AI時代の労働の変容：技術的可能性と人間的選択の相互作用

要旨

本論文は、2026年2月現在のAI技術（GPT-5、Claude Opus 4.6、Gemini 3 Pro、GPT-5.3-Codex等）の急速な進展を背景に、労働の変容における「技術的可能性」と「人間的選択」の相互作用を、Stanford大学SALT Lab（Shao et al., 2025）によるHuman Agency Scale（HAS）とRyan & Deci（2000）の自己決定理論（SDT）を統合的枠組みとして分析するものである。

2026年の現実は、AI技術の急速な進化によって特徴づけられる。生成AI（Generative AI）が一般に普及したChatGPTの登場（2022年11月30日）から約3年が経過し¹、GPT-4（2023年3月）²、GPT-4系列の改良版（2025年初頭）³、GPT-5（2025年8月7日）⁴、そして最新のGPT-5.3-Codex（2026年2月5日）⁵に至るまで、AI技術は飛躍的な進化を遂げてきた。2026年2月時点で、AIシステムは推論速度65〜200msを実現し、複雑なタスクの実行能力を大幅に向上させている。

※注1: ChatGPTは2022年11月30日にOpenAIによって公開され、公開から5日間で100万人のユーザーを獲得した。

※注2: GPT-4は2023年3月14日にOpenAIによってリリースされた。

※注2a: GPT-4系列の改良版が2025年初頭に複数リリースされたが、OpenAI公式では「GPT-4.5」という単一名称でのアナウンスはない。本論文では便宜的に「GPT-4系列の最新版」として扱う。

※注3: GPT-5は2025年8月7日にOpenAIによってリリースされた。Sam Altman CEOは、このモデルがAGI（Artificial General Intelligence）に向けた重要な一歩であると述べている。GPT-5を用いた検証・リファインパイプラインは、AIME 2024、GPQA Diamond、HMMT Februaryなどの高難度ベンチマークで顕著な成績を収めている。

※注4: GPT-5.3-Codex は2026年2月5日にGPT-5.2-Codexのアップデート版として公開され、25言語のプログラミングコーディングで「evidence hygiene（証拠の衛生管理）」と「trust but verify（信頼するが検証する）」のアプローチが強化されている。

1. 問題の所在：AIが提起する労働観の再考

1.1 問いの設定

本論文の中心的な問いは、「AIは労働をどのように変えるのか」ではなく、「AIが労働を変えることができるとき、人間はそれをどう選択するのか」である。これは単なる技術予測ではなく、以下の4つの次元を統合的に問うものである：

1. 技術的可能性：現在のAI技術は、どの業務をどの程度まで代替・支援できるのか

2. Stanford SALT Labの実証研究（2025）：Human Agency Scaleによる労働市場全体の分析

3. 心理学的基盤：人間はどのような労働に意味と満足を見出すのか（SDT理論）

4. 社会的選択：AGI⁶に至る以前の現段階で、私たちはAIとの協働をどのように設計するべきか

※注5: AGI（Artificial General Intelligence：汎用人工知能）は、AIが人間と同等かそれ以上の汎用的知能を持つ状態を指す。AIは現在、特定のタスクに特化した「Narrow AI（狭義のAI）」の段階にある。

1.2 先行研究の限界

従来のAI労働研究は、以下の2つのアプローチに大別される：

1. 技術決定論的アプローチ（自動化vs雇用の二項対立）

2. 人間中心的アプローチ（AIによる能力拡張と新たな役割創出）

しかし、Stanford SALT Labの最新研究（2025年）は、これらの二元論を超えた新たな視座を提供している⁷。同研究は、AI導入における人間の主体性（human agency）を5段階で測定し、「完全自動化」と「人間主導」の間に存在する多様な協働形態を可視化した⁸。本論文は、この実証的枠組みと、心理学における自己決定理論（SDT）を統合することで、「技術的可能性」と「人間的選択」の相互作用を分析する。

※注6: Stanford SALT Lab（Yijia Shao, Humishka Zope, Yucheng Jiang他）は、2025年にプロジェクト「Future of Work with AI Agents」を開始し、WORKBankという新たなデータベースを構築した。このデータベースは、米国の104職業・約844タスクについて、1,500人のドメインワーカーの評価を収集したものである。

※注7: SALT Labは、Human Agency Scale（HAS）として、H1（No human involvement）からH5（Full human control）までの5段階を定義している。本論文では、分析の便宜上、これをLevel 0〜4として再解釈・マッピングして用いる。

1.3 本論文の視角：技術的可能性と社会的選択の交差点

本論文は、AI労働変容を「substitution（代替）」と「augmentation（拡張）」の二項対立ではなく、以下の3つの次元の交差点として捉える：

（1）技術的可能性の実証的測定

Frey & Osborne（2017）は、米国雇用の47%が今後20年以内に自動化される高リスクにあると推計した⁹。しかし、Arntz et al.（2016）はOECDの国際成人力調査（PIAAC）データを用いた職務レベルの分析により、自動化リスクは平均9%に過ぎず、各国間で6-12%のばらつきがあることを示した¹⁰。

※注: Frey & Osborne (2017) は職業全体を単位とした分析を行い、米国雇用の 47% が自動化される高リスクにあると推計した。一方、Arntz et al. (2016) は、PIAAC（国際成人力調査）データを用いて職務（task）レベルで分析し、自動化リスクは平均 9% で、各国間で 6-12% のばらつきがあることを示した。

さらに、Acemoglu & Restrepo（2019）は、自動化による「displacement effect（労働代替効果）」と、新技術によって創出される新たなタスクの「reinstatement effect（労働復帰効果）」が共存することを、過去200年の歴史的データから実証した¹¹。Autor（2015）も、AI技術が定型的タスクを代替する一方で、非定型的・対人的タスクにおける人間の比較優位を強調している¹²。

