作者なき受賞作」というパラドックス

私たちは、ものを作れば自分のものになると信じている。写真を撮ればその写真は自分のもの、文章を書けばその文章は自分のもの。道具がカメラでもワープロでも変わらない。だから生成AIも「新しい道具」にすぎず、出てきた絵は使った人のものになる。そう考えるのが自然に思える。

ところが、各国の著作権の番人たちは、そろってこの直感に反する判断をしている。鍵になるのは「著作物」とは何か、という古い問いである。著作権は、世に存在するすべての成果物を守るわけではない。守るのは、人間が知的に生み出した「創作的な表現」だけだ。問題は、AIが描いた絵をその枠に入れてよいのかという一点に絞られる。

アレンの絵をめぐる著作権局の判断は、2023年9月に最終決定が出た。審査機関は、人間の創作的な関与は「ごくわずか(de minimis)」であり、AIが生んだ要素が作品を支配している、と結論づけた。プロンプト（AIへの指示文）をいくら工夫しても、複雑な絵を実際に描き上げたのはAIであって人間ではない。著作権局はそう見たのである。

米国が引いた一線　機械は作者になれない

米国の立場は、もっと根本的なところから来ている。米国の著作権法は、保護される作品は「最初の段階で人間によって作られていなければならない」と読まれてきた。この「人間による創作」という要件は、決して新しいものではない。1884年、最高裁はBurrow-Giles（バロウ・ジャイルズ)事件で、写真もまた人間の知的創作だから保護に値すると判断した。著作権が守るのは機械の働きではなく、人の頭の中から出た表現である。その原則がここで確認された。

この古い原則を、AIの時代に正面から適用した判決がある。発明家スティーブン・セイラー（Stephen Thaler）は、自作のAI「クリエイティビティ・マシン」にある絵を単独で生成させた。「A Recent Entrance to Paradise（楽園への最近の入り口)」と題されたその絵について、彼はAIを著作者として登録しようとした。著作権局は拒否。セイラーは裁判に持ち込んだ。

2025年3月18日、首都ワシントンの連邦控訴裁判所（D.C. Circuit)はセイラーの訴えを退けた。判決の理屈は明快だ。米国の著作権法は1976年の制定時点から、作品の作者は人間であることを前提に組み立てられている。たとえば著作権は財産として相続できるが、機械は財産を所有できない。著作権の保護期間は作者の死から数えて決まるが、機械に寿命はない。法律のあちこちが、作者が人間であることを当然としている。だから機械は作者になれない。これは解釈の好みではなく「制定法の問題だ」と裁判所は述べた。

ただし、この判決はAIを使った創作のすべてを否定したわけではない。裁判所が退けたのは、人間の関与がまったくない「AI単独の生成物」である。人間がAIを道具として使い、そこに自分の創作を加えた場合はどうなるのか。その線引きは別の問題として残された。

どこまでが「人間の創作」か

その線引きの難しさを示す例が、Zarya of the Dawn（ザリヤ・オブ・ザ・ドーン)という漫画作品だ。作者のクリス・カシュタノヴァ（Kris Kashtanova)は、物語の文章を自分で書き、コマの配置を自分で決め、絵だけをMidjourneyに生成させた。2023年、著作権局はこの作品を二つに切り分けた。人間が書いた文章と、コマを選んで並べた「構成」は保護される。だが、AIが生んだ個々の絵そのものは保護されない。一つの本の中に、守られる部分と守られない部分が同居することになった。

ここに、AI時代の著作権の核心がある。問われているのは作品の出来栄えではない。人間がどれだけ「創作的に関与」したか、である。米国著作権局は2025年1月、この問題を正面から論じた報告書「著作権と人工知能」の第2部を公表した。結論はこうだ。AIに指示を出して得ただけの生成物は保護されない。一方、人間が自分の表現として認められる要素を加えたり、出力を創作的に選び・並べ・手を入れたりした部分は保護される。AIを創作の補助として使うこと自体は、保護を妨げない。問題は、AIが人間の創作を「肩代わり」してしまった時に起きる。

そして報告書は、現在の一般的な技術では「プロンプトだけでは、利用者を作者と呼ぶのに十分な創作的支配が及んでいない」と踏み込んだ。どれほど凝った指示文を打ち込んでも、最後に絵を描く判断はAIが握っている。米国は、新しい法律を作るのではなく、既存の枠組みで対応できるという立場を選んだ。線引きは、これから個々の事例で詰めていくしかない。アレンも自分の絵を守ろうと2024年に裁判所へ訴え出ており、争いはなお続いている。

日本も、そしてEUも同じ結論にたどり着く

太平洋の向こうの日本は、まったく別の条文を持ちながら、出力については米国とほとんど同じ場所にたどり着く。

日本の著作権法は、著作物を「思想又は感情を創作的に表現したもの」と定めている。ここで効いてくるのが「思想又は感情」という言葉だ。これは人間の頭の中にあるものを指す。AIが人の関与なしに自律的に吐き出した文章や画像は、人間の思想や感情の表現とは言えない。だから日本でも、AIが単独で生んだ生成物は、原則として著作物にはあたらない。

判断の分かれ目になるのは、米国と同じく「人間の創作的寄与」があったかどうかである。文化庁は2024年3月、「AIと著作権に関する考え方について」という文書をまとめた。約2万5000件もの意見公募を経て固められたこの見解は、こう整理する。AIの出力を人が編集したり、表現に手を加えたりして、明確な創作的寄与が認められるなら、著作物になりうる。逆に、人がほとんど関与しない自律生成物は、著作物として保護されない。

EUも同じ場所に立つ。EUの著作権は、保護される作品を「作者自身の知的創作」でなければならないと捉えてきた。人の自由で創作的な選択が表れていることが要る、という考え方だ。ここでもAIが単独で吐き出した出力は、人の創作的な選択を欠くために保護されない。条文も、たどってきた歴史も違う。それでも日米欧の三者は、出力をめぐる限り同じ結論で握手する。AIが一人で作ったものは、誰の著作物でもない。著作権が報いるのは、あくまで人間の手による創作なのだ。

学習データという分かれ道

ところが、もう一つの問いに移ると、三者の道は鋭く分かれる。AIが作ったものではなく、AIに学ばせるために使ったもの。つまり「学習データ」をめぐる問題だ。

生成AIは、膨大な既存の文章や画像を読み込んで訓練される。その中には、他人の著作物が大量に含まれる。許諾を取らずに学習に使ってよいのか。ここで日本は、世界でも飛び抜けて踏み込んだ答えを、しかも早くから法律で用意していた。

著作権法第30条の4。2018年に改正され、2019年に施行されたこの条文は、「情報解析(じょうほうかいせき、大量のデータを解析する処理)」のためであれば、著作物を許諾なしに使ってよいと定める。AIの学習はこの情報解析にあたる。条件は、作品の表現を「享受(きょうじゅ、味わい楽しむこと)」する目的ではないこと。文章を読んで楽しむためではなく、あくまで解析の材料として使うのなら、原則として権利者の許可は要らない。海外の専門家からは、機械学習にとっての「楽園」とまで評される、極めて寛容な規定である。

もっとも、この条文には但し書きがある。利用の態様によって「著作権者の利益を不当に害することとなる場合」には適用されない、というものだ。問題は、何が「不当に害する」のかが条文だけでは判然としないことだった。そこで文化庁の前述の見解が、輪郭を描こうとした。たとえば、特定の作家の画風をまねて似た絵を出させるために、その作家の作品ばかりを集中的に学習させる場合。あるいはLoRA（ローラ、少量のデータで特定の作風を追加学習させる手法)で狙い撃ちする場合。こうした使い方は、表現を享受する目的が混じっていたり、権利者の利益を不当に害したりするとして、例外の枠から外れうる。学習は広く許す。ただし、特定の誰かを狙い撃ちにする学習は別だ。日本はそう線を引いた。

