top of page

FedのAI研究、データセンター投資と生産性を比較検討

24 分前
読了時間: 18分
Illustrative photograph. Photo: Kampus Production / Pexels.

連邦準備制度の研究者はFedのAI研究を発表し、目に見えるインフラ投資と、依然として測定が難しい生産性向上との隔たりが広がっていることを示した。建物、チップ、建設に関するコミットメントは、支出の具体的な証拠となる。しかし、それだけで経済全体が財やサービスをどれほど効率的に生産できるようになったかは明らかにならない。

この区別は、コンピューティング能力に資金を投じる企業と、AIツールを購入する企業の双方にとって重要だ。どちらにも、その投資を正当化する有用な用途が必要になる。ただし証拠が現れる時期は異なる。建設プロジェクトは、最終的な顧客が日常業務で持続的な改善を示す前に可視化される。

中心的な緊張関係は、インフラ投資と実現された経済価値の間にある。Erik Brynjolfssonらによる先行研究は歴史的な参照点を示している。技術への支出と組織的な改善は、必ずしも同時に現れるわけではない。問われるのは、企業が前者を後者とどれほど説得力をもって結び付けられるかだ。

FedのAI研究が実際に示していること

この論文は現在の証拠を評価したものであり、AIの経済的可能性について最終的な判断を下すものではない。

2026年11月のAI経済研究は、Nick Carollo、Leland D. Crane、Daniel Garcia Molina、Joseph Nicholsによるものだ。公式ページの最終更新日は11月12日。投資と導入が拡大する一方で、総体的な生産性への影響は現時点では小さく見えると説明している。

この刊行物は、研究と議論を支援することを目的としたワーキングペーパー集「Finance and Economics Discussion Series」に属する。結論は著者らの見解を表すものであり、連邦準備制度理事会や他のスタッフの合意を示すものではない。

この線引きは、見出しが「Fedの研究」で始まる場合にとりわけ重要だ。読者は、この論文を金融政策の予測として解釈すべきではない。また、刊行されたからといって、政策当局者がAIが将来の成長、雇用、インフレに与える影響について結論を出したことを意味するわけでもない。

時期についても慎重さが必要だ。論文の分析の大半は2026年6月までに完了しており、その後の情報も一部含まれている。11月に公表されたからといって、基礎となる観測値のすべてが11月時点の新しい測定値になるわけではない。

読者にとって有用なのは、分析の枠組みだ。この論文は、物的投資、企業導入、投入コスト、雇用、生産性を同じ議論に組み込んでいる。そのため、よく知られたAI関連の見出しをより厳密に解釈することが促される。

計画中の施設は建設する意図を示す。稼働中の施設は利用可能な能力を示す。顧客契約は、特定の条件下での需要を示す。完了した業務における実証済みの改善は、さらに別のものを示す。

これらの観測は互いを補強し得るが、どれも自動的に他を代替するものではない。それらを同一視すると、投資に関する説明が、証拠の許す範囲以上に決定的に聞こえてしまう。

追加のコンピューティング能力へのアクセスを購入する架空の企業を考えてみよう。この購入は、経営陣が利益を期待していることを示す。しかし、従業員が有用な仕事をより速く終えられるか、顧客がより良いサービスを受けられるか、あるいは事業成果が改善するかまでは示さない。

この区別は逆方向にも成り立つ。従業員は、国の統計に目に見える変化を生じさせずに大きな利益を得ることがある。経済全体に占める割合が小さくても、成功したアプリケーションの重要性は失われない。

だからこそ、この論文は議論を終わらせるのではなく、報道をより精緻にするべきだ。楽観的な主張には、導入から成果への橋渡しが必要となる。懐疑的な主張には、総体的な証拠が限られていることが、なぜ特定の状況での利益を否定するのかの説明が求められる。

企業の購入担当者にとって、これにより最も有用な問いが変わる。AIが「機能するか」と問えば、購入判断の指針としては広すぎる答えを招く。どのワークフローが、どの条件で改善するのかを問うことで、企業が評価できるものになる。

インフラ提供事業者にとって、対応する問いは信頼できる需要に関わる。ツールを試用する顧客と、業務を改善するため繰り返し購入する顧客とでは、基盤が異なる。

この研究の重要性は、こうした区別を無視しにくくした点にある。支出発表と最終的な経済的成果の間に、説明責任を置いている。

発表済みプロジェクトは完了済み投資ではない

最大規模のインフラ関連数値は開発の異なる段階を表しており、それらを安易に合算することはできない。

データセンター分析では、2024年の発表済み計画が3,000億ドル近くに達し、2025年には1兆ドルを超えたと特定している。これらは、すでに完了した支出ではなく、プロジェクト計画である。

