AI導入の効果はどう測る？ 時短・品質・手戻りを比較する

AIで初稿は早くできるようになったが、確認する人の仕事も含めると、どれだけ楽になったのかは分からない。そんなときは、使える状態までの時間と品質を比べる必要があります。顧客対応、開発、提案づくりの研究をたどり、数字の違いから自社で測る範囲を考えます。

仕事ごとの研究比較表へ：対象、測定した成果、原典の参照箇所を一覧にしています。

初稿ではなく、使える状態までを測る

最初に決めるのは、AIを使う人数ではなく、どの仕事を改善したいかです。対象を一つの業務へ絞り、使える状態になった成果物や、解決を確認できた問い合わせを「完了」と数えます。「AIの利用率を上げる」だけでは、仕事が改善したかを判定できません。

営業提案なら、初稿を作る速さに加えて、顧客へ出せる品質になるまでの時間を測る。問い合わせ対応なら、回答数だけでなく、解決した件数と再問い合わせを確認する。開発なら、コードを書いた量に加えて、レビューを通って利用可能になるまでを見る。

以下は、比較する範囲を決めるための整理です。研究で効果が保証された指標セットではありません。AIを使う場合と使わない場合で、完了の基準と品質の確認方法をそろえて比べます。

試せる範囲でAIを使う案件と使わない案件を分け、難易度や担当者の経験の偏りを記録する。単純な導入前後の比較では、繁忙期や仕事内容の変化までAIの効果と取り違える可能性がある。

日本の職場への適用では、承認の段階、顧客が求める書式、日本語の固有表現、社内情報を利用できる範囲も確かめたい。海外の実験と条件が異なれば、同じ改善率にはならない。

そして、浮いた時間の行き先を決める。処理する案件を増やすのか、顧客への提案を磨くのか、残業を減らすのか。給与が変わらない人の作業が一時間減っても、そのまま一時間分の現金が会社に残るわけではない。追加の成果、削減できた支出、働き方の改善を、それぞれ区別して評価する必要がある。

AIで速くなる仕事と、確認が増える仕事

なぜ、ある研究では速くなり、別の研究では時間が増えたのか。まずは、成果として何を数えたかを見ていきたい。

「15％向上」が示すこと、示さないこと

AIの効果を確かめた研究の一つが、顧客対応の現場を調べた『Generative AI at Work』だ。2025年に学術誌『The Quarterly Journal of Economics』へ掲載された研究では、5,172人の担当者へのAI支援の段階的な導入を分析し、1時間当たりの問題解決件数が平均15％増えたと報告している。単なる「便利になった」という感想ではなく、業務上の成果を測っている。［論文・著者公開版］

ただし、効果は均等ではなかった。経験や技能が低い担当者では速さと品質が改善した一方、最も熟練した層では速度の改善が小さく、品質には小幅な低下も見られた。同じ道具でも、使う人がすでに知っていることによって、追加の価値は違う。

この研究から「わが社も15％改善する」と置くのは早い。対象は特定企業の顧客対応であり、主な分析は、AIを使う条件と使わない条件へ偶然に振り分ける無作為実験ではなく、導入時期の違いを利用している。現在の汎用AIを、あらゆる部署へ配った効果を測ったものではない。

ここから導ける実務上の仮説は、全員へ同じ使い方を求めるより、誰がどの知識不足に困っているかを調べた方が、導入先を選びやすいということだ。

「速くなった気がする」と、実際に速いことは違う

逆方向の結果もある。評価研究機関METRは、熟練したオープンソース開発者16人が、自分たちのよく知るプロジェクトで246件の課題に取り組む実験を行った。課題ごとにAIを使ってよいかを無作為に割り当てたところ、2025年前半のツールを使える条件では、完了までの時間が19％長くなった。参加者は実験後も、AIで速くなったと考えていた。［METRの実験報告］

これは「開発者はAIを使わない方がよい」という一般論にはならない。少人数で、既存の大規模コードを熟知した人々が対象だからだ。一方、使った本人の手応えだけでは効果を判定しにくいことは、導入評価で見落とせない。

時間の経過にも注意が必要だ。METRは2026年2月、後続実験では速度改善を示唆する結果が出たものの、AIなしでは働きたくない人の不参加や、実験に提出される課題の偏りなどにより、効果の大きさを信頼して推定できないと説明した。2025年の「19％遅い」を、現在のAI全体の評価として使い続けることも適切ではない。［METRの後続報告］