EUは「許可するが、拒否権を残す」

日本と米国のあいだに、第三の道を選んだのがEUだ。骨格は2019年のDSM指令（デジタル単一市場著作権指令、EUの著作権ルールを定めた法令)にある。この指令は、情報解析(TDM、テキストやデータの大量解析)のための利用を認める例外を二つ置いた。一つは研究機関による学術目的の解析。もう一つが、第4条の、目的を問わない解析である。商用のAI学習も、この第4条の射程に入ると、EUの立法者は明言している。

ここまでは日本に似ている。違うのはその先だ。第4条には条件がつく。権利者が、自分の作品を解析に使わせないと「あらかじめ明確に拒否(オプトアウト)」していれば、例外は使えない。しかもネットで公開された作品については、機械が読み取れる形での拒否表示が求められる。つまりEUは、原則として学習を許しつつ、権利者の手元に「使わせない」というスイッチを残した。日本の30条の4には、このスイッチがない。ここが決定的に違う。

EUはさらに踏み込んだ。2024年に成立したAI法(AI Act)は、汎用AI(さまざまな用途に使える基盤的なAI)の提供者に二つの義務を課した。一つは、EUの著作権法を守る方針を持ち、とりわけ第4条のオプトアウトを見つけて尊重すること。もう一つは、学習に使ったデータの「十分に詳しい要約」を、当局が用意したひな形に沿って公表することだ。これらの義務は2025年8月から適用が始まった。学習データの中身を開示させ、拒否した権利者を守る。EUは透明性と権利者の制御を、許可とセットにしたのである。

もっとも、このスイッチが実際にどう働くかは、まだ手探りだ。ドイツの裁判所はLAION（ライオン)というデータセットをめぐる事件で、学術目的の解析は例外に収まると判断した。別の事件では、解析のための複製は許されるが、モデルが学習内容を丸ごと覚え込んで吐き出す部分は別だ、という線引きも示された。拒否の表示も、漠然としたものでは足りず、明確で技術的に正しい形が要るとされる。EUの中間の道は、理屈は整っていても、運用の細部はこれから詰まっていく。

「裁判で決める」米国

同じ学習データの問題を、米国はEUとも日本とも違うやり方で扱っている。米国には、日本の30条の4のような「学習を許す条文」が存在しない。代わりにあるのが「フェアユース（公正な利用として、無許諾でも侵害にならないと裁判所が認める柔軟な例外)」という考え方だ。そして、ある学習がフェアユースにあたるかどうかは、法律にあらかじめ書いてあるのではなく、裁判で一件ずつ判断される。

2025年は、その判断が相次いだ年になった。判決は一つの方向にそろわなかった。

2月、トムソン・ロイター（Thomson Reuters、法律情報大手)対ロス・インテリジェンス（Ross Intelligence)の裁判で、裁判所はロス側のフェアユースの主張を退けた。判例の要約データを使って競合する法律検索AIを訓練した行為は、公正な利用とは認められない、と判断したのである。

ところが6月、流れは逆を向く。作家らがAI企業アンスロピック（Anthropic)を訴えた裁判で、裁判官はこう判断した。正規に入手した書籍をAIの学習に使うことは「目を見張るほど創造的な転換的利用(transformative use)」であり、フェアユースにあたる。学習そのものは適法だ、というわけだ。ただし同じ判決は、海賊版の書籍を大量に集めて蔵書化した行為は別問題で、フェアユースにはあたらないとした。この海賊版の部分が響き、アンスロピックは後に最大15億ドル(約2000億円超)を支払う和解に応じている。その二日後、別の裁判官は作家らがメタ（Meta)を訴えた件で、学習はフェアユースにあたると判断した。ただし、原告が市場への実害を立証できなかったという「その事件の記録のうえでは」という限定つきだった。

これらの判決を貫く物差しは「転換的利用」という考え方だ。元の作品をそのまま味わわせるのではなく、別の目的や別の価値を生むために使ったのなら、フェアユースに傾く。AIに言葉の規則性を学ばせる行為は、その典型と見なされた。逆に、元の作品と同じ市場で競い合う成果物を、しかも違法に手に入れた素材から生み出すのなら、天秤は侵害の側へ傾く。学習が許されるかどうかは、結局「何のために、どう使ったか」に行き着く。

米国著作権局も2025年5月、報告書の第3部で学習データの問題を扱った。結論は歯切れが悪い。学習はフェアユースになる場合もあれば、侵害になる場合もある。判断は裁判所が事案ごとに下すしかない。ただし、違法に入手した大量の著作物を使い、元の作品と市場で競合する成果物を商業的に生み出すような利用は、確立されたフェアユースの範囲を超える、とも述べた。要するに、米国の答えは「場合による」である。学習データの扱いは、いまもh変化し続けている。

こうして、学習データという同じ問いに、三者三様の答えが並んだ。日本は入り口を2018年に法律で広く開けた。許す範囲は最も広いが、権利者に拒否のスイッチはなく、「不当に害する」という灰色の但し書きだけが歯止めになる。EUは、原則は許しつつ、権利者にオプトアウトの拒否権を渡し、学習データの開示まで求めた。許可と制御と透明性を、一つの枠に束ねたのである。米国はそもそも学習を許す条文を持たず、フェアユースという裁判頼みに委ねた。予測しにくく、事案ごとに揺れる。最も寛容な日本、中間で均衡を取るEU、判例で手探りする米国。三つの法体系は、同じ問いの前で、見事に違う構えを取っている。

それでも残る、共通の問い

三つの道は、同じ問いの前で立ち止まる。人間の関与が、どこまで深まれば「創作」と呼べるのか。

プロンプトを工夫することは創作なのか。出てきた百枚の中から一枚を選ぶ行為は創作なのか。AIの出力に手を加え、配置を整える作業は、どこから著作物を生むのか。日米欧のいずれも、この問いに最終的な答えを出していない。アレンの絵が裁判で争われ、各国の当局が報告書を重ねているのは、まさにこの線が引き切れていないからだ。

もう一つ、見落とされがちな点がある。AIが生んだ出力に著作権が認められないことと、その出力が他人の著作権を侵害しないことは、別の話だということだ。日本でも米国でも、そしてEUでも、AIの生成物が既存の作品に「依拠」し、かつ表現が似ていれば、人間が描いた場合と同じように侵害になりうる。自分のものにならないうえに、他人の権利を侵すこともある。AIの出力は、二重の意味で油断できない。

創作者と利用者は何をすべきか

ここから、実際に手を動かす人への示唆を引き出せる。

第一に、AIに指示しただけの生成物は、日米欧のいずれでも著作権で守られないと考えた方がよい。誰でも自由に使える状態に近い。それを自分の作品として独占したいなら、人間の創作を確かに上乗せすることだ。複数の出力から選び、構成を組み立て、表現に手を入れる。そして、どこを自分が創作したのかを記録しておく。守られるのは、その人間の手の跡の部分である。

具体的に考えてみよう。AIに百枚の絵を出させ、その中から一枚を選び、気に入らない部分を自分で描き直し、文章やほかの素材と組み合わせて一つの作品に仕立てる。この「選ぶ・直す・組み合わせる」という人間の判断こそが、保護の足場になる。逆に、指示文を打ち込んで出てきた一枚をそのまま使うだけなら、足場は生まれにくい。万一争いになったときに備え、自分がどこに手を入れたかを示せるよう、制作の過程を残しておく。地味だが、これが効いてくる。

第二に、学習データとして他人の作品を使う側は、国によって足場が違うことを意識する必要がある。日本の企業には30条の4という法律の後ろ盾がある。ただし、特定の作家を狙い撃ちにする学習や、権利者の利益を不当に害する使い方は、その枠から外れうる。EUでは原則は許されるが、権利者がオプトアウトで拒否していれば使えない。汎用AIを出すなら、学習データの要約を公表し、拒否表示を尊重する義務も負う。米国では、そもそも法律の後ろ盾がなく、フェアユースという裁判頼みの不確実さがつきまとう。

