［ニュース解説］「AIは雇用を奪うか」に答えようとしている指標——ILOが明かす測定ツールの可能性と限界

2026-04-19

はじめに

　ILO（国際労働機関）が2026年4月17日に公開したリサーチブリーフが、AI時代の雇用分析で使われる「AIエクスポージャー指標」の実態を体系的に整理しました。本稿では、この指標がどのように構築され、何を示し、何を示さないのかを、研究ブリーフをもとに解説します。

参考記事

メイン記事:

タイトル: Workers’ exposure to AI: What indicators tell us – and what they don’t
著者: Rossana Merola / Ekkehard Ernst / Daniel Samaan / Maria del Rio-Chanona / Ole Teutloff
発行元: ILO（国際労働機関）
発行日: 2026年4月17日
URL: https://www.ilo.org/publications/workers%E2%80%99-exposure-ai-what-indicators-tell-us-%E2%80%93-and-what-they-don%E2%80%99t

要点

AIエクスポージャー指標とは、AIが特定のタスクをどの程度代替できるかを職業単位で推定する指標であり、測定方法によって結果が大きく異なる
初期の自動化ベース指標はルーティン職・低賃金職を高リスクと位置づけたが、最近のAI能力ベース指標はビジネス・金融・数学・教育などの高スキル・高賃金職種の方が影響を受けやすいと示す
AIの影響は直接対象となる職種にとどまらず、スキルネットワーク経由で隣接職種にも間接的に波及する
すべての指標が静的タスクリストへの依存・経済的実現可能性の未考慮・主観的仮定・米国データへの偏重という構造的限界を持つ
指標は「AIが技術的にこなせること」を示すにとどまり、実際の雇用喪失や賃金変化の予測には使えない

詳細解説

AIエクスポージャー指標とは何か

　AIエクスポージャー指標とは、AIシステムが特定のタスクをどの程度代替できるかを推定し、それを職業レベルで集計したものです。生成AI（GenAI）の普及が加速する中、政府や労働団体はどの職種・産業が技術変化の影響を受けやすいかを事前に把握しようとしています。ILOのリサーチブリーフは、こうした指標を整理・比較した研究（del Rio-Chanona et al., 2025）をもとに、その仕組みと限界をまとめたものです。

　多くの指標は、米国労働省が整備するO*NET（職業情報ネットワーク）のタスクデータを出発点とします。各職業に含まれるタスクごとにAIが代替できるかを評価し、タスクの重要度を加味して職業単位のスコアに集計します。ただし「代替できるか」の評価方法によって、測定結果は大きく変わります。

3つの測定アプローチとその特徴

　ILOのブリーフは主要な測定アプローチを3種類に整理しています。

　第1は 専門家・クラウド判断型 です。機械学習の専門家や一般労働者がタスクの自動化可能性を評価します。Frey & Osborne（2017）が代表例で、当時は「創造的・社会的タスクはAIに届かない」という前提があり、生成AIの能力を結果として過小評価していました。一方、Felten et al.（2018, 2021）はAIの進展領域を専門家が評価し、クラウドソーシングでO*NETの職業タスクと紐づけるより精緻な手法をとっています。

　第2は 特許テキスト分析型 です。AIや自動化に関連する特許の記述と職業タスクの記述を意味的に照合して影響度を推定します。Webb（2020）の手法が代表例で、専門家の主観的バイアスを回避できる一方、特許と実際の技術採用との間に乖離が生じる場合があります。

　第3は 生成AI自己評価型 です。ChatGPTなどの生成AIモデル自体に「このタスクを人間と同等以上にこなせるか」を問い合わせる手法で、Eloundou et al.（2024）やGmyrek et al.（2023, 2025）が代表的な研究です。実装が容易で最新モデルへの対応が可能な一方、モデルが自身の能力を過大評価するリスクや、プロンプト設計への感度という課題があります。

