AIで作業が速くなった後、組織の成果を確認する方法

1979年にもテレワークが語られていました

1979年12月11日、BBCの時事番組『Nationwide』は、ワードプロセッサーと通信網がオフィスをどのように変えるかを取り上げました。BBCがアーカイブで公開した映像には、ブラッドフォード市議会の文書処理業務と、自宅で働くプログラマーが登場します。

この映像は、紙の文書を減らし、電話回線でデータをやり取りすれば出勤しなくても事務業務ができるという可能性を紹介しています。

2026年にはAIエージェントがコードや報告書、メールを処理できるという話を耳にします。道具もできることも変わりましたが、新しい技術で業務時間を減らそうという期待には既視感があります。私はこの二つの時代を比較しながら、個々の作業で節約した時間が組織の成果にどうつながるのかを考えるようになりました。

この連関を見るには、技術の性能だけでなく、仕事の配分、レビューと承認の手続き、成果測定の方法まで見ていく必要があります。

文書処理とテレワークの初期事例

映像は、ブラッドフォード市議会が1977年に導入したワードプロセッサーシステムの効果を紹介しています。当該業務に必要な人員を減らし、生産性を40%高めたという説明が出てきます。繰り返し発生する書簡を標準書式にまとめ、保存した内容を使い回す方式です。これを市議会全体の人員を半分に削減したという意味に広げて読んではいけません。

テレワークの事例としてはFインターナショナルが登場します。600人を超えるフリーランサーが自宅でプログラミングする方式を紹介し、プログラムを書いて電話回線で送信する様子を映し出します。今では当たり前に感じるリモート協業を、当時すでに試みていたわけです。

フランスの家庭用情報端末普及構想も、同時代の変化のひとつです。紙の電話帳を電子サービスに置き換えようという計画でした。ただし、1979年の時点ですでに3,000万台が普及していたわけではありません。フランス議会の後年の資料を見ると、実際のミニテル端末数は1990年代になっても数百万台の水準でした。

映像は、自宅で働く方式が家族生活を変え得るという展望も扱っています。働く場所が自由になるという期待と、技術が生活を画一化しかねないという懸念が、あわせて登場します。

ペーパーレスオフィス、テレワーク、管理業務の変化は、当時からすでに議論されていたテーマでした。ただし、当時の展望と実際に定着した変化は区別して見る必要があります。

AI生産性調査ごとに数字が異なる理由

最近のAI関連調査でも、大きな改善数値が出てきます。しかし、何を誰に尋ねたのかによって、数字の意味は変わってきます。

METRが5月に発表した調査は、開発者・研究者・大学院生などを含む技術分野の従事者349人を対象にしたものです。回答者が自己評価した作業速度の変化の中央値は3倍でした。業務が生み出す価値の変化は、質問の仕方によって中央値が1.4〜2倍でした。どちらの数値も回答者自身の判断であり、実際の作業時間や売上を測定した結果ではありません。

企業単位の調査も、測定方式まで含めて読む必要があります。

デューク大学経営大学院とリッチモンド・アトランタ連邦準備銀行の研究陣は、約750人の企業役員を調査しました。役員が直接回答した2025年のAIによる労働生産性改善効果は平均1.8%でした。一方、AIが売上と雇用に及ぼしたと回答した効果を用いて計算すると約0.6%でした。どちらも同じアンケートに基づく数値です。体感値と外部で確認した実績を比較した実験ではありません。 研究陣は、業務効率や品質改善が売上に遅れて現れる可能性などを説明しています。

PwCは25業種の上級役員1,217人を調査しました。売上と効率改善に関する回答を分析した結果、AIの経済的成果のうち74%が上位20%の企業に集中していると発表しました。この調査は企業間の成果の差を示しています。残り80%がすべて試験導入にとどまったり、何の効果も得られなかったりしたという意味ではありません。

ペンシルベニア大学のPenn Wharton Budget Modelは、また別の種類の数字を提示します。2025年のモデルでは、生成AIがない場合と比較して、2035年の米国の生産性とGDP水準が約1.5%高まると推定しました。ある一年の成長率が1.5%ポイント上がるという意味ではなく、特定の前提の下での長期的な見通しです。

個人の作業速度、企業の労働生産性、国家のGDPは、対象も単位も異なります。これらの数字を並べて、AIの効果が組織の中ですべて消えてしまったと結論づけることはできません。ただし、成果を語る前に何を測定するのかを決めておく必要があるという点は確認できます。

技術導入と生産性向上のあいだに時間が必要な理由

経済学者ロバート・ソローは1987年、コンピューターが広く普及していることと生産性統計とのあいだの乖離を指摘しました。いわゆるソロー・パラドックスです。

コンピューターをたくさん買ったという事実だけでは、経済全体の生産性向上を説明しにくいという問題でした。

その背景には、技術の普及速度、活用方法、統計が効果を捕捉する方法など、さまざまな要因があります。生産性成長率の鈍化を、コンピューター導入そのものの結果と見なすことはできません。

1990年代半ば以降、米国の生産性向上が加速するにつれて、議論も変わっていきました。マッキンゼーは、技術・小売・卸売など一部業種の変化に注目しました。新しい設備を購入するのと同時に、在庫管理や物流といった業務を変えることが成果にとって重要だったという説明です。すべての業種が同じ時差を経て、同じ効果を得たわけではありません。

