技術的サマリー：AI を利用しているのは誰か？プラットフォームの選択と職業別 AI 曝露の測定

1. 問題：プラットフォーム由来の曝露における非古典的測定誤差

人工知能（AI）と労働市場に関する実証文献は、AI の「潜在的」能力（例：専門家による評価、特許のマッチング）を測定することから、Anthropic の Claude、OpenAI の ChatGPT、Microsoft Copilot などのプラットフォームからの会話ログを通じて AI の「観測された」利用を測定する方向へと、次第にシフトしている。この変化は測定を明らかにされた行動に近づけるが、著者らは、これらのログが非確率標本を構成すると主張する。

核心的な問題は、プラットフォーム由来の曝露スコア（$E_{o,p}$）が、2 つの異なる構成要素を混同している点にある。

1. 真の職業別曝露（$E_o$）： 職業のタスク束のうち、AI が労働者の入力に代わったり、それを補完したりできる割合。
2. プラットフォーム選択（$\psi_{o,p}$）： 一般労働力に対して、そのプラットフォームのユーザーベースにおいて特定の職業が過剰または過小に代表されている度合い。

AI プラットフォームのユーザーベースは、高スキル・高賃金の職業（例：コンピュータおよび数学関連）に体系的に偏り、サービス業や肉体労働の職業からは遠ざかる傾向があるため、結果として得られる曝露指標はこの選択バイアスを継承する。著者らはこれを、誤差項が関心のある真の変数と相関する非古典的測定誤差として定式化する。その結果、これらの指標を用いた回帰係数は、AI 曝露の構造的雇用弾力性を特定するものではなく、真の曝露とプラットフォーム利用者の特定の職業構成が混ざり合ったものを反映することになる。

2. 方法論

概念的枠組み

著者らは、プラットフォーム由来の代理変数を以下のように定義する。
$$E_{o,p} = \psi_{o,p} E_o + \eta_{o,p} + u_{o,p}$$
ここで、

• $\psi_{o,p}$ は職業間の選択パラメータ（プラットフォームの会話シェアと労働力雇用シェアの比率）。
• $\eta_{o,p}$ は職業内のタスク選択残差（プラットフォーム上にいるという条件付きでのタスク遂行における差異）。
• $u_{o,p}$ は古典的なノイズ。

$\psi_{o,p}$ は（プラットフォームのログと労働統計局の雇用シェアを通じて）観測可能であるため、著者らは職業間コンポーネントを除去するための労働力再重み付け手続きを提案する。
$$\tilde{E}_{o,p} = \frac{E_{o,p}}{\psi_{o,p}}$$
職業内選択バイアスが、職業間選択と同じ方向に係数に影響するという維持された順序条件の下で、ベースライン推定値と再重み付けされた推定値は、構造的雇用弾力性に対する部分識別区間を定義する。

実証デザイン

本研究は、6 桁の標準職業分類（SOC）レベルにおける 1,310 万人・年観測値（2015 年～2024 年のアメリカン・コミュニティ・サーベイ（ACS）パネル）に対して、差の差（DiD）推定式を採用する。

• 処置： 2022 年以降の指標と、10 種類の異なるプラットフォーム由来曝露指標との相互作用項。
• バリエーション： 10 種類の指標には以下が含まれる。
  • Massenkoff および McCrory（2026）の合成指標の 3 つのバリエーション（ベースライン、労働力再重み付け、Wave 5 AEI 重み）。
  • Anthropic Claude.ai の消費者データの 5 ウェーブ（2024 年 12 月～2026 年 2 月）。
  • Anthropic のエンタープライズ API データの 2 ウェーブ。
  • Microsoft Copilot の適用性スコア（生データおよび再重み付け済み）。
• コントロール： 人口統計、州、年、および 6 桁 SOC の固定効果。

診断テスト

1. プラットフォーム間分散： 異なるプラットフォーム入力を用いて同一の DiD 推定式を推定し、係数の不安定性を観察する。
2. ベンダー内チャネル代替： 同じベンダー（Anthropic）の消費者チャネルとエンタープライズチャネルを比較し、モデルと評価基準を一定に保ったまま、ユーザーベースの構成効果を分離する。
3. イベントスタディ： 処置前のトレンドを検証し、測定バイアスと真の処置効果の異質性を区別する。
4. クロスドメイン成果： プラットフォームのランキングと労働以外の成果（例：健康、教育）との相関を分析し、プラットフォームの可視性が社会経済的地位と相関することを示す。