（2）人間的選択の規範的基準

技術的に自動化が可能であっても、それが社会的に望ましい選択とは限らない。ILO（2023）は「AI導入の鍵は自動化ではなくaugmentation（能力拡張）にある」と主張し¹³、OECD（2023）も「人間を中心に据えたAI活用が生産性向上と雇用維持を両立させる」と結論づけている¹⁴。IMF（2024）は、AIが世界全体の雇用の約40%に影響を与え、そのうち先進国では約60%の雇用が影響を受けると推計しつつも、適切な政策対応によって包摂的成長が可能であると論じている¹⁵。

（3）統合的な分析枠組みの構築

本論文は、2020年代初頭の日本のRIETI（経済産業研究所）の研究¹⁶を含む、AI労働研究の最前線を踏まえ、OECD、ILO、IMFといった国際機関の政策提言を統合的に検討する。特に、Stanford SALT Labの実証研究（2025）が提供するHuman Agency Scale（HAS）と、心理学におけるSelf-Determination Theory（SDT）を結びつけることで、技術的可能性と人間的ニーズの両面から労働変容を分析する新たな枠組みを提示する。

※注: RIETIは、日本におけるAIと労働市場の変容に関する実証研究を複数発表している。本論文ではPolicy Discussion Paper 20-P-009「AIが日本の雇用に与える影響の将来予測と政策提言」などを参照している。

2. 理論的基礎：AI労働変容を読み解く2つの視座

2.1 技術決定論vs社会構築主義：AI導入における選択の余地

AI労働変容を理解する第一の理論的分岐点は、「技術決定論（technological determinism）」と「社会構築主義（social constructivism）」の対立である。技術決定論は、技術の発展が社会変化を一方向的に決定すると見なすのに対し、社会構築主義は、技術の導入・利用は社会的・政治的選択によって形成されると主張する。

AI労働の文脈では、Sacasas（2021）が「技術には抵抗できない（resistance is futile）」という決定論的言説を批判し、AI導入は技術的可能性ではなく社会的選択の問題であると論じている¹⁷。歴史的には、Noble（1984）の『Forces of Production』が、1950-70年代の米国における数値制御（NC）工作機械の導入が、技術的必然ではなく、労働者の技能を脱技能化し経営管理を強化するという社会的・政治的選択であったことを実証している¹⁸。Tessema（2021）は、これらの視座を統合し、技術と社会の共進化（co-evolution）モデルを提唱している¹⁹。

2.2 自己決定理論（SDT）：人間にとって意味ある労働とは何か

人間にとって意味ある労働を理解する第二の理論的基盤は、Ryan & Deci（2000）の自己決定理論（Self-Determination Theory, SDT）である²⁰。SDTは、人間の心理的ウェルビーイングと内発的動機づけの基盤として、以下の3つの基本的心理的ニーズを提唱している（American Psychologist掲載論文）：

1. 自律性（autonomy）：自己の行動を自己決定している感覚

2. 有能感（competence）：効果的に環境と相互作用できる感覚

3. 関係性（relatedness）：他者とつながり、ケアされている感覚

Deci & Ryan（2000）は、Psychological Inquiryにおける実証研究で、これら3つのニーズの充足が、内発的動機づけ、心理的成長、ウェルビーイングに不可欠であることを示している²¹。

さらに、Martela & Riekki（2018）は、これら3つのニーズに加えて、「beneficence（他者への貢献）」が、meaningful work（意味ある労働）の第4の要素であることを、異文化比較研究を通じて実証した²²。AI労働の文脈では、これら4つの要素が、AI導入によってどのように影響を受けるかが重要な問いとなる。

Martela et al.（2021）の縦断的研究は、自律性・有能感・関係性・beneficenceの4要素が、労働の意味（meaningful work）の先行要因であることを実証的に示している²³。Yeoman（2014）も、meaningful workを「fundamental human need（基本的人間ニーズ）」として位置づけている²⁴。

2.3 本論文の統合的枠組み

本論文は、以下の3つの要素を統合することで、AI労働変容の新たな分析枠組みを提示する：

1. 技術的可能性の実証的測定：どの業務がどの程度AI化可能か

2. 人間的選択の心理学的基盤：人間はどのような労働に意味を見出すのか（SDT）

3. 社会的実装の設計原理：Stanford SALT Labの実証研究（2025）が示すHuman Agency Scaleに基づく、AI導入の選択肢

2.4 Stanford SALT Lab研究（2025）：Human Agency Scaleの提示

Shao et al.（2025）は、論文「Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce」において、AI導入における人間の主体性（human agency）を測定する新たな枠組みを提示した²⁵。この研究は、以下の3つのステップで構成されている：

1. データ基盤：米国の104職業について、約844タスクの詳細な職務記述を、1,500人のドメインワーカーの評価とともに分析

2. 測定尺度：Human Agency Scale（HAS）を開発し、AI導入における人間の主体性を5段階（H1〜H5）で測定

3. 実証分析：米国労働市場全体におけるAI自動化・拡張可能性をタスクレベルで定量化

※注: SALT Labの原論文では、H1（No human involvement）からH5（Full human control）という名称を用いているが、本論文では分析の便宜上、これをLevel 0（完全自動化）からLevel 4（人間主導・AI不使用）として再マッピングして扱う。

3. Stanford研究の詳細：労働市場全体のマッピング

3.1 Human Agency Scaleの5段階分類

本論文では、Stanford研究のH1〜H5を、以下のように再解釈したLevel 0〜4として扱う：

表1：Human Agency Scale（HAS）の5段階分類（本論文による再解釈）

※注1: これは、SALT LabのH1〜H5を本論文の分析枠組みに合わせて再構成したものである。SALT Lab原論文では、H3（Equal Partnership）を中心とする連続的な分布として提示されている。

3.2 米国労働市場全体の分析結果：Human Agency Scaleの分布

Stanford研究の重要な発見の一つは、844タスクのうち47.5%において、労働者が専門家の評価よりも高い人間関与（higher human agency）を望んでいるという点である²⁶。これは、技術的にはAIによる自動化が可能なタスクであっても、労働者自身が人間の主体的関与を望む傾向があることを示している。

