AIで仕事は速くなったのに、経済全体への効果はなぜ別に見るべきなのか？

GTM戦略を策定する現場で、新しいツールを導入したのに期待したほど仕事が速くならない場面を何度も見てきました。SaaSやCRMを導入し、クラウドに移行したときも同じでした。既存の業務にツールを追加した後になって初めて、承認プロセスや部署間の協業の仕方を見直し始めるのです。

AIをめぐる生産性論争を見ていて、その経験を思い出しました。個人は文書の草案を速く書けるようになったと言われる一方、経済全体でAIの効果がどれほど現れたのかは依然として議論の最中です。この二つの話は必ずしも矛盾するわけではありません。個別作業にかかる時間、組織が仕事を終えるまでにかかる時間、経済全体の生産性は、それぞれ異なる指標なのです。

AI関連投資が増えても、業務効率が確認されたわけではない

データセンターを建設しサーバーを購入する投資は、経済活動を押し上げます。その設備を利用する企業が同じ時間でより多くの製品やサービスを生み出せるようになったかどうかは、別途確認する必要があります。AI関連の投資額だけでは、AIを使う労働者の生産性向上の幅を知ることはできません。

生産性統計そのものも、解釈には注意が必要です。イェール大学Budget Labのマーサ・ギンベルは2026年2月の分析で、直近数四半期の米国の生産性増加率は比較的高かったものの、パンデミック以前と比べて異例の水準ではないと説明しました。生産性を計算するのに使われる産出高と労働時間のデータは修正され得るため、初期の数値だけで大きな変化を確定するのも難しいとのことです。

平均値が上昇する理由も一つではありません。例えば、生産性が低く測定される業種の雇用が減れば、残った労働者一人ひとりの働き方が変わらなくても、全体の平均は上がり得ます。生産性の増加をAIの効果だと説明するには、こうした構成変化や設備稼働率のような他の要因も検討する必要があります。

これは、AIに効果がないという結論を意味するわけではありません。**統計に現れた変化のうちどの程度がAI利用によるものかを、まだ切り分ける必要があるという意味です。**一、二四半期の良い数値や悪い数値だけで結論を出すのが難しい理由でもあります。

AIを使った経験と業務への定着度は別物

セントルイス連邦準備銀行が紹介した2024年8月の調査では、米国の18〜64歳の回答者の約40%が生成AIを使用した経験があると答えました。この数値には業務以外での利用も含まれます。これをそのまま、労働者の40%が毎日AIで仕事をしているという意味に読み取ってはいけません。

誰に尋ねたのかも重要です。BCGの2025年調査は、11の国・地域のオフィスワーカー10,635人を対象に行われました。経営陣と管理職のうち定期的にAIを使用する割合はそれぞれ4分の3を超えましたが、現場の従業員は51%でした。ここでの定期的な利用とは、毎日または週に複数回使用する場合を指します。

会社がAIを導入したという回答だけでは、実際の活用度合いを把握するのは難しいものです。どの職務で、どの作業に、どれくらいの頻度で使っているのかまで見る必要があります。経営陣の使用経験と現場従業員の業務環境が同じだと仮定することもできません。

文章作成時間を40%短縮しても、会社全体が40%速くなるわけではない

個別の作業で効果が確認された研究はあります。2023年のMITの研究では、専門職従事者453人に業務関連の文章作成課題を与え、ChatGPTの使用有無による違いを比較しました。ChatGPTを使った集団は平均作業時間が約40%減少し、成果物の品質評価は約18%高くなりました。

ただし、実験の課題は、社内事情を把握している必要があったり複雑な事実確認を要したりする実際の業務のすべてを再現したわけではありません。したがって、その結果をすべての職務に一様に当てはめることはできません。

ある従業員の業務のうち文章作成が一部にすぎないなら、文章作成にかかる時間が減った分だけ全体の勤務時間が減るわけでもありません。草案を早く仕上げても、レビューや承認を待たなければならないこともあり、節約できた時間を他の生産的な業務に使えるかどうかも検討する必要があります。

AIが作った成果物を確認し修正する時間も含める必要があります。文書を生成するのにかかった時間だけを測ると、誤りを見つけたり書き直したりするコストが漏れてしまう可能性があるからです。草案を作る速度と最終成果物を完成させる速度を併せて測定してこそ、実際にどれだけ役立ったかがわかります。

