シリーズ:実際に何が起きているのか
AIが仕事に何をしているのかについて、情報源に基づき精査された分析――確立された事実、議論のあるもの、誤情報を分離しています。パニックでも安心でもなく、エビデンスです。
3つの異なる陣営が互いに叫び合っています。いずれも完全に正しくはありません。議論の構造を理解することが、エビデンスを理解するための前提条件です。
人工知能と雇用ほど、1コラムあたりに自信に満ちた矛盾する主張を生み出すトピックはほとんどありません。1週間のうちに、信頼できるメディアは「AIはホワイトカラーの仕事の半分を奪おうとしている」と「AIは破壊するよりも多くの仕事を創出する――歴史がそれを証明している」の両方を公開します。どちらの見出しも技術的には擁護可能です。しかし、どちらも全体像ではありません。
混乱は構造的なもので、偶然ではありません。それは3つの異なる議論が1つに統合されたことから生じています:今何が起きているのか(実証的で測定可能)、2030年までに何が起こるか(議論のある予測)、そして20〜50年にわたって何が起こるか(本当に未知)。長期的な構造的雇用について悲観的な研究者と、短期的な総雇用創出について楽観的な研究者は、時に異なる時間軸を引用しており――両者が同時に正しい場合もあります。
楽観主義には政治経済学的な側面もあります。AIを構築する企業は、自社の技術が破壊するよりも多くの仕事を創出するという物語に既得権益を持っています。労働組合や失業した労働者は、被害を記録することに既得権益を持っています。どちらのグループも必ずしも不誠実ではありませんが――どちらも増幅されるエビデンスに選択圧力をかけています。
本レポートは規律を保つことで有用であろうとします:すべての主張はエビデンス階層によって明示的に分類されています。データが明確な場合、私たちはそう述べます。議論がある場合、そう述べて両方の信頼できる側を提示します。主張がエビデンスによって支持されていない場合――どの陣営がそれを主張するかに関わらず――私たちはそれも述べます。
確立された数字と議論のある予測を分離し――そしてその違いについて正直であること。
Goldman Sachs Research(2025)は、AIにさらされた職業における22〜25歳の労働者の雇用の測定可能で統計的に有意な減少を記録しています。テクノロジーにさらされた役割の20〜30歳の失業率は、2025年初頭以降約3パーセントポイント上昇しました。22〜25歳のソフトウェア開発者は、2022年後半のピークと比較して約20%の雇用減少を経験しました。これはStanford Digital Economy Labの「炭鉱のカナリア」(Brynjolfsson et al., 2025)によって裏付けられており、同じコホートをAI労働市場への影響の先行指標として特定しました。
重要なことに:全体的な雇用は上昇し続けています。これはマクロ雇用の崩壊ではありません――特定のAIにさらされた役割におけるエントリーレベルの採用パイプラインの標的化された圧縮です。シグナルは大量解雇ではなく、キャリアを始めるために誰が雇用されるかに集中しています。
複数の高品質なランダム化実験が、AIツールが本当に生産性を向上させることを確認しています。Brynjolfsson, Li & Raymond(2025, Quarterly Journal of Economics)――利用可能な最も厳密な研究――は、生成AIがカスタマーサポート労働者の生産性を平均14%向上させ、最も低スキルの労働者に最大の利益をもたらすことを発見しました。GitHub Copilotの研究は、開発者のコーディング速度が約55%向上することを示しています。重要な発見は、AIが現在、ほとんどの現役労働者にとって代替ではなく生産性増幅器として機能していることです。代替のダイナミクスは、既存労働者の解雇ではなく採用――必要な新しい人が少なくなる――において現れています。
米国の非農業ビジネスにおける労働の所得シェアは、1980年の約64%から2017年の約57%に低下しました(Acemoglu, Manera & Restrepo, 2020)。このAI以前の傾向は、労働に対する実効税率(約25〜34%)が資本に対する税率(約5〜10%)をはるかに上回り、代替を促進する、数十年にわたる資本偏重の自動化を反映しています。IMFの研究(2024〜2025)は、AIが労働所得を犠牲にして資本への収益をさらに増加させる可能性が高いと予測していますが――この効果は、AIが高所得労働者を補完するか代替するかに大きく依存し、生産性向上が資本所有者に捕捉されるか賃金として分配される程度にも依存します。
