a16zチャート解説：予測市場にバイアスはあるか？AIマネーと雇用はどこへ向かっているのか
選挙契約、ソフトウェア経営スコアから、ハードウェア収益予想、カスタマーサポートの採用動向まで、4組のチャートから注目すべき変化を読み解く。
a16zによる今回のチャートレポートでは、選挙予測、ソフトウェアのバリュエーション、ハードウェア構築、そしてカスタマーサポートの雇用の4つのテーマを取り上げている。その中でも2つの際立った対比に注目したい。ソフトウェア企業の経営スコアが向上しているにもかかわらずバリュエーション倍率が下落している点、そして他のオフィス系職種が拡大を続ける一方で、カスタマーサポート業界では採用抑制が始まっている点である。
政治的立場を持って賭けることで、価格は歪むのか？
予測市場の参加者は、有権者の無作為抽出（ランダムサンプリング）ではない。研究が引用する調査によると、参加者は若年層、男性、高学歴層に偏る傾向がある。もし特定の候補者を好む参加者が、その候補者の契約により高い価格を支払うとすれば、価格が歪められる可能性は確かにある。問題は、他のトレーダーがその歪みを裁定取引によって是正するかどうかである。
ブラジル大統領選挙の第1回投票では、フラビオ・ボルソナーロが約47.0%の票を獲得し、ルーラの45.2%をリードしたものの、両者ともに過半数に届かず第2回決選投票へと進んだ。最終的な勝者は決選投票を待つ必要があり、契約の最終的な勝者はまだ確定していない。予測市場Kalshiでは、ボルソナーロ勝利の契約価格が選挙の約3週間前から優勢へと転じ、第1回投票でのリード確定後にさらに上昇した。
選挙に関する情報は株式市場の予想にも影響を与える。a16zはブラジル株に連動するEWZ ETFを比較対象として挙げ、第1回投票の結果が判明した後に約15%上昇したと指摘している。さらに、それ以前に予測市場の契約価格が反転した時点で、同ファンドもすでに上昇基調に入っていた。この事例は政治的判断が資産価格形成に織り込まれることを示しているが、2つの価格推移の先後関係自体は、どちらが先に情報を得ていたかを証明する十分な証拠ではない。
予測市場は通常、バイナリー契約で構成される。指定されたイベントが発生すれば1ドルで決済され、発生しなければ0ドルで決済される。取引において60セントの価格がついている契約は、一般にそのイベントの発生確率が約60%であると解釈されることが多い。しかし、この価格は有権者の得票率と同一ではなく、確定した事実でもない。市場の流動性、取引手数料、資金拘束といった取引条件のすべてが確率の解釈に影響を与える。
研究者が市場にバイアスが存在するかを検証する際は、多数の過去の契約データから長期的な決済偏差を精査する。もし市場が特定の属性を持つ候補者を体系的に過小評価していると仮定すれば、そうした契約を買い続けることで、実際の決済値から購入価格を差し引いた平均価格残差（決済時の価格差を表すパーセンテージポイント）がプラスとして残るはずである。これは多数の結果が蓄積されて現れる平均的な差であり、個別の1回では損失を被る可能性が依然としてあり、ノーリスクの利益を保証する根拠にはならない。
ダートマス大学のエリック・ジッツェウィッツ（Eric Zitzewitz）がNBERで発表した予備的ワーキングペーパーは、IEM、Intrade、PredictIt、Betfair、Kalshiなどのプラットフォームを網羅し、100年以上にわたるデータをまとめている。全市場サンプルには9,642件の契約観測データと216回の選挙日が含まれる（同ペーパーは査読前論文であり、サンプルにPolymarketのデータは含まれていない。観測値の大部分は近年の商業市場によるもので、国別では米国が約60%、英国が16%、オーストラリアが13%を占める）。
全サンプル回帰分析では、独立変数として左派（-1）、中道（0）、右派（+1）を割り当て、従属変数を契約決済値から購入価格を差し引いたパーセンテージポイント残差（元本投資収益率ではなく、価格と結果の乖離を反映）としている。実証分析の結果は以下の通りである。
-
