生成AIで作業は21.2％増、会話が追いつかない職場の見分け方

生成AIを20週間で100回超使った従業員では、Microsoft 365上の人間による生産性関連操作が21.2％、コミュニケーション関連操作が7.1％増えた。Microsoft Researchの研究概要 が示すのは、生成AIの利用後、仕事全体が一様に変わるのではなく、文書中心の個人作業が対人活動より速く増えたという差である。

したがって、職場で見るべきなのはAIの利用回数や総操作量だけではない。完成した成果物と品質、メールで接触する相手の広がり、会議後の意思決定、部門をまたぐ知識の再利用を並べれば、個人作業だけが加速し、会話と知識共有が追いついていない状態を見分けられる。

21.2％は「生産性向上率」ではない

21.2％が表すのは、売上や利益、完成した成果物、労働時間当たりの出力ではなく、Word、Excel、PowerPointなどに記録された人間によるアプリ操作の変化だ。保存やコンテンツ追加が増えても、良い文書が21.2％多く完成した、同じ仕事を21.2％短く終えた、という意味にはならない。

arXivの原論文 は、2024年1月から9月まで、11の国際企業でCopilotを利用可能になった4万164人のM365行動ログを分析した。導入後20週間でCopilotを100回超使った7831人と、観測期間後に利用可能になった勤務行動の似た従業員を差の差分析で比較し、AI自身が起こした操作は集計から除いている。

ただし、この研究は作業時間や完全な生産性を直接測っていない。後から導入した従業員との比較や導入前トレンドの検証は行われているものの、頻繁な利用者に固有の未観測要因が残る可能性があり、標本も大企業が中心だ。21.2％は仕事配分が変わった有力なシグナルであって、そのまま経営成果へ置き換えられる数字ではない。

文書作業は広く増え、メールの変化は入り組む

分析対象の主要な生産性関連操作では、Word、Excel、PowerPointの細かな操作の大半が増えていた。生成、要約、下書きの支援で着手や編集の負担が下がった可能性と整合するが、AI出力を直す手戻りや、使われない文書の増加でも操作数は増える。ログだけでは、増加の理由や成果物の価値までは確定できない。

コミュニケーション側は一方向ではない。全体の操作は7.1％増えた一方、メールを読む操作は5.5％、メールを移動する操作は7％減少した。宛先が10人未満のメールは4.7％、接触したユニークユーザー数は1.6％、会話の往復回数は2.1％減っている。

この減少は、要約や返信支援によって低価値な処理が減った結果かもしれない。一方で、同僚への質問や異なる部署から情報を得る機会が縮んだ可能性もある。研究自体は、どの種類のコミュニケーションが減ったかを判別していないため、メール件数だけで効率化とも知識共有の悪化とも断定できない。

会議が変わらなければ、個人の効率化で止まる

個人で変えられる行動と、周囲との調整が要る行動の差は別の実地研究にも表れている。Harvard Business School AI Instituteの解説 によると、66社・7000人超を対象とした6カ月の無作為化試験では、Copilotを半数超の週で使った従業員のメール時間が週3.6時間、導入前平均から31％減った一方、会議の回数や時間には目立った変化がなかった。共同文書は約25％早く完成したが、完成数は増えなかった。

メールを読む、要約する、下書きを作るといった作業は一人で変えられる。会議の廃止、承認手順の変更、担当範囲の再設計には、関係者の合意が必要だ。メール処理が速くなっても会議時間、承認待ち、差し戻しが変わらない職場では、浮いた時間が組織全体の処理能力に転換されていない可能性がある。

ダッシュボードは四つの層に分ける

導入状況を判断するダッシュボードでは、利用、個人作業、調整、成果と知識共有を混ぜない。職種やチームごとの週次推移を集約して見れば、利用量の多い人を評価する仕組みにせず、活動がどの段階で成果につながったかを追える。

• 利用：利用可能者数、週次アクティブ率、利用回数の中央値、機能別の利用構成を置く。平均値だけでなく、利用が少数の頻繁なユーザーに偏っていないかを見る。
• 個人作業：文書の着手数と完成数、初稿から承認までの時間、改訂回数、差し戻し率を追う。アプリ操作の増加が完成速度や品質につながったかを分けて判定する。
• 調整：メール処理時間、小規模スレッド数、接触相手の数、会議時間、会議後の未決事項、承認待ち時間を置く。不要な連絡の削減と、必要な協働の縮小を区別する。
• 成果と知識共有：期限内完了率、品質レビュー、修正要求に加え、他部署による資料の参照、再利用、訂正、追記や、部門横断の相談を測る。

見るべきなのは、隣り合う層のつながりだ。文書操作が増え、完成までの時間が短くなり、差し戻しも減るなら改善と判断しやすい。操作だけが増え、完成数や品質が横ばいなら、AI出力の修正や不要な文書作成が新しい負荷になっていないかを切り分ける必要がある。

会話が追いつかない職場に出る四つの兆候

第一は、生産性関連アプリの操作が増えているのに、完成した成果物や意思決定が増えないことだ。下書きを作る速度だけが上がり、レビュー担当者や承認手順が変わらなければ、待ち行列は後工程へ移る。

第二は、メール処理量の減少と同時に、接触相手の数や小規模な往復も減ることだ。読む時間を節約できても、情報が同じ少人数からしか入らなくなれば、例外や異論を拾う経路が細くなる。この段階では悪化と決めつけず、どの相手、部署、話題との接点が減ったかを確認する。

第三は、会議時間が変わらないまま事前資料だけが増える状態である。会議後に決定へ至った議題の割合、担当者が決まった案件数、未決事項の滞留日数を見れば、資料作成の高速化が調整の高速化まで届いたかが分かる。

第四は、文書の再利用が増えても、異なる部署からの閲覧、訂正、追記が広がらないことだ。同じ資料が複製されるだけでは、知識が更新されたとはいえない。再利用回数とともに、根拠、更新日、責任者、利用部署の広がりを追う必要がある。

減らす連絡と残す対話を分けて測る

導入効果を見るときは、導入前の基準期間を設け、同じ職種やチームの週次推移と比べる。繁忙期、組織変更、大型案件など、AI以外に操作量を変える要因も記録する。利用者と非利用者の単純比較では、担当業務や導入意欲の違いをAIの効果と取り違えやすい。

さらに、減ってよい連絡を先に定義する。通知の仕分け、長いスレッドの要約、定型的な日程調整は削減対象にできる一方、顧客の例外報告、専門家への相談、部門間の異論、重要判断の確認は残すべき対話になり得る。この区別がなければ、同じメール減少が効率化にも知識遮断にも見えてしまう。

健全な導入は、操作量が多い状態ではない。個人作業が速くなり、不要な情報処理が減っても、必要な相手との接点、判断の質、知識を更新する経路が維持されている状態だ。21.2％を見るなら、7.1％との開きだけでなく、その内側で何が完成し、誰との会話が減ったのかまで見る必要がある。