AI が生産性にもたらすパラドックス

閆徳利（ヤン・デリ）
騰訊研究院 首席専門家

本稿は『中国信息化』に掲載された加筆修正版です。

労働生産性とは、総産出量を総労働時間で割った値であり、労働投入が実際の産出にどの程度効率よく転換されたかを測る指標です。これは極めて重要な経済指標であり、長期的には生産性の向上こそが生活水準を高める唯一の道筋だとされています（Tim Sargent, 2024）。技術進歩は生産性成長の主要な源泉ですが（ブルッキングス研究所，2024）、往々にして「技術革新の飛躍的進展」と「生産性成長の伸び悩み」が同時に起こります。これが「生産性パラドックス（Productivity Paradox）」です。

1987 年、ノーベル経済学賞受賞者のロバート・ソロウは脱工業化に関する論説でこう記しました。「You can see the computer age everywhere but in the productivity statistics（至る所にコンピューター時代の姿は見て取れるが、生産性統計にはその姿が見えない）」。何気ないこの一言が、「生産性パラドックス」あるいは「ソロウのパラドックス」の最も典拠となる表現とされています。一般にソロウが初めて提唱したとされますが、実際には別人物の可能性もあり、彭賡・呂本富（2003）はスティーブン・S・ローチが初出だと指摘しています。

この 40 年、学界では生産性パラドックスをめぐる研究が継続されてきました。米国のポール・デビッドやエリック・ブリンヨルフソンらが先駆的・中核的役割を果たし、主に①期待の誤り、②測定誤差、③時間的ラグ―の 3 つの説明が形成されました。

第一に「期待の誤り」です。技術のポテンシャルに対する楽観的な期待が現実離れしており、実際には当初考えられたほどには変革的ではないという見方です。歴史を振り返れば、当初の期待を裏切った興奮技術は少なくありません。例えば、原子力は「計量不要なほど安価（Too Cheap To Meter）」にはならず、核融合は「いつも 30 年後（Always 30 Years Away）」とされ続けています。また、マービン・ミンスキー（1970）が「3〜8 年で人間の平均的知能を持つ機械が現れる」と予言しましたが、いまだ実現していません。

第二に「測定誤差」です。実務上、生産性の測定は容易ではありません（Tim Sargent, 2024）。新技術が生む生産性向上の便益は実在しても、それを正確に捉えきれておらず、実証現実を測る既存の道具立てが十分に機能していない可能性があります。例えば、無料のインターネットサービスや、性能向上と価格低下が同時に進む製品群の恩恵は、伝統的な統計では十分には反映されにくいのです。

第三に「時間的ラグ」です。前半の二つが「楽観的期待」と「失望を招く統計」との矛盾のいずれかを誤りとみなすのに対し、ラグ説は両者が同時に成り立ちうるが「時期尚早」だとみます。つまり、新技術が生産性に実質的な影響を及ぼすまでには長い時間を要し、特に汎用目的技術（GPTs）ではその傾向が顕著です。

ブリンヨルフソン（2017）は、この時間的ラグの説明が最も説得的であり、生産性パラドックスの主因だと論じます。ポール・デビッド（2000）は「パラダイム転換の初期段階では、新技術の普及速度が最も速い時期でさえ、最大の生産性リターンを期待すべきではない」と指摘します。汎用目的技術は、多数の二次的イノベーションや補完的イノベーション、組織変革を経て初めて生産性に実質的影響を与えます。ブリンヨルフソン（2020）はこの遅効性を「J 字型カーブ」と要約しました。ヘルプマンとトラジェンバーグ（1994）も同趣旨で、汎用目的技術の経済成長への影響を「播種期」と「収穫期」に二分。播種期には生産性成長は緩慢か低下し、真の成長は収穫期から始まるとしました。

したがって長期的に見れば、生産性パラドックスとは本来のパラドックスではなく、特定の過渡期に生じる現象にすぎません。例えばソロウが指摘した 1980 年代がこれに当たります。1990 年代後半に入り、ようやく IT 資本の蓄積が生産性に影響を及ぼす水準に達しました（Stephen Oliner & Daniel Sichel, 2000）。欧州中央銀行（ECB）の研究（2020）によれば、電力と ICT が米国の労働生産性に寄与した経緯は類似しており、いずれも前半は緩やかで後半に加速。転換点はそれぞれ 1915 年と 1995 年でした。歴史的には、蒸気機関・発電機・コンピューターがそれぞれ発明から 118 年・91 年・49 年、事業化からは 54 年・40 年・21 年を経て、ようやく生産性向上を明確に押し上げる段階に入ったことが知られています（下図参照）。