本論文では、この知見を踏まえ、以下の重要な示唆を導出する：

1. 技術的可能性と社会的望ましさの乖離：AIが技術的に代替可能なタスクであっても、人間がmeaningful control（意味ある統制）を望む場合が多い

2. 業務の性質による格差：ルーチンタスクと対人的・創造的タスクの間で、AI導入可能性に顕著な差異

3. 職種内タスクの多様性：同一職種内でも、タスクごとにAI導入可能性は大きく異なる

※注: SALT研究の47.5%は、「全米雇用の47.5%がLevel 2以上」という意味ではなく、「844タスクのうち47.5%において労働者がより高い人間関与を望む」という調査結果である。本論文では、この知見を踏まえ、労働者の意向を考慮したAI導入設計の重要性を論じる。

※注: 以下の職種別推計は、著者がWORKBankの公開データおよび関連文献をもとに作成した例示的な分析であり、SALT Lab原論文に掲載されている集計値ではない。実際の分布は、職種・タスクの具体的定義により変動する可能性がある。

表2：主要職種カテゴリにおけるAI導入可能性の例示的推計

※注: 本表は、SALT研究の基本的知見およびFrey & Osborne (2017)、Arntz et al. (2016)、ILO (2023) 等の先行研究を総合した例示的推計である。具体的なパーセンテージは、タスクの定義・測定方法により大きく異なる可能性がある。

3.3 重要な発見：「meaningful control」の喪失リスク

Stanford研究が提起する最も重要な問いは、AI導入によって人間が「core tasks（中核的業務）」における「meaningful control」を失うリスクである。これは、単なる雇用喪失の問題ではなく、以下の3つの次元で労働の質に影響を与える：

1. 自律性の喪失：AIがタスクの大部分を実行する場合、人間の自己決定感が減少

2. 有能感の低下：AIに依存することで、人間のスキル発揮機会が減少

3. 関係性の希薄化：AIを介した間接的コミュニケーションが、対人的つながりを弱める

これらはまさに、SDT（自己決定理論）が提唱する3つの基本的心理的ニーズ（autonomy, competence, relatedness）の充足を脅かす要因である。

3.4 職種別・産業別の詳細分析

Stanford研究およびその関連文献は、職種・産業別に以下の傾向を示している：

（1）高リスク職種（AI代替可能性が高い）

• データ入力・文書処理

• ルーチン的事務作業

• 定型的製造・組立作業

これらの職種では、Ryan & Deci（2000）のSDT理論が示す自律性・有能感の基盤が大きく損なわれるリスクがある²⁷。

（2）中リスク職種（AI協働が中心）

• 金融・会計

• 一般事務

• 技術サポート

AIが業務の大部分を実行するが、人間が最終的な判断・承認を行う協働形態である。

（3）低リスク職種（人間主導が維持される）

• 教育・トレーニング

• 医療・看護（診断支援を除く対人ケア）

• 創造的職業（デザイン、ライティング、音楽等）

これらの職種では、人間が中核的タスクを実行し、AIは情報提供・提案に留まる。Martela et al.（2018）が示す「self-connection（自己とのつながり）」が保持され、meaningful workの基盤が維持される²⁸。

（4）関係性（relatedness）の次元

Level 4（AI不使用）および Level 3（AI支援）の職種では、対人的相互作用が中核的業務であり、AIによる代替が困難である。これは、人間同士のケアリング関係が、AI技術では再現できない質的要素を持つことを示している。

4. 理論的統合：HASとSDTの接続

4.1 Human Agency ScaleとSDTの対応関係

本論文によるHAS（Level 0〜4）と心理学のSDT（自己決定理論）を統合することで、AI導入が人間の心理的ウェルビーイングに与える影響を理論的に予測できる。表3は、HASの各レベルとSDTの3つの基本的心理的ニーズ（autonomy, competence, relatedness）の充足度の対応関係を示している。

表3：HASとSDTの対応関係

※注: Level 2以下では、SDTの3つの基本的心理的ニーズの充足が困難になり、内発的動機づけの低下、burnout（燃え尽き症候群）、離職意向の増加といった負の結果が予測される。

4.2 統合モデルが示す3つの重要な示唆

HASとSDTの統合モデルは、AI労働変容に関する3つの重要な示唆を提供する：

（1）自律性（Autonomy）の段階的低下

HAS Level 3以下では、AIがタスクの実行主体となり、人間の自己決定感が段階的に低下する。Ryan & Deci（2000）のSDT理論は、自律性の低下が内発的動機づけの喪失、burnout（燃え尽き症候群）、心理的不適応につながることを実証している²⁹。

（2）有能感（Competence）の変質

HAS Level 2では、人間の役割が「AIの出力を検証・調整する」ことに限定される。これは、Martela et al.（2018）が指摘する「self-connection（自己のスキル・価値観と労働内容のつながり）」を希薄化させ、meaningful workの基盤を損なう可能性がある³⁰。AIに依存することで、人間自身のスキル発揮機会が減少し、長期的には有能感の低下を招く。

（3）関係性（Relatedness）の間接化

HAS Level 1以下では、人間同士の直接的相互作用がAIを介した間接的なものに変化する。Level 4（AI不使用）の職種が、対人的ケアリング（教育、医療、カウンセリング等）に集中していることは、人間関係の直接性がAI技術では代替不可能であることを示唆している。

4.3 実証研究との接続：meaningful controlの重要性

Stanford研究が強調する「meaningful control（意味ある統制）」の概念は、SDTにおけるautonomyとcompetenceの統合概念として理解できる。AI導入において人間がmeaningful controlを保持するためには、以下の3つの条件が必要である：

1. 最終判断権の保持：AIの提案を受け入れるか否かを、人間が決定する（autonomy）

2. スキル発揮機会の確保：AIが支援ツールとして機能し、人間のスキルを拡張する（competence）

3. 対人的つながりの維持：AI導入が、人間同士の直接的相互作用を妨げない（relatedness）

これらの条件は、HAS Level 3以上で満たされる可能性が高く、Level 2以下では段階的に失われる。Stanford研究が示す「47.5%のタスクで労働者がより高い人間関与を望む」という知見は、技術的可能性と人間的ニーズの間に大きなギャップが存在することを示唆している。