第三に、利用者は「自分が指示したのだから自分のものだ」という思い込みを手放した方がよい。AIは道具であると同時に、創作の主役を奪いかねない存在でもある。法律は、その境目を人間の側に引こうとしている。

冒頭のアレンの絵に戻ろう。それは賞を取り、人々を動かし、議論を呼んだ。にもかかわらず、法律の上では誰のものでもない。法が見ているのは作品の質ではなく、人間の手がどれだけ入ったかである。AIがいよいよ身近になるほど、皮肉なことに、人間の創作の価値は、むしろ上がっていく。

 

---

参考文献

Burrow-Giles Lithographic Co. v. Sarony（バロウ・ジャイルズ対サロニー)
・出典: 111 U.S. 53 (1884年)
・著者: 米国連邦最高裁判所
・エビデンスレベル: 強(最高裁判決。著作権が人間の知的創作を保護するという原則の出発点)
・URL: https://supreme.justia.com/cases/federal/us/111/53/

著作権法 第30条の4(情報解析等のための利用)
・出典: 日本国著作権法(2018年改正・2019年施行)
・著者: 日本国(立法)
・エビデンスレベル: 強(現行法の条文)
・URL: https://www.bunka.go.jp/seisaku/chosakuken/aiandcopyright.html

EU デジタル単一市場著作権指令(DSM指令) 第4条(情報解析の例外)
・出典: 指令(EU) 2019/790 (2019年)
・著者: 欧州連合(EU立法)
・エビデンスレベル: 強(EUの現行指令。商用を含む情報解析を許容、ただし権利者のオプトアウトを条件とする)
・URL: https://eur-lex.europa.eu/eli/dir/2019/790/oj

Zarya of the Dawn 著作権登録に関する判断
・出典: 著作権登録に関する判断(2023年)
・著者: 米国著作権局
・エビデンスレベル: 中(当局による個別の登録判断。人間の文章・構成は保護、AI生成画像は不保護)
・URL: https://www.copyright.gov/docs/zarya-of-the-dawn.pdf

Théâtre D’opéra Spatial 審査機関決定
・出典: 審査機関(Review Board)決定(2023年9月5日)
・著者: 米国著作権局
・エビデンスレベル: 中(当局の最終判断。人間の創作的寄与はごくわずかとして登録を拒否)
・URL: https://www.copyright.gov/rulings-filings/review-board/docs/Theatre-Dopera-Spatial.pdf

文化庁「AIと著作権に関する考え方について」
・出典: 文化庁(2024年3月15日)
・著者: 文化審議会著作権分科会 法制度小委員会
・エビデンスレベル: 中(政府機関の公式見解。約2万5000件の意見公募を経て確定)
・URL: https://www.bunka.go.jp/seisaku/bunkashingikai/chosakuken/pdf/94037901_01.pdf

EU AI法(AI Act) 第53条(汎用AIモデル提供者の義務)
・出典: 規則(EU) 2024/1689 (2024年成立・汎用AIは2025年8月適用)
・著者: 欧州連合(EU立法)
・エビデンスレベル: 強(EUの現行規則。著作権遵守方針とオプトアウト尊重、学習データ要約の公表を義務化)
・URL: https://artificialintelligenceact.eu/article/53/

Kneschke v. LAION(クネシュケ対LAION)
・出典: ハンブルク地方裁判所判決(2024年9月)
・著者: ドイツ・ハンブルク地方裁判所
・エビデンスレベル: 中(地裁判決。学術目的のデータセット作成は学術研究のTDM例外に収まると判断)
・URL: https://www.orrick.com/en/Insights/2024/10/Significant-EU-Decision-Concerning-Data-Mining-and-Dataset-Creation-to-Train-AI

Copyright and Artificial Intelligence, Part 2: Copyrightability（著作権と人工知能 第2部:著作物性)
・出典: 米国著作権局 報告書(2025年1月29日)
・著者: 米国著作権局
・エビデンスレベル: 中(当局の報告書。AI単独生成物は不保護、プロンプトのみでは創作的支配に足りないとの見解)
・URL: https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-2-Copyrightability-Report.pdf

Thomson Reuters v. Ross Intelligence（トムソン・ロイター対ロス・インテリジェンス)
・出典: デラウェア州連邦地方裁判所判決(2025年2月11日)
・著者: 米国デラウェア州連邦地方裁判所
・エビデンスレベル: 中(地裁判決。AI学習目的の利用にフェアユースを認めず)
・URL: https://ipwatchdog.com/2025/12/23/copyright-ai-collide-three-key-decisions-ai-training-copyrighted-content-2025/

Thaler v. Perlmutter（セイラー対パールマター)
・出典: No. 23-5233 (D.C. Cir. 2025年3月18日)
・著者: 米国コロンビア特別区連邦控訴裁判所
・エビデンスレベル: 強(控訴審判決。人間の著作者性を制定法上の要件として確認)
・URL: https://media.cadc.uscourts.gov/opinions/docs/2025/03/23-5233.pdf

Bartz v. Anthropic（バーツ対アンスロピック)
・出典: カリフォルニア州北部連邦地方裁判所判決(2025年6月23日)
・著者: 米国カリフォルニア州北部連邦地方裁判所
・エビデンスレベル: 中(地裁判決。正規入手書籍での学習はフェアユース、海賊版の蔵書化は別問題。後に和解)
・URL: https://www.whitecase.com/insight-alert/two-california-district-judges-rule-using-books-train-ai-fair-use

Kadrey v. Meta（カドリー対メタ)
・出典: カリフォルニア州北部連邦地方裁判所判決(2025年6月25日)
・著者: 米国カリフォルニア州北部連邦地方裁判所
・エビデンスレベル: 中(地裁判決。当該事件の記録上は学習をフェアユースと判断、市場への実害は立証されず)
・URL: https://www.whitecase.com/insight-alert/two-california-district-judges-rule-using-books-train-ai-fair-use

GEMA v. OpenAI(GEMA対OpenAI)
・出典: ミュンヘン地方裁判所判決(2025年)
・著者: ドイツ・ミュンヘン地方裁判所
・エビデンスレベル: 中(地裁判決。LLMはTDMの範囲に入るが、モデルが学習内容を記憶し再生する部分は別とした)
・URL: https://www.taylorwessing.com/en/interface/2025/online-and-ai-generated-content/ai-and-copyright-litigation-in-the-eu-and-the-uk

Copyright and Artificial Intelligence, Part 3: Generative AI Training（著作権と人工知能 第3部:生成AIの学習)
・出典: 米国著作権局 報告書(2025年5月9日、公表前版)
・著者: 米国著作権局
・エビデンスレベル: 弱〜中(当局の報告書。学習は事案により適法とも違法ともなり、裁判所の判断に委ねられるとする)
・URL: https://www.copyright.gov/ai/

「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

「あなたのデータには値段がついている」と言われたら、いくらを想像するだろうか。月に数百円か、年に数千円か。米連邦取引委員会の調査や複数の学術推計を均すと、グーグルやメタが一人のユーザーから得る年間収益は数十ドルにとどまる。それなのに、シリコンバレー上位のプラットフォームは合計で年数兆ドル規模の時価総額を積み上げている。データ一粒の単価は安い。だが、データを集めた企業の価値は天文学的だ。この奇妙なズレこそ、データ配当（data dividend）の議論が必要になる出発点である。

2019年2月、カリフォルニア州知事ギャビン・ニューサム（Gavin Newsom）が施政方針演説で宣言した。「カリフォルニア州民は自分のデータが生む富の分け前を受け取るべきだ」。アラスカ州が原油配当を市民に分けているように、データの配当を。このたとえは強力だった。だが議論は2年で止まった。一人あたりいくら？　どの企業から徴収する？　どう分配する？　どれも答えのない問いだった。