新技術に合わせて働き方を変えるのにも時間がかかる

技術が急速に普及しているのに、統計でその効果を確認しにくい状況は今回が初めてではありません。ロバート・ソローは1987年、コンピューターが広く使われているにもかかわらず、生産性統計にはその成果がはっきり現れていないと指摘しました。この観察は「ソローの生産性パラドックス」として知られています。

エリック・ブリニョルフソン、ダニエル・ロック、チャド・サイバーソンによる「生産性のJカーブ」研究は、新技術を活用するための追加投資に注目しています。ソフトウェアを購入することに加えて、従業員を教育し、組織を変え、新しい業務のやり方を作り出すことにも資源が投じられるというのです。

こうした準備の価値は、既存の統計に十分には捉えられない可能性があります。すると、導入初期には生産性向上が過小評価され、その後準備の効果が現れる時期には増加幅が大きく見えることがあるという説明です。ここでのJ字カーブは、こうした測定上の変化を説明する概念です。技術を導入したすべての企業が最初は損をして、後には必ず成功するという予測ではありません。

今AIがそのカーブのどの地点にあるのかも、この概念だけではわかりません。ただし、モデルの性能やツールの購入額と併せて、企業が実際の活用のためにどのような準備をしたのかを検討する理由にはなります。

Oswarldの視点

私がGTM戦略を策定しながら見てきた問題は、ツールそのものよりも、そのツールを使う業務プロセスにあることが多かったです。新機能を導入しても既存の承認プロセスや部署間の役割がそのままなので、十分な効果を発揮できないのです。そこから業務のやり方まで変え始めると、何をツールに任せ、何を人が判断すべきかを改めて整理することになります。

AIについても、この部分を重要視しています。例えば草案の作成が速くなったのなら、レビュー担当者は何を確認すべきか、誰が最終判断を下すのか、誤りはどう修正するのかまで決めておく必要があります。アカウントを配布することと、こうした手続きを決めることは、それぞれ別に必要な作業です。

BCGの調査では、すでに回答者が所属する企業の半数ほどが、単純なツール配布を超えて業務プロセスの再設計の段階に進んだと報告されています。再設計に取り組んだ組織の回答者は、より大きな時間節約と業務改善を報告していました。ただし、これはあくまで回答間の差異であり、再設計だけで成果の差が生まれたと断定することはできません。

ですから私は、AIに効果があるかどうかを論じるとき、導入前後の具体的な業務をまず比較したいと思います。モデルが草案を何分で作ったかだけでなく、レビューと承認まで含めて仕事がどれだけ速くなったのか、成果物の品質は維持されたのか、浮いた時間を何に使ったのかを見るということです。

マクロ経済統計についての判断には、さらに多くのデータが必要です。その間、個別の組織では確認できるものから測定していくことができます。私が現場で重視しているのは、ツールを導入したという事実よりも、そのツールを使う人たちが実際に仕事をよりうまく終えられるようになったかどうかです。

参考資料と関連リンク

• イェール大学Budget Lab, An AI Productivity Boom? Don’t Count Your (Productivity Data) Chickens、2026.2.19。生産性統計の修正と解釈に関する分析です。
• セントルイス連邦準備銀行、 How Much Are Businesses Using Artificial Intelligence?、2025.2.5。個人の使用経験と企業のAI活用を区別して見ています。
• MIT, Study finds ChatGPT boosts worker productivity for some writing tasks、2023.7.14。文章作成実験の結果と限界を説明しています。
• Brynjolfsson, Rock & Syverson, The Productivity J-Curve、2021。新技術を活用するための無形投資と生産性測定の関係を扱っています。
• BCG, AI at Work 2025: Momentum Builds, But Gaps Remain、2025.6.26。役職別のAI使用と業務プロセスの再設計を調査しています。

筆者のアン・グァンソプ（安光涉）は世宗大学校経営学科教授であり、INLEVEL9のリードコンサルタントである。大学では経営データ管理、ビジネスアナリティクスなど統計およびデータ分析を教える一方、現場ではGTM戦略とAI戦略コンサルティングを率い、技術とビジネスの接点を設計している。AI対話システムの記憶アーキテクチャ（HEMA）研究で学術論文を発表し、毎日グローバルなAI論文をキュレーションするDaily Arxivプロジェクトを運営している。高麗大学校技術経営専門大学院の修士課程とKMBAを修了した。著書に『考えることを委ねる人々：ホモ・ブレインレス』がある。

著者 アン・グァンソプ（Oswarld） は世宗大学校 兼任教授、INLEVEL9 戦略コンサルタントです。経歴、研究、著書、最近の活動は著者紹介で更新しています。 最近の活動 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。