データが豊富な産業は、AIによって混乱を受けやすい。
データが乏しい産業は、AIの恩恵を享受するためにデジタル化を急いでいるが、既存の慣行との摩擦がより大きくなっている。
従業員と求職者は、技術能力と人間の判断力、そしてビジネスニーズを組み合わせた機会に注力しなければならない。
AIが仕事を奪うという話は誰もがしており、それはある程度正しい。私たちはAIによる仕事の奪取を懸念しているが、それがどのように起きるのか、いつ起きるのか、そしてどれだけの時間をかけて備えられるのかは、まだ十分に理解できていない。
多くの人は、AIの導入が速いか遅いかは業務の複雑さによって決まると考えている。しかし、この前提は完全に誤りである。孫子の言葉にあるように、「彼を知り己を知れば、百戦して殆うからず」である。したがって、以下の力学を理解する必要がある。
AIの仕組み
AIの仕組みは、専門家にとってさえ、まだ多少不明瞭である。しかし、一つの重要なことは分かっている。それは、AIは学習するということである。
電子機器をいじっていて感電したことはあるだろうか。私はある。その経験から、二度と同じことはしないと学んだ。人間は経験から学ぶのである。
AIモデルはデータから学習する。データが限られたAIモデルは、幼児のようなものである。対照的に、膨大なデータを持つAIモデルは、経験豊富な祖父のようなものである。
データのパラドックス
車を運転することと、コードを書くことでは、どちらが難しいか。 多くの人はコーディングだと答えるだろう。しかし、AI開発においては、その逆が真であるように思える。
大規模言語モデル（LLM）は比較的新しいものである。ChatGPT以前は、AIをチャットボットと結び付ける人はほとんどおらず、むしろ『ターミネーター』を連想する人の方が多かった。LLMの時代は2013〜2014年頃、次のようなword2vecのようなニューラルネットワークとともに始まった。一方、自動運転は1980年代に始まった。1987年、 エルンスト・ディックマンズ氏のチームは、コンピュータビジョンを用いて、メルセデス・ベンツのバンをドイツの高速道路で時速96キロメートルの自動運転させた。
このような大きな先行優位があったにもかかわらず、自動運転車は依然としてLLMに後れを取っている。ChatGPTが無数の場面で安定して機能する一方、AIドライバーは依然として一貫性を欠いている。
では、なぜか。テスラやウェイモのような企業は、数十億ドルを投資してきた。しかし、新たな企業がこの分野に参入しようとすれば、たとえ優秀なエンジニアと無制限の資金があったとしても、多様な運転データを数千時間分必要とするだろう。一部の事故の類型は非常にまれであるため、学習させることがほぼ不可能である。
一方、LLMはインターネット全体を用いて学習しており、データが豊富な遊び場である。 したがって、AIがドライバーよりもコーダーを置き換えやすいのは、コーディングが容易だからではなく、データがより容易に入手できるからである。
AIは基本的に、古い試験問題や参考書をすべて入手できた大学の学生のようなものである。ほんの数回の講義の不完全なノートで慌てて準備する人と比べれば、当然その学生は試験で圧倒的な成績を収めるだろう。
これはまさに労働市場で起きていることである。一部の産業は、AIが学習できる有用なデータにおぼれている。それ以外は？彼らはわずかな断片を頼りに仕事をしている。数字は実に歴然としている。大量の良質なデータがある産業では、AIの導入率が約60〜70%に達する可能性がある。一方、データがあまりない分野は、25%未満の導入率にとどまる可能性がある。
大きな打撃を受けている職種
ソフトウェア開発は深刻な打撃を受けている。 GitHubには4億2,000万件を超えるリポジトリがあり、そのうち少なくとも2,800万件が公開されている。これは、プログラミングの問題を解決する方法に関する数百万件の事例にあたる。GitHub Copilotのようなツールは、そのすべてのコードを学習し、独自にプログラムを書けるようになる。現在、開発者の4分の3がAIアシスタントを利用している。
カスタマーサポートも同様に危険にさらされている。豊富なデータがあるため、AIによる自動化に適している。IBMは、AIが通話、電子メール、チケットのデータを活用して応答を強化し、コストを23.5%削減していると指摘している。
金融 も アルゴリズム取引において機械学習を多用しており、高頻度取引が米国株式市場の出来高のおよそ70%を占めている、膨大な市場データと取引データを活用して予測を行っている。
データが不足している分野