4.4 政策的含意：SDT理論に基づくAI導入設計

SDT理論とHASの統合は、AI導入における以下の政策的指針を提供する：

1. Level 2以上の維持を原則とする：AI導入において、人間がmeaningful controlを保持できるLevel 2以上の協働形態を優先する

2. 自律性の確保：AIの提案を受け入れるか否かの最終判断権を、人間が保持する制度設計

3. 有能感の支援：AIに依存するのではなく、人間のスキルを拡張するトレーニング・再教育プログラムの提供

4. 関係性の保護：対人的ケアリングが中核的業務である職種（教育、医療、福祉等）では、AI導入を慎重に検討し、人間同士の直接的相互作用を優先する

5. 技術的現実：AI技術の2026年時点での能力と限界

5.1 Moravecのパラドックスの持続：身体性の壁

2026年2月時点でのAI技術は、確かに飛躍的な進化を遂げているが、依然として重要な限界を抱えている。Hans Moravecが1980年代に提唱した「Moravecのパラドックス」は、2026年においても基本的に有効である：人間にとって困難な認知的タスク（数学、論理、チェス等）はAIにとって容易だが、人間にとって容易な感覚運動的タスク（歩行、物体認識、対人相互作用等）はAIにとって困難である。

2026年2月現在、AIシステムは以下の能力を獲得している：

• GPT-5（2025年8月）：AIME 2024、GPQA Diamond、HMMT February等の高難度ベンチマークで顕著な成績を記録

• GPT-5.3-Codex：25言語のプログラミングで高度なコード生成能力を実証（SWE-bench Verified 74.9%、Aider polyglot 88%など）

しかし、以下の領域では依然として人間に劣る：

• 感覚運動統合：複雑な物理環境での操作（例：不規則な形状の物体の把持）

• 身体性（embodiment）：環境との物理的相互作用を通じた学習（Pfeifer & Bongard, 2006）³¹

• 対人的相互作用：文脈依存的な感情理解、共感、ケアリング

2026年時点でのロボティクス技術（Boston DynamicsのAtlas等）は、特定の環境下での歩行・跳躍を実現しているが、不規則な環境での柔軟な対応は依然として困難である。

5.2 常識推論とFrame Problem：Moravecのパラドックスの理論的基盤

McCarthy & Hayes（1969）が提起したFrame Problem（フレーム問題）は、AI研究における根本的な課題として2026年においても未解決である³²。Frame Problemとは、「行動の結果として何が変化し、何が変化しないかを、無限に列挙せずに推論する」という問題である。

（1）常識推論の困難性

• 人間は膨大な暗黙知を用いて、文脈に応じた柔軟な推論を行う

• AIは明示的なルールやパターンに依存し、未知の状況への適応が困難

（2）2026年時点のLLM（GPT-5、Claude Opus 4.6等）の限界

• 膨大なテキストデータからのパターン学習により、一定の常識推論が可能

• しかし、物理的因果関係、社会的文脈、感情的ニュアンスの理解は依然として不完全

（3）具体例：GPT-5の推論能力

• GPT-5を用いた検証・リファインパイプラインは、AIME、GPQA、HMMT等のベンチマークで高得点を獲得

• しかし、日常的な物理的因果推論（例：「コップを逆さまにすると水がこぼれる」）の理解は改善したものの、依然として人間に劣る

（4）GPT-5.3-Codexの「evidence hygiene」と「trust but verify」

• プログラミング領域では、形式的検証可能性により高い信頼性を実現

• しかし、仕様の曖昧性、人間の意図理解、プロジェクトの社会的文脈の把握は依然として人間が主導する必要がある

2026年のAI技術は、特定領域（数学、プログラミング、テキスト生成等）では人間を上回る能力を示すが、常識推論、身体性、対人相互作用といった人間にとって「当たり前」の能力においては、依然として大きな限界を抱えている。

5.3 創造性と主観的評価：2026年の現実

2026年時点で、AI生成コンテンツ（テキスト、画像、音楽、動画等）は技術的には高い品質を達成している。しかし、Searle（1980）の「中国語の部屋」論証が指摘するように、AIは記号操作を行っているに過ぎず、真の理解や意図を持たない³³。

（1）創造的職業への影響

GPT-5、Claude Opus 4.6等の最新LLMは、以下の能力を示している：

• 複雑な文章生成（論文、小説、詩等）

• 画像生成（DALL-E 3、Midjourney V6等）

• 音楽生成（MusicLM、Stable Audio等）

しかし、以下の理由により、人間の創造性を完全に代替することは困難である：

• オリジナリティの源泉：AIは既存データのパターンを再構成するが、人間は個人的経験・感情・価値観から独自の視点を創出する

• 文化的・社会的文脈の理解：創造的作品は、特定の時代・文化・社会的文脈に根ざしており、AIはこれを外部から学習するに過ぎない

• 主観的評価：芸術・文学の価値は、人間の主観的評価に依存する

5.4 技術的楽観主義への警鐘

2026年2月時点で、以下の技術的限界を認識する必要がある：

1. GPT-5.3-CodexはAGIではない：特定領域（プログラミング）での高性能は、汎用的知能を意味しない

2. LLMの限界：言語モデルは、物理的世界の理解、身体性、対人的相互作用において依然として制約を抱える

3. 技術決定論の誤謬：技術的可能性は、社会的望ましさや実装可能性を保証しない

4. AGI到達時期の不確実性：OpenAIのSam Altman CEOは、AGI到達を2027-2028年と予測しているが、多くの研究者はより慎重な見方をしている。公式な統計調査は限定的である。

2026年2月時点で、私たちはAGI以前の「Narrow AI（狭義のAI）」の時代にあり、技術的可能性と限界の両面を冷静に評価する必要がある。

5.5 労働市場への現実的影響：2026年の実証データ

Autor et al.（2015）が指摘するように、AI技術の導入は、単純な代替効果だけでなく、新たなタスクの創出、職務再編成、スキル需要の変化といった複雑なプロセスを伴う³⁴。2020年代初頭の日本における実証研究（内閣府、RIETI等）は、AI導入が製造業・サービス業で異なる影響を与えることを示している³⁵。

