生成AIを導入すると、文章の下書きは確かに速くなります。
それなのに残業時間は変わらず、担当者からは「確認が増えた」「結局、別のシステムへ転記している」という声が出る。
こうした状態は、AIの性能不足だけで起きるものではありません。
測る範囲が狭すぎることが原因になっている場合があります。
月次レポートを例にすると、AIが短縮できるのは原稿作成の一部です。
その前にはデータ収集と整理があり、後ろには数字の確認、上司からの差し戻し、書式調整、共有フォルダへの保存、会議での承認があります。
下書きが30分短くなっても、確認が20分増え、承認待ちが半日延びれば、仕事が終わる時刻は変わりません。
米セントルイス連邦準備銀行の2025年2月の解説では、2024年11月調査の生成AI利用者が自己申告した時間削減は平均5.4％でした。
モデルによる集計的な生産性押し上げの概算は1.1％とされていますが、研究自身が実際の統計へ直ちに表れるとは限らないと述べています。
この数値を自社の効果へ置き換えることはできません。
本記事では、AIを使った一工程の速さではなく、依頼が発生してから成果物が承認されるまでを測ります。
総工数だけでなく、人が作業していない待ち時間、修正の往復、品質、利用料まで並べることで、次に手を入れる場所を判断します。
一つ目は、AIを使った瞬間だけを測っていることです。
「下書きが60分から15分になった」という記録は分かりやすい一方、その文章が完成するまでの検証、修正、承認は含まれません。
担当者が手元のタイマーで測るほど、前後工程が抜けやすくなります。
二つ目は、AIが新しく生んだ作業を費用として扱っていないことです。
事実確認、出典確認、社内表現への調整、機密情報の除去、プロンプトの保守、利用者教育、管理者による権限設定などは、導入前には存在しなかった可能性があります。
必要な品質管理であっても、時間と費用は発生します。
三つ目は、短縮した時間の使い道が決まっていないことです。
30分早く終わっても、次の仕事が割り当てられず空き時間になるなら、残業や処理件数には表れません。
セントルイス連銀の解説も、時間削減が企業側に把握されなければ、測定される生産性へ直結しない可能性を示しています。
国内企業の状況も、導入と成果が同じではないことを示します。
IPAの「DX動向2026」では、AIを導入または試験利用している企業は58.0％でしたが、期待通りかそれ以上の効果を実感した企業は三割強でした。
用途は文書作成や情報収集など個人の効率化が中心で、売上や顧客満足度といった外向きの成果は限定的と整理されています。
この差を埋めるには、利用者数や生成回数ではなく、業務がどこで滞留し、何回戻り、誰が最終責任を持つかを記録する必要があります。
タスク単位の測定は、特定作業にAIが向くかを試すときに有効です。
議事録の要約、メールの下書き、表の分類など、開始と終了が明確な作業なら、時間と品質を比較できます。
しかし、経営上知りたいのは、その短縮が納期、処理量、残業、顧客対応へつながったかです。
ここでは測定の単位を、個人の操作から業務フローへ広げます。
月次レポートなら「データ依頼を出した時点」から「承認済み資料を共有した時点」までが対象です。
フロー全体では、二種類の時間を分けます。
担当者が実際に手を動かす処理時間と、返信・確認・承認を待つ待ち時間です。
残業削減では処理時間が注目されますが、納期短縮には待ち時間の改善が大きく効きます。
もう一つ分けたいのが、最初から必要な作業と再作業です。
数値の修正、根拠の追加、形式のやり直しなど、同じ工程へ戻った時間を再作業として記録します。
AIが初稿を速くしても、修正の往復が増えれば全体効果は小さくなります。
Harvard Business Schoolなどの研究者による2026年公刊の研究は、生成AIが知識労働のすべてで均一に効くわけではなく、現在の能力範囲内では成果を高める一方、範囲外の課題では人の成績を下げ得ると報告しています。
同じフロー内でもAIに向く工程と向かない工程が混在するため、全工程を一括で自動化対象にしないことが大切です。
