‘AIのゴッドファーザー’が警告、人工知能が大量失業を引き起こし企業利益を押し上げる

AIのゴッドファーザーによる失業警告の重要性

Geoffrey Hintonの公の警鐘——「AIのゴッドファーザーが人工知能が大量失業を引き起こすと警告」し、同じ技術が「企業の利益を押し上げる」とする——は、単なる挑発的な見出し以上のものです。これは、職場を再形成しつつあるツールの作成に貢献した先駆者からの注目度の高いシグナルであり、経済的・社会的・政治的な利害がかかっているため、政策立案者、企業、労働者にとって重要です。Geoffrey HintonはAIのリスクについてより自由に発言するために2023年にGoogleを退社した、それ以来彼の警告は、急速な自動化が雇用、賃金、不平等にどのような意味を持つかについての議論を鋭くしています。Fortuneは、技術が社会的・規制的な対応を上回るAIの「悪夢のようなシナリオ」に対する彼の核心的な懸念を捉えた。

実務的な利害は3つの時間軸に分かれます。短期では、初級職や定型業務が自動化と生成AIによる補強に最もさらされる。中期では、雇用主がセクター全体で労働需要を再編し、利用可能な仕事の構成や経済で評価されるスキルを変える可能性があります。長期では、Artificial General Intelligence（AGI）に関する議論が、労働やガバナンス、そして自動化システムが以前は人間に限定されていた幅広い認知タスクを実行できるかどうかについて、より深い問いを提起します。

本記事は、EEAT基準を満たすために報道、業界声明、コンサルティング分析、査読済み研究を統合しています。主要人物による公的声明、コンサルティングおよび市場調査、学術プレプリント、主流報道を参照し、読者が証拠と不確実性を判断できるようにしています。「AIが大量失業を引き起こす可能性がある」メカニズムを解説し、雇用が減少しても企業利益が急増する理由を説明し、Hintonや企業リーダーを含む業界の声を紹介し、AGIと雇用の学術的シナリオを検証し、Universal Basic Incomeや共有繁栄フレームワークなど学者や実務家が提案する政策対応をレビューします。

主要なポイント：Hintonの警告は、実際的な計画を促すべき信頼できる警鐘です。問題はAIが仕事を変えるかどうかではなく——それはすでに起きています——社会が利益をどのように分配し、自動化が企業の利益を押し上げるだけでなく多くの労働者を置き去りにしないようにするかです。

人工知能が大量失業を引き起こす可能性について、解説

AIは、労働需要を体系的に減らすいくつかのメカニズムを通じて大量失業を引き起こす可能性があります。根本的に、現代の機械学習と生成モデルは、かつて人間の判断を必要とすると考えられていたタスクを、大規模に、かつ限界費用を低下させながら自動化します。これにより、直接的なタスク自動化、人間の監督を置き換える拡張自動化、ビジネスモデル全体が進化するに伴う連鎖的な需要減少という3つの広範な置き換えへの道筋が生まれます。以下では、これらのメカニズム、リスクが最も高い労働者、離職（ジョブ・チャーン）と恒久的な消失の違いを概説します。

初級業務と定型タスクの自動化

初級職が最初に沈むのは、アルゴリズムが最も学習しやすい反復可能なタスクが集中しているためです。カスタマーサービス、データ入力、定型的な財務処理、コンテンツモデレーションなどの初級職は、スクリプトやパターンに従うことが多く、データからエンコードまたは学習可能です。そのため、採用・選考ワークフローへの急速なAI導入後、複数のコンサルティング分析や求人トラッカーが初級職の求人掲載数の減少を報告しています。業界レポートは、AIの迅速な導入に伴う低スキル求人掲載の観測可能な減少を記録し始めている。労働者にとっては、労働市場への足がかりが減り、残りのポジションをめぐる競争が激化することを意味します。

洞察：初級職はキャリアのオンランプとして機能する——これらのオンランプが閉じると、経済的流動性が損なわれる。

急速な改善と置き換えの速度

AIは、能力向上の複合が速い場合、以前の自動化の波よりも早く大量失業を引き起こす可能性があります。近年、生成モデルの急激な改善が見られ、一部の専門家が大規模な置き換えのタイムライン短縮を警告しています。「2030年までに99％の雇用喪失」といった極端な予測は、仮定のストレステストとして有用ですが、専門家調査では外れ値であり、主流のコンセンサスというよりはペースに関する議論の上限を照らします。こうした極端なシナリオの報道は、楽観的な能力成長の下でダイナミクスがどれだけ急速に変化し得るかを強調するために世論に入り込んでいる。それでも、今後10年間で大きな混乱を予測するより穏健なシナリオは、多くの経済学者や技術者によって現実的と広く見なされています。