全市場の党派性バイアス係数はゼロに極めて近い：右派指標の回帰係数は+0.03パーセンテージポイント、標準誤差は2.66であった。95%信頼区間は[-5.18, +5.24]であり、ゼロを挟んで顕著な偏りは見られないものの、この区間内には依然として数パーセンテージポイントの軽微な偏差が生じる余地が含まれており、絶対的にバイアスが存在しないことの十分な証明とまでは断定できない。同一選挙日内の複数契約には相関が存在するため、モデルは選挙日ごとにクラスタリング処理を行っている（選挙日クラスタリングを行わない場合、標準誤差は約2.75倍過小評価される）。
-
米国以外の市場では点推定値がマイナスであるものの統計的有意差なし：米国以外の選挙サンプルにおける回帰の点推定値は-1.42（標準誤差1.30、95%信頼区間[-3.97, +1.13]）であり、こちらもゼロを跨いでいる。
-
人口動態上の選好には全体として有意な証拠が見られない：具体的な候補者名が明記された米国の契約サンプルに限定すると、女性（-0.95）、非白人（-0.85）、年齢が10歳上がるごと（+1.17）の満期リターンの差はいずれも統計的有意性を持たなかった（大穴バイアスを制御した多項ロジットモデルにおいて、女性の項目のみ18個の回帰係数のうち1回だけ有意となったが、著者は過度な解釈を避けるよう注意を促している）。
ゼロに近いのか、それとも本当にゼロなのか？
点は推定値、横線は95%信頼区間を表します。行を選択して何が読み取れるかを確認してください。
全市場の推定値+0.03はゼロに極めて近いですが、信頼区間は−5.18から+5.24に及びます。統計的に有意な党派バイアスは検出されていませんが、より小さなバイアスの存在を排除することはできません。
（出所：Zitzewitz、NBER w35846 表3〜6。各属性行と世論調査行は異なるサブサンプルに基づきます。世論調査行の係数が正であることは左派寄りの結果が相対的に高く価格設定されていたことに対応します。区間がゼロを跨ぐことはバイアスが存在しない証明と同義ではありません。）市場に価格の歪みがまったく存在しないわけではない。過去の予測市場の大半において、「本命・大穴バイアス」（Favorite-Longshot Bias）と呼ばれる現象が確認されている。すなわち、低確率の事象（大穴）が過大評価され、高確率の事象（本命）が過小評価される傾向である（これは主に過去の商業市場データに基づくものであり、現行プラットフォームのうちKalshiのサンプルサイズはまだ小さく、現時点でこのバイアスの有無を確認することはできない）。
さらに同論文は、PredictItプラットフォームにおける約6.2万件の日次観測データ（同一契約を存続期間中に毎日1回記録したもので、契約期間は通常約7日間）において、左派寄りの短期世論調査の平均結果が平均して約1.4パーセンテージポイント過大評価されていたことを検出した（p < 0.01）。ここで検証されているのは短期世論調査の平均動向であり、長期的な大統領選などで「誰が最終的に当選するか」を問う契約とは別個に検証された異なる契約である。また、この偏差が具体的にどのような取引動機によってもたらされたかは特定されていない。選挙のサンプルサイズには限りがあり統計的精度が十分ではないため、もし実際の選挙市場に同様の1〜2パーセンテージポイント程度の微小な偏差が存在していたとしても、既存のデータから有効に検出することはできず、現実の選挙において裁定取引によりバイアスが完全に解消されたと断言することはできない。理論的メカニズムや先行文献が示すように、価格が大きく乖離した際には情報トレーダーが逆張り取引を行って偏りを抑えるインセンティブが働くが、これは市場の牽制機能にすぎず、あらゆる微小な偏差がゼロになることを保証するものではない。
総合スコアは向上したのに、なぜソフトウェア企業の評価は上がらないのか？