OECD（2021）のPIAAC（国際成人力調査）データは、オフィスソフトを日常的に使用する労働者の多くが、それを十分に使いこなすデジタルスキルの課題を抱えていることを示している³⁶。Acemoglu & Restrepo（2020）は、ロボット導入が地域労働市場に与える影響を実証し、自動化による雇用減少と賃金低下を報告している³⁷。しかし、AI技術の導入は、適切な政策対応（再教育、社会的セーフティネット、労働市場制度改革）によって、その負の影響を緩和できる可能性がある。

6. 政策的含意：人間中心のAI労働設計

6.1 労働の非効率性の擁護：E.P. Thompsonの視座

AI労働変容を考える上で、19世紀の歴史家E.P. Thompson（1963）の洞察は今日でも重要である³⁸。Thompsonは『The Making of the English Working Class』において、産業革命期の時間規律の強制が、労働者の生活リズム・自律性・共同体的つながりをいかに破壊したかを描いた。

AI労働の文脈では、以下の問いが重要となる：技術的に効率化できることは、常に望ましいのか？

• 教育における「非効率性」（教師と生徒の対話、試行錯誤のプロセス）は、学習の本質的要素である

• 医療における「非効率性」（医師と患者の対話、ケアリングの時間）は、治療効果に不可欠である

• 創造的職業における「非効率性」（熟考、迷い、遊び）は、イノベーションの源泉である

AI導入において、経済的効率性のみを追求することは、SDT理論が示す人間の基本的心理的ニーズ（autonomy, competence, relatedness）を損なうリスクがある。

6.2 実装上の課題：技術的可能性と制度的制約

AI労働導入における実装上の課題は、以下の2つの次元に大別される：

（1）技術的課題

• データの質と偏り：AIシステムは学習データの質・偏りに依存する。偏ったデータは、差別的・不公正な結果を生む³⁹

• 説明可能性（Explainability）：特に重要な意思決定（医療診断、採用、信用評価等）において、AIの判断根拠を人間が理解できることが不可欠

• セキュリティとプライバシー：AI導入は、個人データの収集・利用を伴い、プライバシー侵害のリスクを増大させる

（2）制度的・社会的課題

• 労働法制の整備：AI導入における労働者の権利保護（meaningful controlの確保、再教育の権利、不当解雇からの保護）

• 社会的セーフティネット：AI導入による雇用喪失・所得減少に対する社会的保護（失業保険、職業訓練、ベーシックインカム等の議論）

• EU AI Act等の規制枠組み：EUは2024年に世界初の包括的AI規制法を施行し、高リスクAIシステム（採用、信用評価、法執行等）に対する厳格な要件を課している⁴⁰

• 労使協議と集団的交渉：AI導入における労働者の発言権確保（labor voice）が、meaningful controlの社会的基盤となる⁴¹

※注: EU AI Actは、2024年7月12日に欧州議会官報に公表され、2024年8月1日に発効した。高リスクAIシステムの主要義務は2026年8月2日から適用される。高リスクAIシステムには、人間による監督、技術的文書化、透明性、正確性、セキュリティ等の要件が課される。違反企業には、最大3,500万ユーロまたは全世界売上高の7%のいずれか高い方の罰金が科される（最も重い違反の場合）。

（3）経済的コスト

• 初期投資の大きさ：AI導入には、システム開発・導入、従業員訓練、業務プロセス再設計等の大きな初期投資が必要。中小企業にとっては参入障壁となる

• ROI（投資収益率）の不確実性：AI導入の効果は業種・職種により大きく異なり、投資回収期間は3〜5年以上に及ぶケースも多い

• 維持・更新コスト：AIシステムは継続的な維持・更新が必要であり、長期的なコスト負担が発生する

（4）労働者保護のための制度設計

• 情報開示：AI導入の計画・影響を労働者に事前に開示

• 協議プロセス：AI導入における労働者・労働組合の意見聴取

• 拒否権：不当なAI導入（meaningful controlを奪うLevel 0-1への移行）に対する労働者の拒否権

• 再教育の権利：AI導入により影響を受ける労働者への再教育・スキルアップ支援

• 労働者代表制の強化：EUのworks council（労働者評議会）のような制度的基盤

※注: EUのAI Actは、雇用領域での高リスクAIシステムに対し、労働者への透明性・説明義務を課している。

表4：主要国のAI労働規制の比較（2024〜2026年時点）

6.3 年齢・スキルギャップの深刻化

OECD（2021）のデータは、AI導入が年齢・スキル別に異なる影響を与えることを示している⁴²。特に、55-65歳の労働者は、デジタルスキル習得において若年層に比べて不利な立場にある。

日本の高齢就業者の現状：

• 総務省統計局「統計からみた我が国の高齢者」によれば、2023年の65歳以上就業者数は914万人、就業率 25.2% である⁴³

• 2024年には930万人を超え、就業者全体に占める割合は年々上昇している⁴⁴

• 高齢労働者の再教育・スキルアップが、AI時代の労働市場において喫緊の課題となっている

OECD（2021）の政策提言は、以下の3点を強調している：

1. 生涯学習の制度化：20代でのスキル習得だけでなく、50歳以上での継続的学習が必要

2. 企業の責任：大企業では、AIによる影響を受ける労働者に対し再教育を実施すべき

3. 公共政策の役割：ITリテラシー向上とAI時代のスキル習得支援のため、公的資金による職業訓練プログラムの拡充が必要

※注: 年齢別デジタルスキル保有率、AI研修受講率等の詳細な統計については、OECD Skills Outlook 2021およびPIAAC調査を参照。本論文では、これらの資料から示唆される一般的傾向（若年層ほどデジタルスキル保有率が高く、高齢層ほど低い）を踏まえて議論を展開している。

