自動化、AIと雇用：証拠が示すこと、なお予測にとどまること

人工知能と雇用をめぐる主張は、「雇用の半分が消滅する」から「何も変わっていない」まで幅広い。こうした主張の多くは、過去の自動化について測定されたこと、新技術がどのタスクを遂行できるかについて推計されたこと、そして将来について予測されたことという、3種類の異なる言明を混同している。本研究はこれらを切り分ける。産業用ロボットに関する最もよく知られた研究、コンピューター化によって「リスクにさらされる」雇用に関する広く引用されている推計とその批判、大規模言語モデルに関するOpenAIおよび国際労働機関の研究者による曝露研究、生成AIと生産性に関するフィールド実験および実験室実験、そして2023–2026年の実際の労働市場の成果に関する初期の研究を検討する。確立された知見は、世論での議論が示唆するよりも限定的である。自動化は特定の地域や集団で労働者を代替してきた一方、雇用全体はこれまでのところ調整されてきた。生成AIは一部のタスク、とりわけ経験の浅い労働者の生産性を高める。そして初期の行政データでは、経済全体での雇用喪失は見られないが、最も影響を受けやすい職業では若年労働者の雇用における格差が拡大している。これを超えることはすべて予測である。

主な知見

• ロボットは測定可能な地域的影響を及ぼしてきた。米国の通勤圏では、労働者1,000人当たり産業用ロボットが1台増えると、就業人口比率は0.2パーセントポイント、賃金は0.42%低下した（Acemoglu and Restrepo, 2020）。ドイツでは、製造業におけるロボット関連の雇用喪失は、新たなサービス業の雇用によって完全に補われ、その負担は主に労働市場に参入する若年労働者に及んだ（Dauth et al., 2021）。1993–2007年の17カ国では、ロボットによって年間労働生産性の伸び率は約0.36パーセントポイント上昇したが、雇用総数は有意に減少しなかった（Graetz and Michaels, 2018）。
• 「リスクにさらされる雇用」の推計は、雇用喪失の予測ではない。Frey and Osborneによる2013年の推計では、米国の雇用の約47%がコンピューター化の高いリスクにさらされているとされたが、これは「期間は特定されておらず、おそらく10年か20年ほどの間に」実現しうる技術的可能性を示したものだった。OECD向けのタスクベースの再分析では、OECD加盟21カ国の雇用の平均9%が自動化可能とされた。
• 大規模言語モデルは多くのタスクに影響を及ぼしうる。Eloundouらは、米国の労働力の約80%で、業務タスクの少なくとも10%が大規模言語モデルの影響を受ける可能性があり、約19%では少なくとも半分が影響を受ける可能性があると推計している。LLM単体では、タスクの約15%を同じ品質のまま大幅に速く遂行できる可能性があり、その上に構築されたソフトウェアを使う場合は47–56%に上昇する。
• ILOは自動化よりも仕事の変容が進むと見ている。2025年の指数によると、世界の労働者の4人に1人は生成AIに何らかの曝露がある職業に就いており、世界の雇用の3.3%は最も曝露度の高いカテゴリーに属する。女性の雇用では4.7%、男性では2.4%である。高所得国では雇用の34%、低所得国では11%が曝露している。
• AIによる支援は、測定対象となったタスクの生産性を高める。顧客サポート担当者5,172人を対象とした調査では、AIアシスタントを利用できると、1時間当たりに解決した問い合わせ件数が平均15%増加し、経験の浅い労働者やスキルの低い労働者で増加幅が最も大きかった（Brynjolfsson, Li and Raymond, 2025）。専門職453人を対象とした実験では、ChatGPTによって文章作成タスクにかかる時間が40%短縮され、質が18%向上した（Noy and Zhang, 2023）。
• 初期の成果データでは、総雇用の喪失は見られない。デンマークの行政データでは、AIチャットボットが所得と労働時間に及ぼす影響は精度の高い帰無結果を示しており、ChatGPTの公開から2年後の影響が2%を超える可能性は排除される（Humlum and Vestergaard, 2025）。2026年6月までの米国の給与データでは、広範な雇用喪失は見られない一方、AIの影響を受けやすい職業に就く22–25歳の雇用は、影響を受けにくい同世代と同じペースで推移していた場合と比べて19%低い。この差は記述的なものであり、因果効果の推計ではない（Brynjolfsson, Chandar and Chen, revised 2026）。
• マクロ経済的な生産性向上は小幅にとどまる可能性がある。Acemoglu (2025)は、AIによる全要素生産性の上昇は10年間で最大でも0.66%であり、0.53%未満にとどまる可能性もあると推計している。

