AI投資は成長をけん引する一方、経済リスクを浮き彫りにする

TD Securitiesは、明確な経済的不均衡を指摘している。2025年の米国企業投資の成長のほぼ4分の3は、AI関連プロジェクトによるものだった。Google Newsの見出しはこの活況を捉えているが、その下で進む依存の形成までは伝えていない。AIは設備投資全体の約8%を占めるにとどまりながら、その成長には不釣り合いに大きく寄与した。

この差は、経済をめぐる議論を変える。データセンター、チップ、電力設備、ソフトウェア、研究への支出は、AIが広範な生産性向上を実現する前から成長を支えている。経済は先に投資の恩恵を受けており、運用面での成果はなお不確実だ。

したがって中心的な対立軸は、投資主導の成長と生産性主導の成長である。Alphabet、Amazon、Meta、Microsoftなどの大手テクノロジー企業は、設備投資を通じて前者のエンジンを動かし続けられる。後者には、何千もの一般企業がAIを軸に業務を再編し、測定可能な成果を生み出すことが求められる。

Google Newsの見出しが見落としていること

TD Securitiesが描写しているのは、単にテクノロジー支出が好調だった一年ではなく、一つの狭い投資サイクルへの依存を強める経済である。

TD Economicsは、AI関連投資が2025年に、活況前のトレンドを約1,370億ドル上回ったと推計している。その分析では、AIインフラ整備に結び付く設備、構造物、ソフトウェア、研究への支出を組み合わせている。

データセンターと半導体施設への投資は、同年合計で1,250億ドルに達した。TDの手法では、ソフトウェアと研究も推定680億ドルのAI関連支出を加えた。

この集中こそ、企業投資見通しにおける最も重要な発見だ。AI関連活動は、設備投資全体の約8%にとどまりながら、企業投資の成長のほぼ4分の3を生み出した。

このパターンが重要なのは、AI関連領域以外の支出が低迷していたためだ。TDの評価によると、50を超える投資カテゴリーのうち、2025年に拡大したのは3分の1未満だった。

パンデミック期を除けば、この広がりの乏しさは2010年以降で最も弱い水準だった。この比較は、経済が金融危機後の状況に戻ったことを意味するものではない。無関係な産業から投資拡大への支えがどれほど少なかったかを示している。

貿易をめぐる不確実性と高水準の借入コストは、理由の一部を説明する。金利に敏感な企業はより厳しい資金調達環境に直面する一方、大手テクノロジー企業は潤沢なキャッシュフローを原資にデータセンターへの資金投入を続けた。

この不均衡からは、同じデータに対する二つの大きく異なる解釈が生まれる。一つは、民間企業が大幅な生産性向上に向けたインフラを構築しているという見方だ。もう一つは、見出し上の成長が少数の企業グループによる継続的な支出に異例なほどさらされているという見方である。

両方の見方が、しばらくの間は成り立ち得る。建設は需要を生み、設備受注は製造業を支え、ソフトウェア開発は投資として計上される。こうした効果は、AIがより広い経済全体で生産を引き上げられることを企業が証明する前に現れる。

元の記事には、名称の区別も必要だ。TD SecuritiesはTD傘下の資本市場事業であり、詳細な推計はTD Economicsの調査によるものだ。見出しを一つの企業予測として扱えば、この違いが曖昧になる。

変化したのは、単なる投資家の熱狂ではない。AIインフラは、国家レベルの投資統計、産業サプライチェーン、電力計画、経済成長への期待に影響を及ぼすほどの規模になった。

AI投資が経済をより大きく支えている

目先の経済的利益はAI能力の構築から生まれるが、持続的な利益は企業が最終的にその能力をどう活用するかにかかっている。

データセンターは長いサプライチェーンを動かす。開発事業者には、土地、建設労働力、電気設備、冷却システム、サーバー、ネットワーク機器、ストレージ、チップ、送電網への接続が必要となる。

こうした購入は、建設期間中の投資を押し上げる。同時に、半導体メーカー、電力会社、エンジニアリング企業、クラウドプロバイダー、設備サプライヤーの収益も支える。

米国商務省経済分析局は、資本、労働、エネルギー、原材料、サービスを通じてこの関係を説明している。同局の成長会計フレームワークは、これらの投入要素が産業の生産と国全体の成長にどのように寄与するかを追跡している。