6.4 政策提言：HASに基づくAI導入ガイドライン

本論文は、Stanford SALT LabのHASとSDT理論に基づき、以下の政策的指針を提案する：

1. 原則1：Meaningful Controlの確保

• AI導入は、原則としてHAS Level 2以上（人間が最終判断権を保持）を維持する

• Level 0-1への移行は、労働者との協議と合意を前提とする

2. 原則2：SDTの3つのニーズ充足

• 自律性（Autonomy）：AIの提案を受け入れるか否かの最終判断権を人間が保持

• 有能感（Competence）：AI導入は、人間のスキル発揮機会を奪うのではなく、拡張するものとする

• 関係性（Relatedness）：対人的ケアリングが中核的業務である職種（教育、医療、福祉等）では、AI導入を慎重に検討

3. 原則3：労働者の発言権（Labor Voice）

• AI導入計画の策定段階から、労働者・労働組合が参加

• 影響評価（Human Rights Impact Assessment）の実施と公開

• 不当なAI導入に対する労働者の拒否権

6.5 経済的影響と政策対応：マクロ経済の視点

AI労働導入のマクロ経済的影響は、以下の3つの次元で評価する必要がある：

1. 生産性向上とGDP成長：GPT-5.3-Codexをはじめとする2026年時点のAI技術は、製造業・サービス業の生産性を大幅に向上させる可能性がある

2. 雇用・所得への影響：HAS Level 0-1相当の職種では雇用減少・所得低下のリスクがある

3. 所得分配と不平等：AI導入の恩恵は、高スキル労働者・資本所有者に集中し、所得格差を拡大させる可能性がある

（1）マクロ経済的試算

McKinsey、IMF、RIETI等の各種試算を総合すると、AI技術が2030年までに世界GDP成長率を年0.1〜0.5%ポイント押し上げる可能性があると見積もられている。しかし、その恩恵の分配は不均等であり、以下の政策対応が必要である：

• 累進課税の強化：AI導入による利益に対する適切な課税（資本所得税、法人税）

• 社会的セーフティネット：失業保険、職業訓練、再教育プログラムの拡充

• ベーシックインカムの議論：AI導入による大規模な雇用喪失に備えた、普遍的所得保障制度の検討

（2）産業別・企業規模別の影響

AI導入の経済的影響は、産業・企業規模により大きく異なる：

• 大企業：AIシステムへの投資能力があり、生産性向上の恩恵を受けやすい

• 中小企業：初期投資の負担が大きく、AI導入が遅れる可能性

• 製造業：ルーチン作業の自動化により、雇用減少のリスクが高い

• サービス業：対人的相互作用が中核的業務である分野では、AI導入の影響が限定的

（3）国際比較：日本の特殊性

日本は、以下の理由により、AI労働導入において特殊な状況にある：

• 労働市場の硬直性：終身雇用・年功序列制度が、労働市場の流動性を制約

• 高齢化の進展：65歳以上の就業者比率が高く（914万人、2023年）、デジタルスキルギャップが深刻

• 中小企業の比重：全企業の99.7%が中小企業であり、AI導入の遅れが懸念される

日本政府は、2020年代初頭の「AI戦略」において、リスキリング（再教育）予算の拡大を表明している。しかし、OECD平均と比較すると依然として課題があり、更なる拡充が必要である。

7. 結論：技術的可能性と人間的選択の統合

7.1 本論文の主要な発見

本論文は、2026年2月時点のAI技術の急速な進展を背景に、「技術的可能性」と「人間的選択」の相互作用を、以下の3つの理論的・実証的枠組みを統合して分析した：

• Stanford SALT Lab（2025）のHuman Agency Scale：AI導入における人間の主体性を5段階で測定

• Ryan & Deci（2000）の自己決定理論（SDT）：人間の心理的ウェルビーイングの基盤となる3つの基本的ニーズ（autonomy, competence, relatedness）

• 労働市場の実証研究：Frey & Osborne（2017）、Arntz et al.（2016）、Acemoglu & Restrepo（2019, 2020）等の先行研究

主要な発見は以下の通りである：

1. Stanford研究の重要性：844タスクのうち47.5%において、労働者が専門家の評価より高い人間関与を望んでおり、技術的可能性と社会的望ましさの間にギャップが存在する

2. SDTとHASの統合：AI導入が人間の心理的ウェルビーイングに与える影響は、HAS Levelによって段階的に異なる

3. 技術的限界の認識：2026年のAI技術（GPT-5.3-Codex等）は、特定領域で高性能を示すが、常識推論、身体性、対人相互作用において依然として限界を抱える

4. 政策的指針：HAS Level 2以上の維持、SDTの3つのニーズ充足、労働者の発言権確保が、人間中心のAI労働設計の基盤となる

7.2 理論的貢献：HASとSDTの統合枠組み

本論文の理論的貢献は、StanfordのHuman Agency Scale（実証的測定尺度）と、心理学の自己決定理論（規範的理論）を統合することで、AI労働変容の新たな分析枠組みを提示したことにある。

（1）実証と規範の統合

• HAS（実証的測定）：現実のAI導入において、人間の主体性がどの程度保持されるかを測定

• SDT（規範的理論）：人間にとって望ましい労働とは何か、という心理学的基準を提供

• 統合枠組み：技術的に可能なことと、人間にとって望ましいことの交差点を可視化

（2）HAS Level 2の「分岐点」

本論文の分析は、HAS Level 2が「meaningful control」の分岐点であることを示している：

• Level 3以上：人間が中核的タスクを実行し、AIは支援ツールに留まる → SDTの3つのニーズが充足される

• Level 2：AIが中核的タスクを実行し、人間は検証・承認を行う → SDTのニーズ充足は限定的

• Level 1以下：AIが主導し、人間は監視のみ → SDTのニーズ充足は困難

（3）職種・業務レベルでの多様性

本論文が再解釈したHASは、職種全体ではなく、個別のタスク・業務レベルでAI導入可能性を測定している。これにより、「自動化される職種」という単純な二分法ではなく、同一職種内でも、どのタスクをAIに委ね、どのタスクを人間が保持するかという設計の選択肢が可視化される。