まず、普段の作業を理想形ではなく実態どおりに書き出します。
担当者への聞き取りだけでなく、メールの時刻、ファイル更新履歴、承認記録も確認すると、本人が意識していない待ち時間や転記が見つかります。
次のHTMLは、月次レポートを例にした工程別の記録表です。
数値は説明用の仮定であり、自社の実測値へ置き換えてください。
記録期間は、導入前と導入後でそれぞれ複数回確保します。
一回だけでは、担当者の慣れ、繁忙期、案件難易度の影響を受けすぎます。
月次業務なら最低でも数回分を並べ、特殊案件は注記します。
完成品質も数値化します。
誤った数値の件数、根拠不足の指摘数、差し戻し回数、期限内完了率など、業務に合う指標を一つか二つ選びます。
文章の美しさを曖昧に採点するより、確認可能な不具合を数えるほうが継続しやすくなります。
工程別データを集めたら、五つの指標を一枚にまとめます。
総所要時間は開始から完了まで、待ち時間は人が処理できず止まった時間、再作業率は修正工程の時間を総処理時間で割った割合、完成品質は定義した不具合指標、総費用は人件費とツール・教育・管理費の合計です。
月間ROIは「金額換算した便益－追加費用」を追加費用で割る形が一般的ですが、削減時間をすべて人件費削減とみなしてはいけません。
空いた時間で処理件数が増えた、外注が減った、納期遅延を回避したなど、実際に確認できる便益だけを計上します。
人件費は給与だけでなく、会社負担分や間接費を含む社内基準の時間単価を使います。
総費用にはAIライセンス、API、連携ツール、初期設定、教育、プロンプト保守、品質確認、管理者対応を含めます。既存社員が担当した作業も無料ではありません。
結果の読み方は三つに分かれます。処理時間と品質が改善した工程は継続候補です。
処理時間は減ったが再作業や品質問題が増えた工程は、入力データ、テンプレート、確認基準を修正します。何も改善しない工程は、AIツールを増やす前に、その作業自体が必要かを問い直します。
また、短期ROIが低くても、繁忙期の処理能力、属人化の軽減、引き継ぎのしやすさに価値が出る場合があります。
これらは金額へ無理に換算せず、補助指標として別欄に置くほうが説明しやすくなります。
最初の一週間は、AIを増やさず現状を測ります。
開始・終了時刻、待ち、差し戻し、担当者、完成品質を記録し、実際のフロー図を作ります。
記録の負担が大きい場合は、対象業務を一つに絞ります。
二週目は、AIを使う工程と使わない工程を明確にします。
初稿作成だけに使うのか、データ整理にも使うのかを固定し、比較条件を揃えます。
担当者が自由に使い方を変えると、何が効いたか分からなくなります。
三週目は、エラーと差し戻しの原因を分類します。
入力不足、AIの誤り、指示の曖昧さ、承認基準の不一致、システム間転記の五つ程度に分ければ十分です。
頻度が高い原因から、テンプレート化、入力必須化、連携、確認責任の変更を行います。
四週目に、各工程を自動化・標準化・廃止・維持へ振り分けます。
ルールが明確で繰り返しが多い工程は自動化、判断基準はあるが人の確認が必要なら標準化、成果物で使われない作業は廃止、規制や顧客関係に関わる判断は人の工程として維持します。
次の30日では、同じ指標を再測定します。
改善が見えなければ、AIモデルの変更だけで終わらせず、入力データ、承認人数、会議、転記先、成果物そのものを見直してください。
工程を残したまま高速化を重ねると、不要な仕事を速く回す結果になりかねません。
生成AI導入の効果は、生成画面の速さでは決まりません。
依頼から承認までの処理時間、待ち時間、再作業、品質、総費用を同じ表に置いて初めて、残業が減らない理由を切り分けられます。
月次レポートのように範囲が明確な業務を一つ選び、導入前後を複数回測るところから始めてください。
AIに向く工程は残し、確認が増えた工程は標準化し、価値のない転記や資料は廃止する。
ROI測定をツールの評価で終わらせず、業務設計を変える判断へつなげることが成果を生みます。
.png){kind=logo}
