［ビジネスマン向け］AIを管理する作業が「もう一つの仕事」になっている——企業AI活用の現実

2026-04-05

はじめに

　Fast Companyが2026年4月4日に報じた記事では、AI導入が進む職場で「AIを管理する作業」そのものが従業員の新たな負担になっている現状が取り上げられています。本稿では、企業のAI活用における期待と現実のギャップ、そして対応策について解説します。

参考記事

タイトル: Managing AI has become its own job
著者: Suman Bhattacharyya
発行元: Fast Company
発行日: 2026年4月4日
URL: https://www.fastcompany.com/91519557/managing-ai-has-become-its-own-job

要点

MITの調査によれば、昨年は組織の半数が汎用AIツールを試験導入したが、導入することと使いこなせる状態にあることは別物である
Workdayが2026年1月に実施した3,200人対象の調査では、AIで節約した時間の3分の1以上が手直し作業によって相殺されており、これを「AIの生産性税（AI tax on productivity）」と呼んでいる
AIトレーニングは多くの職場で表面的なものにとどまっており、不適切な使用による深刻なミスも報告されている
IBM Consultingは全従業員に生成AIの基礎バッジ取得を義務付け、ROIを軸に200以上のユースケースを評価・絞り込むアプローチを実践している
従業員がAI導入に抵抗を示す背景には、「自分の仕事が奪われる」という恐怖が根本にある

詳細解説

導入と現実のギャップ

　MITの調査によれば、昨年は組織の半数が汎用AIツールを試験導入しています。しかし、ツールを導入することと、組織がそれを使いこなせる状態にあることは別の話です。Humane IntelligenceのCEOであるRumman Chowdhury氏は、経営幹部にはAI活用を推進するプレッシャーがあり、うまく機能しているように見せるインセンティブも働きやすいと指摘します。そして、問題が生じた際に責任を負わされるのは、そもそも導入の意思決定に関わっていなかった現場の従業員であることが多いと述べています。

　企業向けソフトウェア会社ServiceNowの最高デジタル情報責任者（CDIO）Kellie Romack氏は、自社のAIツールが基本的な計算を誤るケースを実際に経験しており、誤りを発見して修正を依頼する場面を紹介しています。AI出力のチェックや修正に費やす時間は、組織が正式なコストとして計上していないことが多く、これが効率化の実態を見えにくくしている要因の一つと考えられます。

「AIの生産性税」という現実

　Workdayが2026年1月に実施した3,200人の従業員を対象とした調査では、AIによって節約された時間の3分の1以上が手直し作業によって相殺されていることが明らかになりました。同報告書はこれを「AIの生産性税（AI tax on productivity）」と呼んでいます。

　多くの経営者が注目するのは「総効率」、つまりAIがどれだけ時間を節約したかという指標です。しかし同報告書は、手直しを差し引いた「純価値（時間の節約から時間の損失を引いたもの）」こそ、AIが業務の質を本当に改善しているかどうかを測る指標だと指摘しています。節約された時間だけでなく、達成された成果を軸に評価することが求められる、という考え方は、ROI志向の経営判断において重要な視点と言えます。

　Chowdhury氏はAI業界がツールの能力を過度に売り込んできたとも述べており、OpenAIのSam Altman CEOによる「ポケットに博士レベルの専門家チームが入る」という言葉を例に挙げています。「これらの技術は同時に有能でもあり、有能でもない。AIから最も遠い人ほど、魔法のような存在を想像して、現実とのギャップに失望する」という指摘は、期待値の設定が導入成果に直結することを示唆しています。

トレーニングの限界とリーダーシップの役割

　テキサス大学オースティン校の2024年の研究では、26カ国からの39人の知識労働者を対象にAIトレーニングの実態を調査しました。回答者の多くは、受けたトレーニングを「表面的なもの」と評価しています。ChatGPTが生成した実在しない論文タイトルを実在のものと誤認した事例や、労働基準に関する業務でAIが全く無関係な基準を参照した文書を繰り返し作成し、担当者が解雇に至ったケースも報告されています。

　IBM Consultingは全従業員に生成AIの基礎バッジ取得を義務付けています。ただし、同社のTess Rock氏は「トレーニングだけでは不十分」と強調します。AIをどこでどのように使うかを明確に定義できるリーダーシップがなければ、よく訓練された従業員でも成果を出せずに終わると言います。「リーダーシップによる方向付け、運用モデル、ガバナンスに関する意思決定が必要であり、それなしには現場で試行錯誤する人材が疲弊するだけだ」と述べています。

　同社の実践として注目されるのは、ROIを中心に置いたユースケースの選別です。2週間のスプリントでチームがROI付きのAIアイデアを提案・構築し、成果が出たものだけをスケールさせます。あるクライアントとの取り組みでは200以上のユースケースを洗い出し、半数を即座に除外。上位10件が総価値の80%をもたらしたとのことです。「インパクトをもたらす領域に絞り、そこに投資する」というシンプルな原則が、AI活用の成否を分けると考えられます。

従業員の本当の不安と測定の単位

　Chowdhury氏は、従業員のAIへの抵抗の根底には「管理職が自分たちを置き換えようとしている」という恐怖があり、「それは正当な恐怖だ」と述べています。現場と経営層の間に挟まれた中間管理職にとって、この状況は特に難しい立場を生み出します。抵抗を押さえ込もうとするよりも、その背景にある不安を理解しようとする姿勢が重要だと言います。

　Rock氏は、生産性の測定単位そのものを見直すべきだと指摘します。個々の従業員がメール作成や会議要約にかかる時間を短縮することに焦点を当てるのは「ドルに対するペニー程度の話」であり、問うべきは「組織全体としての生産性をどう高めるか」だという考え方です。個人レベルの時間節約ではなく、組織レベルの成果を軸にした視点への転換が、AI活用を正しく評価するうえで必要と考えられます。