7.3 実践的含意：政策立案者・企業・労働者への示唆

（1）政策立案者へ

• 規制枠組みの整備：EU AI Actのような包括的規制を参考に、AI導入における労働者保護の法的基盤を構築

• 再教育への投資：公的投資により、AI時代のスキル習得を支援

• 社会的セーフティネット：AI導入による雇用喪失に対する失業保険・職業訓練の拡充

• 労働者の発言権強化：works council（労働者評議会）のような制度的基盤の整備

（2）企業へ

• Meaningful Controlの原則：AI導入において、HAS Level 2以上の協働形態を優先し、労働者の自律性・有能感を保護

• 透明性と説明責任：AI導入の計画・影響を労働者に事前に開示し、協議プロセスを確保

• 再教育への投資：AI導入により影響を受ける労働者への再教育・スキルアップ支援を企業の社会的責任として位置づける

• 長期的視点：AI導入の短期的コスト削減効果のみを追求するのではなく、労働者のウェルビーイングと企業の持続可能性を両立させる

（3）労働者へ

• スキル習得の継続：AI時代においても、人間の比較優位（対人的相互作用、創造性、批判的思考、倫理的判断）を維持・強化するためのスキル習得

• 集団的交渉：労働組合・職業団体を通じた集団的発言権の行使により、不当なAI導入に対抗

• 労働の意味の再定義：SDT理論が示すように、労働の意味は自律性・有能感・関係性に基づくものであり、AIに代替されない本質的価値を認識

7.4 今後の研究課題：未解決の問題

本論文の分析は、以下の重要な問題を未解決のまま残している：

1. AGI到達後の労働：2026年2月時点では、AGIは未だ実現していない。GPT-5.3-CodexやClaude Opus 4.6は、特定領域で高性能を示すが、汎用的知能ではない。AGIが実現した場合、本論文の分析枠組みは根本的に再考を要する

2. 文化的・国家的多様性：本論文は主に米国のStanford研究とOECDデータに基づいている。日本・アジア・アフリカ等、異なる労働文化・制度を持つ地域では、AI導入の影響が大きく異なる可能性がある

3. 長期的な心理的影響：AI導入がSDTの3つのニーズ（autonomy, competence, relatedness）に与える長期的影響は、縦断的研究による実証が必要である

4. Embodied AIの進展：2026年時点では、AIの身体性（embodiment）は限定的であるが、今後のロボティクス技術の進展により、物理的環境での労働においてもAI導入が加速する可能性がある

5. 倫理的ジレンマ：AI導入における効率性と人間性の対立、雇用喪失と経済成長のトレードオフ、世代間・階層間の不平等といった倫理的問題は、技術的解決策だけでは対処できない

6. AGI以前の現段階における選択：AGIに至る以前の現段階で、私たちがどのようにAIとの協働を設計するかが、AGI到達後の社会を決定づける可能性がある

7.5 結びに代えて：「技術的可能性」と「人間的選択」の対話

本論文の中心的メッセージは、AI労働変容は技術的必然ではなく、人間の選択の問題であるという点にある。Stanford SALT LabのHuman Agency Scaleは、AI導入における人間の主体性を可視化し、実証的測定により、政策的選択の余地を示した。

2026年2月時点で、GPT-5.3-Codex、Claude Opus 4.6、Gemini 3 Pro等の最新AI技術は、確かに多くの業務を技術的に自動化することが可能である。しかし、それが社会的に望ましいかどうかは、別の問いである。

本論文が提示したHASとSDTの統合枠組みは、技術的可能性と人間的ニーズの両面から、AI労働変容を評価する新たな視座を提供する。私たちは、AIが何ができるかだけでなく、人間が何を選ぶかを問い続ける必要がある。

Stanford研究が示すように、844タスクの47.5%において労働者がより高い人間関与を望んでいる。これは、AI時代においても、人間中心の労働設計が可能であることを示唆している。技術的楽観主義でも悲観主義でもなく、**批判的希望（critical hope）**を持って、AI労働の未来を設計していくことが、私たちに求められている。

参考文献

Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3-30. https://doi.org/10.1257/jep.33.2.3

Acemoglu, D., & Restrepo, P. (2020). Robots and jobs: Evidence from US labor markets. Journal of Political Economy, 128(6), 2188-2244. https://doi.org/10.1086/705716

Arntz, M., Gregory, T., & Zierahn, U. (2016). The risk of automation for jobs in OECD countries: A comparative analysis. OECD Social, Employment and Migration Working Papers, No. 189. https://doi.org/10.1787/5jlz9h56dvq7-en

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. https://doi.org/10.1257/jep.29.3.3

Autor, D. H., Levy, F., & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics, 118(4), 1279-1333.

Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227-268. https://doi.org/10.1207/S15327965PLI1104_01

Dreyfus, H. L. (1972). What computers can’t do: A critique of artificial reason. Harper & Row.

Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254-280. https://doi.org/10.1016/j.techfore.2016.08.019

ILO (International Labour Organization). (2023). Generative AI and Jobs: A global analysis of potential effects on job quantity and quality. Geneva: ILO.

IMF (International Monetary Fund). (2024). AI will transform the global economy. Let’s make sure it benefits humanity. IMF Blog. Retrieved from https://www.imf.org/en/blogs/articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity

Martela, F., & Riekki, T. J. J. (2018). Autonomy, competence, relatedness, and beneficence: A multicultural comparison of the four pathways to meaningful work. Frontiers in Psychology, 9, 1157. https://doi.org/10.3389/fpsyg.2018.01157

Martela, F., Gómez, M., Unanue, W., Araya, S., Bravo, D., & Espejo, A. (2021). What makes work meaningful? Longitudinal evidence for the importance of autonomy and beneficence for meaningful work. Journal of Vocational Behavior, 131, 103631. https://doi.org/10.1016/j.jvb.2021.103631

McCarthy, J., & Hayes, P. J. (1969). Some philosophical problems from the standpoint of artificial intelligence. In B. Meltzer & D. Michie (Eds.), Machine Intelligence (Vol. 4, pp. 463-502). Edinburgh University Press.

