一人がAIで時短しても、会社全体が変わらないのはなぜ？
「下書き、もうできました！」
ある職場を想像してください。ここからは、説明のための架空の話です。
提案書の下書きに、いつも60分かかっていた担当者。AIを使うと30分で仕上がりました。下書きの時間は半分です。
でも、その後には上司の確認30分と、担当者の修正30分が待っています。この二つの作業時間は変わらないと仮定しましょう。
合計は120分から90分へ。下書きは50％短縮でも、全体の作業時間は25％短縮です。この計算に、承認を待つ時間は含めていません。
■ 作る時間が減っても、届く日は変わらない？
もし承認会議が週1回のままなら、下書きが早く完成しても、お客さんに提案書が届く日は変わらないかもしれません。
反対に、必要な確認を残しながら承認のタイミングを見直せば、相手に届けるまでの時間を短くできる可能性があります。
一人が節約した時間と、チームが相手を待たせる時間。両方を見てみると、次に直すべき場所が見えてきます。
■ 「生産性15％向上」の中身を見る
AIが個人の仕事を助ける効果には、研究の裏付けがあります。
顧客対応担当者5,172人のデータを分析した研究では、AI支援によって、1時間当たりに解決できる問い合わせが平均15％増えました。ただし、一つの企業の特定業務についての結果です。会社全体の売上や利益が15％増える、という数字ではありません。
出典：Brynjolfsson・Li・Raymond「Generative AI at Work」（2025年2月4日公開）
論文本文
大切なのは、何を測った数字なのかを確かめること。同じ「成果」でも、処理件数、品質、利益では意味が違います。
■ 確認する人の仕事も変わる
下書きを大量に作れるようになれば、確認する人に仕事が集中する可能性があります。根拠の点検や誤りの修正が増えれば、節約した時間の一部が消えることもあるでしょう。
経済学の「生産性のJカーブ」は、新しい技術を生かすための、業務の再設計や人材育成といった補完的な投資に注目します。こうした投資は統計に捉えられにくく、導入初期の生産性上昇が過小評価される可能性を論じています。「導入後は待てば必ず伸びる」という保証ではありません。
出典：Brynjolfsson・Rock・Syverson「The Productivity J-Curve」（2021年1月掲載）
論文掲載ページ
■ まず、一つの仕事を最後まで見る
次の一週間、繰り返し発生する仕事を一つ選び、三つだけ記録してみませんか。
□ どこが早くなった？
作成だけでなく、確認・修正にかかった時間も記録する。
□ どこで待っている？
依頼から相手に届くまでを追い、承認待ちも分けて書く。
□ 何がよくなった？
差し戻しや品質を確認し、浮いた時間の使い道を考える。
導入前後を比べるなら、難しさや件数が近い仕事を選びましょう。短い試行だけで効果を断定せず、改善の手がかりにします。
浮いた時間を顧客との対話や学び直しに使う選択もあります。チームで何をよくしたいかを共有することから、始められます。
あなたの職場では、AIで早くなった仕事の「次」に、どんな待ち時間や確認作業がありますか。