予想される雇用喪失のセクター別例

AIによる失業は、カスタマーサービスと小売で最も早く、最も目に見える影響の一つになると見込まれます。チャットボット、音声アシスタント、自動チェックアウトシステムが定型的なやり取りを狙い、メディアでは生成ツールが報道やマーケティングコピーの初稿を作成でき、金融ではアルゴリズム処理がデータ入力や基本分析を置き換えます。製造業の管理業務——スケジューリング、調達、バックオフィス機能——も、エンドツーエンドでソフトウェアが統合されるにつれて脆弱です。これらのセクター別損失は全員に等しく影響するわけではありません。狭く定型化された役割を持つ労働者が最高のリスクを負い、複雑な対人判断や高度な創造的・文脈的推論を必要とする職はより回復力があります。

再分配と純粋な破壊を区別することは重要です。一部の役割は完全に消滅しますが、他の役割は人間がより監督的または創造的な業務に移行するにつれて再定義されます。労働市場のチャーンは機会を生む可能性がありますが、意図的な政策と企業の選択がなければ、置き換えが再雇用の道筋を上回り、大規模なグループで純粋な雇用喪失を生む可能性があります。

企業利益が急増する一方で雇用が減少する理由

AIが労働を代替するとき、利益はしばしば労働ではなく資本に帰属します。ソフトウェアは低い増分費用でスケールします。一度訓練されたモデルを数百万のユーザーに展開でき、人件費の比例した増加なしに収益を生み出せます。この差が、AIを製品や業務にうまく統合した企業のマージン拡大を駆動します。

企業の生産性向上とマージン拡大

AI主導の生産性は、労働者あたりの産出を高め、企業が人件費の比例した増加なしにサービスを拡大できるようにすることで、企業利益を押し上げます。自動化されたカスタマーサービスはより低いコストでより多くの量を処理し、アルゴリズムによるパーソナライゼーションは売上転換率を向上させ、内部自動化は管理オーバーヘッドを削減します。これらの効果は、従業員あたりの収益向上とマージン上昇として企業会計に現れます。財務分析は、AI導入を企業収益性の上昇トレンドと所得シェアの拡大に結びつけ始めている。AIの効率を捉える企業が株主や経営幹部に突出したリターンを生み出せることを示しています。

利益と市場力の集中

AIからの集中した企業利益は、勝者総取りのダイナミクスから自然に続きます。データ、モデル、流通チャネルを制御する大規模プラットフォームは、 incumbency advantagesを拡張できます。より豊かなデータはより良いモデルを生み、より良いモデルはより多くのユーザーを引きつけ、スケールがさらなるデータを生み出します。このフィードバックループは市場力を中央集権化し、AI能力に関連する経済レントを集中させます。重要なモデルとデータセットを所有する企業は、セクター全体から価値を抽出でき、より小さな競合他社を買収または打ち負かし、利益の不相応なシェアを獲得できます。

初級職減少に関するコンサルティングと市場調査

コンサルティングファームは「初級職が沈む」というパターンと一致する傾向を記録しており、収益成長を報告する企業でもジュニア職の採用が減少していることを示しています。これらの調査は、自動化がコストに敏感な定型分野で最初に選択的に採用され、まさに初級労働者が集中する場所であることをしばしば発見します。結果は二極化です。企業はより高い利益を計上する一方で、若年またはスキルが低い労働者はより厳しい労働市場参入条件に直面します。この効果は分配的です。介入がなければ、AI導入の利益は、平社員よりも投資家や経営陣に帰属するリスクがあります。

主要なポイント：生産性は自動的に共有繁栄に変換されない。賃金、交渉力、課税に関する制度的な選択が分配を決定する。

業界の声と専門家の警告、AIのゴッドファーザーを含む

AIエコシステム全体の声は、技術のリスクを異なる方法で位置づけます。一部は急速な雇用喪失と不平等を警告し、他はイノベーションが新しい仕事を生み出す可能性を強調します。これらの視点を理解することは、コンセンサスが存在する場所と議論が未解決の場所を明確にするのに役立ちます。