その停滞を破るために、バーグルエン研究所が動いた。ロサンゼルスを拠点とするシンクタンクで、カリフォルニア・データ配当作業部会を組織し、報告書『A Data Dividend that Works（機能するデータ配当）』を発表した。執筆陣には3つの分野から専門家が集まった。ノースウェスタン大学のブレント・ヘクトはコンピュータ科学者。マシュー・プルーウィットは「ラディカルエクスチェンジ財団」の弁護士。ヤコフ・ファイギンは若手経済学者である。本稿はこの設計書を、構成要素の論理を解きほぐしながら読んでいく。

出発点：「私のデータ」から「私たちのデータ」へ

報告書全体の出発点は、たった一つの概念転換にある。「my data（私のデータ）」から「our data（私たちのデータ）」へ。なぜ重要か。

データを個人の私有物として小売市場で売買できるなら、ニューサム当初案は素直に実装できる。各社が各個人のデータに値段をつけて買い取れば、それが配当の原資になる。だが学術研究はこの素朴な発想を一貫して批判してきた。

最初に問いを立てたのは、2018年のAEA Papers and Proceedings論文だった。執筆者は5人。当時スタンフォード大学にいたイマノル・アリエタ＝イバラ、レナード・ゴフ、ディエゴ・ヒメネス＝エルナンデス、技術哲学者ジャロン・ラニアー、経済学者グレン・ワイル。彼らの結論はこうだ。データは企業が無料で観察した資本ではなく、個人が日々の行動を通じて生み出している労働の成果物として扱うべきだ。だが個人と巨大プラットフォームの交渉力は絶望的に非対称である。労働の対価を引き出すには、競争政策、データ労働運動、規制という三つの対抗力が要る。

モナシュ大学のジャサン・サドフスキーは2019年、Big Data & Society誌でさらに踏み込んだ。データはもはや単なる労働の成果物でもない。データそのものが「資本」としての性質を獲得した。だからデータ収集は「採取」として進行する。鉱山から鉱石を掘り出すのに似ている。収集される側の同意も対価も、しばしば形だけのものになる。

経済学の言葉で本質を最も厳密に語ったのは、2020年のAmerican Economic Review論文だ。スタンフォード大学のチャールズ・ジョーンズとクリストファー・トネッティが書いた。データは「非競合財」だという。位置情報や医療記録は、A社が使っているからB社が使えないわけではない。一人のデータを複数企業が同時に使える。非競合財は逓増収穫をもたらすので、社会にとって最適なのは「広く使われる」ことになる。だが企業はクリエイティブ・デストラクションを恐れて、データを抱え込む。結果は社会的に非効率な利用だ。論文の重要な含意はこうだ。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。

3本の論文が指し示すのは一つの方向だ。データを「私の」資産として個別に売る市場では問題が解けない。「私たちの」集合的資源として制度化すれば、効率と公正の両方に近づける。報告書はこの方向に賭けた。

第1の柱：データ依存税という独自の課税設計

報告書の第1の柱は「データ依存税（Data Dependence Tax）」である。一見すると新税だが、設計の細部に思想が詰まっている。

対象企業の特定には、カリフォルニア州消費者プライバシー法（CCPA）の基準を流用する。年間総売上2500万ドル超、年5万人以上の個人情報を売買、売上の50%以上を個人情報販売から得る、のいずれかに当てはまる企業だ。この基準を使えば、新たに「データ依存」の定義を法律で書き下ろさずに済む。複雑性を避けるという報告書の8原則の一つを忠実に守った設計である。

課税方式は「売上按分」を採る。グローバル売上のうちカリフォルニア州で発生した割合に応じて課税ベースを計算するやり方だ。すでに同州の法人税で使われている枠組みである。これを使えば、企業がデラウェア州やアイルランドに本社を移しても課税逃れができない。物理的な本社所在ではなく、事業実態で課税するからだ。

税率設計の核は「限界税率」構造である。ユーザー数の段階に応じて税率を上げる累進設計だ。報告書はこの設計の論拠を、データの特殊性に求める。個別の機械学習プロセスでは、追加データの限界価値は逓減する。一方でデータ収集と独占化の論理は別だ。ユーザー数を増やせば増やすほど報酬が大きい。両者のギャップを税で埋める。企業が「とにかくユーザーを抱え込む」インセンティブを抑え込もうという発想である。報告書付録のシミュレーションでは、アルファベット、アマゾン、フェイスブックが最も重い税率になる。地方のレストランや小規模ECは課税対象から実質除外される。

これに加え、第三者へのデータ販売、いわゆるデータブローカー業には別途データ売上税を課す。データ販売は仲介業者を経由して価値連鎖が複雑化しやすい。依存税だけでは取りこぼしが出る。ここを塞ぐ補助の税である。

第2の柱：徴収した税収をどう使うか

ここで多くの読者の素朴な期待が裏切られる。報告書は個人小切手による分配を明確に退けるのだ。論理は単純である。ジョーンズ＆トネッティが示した通り、データの価値は集積から生まれる。集積されたデータの便益を個別の小切手に分解して戻すのは、原理的に非効率だ。しかも公平でもない。

代わりに推奨されるのは二つの使い道だ。

第一は公共サービスへの充当。教育、公共Wi-Fi、医療、貧困層向け住宅といった普遍的公共財に税収を投じる。報告書は具体的な数字を示す。カリフォルニア州法人税2019年実績131億ドルの10%、年13億ドル程度を「控えめな試算」として置く。州民4000万人で割れば、一人あたり年33ドル。世帯単位で戻せば約100ドル。この数値を見せた上で、報告書はこう断じる。「個人配当では構造的不平等を変えられない」。同じ財源を公共サービスに集中投下すれば、低所得層ほど便益が大きくなる構造を作れるからだ。

第二は「ベイビーボンド」である。これはニュースクール大学のダリック・ハミルトンとデューク大学のサンディ・ダリティが長年提唱してきた構想だ。出生時に国債類似のシード資金を全員に与え、年率1.5から2.0%で運用し、18歳で住宅・事業・教育に解禁する。両者の試算では、人種的資産格差を埋めるには傾斜配分が必要だという。最低所得層の子に5万から6万ドル、高所得層には2万から2万5千ドル。報告書はこの仕組みをデータ配当の主要な使途の一つに置く。なぜか。データ経済が生む構造的不平等の核は「フロー（年所得）」ではなく「ストック（資産）」だからだ。一回限りの幼少期シード資金は、世代間の資産移転格差を直接攻める。

逆に報告書が明示的に退けるのは「メリトクラティック支払い」だ。データ提供量に応じて個人に支払う案である。理由は二つ。第一に、個別データの値付けは技術的にまだ信頼できない。第二に、データ価値を算定するアルゴリズムは社会のバイアスを増幅する恐れが高い。むしろ不平等を深める。ここでも単純な市場メカニズムが拒絶される。

第3の柱：データ関係庁という独立規制機関

税を集めて使途を決めるだけでは、データ経済は動かない。技術と市場が急速に変化するなか、誰がルールを継続的に書き換え、評価するのか。この問いに答えるのが第3の柱、「データ関係庁（Data Relations Board, DRB）」である。

報告書のモデルは米環境保護庁（EPA）だ。1970年大気浄化法がEPAに大気質の継続的な規制権限を与えたように、データ経済にも同じ枠組みを持ち込む。DRBは独立の調査研究機能を持つ。データ依存企業の分類更新、税制パラメータの提案、新たに見つかったデータ被害の認定、公共データ信託の運用までを担う。