情報産業の資本は、2021年から2024年にかけての米国実質GDP成長の主要な寄与要因の一つだった。この結果は、AIと関連サービスへの大規模な支出と整合的である。

ただし、公式統計にはAI投資という明確なカテゴリーはない。AIソフトウェアは複数の産業にまたがり、コンピューター購入には機械学習と無関係な機器も含まれる。

連邦準備制度も同じ測定上の問題に直面している。2026年7月のAIインフラ整備に関する分析では、AIの寄与を近似するため、ソフトウェア、コンピューティング機器、データセンター、電力インフラを組み合わせている。

この分析は、2025年から2026年第1四半期にかけて、四半期GDP成長に対する有意な寄与を確認した。最も大きなプラス要因はソフトウェアとコンピューター機器だった。

しかし、輸入が計算を複雑にする。企業は国内で大規模な投資を行いながら、コンピューティング機器の多くを海外サプライヤーから購入することがある。

購入は設備投資を押し上げるが、輸入はGDPへの直接的な寄与の一部を相殺する。このため、設備投資と国内経済成長は異なる幅で動き得る。

測定上の隔たりは、逆方向にもある。投資会計は建設や設備を捉えやすい一方、意思決定、製品品質、従業員の生産性における下流の改善は捉えにくい。

AIを用いて案件をより迅速に解決するカスタマーサービスチームは、新しいサーバーを購入せずとも、より大きな価値を生み出せる。ソフトウェアチームも、同じ人員数でより多くの機能をリリースできるかもしれない。

こうした利益は経済的に重要だが、AIの寄与を他の変化から切り分けることは依然として難しい。企業によって、節約された時間、エラー率、成果物の品質、代替された業務の測定方法も異なる。

したがって、現在のサイクルには目に見える側面と不確実な側面がある。目に見える側面には、クレーン、チップ、変電所、設備予算が含まれる。不確実な側面には、組織的な導入と持続的な生産性向上が含まれる。

だからこそ、Google Newsの枠組みは慎重に検討する必要がある。すでにGDPを形作る支出ブームは、AIが経済全体の生産を変革した証拠ではない。

Big Techの支出が他の企業に圧力をかける

AI投資経済は、今すぐインフラに資金を投入できる企業に報いる一方、同等の資源を持たない中小企業には導入の正当性を示す圧力をかける。

最大手のテクノロジー企業は、潤沢な資金、クラウド事業、確立した顧客基盤、世界の資本市場へのアクセスを備えてこのサイクルに入った。こうした優位性により、金利上昇にもかかわらず投資を継続できた。

TDの調査では、主要ハイパースケーラーの四半期設備投資は、2023年の約400億ドルから2025年には約1,300億ドルへ増加したと推計されている。ハイパースケーラーは、広範な顧客需要に対応できる規模のコンピューティングプラットフォームを運営している。

この支出は、高性能チップとデータセンター容量への需要を支える。同時に、モデル、クラウドサービス、AIアプリケーションを構築する企業にとっての競争上のハードルを引き上げる。

小規模な開発企業がデータセンターを建設する必要はない。しかし通常は、より大規模なプロバイダーが管理するインフラに依存し、利用量の増加に応じてコンピューティング料金を支払う。

企業の買い手も別の圧力に直面する。経営者はAIが生産性を高めると聞いているが、多くは成果物の品質や経済的なリターンを評価するための信頼できるプロセスをまだ持っていない。

モデルへのアクセスを購入するのは、あくまで初期段階にすぎない。企業はデータを接続し、ワークフローを再設計し、レビューのルールを整備し、従業員を訓練し、人間による承認が引き続き必要な領域を決めなければならない。

こうした補完的な投資は、製品デモではほとんど見えない。AIが業務インフラになるのか、十分に活用されないサブスクリプションにとどまるのかを左右するのは、これらの投資だ。

TDのカナダにおける生産性調査は、この違いを明確にしている。その生産性評価によると、初期の米国での利益は、広範な組織変革ではなく、主として資本深化を反映している。

資本深化は、労働者により多く、あるいはより優れた設備が与えられることで起こる。測定上の生産を高めることはあるが、新しい汎用技術を軸に生産を再編することとは異なる。