3. 主要な結果

係数の不安定性

実証デザインを固定したままプラットフォーム入力のみを変更すると、推定される雇用効果に大幅な変動が生じる。

• 大きさ： 2022 年以降の雇用係数は、10 のバリエーション間で1.9 倍変動する。
• 符号の反転： 同じベンダー（Anthropic）内でも、消費者チャネルからエンタープライズチャネルに切り替えると、すべての観測されたリリースにおいて雇用係数の符号が反転する。消費者チャネルは負で有意な係数をもたらすのに対し、エンタープライズチャネルは正で有意でない係数をもたらす。
• 時間的不安定性： 同じチャネル（Claude.ai 消費者）内であっても、製品ローンチ（例：Claude Code）によるユーザーベースの構成変化に伴い、係数の大きさはウェーブ間で大幅に変化する（例：-0.12 から -0.22 パーセントポイントへ）。

再重み付けの効果

労働力の再重み付けは、推定された効果を大幅に減衰させ、ベースライン推定値が主にプラットフォーム選択によって駆動されていることを確認する。

• Anthropic 合成指標： 再重み付けにより雇用係数が**93%**減衰し、統計的にゼロと区別できなくなる。
• Microsoft Copilot： Copilot のユーザーベースが労働力の人口統計に近いため、再重み付けにより係数は**42%**減衰するが、依然として有意である。
• クロス職業回帰： 曝露を BLS 雇用予測と関連付ける Massenkoff および McCrory（2026）の仕様において、再重み付けは推定された負の関連を -0.70 から -0.38 パーセントポイントに減少させる。これは、プラットフォーム構成を労働力構成に置き換えることで、公表された大きさの**45%**が消失することを意味する。

部分識別区間

ベースライン推定値と再重み付けされた推定値を端点として用い、著者らは構造的雇用弾力性に対する部分識別区間を構築する。Massenkoff および McCrory の合成指標の場合、この区間は、曝露が 1 標準偏差増加することが、10 年間の雇用成長の減少として0.38 から 0.70 パーセントポイントの予測と関連することを示唆する。この区間の幅（0.32 パーセントポイント）は、観測可能な職業間プラットフォーム選択の寄与を表す。

分布的発生

プラットフォームの可視性は、社会経済的優位性と強く相関する。

• プラットフォーム上で過剰に代表される職業（例：コンピュータおよび数学関連）は、賃金と教育水準が高い。
• 過小に代表される職業（例：食品調理、運輸）は、賃金が低く、障害の割合が高い。
• 政策シミュレーション： プラットフォーム曝露に基づいて配分される仮定の 100 億ドルの再訓練基金は、労働力重み付け配分では曝露とみなされない高賃金・高教育の職業に資金の**39%**を向けることになる。

4. 貢献と意義

本論文は、文献に対して 4 つの主要な貢献を行う。

1. 特定の測定誤差の特定： プラットフォーム由来の AI 曝露に内在する非古典的測定誤差を定式化し、その誤差が、指標が捉えようとする職業レベルのタスク構造自体に対して選択されていることを示す。
2. 実証的診断： プラットフォームのソース、製品チャネル、リリースウェーブが、回帰デザインを固定した場合でも、下流の係数を根本的に変化させるという証拠を提供する。
3. 修正手続き： この不安定性を推定可能なコンポーネントに変換する労働力再重み付け手続きと部分識別区間を導入し、研究者が構造的弾力性を境界付けることを可能にする。
4. 分布的分析： プラットフォーム選択が賃金、教育、職業的優位性と相関することを示し、ログに基づく曝露ランキングは、プラットフォームデータでリスクが視認されにくい経済的脆弱な集団を体系的に過小評価する可能性を指摘する。

意義に関する主張

著者らは、プラットフォームログが無意味であると主張するものではない。むしろ、プラットフォームデータはアクティブなユーザー間のタスク強度については非常に有益であるが、非ユーザー、プラットフォーム上で弱く代表される労働者、および観測された職業 - プラットフォームのペアから置き換えられたタスクについては、それほど有益ではないと論じる。

本論文は、利用ベースの指標が、労働力全体における代替よりも、観測されたユーザー間における増強をより直接的に回復することを結論づける。政策応用（例：再訓練、キャリアアドバイス）において、重要なのは現在のプラットフォームユーザーにおける曝露ではなく、リスクにさらされている労働力全体における曝露である。著者らは、プラットフォーム由来の曝露を用いた応用研究は以下の点を実践すべきであると提唱する。

• 労働力再重み付けされた対応物を報告する。
• プラットフォームのソースに対する感度を検証する。
• タスク能力、労働者の採用、および採用条件付きの利用を区別する。

これらの区別がなければ、測定された曝露の変動は、潜在的な AI 適用性の変動ではなく、職業間のプラットフォーム採用パターンを反映する可能性がある。