2026年5月時点で利用可能な計画を用い、著者らの中位シナリオは投資が2024年の約1,000億ドルから2027年末までに8,800億ドル超へ増加すると予測している。このシナリオは、国内で生産された財・サービスの価値である国内総生産の2%を上回る。

この予測は、新規計画、計画放棄、建設時期に関する仮定に依存する。投資のおよそ3分の1は構造物に向けられ、残りの大半はハイテク機器に振り向けられる。

著者らは、資本化されたサービスを含め、輸入比率を約50%と見積もっている。また、電力、ゾーニング、資材、労働力、資金調達の制約も指摘している。こうした留保は、予測投資を、保証された建設あるいは同額の国内生産への寄与として単純に読解することを妨げる。

実務的には、すべてのインフラ関連見出しで測定対象を明確にする必要がある。発表は意欲を示す。建設活動は実行を示す。機器の設置はプロジェクトをサービス提供へ近づける。顧客利用が、その能力が持続的な経済活動を支えるかどうかを決める。

架空の開発案件では、同じプロジェクトがこれらの段階を進む中で複数の発表に現れる可能性がある。各発表を新規投資として数えれば、新たな活動の規模を過大評価することになる。

全社的な設備投資額も、別の解釈上の問題を生む。設備投資とは、企業に長期にわたって役立つと見込まれる資産への支出を指す。この数値には複数の活動が含まれ得るため、自動的にAIだけを切り出せるわけではない。

したがって、正確な比較には一貫した範囲設定が必要となる。プロジェクト見積もりは別のプロジェクト見積もりと比較すべきだ。実際の支出は実際の支出と比較すべきだ。シナリオは、提示されるたびにその仮定を維持すべきである。

GDPに関する区別にも同様の規律が必要だ。国内生産と輸入機器は、国民経済計算に異なる形で計上される。大規模な購入は米国の施設を支え得るが、それが同額の米国生産を意味するわけではない。

これは、輸入機器が経済的に無関係だという意味ではない。企業はそれを何年にもわたり価値あるサービスの提供に活用できる。つまり、その購入と後の生産的貢献は別の問いに答えるものだ。

読者はまた、予測された投資水準を経済成長への同一の寄与に変換することにも慎重であるべきだ。水準は、ある時点または期間における額を表す。成長は、別の期間との比較における変化を表す。

大きな数値が研究図表から見出しへ移る際には、こうした違いが重要になる。測定期間やシナリオのラベルを取り除くことは、数値を短くする以上に主張を変えてしまう可能性がある。

インフラ開発事業者にとって、そこから生じる圧力は運用上のものだ。発表されたプロジェクトには、承認、建設、機器納入、顧客サービスに至る信頼できる道筋が必要になる。世間の注目がそのいずれの段階も完了させるわけではない。

購入者にとって有用な問いは、実際の提供条件で利用可能な能力に関わる。遠い将来のプロジェクト発表は、業務で必要な時に利用できるサービスよりも確実性が低い。

投資パイプラインには、なお経済的な意味がある。その意味は、パイプライン全体がすでに成果をもたらした証拠として提示するのではなく、各段階にそれぞれ固有のラベルを保つことで、より明確になる。

購入者に必要なのは、能力の増加だけでなく完了した仕事だ

インフラ提供事業者と企業の購入者は、追加のコンピューティングが継続する価値のある成果を生むかという、同じ根本的な試練に直面している。

FedのAI研究は、すべての企業についてこの試練を解決することなく、その焦点を明確にしている。以下の示唆は、特定ベンダーの投資収益に関する結論ではなく、企業がこの隔たりをどう解釈すべきかに関するものだ。

まず、AI文章作成アシスタントを検討する企業の購入者から始めよう。下書きを速く作成できることには価値があり得る。事業上の成果は、下書きが現れた後に何が起きるかに左右される。

レビュー担当者が論旨を組み立て直し、すべての事実上の主張を検証し、結論を書き直さなければならない場合、生成速度はワークフローの一部しか測っていない。関連する比較には、それら後続の工程が含まれる。

別のケースでは、下書きがほとんど修正を要せず、従来は未完了のままだった仕事を従業員が完了する助けになるかもしれない。ツールが同程度の量の文章を生成していても、これは異なる結果だ。