「生成AIの最も広範な影響は、雇用の量ではなく雇用の質にある可能性が高い。」
— International Labour Organization(ILO/NASK Global Index、2025年5月)リスクレベル、暴露メカニズム、予測されるタイムライン――職業カテゴリー別に整理。リスクのパーセンテージはモデルベースの推定値です(セクション02の注意事項を参照)。
| 職業 | タスク暴露 | 主要なメカニズム | タイムライン | エビデンス |
|---|---|---|---|---|
| カスタマーサービス担当者 | LLMチャットボットがティア1の問い合わせを処理;人間の役割は例外処理に縮小 | 2024〜2026年(すでに活動中) | ✓ Established | |
| データ入力事務員 | 反復的なデータ処理の直接的な自動化;高精度OCR + AI | 2024〜2027年 | ✓ Established | |
| 管理/秘書アシスタント | スケジュール管理、文書作成、文書管理、メール――すべてAIで複製可能 | 2024〜2028年 | ◈ Strong Evidence | |
| 翻訳者/通訳者 | LLMは現在、標準的な商業翻訳においてほぼ人間レベルの品質;記録された雇用減少 | 2023〜2026年(進行中) | ✓ Established | |
| 簿記係/経理事務員 | 定型的な財務データ処理は完全に自動化可能;AI会計ソフトウェアが急速に拡大 | 2025〜2028年 | ◈ Strong Evidence | |
| 校正者/コピーエディター | 文法/スタイル修正タスクは、標準的なコンテンツにおいてAIがより高い精度で実行 | 2023〜2026年 | ◈ Strong Evidence |
情報源:ILO/NASK Global Index 2025;Goldman Sachs Research 2025;McKinsey Global Institute;IMF SDN 2024
| 職業 | タスク暴露 | 主要なメカニズム | タイムライン | エビデンス |
|---|---|---|---|---|
| ジュニアソフトウェア開発者 | コード生成ツールがエントリーレベルの役割要件を削減;シニア役割はより生産的に | 2024〜2028年 | ✓ Established | |
| パラリーガル/法務アシスタント | 文書レビュー、法律調査、契約分析――すべてLLMで高速に複製可能 | 2025〜2029年 | ◈ Strong Evidence | |
| 金融アナリスト(エントリーレベル) | 定型分析、レポート生成、データ統合が自動化;シニアの判断は維持 | 2025〜2030年 | ◈ Strong Evidence | |
| ジャーナリスト/コンテンツライター | データジャーナリズムと標準化されたコンテンツ生成が自動化;調査/物語はそれほどではない | 2024〜2028年 | ◈ Strong Evidence | |
| 放射線科医(スクリーニング層) | AIは初期画像スクリーニングで人間を上回る;役割は複雑な診断、コミュニケーションにシフト | 2026〜2032年 | ⚖ Contested | |
| 小売レジ係 | セルフチェックアウト+フリクションレス小売が拡大;Amazon Goモデルが拡大中 | 2024〜2030年 | ◈ Strong Evidence |
| 職業 | タスク暴露 | 主要なメカニズム | 注記 | エビデンス |
|---|---|---|---|---|
| 教師/教育者 | 管理タスク+標準化されたコンテンツ生成が自動化;核心的な指導とメンタリングは耐性あり | 役割の変革の可能性が高い;短期的な量の削減は起こりにくい | ⚖ Contested | |
| 会計士/監査人(シニア) | 定型要素は自動化可能;複雑な判断、クライアント関係、責任を伴う業務は耐性あり | 二極化:ジュニア役割は圧迫され、シニア役割は増幅される | ◈ Strong Evidence | |
| マーケティングスペシャリスト | コンテンツ作成、A/Bテスト、キャンペーン分析が急速に自動化;創造的戦略はそれほどではない | 現在は生産性増幅器;エントリーレベルでの代替が来る | ◈ Strong Evidence | |
| 人事 | スクリーニング、スケジュール管理、管理業務が自動化;文化、紛争解決、判断を要する業務はそうではない | ATS(応募者追跡システム)はすでにAI駆動 | ◈ Strong Evidence | |
