AIへの投資が増え、GPUやクラウド、データセンター、AI SaaSの市場が広がる。その数字を見ていると、AIが経済全体を成長させているように思える。だが、AIを売る企業の成長と、AIを使う社会が豊かになることは、分けて確かめる必要がある。
顧客企業では品質や供給能力が上がったのか。医療や教育を受けられる人が増えたのか。新薬や新素材を生み出しやすくなったのか。AI関連の売上だけでは、そこまではわからない。
気になるのは、AIが作った情報をAIが処理し、その需要を見てさらにAIへの投資が増える循環だ。外部の顧客価値につながらないまま循環だけが膨らむなら、自分のしっぽを食べるウロボロスに似ている。AIによって、AIの外側で何が増えたのだろうか。
作業時間の削減から、何が生まれるか
2026年5月の公開時点で、目につくAI活用の多くは、既存業務を速く処理するものだった。問い合わせ対応、議事録、資料作成、コーディング、営業メール、社内文書の検索。いずれも、人間が行っていた作業の一部を短時間でこなせるようにする取り組みである。
企業の活動を考えるとき、業務や資本がどれだけ速く回るかと、一回の取引からどれだけ利益を得られるかは、別々に見る必要がある。AIで処理速度が上がっても、顧客の支払意思額が上がるとは限らない。競争によって価格が下がれば、その企業の利益率に改善が残らないこともある。
それでも、時間の削減には意味がある。人手不足の医療、行政、カスタマーサポートなどでは、同じ人数で多くの人に対応できることが利用者の便益になる。価格低下も、消費者にとっては利益だ。企業が優位性を保てるかという問いと、社会が便益を得るかという問いは一致しない。
だから、削減時間を数えたところで評価を終えたくない。その時間が新しい仕事に使われたのか、サービスの待ち時間が減ったのか、これまで提供できなかったものを提供できたのかまで知りたい。作業の高速化が、どのように社会の価値へ変わったかを確かめる必要がある。
AIの内部だけで需要が回るとき
AI経済のウロボロス化とは、AI関連の取引が増えても、その先の価値を確認できない状態を指している。
たとえば、企業がAI導入を進め、文章、資料、広告、コードを大量に生成する。それを読む時間が足りなくなり、別のAIで要約、分類、検索、評価を行う。利用量が増えればクラウド支出も増え、GPUやデータセンターへの投資が正当化される。AI市場の数字は伸びる。
この循環が、製品の改善や顧客の負担軽減につながるなら問題はない。懸念しているのは、生成と処理が増えたこと自体を成果としてしまう場合だ。
広告や営業メール、SEO記事、SNS投稿は、生成を速くしても、受け手の注意力まで増やせるわけではない。内容の乏しい情報が増えれば、選別する負担が増す。その負担を減らすために、受け手もAIフィルターを使うようになる。こうなると、AIが生んだ情報過多をAIで処理することが、新たな需要になってしまう。
AIツールへの支出は、ベンダーにとっては売上であり、顧客にとってはコストである。高額なツールで資料作成を短縮できても、意思決定も製品も改善せず、浮いた時間も活用されないなら、売上の伸びだけから社会全体の厚生が増えたとは言えない。AIを使ったという事実と、使う価値があったという判断の間には、まだ距離がある。
AIの外側で確かめたい変化
AIが他産業の生産性を変えたかどうかは、それぞれの現場の結果で見るしかない。
医療なら、診断精度や待ち時間に加え、医師の少ない地域でも医療を受けられるか。教育なら、個別指導にかかる費用を下げ、学習者の理解度に応じた支援を広げられるか。製造なら、設計品質や歩留まり、保全精度を改善し、同じ資源でより良い製品を作れるかが問われる。
物流や小売では、欠品、廃棄、過剰在庫、配送の無駄が減ることが成果になる。金融なら与信や不正検知の精度、中小企業や個人なら従来は大企業にしかできなかった活動への参加も、見るべき変化だ。
こうした成果には、人間の作業を安く代替するだけでは届かないものがある。大量のデータや膨大な組み合わせを扱い、従来は高コスト、低精度、低い成功確率のために実行できなかった活動を可能にする。私はそこに、AIが新しい成長を生む可能性を見ている。
研究開発の速度と、その先の制約
とりわけ期待したいのは、研究開発の加速だ。新薬候補の探索や新素材の発見、半導体や機械部品の設計、エネルギー効率の高いプロセスの探索では、人間だけでは試しきれなかった候補を検討できるかもしれない。ロボット制御やソフトウェア開発でも、AI以外の製品やサービスを作る能力が広がる余地がある。
これらはAIそのものを売る活動ではない。AIを使って、新しい財や技術を生み出す活動だ。資料作成の時間短縮に比べ、価値の内容そのものを変える可能性が大きいと考えている。
ただし、探索が速くなれば製品化も同じだけ速くなる、とは限らない。新薬には臨床試験、規制承認、製造、流通がある。新素材には量産技術、品質保証、供給網、顧客への導入が必要になる。製造技術を変えるなら、設備投資や現場の教育も避けて通れない。
知的な探索の先には、物理的・制度的な制約が残る。AIの短期的な効果を大きく見積もりすぎず、それでも長期に何が実現するかを見失わない評価が要る。
生産性Jカーブは何を説明するか
技術の導入から成果が出るまでの遅れは、一般目的技術について繰り返し議論されてきた。電力やコンピュータも、装置を導入するだけで生産性が上がったわけではない。工場設計、業務プロセス、組織、技能などを合わせて変える必要があった。
AIにも同じことが起きる可能性がある。既存業務の一部をAIで補助する段階から、AIが継続的に情報収集、分析、提案、実行支援を行い、人間が判断、責任、例外処理、倫理的評価を担う形へ移れば、成果は変わりうる。
その移行には、データ整備、業務設計、権限の見直し、品質管理、人材育成、セキュリティ、法務などへの補完投資が伴う。導入直後はその負担が先に現れ、成果が遅れて現れるというのが、生産性Jカーブの考え方だ。
この見方なら、公開時点でAIのマクロな効果が限定的に見えることを説明できるかもしれない。しかし「今はJカーブの前半だから、いずれ必ず大きな成長が来る」とは言えない。補完投資が成果につながるかどうかは、なお確かめる必要がある。
生産性の利益を誰が受け取るか
AIの効果を社会の豊かさにつなげるには、成果の分配も問わなければならない。品質向上、価格低下、アクセス拡大、新製品の創出が起きても、その利益が一部の企業や資本所有者に偏れば、社会全体が変化を歓迎できるとは限らない。消費者、労働者、中小企業、公共部門が何を得るかまで含めて考えたい。
もう一つは、増えた情報が判断に役立つかという条件だ。スパム、詐欺、操作的広告、低品質なコンテンツが増えれば、生成費用の低下が社会的な損失を広げることもある。知的作業を安くできることと、価値を増やせることは別である。
AI企業の売上が伸びた。その先で、診察を待つ時間が減ったのか。工場の廃棄が減ったのか。新しい薬や素材が生まれたのか。以前は使えなかったサービスを使える人が増えたのか。
AIによって、AIの外側で何が増えたのか。この問いに具体的に答えられるとき、AIへの投資を新しい経済成長として評価できるのだと思う。