2026/9/17更新: 2026/10/5約13分で読めます

下書きは速くなったのに、仕事全体では？AIで仕事はどう変わるかの読み方

下書きの時間が短くなっても、確認・修正や教育の仕事は残ります。問い合わせ業務の計算例とILO・METRなどの研究を使い、作業時間、品質、雇用の指標を読み分けます。人の配置を考える前に役立つ判断材料です。

影山湧亮 / NeoLogic株式会社代表取締役。元警視庁。現場業務の整理と生成AI活用・Webシステム開発を一貫して担当。

AIで仕事がどう変わるかは、AIが関われる作業の割合、実際の利用、時間短縮、品質、企業の成果、雇用への影響を、別々の指標として読みます。一部の作業が速くなっても、その割合だけ人員が不要になるとはいえません。

「AIで事務の仕事がなくなる」という見出しを読み、次の採用を見送るべきか迷う。働く側なら、今の専門性を磨くより別の職種に移った方がよいのか、不安になるかもしれません。その判断の前に、研究が仕事の何を測ったのかを確かめます。国際研究の対象と比較条件を読み、会社では具体的な役割の変化として検討します。

研究の読み取りと業務の比較には、判断表・記入済み見本・空欄票（Excel）を使えます。

下書きは75％短縮、仕事全体では15％短縮（想定例）

日本の小規模な問い合わせ窓口で、担当者2人が定型的な回答を扱うとします（想定例）。2週間の試行で、AIなし・ありを各20件比較する想定です。担当者と難度が片方に偏らないよう、両方の条件を期間内に混ぜて割り当てます。

問い合わせ業務の分担：人の実作業時間（分／件）

作業と分担	AIなし	AIあり
内容の読み取り・下調べ：担当者が範囲を判断	4	3
回答案作成：AIに下書きを任せ、担当者が選ぶ	8	2
根拠の照合・修正：担当者が規程と回答を確認	4	5
例外判断・顧客調整：責任者と担当者が対応	4	4
1件当たりの合計	20	14

下書きだけを見ると8分から2分ですが、照合・修正は4分から5分に増えています。仕事全体では20分から14分です。さらに、今回だけ必要な設定・教育をAIありに60分計上すると、20件の合計はAIなし400分、AIあり340分になり、この試行で浮くのは60分・15%です。初期準備を含める期間を変えると、見かけの削減率も変わります。

比較した20件の品質と、まだ測っていないこと

確認項目	AIなし	AIあり
件数／品質合格数（仮定）	20件／19件	20件／19件
合格率／重大誤り（仮定）	95%／0件	95%／0件
設定・教育込みの総実作業時間	400分	340分
「速くなったと思う割合」（架空の所感）	比較の基準	50%と回答した想定
未測定	長期の顧客満足、売上、雇用への影響	同左。実際の利用料金・投資回収も未測定

この数字を使って、「同じ範囲でもう少し試すか」「照合の負担を減らす方法を探すか」といった次の検証を決めます。少数件の見本から採用人数は決めません。合格しなかった案件の時間も除かず集計し、合格基準は試行前に固定します。両条件とも95%という仮定だけでは、広い業務範囲の品質が同等かは分かりません。

条件が変われば判断も変わります。AIありの照合・修正が5分でなく11分必要なら、1件は20分、設定・教育込みの合計は460分です。AIなしより60分増えるため、その条件では作業分担や対象範囲を見直します。記入票では、このように入力を変えて比較できます。

仕事と作業を区別する

「問い合わせ対応の仕事」を例にすると、内容を読む、規程を探す、回答案を書く、誤りを直す、例外を判断する、顧客と調整するといった作業があります。文章案をAIに任せられても、例外処理や説明まで任せるには、それぞれの条件を確かめる必要があります。職業名だけで代替できる・できないを決めると、この違いが抜け落ちます。

研究で使われる「AIへの曝露」は、職業に含まれる作業がAIによって影響を受け得る度合いです。ILOの2025年の指標は、ポーランドの職務記述などを基に技術的な可能性を評価し、国際職業分類へ対応させています。実際のAI導入率や失職人数を知るには、それらを調べた別の資料が必要です（出典：ILO Generative AI and Jobs: A Refined Global Index of Occupational Exposure）。

この数値を読むときは、「どの技術の、いつの能力を想定したか」「作業を評価したのか、人の雇用を数えたのか」を確認します。能力上は支援できても、必要な情報を渡せない、確認担当が足りない、例外が多いといった条件があれば、自社の利用範囲は別途考えます。

