住まいを選び直す自由 ー住宅流動性と人生設計の経済学ー

AIは仕事を奪うのではない。仕事の中の特定のタスクを代替するのである。
そして、技術は社会の中に正しくビルトインされて初めて、生産性として現れる。
ソローのパラドックスからAI 時代へ。問われているのは技術ではなく、社会の側の準備である。

1. 1987年の問いから2020年代の問いへ

1987年、ノーベル経済学賞受賞者のロバート・ソローは、ニューヨーク・タイムズ紙のレビュー欄に短いが歴史的な一文を残した。「コンピュータ時代は至るところに見られるが、生産性統計の中には見当たらない」。当時の米国は、企業がコンピュータと情報技術への投資を急速に拡大していた時期であった。にもかかわらず、米国を含む多くの先進国の労働生産性、すなわち全要素生産性（TFP）の伸び率は鈍化していた。技術が普及しているのに、統計に現れない。この現象は「ソローのパラドックス」と呼ばれ、技術と生産性の関係をめぐる議論の出発点となった。

 

それから40年近くが経った2020年代、私たちは同じ形をした問いに直面している。「AIは至るところに見られるが、生産性統計の中には見当たらない」。ChatGPTが登場し、画像生成AIが急速に普及し、自動運転技術が公道を走る時代になっても、マクロの生産性統計には、依然として目に見えるAIの痕跡は限定的である。これを「AI版ソローのパラドックス」と呼ぶ議論も登場している。

 

しかし、ソローのパラドックスから私たちが学ぶべきことは、警鐘としての側面ではない。むしろ、その後の歴史が教えるのは、時間が経てばパラドックスは解消されるという事実である。1990年代後半から2000年代にかけて、米国の生産性は急上昇した。コンピュータと情報技術が、ようやく企業の業務プロセス、組織体制、人的資本と「補完」関係を築き、社会の中にビルトインされたからである。この補完関係の構築には、20年以上の時間がかかった。

 

このことから、AIについても同じことが言える可能性が高い。AIが社会に正しくビルトインされれば、生産性は確実に上昇する。ただし、それには制度・人材・組織・既存設備の変革が必要であり、変革には時間がかかる。本連載全体の議論は、この時間軸の感覚を共有することから出発する。

 

本連載は住宅市場をめぐる議論であるが、その入口として本章ではあえて視野を広く取りたい。AIとは何か。AIは本当に仕事を奪うのか。技術進歩はどの程度のマグニチュードで生産性を高めるのか。これらの問いに、不動産経済学者としてではなく、技術と生産性の研究者として向き合う。ここで提示する枠組みは、第3回以降で住宅市場という具体的な舞台に適用されることになる。

2. AIとは何か、「予測コストの劇的低下」という定義

AI（人工知能）という言葉は、メディアにあふれている。しかし、AIとは具体的に何なのか、技術的な議論を経済学の言葉で整理した文献は意外に少ない。本連載では、トロント大学のアジェイ・アグラワル、ジョシュア・ガンス、アヴィ・ゴールドファーブの著書『Prediction Machines（予測マシンの世紀）』（2018）※および『Power and Prediction』（2022）※に基づき、AI を次のように定義する。

AI とは、予測のコストを劇的に低下させる技術である。

これは技術的な定義ではなく、経済学的な定義である。AIが画像認識をするのも、文章を生成するのも、自動運転をするのも、医療診断を支援するのも、すべての底にあるのは「ある条件の下で何が起こるか」を確率的に推論する行為である。この推論を、人間が行えば時間と専門知識が必要だった作業を、機械が安価かつ大量に行えるようにする、これがAIの本質である。

 

予測のコストが下がると、何が起こるか。経済学の基本原理によれば、ある財のコストが下がると、その財の利用が増え、その補完財の価値が上がり、代替財の価値が下がる。予測の補完財は何か。判断、データ、行動である。予測の代替財は何か。人間の予測労働である。

 

つまり、AI 時代に何が起こるかは、この単純な経済原理から導かれる。人間の予測労働は価値が下がる。判断する力、データを整える力、判断を実行に移す力は、価値が上がる。これが本連載のAI論の出発点である。

 

経理職員は計算を予測する仕事だった。AIが登場すると、計算予測のコストは下がる。代わりに、社員とのコミュニケーションを円滑に進め、不正を起こさない倫理性を持って組織を支える、こうした「判断」と「行動」が経理職員の価値の中心になる。教師は知識・技能を効率的に教える仕事だった。AIが登場すると、知識伝達の予測コストは下がる。代わりに、生徒一人ひとりの状態に応じて寄り添う力、クラス全体を運営する力が、教師の価値の中心になる。AI は人間を置き換えるのではない。人間が担うべきタスクの中身を変えるのである。

