生成AIは、経済全体の生産性をどこまで押し上げるのでしょうか。
Penn Wharton Budget Model（PWBM）の2025年推計は、この問いを米国の職業別タスク、導入によるコスト削減、技術の普及速度から試算しています。
この推計は、将来を確約する予測ではありません。
示された中心的な結果は、生成AIによる生産性成長への寄与が2030年代前半に最も大きくなった後に縮小する一方、そこで積み上がったGDPの水準差は残るというものです。
PWBM推計の結論
| 指標 | 推計値 | 読み方 |
|---|---|---|
| 2032年の年次寄与 | 0.2パーセントポイント | 生産性成長率への上乗せが最も大きい年 |
| 2035年の水準 | 1.5%高い | AIを使わない経路と比べたTFPとGDPの差 |
| 2055年の水準 | 約3%高い | 年ごとの寄与が累積した水準差 |
| 2075年の水準 | 3.7%高い | 長期に残る水準差 |
| 普及後の年次寄与 | 0.04パーセントポイント弱 | 産業構成の変化によって残る小幅な上乗せ |
「水準」と「成長率」は別の数字
水準は、その時点の経済規模や生産性の高さを表します。
成長率は、水準が前年からどれだけ増えたかを表します。
したがって、2055年の「約3%」は、2055年だけ成長率が3%上がるという意味ではありません。
それまでの効果が積み上がり、AIを使わない経路よりGDPの水準が約3%高いという推計です。
パーセントポイントは、二つの割合の差を示す単位です。
たとえば成長率が2.0%から2.2%になれば、差は0.2パーセントポイントです。
推計を支える三つの前提
全要素生産性（TFP）は、労働時間や設備の量を増やすだけでは説明できない生産効率を表す指標です。
PWBMは、生成AIが個々のタスクに与える効果を積み上げ、TFPとGDPの長期変化を推計しています。
- 影響を受ける経済活動の範囲：PWBMは、現在のGDPの約40%が生成AIの大きな影響を受け得ると推計しています。
- タスク単位のコスト削減：既存研究の結果をもとに、現在の生成AIによる平均的な労務コスト削減を約25%と置き、長期には40%へ高まると仮定しています。
- 導入の速度：2024年後半に労働者の26.4%が職場で生成AIを使っていたという調査を起点に、普及が初期に加速し、やがて飽和する経路を組み込んでいます。
25%や40%は、あらゆる企業で同じ効果が出るという実績値ではありません。
複数研究の結果と将来の改善をモデルに入れるための仮定なので、自社の投資判断には自社業務の測定値が必要です。
タスク露出率が高い職種
タスク露出率は、職業そのものがなくなる確率ではなく、その職業を構成する作業のうち、生成AIが実行できる部分の推計です。
職種名だけで置き換えを判断すると、確認、例外処理、対人調整、責任の所在といった人の役割を見落とします。
| 職業群 | 露出率 |
|---|---|
| 事務支援 | 75.5% |
| ビジネスと財務 | 68.4% |
| コンピュータと数理 | 62.6% |
| 営業関連 | 60.1% |
| 経営管理 | 49.9% |
賃金分布では、80パーセンタイル付近の職業が最も高い露出を示し、平均すると仕事の約半分が生成AIで実行可能と推計されています。
一方で、最上位の高賃金職と低賃金職の露出は相対的に低いとされています。
この分布から得られる実務上の示唆は、職種を丸ごと置き換えるのではなく、資料の下書き、情報整理、定型的な比較など、境界を明確にできるタスクから検証することです。
判断や承認を誰が担うかは、タスクごとに残しておく必要があります。
他の推計と比較するときの注意
| 資料 | 対象 | 示していること |
|---|---|---|
| PWBM | 米国のTFPとGDP | 2030年代前半に年次寄与が最大となり、2055年の水準は約3%高い |
| McKinsey | 世界の労働生産性 | 2040年までの年次寄与は0.1から0.6パーセントポイントで、導入速度と労働時間の再配分に左右される |
| Acemoglu | タスクから見たマクロ経済 | 影響を受けるタスクの範囲とコスト削減を基礎に、効果を慎重に評価する |
これらの数字は、対象地域、期間、生産性の定義、導入の前提が異なるため、大小だけでは比較できません。
McKinseyの生産性推計には、生成AIで空いた労働時間を同等以上の生産性を持つ活動へ移せることが条件として置かれています。
Daron Acemogluのタスクベースの研究も、技術が使えることと、経済全体の成果になることを分けて考えています。
したがって、導入率だけを成果指標にするのではなく、業務の完了時間、品質、再作業、コストまで測る必要があります。
企業が導入効果を確かめる手順
PWBMの2032年というピークは、個々の企業に共通する投資期限ではありません。
企業ごとの着手時期は、対象業務の準備状況、データの扱い、確認責任、測定可能性から決めます。
- 対象を一つのタスクに絞る：入力、期待する出力、完了条件、例外を明記します。
- 人が確認する範囲を決める：誤りが与える影響に応じて、承認者と差し戻し条件を定めます。
- 導入前の基準値を取る：同じタスクについて、時間、品質、再作業、コストを測ります。
- 限定運用で比較する：同じ指標を導入後にも測り、改善と悪化の両方を確認します。
- 展開または停止を判断する：品質と安全性を守ったうえで効果が再現したタスクだけを広げます。
入力データ、出力確認、セキュリティ、効果測定の設計は、生成AIを業務に入れる前に決めるべきことでも整理しています。
利用者が増えた後の権限や組織運営は、生成AIの業務利用が広がった後の組織設計が補足になります。
最低限そろえたい評価指標
| 評価軸 | 確認する指標 |
|---|---|
| 速度 | 着手から完了までの時間、待ち時間 |
| 品質 | 差し戻し率、再作業率、承認率 |
| コスト | 一件当たりの作業時間と利用費 |
| 安全性 | 入力できる情報、根拠確認、操作記録、例外時の連絡先 |
推計の限界
PWBM自身も、初期の限られたデータに基づくため、今後の技術や実証結果によって推計が大きく変わり得ると注意しています。
品質の変化、新しい産業やタスクの創出、研究開発への波及は推計に含まれていません。
職業別の露出率も、雇用減少を直接予測する数字ではありません。
生成AIが技術的に扱えるタスクでも、導入費用、精度、法令、契約、説明責任などの条件によって、実際の利用範囲は変わります。
企業がこの推計から持ち帰れること
PWBMの推計は、生成AIが経済の水準を押し上げ得る一方、その効果は導入しただけで自動的に得られるものではないと示しています。
タスクの選定、業務手順、人の確認、効果測定を一体として設計した企業ほど、自社にとっての実際の生産性効果を判断しやすくなります。
マクロ経済の数字は投資の参考になりますが、最終判断を支えるのは自社の測定結果です。
小さなタスクで基準値を取り、品質と安全性を守りながら、再現できた改善だけを広げる進め方が現実的です。
出典
- Penn Wharton Budget Model「The Projected Impact of Generative AI on Future Productivity Growth」
- McKinsey「The economic potential of generative AI」
- Daron Acemoglu「The simple macroeconomics of AI」
この記事に関連する株式会社greedenの取り組み
生成AIの効果を業務成果へつなげるには、対象業務、評価指標、確認手順をそろえ、導入後も改善を続ける必要があります。greedenは、生成AIを用いた施策の相談から業務フロー改善、システム実装、定着支援まで伴走します。