研究で測っているものを確認する

ILOの2026年の研究レビューは、実験、企業や労働者の記録、調査などを分けて整理しています。各研究は国・職種・期間が異なり、効果も一様ではありません。全労働者に共通する一つの削減率として扱うと、対象の違いを見落とします（出典：ILO The impact of GenAI on jobs, productivity and work organization: a review）。

読む順番は、まず指標、次に対象と比較条件です。複数の指標は併用できますが、一つで他を代用することはできません。

知りたいこと	対応する研究	その数字が直接は示さないこと
AIが関われる作業はどれだけあるか	ILOの職業別指標	導入率や失職人数
実際に作業が速くなったか	Copilot実験、METRの開発者実験	全職種・最新のAIに共通する削減率
利用者は効果をどう感じるか	METRの自己申告調査	売上や完成量の実測
雇用や給与に変化が出たか	デンマークの調査と行政記録	日本や将来の雇用への影響

各研究の人数・期間・結果・適用範囲を読む

指標から言えること・言えないこと

指標	言えること	この指標だけでは分からないこと
AIが影響し得る作業の割合	定義した作業が、評価時点のAIに影響され得る度合い。	実際の利用率、失職人数、代替の時期。
利用状況・本人の評価	対象者がどの程度使い、どう感じているか。	実際の生産量や、AIだけによる効果。
作業時間	同じ範囲・難度の作業に、どれだけ時間を使ったか。	品質を保ったか、仕事全体や人件費が同率で減るか。
品質・合格率	指定した基準を、どの程度満たしたか。	測っていない安全性、長期的な顧客満足。
組織・事業の成果	定義した生産量、費用、売上などの変化。	比較設計が弱い場合に、その変化がAIの効果か。
雇用・賃金・労働時間	対象国・職種・期間に観測された変化。	他国や将来の失業率、個人の職業がなくなる年。

指標の表はILO・METR等の資料（出典：ILO The impact of GenAI on jobs, productivity and work organization: a review、METR、METR We are Changing our Developer Productivity Experiment Design、METR Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker、Humlum・Vestergaard Still Waters, Rapid Currents: Early Labor Market（PDF））を基にした読解用の整理です。同じ「生産性」という言葉でも、課題を終えるまでの経過時間、実際に手を動かした時間、本人が感じる成果、給与の記録では意味が違います。

研究の対象・期間・結果を一緒に読む

研究・対象・期間	測定と主な結果	適用範囲と限界
PengほかのCopilot実験（出典：Pengほか The Impact of AI on Developer Productivity: Evidence from GitHub Copilot）。主にインド・パキスタンの開発者95人。2022年5–6月。単一のJavaScript課題。	AIへのアクセスを無作為に割り当て。自動記録の経過時間は、完了者70人の比較で55.8%短縮（95%信頼区間：21–89%短縮）。	完了者に限る推定。日常の開発全体や企業利益への効果は、この課題とは分けて確認する。
METR原研究（出典：METR）。熟練OSS開発者16人・246課題。2025年2–6月。国別内訳は不明。	課題ごとにAI利用可否を無作為化。参加者が記録した実作業時間は19%増の推定（95%信頼区間：2–39%増）。	特定の熟練者と既存プロジェクトの結果。別の開発者や2026年のAIへの適用は未確認。
METR追試・設計更新（出典：METR We are Changing our Developer Productivity Experiment Design）。57人・800超の課題。2025年8月開始、2026年2月報告。国別内訳・収集終了日は不明。	作業時間を比較したが、参加者・課題の選択や並行作業などに問題があり、効果量を信頼できる形で確定できないと報告。	2025年の結果は維持されている。新しい改善率には、研究設計の問題を解いた追加の検証が必要。
METR自己申告調査（出典：METR Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker）。技術職349人。48%が米国拠点。2026年2–4月。	便宜的に募集した回答者の主観的な成果評価。質問の形式により、価値の倍率の中央値は1.4–2倍。	倍率の幅は質問形式の違いによるもの。売上や完成量の実測、全技術職の平均、信頼区間と区別する。
Humlum・Vestergaardのデンマーク研究（出典：Humlum・Vestergaard Still Waters, Rapid Currents: Early Labor Market（PDF））。AIの影響を受けやすい11職種。2023・2024年調査は各約2.5万人。行政記録は2024年12月まで。	利用者・非利用者の導入前後の変化を比べる観察研究。賃金・記録上の労働時間への有意な影響を検出せず。	無作為実験とは異なり、比較の前提がある。他国や将来への適用は別に確かめる。

信頼区間は、統計的な推定の不確実性を示す範囲です。それがあっても、別の国や職種にどこまで当てはまるかという問題は残ります。また、賃金や労働時間の変化を検出できなくても、仕事の内容は変わっている可能性があります。デンマークの研究は、業務の変化も併せて調べています（出典：Humlum・Vestergaard Still Waters, Rapid Currents: Early Labor Market（PDF））。