3. 47%が消える、という議論の何が間違っているか

2017年、オックスフォード大学のカール・ベネディクト・フレイとマイケル・オズボーンは、ある衝撃的な論文を発表した。米国の労働市場における702の職業について分析した結果、約47%の職業が自動化のリスクにさらされる、というものであった（Frey and Osborne, 2017）※。この数字は世界中のメディアで取り上げられ、「AI に仕事を奪われる」という社会的不安の象徴となった。

 

しかしその直後から、経済学者たちはこの推計に対する重要な反論を提出している。ドイツの労働経済学者であるメラニー・アーンツらは、Frey-Osborneの方法論を精査し、彼らが「職業が代替される」と「職業の中の特定タスクが代替される」を混同していることを指摘した（Arntz, Gregory and Zierahn, 2016）※。実際、ほとんどの職業は複数の異なるタスクから構成されており、その一部はAIに代替されうるが、一部は人間にしかできない。タスクごとに分解して評価すると、職業全体が消失するケースははるかに少なくなる。OECD加盟国全体で、自動化リスクが高い職業は約9%に下方修正された。

 

47%と9%の差は大きい。だが、もっと重要なのはその差の解釈である。Frey-Osborne流の議論は、「AI ができることは何か」を技術的な可能性として見積もる。Arntz流の議論は、「実際の職業の中でAIに代替されるタスクの割合はどの程度か」を見積もる。前者は技術中心の発想、後者はタスク中心の発想である。

 

筆者は後者を強く支持する。理由は単純で、社会の中で実装されるのは技術ではなくタスクの代替だからである。ある職業が「自動化されうる」と分析されても、実際にはその職業の中の一部のタスクだけが機械化され、他のタスクは人間が引き続き担う、というのが現実の進み方である。そして、機械が担うタスクと人間が担うタスクの分業の仕方が、個々の組織の生産性を決めることになる。

 

この視点は、本連載の根幹を成す。AIは職業を奪うのではなく、タスクを再編成する。そして、再編成の質が、社会全体の生産性を決める。

 

 

4. ソローのパラドックスが教える「ビルトインの構造」

ここでソローのパラドックスに戻ろう。1980年代に技術が普及していたのに生産性が伸びなかった理由を、現代の経済学はどう理解しているか。

 

主な理解は次の三つである。第一に、経済測定ラグ。新しい技術がもたらす価値の一部は、既存の統計の枠組みでは捕捉されない。ソフトウェア、データ、無形資産、品質改善は、長らく国民経済計算の盲点であった。第二に、補完投資の遅れ。新しい技術がフルに活用されるためには、それに合わせた組織体制、業務プロセス、人材育成、既存設備の更新が必要である。これらの補完投資には時間がかかる。第三に、学習と適応の時間。新しい技術を使いこなす人材を育てるには、教育と訓練の時間が必要である。組織の中でその技術が「当たり前」になるまでには、世代をまたぐ場合すらある。

 

電気の普及の歴史は、この構造を見事に示している。発電技術が確立した1880年代から、工場のレイアウトが電動機前提に作り替えられ、ベルトコンベア型の流れ作業という新しい生産様式が成立するまでに、約40年がかかった。最初は工場の中央にあった蒸気機関を電動機に置き換えただけだった。やがて、各機械にモーターを分散配置することで工場のレイアウトが自由になり、最終的にT型フォードを生んだ流れ作業の生産様式が誕生した。技術の真の力は、社会のシステムが技術に合わせて組み替えられたときに、初めて解放される。

 

AI もこれと同じ道を歩むだろう。2025年現在、企業はAIを「既存の業務に追加する」段階にある。これはアグラワルらの言う第一段階、ポイント・ソリューションの段階である。やがて、ある業務全体をAI前提に作り替える第二段階（アプリケーション・ソリューション）が来る。そして最終的に、産業全体の仕組みをAI前提に組み替える第三段階（システム・ソリューション）が来る。電気の例で40年かかったこの行程が、AIではどれだけのスピードで進むかは未知数である。しかし、構造は同じである。

 

 

5. AIマップ、タスク分解からDXは始まる

それでは、AI を組織に正しくビルトインするには、具体的に何から始めればよいか。アグラワルらは、企業がDX（デジタル・トランスフォーメーション）を推進するための出発点として、「AIマップ」と呼ばれる手法を提案している。

 

