メインコンテンツへスキップ
       

AIで生産性・成長率はどこまで上がるか―内閣府とOECDの試算の条件(AI作成)

第1 生産性と成長率を区別する

AIによって生産性が何%上がるという数値は,実測値とは限らない。
労働生産性,TFP,潜在成長率のどれを,どの期間・普及速度・国の構成で推計したかによって意味が変わる。

経営計画や投資稟議で使う場合は,推計値を自社の売上や人件費の削減率へ直接置き換えるのではなく,仮定と計測対象を分けて読む必要がある。

労働生産性は労働投入当たりの産出を測る一方,TFPは資本・労働の投入で説明されない効率等を扱う。
潜在成長率には,TFPに加え,資本投入や労働投入についての仮定も影響する。

指標注意すること
労働生産性資本装備の変化を含み得る。TFPと同じ増加率とは限らない
TFPAI以外の投資,人材,研究開発等も関係する
潜在成長率資本・労働の寄与を含む経済全体の試算である
年率の追加成長10年間の累計の水準上昇と同じ数値ではない

第2 OECDの日本の「0.16・0.51・0.82」は何か

OECDの2025年6月の報告書No.41は,G7について,2024年から2034年の10年間にAIが労働生産性の年平均成長率へ追加する幅を試算している。
日本は,普及が遅い基本のケースで0.16ポイント,対象タスクを広げた中程度普及で0.51ポイント,同じく急速普及で0.82ポイントである。
対象拡大は,現在の大規模言語モデルの上に補完的なソフトウェアを開発することなどにより,AIが扱えるタスクの範囲が広がるという想定である。
これらの数値はGDP成長率,TFP成長率,10年累計,又は各シナリオが実現する確率ではない。OECD No.41

国遅い普及・基本中程度普及・対象拡大急速普及・対象拡大
米国0.410.991.28
英国0.390.971.27
ドイツ0.340.861.16
カナダ0.350.861.13
フランス0.260.721.05
イタリア0.190.570.89
日本0.160.510.82

単位はいずれも労働生産性の年平均追加成長率のパーセントポイントである。
普及速度だけでなく対象タスクも異なる列があるため,表の差を普及速度一つの効果として読むべきではない。

日本は各産業内の職業構成データが不足するため,それぞれの産業について他のG7の平均の職業構成を代用している。
日本の経済全体の産業構成まで他国平均に置き換えたという意味ではない。
日本の1.9%は,2024年について,企業の中核業務での高強度のAI利用をモデルで推計した値である。
日本の参考の観測元は2019~2021年の情報で,1.9%自体は回帰モデルによる予測を用いる。
最近の日本企業に直接質問した単純な利用率や,ClaudeのAUI1.91とは別物である。

第3 部門構成,資本,ロボティクス等の仮定を確認する

OECDは,タスク実験等を参照して微視的なTFP効果を基本30%と置き,各部門のAIが影響するタスクの範囲と,今後10年の企業の採用率の増分を組み合わせて集計する。
全労働者又は全産業で30%の効果を直接測った値ではなく,効果が期待される一部の作業で得た知見を,他の仕事・企業へ外挿する仮定がある。

原典の脚注9は,同じ実験結果を資本・労働の効率の向上と解釈する場合と,労働費用だけの節減と解釈する場合も区別する。
後者では労働分配率の約60%を掛けてTFPへ換算するという説明であり,タスクの時短率をそのまま経済全体のTFP上昇率にすることはできない。

OECDの集計は,現在の産業部門の付加価値構成を用いた一次近似である。
AIによって産業構造や相対価格,資本,仕事の組合せが大きく変わる場合,固定された重みだけで影響を捉え切れない。
導入初期には組織変更や学習の費用もかかり,長期の推計効果が直ちに現れるわけではない。

また,この試算はロボティクスによる仕事の自動化まで一括して含むものではない。
建設・介護等で人手不足が大きいという事情から,表の数値をそのままフィジカルAI導入の効果に使ってはならない。

TFPから労働生産性へ1.5倍する換算も,資本の反応等を仮定したモデルに基づく。
資本の分配率を3分の1と置く等の仮定に依存し,どの国・時期・企業にも必ず成立する会計上の等式ではない。