2025年第4四半期には、米国の情報処理機器への実質投資が前年同期比で約28%増加した。コンピューターおよび周辺機器への投資は約72%増加した。

TDが引用した数値によると、米国のデータセンター建設着工件数も2025年に約190%増加した。これらの数値は、異例の能力拡大を示している。

一方で、病院が事務手続きの遅延を削減したことや、メーカーが不良率を改善したことを示すものではない。こうした成果は、各組織内での実装に依存する。

TDが引用した調査は、米国、英国、ドイツ、オーストラリアの経営幹部約6,000人を対象としている。その結果、導入は広がっている一方、AIに起因する実現済みの生産性改善は限定的だった。

この隔たりは、テクノロジーベンダーにも圧力をかける。エラー、セキュリティ上のリスク、監督コストを抑えながら、顧客を実験段階から再現可能な導入へ移行させなければならない。

ナレッジワーカーにとって、教訓は実践的だ。より優れたモデルは役立つが、信頼できる価値は、そのモデルに提供する情報を整理することに左右される場合が多い。

整備されたAIナレッジベースは、プロジェクトの文脈を探す時間を減らせる。その事業価値は、なお正確性、アクセス制御、一貫した利用に依存する。

求められる対応は、参加者ごとに異なる。大手テクノロジー企業はインフラの稼働率を高く維持しなければならない。企業の買い手は投資対効果を証明する必要があり、小規模ベンダーは借り受けたコンピューティング能力の上で差別化された製品を構築しなければならない。

この圧力は、現在の支出サイクルを超えて続く。インフラは比較的迅速に資金調達・建設できるが、組織変革は予算、方針、従業員の行動を通じて進む。

メカニズムはデータセンターから生産性へとつながる

AI支出が持続的な経済成長になるのは、インフラがコンピューティングの低コスト化、より広範な導入、多くの産業における生産増加を支える場合に限られる。

サイクルは、予想される需要から始まる。テクノロジー企業は、学習と推論の利用拡大を見込む。推論とは、学習済みのAIモデルを運用することを指す。

これに対応し、企業はチップを発注し、施設を建設し、電力を確保する。サプライヤーは、こうした受注が自らの投資を正当化するだけの持続性を持つと判断した場合に能力を拡大する。

能力の増加は、時間の経過とともにコンピューティングのコストを下げ得る。コスト低下により、開発者はAI機能を追加しやすくなり、企業もより多くの業務を経済的に実行できるようになる。

普及が進めば、生産性向上の機会が生まれる。労働者は調査を加速し、記録を要約し、草案を作成し、データを精査し、プロセスの定義された一部を自動化できる。

しかし、このメカニズムの各接続点は弱まる可能性がある。送電網の遅れにより建物の完成が遅れたり、完成した施設がフル稼働に至らなかったりすることがある。

チップ不足はコストを押し上げ、納入スケジュールを長期化させる可能性がある。TDは、需要が供給制約にぶつかったことで、2025年後半に半導体価格の上昇が加速したと指摘した。

ソフトウェアの経済性も別の不確実性を生む。顧客が支出増に抵抗したり、広範な人手による検証を求めたりする場合、コンピューティングコストの低下が収益性の高いアプリケーションを保証するわけではない。

最後の段階である組織変革が最も難しい。過去の汎用技術では、スキル、経営、インフラ、そして再設計されたプロセスへの補完的な投資が必要だった。

企業が初めてモーターを接続した際、電力は直ちに工場の生産性を変革したわけではない。多くの成果は、管理者が分散型の電力供給を前提に生産体制を再設計してから現れた。

コンピューターも同様の道筋をたどった。企業は、情報の流れ、サプライチェーン、管理業務を再構築する方法を学ぶ前にハードウェアを購入した。

AIにも同じタイミングの問題があり、そこには信頼性への懸念も加わる。モデルは流暢な出力を生成できるが、誤った事実、欠落した文脈、あるいは安全性に欠ける提案を含むことがある。

これは、経済学者がしばしば生産性のJカーブと呼ぶ現象を生む。組織が無形資産に投資し、業務を再設計する間は、測定される生産性が当初期待を下回る可能性がある。

その後の成果が現れるのは、こうした変化が継続的なコストを上回る生産量を生み出した場合に限られる。研修、ガバナンス、データ準備、人によるレビューはいずれもその計算に含まれる。