AIマップとは、企業の業務をワークフローに沿って細かいタスクに分解し、各タスクについて「AIが代替可能か」「人間が担うべきか」「両者の協働が必要か」を精緻に評価する作業である。業務改革を「AIを導入する／しない」の二者択一で考えるのではなく、業務の中の各タスク単位で人間と機械の分業を再設計するというアプローチである。

 

筆者自身、住宅流通の業務フロー分析で、このAIマップの考え方を実践してきた。清水・西村・浅見（2004）※では、住宅売買仲介業務を売り側29工程、買い側20工程の合計49工程に分解し、各工程に対する時間コストの比率と、各工程に伴う紛争リスクを測定した。集客、受付・売却相談、税金・資金アドバイス、物件調査、価格査定、意見価格の提示、媒介契約締結、広告活動、売却条件の交渉、契約日時等の案内、重要事項説明書の作成、契約、決済引渡、登記実行、そしてアフターフォロー、これだけのタスクが、住宅売買という一つの取引に含まれている。

 

このタスク分解の上で、それぞれのタスクがAIでどこまで代替できるかを評価する。価格査定は、過去の取引データから機械学習で予測できる典型的なタスクである。税務相談は、税制シミュレーションとして自動化できる部分が大きい。契約処理は、エスクロー業務として標準化と自動化が可能である。一方で、売却条件の交渉、物件の現地調査、意見価格の提示、紛争解決などは、人間の判断と専門性が中核となるタスクである。

 

このように、業務フロー全体を眺めると、AIが代替するのはあくまでタスクの一部であり、人間が担うべき領域は明確に残ることがわかる。そして、AIと人間の分業をうまく設計できた組織は、生産性を大きく高めることができる。逆に、AIを導入しただけで分業設計を怠った組織は、コストばかり増えて成果が出ない。DXの成否は、AIそのものの性能ではなく、組織のタスク分解能力にかかっている。

 

これは、住宅市場に限らず、あらゆる産業で共通する構造である。建設業、教育、医療、金融、行政、製造業、どの産業でも、AIマップによるタスク分解と分業の再設計が、変革の出発点になる。本連載では住宅市場を中心に論じるが、同じ構造が他の産業にも当てはまることを、ここで明示しておきたい。

6. 予測・判断・責任の三層構造、本連載を貫く分析装置

AI が組織に組み込まれるとき、人間と機械の分業は、概念的に三層に分けて考えると整理しやすい。本連載全体を貫くこの枠組みを、第2回でまず提示しておきたい。

 

第一層：予測。AIが得意とするのは、価格、リスク、将来価値、修繕時期、満足度といった予測である。膨大なデータから、ある条件下で何が起こるかを確率的に示す。予測の精度は、AIの賢さだけでなく、データ環境の充実度によって決まる。

 

第二層：判断。予測を踏まえて、最終的に「これを選ぶ」「いくらまで出す」「いつ実行する」を決めるのは人間である。判断は、複数の価値の間でのトレードオフを引き受けることだ。合理性と感情、短期と長期、個人と社会。これらは予測で決まるのではなく、その人の価値観で決まる。

 

第三層：責任。AIの助言に基づく判断の結果について、誰が責任を負うのか。AI開発者、データ提供者、消費者、それを仲介する事業者。責任の所在を制度的に明確化することが、AI 時代の信頼基盤になる。これは技術ではなく、社会制度の問題である。

 

AI は予測する。判断するのは人間である。責任を分担するのは社会制度である。この区別を曖昧にすると、「AIが判断する」「AIが責任を負う」といった誤解が生じる。AI時代に求められる社会設計は、この三層を明確に分けて、それぞれに適切な仕組みを置くことから始まる。

 

この三層構造は、本連載のすべての章を貫く分析装置となる。住宅市場におけるAIの位置づけ（第6回）でも、産業横断の未来像（第7回）でも、繰り返し現れる枠組みである。

7. 経理職員と教師、タスク代替が変える人材像

タスクが再編成されるとは、具体的に何を意味するか。二つの身近な例で考えてみたい。

例1： 経理職員

かつての優秀な経理職員とは、計算を間違えない人材であった。膨大な伝票を正確に処理し、決算書を期日までに仕上げる能力が、評価の中心であった。しかし、計算機能が高い機械の導入によって、この職業の評価軸は大きく変化した。現在の優秀な経理職員とは、計算ができることは前提として、社員とのコミュニケーションを円滑に進め、組織の財務状況を経営陣に正確に伝え、高い倫理性をもって不正を起こさない人材である。タスクの中身は同じ「経理」でも、その中で人間が担うべき部分が、計算から判断・コミュニケーション・倫理性へとシフトしているのである。