ここで参照すべき論文がある。エディンバラ大学のシルヴィー・ドラクロワとケンブリッジ大学のニール・ローレンスが2019年、International Data Privacy Law誌に発表した。彼らの提案は「ボトムアップ・データ信託」だ。データ受託者が忠実義務のもとで加入者のデータを集合的に運用する枠組みである。GDPRが個人に与えた権利を、データ受託者がまとめて代理行使する。この発想はEU欧州データガバナンス法にも取り込まれた。報告書のDRBは、こうした信託の「上から」の監督者として位置づけられる。

テュービンゲン大学のパトリック・フンメルらは2020年、Philosophy & Technology誌で「データ所有」と呼ばれる主張を解剖した。所有権の言説は実は4つの異なる次元を一括りにしている。物的支配、人格的承認、経済的便益、文化的承認。著者らはこの混同を解いたうえで提案する。「所有権を求める声は、究極的には資源の再分配と社会文化的承認の要求と読み替えるべきだ」。DRBの設置は、まさにこの「承認」を制度化する装置だと言える。

第4の柱：データ産業政策と公共インフラ

最後の柱はもっとも長期的かつ野心的な「データ産業政策」だ。データ経済を放置すれば自然独占に向かう。だから国家が能動的に競争空間を切り開き、公共データインフラを構築すべきだ、という論理である。

具体策は四つ。公共データ信託の整備、データ協同組合の法的整備、公共インターネット網の構築、AI研究への政府主導投資（DARPAモデルの再来）。

だが、ここで一つ警鐘を鳴らす必要がある。データ国家化のリスクである。マリオン・フルカーデ（UC Berkeley）とジェフ・ゴードンが2020年、ある重要な概念を提示した。「データ主義国家（dataist state）」である。掲載誌はJournal of Law and Political Economy。データ国家は透明性と説明責任を約束する一方で、実態ではデータ収集権限の拡大とともに「国家の企業化」が同時進行する、という観察だ。デジタル企業は国家データを獲得して資本化しようとし、国家自身も企業的論理で再編される。DRBを設置しても、企業化した国家が運営すれば、公共データ信託は新たな採取装置に変わりかねない。

ベルリン社会科学研究所のユリア・ポーレとトルステン・ティールは同じ2020年、Internet Policy Review誌で「デジタル主権」概念を整理した。デジタル主権は今、EU、中国、ロシアといった地域ブロックの政策語彙となっている。規制概念であると同時に政治言説実践でもある。報告書のデータ産業政策は、米州政府レベルでこのデジタル主権を獲得しようとする試みとして読める。

データ協同組合の参照モデルが、スイスの「MIDATA」である。チューリッヒ工科大学とベルン応用科学大学が組織する医療データ協同組合だ。参加者は自分の医療データを協同組合に預け、プライバシー水準を選び、研究用途に提供する。協同組合が法的に組合員の代理人として企業と交渉する。日本の生協法に近い枠組みを、データに適用したものと言える。

自動化の流れと、なぜ「いま」やるのか

最後に時代背景を押さえておきたい。なぜ報告書はこの時点で書かれたのか。

MITのダロン・アセモグルとボストン大学のパスカル・レストレポが2019年、Journal of Economic Perspectivesで「自動化と新業務」のフレームワークを提示した。自動化は労働の業務範囲を資本側に動かす。付加価値のうち労働分配率を引き下げる方向に作用する。新業務の創出があれば均衡は保たれるが、創出は自動的には起きない。

アセモグルは2021年のNBERワーキングペーパー『Harms of AI（AIの害）』でさらに踏み込んだ。AIの現在の軌道が放置されれば、競争、プライバシー、消費者選択、賃金、政治言説、民主主義のいずれにも害を及ぼしうる。とりわけ「過剰自動化」と呼ぶ現象が問題だ。人間労働を補完するのではなく置換するAI配備のことである。アセモグルの議論では、生産性を必ずしも上げない一方で労働分配率を下げる傾向が強いとされる。

データ配当をいま設計しないと、AIの便益分配が固定化される。これが報告書の時間軸での主張だ。

まとめ

以上を一文に圧縮するとこうなる。データを「私の」資産としてではなく「私たちの」集合資源として捉え直し、その価値を生み出す企業に売上按分の限界税率で課税し、税収を公共サービスとベイビーボンドに振り向け、独立行政機関（DRB）が全体を継続評価し、公共データ信託・データ協同組合・公共インフラ整備でデータ経済の競争空間そのものを書き換える。これが「機能するデータ配当」の設計である。

冒頭で問うた値段の話に戻ろう。あなたのデータが年に数千円なのか、年に数万円相当なのか。報告書の答えはこうだ。「正しい問い方ではない」。データの価値は集積から生まれる。だから配当も集積された形で取り戻すのが筋だ、というのが報告書の到達点だ。公共サービス、シード資金、競争的市場。これらの形で取り戻す。小切手は来ない。だが、来るはずだった小切手以上のものが、別の形で届く制度設計は可能である。報告書はその青写真を示している。

---

参考文献

Digital labour and development: impacts of global digital labour platforms and the gig economy on worker livelihoods
・出典: Transfer: European Review of Labour and Research, 23(2), 135-162 (2017)
・著者: Mark Graham, Isis Hjorth, Vili Lehdonvirta
・エビデンスレベル: 中（長期質的フィールド調査、複数地域）
・DOI: 10.1177/1024258916687250

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

When data is capital: Datafication, accumulation, and extraction
・出典: Big Data & Society, 6(1) (2019)
・著者: Jathan Sadowski
・エビデンスレベル: 中（理論・批評論文、986回引用）
・DOI: 10.1177/2053951718820549

Bottom-up data Trusts: disturbing the ‘one size fits all’ approach to data governance
・出典: International Data Privacy Law, 9(4), 236-252 (2019)
・著者: Sylvie Delacroix, Neil D. Lawrence
・エビデンスレベル: 中（法理論論文、欧州データガバナンス法に影響）
・DOI: 10.1093/idpl/ipz014

Automation and New Tasks: How Technology Displaces and Reinstates Labor
・出典: Journal of Economic Perspectives, 33(2), 3-30 (2019)
・著者: Daron Acemoglu, Pascual Restrepo
・エビデンスレベル: 強（標準的理論モデル、2130回引用）
・DOI: 10.1257/jep.33.2.3

Own Data? Ethical Reflections on Data Ownership
・出典: Philosophy & Technology, 34, 545-572 (2020)
・著者: Patrik Hummel, Matthias Braun, Peter Dabrock
・エビデンスレベル: 中（概念分析論文）
・DOI: 10.1007/s13347-020-00404-9

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掲載、762回引用）
・DOI: 10.1257/aer.20191330

Learning Like a State: Statecraft in the Digital Age
・出典: Journal of Law and Political Economy, 1(1) (2020)
・著者: Marion Fourcade, Jeff Gordon
・エビデンスレベル: 中（政治社会学的分析）
・DOI: 10.5070/lp61150258

Digital sovereignty
・出典: Internet Policy Review, 9(4) (2020)
・著者: Julia Pohle, Thorsten Thiel
・エビデンスレベル: 中（概念整理論文）
・DOI: 10.14763/2020.4.1532

Harms of AI
・出典: NBER Working Paper No. 29247 (2021)
・著者: Daron Acemoglu
・エビデンスレベル: 中（包括的概念論文）
・DOI: 10.3386/w29247

A Data Dividend that Works: Steps Toward Building an Equitable Data Economy
・出典: Berggruen Institute (2021)
・著者: Yakov Feygin, Brent Hecht, Matthew Prewitt, Hanlin Li, Nicholas Vincent, Chirag Lala, Luisa Scarcella
・エビデンスレベル: 中（政策提言ホワイトペーパー、California Data Dividends Working Group）
・URL: Berggruen Institute