このメカニズムは、恩恵を不均等に広げる。大規模なデータセンター集積地に近い建設市場は直接投資を受ける一方、他の地域では当面の恩恵はほとんど得られない。

AI関連産業の労働者は、需要増の恩恵を受ける可能性がある。ほかの従業員は、ワークフローの変化や、雇用主が自身の役割の一部を自動化するかどうかという不確実性に直面する。

その結果、経済は二つの時計によって形づくられる。インフラの時計は、公表された設備投資予算と建設スケジュールに沿って進む。

生産性の時計は、実験、信頼、プロセスの再設計、そして測定された成果に沿って進む。別のデータセンターが稼働を開始したからといって、自動的に速く進むわけではない。

この区別により、AI投資に関する経済データはより有用になる。これは、能力創出のために支出された資金と、継続的な利用を通じて生み出された価値を分けて考えるためだ。

利用率が上昇し、企業の成果が改善すれば、今日の建設は長期的成長の基盤となる。導入が停滞すれば、同じインフラは高額な運用要件を伴う過剰能力となる。

投資額が依然として証明できないこと

最も強い証拠は大規模なAI建設サイクルを裏付けているが、広範な生産性変革や十分な投資収益をまだ立証してはいない。

第一の不確実性は定義にある。政府統計はAIを切り分けていないため、アナリストはAIと非AIの活動が混在するカテゴリーから推計を構築している。

コンピューターと周辺機器には、通常の職場用デバイスも含まれる。電力インフラは、AI施設と並行して住宅、工場、輸送、従来型のデータサービスも支えている。

Fedは、同じカテゴリーに無関係なトレンドが影響するようになるにつれ、2023年以前の基準線を外挿する信頼性は低下すると警告している。したがって、あらゆる推計は含める範囲と帰属に関する仮定に依存する。

第二の不確実性は集中度に関するものだ。潤沢な現金を持つ少数の企業によって牽引される投資拡大は力強く維持され得るが、その裾野は限られる。

TDは、2025年に成長した事業投資カテゴリーは3分の1未満だったと分析した。このため、総投資はハイパースケーラーの予算判断により敏感になる。

第三の不確実性は収益化である。インフラ運営者は、チップ、電力、冷却、保守、ネットワーク、資金調達を賄うだけの有料需要を確保する必要がある。

消費者の熱意が必ずしも企業収益を生むとは限らない。法人顧客は導入を拡大する前に、セキュリティ、正確性、統合コスト、測定可能な収益を評価する。

第四の不確実性は金融市場に関するものだ。テクノロジー株の評価額上昇は家計資産を通じて消費を支え得るが、価格下落はこの経路を逆転させる可能性がある。

TDはこのリスクを市場ストレス分析でモデル化した。仮にS&P 500が30%調整した場合、同社の仮定では年間成長率は1パーセントポイント超低下する。

同じシナリオでは、年末までに失業率が5%を上回る。TDはこの規模の調整を中心予測ではなく、テールリスクと位置付けた。

モデル上、10%の調整による影響ははるかに小さかった。この対比は、単に市場の変動性が到来することよりも、どの程度の再評価が起きるかが重要である理由を示している。

TDは、循環型資金調達と債務への依存拡大も潜在的な脆弱性として挙げた。循環型の取り決めは、参加者が自社製品を購入する顧客やパートナーに資金を提供する場合に生じる。

こうした契約はインフラ展開を加速させ得る。一方で、資本、コンピューティング契約、サプライヤー収益が同じ商業ネットワーク内で動くと、独立した需要を見えにくくする可能性もある。

電力も別の制約となる。世界のデータセンター能力には、発電、送電、変電所、そして長期にわたる接続プロセスが必要だ。

TDは、世界の設置済みデータセンター向け電力需要が2020年の約60ギガワットから、2024年には約100ギガワットへ増加したと推計している。この拡大を主導したのは米国と中国だった。