医療では、 公開データが乏しいため、AIの導入が遅れている。外科手術のデータセットのうち、公開されてアクセス可能なものは10%未満である。これはHIPAAや情報源の分散によって制約されている。患者データは、異なる病院、保険会社、診療所に散在している。情報が千もの異なる場所に閉じ込められていては、AIは効果的に学習できない。
建設業は、おそらく最もAIの影響を受けにくい産業である。住宅を建てることがロケット科学だからではなく、この業界がデジタル記録をほとんど残していないからである。プロジェクトはそれぞれ異なり、文書化は不十分であり、何が有効で何が有効でないかを追跡する標準的な方法も存在しない。
教育では、 AIの可能性が学生のプライバシー法によって抑制されている。米国教育省は、FERPAがデータ収集を制限していることや、データ共有を制限していることを指摘しており、AIによる学生データの利用を制限している。
こうしたデータ不足への対応として、一部の産業は侵襲的な手段に頼っている。病院は、外科AIを訓練する名目で手術室に包括的な映像監視装置を設置しているが、これは医療従事者に対する前例のない監視を生み出している。試験中の学生の視線の動き、表情、タイピングのパターンを追跡するAI搭載の監督システムは、開発が進められている。元の目的をはるかに超える監視システムになりかねないとの懸念が生じている。
経済の現実
AIによる変革は、経済のすべての分野に同じように影響を及ぼしているわけではない。データが豊富な分野では、経済学者が「創造的破壊」と呼ぶ現象が猛烈な速さで進行しているのを目の当たりにしている。古い職種はほとんど一夜にして消滅する一方、新たな職種が生まれるが、それらの新しいポジションは全く異なるスキルを必要とすることが多く、テックハブに集中する傾向がある。かつて500人を雇用していたカスタマーサービスセンターは、1か所で勤務する50人のAI監督専門家に転換されるかもしれない。
データが乏しい産業は、全く異なる課題に直面している。競争力を維持するためにはデジタル化が必要だが、それは最先端技術と既存の慣行との間で日々摩擦を生み出す。変革はよりゆっくりと進むが、より深く影響を及ぼし、個々の職務を単に置き換えるのではなく、部門全体を再編することになる。
確かに新たな職種は生まれるが、それらは一対一の入れ替えではない。2030年までに9,200万の職種が消失し、1億7,000万の新たな職種が生まれると予測されている。しかし、これらは同じ場所で同じ人物の間で直接入れ替わるわけではない。真の課題は、職の数だけにあるのではなく、職が失われる場所と再び生まれる場所との間の隔たり、そして労働者が持つスキルと新たな役割が求めるスキルとの間の隔たりにある。
世界経済フォーラムは、仕事の未来に関して何に取り組んでいるのか。
適応の方法
求職者にとっての重要な視点は、産業の境界が、職種の類型が固まるよりも速く曖昧になっているということである。従来のキャリアパスだけに注目するのではなく、分野を橋渡しする職種を探すべきである。つまり、人間の判断力とAIの能力を組み合わせた職種や、技術システムとビジネスニーズとの間を翻訳する職種である。
専門知識だけでなく、適応力を中心にスキルの棚卸しを行い、再構成すること。これまで何をしてきたかを列挙するのではなく、どのように学習し、問題を解決し、新しいシステムと協働するかを明確にすることが重要である。雇用主は、不確実性を乗り越え、新しいツールを既存の業務プロセスに統合できる人材をますます高く評価している。特定のソフトウェアに熟練していることよりも、職場で直近に起きた大きな変化をうまく取り入れられた経験の方が重要になる場合もある。
摩擦の生じる箇所を見極める。AIを導入するあらゆる組織は、同じ課題に直面している。それは、高度な技術を、複雑で人間的な組織システムの中でいかに機能させるかという課題である。AIを導入している企業において、管理、研修、プロセスの最適化を担当する職種を探すとよい。これらの職務は、高度な技術的知識を必要としないことが多いが、理論と実践が交わる場面で組織が実際にどのように機能しているかを理解している人材を必要としている。
現在の産業における「ラストマイル」の機会を検討すること。テックハブが見出しを飾る一方で、あらゆる分野は、AIの能力と現場での実装との間の隔たりを橋渡しできる人材を必要としている。医療システムには、患者ケアとデータ分析の両方を理解している人材が必要である。製造工場には、自動化されたシステムと並行して働くことができるオペレーターが必要である。多くの場合、既存の産業知識と基礎的なAIリテラシーを組み合わせることは、まったく新しい分野で一から始めるよりも多くの機会を生み出す。