顧客対応の「解決件数」と開発の「完了時間」は指標が異なる。この二つを平均して、AIの総合的な生産性効果を計算することもできない。比較すべきなのは数字の勝ち負けより、自分たちの業務がどちらの条件に近いかだ。

15％の生産性向上を、15％の時短と読まない

成果物の数を時間で割った生産性と、一件に要する時間は逆数の関係にある。同じ品質・同じ仕事量を前提に、処理件数が1時間当たり15％増えたなら、所要時間の比は1÷1.15＝約0.870。100時間分の仕事は約87時間になる計算で、短縮幅は約13％だ。これは顧客対応研究の数字からの換算であり、研究が全社員の勤務時間を13％減らしたという報告ではない。

逆に、METRの開発作業で報告された19％の所要時間増加を同じ仕事量へ換算すると、時間当たりの処理量は1÷1.19＝約0.840となる。約16％少ない計算になる。「プラス15％とマイナス19％を平均してAIはマイナス2％」とは計算できない。分母が違ううえ、業務、対象者、利用の割り当て方も違うからだ。

チームの導入判断には、まず自社で固定するものを決める。件数を増やしたいなら品質を保った完了件数、労働時間を減らしたいなら同じ件数を終える総時間を測る。下書きだけを固定して確認・修正を外へ出せば、研究と同じ指標の名前でも、測っている仕事は変わってしまう。

同じ職種でも、説得力と正しさは逆方向へ動く

職種をそろえれば導入効果を読めるとも限らない。Dell’Acquaらが2026年に公表した論文は、BCGのコンサルタント758人を、製品のアイデアなど18課題へ取り組む385人と、定量資料・インタビューを使う経営判断課題へ取り組む373人に分け、それぞれでAI利用条件を無作為に割り当てた。2023年6月のGPT-4を使う実験であり、同じ参加者が両方の課題を解いた比較ではない。掲載論文・実験方法、表7・表9

18課題ではAI利用により完了課題数と速さ、品質が改善した。一方、経営判断課題の正解率は、AIなしが84.5％、GPT-4のみが70.6％、使い方の説明を加えた条件が60.0％だった。ここで低下したのは正解率であり、先の開発実験の所要時間とは異なる。説明付き条件の結果から、研修一般が逆効果だとも言えない。

さらに、正解を知らされていない評価者が論旨の整合性や説得力を採点すると、AIを使った回答の評価は高くなった。誤答だけを取り出した分析でも、この傾向が見られた。読みやすく、筋が通って見える回答が増えることと、判断が正しくなることは両立しない場合がある。ただし正解率を調べたのは特定の経営判断課題であり、現在のモデルやすべてのコンサルティング業務へ広げられる結果ではない。

この違いは、チームの成果の数え方を変える。初稿が提出された時点を完了にすると、説得力のある誤答も生産性の分子に入る。独立した資料照合を通った提案や、解決を確認できた問い合わせを完了にすると、採用できなかった回答とその確認時間が評価に戻ってくる。文章の評点と判断の正誤を混ぜた総合点では、どちらが改善したか見えなくなる。

メールの時短は、会議の短縮まで及ぶのか

個人の効率と組織の変化を分けて考える手掛かりが、66社・7,137人を対象とした『Shifting Work Patterns with Generative AI』にある。Microsoft 365 Copilotへのアクセスを個人単位で無作為に割り当てた実験で、6か月の後半には、アクセスを与えたことによるOutlookでのメール作業の削減効果が週約1.4時間と推定された。一方、計測したTeams会議の時間には有意な平均変化が検出されなかった。［研究本文・第2.2.1節］

同じ研究には「週約2時間」という数字もある。こちらはアクセスの割当を利用して、割当によってAIを使うようになった人への効果を推定した値だ。利用者全員の単純平均でも、全社員へ配れば一人2時間減るという意味でもない。

この研究にはMicrosoftの研究者が参加しており、主に同社製品の利用記録を測っている。成果物の品質や会社の利益を直接測ったものではない。また、個人へのツール提供の結果であり、全社の会議制度を作り直した実験でもない。

この結果を業務設計に引きつけて考えると、一つの仮説が浮かぶ。メールの下書きは本人の判断で変えられる。しかし、定例会議の廃止には、ほかの参加者との合意が必要だ。個人に道具を渡す施策が、チームのルールまで自動的に変えるとは考えにくい。ただし、この実験が会議時間の変わらなかった原因を特定したわけではない。