研究課題と対象範囲

本研究は、自動化とAIが雇用、賃金、労働の組織化に及ぼす影響について、研究が何を明らかにし、何を明らかにしていないのかを問う。この問いに関心を持つのは、それが「ポスト労働」をめぐる議論の根底にあるからである。すなわち、人間の労働に対する需要が減少するため、社会はベーシックインカム、社会的富の基金、新たな所有形態といった新しい制度を必要とするのか、という問いである。

対象範囲は、2013年から2026年までの査読済み研究および主要なワーキングペーパー研究のうち、次の5つのカテゴリーを扱うものとする。産業用ロボットに関する地域労働市場研究、職業の「リスク」推計、生成AIへの曝露指数、生産性に関する実験、そして2022年11月のChatGPT公開以降の労働市場の成果に関する初期の行政データによるエビデンスである。産業界の予測、コンサルティング会社の報告書、経営幹部の意向調査は対象外とする。これらは頻繁に引用される一方、手法がほとんど明らかにされていない。労働市場の変化に対応しうる所得支援政策のエビデンスについては、アトラスの別の研究で扱う。

背景

古くからの問い

技術的失業への懸念は、産業経済学と同じくらい古い。ジョン・メイナード・ケインズは1930年に「技術的失業」という語を作り、労働力の節約手段の発見が、労働力の新たな用途が見つかる速度を上回ることによる失業と説明した。それ以降、豊かな国々では、機械化とコンピュータ化の波が繰り返されるなかで雇用が拡大してきた。

これまで仕事がなくならなかった理由

デヴィッド・オーターの2015年の論考「なぜ、いまもこれほど多くの仕事があるのか？」は、主流の説明を要約している。自動化はその目的どおり労働を代替するが、同時に労働を補完し、労働需要を増やす形で産出を拡大させ、労働供給の調整とも相互作用する。オーターは、論評者は機械による代替を過大評価し、こうした補完関係を無視しがちだと論じる。技術は、どのような仕事が存在し、その賃金がいくらかを変える。近年では、労働市場の「二極化」が進み、賃金上昇は技能分布の中位層ではなく、上位層と下位層に不均衡に集中した。

仕事ではなくタスク

ダロン・アセモグルやパスカル・レストレポらが発展させた現代的な枠組みでは、仕事をタスクの束として捉える。彼らの2018年のモデルでは、既存タスクの自動化は雇用と労働分配率を低下させ、賃金も押し下げる可能性がある。一方、労働が比較優位を持つ新たなタスクの創出は、反対の効果をもたらす。労働者の立場が改善するか悪化するかは、これら二つの力の競争に左右される。技能の異質性を取り入れたモデルでは、自動化の加速による場合も、新たなタスクによる場合も、移行期には不平等が拡大する。この枠組みは、「AIは何人分の仕事を脅かすのか」という問いが適切でない理由を説明する。重要なのは、どのタスクが自動化され、どのような新しいタスクが生まれ、労働者がそれらの間をどれほど速く移動できるかである。

方法と情報源

5種類のエビデンス

アトラスによる主張の評価方法

第1および第4のカテゴリーの知見は、信頼性の高い識別戦略を用いた査読済み研究に基づく場合、特定の技術、場所、時期について述べたものであることを認識したうえで、確立した知見として扱う。曝露推計は、測定値としては確立しているが、予測としては扱わない。初期の成果モニタリングは、情報として有益だが、結論を出すには新しすぎるため、萌芽的なものとして扱う。将来の総雇用に関する記述は、すべて予測として扱う。