購入判断では、こうした可能性を区別する必要がある。利用量は製品への関与を測る。完了し、受け入れ可能な仕事は、事業目標に向けた進捗を測る。どちらも、もう一方と暗黙に置き換えてはならない。

架空のカスタマーサポートチームは、この違いをよく示す。アシスタントは、エージェントが承認済みの回答をより速く見つける助けになるかもしれない。その価値は、その回答が追加のフォローアップを生むことなく顧客の問題を解決するかどうかにも左右される。

ソフトウェアチームでは、生成されたコードにも同様の連鎖がある。提案された変更は既存アプリケーションに適合し、レビューを通過し、保守可能な状態を維持しなければならない。生成の高速化は、提供の高速化とも低速化とも共存し得る。

これらの例は、AIが一般に役立つか妨げになるかを立証するものではない。同じ購入カテゴリーでも、組織ごとに異なる結果を生み得る理由を説明している。

文脈は、もっともらしい分岐要因だ。不完全な指示を扱うツールは、関連文書と明確に定義された受け入れ基準を受け取るツールとは異なる課題に直面する。

この問題を検討するチームにとって、検索可能なナレッジベースは関連するワークフローとして検討に値する。ソース資料を整理することは、AIによる生産性向上を実証することとは別だが、ワークフローにどのような情報が必要かを明確にする助けとなる。

インフラ提供事業者は、この課題の顧客側に間接的に直面する。再現可能な価値を得る企業には、サービスを購入し続けるより明確な理由がある。利益を特定できない企業には、社内での正当化が弱い。

同じ論理は、モデル提供事業者としてのOpenAIとAnthropicを、クラウド提供事業者としてのMicrosoftとAmazonと比較する際にも役立つ。これらは相互に代替可能な事業ではなく、コンピューティングのサプライチェーンにおける異なる立場である。

分析上の要点は、顧客との関係を追うことだ。モデル提供事業者には、その能力に対する需要が必要だ。クラウド提供事業者には、インフラサービスを利用する顧客が必要だ。企業の購入者には、自社アプリケーションから得られる有用な結果が必要である。

一つの層での成功が、他のすべての層での成功を自動的に示すわけではない。インフラ提供企業は、エンタープライズ顧客が自社アプリケーションによる業務改善の有無を確立する前に、支払いを受け取ることがある。

これは、AIへの熱狂をめぐる議論よりも具体的な圧力を生む。買い手には、レビューと契約更新に耐えうる証拠が必要だ。提供企業には、顧客の評価を乗り越えられる需要が必要となる。

設備容量に関する発表は、その需要への期待を支えることができる。しかし、そうした期待が最終的に依拠する顧客成果の代わりにはならない。

職場での証拠は成果を裏付けるが、境界もある

明確に定義された職場で効果を示す研究は、一般的な約束より強い証拠となる。ただし、その適用範囲もまた研究結果の一部である。

Brynjolfsson、Danielle Li、Lindsey Raymondは、カスタマーサポート担当者が使用するAI会話アシスタントを研究した。公表された職場生産性に関する研究は、5,172人の担当者から得られた証拠を報告している。

アシスタントへのアクセスにより、1時間当たりの解決件数は平均で15%増加した。効果は担当者によって異なった。この論文は2025年5月発行のQuarterly Journal of Economicsに掲載された。

これは、インフラ支出からの推論ではなく、生産的な利用の具体例を示している。また、調査対象の環境における、1時間当たりに解決されたカスタマーサポート案件という明確な成果も定めている。

この成果は、数値が引用される際には常にその割合と結び付けておくべきだ。これは、すべての従業員の生産性が測定上向上したことを意味しない。すべての事業機能で同等の変化が起きることも示していない。

この区別は、職場での肯定的な証拠と、限定的なマクロ効果を両立させる助けとなる。局所的な研究は、定義された条件下でツールへのアクセスが業績を変えるかを問う。国レベルの分析は、はるかに広い経済全体の成果を問う。

これらの問いは、対象範囲、時期、測定方法が異なる。前者への明確な答えは、後者への不確実な答えと共存しうる。

したがって、エンタープライズの買い手にとって、カスタマーサポートに関する研究は可能性の証拠であり、慎重な測定の例として有用である。しかし、買い手自身のワークフローを評価する必要をなくすものではない。

同等の評価では、結果を検討する前に、完了とみなす成果を特定する必要がある。そうしなければ、チームは導入を最も好意的に見せる指標を選んでしまうおそれがある。

仮に、あるアシスタントが従業員の下書きする回答数を増やしたとする。その結果は、受信者がその回答を受け入れたか、また問題が解決されたままかと組み合わせることで、より多くを語る。