従来、ソフトウェア投資の分野では、事業の健全性を測る目安として「Rule of 40」（40の法則 / Rule of X）が広く用いられてきた。この指標の本来の意図は、異なるライフステージにある企業を横断的に比較するための統一基準を設けることにあった。初期の企業は一般に高成長・大赤字の段階にあり、成熟企業は成長が鈍化する一方で高い利益率が期待される。この指標は「売上高前年同期比成長率」と「純利益率」を単純合算し（本レポートのチャートでは株式報酬費用SBCを含んだ純利益率を採用）、合計が40%に達していれば良好な業績とみなす。例えば、成長率100%・利益率-60%の企業も、成長率10%・利益率30%の企業も、合算スコアはいずれも40となる。逆に成長率が150%あっても利益率が-150%であればスコアは0となり、成長がどれほど速くても総合スコアが優れているとは言えない。この指標は通常、資産を迅速にスクリーニングするための簡便な目安として使われるものであり、異なるビジネスが同一のバリュエーションを享受できることを証明する価格決定定理ではない。
しかし近年、公開市場のソフトウェア企業において、この指標とバリュエーションの顕著な乖離が生じている。ソフトウェア企業のRule of X中央値が持続的に上昇している一方で、評価倍率は下落基調にある。
公開市場のデータによれば、直近3年間で米国の公開ソフトウェア企業のRule of X中央値は約17%から約23%へと上昇した。しかし、年換算売上高に対する企業価値倍率（EV/年換算売上高）は5〜6倍から約3.5倍へと低下した。企業価値（EV）は市場全体がその企業を買収する際に支払うべき総価値（株式時価総額＋純有利子負債）を表し、売上高倍率は1ドルの年換算売上高に対して市場がどれだけの企業価値を認めているかを示す。両者の8四半期ローリング相関係数を算出すると、かつての+0.95近辺という強い正の相関から急速に低下し、マイナス圏へと落ち込んでいる。
なぜ経営指標の改善がバリュエーションの拡大につながらないのか。その根本的な要因は、Rule of 40が足し算を行う過程で、ビジネスモデルごとの本質的な違いを覆い隠してしまうことにある。
- バリュエーションにおける成長と利益の重みの違い：Rule of 40は成長率と利益率を単純に足し合わせるが、これは本質的に経営状況を大まかに測る経験則的なトレードオフ指標であり、厳密な価格付け理論から導かれた評価モデルではない。これをバリュエーション倍率の予測に直接用いると歪みが生じやすいという限界がある。利益の確保と赤字の抑制は依然として極めて重要であり、企業が無秩序な事業拡大に走ってはならないが、公開市場は売上高の成長余地に対して通常より高いプレミアムを付与する。a16zの解説によると、近年のソフトウェア企業におけるRule of Xの上昇は主に利益率の改善によって牽引されており、売上高成長率は相対的に鈍化している。たとえ利益率によって総合スコアが押し上げられたとしても、高成長の後ろ盾がなければ、評価倍率は依然として抑制されたままとなる。これは現在の公開市場サンプルで観察される乖離現象であり、経営スコアの向上自体がバリュエーションの低下を引き起こすことを意味するわけではない。
- 計算式の分解から見える事業構造の違い：同じ「スコア40」を持つ2つの仮定企業を比較してみよう。企業Aは売上成長率45%・純利益率-5%（45 + (-5) = 40）、企業Bは売上成長率10%・純利益率30%（10 + 30 = 40）とする。計算式上のスコアは同点だが、企業Aが示しているのは急速な事業拡大のポテンシャルであり、企業Bが示しているのは着実な利益創出能力である。バリュエーション倍率は成長余地と持続的な収益力に対する市場の総合評価によって決まるため、単一の経営総合スコアだけで企業の市場価値を直接決定づけることはできない。
Rule of Xで区分された4つのグループ（0〜<20、20〜<30、30〜<40、40+）において、各グループの横軸は今後12カ月の売上高予想成長率、縦軸はEV/予想売上高倍率を示している（4つのグラフで軸のスケールが異なる点に注意）。チャート上ではサイバーセキュリティやオブザーバビリティの一角が高い倍率を獲得しているが、同様の高スコアでも倍率が低い企業も存在する。20〜40のスコア帯では大半のソフトウェア企業の評価倍率が5〜10倍に集中している。一方、40+の高スコアグループ内における「将来の売上成長率」に対する「将来の売上高倍率」の二次フィッティングR²はわずか0.02にとどまる。これは、最高スコアのグループ内であっても売上成長率と評価倍率の二次フィッティング関係は極めて弱く、機械的な価格決定式を導き出す根拠にはならないことを示している。
