Pricing Intelligence: Task-Based Learning and Labor Displacement in the AI Economy

AIの偉大なる学習曲線

経済を、何百万人もの人々が夕食の準備をしようと奮闘している、巨大で賑やかなキッチンだと想像してみてください。人参を切ったり、お湯を沸かしたりといった単純なタスクもあれば、新しいレシピに最適なスパイスの配合を決めたり、料理が焦げたことに激怒している顧客に対応したりといった、トリッキーなタスクもあります。長い間、こうしたトリッキーなことをこなせるシェフは人間だけでしたが、機械は主に、単純で反復的な「切る」作業を得意としてきました。しかし今、人工知能（AI）がキッチンに参入しています。AIは単純なタスクにおいては驚異的なスピードを実現していますが、判断力を要する複雑なタスクを扱う方法については、まだ学習の過程にあります。

経済学者が問いかけている大きな疑問は、単に「AIはその仕事をこなせるか？」ということではなく、「どのくらいの速さで上達するか？」ということです。これは、**学習による習熟（learning-by-doing）**と呼ばれる概念にかかっています。人間のシェフが玉ねぎを切れば切るほど玉ねぎの切り方に習熟していくのと同様に、AIも特定の種類のタスクを実行すればするほど、そのタスクに習熟していきます。もしAIが単純なタスクしか行わないのであれば、複雑なタスクを扱う術を学ぶことは決してありません。本論文は、ある魅力的な緊張関係を探求しています。それは、「一体誰がAIを購入するのか？」という問いです。もしAIが単純なタスクを必要とする人々にのみ販売されるなら、AIは単純なタスクには速くなりますが、複雑なタスクに対しては不器用なままです。しかし、もし複雑なニーズを持つ人々に販売されるならば、AIの学習は速まりますが、それらの顧客は支払いに応じるよう説得するのが難しくなるかもしれません。本論文は、AI企業の価格設定と企業間の競争が、AIが人間の仕事を代替するスピードをどのように変化させるのかを問い直します。

---

AIの価格設定と学習の罠

この研究において、著者であるカール＝クリスティアン・グロー（Carl-Christian Groh）は、AI企業（今日私たちが知るような巨人たち）がどのように自社のテクノロジーを利用する対象を決めるのかを検証するために、数学的モデルを構築しています。物語の中心となるのは、2種類の労働者です。一方は、簡単なタスク（標準的なメールを書くなど）の助けを主に必要とする人々、もう一方は、複雑なタスク（新しい特殊なケースのための法的議論を起草するなど）の助けを必要とする人々です。

ここにひねりがあります。現在の「ローテク」なAIの状態では、AIは簡単なタスクにおいてはスーパースターですが、複雑なタスクにおいてはまだ少し不器用です。そのため、主に複雑なタスクを扱う労働者は、AIに対して高い対価を支払いたがりません。彼らは自分で難しい思考を行うことを好むからです。一方で、主に簡単なタスクを扱う労働者は、AIがすでに自分たちの必要とする分野で優れているため、喜んで支払おうとします。

これがAI企業にとって厄介な状況を生み出します。もし会社が「今すぐ」最大限の利益を得たいのであれば、簡単なタスクを必要とする人々にのみ販売すべきです。しかし、もしそうしてしまうと、AIは複雑なタスクをこなすために必要なデータを決して得ることができません。これは、お湯の沸かし方だけを学びたい学生だけを受け入れる料理学校のようなものです。学校は利益を上げますが、学生たちはグルメな料理を作る術を学ぶことができないのです。

本論文は、この緊張関係が経済に2つの非常に異なる未来をもたらすことを明らかにしています。

1. 凸型の急上昇（ハッピーパス）： もしAIが複雑なタスクを通じて非常に素早く学習できる場合、企業はやがて、複雑なタスクを扱う労働者を惹きつけるために価格を下げる価値があると判断します。これらの労働者が加わるにつれて、AIは複雑なタスクをより速くこなせるようになり、それがさらに多くの労働者を惹きつけます。これは「凸型（コンベックス）」の曲線、つまり最初は緩やかだが、ある地点から突如として跳ね上がる動きを生み出し、AIが高度な領域をマスターすることで急速な雇用置換へとつながります。
2. 学習の罠（停滞パス）： もしAIが簡単なタスクからの方が学習しやすい場合、あるいは複雑なタスクを必要とする人が非常に少ない場合、企業は短期的な利益を最大化するために、複雑なタスクを扱う労働者を無視し続けるでしょう。その結果、AIはお湯の沸かし方には驚異的に詳しくなりますが、グルメな料理を作る術を学ぶことはありません。結果として、AIの導入は停滞し、人間は長い間、複雑な仕事を担い続けることになります。