例2： 教師

かつての優秀な教師とは、専門知識・技能を持ち、一定数の生徒を対象としてクラスを管理しながら、クラス全体としての「平均」的な学力を高めることができる人材であった。近年、AIを具備した教育教材が発達し、各生徒の個別性に配慮して学習進度や難易度をコントロールできるようになってきた。そうすると、評価軸は「平均」よりも「分散」が重視されるようになる。飛びぬけて高い能力を持つ生徒を伸ばすこと、学習についてこられなくなった生徒を見捨てずに寄り添うこと、これらが教師の新しい価値の中心になる。良い教師とは、「高い知識・技能を持った人材」から「寄り添う力が強い人材」へと評価が変わる可能性が高い。

 

これらの例が示すのは、AI時代の人材像が単純に「変わる」のではなく、人間にしかできないことの中で、価値あるものの定義そのものが変わるということである。そして、その変化は採用基準、評価制度、教育、組織文化のすべてに波及する。AIを組織に導入することは、結局のところ、組織のあらゆる側面を組み替える作業なのである。

8. アレルギー反応をどう抑制するか、リーダーの役割

新しい技術が組織と社会に導入されるとき、必ず起こるのがアレルギー反応である。慣れ親しんだ既存のシステムの中で生産活動をした方が、現場レベルでは快適である。新しい技術を学び直すコスト、評価軸の変化への不安、雇用への懸念、自尊心の問題、これらが組み合わさって、組織や社会は新しい技術に対して一時的に拒絶反応を示す。

 

ソローのパラドックスもまた、このアレルギー反応の一つの現れであった。コンピュータは導入されたが、それに合わせた組織変革ができないまま、「新しい技術を入れたのに生産性が上がらない」という時期が長く続いた。やがてアレルギーが収まり、組織が技術に適応すると、生産性は跳ね上がった。アレルギー反応は技術の問題ではなく、社会の側の問題である。

 

このアレルギー反応をどう抑制するかは、AI時代の組織のリーダーにとって決定的に重要な役割となる。具体的には、次のような実務が求められる。

 

第一に、タスク分解の透明性。AIが何を代替し、何を代替しないかを明確にする。人間が引き続き担う領域を明示することで、雇用への不安を緩和する。

 

第二に、評価軸の早期更新。AI時代に求められる人材像を組織に共有し、評価制度と採用基準を更新する。古い評価軸のまま新しい技術を導入すると、現場は混乱する。

 

第三に、学び直しの機会。既存の従業員が新しいタスクに移行できるよう、教育投資を行う。これは費用ではなく、補完投資である。

 

第四に、倫理と責任の制度化。AIを使った意思決定について、誰が何の責任を負うのかを明確にする。透明性のないAIは、社会のアレルギー反応を増幅させる。

 

これらは個別の組織の問題であると同時に、社会全体の課題でもある。2010年代以降、Cathy O’Neil の Weapons of Math Destruction（2016）※や、Stilgoe, Owen and Macnaghten（2013）の「責任あるイノベーション（Responsible Innovation）」※の議論が示してきたのは、AI のような新しい技術の導入が一部の企業や政府によって密室的に進められると、社会の信頼が損なわれ、長期的にはアレルギー反応が固着化するという警告である。AI を社会にビルトインするためには、技術と同時に、信頼の制度設計が必要である。

9. なぜ住宅市場が試金石なのか

ここまでAIと社会の関係を一般論として論じてきた。本連載がこれから扱うのは、住宅市場という具体的な舞台である。なぜ住宅市場が、AI時代の社会変革を考える試金石として相応しいのか。四つの理由を挙げておきたい。

 

第一に、住宅は人生最大の意思決定である。個人にとって、住宅取得は生涯で最大の金融取引であり、人生の他のすべての領域、仕事、家族、教育、老後、に影響を与える。AIが住まい選びをどう変えるかという問いは、AIが人生をどう変えるかという問いの最も具体的な形である。

 

第二に、住宅市場はデータが豊富にある。価格、立地、間取り、築年、取引履歴、近隣情報、ハザード情報、人口動態、金利。これらのデータは、機械学習が力を発揮しやすい構造化された情報の宝庫である。価格査定、リスク予測、レコメンドなど、AIが得意とする予測タスクの応用範囲が広い。

 

第三に、住宅市場は制度の壁が厚い。住宅金融、税制、登記、宅建業法、相続法、空き家対策法。住宅市場に関わる制度は重層的に絡み合っており、その上に長年の取引慣習が積み重なっている。技術だけでは変わらない領域であり、技術と制度の接続を考える題材として最適である。