産業用ロボットに関する知見

米国

Acemoglu and Restrepo (2020) は、産業別のロボット工学の進歩と各通勤圏の産業構成から定義したロボットへの曝露度の違いを利用し、産業用ロボットが米国の労働市場に及ぼす影響を研究している。雇用と賃金に対する頑健な負の影響を見いだした。労働者1,000人当たりロボットが1台増えると、就業者人口比率は0.2パーセントポイント、賃金は0.42％低下する。1990年以降にロボットへの曝露度が最も高かった地域でも、それ以前に差のある傾向は見られず、ロボットの影響は他の資本や技術の影響とは異なる。

ドイツ

Dauth, Findeisen, Suedekum and Woessner (2021) は、詳細な行政データを用い、産業用ロボットに対するドイツの地域労働市場の調整を研究している。ロボットへの曝露は製造業での雇用喪失と関連するが、その損失はサービス業での新規雇用によって完全に相殺される。負担の大部分は、労働市場に参入したばかりの若年労働者に及び、彼らは職業訓練から大学や専門大学への進学へと移行する。既存の労働者は、元の工場で新たなタスクを担うことなどにより、勤務先企業内でより安定した雇用を得る。また、管理職や技術系科学者など、補完的なタスクを担う職業の労働者は恩恵を受ける。

国際比較のエビデンス

Graetz and Michaels (2018) は、1993年から2007年にかけての17か国におけるロボット導入を分析している。ロボットの利用拡大は、年間労働生産性の伸びに約0.36パーセントポイント寄与し、全要素生産性を高める一方で、産出価格を引き下げた。ロボットは総雇用を大きく減少させなかったものの、雇用に占める低技能労働者の割合は低下した。

ロボット研究から確立されたこと

この3つの研究は矛盾していない。自動化は、制度、需要、導入のペースによっては、影響を受ける地域や集団の雇用と賃金を減らす一方で、総雇用は調整されうる。地域、若年の新規参入者、低技能労働者に対する分配上の影響は、総体的な影響の有無よりも確かな知見となっている。

調査結果：リスクにさらされる雇用の推計

Frey and Osborne

2013年9月17日付のワーキングペーパーとして発表され、後に Technological Forecasting and Social Change（2017年）に掲載された論文で、Carl Benedikt FreyとMichael Osborneは、702の詳細な職業についてコンピュータ化の確率を推計した。その際、一部の職業には専門家によるラベル付けを用い、残りには統計的分類器を用いた。彼らは、米国の総雇用の約47%が高リスク区分に含まれると結論づけた。これは、「関連する職業が、明確に定められていない年数、おそらく10年から20年のうちに、自動化される可能性があることを意味する」。また、職業のコンピュータ化確率と、その賃金および学歴との間に強い負の関係があることも示した。

批判

47%という数値は、自動化をめぐる議論で最も頻繁に引用される数字の一つとなり、しばしば雇用の半分が消失するという予測として用いられた。重要な批判は3点ある。

1. 職業とタスクは同じではない。 Arntz、Gregory、Zierahn（2016）は、職業全体が自動化されると仮定すると自動化可能性を過大評価するとOECDに対して論じた。高リスクと分類された職業にも、自動化が難しいタスクが相当な割合で含まれていることが多いためである。職業内のタスクの異質性を考慮したところ、OECD加盟21か国では、仕事の平均9%が自動化可能であり、その割合は韓国の6%からオーストリアの12%まで幅があった。
2. 技術的な可能性は導入を意味しない。 タスクが自動化されるかどうかは、技術的に実現可能かどうかだけでなく、コスト、規制、組織の変革、需要にも左右される。FreyとOsborne自身も、雇用喪失の予測ではなく「大まかな時間軸」を示したと明記している。
3. 個人単位の推計は異なる。 OECDのNedelkoska and Quintini（2018）は、FreyとOsborneによる専門家評価を基礎としつつ、32か国の成人技能調査を用いて個々の仕事のリスクを推計し、そのリスクを技能の活用や訓練と関連づけた。彼らの手法は、Arntzらの手法と同様に、職業を単位とした数値を大きく下回る推計を導く。