第4 内閣府の「AIで約0.2ポイント」の比較対象

内閣府の2026年7月30日の中長期試算のBOXは,OECDの日本の中程度普及0.51ポイントと急速普及0.82ポイントを参照する。
それぞれを1.5で割るとTFP換算は約0.34ポイントと約0.55ポイントとなり,差は約0.2ポイントになる。
これは普及を加速させる場合の差であり,「AIが全くない場合と導入する場合との差」ではない。内閣府の試算

同じBOXは,AI,設備投資,対内直接投資,人材投資,研究開発,資源配分の改善という複数の経路を検討し,重なりも考慮している。
個々の経路の数値を,独立した効果として単純に全部足すことはできない。

第5 2040年の成長率をAIだけの効果にしない

内閣府の成長戦略実現ケース①,成長戦略実現ケース②,現状投影ケースでは,2040年の実質の潜在成長率がそれぞれ1.8%,1.4%,0.3%と試算される。
TFP成長率の到達水準も1.4%,1.1%,0.6%と異なるが,資本・労働等の仮定も同時に異なる。
ケース間の差全部をAIの寄与と説明することはできない。

ケース①はTFP成長率が2031年度の1.1%から2036年度の1.4%へさらに改善する経路,ケース②は1.1%まで改善した後にその水準が続く経路であり,政策の進展と時間の仮定も違う。
将来の経済成長がその値で確定したことや,AIの導入だけでその値へ到達することを示すものではない。

第6 2024年のOECDとAcemogluの数値を比較する場合

OECDの2024年のNo.29が示す主な米国の推計は,10年間の効果を年率換算したTFP成長率への寄与約0.25~0.6パーセントポイント,労働生産性成長率への寄与約0.4~0.9パーセントポイントである。
論文にはG7への拡張もあるが,この米国の主なレンジをG7各国に共通の値として引用してはいけない。
2025年のNo.41の国別試算へ出典リンクだけを変更するのではなく,対象国・モデル・仮定も一緒に改める必要がある。

OECD No.29の原典は,2025年の国別試算と別の資料として参照されたい。

AcemogluのNBER Working Paper32487(2024年5月)では,米国のタスク構成に基づく10年累計のTFP増加について,基本仮定で約0.66%,学びにくいタスクの節減効果を小さく置いた仮定で約0.53%の上限が示される。
要約は後者を0.53%未満と表現している。
0.66%と0.53%は同じ版の条件差であり,年率0.53%という意味ではない。NBER Working Paper32487

後者には,学びやすいタスクの労働費節減を27%,学びにくいタスクを7%とするなどの仮定があり,将来の新しいタスクによる便益まで否定するものではない。
OECDの年率の値と並べて大小を論じるときは,まず累計と年率をそろえ,対象国・タスク・普及の仮定を確かめる必要がある。

第7 会社の投資判断では,独自の検証を行う

内閣府自身も,試算結果には種々の不確実性があり,相当な幅を持って理解する必要があるとしている。
特に2040年度までの後年ほど不確実性が大きいと説明しており,長期の一点の値を確定した予測として扱わないことが必要である。

同資料の感応度分析は,現状投影ケースに対し,2028年度以降のTFP上昇率が継続的に0.5ポイント低いという機械的な仮定を置く。
その場合,資本投入の減少も加わり,2040年度の潜在成長率は基準より約1.1ポイント低下,国・地方の公債等残高対GDP比は約12.0ポイント上昇,基礎的財政収支対GDP比は約1.4ポイント悪化すると試算する。
これは特定のAI政策が失敗した効果や,実際に起きた減少を測ったものではない。

マクロ試算は,普及が進む条件を検討する材料であって,自社の投資利益率の保証ではない。
自社では業務範囲,利用権限,人の確認・教育・修正を含む総時間,品質,総費用,停止・復旧の負担を同じ条件で比較したい。

大きな効果を仮定する場合ほど,普及が遅い場合や,確認費用が増えた場合も試算しておく必要がある。
費用面は生成AI利用料の予算管理,歴史との比較は生成AIと鉄道バブルも参照されたい。