個別の実験では大きな生産性効果が報告される一方で、労働市場全体では効果が見えにくいのはなぜか。HumlumとVestergaardの研究は、デンマークの大規模データを用いてこの問いに取り組みました。本記事では、その内容を整理します。

研究の設計：調査と行政記録の結合

研究では、AIチャットボットの影響を受けやすい11職種の労働者約2万5,000人、7,000の職場を対象とした調査を、賃金や労働時間の行政記録と結びつけました。職場の方針の違いなどを用いて効果を推定する手法が取られています。対象期間はChatGPTの登場後、約2年間です。

結果：賃金・労働時間への有意な効果は確認されず

分析では、AIチャットボットの利用が所得や記録された労働時間に与えた効果は、統計的に精密なゼロ、すなわち1％を超える効果は否定できる水準だったと報告されています。一方、利用者自身は平均で労働時間の約3％の削減を申告しており、新しいAI関連の業務が生まれたことも確認されました。

実験結果との違いをどう読むか

著者らは、個別業務での時間削減が小さいことや、削減された時間が賃金や総労働時間の変化に結びつきにくいことが、背景にある可能性を論じています。この研究は、業務単位の効果と、組織や市場単位の効果が別物であることを示す事例として引用されています。

生産性の数字を組織の成果にどうつなげるかという論点を、実証データから提起した研究です。研修や導入の効果測定を考える際の参照点になります。

この研究を読む際の前提

研究結果を実務に参照する際は、対象となった職種、課題の種類、使用されたモデルの時期という3つの条件を確認することが前提になります。実験や調査で測られた効果は、その条件のもとでの平均的な傾向であり、個々の企業や従業員の結果を直接予測するものではありません。また、短期の課題で測られた効果と、継続的な業務や組織全体の成果との間には隔たりがあることも、複数の研究を並べると見えてきます。本記事で紹介した数字は各研究の公表時点の情報に基づきます。最新の研究動向や原典の記述は、出典の一次情報をご確認ください。こうした前提を押さえた上で読むことで、数字の大きさだけに引っ張られない形で研究を参照できます。

なお、本記事は公表情報の整理を目的としたものであり、特定の製品や手法の導入を推奨するものではありません。条件の異なる組織への当てはめについては、各組織の業務内容や体制に照らした個別の確認が必要です。編集部では、続報や新たな公表があった場合は、その都度内容を確認してまいります。

出典：Humlum & Vestergaard「Large Language Models, Small Labor Market Effects」BFI Working Paper 2025-56／NBER Working Paper 33777（2025年5月）。https://bfi.uchicago.edu/wp-content/uploads/2025/04/BFI_WP_2025-56-3.pdf

※本記事の数字は各出典の公表時点の情報に基づきます。最新の内容は出典の一次情報をご確認ください。

あわせて読みたい