10年余りを経て

2013年の論文から10年余りが経過したが、米国の雇用は47%に近い規模ではまったく減少していない。FreyとOsborneは時期を予測していなかったため、これは彼らの誤りを証明するものではないが、技術的可能性の推計を予測として読むべきでない理由を示している。

調査結果：生成AIへの曝露

「GPTはGPTである」

Eloundou、Manning、Mishkin、Rockは、人間のアノテーターによる分類とGPT-4による分類を組み合わせ、大規模言語モデルの能力との適合度について米国の職業を評価した。初版は2023年3月に公開され、研究は2024年にScience誌に掲載された。米国の労働力の約80%では、業務タスクの少なくとも10%がLLMの影響を受ける可能性があり、労働者の約19%では、タスクの少なくとも50%が影響を受ける可能性があると推定している。LLMを利用できれば、全労働者のタスクの約15%を、品質を同等に保ったまま大幅に短時間で完了できる可能性がある。LLMを基盤とするソフトウェアやツールを利用すれば、この割合は47–56%に上昇する。予測される影響はあらゆる賃金水準に及び、高所得の職業ほど大きな曝露に直面する可能性がある。著者らは、開発や導入の時期については明確に予測を行わず、LLMには汎用技術の特性があると論じている。

2点に留意が必要である。「影響を受ける」とは、タスクをより短時間で遂行できる可能性を指し、労働者が置き換えられることを意味しない。また、分類は、言語モデルが自らの潜在能力を評価することに一部依存しており、較正の妥当性に疑問を投げかける。

ILOの2023年分析

ILO初の世界規模の研究（Gmyrek、Berg、Bescond、2023年8月）は、GPT-4への曝露を評価し、この技術の圧倒的な影響は、職業の自動化ではなく補完となる可能性が高いと結論づけた。自動化の可能性が高い仕事は、低所得国の雇用のわずか0.4%を占めたのに対し、高所得国では5.5%を占めた。補完の可能性はより大きく、低所得国では雇用の10.4%、高所得国では13.4%に影響するとされた。その影響には大きなジェンダー差があった。高所得国では、自動化の可能性が高い仕事が女性の雇用の8.5%を占め、男性では3.9%だった。これは主に、事務職が女性の雇用の重要な受け皿であるためである。

ILOの2025年改良指数

2025年の更新版（Gmyrekほか）は、ポーランドの職業分類における29,753件のタスクのサンプル、主要な職業群すべてにわたる1,640人の労働者を対象とした調査から得た、2,861件のタスクに関する52,558件のデータポイント、そして国際的な専門家を交えたデルファイ法形式の複数回のラウンドを用いて、指数を再構築した。同研究によれば、事務職の曝露度は引き続き最も高く、一部の高度にデジタル化された専門職・技術職の曝露度も高まっている。また、世界全体では労働者の4人に1人が、生成AIへの何らかの曝露がある職業に就いている。世界の雇用の3.3%は最も高い曝露度の区分に属する。女性の雇用では4.7%、男性では2.4%であり、この差は高所得国で女性9.6%、男性3.5%へと広がる。全体として、曝露がある雇用の割合は低所得国で11%、高所得国で34%である。ILOは、ほとんどの職業が人間の関与を必要とするタスクから成るため、最も可能性の高い影響は仕事の変容であると結論づけている。