| トラック/配送ドライバー | 自律走行車は技術的に実用性に近づいている;規制、保険、ラストマイルの遅延が残る | 影響を受ける労働者の量が多い(米国だけで350万人);タイムラインは一貫して遅延 | ⚖ Contested |
| 職業 | タスク暴露 | 耐性がある理由 | リスクレベル | エビデンス |
|---|---|---|---|---|
| 配管工/電気技師/熟練工 | 構造化されていない環境での物理的器用さが必要;ロボットはまだ確実にまたはコスト効率的に実行できない | 低――最低でも10〜20年の期間 | ✓ Established | |
| 正看護師 | 身体的ケア、患者コミュニケーション、感情労働、構造化されていない状況での臨床判断 | 代替については低;生産性向上については高(AI診断) | ✓ Established | |
| メンタルヘルスセラピスト | 治療的関係、共感、微妙な人間の判断;AIツールは補完物であり代替物ではない | 低――AIが改善しても規制と倫理的障壁が高い | ◈ Strong Evidence | |
| 幼児教育者 | 身体的ケア、関係形成、発達モニタリング――AIでは複製不可能 | 非常に低い | ✓ Established | |
| 上級幹部/CEO | 戦略的判断、関係資本、説明責任、新しい状況における曖昧な意思決定 | 低――しかしAIは採用者の生産性を増幅する | ◈ Strong Evidence | |
| 建設労働者 | 構造化されていない可変環境での物理的操作;ロボット工学はまだ大規模には実用的ではない | 10年以上は低;2030〜2040年には潜在的に高くなる可能性 | ✓ Established |
集計数値は、性別、年齢、教育、所得の間で根本的に異なる経験を覆い隠しています。「AIはより多くの雇用を創出する」という同じ見出しは、集計では真実でありながら、特定の集団にとっては同時に壊滅的である可能性があります。
構造的理由:米国では2000年から2019年の間に秘書および管理補助職の93〜97%が女性によって占められていました(米国国勢調査局)。これらはAI代替のティア1職業です。ILOは、事務および管理職における女性の過剰代表がAI曝露における性別格差の主な要因であり、女性の仕事が本質的に自動化可能であるという固有の特性ではないと指摘しています。
複合的問題:女性は高リスクの仕事に集中しているだけでなく、AIツールの採用率も低く、「AIが私を置き換える」から「AIが私を増幅する」への移行の可能性が低くなっています。研究によると、女性はAIツールの使用に対して男性が同程度に直面しない追加的な社会的ペナルティ(「ずる」をしている、または知性が劣っていると認識されることへの懸念)に直面しています。
バイアスの層:過去のデータで訓練されたAIシステムは、採用、給与決定、信用スコアリングにおける既存の性別バイアスを再現し、増幅する可能性があります—失われる仕事と応募される仕事の両方にリスクを生み出します。ILOは、女性がAI開発において過少代表である(WEF 2025によると世界のAI専門家の22%のみ)ことを指摘しており、多様な開発チームを通じた自己修正が構造的に困難になっています。
エントリーレベルの圧縮:最も明確で文書化された年齢効果は、エントリーレベル採用の圧縮です。AIは、伝統的に専門的キャリアラダーの第一段階として機能してきた役割で初級労働者の必要性を減らしています:ジュニア開発者、ジュニアアナリスト、ジュニアパラリーガル、カスタマーサービス担当者。シニア職へのパイプラインは、それらの職自体が脅かされる前に狭くなっています。
Z世代の皮肉:AIについて最も心配している世代は、集計で仕事を失っている世代ではありません—全体的な雇用は急落していません。彼らは、キャリアラダーへの扉が以前の世代よりも狭いことに気づいている世代です。これはマクロ数値が良好に見えても現実の害です。
高齢の失業労働者:AI曝露の仕事を失う50歳以上の労働者は、最も深刻な移行課題に直面しています。ボストン連銀の研究(2024年12月)は、調査対象労働者の約21%がAIが5年以内に自分の財政状況を悪化させると予想しており、この高齢層に大きく集中していることを発見しました。新しいセクターへの再訓練は困難で、時間がかかり、この人生段階では収益が低くなります—この層はブルッキングスによって最も脆弱と特定されたグループです。
