AI導入の成果を「作業が速くなった」で終わらせない。顧客対応・開発・チーム実験から考える、生産性の測り方

提案書の初稿はすぐにできる。会議の記録も自動で残る。それでも、確認待ちの案件は減らず、納期は変わらない。

こうした職場を想像すると、AIの生産性をめぐる議論に足りない問いが見えてくる。「何分短縮できたか」に加えて、その短縮が、誰の仕事をどう変えたのか。

研究では、AIによって処理件数が増えた仕事もあれば、かえって時間がかかった仕事もある。チームの提案の質を高めた実験もある。ただし、研究ごとに仕事の種類、人の経験、使ったツール、評価する成果が違う。結果の違いを、そのうち一つの条件だけで説明することはできない。

チームへの導入を考えるなら、個人の作業時間から、仕事が完了するまでの流れへ視野を広げたい。

「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。

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。

この表は対象と評価指標を照合するためのものです。異なる研究の数値を足したり平均したりして、自社の改善率にはできません。

作成が速くなると、確認する人が詰まることもある

ここからは、導入時に確かめたい仮説を、仮想例で考えたい。上の実験は、同僚への負の波及を検出していない。以下の負荷移転は、その実験で観測された現象ではない。

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。

導入効果を作成者だけに聞くと、この違いが見えなくなる。確認する人、承認する人、成果物を使う人まで含めて初めて、チームとして得をしたかが分かる。

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なしの二人組に並び、AIを使うチームは上位の提案を生み出しやすかった。また、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］

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。

導入前に「どの成果を増やすか」を決める

ここまでの研究を踏まえ、職場で試すなら、まず一つの業務を選びたい。「AIの利用率を上げる」だけでは、効果を判定しにくい。

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。

最低限、次の四つを同じ期間・同程度の仕事で比べる。

これは研究で効果が保証された導入手順ではなく、本稿からの実務上の提案だ。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の導入を決める会議で、最初に聞きたいのは「一人何分削減できますか」だけではない。

「その人が早く終えたあと、次の人の仕事はどう変わりますか」。

この問いに答えるところから、個人の時短をチームの成果へつなげる設計が始まる。