知見：生産性実験

顧客サポート

Brynjolfsson、Li、Raymondは、顧客サポート担当者5,172人に対し、生成AIを使った対話型アシスタントを段階的に導入した事例を研究した。AI支援の利用により、1時間あたりの解決件数で測定した生産性は平均15%向上したが、その程度には大きなばらつきがあった。経験の浅い労働者や技能水準の低い労働者は、業務の速度と質の両方を向上させた一方、最も経験豊富で技能水準の高い労働者では、速度の向上は小さく、質はわずかに低下した。AI支援は労働者の学習を助け、特に海外の担当者の英語運用能力を向上させたとみられる。中程度に珍しい問題で生産性向上が最も大きかった。顧客はより礼儀正しくなり、管理者を呼ぶよう求める頻度も低下した。

専門的な文章作成

NoyとZhangは、大学教育を受けた専門職453人に職種別の報酬付き文章作成タスクを課し、無作為に選んだ半数にChatGPTへのアクセスを与えた。平均作業時間は40%短縮し、成果物の質は18%向上した。労働者間の格差は縮小した。実験でChatGPTを利用した労働者は、2週間後に実際の仕事で利用していると報告する確率が2倍、2か月後では1.6倍だった。

実験が示すこと、示さないこと

これらの研究から、現在の生成AIツールは、明確に定義されたタスクの生産性を大幅に高めうること、そしてその向上は経験の浅い労働者ほど大きくなる傾向があり、こうしたタスクにおける格差を縮小することが示されている。しかし、生産性向上が広がった場合に雇用に何が起きるかは示されていない。労働者1人当たりの生産性向上は、必要な労働者数の減少、生産と需要の増加、あるいは労働者の新たなタスクへの移行につながりうる。どの結果が支配的になるかは、これらの実験からは分からない。

知見：初期の労働市場の動向、2023–2026年

デンマーク：急速な導入、賃金への影響はまだ見られず

HumlumとVestergaardは、チャットボット導入に関する大規模調査を、デンマークの行政上の労働市場記録と結び付けている。彼らは「急速な潮流」を記録している。曝露の大きい職業の雇用主の大半がチャットボット導入の取り組みを始め、労働者は生産性の向上を報告し、新たなAI関連タスクも広く見られた。しかし、差の差法を用いて、労働者および職場の双方のレベルで、賃金と記録上の労働時間への影響は精緻に推定した結果、ゼロだったと推定している。ChatGPTの公開から2年後に2%を超える影響がある可能性は棄却された。変化したのは仕事の構造であり、雇用主はタスクを再編することでAIを取り入れた。そこには、コンテンツ生成、AIの監督、AIの統合に関する新たなタスクも含まれていた。

米国：若年労働者の格差が拡大

Brynjolfsson、Chandar、Chenは、米国の数百万人の労働者を対象とするADPの高頻度給与データを用いている。この論文は2025年8月に初めて公表され、2026年6月までのデータを用いて2026年8月に改訂されたもので、経済全体に広がる大規模な雇用喪失を示す証拠は見つかっていない。しかし、AIの影響を受ける職業に就く22～25歳の若年労働者の雇用は、影響のより小さい同世代の労働者と同じペースで推移していた場合に比べて、現在19%低く、この差は2025年8月以降一貫して拡大している。経験を積んだ労働者には、これに相当する差は見られない。この乖離は主に、若年労働者の離職増加ではなく採用減少を通じて生じており、AIの利用が人間の作業を主に代替する職業に集中している。AIが主に労働者を補完する職業では、雇用は横ばいか増加している。このパターンは、テクノロジー企業とコンピューター関連職を除外した場合や、金利変動へのエクスポージャーとリモートワークを統制した場合にも持続する。教育を統制すると弱まるほか、生成AI登場前にも一部で異なる傾向が見られ、全国調査の基準値よりもADPのサンプルで顕著である。著者らは、これらの事実を因果推定ではなく、初期の記述的指標、すなわち「炭鉱のカナリア」と表現している。

