技術要約：業務タスクに費やされる時間の推定

問題提起

経済学におけるタスクベースのフレームワークは、職業をタスクの集合としてモデル化しており、技術（特にAI）が労働にどのような影響を与えるかを分析するための標準的なレンズとなっている。先行研究では、タスクレベルの効果を集計して職業レベルの結果（例：自動化への露出、賃金変化）を導き出しているが、これらのタスクをどのように重み付けするかについては、確立された合意が存在しない。既存のアプローチは、ONETの「重要度」スコアや「中核／補完的」な分類といった、個別的あるいは根拠の乏しいヒューリスティックに依存している。タスクを労働者がそのタスクに費やす時間によって重み付けすることは理論的に妥当な代替案であるが、経験的な根拠に基づくタイムシェア（時間シェア）の推定値はこれまで入手不可能であった。このギャップを埋めるための最近の試みは、本来の目的ではない粗いONETデータや、透明性に欠ける仮定を持ち、グラウンドトゥルース（正解）に対する検証も不十分な、ブラックボックス型の言語モデル（LM）による総時間シェアの抽出に依存してきた。

メソドロジー

著者らは、米国の876の職業における約18,000のタスクに費やされる作業時間のシェアを推定するための、原理的な手法を提案している。この手法は、あるタスクに費やされる総時間を以下の2つのコンポーネントに分解する：

1. 期待タスク頻度： ONETの現職者調査データおよび米国労働統計（Current Population Survey）から導出される。ONETの頻度ビンは、日次のタスク発生回数に変換され、職業レベルの労働時間によって正規化される。
2. 単一インスタンスあたりの時間： LMから直接時間を抽出するのではなく、制約充足問題（線形計画法）を解くことによって推定される。

制約充足アプローチ：
LMに絶対的な所要時間の推定を求めるのではなく（著者らは、絶対時間の推定は1日の総労働予算と矛盾することを発見した）、LMにペア比較を行わせ、2つのタスクのうちどちらの単一インスタンスの完了により長い時間がかかるかを判断させる。

• ランキング生成： LMは、好みの順序（タスクA > タスクB、タスクB > タスクA、または「判別不能／同等」）を出力する。信頼性の低いペアは破棄される。各職業における単一インスタンスの所要時間による全順序（ランキング）は、社会選択理論のコープランド法を用いて生成される。
• 線形計画法 (LP)： 著者らは、以下の条件を満たすように、単一インスタンスあたりの時間重み $w(t, o)$ を求めるためのLPを定式化する：
  • 日次予算制約： すべてのタスクにおける（頻度 $\times$ 単一インスタンスあたりの時間）の合計は、非タスク活動（休憩など）を考慮して7時間の労働日（workday）に等しい。
  • 順序制約： 高い順位にあるタスクの単一インスタンスあたりの時間は、低い順位のタスクよりもマージン $\epsilon$ だけ大きくなければならない。
  • 目的関数： 職業内の最も長いタスクと最も短いタスクの差を最大化するように設定し、明確な解空間を確保する。ただし、著者らは特定の目的関数が最終的な実行可能領域に与える影響は最小限であると述べている。

主な貢献

1. タイムシェアの原理的な推定： 本論文は、ほぼすべてのO*NETタスクに関するタイムシェア・ウェイトの包括的なデータセットを初めて提供する。これは、明示的な仮定（頻度データ ＋ LMによる順序ランキング）に基づいた手法であり、ヒューリスティックを超えたものである。
2. ハイブリッドLM-人間による検証： 著者らは以下の方法で手法を検証している：
   • LPの解空間を分析し、制約がウェイトを厳密に決定していることを確認する。
   • 5つの職業（人事マネージャー、弁護士、秘書、ソフトウェア開発者、カスタマーサービス担当者）の労働者が、単一インスタンスの所要時間によるタスクのランキングを行う人間による研究を実施。LPから導かれたランキングは、集計された人間のランキングと有意な正の相関（ケンドールの $\tau$ 0.50–0.66）を示した。
   • ドメイン知識に対するタスク頻度のスポットチェックを実施。
3. AI露出の再評価： 著者らは、これらのタイムシェアを用いて、米国の職業のLLM（大規模言語モデル）への露出度を再計算し、広く引用されているEloundou et al. [2024] の「中核／補完的」な重み付けスキームと比較を行った。

結果

• 先行指標との乖離： タイムウェイトによる露出推定は、タスク数ベースの推定とは大きく異なる。先行手法は、多くの短い事務的タスクを持つ職業において露出を過大評価することが多いが、タイムウェイトは実際の作業時間を考慮することで、この問題を修正する。
• 露出格差の拡大： 時間シェアを考慮すると、最も露出が高い職業と最も低い職業の間の格差が拡大する。多くの職業（露出されたタスクが短時間である場合が多い）では露出が減少するが、最も露出が高い職業（分析や執筆などの、露出されたタスクが多大な時間を占める職業）では露出が増加する。
• 「最も露出が高い」職業の再編： タイムシェアによる再重み付けを行うと、以前にAIへの露出が最も高いと特定された上位25の職業のうち11の職業がリストから脱落する。これらは主に事務職やカスタマーサービス職（例：簿記係、テレマーケター）である。これらは、少数の高度に露出されたタスク（例：データ分析、ドラフト作成）が総労働時間の大部分を占める分析的役割（例：保険数理士、経済学者、統計学者）に取って代わられる。
• ケーススタディ：
  • マッサージセラピスト： タスク数では44%が「露出」されているが、これらのタスクは労働時間の16%しか占めていない。
  • 森林・環境保護従事者： 29%のタスクが露出されているが、労働時間のわずか約4%に過ぎない。
  • 保険数理士： 37%のタスクが露出されており、これらのタスクは総労働時間の89%を占めている。

意義と主張

本論文は、タイムシェアが労働経済およびテクノロジーの経済に関する研究と政策のための「一般的プリミティブ（基本要素）」として機能すると主張している。著者らは以下のように述べている：

• 政策への関連性： AIが仕事に与える影響に関するメディアや政府の報告書の多くは、タスク数に依存しており、タイムシェアには依存していない。これは、事務作業を過大評価し、分析的役割を過小評価するという歪んだナラティブ（物語）につながる。
• 方法論的厳密性： 頻度と所要時間を分離し、制約付き最適化フレームワーク内でLMを順序ランキングにのみ使用することで、直接的な時間推定に伴う「ブラックボックス」性を回避しつつ、スケーラビリティを維持している。
• 歪みの修正： 賃金や経済的価値はしばしば時間単位で定義されるため、タイムウェイトによるアプローチは、AIが労働をどのように代替または拡張するかをより正確に特徴づけるものであると、著者らは断言している。

著者らは、タイムシェアのウェイトは職業内で変動する可能性があること、および実行可能な解の集合は集中しているものの単一の点ではないことを認め、限界についても謙虚な姿勢を保っている。彼らは、新しい頻度データや更新されたLMランキングを用いて線形計画法を再実行することにより、これらの推定値を更新できることを示唆している。