時間が浮いて早く帰れるようになることにも価値はある。ただし、それを売上の増加や利益率の改善と同じ数字として扱うと、投資判断を誤る。

AIがチームの成果を高める使い方もある

では、AIは個人向けの時短にとどまるのか。P&Gで行われた製品アイデアの実験は、別の可能性を示している。

2026年に学術誌『Organization Science』へ掲載された研究では、一日のオンライン製品開発ワークショップで、一人で働く条件と部門をまたぐ二人組の条件、それぞれでAIを使う場合と使わない場合を無作為に割り当てた。AIを使った個人の提案品質はAIなしの二人組と同程度を示した。AIを使うチームは、AIなしの個人より、評価が上位10％に入る提案を生み出しやすかった。ただし、他の全条件より有意に優れていたという結果ではない。また、AIを使う参加者には、技術面と商業面を組み合わせた提案が見られた。［掲載論文・第3.2節、第5.1～5.2節、第5.4.2節］

共著者にはP&G社員も参加している。実務に即した課題を扱っているが、ここで評価されたのは提案の品質だ。その製品が発売され、売上や利益を増やしたと示す実験ではない。人員を減らしても同じ成果が長期に続く、という証明でもない。

この結果から考えられるのは、AIを「各自が早く書くための道具」として使うだけでなく、自分たちに欠けている視点を補うために使う方法だ。

例えば、技術担当者が案を作る際に、顧客の使い方や販売上の制約を洗い出す。営業担当者が提案する際に、実装や運用で確かめるべき点を整理する。AIの回答を事実として採用するのではなく、専門家へ確認すべき問いを増やす使い方である。

チームの全員が同じ初稿を速く作ることと、異なる専門性を持ち寄って良い判断をすること。そのどちらを改善したいのかで、試す使い方も変わる。

AIの生産性研究を、対象・指標・比較方法から読む

顧客対応、開発、提案づくりでは、成果の測り方が異なります。以下は本稿で扱う五つの研究と国内企業調査を、原典へ戻って比較できるように整理したものです。実験の結果と企業の自己申告を分け、数値の単位と読み取れる範囲を併記しました。

表は左右にスクロールできます。

比較する際は、まず自社で知りたい成果と同じ指標を探します。解決件数／時、課題の完了時間、メール利用時間、提案の評点、効果を挙げた企業の割合は、それぞれ別のものです。数値を平均したAIの総合点や、職種別の順位は作っていません。公表年が新しくても、実験で使ったツールが現在と同じとは限りません。

この表は公開一次資料を基にした編集上の比較であり、当サイトによる実測ではありません。詳しい検証や引用では、表に記載した原典の節・表と対象条件を確認してください。社内で共有する場合は、この比較表へのリンクから対象と限界を一緒に参照できます。

国内調査の「効率化」は、削減時間を示していない

日本の状況を考える資料として、IPAの「DX動向2026」があります。AIの導入で何らかの効果を得たと回答した企業に、具体的な効果を尋ねると、業務の効率化・迅速化は91.6％、売上や利益の向上は3.9％でした。対象は「期待以上」「期待どおり」「一定の効果」のいずれかを選んだ企業であり、調査に参加した全企業の割合ではありません。IPA「DX動向2026」第3.4節・図表3-14と対象注記

91.6％は作業時間が減った幅ではなく、その効果を挙げた企業の割合です。また、企業の回答に基づく調査なので、AIを使わない条件と比べて生じた効果を測る実験とは区別します。二つの割合の差から「効率化したが利益につながらなかった企業」の割合を求めることもできません。個々の企業の回答の組み合わせが必要になるためです。

この違いから、本稿では導入報告を二段階に分けることを提案します。まず作成や確認の時間がどう変わったかを確かめ、次に、その変化が顧客へ渡せる成果、残業、支出のどれへ届いたかを見る。効率化の回答が多いことを、利益の向上と同じ意味では扱いません。これは調査が実証した導入手順ではなく、異なる指標を混同しないための編集上の分析です。