同社の送電網制約レポートは、地域が一般の電力利用者に不合理なコストを転嫁せずにプロジェクトを接続しなければならないと論じている。

この問題は投資を政治的対立へと変え得る。地域社会は、税収と建設雇用を、土地利用、水消費、送電網の増強、電気料金と比較衡量する。

これらのリスクはいずれもAI投資の論拠を無効にするものではない。むしろ、その論拠が成功するために必要な条件を定義するものだ。

証拠は、強いインフラ需要と事業投資への意味ある影響を裏付けている。経済全体の生産性に関する主張には、より直接的な業務上の証拠が必要である。

したがって読者は、三つの主張を区別すべきだ。AI支出は大きい、AI支出は成長を支える、AI導入は生産性を変革した――これらは別々の主張である。

最初の二つには十分な証拠がある。三つ目は未解決の検証課題であり、設備投資総額だけで結論を出すことはできない。

次に何が起きるかを決める三つのシグナル

次の段階は、単に支出発表が大きくなることではなく、投資の裾野、インフラ利用率、検証済みの生産性向上によって評価される。

第一のシグナルは、事業投資の裾野である。アナリストは、AI以外の設備、構造物、知的財産のカテゴリーで成長が始まるかを注視すべきだ。

より広範な成長は、経済が集中した建設投資を超えて進めるというTDの見方を強める。弱さが続けば、AIが異例に孤立した支えであり続けることを示す。

この指標は、設備投資に関する将来のGoogle Newsの見出しにも文脈を与える。総額の増加は、複数のテクノロジー企業を超えて参加が広がる場合に、より健全に映る。

第二のシグナルは、データセンター建設、設備受注、電力接続、実際の利用率の関係だ。これらの指標は、同じインフラサイクルの異なる段階を追跡している。

半導体生産と活発なコンピューティング需要を伴う建設の継続は、投資の根拠を支える。利用を伴わない建設は、過剰能力のリスクを高める。

送電網へのアクセスもこのシグナルに含まれる。計画された施設は、建設が始まっただけで生産的になるわけではない。接続の遅れは資本を遊休化させ、公表された能力を歪める可能性がある。

Fedは、物理的な建設をコンピューティング機器と半導体の生産と比較することを特に推奨している。乖離は、供給制約や支出構成の変化を明らかにし得る。

第三のシグナルは、テクノロジー部門以外で検証された生産性だ。企業は通常の業務検証に耐える、生産量、品質、サイクルタイム、コストの改善を報告すべきである。

在庫計画を短縮する小売業者、管理業務を削減する病院、保守を改善するメーカーは、導入調査だけよりも強い証拠を示し得る。

測定には導入コストを含めなければならない。組織が節約した従業員時間を追加の生産やより良いサービスへ振り向けられない場合、その価値は限られる。

この第三のシグナルが、AIが経済全体にわたる汎用技術となるかを決める。また、初期の建設投資後もインフラ所有者が持続的な需要を得られるかどうかも左右する。

開発者にとっての課題は、現実のビジネス制約の中で確実に機能するシステムを作ることだ。モデル能力に加え、正確性、セキュリティ、統合、人による監督が重要になる。

企業の買い手は、導入前にベースラインを求めるべきだ。どの指標が変わるのか、どのように検証されるのか、改善にどのような新たなコストが伴うのかを把握する必要がある。

ナレッジワーカーも、より小さな規模で同じ規律を適用できる。AIワークフローが検索時間を短縮するか、完全性を高めるか、反復的な成果物の作成を加速するかを追跡すべきだ。

投資家は、この検証をより広い形で行う必要がある。継続的な資本投入に支えられた収益と、収益性のあるエンドユーザー需要に支えられた収益を分けて考えなければならない。

TD Securitiesは、経済に関する議論をモデル性能から資本配分へと移す助けとなった。この転換は、投資が現在、成長、電力市場、サプライチェーン、金融リスクに影響しているため価値がある。

もはや問題は、AIが多額の支出を引きつけるかどうかではない。その支出が、企業が持続可能な水準で利用する生産的能力を生み出すかどうかである。

次の投資レポート、インフラ利用率の開示、企業の生産性に関する証拠を併せて注視してほしい。三つすべてが改善すれば、現在の集中は構造的な弱点ではなく初期段階となる。

支出だけが増えるなら、Google Newsの物語は不完全なままだ。読者は、どの産業がより多くを生産しているのか、誰が利益を得るのか、その利益が建設投資の後も続くのかを問うべきだ。