ツールが仕事そのものを変える場合にも、同じ原則が当てはまる。従業員は、より詳細な文書を作成したり、追加の選択肢を検討したり、これまで避けていた業務を引き受けたりするかもしれない。

時間短縮だけを測る指標では、そうした利点を見落としかねない。逆に、有用性を評価せずに追加のアウトプットを数えると、その価値を過大評価する可能性がある。評価は、企業がそのツールを採用した理由に対応していなければならない。

歴史的研究は別の観点を示す。Brynjolfsson、Daniel Rock、Chad Syversonによる生産性Jカーブに関する研究は、補完的な投資が汎用技術から得られる測定上のリターンにどのように影響するかを検討している。

その枠組みには、組織変更、新たなプロセス、人材資本が含まれる。周辺能力の構築が、測定される生産性向上に先行しうる理由を説明している。

これは、導入コストを慎重に検討すべき理由になる。しかし、すべての導入が最終的に成功するという保証ではない。遅れて得られるリターンと失敗したプロジェクトは、当初は似て見えることがある。

この区別には継続的な検証が必要だ。企業が不振な結果を調整期間として説明するなら、その後の証拠は何が変わり、業績が改善したかを示すべきである。

買い手にとって、忍耐は観察可能な導入プロセスと結び付く場合に、より正当化しやすくなる。メリットはいずれ現れるという期限のない約束は、はるかに指針として弱い。

したがって、最も強い楽観的解釈にも条件が付く。職場研究は、成果が達成可能であることを示している。次の課題は、どこでも同一の結果を前提とせず、より多くの業務と組織で有用な成果を再現することだ。

弱い統計も過去の実験も、結論を決めるものではない

懐疑的な主張も精査に値する。とりわけ、歴史的な知見が現在のツールに関する主張へと転用される場合はなおさらである。

METRによる2025年7月の開発者生産性実験は、自身のリポジトリで作業する経験豊富なオープンソース開発者を調査した。この研究には16人の開発者と246件のタスクが含まれた。

AIの利用を認められた開発者は、タスク完了に19%長い時間を要した。ツールは2025年初頭時点の能力を反映しており、研究者らはこの結果をすべてのソフトウェア開発に一般化しないよう明確に警告した。

この知見は、支援が必ず完了時間を短縮するという単純な前提に疑問を投げかける。また、利用者の印象と測定されたパフォーマンスを分けて扱うべき理由も示している。

しかし、その範囲は方向性と同じくらい重要だ。使い慣れたリポジトリで作業する経験豊富なコントリビューターは、特有のタスクと基準の組み合わせに直面する。他の開発者やプロジェクトには、それぞれ独自の証拠が必要である。

その結果を現在の評価として用いることは、その後の展開によってさらに複雑になっている。2026年2月24日の実験設計に関する更新で、METRは、新しい実験では現在の効果について信頼できないシグナルしか得られなかったと述べた。

研究者らは、AIなしで働きたくないために開発者が参加を辞退するなどの選択上の問題を特定した。彼らは新しいツールがより大きな加速をもたらす可能性が高いと考えつつも、その規模については不確実性を強調した。

この更新は、以前の実験を消し去るものではない。それは、その実験を本来の期間と設定を超えてどの程度自信を持って適用できるかを変える。

より広い教訓は、変化する技術と変化する利用者に関するものだ。ツールが進化するなら、証拠には日付が必要となる。利用者が取り組むタスクを変えるなら、比較はその行動を考慮しなければならない。

以前は非現実的と考えられていたタスクに、AIを使って取り組む仮想の開発者を考えてみよう。以前のワークフローでは同じ結果が生み出されなかったため、完了時間を以前のワークフローと比べることは難しい。

これは、新しいワークフローが生産的であることを証明するものではない。開発者が速くなったと感じるかだけを問う以上の比較が必要な理由を説明している。

逆の問題もある。アシスタントが目に見える活動を生み出すため利用者は生産的だと感じる一方で、レビューと修正が見かけ上の節約分を費やしてしまうかもしれない。

健全な評価では、こうした状況を区別する必要がある。どの業務に取り組んだのか、何が必要な基準を満たしたのか、そして結果を支えるためにどの程度の人手が必要だったのかを特定すべきだ。

FedのAI研究も、より広い規模で同じ規律を要する。測定された成果が限定的であることは、包括的な主張に慎重である理由となる。それは、すべての局所的な利点が架空であるとか、将来の成果が不可能であることを示すものではない。