 

第四に、住宅市場は社会全体の鏡である。人口動態、家族の形、働き方、地域コミュニティ、世代間の関係。住宅市場には、その社会のあらゆる側面が反映される。住宅市場の変革を語ることは、社会の変革を語ることである。

 

これらの理由により、本連載はAIと社会の関係を住宅市場というレンズを通して論じる。ただし、住宅市場で得られた洞察の多くは、建設、教育、医療、金融、行政など他の産業にもそのまま当てはまる。第8回では、論点を産業横断に広げて、未来像を描く。住宅市場は、AI時代の社会変革を考えるための最も豊かな試金石である。

結びに——冷静さと希望と

第2回として、本章ではAIとは何か、AIは本当に仕事を奪うのか、技術進歩はどの程度のマグニチュードで生産性を高めるのかを論じてきた。最後に、本章のメッセージを三つに集約しておきたい。

 

第一に、AI は職業を奪うのではなく、タスクを再編成する。47%の職業が消えるという議論は誤解を含み、実際の労働節約効果は年率0.6%程度である。パニックする必要はない。しかし、放置すれば確実に取り残される。冷静な現実主義こそが、AI時代の正しい態度である。

 

第二に、AI が生産性として現れるためには、社会の側の準備が必要である。ソローのパラドックスが教えたように、技術と社会のビルトインには時間がかかる。制度・人材・組織・既存設備の四つが揃ったときに、初めて技術は生産性として実現する。本連載の住宅市場分析でも、この構造が繰り返し現れる。

 

第三に、人間と機械の分業を正しく設計することが、AI時代の中心的な課題である。予測はAIに、判断は人間に、責任は社会制度に。この三層を意識した分業設計こそが、組織と社会の生産性を高める鍵である。そして、人間が担うべき領域は、コミュニケーション、倫理、寄り添い、判断という、人間にしかできない価値の中心へとシフトしていく。

 

AI と共生する社会は、人間が周辺化される社会ではない。人間がより人間らしい仕事に集中できる社会である。そこに到達するためには、技術と並行して、社会制度・組織・人材・教育のすべてを組み替える必要がある。これは時間のかかる作業だが、避けて通ることはできない。パラドックスの先には、必ず生産性の上昇が待っている。そう信じて、私たちは現在を組み立てるしかない。

 

そして、ここで一つ強調しておきたいことがある。AIが解き放つのは、組織の生産性だけではない。AIは、人間がこれまで時間とエネルギーを奪われてきた予測的・反復的タスクから人間を解放することで、人間が本当にやりたいことに向き合える時間を取り戻す技術でもある。住まい選びにおいて言えば、AIは情報収集と価格分析と書類処理から消費者を解放し、本来やるべき判断、すなわち「自分はどう生きたいか」に集中する余地を生む。AI は人間の可能性を縮めるのではなく、解き放つ。これは住宅市場に限らず、AIが応用されるすべての領域で実現されるべきビジョンである。

 

本連載のもう一人の筆者である濱中が経営する株式会社property technologiesは、コーポレート・メッセージとしてUNLOCK YOUR POSSIBILITIES. ～テクノロジーで、人生の可能性を解き放つ～を掲げている。このメッセージは、本連載で論じてきたAI論の到達点を、最も簡潔に言い切った言葉である。予測コストの劇的低下が、判断と行動の補完財の価値を高め、人間が本来集中すべき領域に時間とエネルギーを取り戻させる。その結果として、人生の可能性が解き放たれる。これが、AI時代の社会変革の本質的な意味である。

 

 

【参考・引用文献】

• Agrawal, A., Gans, J., & Goldfarb, A. (2018, updated 2022). Prediction Machines: The Simple Economics of Artificial Intelligence. Harvard Business Review Press.

• Agrawal, A., Gans, J., & Goldfarb, A. (2022). Power and Prediction: The Disruptive Economics of Artificial Intelligence. Harvard Business Review Press.

• Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280.

• Arntz, M., Gregory, T., & Zierahn, U. (2016). The risk of automation for jobs in OECD countries. OECD Social, Employment and Migration Working Papers, No. 189.

• 清水千弘・西村清彦・浅見泰司 (2004).「不動産流通システムのコスト構造」『季刊住宅土地経済』No.51, pp.28–37.

• O’Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown Publishing.

• Stilgoe, J., Owen, R., & Macnaghten, P. (2013). Developing a framework for responsible innovation. Research Policy, 42(9), 1568–1580.