# AIによる時間短縮と人への負荷移転を一緒に測る CURRENT_STATUS: CURRENT OBSERVATION: SPEC_ONLY FRESHNESS: CURRENT PAGE_TYPE: reference CANONICAL_URL: /tools/ea-527-ai CLAIM_IDS: none EVIDENCE_IDS: EVD-EA-527-URL-F3004A2856D9, EVD-EA-527-URL-5512E42A8644, EVD-EA-527-URL-4AF313C64372, EVD-EA-527-URL-577936715AD3, EVD-EA-527-URL-DB2ACE17E474, EA-527-CURRENT-APPROVAL, EA-527-CURRENT-BODY-READBACK UNKNOWN_IDS: EA-527-UNKNOWN-01 OPS_IDS: none ## Summary AIで下書きが速くなっても、仕事全体が軽くなったとは限りません。確認・修正する人へ作業が移る、同時に抱える仕事が増える、休憩や勤務外に作業が広がることがあります。一方で、学習や品質の改善が起きる場合もあります。導入評価では、出力数と所要時間だけでなく、誰の何の作業が増減し、品質と働き方に何が起きたかを測ります。 ## Current judgment Berkeley Haasが公開した研究者への取材では、米国の約200人規模の技術企業を対象とする8か月のエスノグラフィーと40件超の面接を通じ、仕事の範囲拡張、休止時間への仕事の浸透、並行作業の増加が報告されています[S1: study design / main forms]。これは一社を対象とした進行中の質的研究の紹介です。AI利用が全労働者の労働時間を必ず増加させるという因果推定ではありません。 ## Scope AIによる時間短縮と人への負荷移転を一緒に測る ## Confirmed - Berkeley Haasが公開した研究者への取材では、米国の約200人規模の技術企業を対象とする8か月のエスノグラフィーと40件超の面接を通じ、仕事の範囲拡張、休止時間への仕事の浸透、並行作業の増加が報告されています[S1: study design / main forms]。これは一社を対象とした進行中の質的研究の紹介です。AI利用が全労働者の労働時間を必ず増加させるという因果推定ではありません。 これに対し、顧客サポートの5,172人を分析した査読論文では、AI支援により時間当たり解決件数が平均15%増加し、効果は経験・技能により異なりました。経験豊富な層の品質に小さな低下が見られる一方、学習や顧客応対面の改善も示されています[S2: Abstract / Introduction]。旧working paperにある別の人数・推定値と混ぜず、ここでは2025年の公刊版を参照します。企業全体の人員削減可能数や賃金効果を、この研究から推定しません。 両者は同じ介入と指標を測った研究ではありません。「AIは必ず負荷を増やす」「生産性が上がったので負担も減った」という一方向の一般化を避ける根拠として併記します。 ## UNKNOWN - EA-527-UNKNOWN-01: 対象組織での時間分布、長期の学習・疲労、役割別の利益配分、採用されなかったAI出力の確認負担は未測定です。公表研究の企業・業務・導入方式は限定されます。主観的負荷、客観時間、成果品質は別の情報であり、単一の合成点数へ押し込めると原因が失われます。本記事の測定票や介入例に普遍的な改善効果が実証されたとは主張しません。 ## Evidence - EVD-EA-527-URL-F3004A2856D9 (RESEARCH): [S1] Berkeley Haas, AI promised to free up workers’ time. UC Berkeley Haas researchers found the opposite, 2026-02-18. — https://newsroom.haas.berkeley.edu/ai-promised-to-free-up-workers-time-uc-berkeley-haas-researchers-found-the-opposite/ - EVD-EA-527-URL-5512E42A8644 (RESEARCH): [S2] Brynjolfsson, Li, Raymond, Generative AI at Work, QJE 140(2), 2025, 889–942. DOI: — https://doi.org/10.1093/qje/qjae044 - EVD-EA-527-URL-4AF313C64372 (RESEARCH): [S2] Brynjolfsson, Li, Raymond, Generative AI at Work, QJE 140(2), 2025, 889–942. DOI: https://doi.org/10.1093/qje/qjae044 ; — https://academic.oup.com/qje/article/140/2/889/7990658 - EVD-EA-527-URL-577936715AD3 (RESEARCH): [S3] NASA Task Load Index (TLX). — https://www.nasa.gov/human-systems-integration-division/nasa-task-load-index-tlx/ - EVD-EA-527-URL-DB2ACE17E474 (RESEARCH): [S3] NASA Task Load Index (TLX). https://www.nasa.gov/human-systems-integration-division/nasa-task-load-index-tlx/ ; — https://software.nasa.gov/software/ARC-15150-1A - EA-527-CURRENT-APPROVAL (RESEARCH): 現行本文の監査・revision対応 - EA-527-CURRENT-BODY-READBACK (IMPL): 現行本文の収録照合 ## Failure / limits Berkeley Haasが公開した研究者への取材では、米国の約200人規模の技術企業を対象とする8か月のエスノグラフィーと40件超の面接を通じ、仕事の範囲拡張、休止時間への仕事の浸透、並行作業の増加が報告されています[S1: study design / main forms]。これは一社を対象とした進行中の質的研究の紹介です。AI利用が全労働者の労働時間を必ず増加させるという因果推定ではありません。 これに対し、顧客サポートの5,172人を分析した査読論文では、AI支援により時間当たり解決件数が平均15%増加し、効果は経験・技能により異なりました。経験豊富な層の品質に小さな低下が見られる一方、学習や顧客応対面の改善も示されています[S2: Abstract / Introduction]。旧working paperにある別の人数・推定値と混ぜず、ここでは2025年の公刊版を参照します。企業全体の人員削減可能数や賃金効果を、この研究から推定しません。 両者は同じ介入と指標を測った研究ではありません。「AIは必ず負荷を増やす」「生産性が上がったので負担も減った」という一方向の一般化を避ける根拠として併記します。 ## Failure / limits 利用者だけへの任意アンケートでは、使い続けた人への選択や離脱者の欠落が生じます。利用有無、利用強度、退職・異動、繁忙度を記録し、比較可能な集団を設けます。無作為化が難しい場合も、導入前後の差を直ちにAIの因果効果とせず、案件構成や人員変更を示します。可能なら同時期の比較群を置き、変更日を固定し、外部要因を点検します。 計測のために全プロンプトや画面を無制限に収集すると、秘密情報と個人情報のリスクが増えます。目的に必要なイベント・所要時間・役割の集計を優先し、観測目的、閲覧者、保存期間、本人への説明を決めます。タイピング数や深夜利用を人事評価へ直結させると、指標が行動を歪め、正確な申告も難しくなります。 改善判断は、品質悪化を許さずに時間を減らせたか、専門職へ過度に集中していないか、勤務外への浸透がないかを合わせて行います。閾値は業務・役割ごとに定め、測定後に都合よく変えないようにします。通知をまとめる、WIPを制限する、確認者の容量に合わせて受付量を調整する、といった介入の前後を再測定します。 ## PUBLIC_CLAIM AIで下書きが速くなっても、仕事全体が軽くなったとは限りません。確認・修正する人へ作業が移る、同時に抱える仕事が増える、休憩や勤務外に作業が広がることがあります。一方で、学習や品質の改善が起きる場合もあります。導入評価では、出力数と所要時間だけでなく、誰の何の作業が増減し、品質と働き方に何が起きたかを測ります。 ## ESTABLISHED_AND_COUNTEREVIDENCE Berkeley Haasが公開した研究者への取材では、米国の約200人規模の技術企業を対象とする8か月のエスノグラフィーと40件超の面接を通じ、仕事の範囲拡張、休止時間への仕事の浸透、並行作業の増加が報告されています[S1: study design / main forms]。これは一社を対象とした進行中の質的研究の紹介です。AI利用が全労働者の労働時間を必ず増加させるという因果推定ではありません。 これに対し、顧客サポートの5,172人を分析した査読論文では、AI支援により時間当たり解決件数が平均15%増加し、効果は経験・技能により異なりました。経験豊富な層の品質に小さな低下が見られる一方、学習や顧客応対面の改善も示されています[S2: Abstract / Introduction]。旧working paperにある別の人数・推定値と混ぜず、ここでは2025年の公刊版を参照します。企業全体の人員削減可能数や賃金効果を、この研究から推定しません。 両者は同じ介入と指標を測った研究ではありません。「AIは必ず負荷を増やす」「生産性が上がったので負担も減った」という一方向の一般化を避ける根拠として併記します。 ## MEASUREMENT_DESIGN 以下は辞典が提案する測定設計です。まず依頼受付から最終結果確認までの業務境界を決めます。文章生成だけを測り、後段の校正や顧客対応を範囲外にしないようにします。比較には対象業務、期間、役割、経験、案件難度、季節要因、AIの構成を付けます。 | 観点 | 測定例 | 読み違いを防ぐ条件 | | --- | --- | --- | | 完成した仕事 | 採用・結果確認済み件数、再開率 | 生成数や送信数を完了としない | | 全工程の時間 | 下書き、確認、修正、調整、例外対応の実時間 | 待ち時間と実作業時間を分離 | | 負荷移転 | 作成者・専門家・承認者・顧客対応者ごとの増減 | 他部署・外注への移転も含める | | 仕事の密度 | 同時WIP、割込み、切替、休止の減少 | 長時間ログインを実作業と同一視しない | | 品質と影響 | 誤り、見逃し、差し戻し、顧客再連絡 | 難度や母数の変化を添える | | 主観的負荷 | 一定手順の質問票と面接 | 個人の診断や能力順位へ転用しない | NASA-TLXは、精神的・身体的・時間的要求、達成度、努力、フラストレーションの六次元を用いる主観的負荷評価の道具です[S3]。対象課題と実施条件を記録し、重み付き方式と単純平均を混同しません。AI固有の安全性認証や疾病の診断尺度として使用しません。数値だけでなく、何の作業が負担だったかを面接や工程観察で補います。 ## WORKED_EXAMPLE 仮想の一案件で、従来は担当者30分・確認者5分、AI導入後は担当者10分・確認者15分・専門家の例外対応5分だったとします。担当者の20分短縮に対し、組織全体の実時間は35分から30分への5分短縮です。確認者の容量を超えて待ち行列が増えるなら、利用者への完了時間は逆に伸びる可能性があります。この例は算術上の説明であり、実企業の測定結果ではありません。 新たに増えた仕事にも意味があります。従来できなかった分析や説明改善が可能になることを、全て無駄な負荷と判定しません。「省力化した既存業務」と「追加した新しい価値」を別に記録し、追加分に必要な時間と責任を予算化します。余剰時間を全て新規案件で埋めた後に、導入前と同じ負担を基準に安全性を説明しません。 ## FAILURE_AND_CONTROL 利用者だけへの任意アンケートでは、使い続けた人への選択や離脱者の欠落が生じます。利用有無、利用強度、退職・異動、繁忙度を記録し、比較可能な集団を設けます。無作為化が難しい場合も、導入前後の差を直ちにAIの因果効果とせず、案件構成や人員変更を示します。可能なら同時期の比較群を置き、変更日を固定し、外部要因を点検します。 計測のために全プロンプトや画面を無制限に収集すると、秘密情報と個人情報のリスクが増えます。目的に必要なイベント・所要時間・役割の集計を優先し、観測目的、閲覧者、保存期間、本人への説明を決めます。タイピング数や深夜利用を人事評価へ直結させると、指標が行動を歪め、正確な申告も難しくなります。 改善判断は、品質悪化を許さずに時間を減らせたか、専門職へ過度に集中していないか、勤務外への浸透がないかを合わせて行います。閾値は業務・役割ごとに定め、測定後に都合よく変えないようにします。通知をまとめる、WIPを制限する、確認者の容量に合わせて受付量を調整する、といった介入の前後を再測定します。 ## LIMITATIONS_AND_OPEN_UNKNOWN 対象組織での時間分布、長期の学習・疲労、役割別の利益配分、採用されなかったAI出力の確認負担は未測定です。公表研究の企業・業務・導入方式は限定されます。主観的負荷、客観時間、成果品質は別の情報であり、単一の合成点数へ押し込めると原因が失われます。本記事の測定票や介入例に普遍的な改善効果が実証されたとは主張しません。 ## SAFE_WORDING 「対象工程で、品質と役割別の実時間を含めて比較した」と記します。生成速度の改善だけから「全社の負担を削減した」と結論づけません。AIを信用して無検証の出力を増やすことを生産性とは扱いません。 ## SOURCES - [S1] Berkeley Haas, AI promised to free up workers’ time. UC Berkeley Haas researchers found the opposite, 2026-02-18. https://newsroom.haas.berkeley.edu/ai-promised-to-free-up-workers-time-uc-berkeley-haas-researchers-found-the-opposite/ （研究者取材・質的研究、2026-10-20確認） - [S2] Brynjolfsson, Li, Raymond, Generative AI at Work, QJE 140(2), 2025, 889–942. DOI: https://doi.org/10.1093/qje/qjae044 ; https://academic.oup.com/qje/article/140/2/889/7990658 （公刊論文、Abstract / I、同日確認） - [S3] NASA Task Load Index (TLX). https://www.nasa.gov/human-systems-integration-division/nasa-task-load-index-tlx/ ; https://software.nasa.gov/software/ARC-15150-1A （尺度開発主体、同日確認） - 来歴: 統合台帳EA-527、原案台帳EA-527。既存の採集状態は研究完成の証拠として使用していません。 NEXT: /agent/start.json STOP: This is a knowledge projection, not an execution order.