Geoffrey Hinton、その警告が重要な理由

Hintonは、社会的影響に関するより広範な懸念の一環として、AIが大量失業を引き起こすと警告しており、その信頼性はニューラルネットワークにおける数十年にわたる基礎的な仕事にあります。HintonのGoogle退社は、AIの社会的リスクについてより率直に話すための欲求に動機づけられた。インタビューでは、自動化が多くの形態の労働を置き換え、富を集中させるシナリオを強調しています。彼の地位は政策対話を高めます——創設者的人物がリスクを明確にすると、規制当局と一般市民はあまり目立たない声の場合よりも注意を払います。Hintonの核心的なポイントは単純明快である：大規模自動化の技術的可能性は、経済政策と安全に関する公の審議を必要とする。

Jensen Huangと企業リーダーシップの視点

すべての業界リーダーが、Hintonの近未来の社会的リスク強調に同意するわけではありません。NvidiaのJensen Huangは、雇用喪失は人間のイノベーションがペースを保てるかどうかに依存すると警告しています——しばしば「世界がアイデアを使い果たせば雇用が失われる」と要約されます。報道は、人間の創造性と新産業が一部の置き換えを相殺できるという彼の留保を捉えている。この見解は需要側のダイナミクスを強調します。AIによって可能になる新製品とサービスが、今日では予測しにくい役割を生み出す可能性がありますが、それらの仕事は異なるスキルを必要とするかもしれません。

他の専門家と警鐘的なシナリオ

一部の論者はより極端なタイムラインを提示します。例えば、Roman Yampolskiyのような思想家や他の人々は、10年以内の広範な自動化といった上限シナリオを提案しています。これらは議論を呼ぶものの、社会が急速な能力成長のリスクを真剣に受け止めることを強います。これらのシナリオは、時には「2030年までに99％の雇用喪失」といった見出し数字を呼び出して最悪の場合のダイナミクスを探ります。こうした予測の報道は、専門家の意見のスペクトラムと、極端な推定を予測ではなくストレステストとして扱う必要性を強調する。

投資家と公共政策の声はさらにニュアンスを加えます。マクロ投資家やコメンテーター——Paul Tudor Jonesのような——は、AIを経済的機会であると同時に、雇用と社会の安定に対するシステムリスクとして位置づけています。視点の多様性は、議論が二元論的ではないことを示しています。それはペース、政策、企業統治、社会契約に関する対話です。

研究、AGIシナリオ、および長期的な経済リスク

学術研究は、AI能力が労働とマクロ経済をどのように再形成し得るかを形式化することで、見出しを超えようとします。研究は、タスク自動化の近未来分析から、システム的な経済変革を探るAGI中心のモデルまで多岐にわたります。

最近の学術研究におけるAGIと人間の雇用

査読済み論文やプレプリントは、幅広い認知タスクを実行できるAGIが雇用と生産性にどのように影響し得るかを検証します。一部のモデルは、AGIが専門職や管理職を代替する能力を獲得した場合の大きな置き換えを示唆しますが、他は人間とAIの補完性が多くの役割を維持し得ると強調します。AIが今後数十年にわたって社会にどのように影響し得るかの総合的な概要については、能力進展を社会経済的成果にマッピングする解説とモデリングを参照してください。より最近のAGI指向の論文は、強力な自律システムが生産プロセスと労働市場を変革し、積極的な政策対応を必要とする経路をモデル化しています。これらの論文は、潜在的な変化の規模と、タイミングと適応性に関する深い不確実性の両方を強調します。AGIの影響研究の例は、異なる能力軌道下での経済移行と政策オプションを探る。

モデリングの不確実性と時間軸

なぜ予測はこれほど大きく乖離するのか？モデルは、定義（タスクとして何を数えるか）、企業が技術をどのように採用するか、消費者がどのように反応するか、能力がどれだけ速く向上するかという仮定によって異なります。「置き換え」と「再定義」の違いも重要です。タスクベースのモデルは、どの活動が自動化されるかをしばしば予測しますが、実際の仕事は多くのタスクを束ねており、一部は自動化可能で他はそうではありません。経済的適応——新産業、規制の選択、投資パターン——はさらに予測を複雑にします。要するに、「AIによる雇用置き換えのタイムライン」は、対象セクターでの近未来（5〜10年）から、多十年または条件付きのAGIシナリオまで幅があります。