同じスコア40でも、異なる経営構造
以下は解説用の試算モデルです。左側を調整し、右側を参照企業として比較できます。総合スコアのみを算出し、バリュエーションを予測するものではありません。
45% + (-5%) = 40%
企業Bと同じスコア40です。Aの売上成長率はより高く、純利益率はより低い状態です。総合スコアだけではこの組み合わせの違いはわかりません。
10% + 30% = 40%
両社は異なる方法で基準を達成しています。総合スコアは売上拡大と収益力を合算したものであり、両社が同じ市場価格を持つべきと判断する根拠にはなりません。
ハードウェア構築は拡大中、ソフトウェアの予想は追いついているか？
現在のAI商業化をめぐる議論では、チップ、サーバー、電力、通信網などのハードウェアおよび物理インフラを指して「原子（Atoms）」と呼び、その上に構築されるソフトウェアやアプリケーションサービスを「ビット（Bits）」と呼ぶことが多い。
S&P 500における業績予想修正の広がり（ブレディス）は直近で高水準から反落したものの、依然としてプラス圏を維持している。これは予想の上方修正がどれだけ幅広い銘柄に波及しているかを反映したものであり、実際の企業利益がどれだけ拡大したかを示すものではない。セクター別の詳細を見ると、大幅な上方修正はハードウェアとエネルギーに集中している。
FactSetがまとめたセクター別業績予想の修正動向によると、アナリストによる物理ハードウェアおよびエネルギーに対する見通しの修正は著しく積極的である。
- ハードウェアとエネルギーの予想修正幅が上位：当四半期の業績予想修正において上方修正幅が大きかったセクターは、エネルギー（+19.3%）、半導体（+9.8%）、テクノロジーハードウェア（+7.6%）、金融（+1.9%）であり、ソフトウェア＆サービスの上方修正はわずか+0.7%にとどまった。翌年の業績見通しについても、半導体が+27.3%、エネルギーが+13.3%、ハードウェアが+9.8%の上方修正となったのに対し、ソフトウェア＆サービスの予想上方修正はわずか+0.4%であった。
これらのパーセンテージはアナリストによる企業利益予想の修正幅を示すものであり、実際の資本流入額や企業利益の前年比伸び率そのものを表すものではない。例えばエネルギーセクターの+19.3%という数字は、アナリストが当該セクターの利益予想を約2割引き上げたことを意味しており、エネルギー等の伝統的セクターにおける利益見通しの引き上げすべてをAI要因に帰することはできない。またソフトウェアセクターの修正幅が小さいことは、アナリストによる予想の見直しが緩やかであることを示すにすぎず、ソフトウェア企業自体の成長が停止したことを意味するわけではない。
製造業の現場における受注残高も拡大している。ISMデータにおいて受注残の増加を報告した業種の比率は、3カ月移動平均で約60%に迫っている。これは受注残の増加が一部の業界にとどまらない広がりを持つことを意味する。ただし、この統計は一般的な製造業全体の注文を対象としており、AI関連プロジェクトを単独で切り分けて集計しているわけではないため、すべての受注残をAIインフラ構築によるものとみなすことはできない。
カーライル・グループ（Carlyle）が公表した投資先企業のデータは、バリューチェーン内の異なるフェーズにおける拡大ペースの差異を示している。同社のエコシステム内におけるAIハードウェア出荷指数は基準期以降に急激な立ち上がりを見せている一方、広義のITサービス支出の前年比伸び率は30%近辺で横ばい推移している。