競争の効果：ライバルの増加は学習を加速させるか？

次に、論文は「もしAI企業が一つではなく、顧客を奪い合う二つ以上の企業が存在したらどうなるか？」と問いかけます。

顧客を二つの会社に分散させれば、各社が得られる学習データが少なくなるため、事態は遅れるのではないかと考えるかもしれません。実際、そうなるケースもあります。もし競争が弱い場合（例えば、価格競争をあまり激しく行わない二社の場合）、両社とも高い価格を設定し続けます。すると複雑なタスクを扱う労働者が遠のき、学習は停滞します。

しかし、本論文は、競争が激しい場合、つまり企業が価格を引き下げるために激しく戦っている場合、物語が変わることを示しています。低価格化によって、複雑なタスクを扱う労働者にとっても購入が手頃なものになります。たとえ各社が得られる総データ量は少なくなったとしても、彼らが得るデータの「種類」が変わるのです。彼らは、より多くの「複雑なタスクのデータ」を獲得することになります。この「タスク構成効果（task-composition effect）」は、実際には独占企業が存在する場合よりもAIの学習を速める可能性があります。激しい価格競争によって、企業は、AIに難しいことを教えるために最も価値のあるユーザーたちにサービスを提供せざるを得なくなるのです。

特化のひねり

最後に、論文は二つの競合企業が異なる強みを持ってスタートした場合に何が起こるかを考察します。例えば、会社Aは自然と簡単なタスクに強く、会社Bは自然と複雑なタスクに強いと想像してください。

モデルによれば、これらの初期段階における小さな違いが、後に巨大な格差へと成長する可能性があります。複雑なタスクにおいてわずかに優位にある会社Bは、自然と複雑なタスクを扱う労働者を惹きつけるでしょう。その層にサービスを提供することで、会社Bは複雑なタスクにおいてさらに優れたものとなり、それがさらなる労働者を惹きつけます。これは**内生的な特化（endogenous specialization）**と呼ばれます。これは自己強化的なループであり、「難しいこと」において最初から小さな優位性を持っていた会社が、その市場全体を支配し、驚異的な速さで学習を進め、複雑な分野における人間の労働力の代替を加速させることになるのです。

結論

この論文は、単に「AIが仕事を奪う」と言っているわけではありません。むしろ、その「速度」と「方向」は、ビジネス上の意思決定に大きく依存していると示唆しています。

• 独占 vs 競争： 単一のAI企業は、もし強欲すぎて、簡単なタスクによる利益を優先して複雑なタスクを無視してしまうなら、「学習の罠」に陥る可能性があります。しかし、競争が激しければ、企業は複雑なタスクを扱うユーザーにサービスを提供することを余儀なくされ、それがAIの進化を加速させます。
• 学習の罠： もしAIが複雑なタスクからの学習が遅かったり、あるいは市場が簡単なタスクを求めるユーザーによって支配されていたりする場合、AIは高度な仕事をこなす術を習得できず、人間が最も困難な仕事を担当し続ける状態が長く続くかもしれません。

著者はシミュレーションを用いて、これらの経路を示しています。これらの結果は将来の保証ではありませんが、重要なトレードオフを浮き彫りにしています。すなわち、「今日の利益を追求する動きが、明日、最も困難な問題に対してAIを有用にするための学習を、時に遅らせてしまう可能性がある」ということです。私たちが急速な凸型の急上昇を迎えるのか、それとも停滞した学習の罠に陥るのかは、市場がどのように構造化され、AIが直面する困難なタスクからどれほど上手く学習できるかにかかっています。