「高スキル職ほど影響を受けやすい」という逆転現象

　ILOのブリーフが示す重要な発見のひとつが、指標によって「最も影響を受ける職種」が逆転することです。

　賃金との相関係数を比較すると、Frey & Osborne（2017）では −0.56 と強い負の相関を示し、低賃金職ほどリスクが高いとされます。一方、AI能力を直接評価したFelten et al.（2021）では +0.54、Eloundou et al.（2024）では +0.42 と、正の相関に転じています。つまり、より新しい指標ほど ビジネス・金融・コンピュータ・数学・教育といった高スキル・高賃金職種 を最も影響を受けやすい職種として示す傾向があります。

　複数の指標を正規化して平均した「Mean Normalised Measure」でも「Business and Financial Operations」「Computer and Mathematical Occupations」が一貫して上位に現れています。ILOによれば、どの測定手法を採用するかによって政策的に「守るべき職種」の結論が真逆になりうると言えます。

スキルネットワーク経由の「間接被影響」

　ブリーフがもうひとつ重視するのが、スキルネットワークを通じた間接的な影響の問題です。

　会計士・法務補佐・金融アナリスト・テクニカルライターなど、直接的に影響を受けやすい職種は、スキルや職業経路を共有する多くの隣接職種と密接に結びついています。このため、ある職種での雇用変化が、直接AIの影響を受けていない隣接職種（内部監査・コンプライアンス・オフィス管理・プロジェクトコーディネーションなど）にまで波及する可能性があります。

　一方、手仕事・介護・クラフト系の職種はこのネットワークの周辺に位置し、直接的な影響度が低いだけでなく、間接的な波及効果も受けにくいとされています。職種単体の指標だけを見ていると、こうした「連鎖効果」を見落とすリスクがあると、ILOは指摘しています。

すべての指標が持つ5つの構造的限界

　ILOはすべてのエクスポージャー指標に共通する5つの構造的限界を整理しています。

　第1は 静的タスクリストへの依存 です。現在の職業記述をもとにしているため、技術変化によってタスク自体が再編・消滅するケースに対応できません。第2は 経済的実現可能性の未考慮 で、技術的に自動化可能でも、導入コストや賃金水準との比較で採算がとれなければ実際には自動化されないことがあります。第3は 採用の動態を反映しない 点で、実際の普及速度は制度的・倫理的・インフラ的要因にも左右されます。第4は 主観性 で、専門家・労働者・生成AIのどれを用いても、評価には主観的な前提が組み込まれます。第5は 米国データへの偏重 で、大半の指標がO*NETという米国の職業情報を基礎としており、職業構造や職務内容が異なる国々への適用には限界があります。

「早期警戒信号」としての正しい使い方

　ILOは、AIエクスポージャー指標を「雇用喪失の予測ツール」として使うことを明確に戒めています。指標が示すのは「AIが技術的にこなせること」であり、実際の自動化が起こるかどうか、賃金・雇用・生産性がどう変化するかは別の問題だからです。歴史的には技術的な自動化による生産性向上が需要拡大と新雇用創出につながってきた経緯もあり、指標だけでは生産性効果を捉えられません。

　ILOの提言は、指標を「変化が起きやすい職種を早期に把握する信号」として位置づけ、労働力調査・賃金データ・職業移行の実績・企業レベルのAI導入動向と組み合わせて活用することです。こうしたマクロとミクロを接続する視点は、AI時代の雇用政策設計において不可欠な観点だと思います。

まとめ

　ILOのリサーチブリーフは、AIエクスポージャー指標が変化の早期警戒信号として有用な一方、測定方法によって高リスク職種の結論が逆転することを示しました。指標を雇用喪失の予測として使うことへの注意が促されます。AI時代の雇用変化の実証研究については、過去記事もあわせてご覧いただければと思います（https://jobirun.com/ai-reshape-jobs-not-replace-bcg-2026/）。