人工知能と労働市場：AIによる雇用ショックは依然軽微だが、職種レベルの圧力は無視しがたくなっている

概要

モルガン・スタンレーは、2026年上期までに更新されたデータを用いて、AIが米国労働市場に与える影響を評価している。結論として、全体的なショックは依然として比較的小さく、「マクロよりミクロで強い」パターンを示している。職種・労働者レベルの証拠は引き続き強まる一方、集計された業種雇用・求人データは依然としてまちまちである。AIエクスポージャーの高い職種の失業率は上昇を続ける一方、他のエクスポージャー群は概ね安定している。この変化は、職種ごとの景気循環感応度をコントロールした後でより顕著となる。

主要見解

第一に、AIエクスポージャーの高い職種の景気循環調整後失業率は、歴史的関係から示唆される水準を現在約0.5パーセントポイント上回り、統計的有意性は90%信頼水準まで上昇している。第二に、失業の悪化は2025年以降、再就職率の低下とレイオフの増加の双方によるものであり、AIエクスポージャー群間の労働力参加率の変化には明確な差はみられない。第三に、22～27歳の労働者が調整の最前線にあり、特に高エクスポージャー職種で失業率の乖離が明瞭である。第四に、AIは業務タスクの再編を加速させているが、タスクの変化を報告する高エクスポージャー労働者の割合は2026年上期に低下しており、短期的なノイズまたはAI導入の減速を反映している可能性がある。第五に、業種レベルの雇用データと求人件数は、広範な代替シナリオを支持するにはまだ不十分であり、最近では中程度のエクスポージャーを持つ業種が低・高エクスポージャー業種を上回るパフォーマンスを示している。

分析フレームワーク

本レポートはAIによる労働混乱の追跡フレームワークを構築し、CPS家計調査のミクロデータ、労働者フロー統計、タスク再配分指標、業種別雇用者数、求人件数、企業決算説明会テキストを統合している。職種・業種をAIエクスポージャー別にグループ化し、回帰分析により各グループの歴史的な景気循環感応度をコントロールする。主にFeltenらが2021年に提案したAIエクスポージャー指標を用い、モルガン・スタンレーのテーマ別リサーチチームによる代替指標でも頑健性検証を実施している。