共有繁栄フレームワークのための学術的提案

分配リスクに対処するため、研究者は収益分配、AIレントの課税、主要モデルの公的所有またはライセensing、ステークホルダーガバナンスメカニズムを提案します。これらの「AI時代の共有繁栄」提案は、AIによって生み出された価値の一部を捉え、社会的財——再スキル化、所得支援、雇用創出への公的投資——に向けることを目指します。学者は、AIの利益が広く共有されることを確実にするための制度再設計を提唱するフレームワークを公表している。これらの提案はメカニズムが多様で政治的に困難ですが、政策行動が成果にとって重要であるという活発な学術的コンセンサスを表しています。

共有繁栄のための政策対応と安全網

「AIが抑制されなければ大量失業を引き起こす」のであれば、公的政策と企業統治が、利益が広く共有されるか集中するかを決定します。このセクションでは、主要な政策オプションとそれに伴うトレードオフを検証します。

Universal Basic Income、提唱者と実務的課題

AI失業を緩和するためのUBIは、焦点となるアイデアとなっている。提唱者は、無条件の現金下限が構造的移行中に所得と雇用の結びつきを切り離し、人々が再訓練したり労働市場に再参入したりする間に安定を提供できると主張します。Hintonを含む一部の論者は、メディアでの議論でUBIを政策対話の一部として言及している。批評家は、資金調達の課題、政治的実行可能性、設計不備のリスクを指摘します。UBIパイロットの証拠はまちまちである：小規模な試行は財政的安全と幸福の改善を示しますが、信頼できる全国プログラムの拡大には持続可能な歳入源と、インフレ圧力や労働市場の歪みを避けるための慎重な調整が必要です。

労働市場政策と再スキル化イニシアチブ

AI時代のための再スキル化は、より対象を絞った政策レバーです。訓練、ポータブル給付、賃金保険、職業移行サービスの資金提供を行うプログラムは、労働者の適応を助けることができます。重要なのは、再スキル化が需要主導でなければならないことです。訓練プログラムは、雇用主のニーズに合致し、質の高い仕事への道筋が存在するときに成功します。訓練を保証された採用や見習いに結びつける官民パートナーシップは、一般的なコースよりも良い成果を示す傾向があります。しかし、再スキル化だけでは、仕事の量が大幅に減少した場合の総所得効果に対処できません。

公平なAI利益のための学術的政策フレームワーク

AIのための共有繁栄フレームワークには、AIレントへの課税、影響を受ける労働者との利益分配の義務化、基盤モデルの公的所有権の創設などの提案が含まれます。これらの措置は、自動化によって生み出された経済的余剰の一部を捉え、社会的財に向けることを目指します。学術的提案は、対象を絞った課税から大規模モデル向けの新しいガバナンス構造まで、AI価値を再分配するメカニズムを概説している。それらを実施するには、測定（AIレントをどのように特定するか）、執行、資本逃避を避けるための国際調整に関する実務的な問いが生じます。

ケーススタディ、コンサルティング分析、ビジネス課題

現実世界の例が議論を具体化します。コンサルティングレポートと企業ケーススタディは、積極的にAIを導入する企業におけるマージン上昇と並行した初級レベルの減少のパターンを示しています。

採用と初級職に関するコンサルティングレポート

複数の研究が採用パターンを追跡し、自動化ツールを採用する業界で初級職の求人掲載数が減少していることを報告しています。採用データを追跡する分析は、企業が効率向上を報告する中でもジュニア職の掲載が減少していることを強調している。これらのレポートは、すべての事例で因果関係を証明するものではありません——マクロ経済状況、人口動態の変化、企業戦略も重要です——が、自動化が採用の構成を変えるという初期の経験的シグナルを提供します。

AIによるマージン向上の企業例

AIを採用する上場企業は、取引あたりのコスト低下、処理の高速化、パーソナライゼーションの改善といった高い生産性指標をしばしば報告します。一部の小売・金融企業では、自動化がバックオフィスの人員必要性を減らし、収益が成長する中でもマージンを押し上げています。コメンテーターは、投資家の期待と企業収益をAI導入に結びつけ、AIが限界労働コストを低下させサービスをスケールすることで企業利益を押し上げると主張している。企業が広範な市場力を持つ場合、これらの利益向上は富の集中を強めます。