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

人工知能が人間の知性を全面的に上回る未来を想像してみる。そのとき人間がAIに問い、実行を委ねるものの多くは、人間自身にはもう十分に理解できない判断になっているだろう。なぜその答えが正しいのか、どんな前提でそう結論したのか。問うた本人には、もはや検証できない。にもかかわらず、いまの制度がそのまま続くと仮定すれば、実行された結果の責任は人間が負う。能力が理解を追い越し、責任だけが手元に残る。この非対称こそ、これから設計しなければならないセーフガードの出発点である。

直感的な解決策は、昔から一つに決まっている。重要な判断をAIに任せるなら、人間を一人、最終確認役として回路に残しておけばよい。いわゆる「人間を関与させる(human-in-the-loop)」という発想だ。ところが、この素朴な安全策がそのままでは機能しないこと、それどころか人間を「責任を吸い取る部品」に変えてしまいかねないことが、複数の研究によって示されてきた。理解できないものの責任を負うという問いは、まずこの逆説から解きほぐす必要がある。

「最終確認役」という幻想

機械の出した答えを人間が点検すれば誤りは防げる。そう思いたくなる。だが認知科学者のRaja Parasuraman(ラジャ・パラスラマン)とDietrich Manzey(ディートリヒ・マンツェイ)が2010年に発表した統合的レビューは、その期待に冷や水を浴びせた。彼らは自動化システムと人間の相互作用を扱った多数の実験的研究を整理し、「自動化バイアス(automation bias、機械の出力を過度に信頼してしまう傾向)」と「自動化への安住(complacency、出力の監視がおろそかになること)」という二つの現象が、共通の注意の仕組みから生まれることを示した。人は複数の作業を同時に抱えて注意資源が逼迫すると、自動化された処理を「たぶん正しい」とみなして監視を手抜きする。誤りは二つの形をとる。機械が警告しなかった異変を人間も見落とす「見落としの誤り」と、機械の誤った助言にそのまま従ってしまう「追従の誤り」だ。どちらも、人間が自動化を一種の権威として扱い、自前の判断による検算をやめてしまうことから生じる。重要なのは、この傾向が初心者だけでなく熟練者にも現れ、単に「気をつけろ」と指示するだけでは消えなかったことである。人間は、機械が示した答えに引きずられるようにできている。最終確認役を一人置けば安心だという発想が、いかに脆い前提の上に立っているかがわかる。

この知見は、医療の現場で定量的に裏づけられている。情報学者のKate Goddard(ケイト・ゴダード)らは2011年、臨床判断支援システムにおける自動化バイアスを対象に、1万3千件超の文献から条件を満たす74件を選び出した系統的レビュー(あるテーマの研究を網羅的に集めて総合する手法)を行った。そこから浮かび上がったのは、バイアスを強める要因と弱める要因の地図である。利用者の認知スタイルや経験、機械への信頼や自信、そして作業負荷や時間的制約といった環境が、誤った出力への追従を左右していた。逆に、訓練を施すこと、利用者に「あなたが責任を負う」と明示すること、助言の提示方法を工夫することは、バイアスを軽減しうるとされた。つまり人間の監視は、設計しだいで機能もするが、放置すれば容易に形骸化する。

この現象には名前がある。哲学者のJohn Zerilli(ジョン・ゼリッリ)らは2019年、人間と機械の制御ループの中で、人間が信頼できる自律システムを前に安住し、過信し、あるいは逆に過度に萎縮してしまう傾向を「制御問題(the control problem)」と呼んだ。複雑な機械の操作者を研究してきた産業心理学者や技術者の間では、人間が機械に責任を明け渡し、機械が誤る場面を見逃す危険は、ずっと前から知られていた。ゼリッリらは、この古くからの問題が、内部の読み解けない機械学習の文脈ではまだ真剣に検討されてこなかったと指摘する。そのうえで対処策を三つ挙げ、最も有望なものとして、高度なアルゴリズムと人間が互いに補い合う「相補的な結合」を提案した。最終確認役を一人ぽつんと置くのではない。人間と機械が動的に役割を分け合う設計である。規範的な提案を含む議論だが、後で見るセーフガードの核心を先取りしている。

では、制度として人間の監視を義務づければよいのか。法学者のBen Green(ベン・グリーン)は2022年、世界各国で政府アルゴリズムに対し人間の監督を求める41の政策を精査し、それらが検証されないままの前提に寄りかかっていると論じた。前提とは「人間はアルゴリズムの判断を実効的に監督できる」というものだ。だが自動化バイアスの蓄積された証拠は、その前提を裏切る。グリーンの指摘はさらに辛辣である。形だけの監督要件は、機能しないどころか、問題ある制度に「人間が見ているから大丈夫」という偽りの正当性を与えてしまう。最終確認役を置くこと自体が、責任のアリバイになりうるのだ。

人間が「衝撃吸収帯」になるとき

監督が形骸化したまま事故が起きれば、矢面に立つのは回路の末端にいた人間である。研究者のMadeleine Clare Elish(マデリン・クレア・イーリッシュ)は2019年、この構図に「モラル・クランプルゾーン(moral crumple zone、道徳的衝撃吸収帯)」という名を与えた。自動車の衝撃吸収帯が衝突の力を受け止めて車体を守るように、複雑に自動化されたシステムの中の人間は、全体が誤作動したときの道徳的・法的な責任を一身に受け止める部品になりうる。違うのは、その吸収帯が守るのが人間ではなく技術システムの正統性だという点だ。イーリッシュはスリーマイル島原発事故、エールフランス447便の墜落、放射線治療装置Therac-25の事故、そして2018年に起きた自動運転車による歩行者死亡事故を読み解き、いずれも実際の制御をほとんど持たなかった「最も近くにいた人間」へ責任が振り向けられた経緯を描いた。これは事例分析にもとづく概念であり厳密な実証ではないが、私たちの問いの核心を言い当てている。理解も制御もできなかった人間が、結果だけを引き受ける。

この危うさは、いままさに医療へ流れ込もうとしている。臨床医のTom Lawton(トム・ロートン)らは2024年、AIが医療に組み込まれるなかで臨床医が「賠償責任のシンク(liability sink、責任の流し込み先)」になりかねないと警告した。複雑で部分的に自動化された仕組みでは、全体の不具合の責任が最も近い人間の操作者に集中しやすい。AIの診断支援を使った医師が、自分には理解しようのなかった機械の誤りについて、法的な責めを不当に負わされる。論説にもとづく問題提起ではあるが、モラル・クランプルゾーンが抽象論ではないことを示している。

「責任の空白」は一つではない

こうした事態は、しばしば「責任の空白(responsibility gap)」という言葉で語られてきた。哲学者のAndreas Matthias(アンドレアス・マティアス)が2004年に提起した懸念がその起点である。学習する機械はふるまいが予測しきれないため、その害について誰も正当には咎められなくなる、というものだ。だが哲学者のFilippo Santoni de Sio(フィリッポ・サントーニ・デ・シオ)とGiulio Mecacci(ジュリオ・メカッチ)は2021年、空白は一つではなく、少なくとも四つの絡み合った問題だと整理した。第一に、誰も正当に非難できなくなる「咎めの空白」。意図・予見可能性・制御という、責任を問う伝統的な条件を、機械の不透明さが崩していく。第二に、人々が自分や他者のふるまいの「筋道」を理解し説明し合う力が失われる「道徳的説明責任の空白」。不透明なAIを使う医師が、なぜその診断に至ったかを語れなくなるように。第三に、市民が行政の決定について説明を得られなくなる「公的説明責任の空白」。裁量が現場の担当者から、法を実装するIT技術者やデータ分析者へと移っていく。第四に、設計し使う人々が、システムのふるまいに対する自らの義務を自覚し果たそうとしなくなる「能動的責任の空白」である。