試行で効果が出たら、誰へ広げるか

この比較で分かるのは、AIの順位より「任せ方」の違い

顧客対応の支援は、会話の中で担当者へ候補を示す仕組みです。一方、既存ソフトウェアの改修では、そのプロジェクト固有の仕様に合うかを確かめる必要があります。前者で知識の探索を助けられても、後者では説明や検証の負担が上回る可能性があります。ただし、この二研究は同じ人と仕事で任せ方だけを変えた比較ではなく、この説明は検証すべき仮説です。

導入先を「営業部」「開発部」と大きく選ぶより、「過去回答を探す」「既存仕様に合う修正を作る」まで狭めると、必要な確認が変わります。AIの平均点を探すより、どこで人の不足を補い、どこで新しい確認を増やすかを決める方が、試行の設計につながります。

担当者の補助と、作成・承認の分業を区別する

顧客対応の15％向上を報告した研究では、AIの回答候補と社内資料のリンクは担当者へ提示され、顧客へ自動送信される仕組みではなかった。担当者は候補を修正・無視でき、顧客との会話の責任を保持していた。導入前には3時間のオンライン研修があり、研修を担う2人の指導者は別の業務も持っていたため、開催できる回数が導入時期を制約した。著者公開版・第III.C節、第IV.A節で確認できる設計であり、作成を別部署へ集約して専門家が全件承認する体制の効果を測ったものではない。

配置を変えるなら、次の二案は別に試す必要がある。担当者が作成・確認・顧客説明を一貫して持つ案は、質問を聞いた文脈を保てるが、その担当者が誤りを判断できる業務へ範囲を絞る。草稿作成を集約し専門家が承認する案は、確認の知識を集められるが、確認者が必要な顧客情報を受け取れることと、差し戻し先・最終説明者が決まっていることが前提になる。ここは研究の実測結果ではなく、二つの体制を比較する編集上の提案だ。

判断の分かれ目は、担当者に確認の技能があるかだけではない。文脈を失わずに引き渡せるか、例外を止める権限がどこにあるか、移行中の質問を誰が引き受けるかも異なる。専門家の承認枠が埋まるなら、草稿の集約は展開を延期する理由になる。担当者へ判断を残す案でも、操作研修だけで例外処理を学べるとは限らない。実際の誤りを発見し、採用しない理由を説明できるかまで確かめる。時短の平均から人員削減を決めず、残す判断に必要な技能と指導の時間を先に確保する。

作成が速くなると、確認する人が詰まることもある

担当をどう分けるかで、確認の負担も変わる。以下は研究で実測された負荷移転ではなく、導入時に確かめたい仮説を示す仮想例である。

提案書の作成をAIで短縮できても、確認・修正の負担が増えれば、全体の時短は相殺される。次の図は、作成側で浮いた40分が、確認側へ移る場合を含めた仮想例だ。

さらに、作成者が空いた時間で提案書を増やせば、確認者の前に未処理の仕事が積まれる可能性もある。これはAI導入で必ず起きる現象ではない。自分のチームで調べるべき失敗パターンだ。

もう一つ区別したいのが、作業時間と待ち時間である。手を動かす時間が短くなっても、承認会議が週一回のままなら、案件によっては提出から決定までの日数がほとんど変わらない。

個人の試行から、チームへ広げる際に変わる条件

個人が一件を速く処理した結果から、全員へ展開したときの処理能力は決まらない。確認担当、承認枠、顧客からの依頼量のどれかが上限なら、作成だけを増やしても引き渡せる件数は増えない。反対に、確認待ちがなく、採用できる提案が不足しているなら、作成の改善が成果へ届く余地がある。これは前述の研究が直接測った全社展開の効果ではなく、導入先を選ぶための分析である。

試行の結果を次の導入判断へつなげるには、作成時間の変化だけでなく、品質と引き渡せた件数を一緒に見ます。次の表は、研究が検証した展開手順ではなく、ここまでの比較を踏まえた本稿の判断案です。

課題が変わると境界も変わる。顧客対応で過去の回答を探す支援が役立っても、新たな契約条件を判断する仕事まで同じ扱いにはできない。モデルの選定を具体化する場合は業務用AIの評価方法へ進みたい。本稿で先に決めるのは、どの仕事の完了を増やすために導入するかである。

効果を確かめた後に、本番運用の条件を見る

導入の効果を測った後に、本番で使えるかを決める段階では、AIのPoCから本番導入へ進むための確認点も関わります。試験での出力品質と、業務の受渡しや運用の準備を分けて説明しています。