IMFワーキングペーパー(Rockall、Tavares、Pizzinelli、2025)は3つの職業グループを区別しています:HELC(高曝露、低補完性—危険ゾーン)、HEHC(高曝露、高補完性—増幅ゾーン)、およびLE(低曝露—ほぼ影響なし)。重要な政策問題は、どの労働者がどこに該当するかです。
低学歴(大学学位なし):AIへの即座の曝露は低い(IMF:低所得国の労働者は26%対先進経済圏は60%)が、AI補完的役割への移行能力も低い。AI経済の照準に入っていないという「保護」は、リスクと機会の両方を可能にするデジタルインフラストラクチャーへのアクセスがまだないという人工物の一部です。
大学学位保持者:44%がAIが自分のタスクの一部を実行できることを認めています(大学なしの場合は22%)—認識は高いですが、適応能力も高くなっています。研究により、高等教育を受けた労働者はAIを自分の能力の代替ではなく補完として経験することが確認されています。
ブルッキングス研究所は確認しました:「高給で、高学歴の労働者が最も曝露に直面しています。」しかし、補完性が高い場合、曝露は害を意味しません。本当の危険は、AI曝露された役割にいるのに十分な教育を持っているが、補完性に軸足を移すための先任性、適応性、またはリソースを持たない労働者の層です。
AI雇用への影響の階級的側面は、このトピックの中で政治的に最も可燃性が高く、分析的に最も争われている側面です。これには、同時に作動している2つの異なるダイナミクスの慎重な分離が必要です。
AI置き換えへの恐怖に対する最も一般的な反論は、以前の技術転換と同様に新しい仕事が出現するというものです。富裕国では、これは争われているが妥当な主張です。開発途上国では、それを立証することははるかに困難です。
インドのパラドックス:インドは主要なAIハブになることを目指しており、AI市場は2027年までに25〜35%のCAGRで成長すると予測されています。しかし、インドの約2,500億ドルのITおよびビジネスサービスセクター—英語を話すアウトソースされた認知的役割で何百万人を雇用している—は、西側企業がコストを削減してAI自動化に最も曝露されているセクターです。インドのAI野心から恩恵を受ける労働者とそれによって仕事を失う労働者は、教育、言語、場所、所得によって完全に異なる集団です。
データ注釈の罠:グローバルサウスにとってAIにおける「新しい仕事」のかなりのシェアは、データラベリング、コンテンツモデレーション、AI訓練作業で構成されています—ケニアでは時給1〜2.50ドル、バングラデシュやインドでも同様です。これらの労働者は、AIシステムを機能させる地味な労働を行っており、最小限の保護、キャリアパスなし、心理的に有害なコンテンツへの曝露があります。UNCTADは、AIが開発途上国における低コスト労働の競争優位性—彼らが持つ唯一の経済的てこ—を減少させる可能性があると警告しましたが、同等の代替機会を創出することはありません。
IMF研究(2024)とResearchGate分析(2025)は確認しています:置き換えは2024〜2027年に集中する一方、雇用創出はより長いタイムラインに広がります。先進経済では、この移行を管理するための制度、セーフティネット、教育システムが(不完全ながら)存在します。アウトソースされた役割の置き換えを経験している開発途上経済では、これらの制度的緩衝材が欠如しています。結果:開発途上経済は、相殺する創出なしに置き換えを経験し、国際的不平等を拡大します。
ラテンアメリカでは:ブラジル、チリ、コロンビア、メキシコ、ペルーの雇用の約25%がAIへの高い曝露を示しながらもタスク補完性が低く、代替に対して非常に脆弱になっています。特にコールセンターとアウトソースされたサービスの労働者にとって、このリスクはILO研究者によって「急性」と特徴づけられています。
労働市場楽観論への最も強力な議論は、技術が破壊するよりも多くの雇用を創出するという200年の証拠です。この議論は真剣な検討に値します—そして真剣な精査にも値します。
標準的な経済的反論:「労働の塊の誤謬」—行うべき仕事の量が固定されているという誤った信念—は真の論理的誤りです。新技術は新しい需要、新しい産業、事前に予測できない新しい職業を創出します。連邦準備制度理事Barr(2025年5月):エコノミストは長い間、自動化が恒久的な失業につながるという仮定に懐疑的でした。