経済史家ポール・デーヴィッドは、工場の電化においても、導入と成果のあいだの長い時差を説明しました。蒸気機関一台に複数の機械を接続していた工場は、動力源だけを電気に切り替えることもできれば、機械ごとに電動機を使うように設備配置を変えることもできました。後者の変化が広まるにつれて、電気を活用できる範囲も広がっていきました。

生産性のJカーブ研究は、こうした転換に必要な教育、業務再設計、新製品開発といった投資を扱います。これらの投資はコストと時間を要しますが、その結果として蓄積される知識や組織的能力は、統計にうまく反映されないことがあります。だからこそ、導入初期に測定される生産性が低く、後になって成果が現れる形を説明できるのです。時間が経てばすべての投資が成功するという法則ではありません。

AI導入でも、似たようなことが起こり得ます。ただし、いくつかのアンケートだけで、今がJカーブの底だと判断したり、電気よりコンピューターの方が速かったのだからAIはさらに短く済むだろうと予測したりするのは難しいことです。業務や組織ごとに必要な変化が異なるからです。

Oswarldの視点

私は技術戦略を策定する中で、こうした成果の約束によく出会ってきました。

「この技術を導入すれば生産性がN％上がります」という提案書を何度も検討しました。ところが、何を生産性として捉えているのかからして曖昧な場合があります。文書作成時間なのか、処理件数なのか、売上なのかによって、まったく違う話であるにもかかわらず、ひとつの数字として提示されるわけです。

私が見てきた事例で成果につながった変化は、道具を変えるだけにとどまりませんでした。会議のやり方や意思決定の経路、成果を確認する基準も、あわせて変わっていました。AIで下書きを速く作れたとしても、レビューと承認にそのまま長い時間がかかるなら、業務全体の所要時間はさほど減らないこともあります。

ブラッドフォードの事例で私が注目したのも、繰り返し発生する文書を標準化し、保存した内容を再利用する方式です。PwCの調査でも、成果の高い企業も業務や事業にAIを活用する方法をあわせて扱っていると説明されています。ただし、こうした共通点だけをもって、成果の差の原因がすべて組織の再設計にあると断定することはできません。

だから私は、技術を導入した後に何が変わるべきかを、まず決めるようにしています。処理時間だけを減らせばいいのか、エラーを減らすべきなのか、顧客対応を速くすべきなのかによって、設計が変わってくるからです。待っていればいつか効果が出るだろうという楽観だけでは十分ではありません。

おわりに

1979年のワードプロセッサーと2026年のAIは、異なる技術です。それでも、新しい道具の性能を組織の成果に結びつけなければならないという課題は残っています。

私は、AI-NativeやAgenticといった用語を使う前に、実際にどの業務がどう変わったのかを説明できなければならないと思います。講義やセミナーを何度か聞いたからといって、業務のやり方がすぐに変わるわけではありません。新しい技術はこれからも次々と出てくるでしょうから、名前よりも適用方法と結果を確認することに時間を使いたいと思います。

今使っているAIが減らしてくれた時間は、どこで再び使われているでしょうか。作成時間は減ったのにレビューの時間が増えたのなら、その両方をあわせて測定することから始めることができます。

AIを使って楽になったと感じる部分と、実際に業務の結果が変わった部分を、区別してみたことはありますか。皆さんの経験をコメントで聞かせてください。

参考資料と関連リンク

主要出典

• BBC Archive、「1979: Will Word Processors Start a Home Working Revolution?」、Nationwide、1979年12月11日。：本日のニュースレターの出発点となったオフィスオートメーション報道です。当時の文書処理とテレワークの事例が見られます。
• Baslandze, S. et al.、「Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives」、NBER Working Paper 34984、2026年。：約750人の役員アンケートからAI導入と成果認識を分析した研究です。
• METR、「Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker Productivity」、2026年。：作業速度と業務価値に関する自己評価を分けて尋ねた調査です。
• PwC、「2026 AI Performance Study」、2026年。：AI価値の74%が上位20%の企業に集中しているという結果です。1,217人のグローバル役員を対象にした調査。

背景知識

• Brynjolfsson, Rock, Syverson、The Productivity J-Curve：業務再設計や人的能力といった無形資産投資が生産性測定に与える影響を説明しています。

• フランス国民議会、通信規制法施行評価報告書、1999年。：ミニテルの普及実績表を確認できます。

• McKinsey Global Institute、「Is the Solow Paradox back?」、2018年。：ソロー・パラドックスの歴史と構造を最も明快に整理した記事です。

• Fortune、「Why AI is raising worker productivity but not making the economy more efficient」、2026年。：2026年現在の状況をソロー・パラドックスの枠組みで分析した最新記事です。

• Penn Wharton Budget Model、「The Projected Impact of Generative AI on Future Productivity Growth」、2025年。：AIの長期的なGDP寄与を推定したモデルです。「2035年までに1.5%」の出典。

筆者アン・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修士課程とKMBAを修了した。著書に『思考を委ねる人々：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。