サントーニ・デ・シオらが鋭いのは、これらへの安易な処方を退けた点だ。空白を新種の解決不能な難問とみなす「宿命論」、たいした問題ではないと片づける「軽視論」、そして説明可能なAIや法制度の手直しだけで全部が解決すると考える「技術・法の万能論」。いずれも責任の空白の一面しか捉えていない。四つの空白は互いに結びついており、一つを塞ぐには他のいくつかにも手を入れねばならない。規範的な議論ではあるが、責任という言葉が指すものを腑分けしたこの見取り図は、セーフガードの設計図として有用である。

本当に欠けているのは「制御」だ

ところが、この「責任の空白」という枠組み自体に疑問を投げかける議論もある。哲学者のFrank Hindriks(フランク・ヒンドリクス)とHerman Veluwenkamp(ヘルマン・フェルウェンカンプ)は2023年、責任の空白などそもそも存在しない、と論じた。自律機械が引き起こす害は、二つに分かれる。一方は、社会的に許容できる水準のリスクのもとで起きた「咎めようのない害」であり、これは誰も非難されるべきではない。他方、咎めるべき害ならば、その非難は設計者・技術者・製造者・規制当局といった人々へ、間接的にではあれ確実に帰属させられる。宙に浮いて誰にも割り当てられない非難など、論理的にありえないというのだ。

では本当の問題はどこにあるのか。彼らはそれを「制御の空白(control gap)」と呼ぶ。自律機械は、道徳的に許容できる水準までリスクを抑えて作られねばならない。その水準に届かない機械、つまり持つべき制御の質を備えていない機械は、そもそも世に出してはならない。責任の議論が「事後に誰を責めるか」に向かいがちだったのに対し、制御の議論は「事前にどれだけ制御を作り込むか」へと焦点を移す。理解できないものを実行させてよいのは、その実行が許容可能なリスクの内に設計されているときだけだ。この反転は、私たちの問いに具体的な指針を与える。負うべき責任を案じる前に、負わせてよいだけの制御がそこにあるかを問え、と。

意味のある人間の制御とは何か

では、十分な制御とは何を備えていることなのか。サントーニ・デ・シオとJeroen van den Hoven(ヤルーン・ファン・デン・ホーヴェン)は2018年、「意味のある人間の制御(meaningful human control)」を二つの条件で定義した。哲学者フィッシャーとラヴィッツァの「導きの制御」を下敷きにしたものだ。一つめは「追従(tracking)」の条件。システムは、その状況で関連する人間の道徳的な理由に応答し、それに沿ってふるまわねばならない。二つめは「遡行(tracing)」の条件。システムのふるまいは、その役割を理解し引き受けた特定の人間へとたどり着けなければならない。重要なのは、ここでいう制御が、判断の瞬間にボタンを押す人間がいるかどうかではない、という点だ。設計者から運用者までを含む人間の理由と能力に、システム全体が結びついているか。それが問われている。形だけ回路に人を残すことと、意味のある制御を作り込むことは、まるで違う。

意味のある制御には、人間の側の関与の質も関わる。経営学者のBerkeley Dietvorst(バークレー・ディートヴォースト)らは2016年、人々が一度でも誤るアルゴリズムを見ると、たとえそれが人間より正確だと知っていても、それを見限ってしまう「アルゴリズム回避(algorithm aversion)」を実験で示した。同じ程度に誤る人間の予測者には寛容なのに、機械の誤りには厳しい。だが彼らは解毒剤も見つけている。予測を自分でわずかにでも修正できる余地を与えられると、人々は不完全なアルゴリズムでも使うようになり、修正がごく限られていても、結果として成績まで上がったのだ。完全な明け渡しでも完全な拒絶でもなく、手を加えられるという感覚が、人間を機械と協働させた。逆に、心理学者のJennifer Logg(ジェニファー・ローグ)らが2019年に複数の実験で示したのは、人々がしばしば人間よりアルゴリズムの助言を重んじる「アルゴリズム礼賛(algorithm appreciation)」だった。ただしこの傾向は専門家では弱まり、自らの知見を持つ者ほど機械の助言を割り引いた。修正の余地があるか、相手が誰だと思っているか、自分に専門性があるか。人間の制御が形だけに堕すか実質を持つかは、こうした条件に左右される。設計とは、この実質を意図的に作ることにほかならない。

技術・制度・構造の三層で支える

以上を踏まえれば、セーフガードは単一の妙案ではなく、三つの層の組み合わせとして立ち現れる。

第一の層は技術である。理解できないものの責任を負わされる根は、AIの不透明さにある。ならば、AIを人間の意図と価値に沿わせ、その状態を検証できるようにする研究、すなわち「アラインメント(alignment、AIを人間の意図に整合させること)」が土台になる。Jiaming Ji(ジアミン・ジー)ら26名が2023年に公開した包括的サーベイは、この分野の目標を頑健性・解釈可能性・制御可能性・倫理性の四原則(頭文字をとってRICE)に整理した。そのうえで研究を、訓練によってAIを整合させる「前向きの整合」と、整合の証拠を得て適切に統治する「後ろ向きの整合」に分ける。人間より賢いAIの出力をどう監督するかという「スケーラブルな監督(scalable oversight)」は、まさに私たちの問いの核心に切り込む。自分より賢い相手の答えを、どうすれば検算できるのか。一つの発想は、AIどうしを議論させて矛盾をあぶり出す、複雑な課題を人間が点検できる小さな部分へ分解する、あるいは弱いモデルが強いモデルを監督できるかを探る、といった手法である。モデルの内部を読み解こうとする解釈可能性の研究も、理解の非対称そのものを埋めにいく試みだ。これらはまだ発展途上であり、超知能の監督が原理的に可能かどうかも未解決だが、方向性は明快である。人間がAIを少しでも理解できるようにすること。それが他のすべての層の前提になる。理解できないものの責任を負わされる構図を断つには、まず理解の側を押し広げるほかない。

第二の層は制度である。意味のある人間の制御の「追従」と「遡行」を、組織の手続きや法へ翻訳する。ここで効くのが、グリーンの批判の裏返しだ。条文に「人間が監督する」と書き込むだけでは、自動化バイアスの前に空文と化す。監督役には、機械の出力を実際に覆せる権限と時間と情報を与え、その判断が成績に反映される責任構造を組み込まねば、追従の誤りは防げない。同時に、責任が回路の末端の操作者へ流れ込み、その人を衝撃吸収帯に変える設計を避け、賠償責任を設計者や提供組織へ適切に配分する。説明責任の空白を塞ぐために、決定の根拠を市民や同僚へ語れる経路を制度として用意する。四つの責任の空白は連動しているのだから、技術だけ、法だけの万能論に逃げず、束ねて手当てする。理解できない決定を実行する人間を守るのは、英雄的な注意力ではなく、こうした制度の設計である。

賠償責任の配分には、より踏み込んだ法理論も現れている。法学者のBart Custers(バルト・キュステルス)らは2025年、AIのような複雑技術が引き起こす害について、賠償責任が道徳的責任と食い違って割り当てられる「賠償責任の空白(liability gap)」を、逆に「賠償責任の重複(liability overlap)」へ転じる道を論じた。開発から運用までの各段階の接点で、複数の当事者が責任を分かち合い、互いに対する受託者義務(fiduciary duty、相手の利益のために誠実に行動する義務)を負う。誰も責任を負わない空白ではなく、複数が重ねて責任を負う状態をつくる、という発想だ。ただし著者ら自身、これですべての空白が埋まるわけではなく、技術革新を萎縮させる恐れや、判例による具体化の必要があることも認めている。対照的に、AI自身に法人格を与え、責任の主体にしようという提案もある。法学者のJasmine Jade Lovell(ジャスミン・ジェイド・ラヴェル)は2024年、高度なAIへの法人格付与が賠償責任や権利・義務の所在をどう変えるかを検討した。だがこれは、サントーニ・デ・シオらが「法の万能論」として警告した方向、すなわち人間の道徳的責任を機械へ押し出しかねない道でもある。責任を機械の側へ逃がすのか、人間の側で重ねて引き受けるのか。制度設計はこの分岐の上に立っている。