ここで読み取りに注意が必要な点がある。左のグラフはハードウェア出荷の指数水準を示し、右のグラフはITサービス支出の前年比成長率を示している点である。この支出と出荷に関するミクロデータはカーライルの投資先企業サンプルに基づくものであり、世界全体のIT支出を網羅した調査ではない。右図において同サンプルのITサービス支出成長率が約30%前後で横ばいとなっていることは、支出規模自体は依然として高水準な成長を続けていることを意味し、ハードウェアのように拡大速度がさらに加速していないということにすぎない。これを調達規模の停滞と短絡的に解釈すべきではない。
したがって、これらのチャートが浮き彫りにしているのは産業チェーンにおける局面ごとのペースの違いである。カーライルのサンプルにおけるAIハードウェア出荷は急増している一方で、同サンプル内のITサービス支出は安定成長を維持しつつも一段の加速は見られない。同時に留意すべきは、アナリストによる業績予想の上方修正は過去にも複数回行われており、市場のコンセンサスは固定されたものではなく、企業の今後の実際の事業展開に応じて動的に再調整されるという点である。ハードウェアとソフトウェアの間の予想の乖離は現フェーズにおける断面にすぎず、確定した最終結果ではない。
誰の収益予想が引き上げられたのか？
アナリストによる修正幅を画面上で比較できます。パーセンテージは「どれだけ予想が見直されたか」を示し、企業の利益が実際にどれだけ伸びたかを示すものではありません。
今年の予想における第3四半期の修正：エネルギー +19.3%、半導体 +9.8%、ハードウェア +7.6%、ソフトウェア＆サービス +0.7%。金融も+1.9%上方修正されており、これら3業種のみが引き上げられたわけではありません。
（出所：a16z掲載のFactSetチャート。翌年の列は半導体 +27.3%、エネルギー +13.3%、ハードウェア +9.8%、ソフトウェア +0.4%に対応。2つの観測基準は個別に提示されており、差分から「加速」を算出するものではありません。他の業種にも小幅な上方修正が見られます。）カスタマーサポート職の減少はまず採用抑制から、初級ホワイトカラーの入り口が縮小
技術革新が雇用に与える影響をめぐる議論において、コールセンター（カスタマーサポート）は生成AIの直接的な影響を最も受けやすい領域と目されてきた。コールセンターの業務には、よくある質問への回答、定型的な返品・交換手続き、スクリプトに沿った電話確認など、高頻度かつ反復的なデスクワークが多く含まれる。これらの業務は標準化されたテキストと定型プロセスに強く依存しているため、大規模言語モデルや自動応答エージェントによる支援や一部タスクの代替に適した領域となっている。
労働市場データ分析機関のRevelio Labsが追跡するデータによると、10年以上にわたる安定成長を経て、世界のコールセンター雇用の前年比伸び率はマイナスに転じ、直近では約-4%前後まで落ち込んでいる。
地域別の推移を見ると、縮小傾向はまず高所得国で現れ、その後、多数のオフショア拠点を抱える中所得国へと波及していった。18カ国を対象とした所得水準別のグループ分析では、高所得国、上位中所得国、下位中所得国の全3グループが、直近において全体の雇用成長に対してマイナスの寄与度を示している。これは縮小がより低コストの受託国へも広がっていることを示しているが、グループ別の寄与度はパーセンテージポイントであり、各グループ自体の雇用成長率そのものではない。個別の国によっては依然として成長を維持している場合もある。
これが単なる広義のホワイトカラー産業全般の減速によるものかを検証するため、同機関は中所得国12カ国におけるコールセンターと、国内のその他のホワイトカラーサービス業の推移を比較した（ChatGPT一般公開時点を基準値100とする）。フィリピン（コールセンター90 vs その他ホワイトカラー112）、メキシコ（94 vs 112）、ブラジル（98 vs 114）では、コールセンター規模の縮小とその他のホワイトカラー職種の拡大という明らかな乖離が見られた。中国のコールセンター指数（約107）は国内ホワイトカラーの動向とおおむね一致しているが、成長を維持している国は中国だけではない。例えばインドのコールセンター指数は依然として100を上回り（約106）、ナイジェリアでも拡大が続いている。同一国内における業界動向の分岐はAI代替仮説の説得力を高める材料となるが、コールセンター業界特有の業況サイクルや景気調整要因を完全に排除できるわけではない。
