新興国・途上国のいまを知る

IDEスクエア

コラム

途上国研究の最先端

第99回 生成AI ―― 労働生産性への効果

Generative AI impacts on labor productivity: Interpret with care

PDF版ダウンロードページ:https://hdl.handle.net/2344/0002001507

2025年9月

(2,155字)

今回紹介する研究

Erik Brynjolfsson, Danielle Li, and Lindsey Raymond. 2025. “Generative AI at work.” Quarterly Journal of Economics, 140(2): 889-942.

皆が知りたい答え

生成AIが労働生産性に与える効果は? 誰もが答えを知りたいでしょう。労働生産性は高まります。それはそうでしょう。でも、そこで終わってはいけません。どのような人たちの生産性が最も上がったのか、それはなぜなのか。何が起きているのかを理解しながら結果を知ることが大事です。

今回紹介する研究は、中小企業向け財務ソフトウェアを売る企業のチャット・エージェント(チャット・ボックスへ書き込んだ質問に答えを返してくれる人たち)に対し、AIチャット・ボットが回答例のアドバイスを示すことの効果を計測しました。

AIの使用方法

チャット・ボックスの質問と回答は、企業がリアルタイムで把握できます。この情報を参照し、AIはチャット・エージェントに対してポップアップ・ウィンドウで回答例や資料参照先をリアルタイムで表示します。エージェントはそのままコピー・ペーストもできますし、要約して回答を書いたり、参照先資料を読んで回答したり、もしくは、AIを完全に無視して回答することもできます。

AIはこの企業に保存されていた過去のチャットQ&Aを使って学習しています。効率的で効果的な回答ができるように、学習では成績優良なエージェントのデータをより重視する工夫がしてあります。このため、成績優良なエージェントがくれるようなアドバイスをAIが表示している、と理解できるでしょう。

データと推計方法

この研究で用いるデータは、2020年から2021年に記録された5000名以上のエージェントによる300万回を超えるチャットQ&Aです。記録されたテキストからは、回答時間や時間あたり回答数などの量的結果に加え、解決率や顧客感情などの質的結果が計算できます。

AIは実験ではなく通常業務で導入されたため、推計に使うのは観察データです。導入はチーム毎にばらばらの時期であったため、その差異を利用しています。著者たちは通常のDID推計ではなく、頑健なDID推計を用いており、得られた結果は比較的信頼できると考えられます。

結果

AIチャット・ボットは、導入前に比べて1時間あたりの解決数を約24%増やしました。平均所要時間は8.5%短縮し、一問い合わせあたりの解決率は1.3%ポイント上昇しました。時間が短縮しながら解決率も増えているのは素晴らしい成果です。ただし、顧客満足度への効果は統計学的に0でした。特筆すべきは、導入前の成績が低かったエージェントほど、時間あたり解決数の効果は大きかったことです。下位1/4の1時間あたり解決数は0.53増えたのに対し、上位1/4はその半分の0.26増えただけでした。このため、労働生産性の格差が縮小しました。

労働生産性の格差縮小は意外ですが、AIが成績優良労働者のノウハウを学習したことを考えれば、納得のいく結果です。低生産性労働者だけでなく高生産性労働者も、自分の扱ったことの少ない質問についてはAIチャット・ボットが助けになったことでしょう。

解釈

では、AIを使えばどんな場合にも生産性格差が縮小するでしょうか。答えはNoです。本研究では、AIはチャット・ボックスQ&Aという範囲の狭い業務に適用されています。顧客の感情を害さずに速やかに解決に導くことが目標です。Chandler(1977)によれば、企業の現場では、労務管理、資本調達、新規事業開拓、広告戦略、競合対策、そしてこれらの間の優先順序決めが必要です。こうした広い課題と比べれば、今回の業務がいかに狭いかが分かります。対応のパターンが(多いものの)有限でテキスト・ベースの業務では、高生産性労働者のノウハウを学習したAIが生産性の格差を縮小させると考えてよいでしょう。また、今回のチャット・ボットはChatGPT-3をベースにしています。現在のAIは遙か先を進んでいるので、チャット・ボットのアドバイスも、高生産性労働者にもっと役立つ内容になっているかもしれません。製品ごとの差があることからも、この研究結果をそのまま一般化するのは危険です1

定型的ではないオープン・エンドの業務については、使う人の能力が高いほど効果が大きいとする研究(Dell'Acqua et al. 2023)、能力が低いと効果が負、つまり、状態が悪化することを示した研究(Otis et al. 2023)もあります。今回のように低技能労働者の頭脳として動くAIか、それとも、高技能労働者の手足として動くAIかによっても、企業の技能労働者需要への効果、ひいては、生産性格差への効果が異なるはずです(Ide and Talamas 2025)。さらに、使用する環境が未整備の途上国と制度が整備され高技能労働者の豊富な先進国では、同じ使い方でも効果が違うはずです。我が事という感覚のある先進国には自然と注目が集まりますが、途上国におけるAIの仕事への影響にも注目すると、途上国の未来だけでなく、AIと個人の関わり方の多様性を理解する手立てにもなるはずです。

※この記事の内容および意見は執筆者個人に属し、日本貿易振興機構あるいはアジア経済研究所の公式意見を示すものではありません。
参考文献
著者プロフィール

伊藤成朗(いとうせいろう) アジア経済研究所 開発研究センター、ミクロ経済分析グループ長。博士(経済学)。専門は開発経済学、応用ミクロ経済学、応用時系列分析。最近の著作に”The effect of sex work regulation on health and well-being of sex workers: Evidence from Senegal.”(Aurélia Lépine, Carole Treibichと共著、Health Economics, 2018, 27(11): 1627-1652)、主な著作に「南アフリカにおける最低賃金規制と農業生産」(『アジア経済』 2021年6月号)など。

書籍:The effect of sex work regulation on health and well-being of sex workers: Evidence from Senegal

書籍:南アフリカにおける最低賃金規制と農業生産

  1. ここでの議論は筆者の所属するアジア経済研究所の渡部雄太さんのコメントを参考にしています。
【特集目次】

途上国研究の最先端