経済学者Daron Acemogluの論文「The Simple Macroeconomics of AI」（NBERワーキングペーパー、2024年5月）は、AIのマクロ経済効果をタスクベースのモデルで試算し、全要素生産性（TFP）の押し上げは10年間で0.66%以下にとどまるという慎重な見通しを示しました。生成AIブームの中で、あえて上限を計算した論文として知られます。結論の数字より先に、その組み立て方を見るべき研究です。

試算は「曝露×コスト削減率」で組み立てられている

試算の核は単純で、AIの影響を受けるタスクの割合に、そのタスクでの平均的なコスト削減率を掛け合わせるという考え方です。楽観的な見通しとの差は、主に「影響を受け得るタスク（曝露）」と「実際に採算が合って自動化されるタスク」を区別する点から生まれます。自社の効果試算でも、この2つを混ぜると数字が過大になります。事業計画の審査で最初に割るべきなのは、効果額そのものではなく、この2つの層が分かれているかどうかです。

0.66%と0.53% — 数字の整理

  • 試算の対象は全要素生産性（TFP）の押し上げで、期間は10年間
  • 押し上げの上限は0.66%以下という見通し
  • 「学びやすいタスク」への偏りを調整すると、0.53%未満になり得るとも述べられている
  • 出典はNBERワーキングペーパー（2024年5月）

成果の外挿で陥る「学びやすいタスク」の偏り

著者は、初期の実証研究が「学びやすいタスク」の成功例に偏っており、文脈依存の判断を要する「学びにくいタスク」では効果が小さくなるため、試算がさらに下がり得ると述べています。研修やPoCの成果を全社へ外挿する際に同じ落とし穴があります。成功事例の条件を明記せずに横展開の効果を見積もらないことが、計画の信頼性を守ります。

総量と並べて分布を見る

論文は生産性の総量だけでなく、AIが低スキル労働者の生産性を高めても格差が縮むとは限らないという分配の論点も扱っています。企業内でも、効率化の果実が特定職種に偏る設計は、現場の協力を損ないます。効果測定の表には、総量の指標と並べて、職種別の負担と便益の分布も載せることが望ましい姿勢です。

なお、総量の押し上げが小さいという試算は、個別の業務改善の価値を否定するものではありません。マクロの上限の話と現場の改善の話は別の層にあり、混同しないことが、この論文の慎重さを正しく使う条件です。自社のAI投資の事業計画を点検する際の物差しとして使う分には、この分解の手順そのものが点検表になります。

実務への落とし所は、前提の残し方にあります。試算の前提条件を文書に残しておけば、後から数字だけが独り歩きすることを防げます。期待値の置き方に迷う場合は、楽観と慎重の2つの試算を併記し、前提の違いを明示する方法が有効です。「曝露と実装を分ける」「成功条件を明記する」という2つの物差しを、自社の事業計画の点検表にそのまま入れておくことをおすすめします。

あわせて読みたい

「トークンはAI社員への人件費：AI投資の戻りを測るROTという物差し」 https://axdx.aohalab.ai/#/article/33

「生成AIは「導入した会社」より「使い倒す会社」が勝つ」 https://axdx.aohalab.ai/#/article/1

出典：Acemoglu「The Simple Macroeconomics of AI」NBER Working Paper 32487（2024年5月） https://ideas.repec.org/p/nbr/nberwo/32487.html

本記事で紹介した内容は2026年11月時点の公表情報に基づきます。最新の内容は出典の一次情報をご確認ください。