結果が違う理由を読む

「速くなった気がする」と時間の記録は別

METRの2025年研究では、参加者は事後の評価でAIによって20%速くなったと見積もった一方、記録された実作業時間からの推定では19%長くなっていました。参加者がレビュー前後の実作業時間を報告し、画面録画も補助的に用いた研究です。記録にも誤差はあり得ますが、「AIがなければ何%遅かったはずか」という主観的な見積りとは区別できます（出典：METR）。

自社で「何時間削減できたと思うか」だけを聞くと、書き始めの速さや使い心地を測っている可能性があります。作業記録では、準備、指示、出力待ちの間に行った別作業、根拠の照合、修正、最終確認を分けます。待ち時間と人が使った時間を二重に足さないことも必要です。

熟練度、課題の難しさ、誰が参加したかを見る

Copilot実験は仕様の定まった一つの課題、METR原研究は参加者が慣れた実際のOSSプロジェクトの課題です。前者は経過時間、後者は実作業時間を測っています。ツールの世代、課題、品質基準も異なるため、数字の大きさだけで研究を順位付けすると、こうした条件が抜け落ちます（出典：METR）。

さらにMETRは2026年2月、AIなしでは参加したくない人や、AIの効果が大きそうな課題を実験に出さない人がいること、報酬条件や並行作業の計測が比較に影響することを報告しました。残った参加者だけでは、日常の利用者全体を代表しないおそれがあります（出典：METR We are Changing our Developer Productivity Experiment Design）。

2026年5月のMETR調査は、より広い技術職の認識を知る別の材料です。成果の倍率は自己申告で、前年の無作為実験とは方法が違います。資料の更新日とともに、何をどう測ったかを確認すると、新旧の数字をつなげてよいか判断できます（出典：METR Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker）。

誰が得をするかと、若手が育つかも別に確認する

時間が浮いたときに、それを処理件数、顧客対応、教育、休息のどれに振り向けるかは、会社の判断です。担当者の時間だけが減っても、確認する人に負担が移っていれば、組織全体の改善とは限りません。役割別の時間と余力の使い道を併記すると、この分配が見えます。

ILOのレビューは、利益の偏りや若年層の就業への影響も取り上げていますが、国・業務・研究方法で条件が違います。「経験が浅い人」と「若い人」も別の分類です。海外の一部の観測から日本の新卒採用を止める判断には、国内の仕事量や教育の必要性など、追加の材料が必要です（出典：ILO The impact of GenAI on jobs, productivity and work organization: a review）。

問い合わせ窓口の例なら、若手の下書き作業を減らす際に、根拠を説明する練習や例外案件の振り返りを残す案が考えられます。短期の処理時間が減っても、独力で判断できる人が育たなければ、教育を含む分担は再検討が必要です。

契約変更や補償の例外判断へAI利用を広げる場合は、定型回答の例と分けて評価します。対象外の案件履歴、責任者の確認時間、顧客からの訂正・苦情を社内の記録から集め、別の合格基準と確認担当を設けます。データをAIへ渡せるかも、社内規程と契約の確認が先です。

時間が浮いた後に、残る仕事を数える

問い合わせの例では、下書きが速くなっても、根拠の照合、例外判断、顧客との調整は残りました。次に決めるのは、この分担で追加の件数を受けられるか、照合担当に負担が集まらないか、若手が判断を学ぶ機会を残せるかです。

採用計画には、通常時の残る仕事量だけでなく、繁忙時の対応と教育に使える時間も入れます。20件の時間短縮を、そのまま人数へ換算することはできません。時間と実際の支出を分けた費用比較は、AI導入の効果測定｜時間・品質・支出を比べるで確認できます。

まず、担当業務を読み取り・下書き・確認・例外対応に書き分け、それぞれにかかる時間を一日分だけ記録してみてください。

その仕事にAIは必要？手順改善・通常処理との比較

新しいモデルの性能を知る数字は、課題や試行回数をそろえて読むと、仕事で試す範囲を選びやすくなります（AIの性能ニュースを読む｜得点・IQ・作業時間）。

参考出典

資料確認日：2026年9月15日。

あわせて読む

ガイド2026/9/17

月26時間空いても、支払いは1円も減らない。AI導入の効果の測り方

AIで空いた時間と、実際に減った支出を別々に計算します。月100件と20件の例で、確認・修正・教育・維持まで含めた時間と費用を比較。自社の仕事を入力できるExcelで、続ける判断に使えます。