マクロ経済への期待

Acemogluの「AIの単純なマクロ経済学」（2025年）は、タスクベースのモデルと、エクスポージャーおよびタスクレベルの生産性向上に関する既存の推定値を用いて、総体的な影響を推計している。同氏によれば、マクロ経済への影響は無視できないものの小幅であり、10年間の全要素生産性の上昇は最大でも0.66%にとどまる。初期の証拠は習得しやすいタスクに由来するため、この推計でさえ過大である可能性があり、修正後の推計は0.53%未満になると論じている。また、AIが過去の自動化技術ほど不平等を拡大させる可能性は低いものの、労働所得の不平等を縮小させる証拠はなく、資本所得と労働所得の格差を拡大させると予測されるとも論じている。

証拠と予測を区別する

証拠が示していないこと

• これは、AIが大量失業を引き起こすことを示しているわけではない。 ここで検討した研究のうち、生成AIによるこれまでの総雇用の減少を示す証拠を提示しているものはなく、影響を受ける可能性の推計は雇用喪失の推計ではない。
• これは、AIが大規模な雇用喪失を引き起こさないことを示しているわけではない。 初期の結果研究が対象とするのは、能力と導入状況が急速に変化している技術の導入後2～3年間である。過去の自動化は、その影響がすべて現れるまでに数十年を要した。
• これは、過去の自動化が信頼できる指針であることを示しているわけではない。 ロボットに関する研究が対象とするのは、主に製造業で使われる技術である。生成AIは、より高賃金の仕事を含め、あらゆる産業部門にわたる認知的・事務的業務に影響する。
• これは、生産性向上の恩恵が広く共有されることを示しているわけではない。 実験で測定されるのは、ある業務における労働者1人当たりの生産量であり、誰がその恩恵を得るかではない。
• これは、若年労働者の格差の原因を特定しているわけではない。 雇用者名簿に基づく証拠は記述的なものであり、教育に関する統制や既存の趨勢を考慮すると、その一部は弱まる。
• これは、影響を受ける可能性が労働者の補完を意味するのか、代替を意味するのかを確定していない。 ILOとEloundouの指標が測るのは、何が影響を受け得るかである。同じ影響可能性でも、企業が技術をどう導入するかによって、労働需要を増加させることも減少させることもある。

制度設計への示唆

1. 対応策を構築する前に、モニタリング体制を整える。 近年の研究で最も有用なのは、導入状況に関する調査を、行政上の給与記録や税務記録と結び付けたものである。政府と統計機関は、AIの導入、採用、所得、職業・年齢別の業務変化について、定期的に更新される公開指標を整備し、政策が予測ではなく証拠に基づいて対応できるようにすべきである。
2. 初級職の採用を注視する。 AIによって影響を受ける職業への若年労働者の採用が減れば、最初に負荷がかかるのは、新規参入者を訓練し、就職につなげる制度である。すなわち、徒弟制度、大学新卒者向け採用プログラム、専門職のキャリアラダーにおける初期段階である。ドイツのロボット研究でも、負担は若年の新規参入者に及んだことが示された。
3. 証拠に応じて拡大できる所得支援を準備する。 アトラスの別の箇所で検討されている現金給付に関する証拠は、無条件給付が労働供給に及ぼす影響は小さいことを示唆している。測定された雇用喪失が増えた際に自動的に拡大する保険型の仕組みは、時期尚早な普遍的制度にも、まったく計画を設けないことにも比べ、より正当化しやすい。
4. 資本と労働の分配を制度設計の課題として扱う。 Acemogluが予測するように、AIが資本所得と労働所得の格差を広げるなら、社会的富裕基金、利益分配、「AI配当」をめぐる議論は、給付だけでなく所有権をめぐる問題となる。
5. 雇用喪失への対応だけでなく、労働者の補完を支援する。 実験では、AIツールが経験の浅い労働者の生産性を高め得ることが示されている。訓練、調達、職場協議を通じて、労働者を補完する方向へ導入を促すことができる。これは、結果が明らかになる前に利用できる数少ない手段の一つである。
6. 予測には予測と明記する。 この研究で用いられた規律、すなわち、測定されたもの、モデル化されたもの、予測されたものを、それぞれ日付と出典を付して区別することは、公共の議論に有益である。

