AIで作業は速くなったのに、なぜ退勤時間は変わらないのでしょうか
AIが節約した時間の分だけ、新たな業務や確認作業が増えることもあります。ジェヴォンズのパラドックスと業務現場の研究を通じて、ツール導入後に何を確認すべきかを見ていきます。
ビジネス作業時間と退勤時間は違うようです
私もAIをかなり積極的に使っています。文章を書いたり、資料を探したり、あれこれ整理したりするときに活用しています。以前は1時間かかっていた作業を15分で終わらせることもあります。ところが退勤時間はそのままです。むしろ遅くなったような気さえします。
一つの仕事を早く終わらせることと、一日にこなす仕事量が減ることは、別の話のようです。余った時間で別の仕事を始め、AIが作った結果を確認しているうちに一日が過ぎてしまうからです。
こうした経験を思い浮かべながら読んだ研究があります。UCバークレー・ハース経営大学院のアルナ・ランガナタンとシンチ・マギー・イェは、従業員約200人の米国のテクノロジー企業1社を8か月間観察し、40件を超えるインタビューを行いました。従業員がAIを活用しながらどんな仕事を引き受け、どのように時間を使っているのかを調べた研究です。
効率が上がっても総使用量は増えることがあります
ここで思い浮かぶ概念がジェヴォンズのパラドックスです。経済学者ウィリアム・スタンレー・ジェヴォンズは1865年に出版した『石炭問題』の中で、石炭をより効率的に使ったからといって、全体の消費量まで減るわけではないと説明しました。
製品一つを作るのに必要な石炭が減れば、生産コストは下がります。下がったコストのおかげで生産量と石炭の用途が大きく増えれば、結局は石炭の総消費量が増加することもあり得ます。効率が改善するたびに必ずこうした結果になるという法則ではありません。使用量がどれだけ増えるかによって変わります。
AIについても同じような問いを立てられます。報告書一つを作る時間が短くなったとき、報告書の数をそのまま維持すれば時間を節約できます。しかし、より多くの報告書を作り、確認し始めると、業務時間は減らないかもしれません。
これはジェヴォンズのパラドックスを業務になぞらえて考えた説明です。AIの使用量が増えれば人間の労働も必ず増えるという意味ではありません。
研究チームが見た三つの変化
バークレーの研究チームが観察した会社は、AIの使用を強制していませんでした。それでも従業員が自発的に活用する過程で、業務負担が大きくなる様相が現れました。
まず、担当する業務の範囲が広がりました。 AIのおかげで、別の職種の業務にも自ら挑戦できるようになりました。ただし、新しく作った成果物を他の人が検討しなければならないケースも出てきました。一人が仕事を早く始めても、チーム全体で必要な確認と修正まではなくならないのです。
休憩時間にも仕事を始めやすくなりました。 昼休みや会議の合間に短くAIへ依頼を送ることが増えました。ちょっとした依頼ではありますが、休むはずだった時間に業務が入り込んできたわけです。
同時に進める作業も多くなりました。 複数の作業をAIに任せておくと、結果を確認して次の指示を出す作業が続きます。自ら手を動かす時間が減っても、管理する作業は増えることがありました。
最初はより多くの仕事をこなせるという点を肯定的に受け止めていました。しかし増えた作業量がいつしか通常の期待水準となり、常に忙しく仕事から離れにくいという経験も出てきました。研究チームは、こうした変化を業務強度が高まる現象として説明しています。
一つの会社を対象に進めている観察研究です。すべての職場の結果を代表するものでも、AIを多く使う人が先に燃え尽きるという因果関係を実証した研究でもありません。私の経験と重なる部分はありますが、その適用範囲を区別して読む必要があります。
速くなったという感覚と実際の結果を併せて見る必要があります
他の調査でも、それぞれ確認した内容は異なります。
Upworkは2024年に米国・英国・オーストラリア・カナダの経営陣、従業員、フリーランサーなど2,500人を調査しました。AIを使用する労働者の77%が、AIが業務負担を増やしたり生産性を下げたりした経験を少なくとも一つ報告しました。成果物の検討やツールの習得に時間がかかるという回答が含まれています。アンケート回答であるため、実際の勤務時間を測定した結果とは区別する必要があります。
METRの2025年の実験は、熟練開発者16人が自分の慣れ親しんだオープンソースのリポジトリで行った作業246件を対象にしました。当時、AIツールを使用できた条件では、完了までの時間が平均19%長くなりました。ところが参加者たちは、実験後もAIのおかげで約20%速くなったと推定していました。
この結果を、現在のあらゆる開発業務に当てはめることはできません。METRは2026年2月24日の後続研究で、ツールの効果が改善した可能性を説明しました。ただし、参加者がAIなしで行う作業を選ぶ方式などが結果に影響を与えるため、改善幅を信頼性をもって推定するのは難しいと述べています。
私がこの研究で注目しているのは、特定のツールの優劣よりも測定方法です。速くなったという感覚だけでは十分ではないということです。作業を始めた時点から検討と修正を終えるまで、どれだけかかったのかを合わせて見る必要があります。
Oswarldの視点
GTM戦略を策定しながら繰り返し見てきたパターンがあります。新しいツールを導入すると、「これで何がもっとできるだろうか」という問いが先に出てきます。「これで何をしなくてよくなるだろうか」という問いは後から出てくるか、そもそも出てこない場合もありました。
ですから、今回の研究はさほど驚くものではありませんでした。AIによってより多くの仕事ができるようになることと、その仕事が本当に必要かどうかは、別に判断すべきことだからです。
リーダーが導入効果を尋ねたとき、チームメンバーが「速くなりました」と答えることがあります。それでも、成果物の確認にかかる時間、他のチームに回した検討業務、退勤後も続く作業を見落とせば、チームの負担を誤って判断することになりかねません。
プロンプトの上手な使い方やツール選びは必要です。それに加えて、何をやめるか、どこまで終えれば十分なのかも決めるべきだと考えます。
バークレーの研究チームは、重要な決定を下す前にいったん立ち止まって目標と反論を確認すること、急ぎでないAIの通知はまとめて処理すること、同僚と直接議論する時間を確保することを提案しています。次々と入ってくる結果に反応し続けるあまり判断や休息を見失わないよう、働き方を決めておこうという趣旨です。
業務に当てはめるなら、AI導入前後で完了した作業数だけを数えるのではなく、三つのことを併せて確認するとよいと思います。実際になくなったり減ったりした仕事、新たに生まれた検討・管理業務、そして退勤時までに終えられなかった作業です。そうして初めて、節約した時間がどこに使われたのかが分かります。
参考資料と関連リンク
- UCバークレー・ハース、研究者シンチ・マギー・イェへのインタビュー — ある技術企業を観察した研究の内容と提案です。2026年2月18日。
- Upwork, AI-Enhanced Work Models — 2024年の調査の回答結果と調査方法を確認できます。
- METR、2025年の熟練開発者実験 — 対象作業と当時のツール、実験の限界を説明しています。
- METR、2026年2月の後続研究 — 変化した開発環境と測定上の難しさを扱っています。
- ウィリアム・スタンレー・ジェヴォンズ、『石炭問題』 — 効率改善と石炭消費の関係を論じた原典です。
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たほか、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『考えを任せる人々：ホモ・ブレインレス』がある。
あなたの視点が次の号をつくります
この号で最も共感した点、あるいは違う経験をした点はどこですか。