Acemogluのカウンターパンチ(MIT/IMF、2023年12月から):「現在の道筋では、AIが破壊するよりも多くの雇用を生み出すという保証はありません。」新しい雇用創出の歴史的パターンは、自動化と新しいタスク作成の間のバランスに依存していました。約1970年以降のいつか、このバランスが失われました。労働の所得シェアは50年間低下しています。新しいタスクの作成は、特に4年制大学の学位を持たない労働者にとって、鈍化しました。AIは、すでに壊れたダイナミクスを加速する可能性があり、それを逆転させるわけではありません。
スピードの議論:歴史的移行には世代がかかりました。織機は50〜100年かけて織工を置き換えました;労働者の子供たちは適応しました。AIは同等の移行を潜在的に5〜10年に圧縮しています。長期的な結果が純プラスであっても、人間の生活で測定される移行コスト—所得損失、心理的苦痛、家族の混乱—は現実であり、単に「新しい仕事を待つ」ことができない特定の集団に集中しています。
「汎用技術」(経済的意味でのGPT)という用語は、複数のセクターを同時に再形成する技術—電気、コンピューティング、インターネット—を指します。DemingとSummers(2025)は、AIがこの規模のGPTとして適格であると結論付けました。
以前のGPTと比較してAIについて議論の余地がある異なる点:
1. 以前のGPTは物理的または狭い認知タスクを自動化しました。AIは、一般的推論、言語、創造的タスクを実行できる最初の技術です—以前は独自に人間的で自動化不可能と考えられていた作業。2. 以前のGPTは、人間の労働が実行する必要のある新しいタスクを作成しました。AIが作成する新しいタスク(AIトレーナー、AI倫理責任者、AI製品マネージャー)は、置き換えるタスクと比較してはるかに少ない労働者を必要とします。かつて大規模な職業になると予測されていたプロンプトエンジニアは、LinkedInの求人情報の0.5%未満を占めています。3. 資本対労働代替インセンティブは、米国の税法に構造的に組み込まれており(労働は約30%、資本は約8%で課税)、置き換えを企業アクターにとって合理的な選択にしています。
「米国経済は1993年に製造業の労働者1,000人あたり2.5台の産業用ロボットを持っていました。この数は2019年までに20に上昇しました。過度の自動化は、労働の所得シェアが1980年の64%から2017年の57%に低下する原因となりました。」
— Acemoglu、Manera & Restrepo、シカゴブースレビューで引用AIはAI曝露セクターで生産性を向上させています。これは十分に証拠があり、真剣に争われていません。重要で争われている問題は、これらの生産性の向上がより広範な繁栄に変換されるか、それともトップにさらに集中するかです。
生産性の証拠は現実です。ランダム化比較実験—社会科学のゴールドスタンダード—は、AIツールが専門的環境で生産を向上させることを確認しています。問題は生産性が増加するかではなく、誰がその増加を獲得するかです。
AcemogluとJohnson(Power and Progress、2023)は「生産性バンドワゴン」の概念を導入しています:大多数の人々が生産性成長から恩恵を受けるには、その生産性が人間労働の効率向上に「固定」されている必要があります—労働者の限界生産性を向上させる—単に人間のタスクを自動化して利益を資本所得として獲得するのではなく。
EPI(経済政策研究所)分析は、米国における労働に対する実効税率が資本に対するものの約2倍であることを付け加えており、企業は経済的に最も効率的な選択でなくても、構造的に資本を労働に代替するインセンティブを持っていることを意味します。Brynjolfsson(MIT)は、このインセンティブ構造を変更するための最も直接的な介入として、労働と資本の実効税率を均等化することを推奨しています。
1990年代の反証:EPI研究は、インターネットからの大規模な技術駆動生産性成長を見た1990年代が、集中した利益ではなく、広範な賃金成長と失業の減少をもたらしたことを示しています。説明:失業率が労働者に真の交渉力を生み出すのに十分低く駆動されました。政策の教訓は、生産性の向上が分配されるかどうかについて、マクロ雇用条件が技術自体と同じくらい重要であるということです。
破滅主義者と軽視派の両陣営は、証拠によって支持されない広く共有された主張を生み出しています。このセクションでは、両側で最も一般的なものを特定します。