未解決の問い

• AIの影響を受ける職業に就く若年労働者の雇用格差は今後も続くのか、拡大するのか、それとも縮小するのか。また、その主因はAIなのか。
• 企業内での業務再編、すなわちAIの監督や統合に関する新たな業務は、どの程度の速さで賃金や職業構造の変化につながるのか。
• 生成AIは、地域的・分配的な影響を及ぼしつつ総雇用は安定するという、これまでの自動化のパターンをたどるのか。それとも、幅広い産業部門に及ぶことで、より大きな総体的影響をもたらすのか。
• 事務職におけるジェンダー別の影響は、特に高所得国において、女性の雇用にどのような影響を及ぼすのか。
• AIによる生産性向上の恩恵のうち、労働者、消費者、資本所有者に帰属する割合はそれぞれどれほどか。

出典

1. Acemoglu, D. and Restrepo, P. (2020). "Robots and Jobs: Evidence from US Labor Markets." Journal of Political Economy 128(6): 2188–2244. doi:10.1086/705716
2. Acemoglu, D. and Restrepo, P. (2018). "The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment." American Economic Review 108(6): 1488–1542. doi:10.1257/aer.20160696
3. Dauth, W., Findeisen, S., Suedekum, J. and Woessner, N. (2021). "The Adjustment of Labor Markets to Robots." Journal of the European Economic Association 19(6): 3104–3153. doi:10.1093/jeea/jvab012
4. Graetz, G. and Michaels, G. (2018). "Robots at Work." Review of Economics and Statistics 100(5): 753–768. doi:10.1162/rest_a_00754
5. Frey, C. B. and Osborne, M. A. (2013). The Future of Employment: How Susceptible Are Jobs to Computerisation? Oxford Martin School ワーキングペーパー。PDF; Technological Forecasting and Social Change 114 (2017): 254–280 に掲載、doi:10.1016/j.techfore.2016.08.019
6. Arntz, M., Gregory, T. and Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. OECD Social, Employment and Migration Working Papers 189. doi:10.1787/5jlz9h56dvq7-en
7. Nedelkoska, L. and Quintini, G. (2018). Automation, skills use and training. OECD Social, Employment and Migration Working Papers 202. doi:10.1787/2e2f4eea-en
8. Autor, D. H. (2015). "Why Are There Still So Many Jobs? The History and Future of Workplace Automation." Journal of Economic Perspectives 29(3): 3–30. doi:10.1257/jep.29.3.3
9. Eloundou, T., Manning, S., Mishkin, P. and Rock, D. (2024). "GPTs are GPTs: Labor market impact potential of LLMs." Science 384(6702): 1306–1308. doi:10.1126/science.adj0998; ワーキングペーパー arXiv:2303.10130
10. Gmyrek, P., Berg, J. and Bescond, D. (2023). Generative AI and Jobs: A global analysis of potential effects on job quantity and quality. ILO Working Paper 96. doi:10.54394/FHEM8239
11. Gmyrek, P., Berg, J., Kamiński, K. et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper. doi:10.54394/HETP0387
12. Brynjolfsson, E., Li, D. and Raymond, L. (2025). "Generative AI at Work." Quarterly Journal of Economics 140(2): 889–942. doi:10.1093/qje/qjae044
13. Noy, S. and Zhang, W. (2023). "Experimental evidence on the productivity effects of generative artificial intelligence." Science 381(6654): 187–192. doi:10.1126/science.adh2586
14. Humlum, A. and Vestergaard, E. (2025). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777. doi:10.3386/w33777
15. Brynjolfsson, E., Chandar, B. and Chen, R. (2025、2026年改訂). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
16. Acemoglu, D. (2025). "The simple macroeconomics of AI." Economic Policy 40(121): 13–58. doi:10.1093/epolic/eiae042