同様に、不確実性が期待外れの結果を一律に擁護する根拠になってはならない。既存の測定が不完全だと主張するだけでは、企業は価値を示せない。

合理的な立場は、双方に厳格さを求める。肯定的な主張には、有用な成果に結び付く証拠が必要だ。否定的な主張には、その結論を支えられるほど広範かつ最新の証拠が必要となる。

読者にとっては、劇的な割合を調査の出発点として扱うことを意味する。そのタスク、母集団、比較対象、測定期間によって、それが実際に何を説明できるかが決まる。

こうした詳細が可視化されれば、意見の相違はより有用になる。AIが普遍的に生産的かを議論する代わりに、研究者と買い手は結果が異なる場所を特定し、その理由を調査できる。

導入、顧客成果、より広範な生産性を注視する

次の証拠は、経済全体の変革に関する主張を支える前に、運用面の進展と顧客価値を結び付けるべきである。

今後数か月で最初に注目すべきシグナルは、既存のインフラコミットメントに対する実行状況だ。プロジェクトの更新情報は、修正された計画と、実際に利用可能になった施設・サービスを区別する場合に最も重要となる。

導入が完了した証拠は、投資ストーリーの実行面を強める。遅延や縮小は、発表された容量が当初の予定どおり到来するという前提を弱める。

ただし、どちらの結果も単独では生産性の問題を解決しない。導入は投入資源の存在を示す。その次の問いは、顧客がそれをどう使うかである。

第二のシグナルは、アクセスや試行を超えた顧客の証拠だ。受け入れられた業務、サービス品質、継続利用、継続購入に関する明確に定義された結果に注目したい。

改善を報告する企業は、その比較内容を説明すべきである。有用な開示では、ワークフロー、成果、そしてレビューに要する労力が測定に含まれるかを特定する。

再現可能な改善は、インフラ支出が持続的な需要を支えるという主張を強める。作成されたアカウント数や生成されたコンテンツだけに焦点を当てた報告では、その橋渡しは十分に示されない。

製品間の比較がより有益になるのもこの段階だ。買い手が知る必要があるのは、どのベンダーが最も大きな一般的野心を発表するかではなく、どのツールが自社のタスクと運用条件に適合するかである。

狭いワークフローで優れた成果を上げる製品は、継続利用に値する場合がある。幅広い能力を持つ製品でも、特定の買い手が正当化できる以上の導入作業を要することがある。

第三のシグナルは、時間をかけて解釈すべき、より広範な生産性の証拠だ。総生産性の指標は、経済全体における投入に対する産出を測る。より強い傾向は重要だが、それをAIに帰属させるには追加の分析が必要となる。

好調な国全体の数値は、すべてのAI投資が成功したことを示すものではない。低調な数値も、適切に設計された職場実験を無効にするものではない。これらの測定は異なる活動水準を対象としている。

全体的な議論を強めるのは、これらの水準をまたぐ一貫性だろう。運用面での導入、有用な顧客成果、より広範な改善がそろえば、孤立した発表のどれよりも説得力ある連鎖となる。

議論を弱めるのは、持続的な乖離である。信頼できる需要を伴わない容量導入は提供企業に圧力をかける。測定可能な利点を伴わない広範な利用は、買い手に導入の見直しを迫る。

これらは、次の報告サイクルで何が示されるかの予測ではなく、観察すべきシグナルである。その目的は、将来の主張を検証可能にすることだ。

この論考の持続的な価値は、そのプロセスにもたらす規律にある。読者に対し、何が構築され、何が採用され、何が改善されたのかを区別するよう求めている。

次のAI発表を経済的なリターンの証拠として扱う前に、それがその連鎖のどの部分を測っているのかを確認したい。完了した成果、意味のある比較、必要な労力の明確な説明を探すべきだ。成功した職場での証拠を視野に入れつつ、その限界も保つ。期待外れの結果についても、その日付と設定に等しく注意を払って読む。FedのAI研究は、目に見える投資と、なお実証を要する便益を分けているため、有用な出発点となる。次のプロジェクト更新、顧客評価、生産性統計を、この区別を念頭に追ってほしい。追加のコンピューティング容量と、より良い仕事を実際に結び付ける新たな証拠はどれだろうか。

 
 

無料で始めましょう

ローカルファーストのパーソナル知識管理付きAIアシスタント

より良いAI体験のために、

remio は現在、 Windows 10+ (x64)とM-Chip Mac のみをサポートしています。

仕事のAIパートナー
remioでもっと仕事が進む

計画・作成・仕上げまで
すべてをひとつに

bottom of page