（出典）Nicholas Crafts（2018）、Paul David（1990）、Stephen Oliner & Daniel Sichel（2000）、欧州中央銀行（2020）各データより作成

人工知能（AI）は新たな汎用目的技術と位置づけられ（Nicholas Crafts, 2021；OECD, 2024；NBER, 2026）、汎用性・継続的改良・イノベーション誘発という特徴を備え、将来の経済成長のエンジンと期待されます。AI という用語が登場して 70 年、機械学習ブームから 14 年が経過。現在は巨大言語モデル（LLM）やマルチモーダル、ワールドモデル、エージェント、フィジカル AI へと波状の進展を続けています。しかし、生産性伸び率の明確な加速はいまだ見られず、むしろ「生産性の危機」が懸念される状況です（Rogers, 2024）。

2022 年 11 月の ChatGPT 登場以降、カナダと EU の労働生産性はほぼ横ばいで、伸び率は 0％前後で推移。EU では 1999〜2008 年の時間当たり労働生産性の平均伸び率が 1.5％、2010〜2019 年で 1％でした（下図）。米国は力強く、2025 年の非農業部門における労働生産性伸び率は 2.2％に達し、欧米では頭一つ抜けていますが、これも 1947 年以降の長期平均並みです（米国労働統計局）。

メディアは「iPhone の瞬間」「ChatGPT の瞬間」といった表現で技術変革を描写しがちで、それが「瞬間的・突発的」な印象を与えます。しかし技術が社会経済に及ぼす影響は本質的に長期的なプロセスです。ノーベル経済学賞のダロン・アセモグル（2024）は次のように述べています。「AI が経済のあらゆる側面を急速に変革し、生産性を飛躍的に高め、特異点にさえ近づけるとの向きは多い。その可能性を完全には否定できないが、現時点で革命的な影響が生じたことを示す証拠はない」。

浸透率は先行指標であり、生産性への寄与度を左右します。AI が労働生産性に与える影響の度合いは、浸透率によって直観的に把握できます。ポール・デビッド（2000）は「コスト削減型技術は、浸透率が 50％という閾値を超えて初めて、全要素生産性（TFP）の伸びに最大の影響を与える」と指摘します。換言すれば、「AI＋」の指数が 50％に達して初めて、生産性伸びの明確な加速が期待できるのです。

もっとも、公的統計が示すのは、企業レベルでの AI 活用がいまだ過渡期にあり、企業向け導入の壁に直面している現実です。米国とカナダの企業 AI 浸透率は 10％前後、EU と英国は 20％前後。中国では規模以上の製造業企業における AI 技術応用の普及率が 30％を超えています。ここでいう浸透率は「ある・なし」を問う指標であり、何らかの AI 技術を採用していればカウントされます。「どの程度、どこまで、どの効果まで」という深さ・広さ・成果の段階には至っていません。統計の定義が国域ごとに異なるため単純比較はできませんが、いずれにせよ AI はなお技術普及の初期段階にあり、50％という閾値には遠い状況です（下図参照）。

（注）中国は規模以上製造業企業が対象。EU・ドイツ・フランスは従業員 10 人以上の企業に限定。英国と米国は各年 9 月時点、カナダは第 2 四半期時点の調査。

中国は AI 分野で米国と互角の競争力を示しつつも（鐘才文，2025）、異なる道筋を歩んでいます。米国が巨額投資で性能を追求し AGI（汎用人工知能）を目指すのに対し、中国は重み（ウェイト）の開放や実装重視を掲げ、AI と各産業の融合を強力に推進。「AI＋」を技術変革と産業の高品質発展を支える梃子（てこ）と位置づけます。「AI＋」の本質は採用率を高め、ひいては労働生産性を引き上げることです。この「AI＋」がさらに深化するにつれ、労働生産性の急速な上昇局面を迎えるのは必定でしょう。

本記事が参考になれば、共有して洞察を広げましょう。