労働者の成果と企業の対応

一部の企業は再訓練と再配置に投資し、従業員をより高い価値の役割に留めるための移行プログラムや内部ローテーションを提供しています。他の企業は強固な支援なしにレイオフを選択し、評判リスクと社会的反発を生んでいます。公的エッセイと投資家コメントは、企業が労働者を置き換える技術を導入する際に機会と責任の両方に直面することを強調している。長期的な労働者の成果を監視するには、少数の企業しか公表していない縦断的データが必要であり、再スキル化アプローチが効果的にスケールするかどうかに関する証拠のギャップを生んでいます。

限界：ケーススタディは、AI導入と労働需要の変化の間の妥当な関連を示しますが、スナップショットです。雇用と賃金への純粋な影響を定量化するには、縦断的・分野横断的な研究が必要です。

企業と労働者の課題、および実務的な緩和戦略

企業がAIを採用するにつれ、運用上および倫理的なジレンマに直面します。労働者は需要の変化を乗り切るための実践的なステップを必要とします。以下は、両者向けの実践可能な戦略です。

AI採用時の害を低減するためのビジネスプレイブック

失業を制限するための責任あるAI導入には計画が必要です。企業は影響監査を実施し、内部再配置を可能にするために自動化を段階的に進め、機密タスクにhuman-in-the-loopシステムを維持し、効率化による節約で資金提供される労働者移行基金を創設できます。透明な影響評価と従業員・コミュニティとの明確なコミュニケーションは、評判リスクを低減します。可能な場合には、労働代表者と提携して自動化をパイロットし、移行を共同設計します。

労働者戦略と政府支援

個人にとって、AIによる雇用喪失を避けるための再スキル化は、AI補完的なスキル——創造性、複雑な問題解決、ドメイン専門知識、社会的知性——に焦点を当てることを意味します。集団交渉は強力なレバーであり続けます。労働組合は、自動化導入に結びついた利益分配や雇用保護条項を交渉できます。公的支援——ポータブル給付、賃金保険、補助付き再訓練——は移行を緩和します。財務計画とポートフォリオキャリア（ギグ、フリーランス、給与所得の仕事を組み合わせる）はレジリエンスを高めます。

分野横断的な調整と規制レバー

集中したAI利益を防ぐための規制には、モデル使用の透明性要件、アルゴリズムレントへの課税、置き換えられた労働者との利益分配の義務化が含まれる場合があります。業界コンソーシアムは、影響開示と労働者移行支援の規範を設定できます。国際調整は重要です。資本の移動性は国家の再分配努力を弱体化させる可能性があるため、調整された基準と相互執行により国家政策をより効果的にできます。

洞察：企業責任と政策インセンティブを組み合わせることで、どちらか一方に依存するよりも良い成果が得られる。

FAQ

• AIは本当に大量失業を引き起こすのか？ 短い回答：特定のセクターとタイムラインでは可能。規模は不確実であり、企業選択、政策対応、AI能力の進展速度に依存する。Geoffrey Hintonのような著名な警告は信頼できるリスクを強調する一方、他のリーダーはイノベーション主導の雇用創出を強調する。Hintonの公的声明とGoogle退社はこの議論を結晶化させた。

• AIによる雇用置き換えで最もリスクが高いのは誰か？ 初級職と定型タスクの役割を持つ労働者が、近未来の最高リスクに直面する。カスタマーサービス、データ入力、基本的なメディア制作、小売チェックアウト、管理職など。狭く定義された反復タスクを持つ労働者が最もさらされ、複雑な対人、創造的、または戦略的責任を伴う職は比較的保護される。

• 不平等を避けるためにAIの利益を再分配できるか？ はい。AIレントへの累進課税、利益分配スキーム、基盤モデルの公的所有またはライセンス、対象を絞った社会プログラムなどの政策を通じて可能です。各オプションには政治的・技術的課題があり、研究者はAI価値を捕捉・再分配するための多様なフレームワークを提供している（学術的提案が出現している）。

• Geoffrey Hintonの警告は信頼できるか？ Hintonの経歴と現代ニューラルネットワークの作成における役割は、彼の懸念に重みを与えます。彼は社会的影響についてより自由に話すためにGoogleを退社し、失業と不平等のリスクを公に警告してきました——その見解は政策立案者や研究者によって真剣に受け止められています。彼の発言は公的議論を高めるのに役立ったが、それは異なる専門家の見解を持つより広範な対話の一部です。

