置換可能だが依然として活用される:自動化と労働の意味

2026/09/08 4:06

置換可能だが依然として活用される:自動化と労働の意味

RSS: https://news.ycombinator.com/rss

要約

Japanese Translation:

2026年7月にNBERワーキングペーパー35559として発行された、Joshua S. Gans の研究「Replaceable but Employed」は、自動化が雇用を失う以前に、労働における意味感を侵食するという論旨を展開している。労働者は単に生産物から価値を得るだけでなく、その特定の努力が生産物を決定することを認識することで価値を得る;しかし、信頼できる機械的な代替案は、この心理的な結びつきを弱体化させる。これにより、「意味の外部性」が生まれる:賃金が完全に調整されて補償する場合は費用が共有されるが、賃金が部分的にしか調整されない場合、労働者は心理的損失の一部を負担することになる。Gans は、開発者がライセンス契約前に自動化機能を公的にデモすることで利潤を得られることを指摘している。そのようなデモは人間の労働の内在的価値の受動性を低下させ、企業に対して技術導入を必要以上に早期に進めるよう促すからである。より高い技術的品質が生産性を向上させる一方、単なる公的な注目度が高いことは人間の労働の価値を弱体化させる。その結果、産業レベルでは、労働者の目的意識からの価値を引き出す加速度的な技術成長がもたらされ、大量失業が発生する以前に社会有害な結果——潜在的な雇用喪失と心理的被害を含む——が生じる可能性がある。(関連イベントには、Mark Duggan による Feldstein 講義および、2026年の Methods Lectures で Melissa Dell と Ashesh Rambachan の出演が含まれる。)

本文

置換可能でありながら雇用が継続する状況:自動化と労働の意味について

ワーキングペーパー No. 35,559
DOI: 10.3386/w35559
発行日: 2026 年 7 月
著者: Joshua S. Gans

概要・主な提言

  • 本稿の焦点
    • 自動化が従業員を置換えずとも、労働者に悪影響を与えるかについて検討する。
    • 対象職種: 労働者が有用な成果を生産することと、その成果が自らの貢献に依存していることを重視する職種。
  • 「労働の意味」の弱体化
    • 信頼性の高い機械的な代替手段が存在する場合でも、企業が生産性向上のために従業員を保持し続けることはある。
    • しかし、そのような状況は第二の源泉である**「労働の意味」を弱体化させる**可能性がある。
  • 損失の負担分配(賃金調整による)
    • 本モデルによれば、自動化による損失の負担先は以下の通りとなる:
      1. 賃金が完全に調整される場合: 企業側が報酬を引き上げる
      2. 賃金が部分的にしか調整されない場合: 労働者自身が損失の一部を負担する
  • 自動化頻度の増加と外部性
    • このメカニズムは、企業や開発者が自動化の実施自体をより頻繁に行う可能性を生み出す。
    • 外部の開発者の戦略:
      • 正式なライセンス契約を結ぶ前に機械の公開デモンストレーションを行うことで利益を得る可能性がある。
      • 理由: デモにより人間による代替手段(人手)の価値が低下するためだ。
  • 「意味に関する外部性」の問題点
    • この現象は**「意味に関する外部性(meaning externality)」**と呼ばれる。
    • 機械への需要を生み、社会的に有害であるにもかかわらず開発が経済的に採算性を獲得する事態を引き起こす可能性がある。
  • 技術的品質 vs 公共的認知度
    • これらには異なる影響がある:
      • 前者(技術的品質の向上): 成果の質を高める。
      • 後者(公共的認知度の低下): それ自体だけで人間の労働の価値を弱体化させる
  • 結論
    • 自動化は雇用数を減らす前に、「労働そのものの価値」を低下させることがあることに注意が必要である。

引用情報

Joshua S. Gans, "Replaceable but Employed: Automation and the Meaning of Work," 
NBER Working Paper 35,559 (2026), https://doi.org/10.3386/w35559.

同じ日のほかのニュース

一覧に戻る →

2026/09/08 3:52

ロサンゼルスが一つ一つのビル建設を通じて発展していく姿を見てください(1880 年~2026 年)

## Japanese Translation: 本テキストは、ロサンゼルス独自の視覚マップを説明している。既存の構造物それぞれが建設年によって配置された一つの箱として表現されており、現在も存続している建物のみが含まれ、取り壊されたものは除外されている。その結果、この可視化は都市の歴史的景観や完全なタイムラインではなく、現在の建築環境を示している。これは生存する建築への明確な年代的概要を提供する一方で、過去の構造物や将来の開発については洞察を与えず、ロサンゼルの進化を現在にのみ焦点を当てており不完全な画像として提示する。 ## Text to translate : This text describes a unique visual map of Los Angeles where each existing structure is shown as one box arranged by its construction year. Only buildings still standing today are included; those that have been demolished are excluded. As a result, the visualization shows the current built environment rather than the city's historical appearance or full timeline. While it provides a clear chronological overview of surviving architecture, it offers no insight into former structures or future developments, presenting an incomplete picture of Los Angeles's evolution by focusing solely on the present.

2026/09/05 20:25

Linux ディストリビューション全体に対する信頼を誤用した攻撃 (Trust-Trust Attack)

## Japanese Translation: Ken Thompson の「信頼の連鎖」攻撃は、以前はコンパイラレベルでの改ざんが必要とされていたものが、GNU strip 内でも実行可能であることを実証した。本研究では、GNU strip が完成済みの ELF ファイルを改変することで、ソースコードを確認せず・改変せずにも、Linux 全体のビルド環境に永続的なバックドアを埋め込むことを示している。NixOS のブートストラッププロセスにおいて、バイナリシードに含まれる GNU strip の単一のパッチ済みバージョンによってペイロードが挿入され、それが次のビルド世代へと伝播し、シードが依存関係の閉じ外に出た後の最終的な標準環境においても存続する。実際の nixpkgs リビジョンにおいて、この攻撃は障害なく完全なグラフィカルインストールメディアを構築でき、任意の悪意のある挙動を行う汚染されたバイナリを生み出した。この発見は、NixOS のような不変系ディストリビューションに依存するユーザーや組織に対し、一見安全なツールが大規模な侵害の主要なベクトルとなるリスクを提起している。この研究成果は Aman Sharma(メール:[メールを表示])によって提出され、UTC 2026 年 7 月 27 日 12:59:15 に投稿された(バージョン 1)。

2026/09/04 1:06

WeatherNext 3

## 日本語翻訳: ## サマリー:Google は、年間毎日ごとに正確な時間ごとの予報を生成する、これまで最も高度な全球気象 AI モデル「WeatherNext 3」をローンチしました。以前のモデルとは異なり、本モデルは生きた衛星画像を直接分析することで、降雨や降雪といった急速な変化を追跡し、トレーニングが施されたことのない場所であっても精密なローカルデータを提供します。この機能は、ジャマイカでのハリケーンメリサの上陸地点を特定して予測することを支援するなど、最近のイベントにおいて極めて重要であることを実証しました。Google Search、Maps、Gemini などの日常的な消費者向け利用に加え、WeatherNext 3 は風力発電所や太陽光発電所向けの放射線量および雲量予測という重要な産業用途に最適化されています。これにより、運営者は運用コストを削減しながら再生可能エネルギー源をより効率的に管理できるようになります。また、温度などの地表変数を 5km〜10km の高精度で予測することで、インフラがより信頼性高く動作するよう確保するとともに、ユーザーには日々の意思決定を賢く行うための精密なローカルデータを提供します。