さらに掘り下げた構造データは、コールセンター規模の縮小が離職者の急増によるものではなく、新規採用の大幅な鈍化によるものであることを示している。追跡対象となった中所得国12カ国において、コールセンター従業員100人あたりの採用率は25.1から17.2へと低下し、離職率も22.3から18.5へと低下した。採用率の低下ペースの方が速く離職率を下回ったため、自然減を埋める新規採用が不足し、離職率の急増を伴うことなく雇用総数の純減がもたらされている。
採用の減少は、これから業界に入ろうとする求職者にも影響を及ぼす。Revelioのレポートは、コールセンターが中低所得国においてフォーマル部門のオフィスワークへと参入するための信頼性の高いルートとして機能してきたと指摘している。また引用されている国際労働機関（ILO）の研究でも、こうしたエントリー職種が若年層や女性にとって極めて重要であることが喚起されている。現在その入り口が狭まりつつあり、新規求職者が最初のオフィス業務の機会を得ることが難しくなる恐れがある。オフィス経済や高報酬の職種が拡大を続けているとしても、そうした新たな求職者が直接それらの職種に就けるとは限らない。
すでに離職した従業員の追跡調査は、その後のキャリアパスの分断を浮き彫りにしている。観測された転職サンプルにおいて、49.7%は他のカスタマーサポート、営業、事務、人事などの同水準の職種へ移行しており、より高報酬で成長分野であるテクニカルサポート、カスタマーサクセス、ソフトウェア・データ関連職種へステップアップできた割合はわずか10.8%にとどまった。これはサポート職から高給の成長分野へ転身するハードルが依然として高く、多くの人の次の職場が同系統の職種周辺にとどまっている実態を示している（このミクロ転職サンプルは中所得国12カ国を対象としており米国は含まれない。また、未分類の残りの人員すべてが失業状態にあると断定することはできない）。
マクロの視点では、米国の全体失業率が安定を保っていたとしても、サポート職を離れた人々が同等の待遇の職に就けている直接の証明にはならず、上述の転職データは非米国市場における現実の摩擦を如実に表している。AIが今回の雇用縮小に関与している可能性は高いが、具体的な代替比率を既存の統計から明確に切り分けることはできない。コールセンターの伸びの鈍化はChatGPTの公開よりわずかに先行して始まっており、世界的な利上げや企業のコスト削減サイクルとも重なっている。また調査機関が個社ごとにどの業務がAIエージェントに置き換わったかを追跡したわけではない。同一国内の他ホワイトカラー職の堅調さはサポート業務の特異性を際立たせているものの、コールセンター業界固有の需要変動も依然としてこの推移に影響を与えている可能性がある。
それぞれのデータが何を問いかけているのかを区別する
これら一連のチャートは、価格、事業パフォーマンス、収益予想、そして採用動向の変化をそれぞれ提示している。市場は選挙の情勢を再評価することもあれば、ソフトウェア企業の株価を付け直すこともある。しかし企業が実際に売上を伸ばしたか、あるいは求職者が次の仕事を見つけられたかどうかは、それぞれに対応する実態データを見極める必要がある。
これらの現象を正しく理解するための鍵は、異なる数字が一体何を答えているのかを峻別することにある。契約価格が答えているのは事象の発生確率に関する予想であって、確定した事実ではない。収益予想の修正やバリュエーション倍率が答えているのは、アナリストによる予想修正の方向性や市場による成長への価格付けであって、企業の最終的な帰結ではない。そして雇用の流入・流出や採用データこそが、現実世界において人々がどのように仕事に就き、あるいは離れているかを答えている。これらの対象とレイヤーを明確に切り分けることで初めて、変化が実際にどこで起きているのかを正確に見極めることができる。