手法メモ

• 統合モニタリング・フレームワークAI労働混乱トラッカー

  複数の種類の労働市場指標を用いて、AI関連の雇用変化を横断的に特定する

  このフレームワークは、失業率、労働者フロー、タスク変化、業種雇用、求人件数、企業テキストを対象とし、ミクロとマクロのシグナルを比較する。

• エクスポージャー測定Felten et al. (2021) AIエクスポージャー指標

  AI能力から受ける影響度に基づき、職種を低・中・高エクスポージャー群に分類する

  この指標はレポートの主な結果に用いられ、頑健性検証のためにモルガン・スタンレーのテーマ別リサーチチームによる代替エクスポージャー指標で補完されている。

• 計量経済分析景気循環調整後残差分析

  各エクスポージャー群と全体労働市場との歴史的な景気循環関係をコントロールする

  本研究では、各エクスポージャー群の失業率を全体失業率に回帰し、実際の失業率が通常の景気循環関係からどの程度乖離しているかを測定するため残差を分析する。

• 時系列処理12カ月移動平均

  季節調整されていないCPSデータの季節性および高頻度ノイズを平滑化する

  関連するCPSデータは季節調整されていないため、本レポートでは12カ月移動平均を用いて異なるAIエクスポージャー群の持続的変化を観察している。

資産マッピングと比較

投資テーゼから固有資産への構造化マッピング（強み、弱み、同業、リスク）。

• 米国労働市場

  AIによる混乱を観察する中核的なマクロ対象

  強み

  全体的な雇用への影響は依然小さく、業種雇用は広範な減少を示しておらず、労働力参加率にもエクスポージャー群間で体系的な乖離はみられない。

  弱み

  AIエクスポージャーの高い職種の失業率は上昇を続け、再就職は難しくなり、レイオフ率は2025年以前の水準に比べ高止まりしている。

  比較

  職種・労働者レベルの混乱シグナルは、業種別雇用者数や求人件数に反映されたマクロシグナルより明らかに強い。

  リスク

  職種レベルの弱さが拡大し続ければ、全体失業率を押し上げ、長期失業のリスクを高める可能性がある。

• 人工知能テーマ

  生産性向上と雇用代替が共存する構造的テーマ

  強み

  企業の議論は依然として主に生産性とプロセス効率の改善に焦点を当てており、業務タスクの再編はAIが徐々に生産プロセスに入り込んでいることを示している。

  弱み

  雇用代替の社会的コストが高エクスポージャー職種および若年層で現れ始めており、規制・政策面の注目を高める可能性がある。

  比較

  タスク変化の証拠は比較的強いが、業種全体の雇用・求人データはまだ大規模な代替を裏付けていない。

  リスク

  AI導入による雇用削減が新規雇用創出を上回るペースで進めば、テーマのバリュエーションは社会的・規制上・需要面のリスクに直面する可能性がある。

主要データ

• 全体失業率への影響上限約15ベーシスポイント2026年6月時点の概算であり、2025年12月の約10ベーシスポイントを上回る。差の一部は依然としてAI以外の要因による可能性がある。
• AIエクスポージャーの高い職種における異常な失業増加約0.5パーセントポイント全体労働市場の状況および歴史的な景気循環関係から予測される通常水準との比較。
• AIエクスポージャーの高い職種の雇用シェア約30%職種群内の異常失業を全体失業率への影響に換算するために使用。
• 統計的有意性90%信頼水準2026年上期時点で、高エクスポージャー職種の失業残差は2標準誤差の範囲を超えた。それ以前は68%信頼水準でのみ有意だった。
• 主要な影響年齢層22～27歳AIエクスポージャーの高い職種における若年労働者の失業率乖離は、全労働力と比べて著しく大きい。
• データ観測期間2026年上期まで本レポートは2026年8月3日に公表された。

影響と示唆

現在の証拠は、AIが米国労働市場で広範な失業ショックを引き起こしたという見方をまだ支持していない。しかし、構造調整はまず高エクスポージャー職種、労働市場への新規参入者、特定の業務タスクで現れる可能性を示唆している。職種レベルの乖離が拡大を続け、徐々に業種雇用へ波及すれば、全体失業率と賃金上昇率にはより目に見える圧力がかかる可能性がある。逆に、企業が主にプロセス最適化と生産性向上に注力し続ける場合、大規模な雇用代替に先立って、AIによる生産効率へのプラス効果が現れる可能性がある。現在の投資・政策判断は、集計業種データだけに依拠せず、より粒度の高い職種レベルおよび労働者フロー指標も追跡すべきである。

リスク

• 欠落変数の問題がある。金融政策、関税、移民政策、パンデミック後の採用正常化はいずれも職種間の乖離を生じさせ得る。
• レポートの15ベーシスポイントという推計は上限影響であり、因果的に特定された純粋なAI効果ではない。
• 業種レベルのデータにはノイズが多い。中エクスポージャー業種は比較的強いパフォーマンスを示しており、AIエクスポージャーと雇用悪化の単調な関係を支持していない。
• 高エクスポージャー職種における非大卒若年層のサンプルは比較的小さく、関連推計のシグナル対ノイズ比は低い。
• タスク変化指標は、労働者に対するAIの補完効果と代替効果を区別できない。
• 求人件数の減少はChatGPTの公開より前から始まっており、生成AIに単純に帰属させることはできない。

注目点

• AIエクスポージャーの高い職種における景気循環調整後失業残差が拡大を続け、統計的有意性を維持するか。
• 高エクスポージャー職種の失業者における再就職率、失業期間、レイオフ率の変化。
• 異なる教育水準グループにまたがる22～27歳の労働者の失業率乖離。
• AIエクスポージャーの高い業種の雇用増加が、歴史的トレンドに対してさらに弱まるか。
• 求人件数がパンデミック後の正常化から、AIエクスポージャー度に関連する体系的な減少へ移行するか。
• 生産性向上、雇用代替、雇用創出に関する企業決算説明会での発言の変化。
• 高エクスポージャー職種におけるタスク変化のペースが再加速するか、または減速を続けるか。