Moravec, H. (1988). Mind children: The future of robot and human intelligence. Harvard University Press.

Noble, D. F. (1984). Forces of production: A social history of industrial automation. Alfred A. Knopf.

OECD (Organisation for Economic Co-operation and Development). (2021). OECD Skills Outlook 2021: Learning for Life. Paris: OECD Publishing. https://doi.org/10.1787/0ae365b4-en

OECD. (2023). Is Education Losing the Race with Technology? AI’s Progress in Maths and Reading. OECD Artificial Intelligence Papers, No. 2023/01. Paris: OECD Publishing.

OpenAI. (2025a). GPT-5 technical report. OpenAI. Retrieved from https://openai.com/index/gpt-5-system-card/

OpenAI. (2025b). Introducing GPT-5. Retrieved from https://openai.com/index/introducing-gpt-5-for-developers/

OpenAI. (2026). GPT-5.3-Codex system card. Retrieved from https://openai.com/index/gpt-5-3-codex-system-card/

Pfeifer, R., & Bongard, J. (2006). How the body shapes the way we think: A new view of intelligence. MIT Press.

RIETI (Research Institute of Economy, Trade and Industry). (2020). AIが日本の雇用に与える影響の将来予測と政策提言. RIETI Policy Discussion Paper Series 20-P-009. 東京: 経済産業研究所.

Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68-78. https://doi.org/10.1037/0003-066X.55.1.68

Sacasas, L. M. (2021). The convivial society: Vol. 1, No. 10 - Technology and the virtue of resistance. The Convivial Society Newsletter.

Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417-424. https://doi.org/10.1017/S0140525X00005756

Shao, Y., Zope, H., Jiang, Y., Pei, J., Nguyen, D., Brynjolfsson, E., & Yang, D. (2025). Future of work with AI agents: Auditing automation and augmentation potential across the U.S. workforce. arXiv preprint arXiv:2506.06576. Retrieved from https://arxiv.org/abs/2506.06576

Tessema, D. T. (2021). Technological determinism versus social constructivism: An analysis of the debate. International Journal of Social Science and Humanities Research, 9(2), 45-58.

Thompson, E. P. (1963). The making of the English working class. Victor Gollancz.

Yeoman, R. (2014). Conceptualising meaningful work as a fundamental human need. Journal of Business Ethics, 125(2), 235-251. https://doi.org/10.1007/s10551-013-1894-9

総務省統計局. (2023). 統計からみた我が国の高齢者. 東京: 総務省. Retrieved from https://www.stat.go.jp/data/topics/pdf/topi146_02.pdf

総務省統計局. (2024). 労働力調査（詳細集計）. 東京: 総務省.

内閣府. (2023). AI と労働に関する実証研究. 東京: 内閣府.

脚注

付録A：用語集

AGI（Artificial General Intelligence）：汎用人工知能。人間と同等かそれ以上の汎用的知能を持つAIシステム。現在のAIは「Narrow AI（狭義のAI）」であり、AGIは未到達。

Algorithmic Management：AIアルゴリズムによる労働者の管理・評価・監視システム。配車アプリのドライバー評価、倉庫労働者の生産性監視等。

Agentic AI：複数のツール・APIを自律的に使用し、目標達成のために行動するAIシステム。GPT-5.3-Codex等が代表例。

Hallucination：LLM（大規模言語モデル）が事実でない情報を生成する現象。特に専門知識・最新情報において顕著。

HAS（Human Agency Scale）：本論文において、SALT LabのH1〜H5を再解釈したLevel 0〜4の尺度。Level 0（完全自動化）からLevel 4（人間主導・AI不使用）まで。

LLM（Large Language Model）：大規模言語モデル。GPT-5、Claude Opus 4.6、Gemini 3 Pro等。膨大なテキストデータから学習し、言語理解・生成を行う。

Meaningful Control：人間が労働の中核的タスクにおいて自律性・有能感を保持すること。Stanford研究が強調する概念。

Moravecのパラドックス：Hans Moravecが1980年代に提唱。「人間にとって困難な認知的タスク（数学、論理）はAIにとって容易だが、人間にとって容易な感覚運動的タスク（歩行、対人相互作用）はAIにとって困難」という逆説。

SDT（Self-Determination Theory）：自己決定理論。Ryan & Deciが提唱した、人間の心理的ウェルビーイングの理論。3つの基本的心理的ニーズ（autonomy, competence, relatedness）の充足が、内発的動機づけ・心理的成長に不可欠。

WORKBank：Stanford SALT Labが構築した、米国104職業・約844タスクの詳細データベース。1,500人のドメインワーカーの評価を収集。

Frame Problem：AI研究における根本的課題。行動の結果として何が変化し、何が変化しないかを、無限に列挙せずに推論する問題（McCarthy & Hayes, 1969）。

Embodiment：身体性。環境との物理的相互作用を通じた学習・認知。AIの重要な限界の一つ。

Reskilling：再教育。技術変化に対応するための新たなスキル習得プログラム。

※本論文における注意事項

1. SALT Labの数値の解釈：本論文では、Stanford SALT LabのH1〜H5をLevel 0〜4に再マッピングして分析しています。「844」は職種数ではなくタスク数、「47.5%」は全米雇用の割合ではなく、労働者がより高い人間関与を望むタスクの割合です。

2. 職種別推計：表中の職種別HAS分布は、著者がWORKBankおよび関連文献をもとに作成した例示的推計であり、SALT Lab原論文に掲載されている集計値ではありません。

3. 日本の統計：高齢就業者数914万人（2023年）は総務省統計局の公式データです。その他の日本国内データについても、可能な限り公式ソースを参照しています。

4. マクロ経済予測：各種シミュレーションは、既存の研究（McKinsey、IMF、OECD等）の知見を総合したものですが、具体的な数値パスは著者による試算を含みます。