第三の層は、最も見えにくい構造のリスクへの備えだ。そもそも、人間を全面的に超える知能を生み出してよいのか、という最上流の問いがある。研究者のJean-Sébastien Dessureault(ジャン・セバスティアン・デシュロー)らは2025年の論考で、超知能が人類と生物圏にもたらす実存的なリスクを列挙したうえで、こうした前例のない技術には予防原則(precautionary principle、深刻で取り返しのつかない被害の恐れがあるなら、科学的な確証が不十分でも慎重に対処すべきだという考え)を真剣に適用すべきだと論じた。専門家の意見にもとづく規範的な主張であり、結論が定まっているわけではない。だがセーフガードの射程に、「どう作るか」だけでなく「そもそも作るか、どの速さで作るか」という選択を含めるべきことを示している。研究者のJan Kulveit(ヤン・クルヴェイト)らは2025年のプレプリント(査読前論文)で、「漸進的な無力化(gradual disempowerment)」という筋書きを論じた。AIが突如として支配権を奪う劇的な乗っ取りではなく、経済や文化や国家といった社会の基盤的システムから、人間の労働と認知が少しずつ置き換わっていく。すると投票や消費といった明示的な制御も、これらのシステムが人間の参加に依存することで保たれてきた暗黙の利害の一致も、ともに弱まる。各領域の変化が互いを強化し合い、人間の影響力が事実上、取り返しのつかない形で失われていく可能性があるという。予備的な議論ではあるが、示唆は重い。個々の判断に意味のある制御を作り込んでも、委任の積み重ねが社会全体の制御を蝕みうる。だからこそ、局所的な安全策と並んで、影響力の漸進的な侵食そのものに目を配る統治が要る。

理解できないものを実行し、その結果を負う。冒頭の非対称に、これらの層はこう答える。問うべきは、人間を回路に残したかどうかではない。その人間が、意味のある制御を持っていたかどうかだ。能力が理解を追い越す時代のセーフガードとは、責められる誰かを末端に用意することではなく、制御と責任が最後まで切り離されないよう、技術と制度と社会の構造を設計し直すことである。それは技術の課題であると同時に、いやそれ以上に、私たちがどんな仕組みのもとで生きるかという、制度設計の課題なのだ。

 

---

参考文献

Complacency and Bias in Human Use of Automation: An Attentional Integration
・出典: Human Factors, 52(3), 381-410 (2010)
・著者: Raja Parasuraman, Dietrich Manzey
・エビデンスレベル: 中〜強(複数の実験研究を統合した理論的レビュー)
・DOI: 10.1177/0018720810376055

Automation bias: a systematic review of frequency, effect mediators, and mitigators
・出典: Journal of the American Medical Informatics Association, 19(1), 121-127 (2011)
・著者: Kate Goddard, Abdul Roudsari, Jeremy C. Wyatt
・エビデンスレベル: 強(1万3千件超から選定した74件の系統的レビュー)
・DOI: 10.1136/amiajnl-2011-000089

Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them
・出典: Management Science, 64(3), 1155-1170 (2016)
・著者: Berkeley J. Dietvorst, Joseph P. Simmons, Cade Massey
・エビデンスレベル: 中(複数の事前登録的な統制実験)
・DOI: 10.1287/mnsc.2016.2643

Meaningful Human Control over Autonomous Systems: A Philosophical Account
・出典: Frontiers in Robotics and AI, 5, 15 (2018)
・著者: Filippo Santoni de Sio, Jeroen van den Hoven
・エビデンスレベル: 弱(規範的・哲学的議論)
・DOI: 10.3389/frobt.2018.00015

Algorithm appreciation: People prefer algorithmic to human judgment
・出典: Organizational Behavior and Human Decision Processes, 151, 90-103 (2019)
・著者: Jennifer M. Logg, Julia A. Minson, Don A. Moore
・エビデンスレベル: 中(複数の統制実験)
・DOI: 10.1016/j.obhdp.2018.12.005

Moral Crumple Zones: Cautionary Tales in Human-Robot Interaction
・出典: Engaging Science, Technology, and Society, 5, 40-60 (2019)
・著者: Madeleine Clare Elish
・エビデンスレベル: 弱(事例分析にもとづく概念的研究)
・DOI: 10.17351/ests2019.260

Algorithmic Decision-Making and the Control Problem
・出典: Minds and Machines, 29(4), 555-578 (2019)
・著者: John Zerilli, Alistair Knott, James Maclaurin, Colin Gavaghan
・エビデンスレベル: 中(実証文献の統合にもとづく概念的分析)
・DOI: 10.1007/s11023-019-09513-7

Four Responsibility Gaps with Artificial Intelligence: Why they Matter and How to Address them
・出典: Philosophy & Technology, 34, 1057-1084 (2021)
・著者: Filippo Santoni de Sio, Giulio Mecacci
・エビデンスレベル: 弱(規範的・哲学的議論)
・DOI: 10.1007/s13347-021-00450-x

The flaws of policies requiring human oversight of government algorithms
・出典: Computer Law & Security Review, 45, 105681 (2022)
・著者: Ben Green
・エビデンスレベル: 中(41政策の精査と実証的知見の総合)
・DOI: 10.1016/j.clsr.2022.105681

The risks of autonomous machines: from responsibility gaps to control gaps
・出典: Synthese, 201, 21 (2023)
・著者: Frank Hindriks, Herman Veluwenkamp
・エビデンスレベル: 弱(規範的・哲学的議論)
・DOI: 10.1007/s11229-022-04001-5

AI Alignment: A Comprehensive Survey
・出典: arXiv preprint, 2310.19852 (2023)
・著者: Jiaming Ji, Tianyi Qiu, Boyuan Chen ほか26名
・エビデンスレベル: 中(分野全体を体系化したサーベイ)
・DOI: 10.48550/arXiv.2310.19852

Clinicians risk becoming “liability sinks” for artificial intelligence
・出典: Future Healthcare Journal, 11(1), 100007 (2024)
・著者: Tom Lawton, Phillip Morgan, Zoë Porter ほか
・エビデンスレベル: 弱(論説・分析)
・DOI: 10.1016/j.fhj.2024.100007

Legal Aspects of Artificial Intelligence Personhood: Exploring the Possibility of Granting Legal Personhood to Advanced AI Systems and the Implications for Liability, Rights and Responsibilities
・出典: International Journal of Artificial Intelligence and Machine Learning, 4(2), 23-40 (2024)
・著者: Jasmine Jade Lovell
・エビデンスレベル: 弱(法理論・論説)
・DOI: 10.51483/ijaiml.4.2.2024.23-40

From liability gaps to liability overlaps: shared responsibilities and fiduciary duties in AI and other complex technologies
・出典: AI & Society (2025)
・著者: Bart Custers, Henning Lahmann, Benjamyn I. Scott
・エビデンスレベル: 弱(規範的・法理論的議論)
・DOI: 10.1007/s00146-024-02137-1

The ethics of creating artificial superintelligence: a global risk perspective
・出典: AI and Ethics (2025)
・著者: Jean-Sébastien Dessureault, Robert Lamontagne, Pierre-Olivier Parisé
・エビデンスレベル: 弱(専門家の意見・論説)
・DOI: 10.1007/s43681-025-00793-7

Gradual Disempowerment: Systemic Existential Risks from Incremental AI Development
・出典: arXiv preprint, 2501.16946 (2025)
・著者: Jan Kulveit, Raymond Douglas, Nora Ammann ほか
・エビデンスレベル: 弱(予備的・概念的議論、査読前プレプリント)
・DOI: 10.48550/arXiv.2501.16946