• 大規模な雇用喪失はどれくらい早く起こり得るか？ 時間軸は様々である。一部の対象セクターへの影響はすでに可視化されており、多くのホワイトカラー分野にわたるより広範な混乱は、投資と採用速度に応じて5〜15年かかる可能性がある。AGIスタイルの変革はより投機的で、ブレークスルーのタイムラインに依存する。極端な予測（例：「2030年までに99％の雇用喪失」）は、主にコンセンサス予測ではなくストレステストとして存在する（極端なシナリオの報道は意見の範囲を強調する）。

• 企業は何をして利益を共有し労働者を保護できるか？ 企業は再訓練プログラム、再配置経路、労働者移行基金を伴う段階的自動化、従業員に一部の効率化利益を割り当てる利益分配メカニズムを実施できます。労働代表者との透明性と対話は正当性と成果を向上させます。

• AI失業を緩和するための成功した都市または国レベルのパイロットはあるか？ 世界中でUBIと再スキル化のパイロットがあり、結果はまちまちである：小規模なUBI試行は幸福度の向上を示すが、大規模な労働市場への影響に関する証拠は限定的である。対象を絞った見習いと雇用主連動の訓練プログラムは、より良い配置成果を示す。大規模な自動化ショックの緩和に関する証拠のギャップは残る。

• 個人はAI主導の雇用市場にどのように備えるべきか？ 生涯学習に焦点を当て、AI補完的なスキル（ドメイン専門知識、複雑な判断、人材管理）を追求し、財務バッファを構築し、公正な移行条件を交渉するための集団行動（労働組合、専門家ネットワーク）に参加する。

抑制されなければ、AIは大量失業を引き起こす——政策立案者、ビジネスリーダー、労働者へのロードマップ

Geoffrey Hintonの、AIが大量失業を引き起こし企業利益を押し上げるとの警告は、緊急の促しとして機能し、決定論的な予言ではありません。証拠は、定型タスクの自動化、急速な能力向上、勝者総取りの経済という明確なメカニズムを示しており、緩和されなければ不平等の拡大を生む可能性があります。しかし、成果は運命づけられていません。企業、規制当局、労働者、国際機関による選択に依存します。

今後12〜24ヶ月で、最も実行可能な監視指標は具体的で測定可能です。初級職求人掲載のトレンド、大手雇用主の従業員あたりの収益変化、カスタマー向けサービス全体でのAI導入のペース、再スキル化パイロットの初期結果です。政策立案者は、短期的なバッファ（賃金保険、対象を絞った再訓練、一時的な賃金補助）と、長期的な収益分配・再分配メカニズム（UBIパイロットプログラム、AIレントへの課税、主要モデルの公的所有権）に関する実験を組み合わせるべきです。企業は透明な影響評価、内部再配置を可能にする段階的自動化戦略、インセンティブを整合させるための利益分配または移行基金にコミットすべきです。

労働者とコミュニティにとって、ロードマップは防御的かつ野心的です。AI補完的なスキルを獲得し、労働市場の流動性を促進するネットワークを構築し、生産性向上のシェアを確保するために組織化する。集団交渉と公的規制は補完的なレバーです。市場インセンティブだけでは分配の公平性を十分に達成できません。

研究の優先事項は、雇用への純粋な影響を定量化するための縦断的・分野横断的なデータ、再訓練とUBIパイロットの厳格な評価、AI導入を労働成果に結びつける運用指標に焦点を当てるべきです。国際調整は、課税に関する底辺への競争を防ぎ、基盤モデルのガバナンスに関するベストプラクティスを共有するために不可欠です。

社会が積極的に行動する場合——即時の移行支援と、AIレントを捕捉・再分配するための構造改革を組み合わせる——自動化の利益は資本のみに帰属する必要はありません。むしろ、富の集中を脅かす同じ技術を、共有繁栄を拡大するために統治できます。抑制されなければ、Hintonが警告するシナリオ——AIが大量失業を引き起こし企業利益を押し上げる——がはるかに起こりやすくなります。今の選択は、技術的進歩を狭い所有者層への譲歩ではなく、広く有益な目的に向ける政策と企業規範を設計することです。