Frey & Osborne(オックスフォードマーティン、2013)は、米国の職業の47%が高リスクにあると予測する非常に引用されたモデルを作成しました。ハーバードデータサイエンスレビュー(2025年秋)は、これが誤って全体の仕事に拡張されたタスクレベルの分析であったことを文書化しています。OECD複製では、独自の方法論を適用して9%に到達しました—5倍低い。さらに重要なことに:2013年に「リスクにさらされている」とフラグが立てられた職業(税理士、テレマーケター、保険引受人)は、実際には、その後の12年間で大規模に消えていません。47%の数字は技術的には重要な方法論的注意事項を投影した2013年からのモデル出力です—それを事実として提示することは誤情報です。
このゴールドマン・サックスの数字(2023)はしばしば誤って引用されています。元のレポートは、AIが広く採用された場合、3億のフルタイム雇用相当が自動化に曝露される可能性がある—楽観的なAI展開シナリオ下でのタスク曝露推定—と述べていました。同じレポートは、最も可能性の高い置き換えシナリオは米国労働力の6〜7%であり、失業率は移行期間中にトレンドを0.5パーセントポイント上回るだけで、約2年以内に回復すると予測していました。3億の数字は現実です;それを短期的な大量失業予測として提示することは現実ではありません。
Anthropic CEO Dario Amodeiは2025年に、AIが5年以内にホワイトカラーエントリーレベルポジションの約50%を排除できると述べました。Nvidia CEO Jensen Huangは明示的に反論しました。証拠は、AI曝露セクター—特に技術—におけるエントリーレベル採用の現実的で文書化された圧縮を示しています。しかし、すべての産業にわたる「ホワイトカラーエントリーレベル雇用の50%」が5年以内であるには、現在のデータが確認していない採用速度と範囲が必要です。根底にある懸念は正当です;特定の数字とタイムラインは十分に証拠がありません。
歴史的パターンは現実です:今日の米国の雇用の60%は1940年には存在しませんでした。しかしAcemogluとJohnsonは、新しいタスク作成が1970年以降鈍化し、自動化と雇用創出の間のバランスがすでに崩れており、AI採用の速度が歴史的に世代がかかった移行を圧縮する可能性があることを文書化しています。パターンの過去の有効性は将来の有効性を保証しません—特にAIが特定の手動または狭い認知タスクだけでなく一般的推論タスクを脅かす最初の技術である場合。労働の塊の誤謬は真の経済的誤りです;それを引用してAIリスクを完全に軽視することも誤りです。
再訓練プログラムに関する証拠は冷静です。「中国ショック」(Autor、Dorn & Hanson、2016)—過去10年間で最も影響力のある米国経済論文—は、中国からの輸入競争がアメリカ労働力の大部分を壊滅させ、再訓練プログラムが成功した移行を生み出すことに大きく失敗したことを実証しました。米国労働力投資機会法(WIOA):2023〜24年時点で、訓練参加者の10%未満が職場内訓練を受けました;わずか2%が見習い訓練を受けました。成功した再訓練の例は稀です。コスト、時間、心理的困難、年齢差別の構造的障壁に対処せずに、失業した55歳の製造または事務労働者に「再スキル化する」ように伝えることは政策ではありません—それは最も脆弱な労働者を失敗させる安心です。
ハーバードデータサイエンスレビュー(2025年秋)は文書化しています:プロンプトエンジニアは、LinkedInの最近の広告求人サンプルの0.5%未満を占めています(Vu & Oppenlaender、2025)。2022〜2023年に広く流通した特定の「AIからの新しい仕事」予測(大量雇用主としてのプロンプトエンジニア、AI倫理学者)は、予測された規模で実現することに大きく失敗しました。これは、AIから新しい仕事が出現しないことを意味するものではありません—それは、どの仕事についての特定の予測が体系的に信頼できないこと、そして創出される純新規雇用の総量は置き換えられる仕事よりもはるかに予測が困難であることを意味します。
実際に試みられている施策、各介入施策に関するエビデンス、そして潜在的混乱の規模と政策対応の規模との間の構造的ギャップの全体像です。
構造的問題には構造的解決策が必要です。しかし、政策を待つ間に、個人はエビデンスが支持する行動をとることができます。あなたのライフステージとセクターに応じてフィルタリングされています。
あなたの職業がセクション03の「クリティカルリスク」または「高リスク」テーブルに表示されている場合、またはあなたの職務が主に管理業務、データ入力、または定型的な顧客サービスである場合。
あなたの職業が「レジリエント」カテゴリーに表示されている場合―熟練した職人、医療、教育、複雑な専門サービス。
このレポートのすべての事実的主張は、特定の検証可能な出版物に出典があります。予測は経験的知見と明確に区別されています。