かつて3週間を要したプロジェクトが今や1週間で完了する。丸1日の作業を要していた報告書が昼休み前に仕上がる。しかし、この加速された基準が持続可能か、正確か、公正かについて合意が形成される前に、従業員はすでにこの基準で評価されている。効率化の果実は組織に流れ、激化したプレッシャーは個人にのしかかっている。

人工知能を採用しているほぼすべての業界で、同じパターンが現れている。効率性の向上は、回復された時間として従業員に還元されていない。代わりに、それは多くの場合即座に、より高いアウトプットへの期待に変換されている。まず公には語られないその根底にある論理は単純だ。AIが午後の時間の一部を取り戻してくれたなら、その時間は次の成果物に割り当てられる。労働者は時間を取り戻しているのではない。同じ固定された時間数の中で、加速されたスケジュールに乗って、追加の業務を課されているのだ。

変革的な技術が負荷の軽減を約束しながら、実際には負荷を増大させたのは、これが初めてではない。経済学者ロバート・ソローは1987年に、コンピューターは生産性統計を除いてあらゆる場所に現れていると指摘した。後に生産性パラドックスと名付けられた現象である。電子メール、インスタントメッセージング、モバイルデバイスもそれぞれ同様の軌跡をたどった。それぞれ時間を節約するために採用されながら、結果として労働者が処理を求められる範囲とペースを拡大させた。現在のAIの波を特徴づけるのは、導入の速度と広さ、そしてAIがこれまで人間の判断を要すると考えられていた認知的タスクを引き受けているという事実である。

研究は一致している：AIは仕事を軽減するのではなく、激化させている

GoToとWorkplace Intelligenceの研究は、このパラドックスを異例なほど明確に示している。10か国の従業員2,500人とIT意思決定者を対象としたPulse of Work in 2026調査では、従業員がAIツールを使用することで1日2時間以上を節約していることが分かった。しかし、同じ調査で、60%の従業員が生産性向上のためにAIを使用することを迫られていると感じ、50%がAIに過度に依存していると答え、39%がその依存の深まりが自身の知性を低下させていると回答した。生産性の向上と人間のパフォーマンスのコストは同時に発生しているが、ほとんどの組織は方程式の一方の側しか追跡していない。

1,100以上の組織における4億4,300万時間の労働活動を対象としたActivTrakの分析では、AIが従業員の電子メールとメッセージングに費やす時間を倍増させた一方で、集中したディープワークが9%減少したことが判明した。今年早くに発表されたHarvard Business Reviewの研究は、AI導入後、従業員がより速いペースで働き、より広範な責任を担い、労働時間を1日のより多くの時間にまで拡大したと報告した。多くの場合、求められたわけではないのに。ツールはより多くの活動を生み出すと同時に、その活動に価値を与える質の高い思考の能力をむしばんでいる。

これらの発見は、現在のAIの急増に先立つ懸念の上に成り立っている。世界保健機関は2019年にバーンアウトを職業的現象として正式に認識し、GallupのAI以前の研究は一貫して世界の労働力におけるエンゲージメントの低下を特定していた。AIがこれらのプレッシャーを無から生み出したのではない。すでに過労状態にあった職場文化の上に、新たな認知的負荷を重ね合わせたのである。

速度で評価され、判断力では評価されない

AIがタイムラインを短縮するとき、最も目立つ変化は速度である。速度はAI導入の最も読みやすく定量化しやすいアウトプットであるため、急速にパフォーマンスの事実上の代理指標となる。Gallupの研究では、65%の従業員がAIによって生産性が向上したと答え、マネージャーによる頻繁なAI使用は2023年以降15%から30%に倍増したことが分かった。しかし、普及の拡大は、恩恵を受ける者と負担を吸収する者の間の格差を拡大させている。リーダーは最も強い生産性向上を報告する一方、個別貢献者はAIを効果的に使用するためのガイダンスを受け取る可能性が最も低いままである。同時に、54%のマネージャーが職場の期待がAIの直接的な結果として上昇したと答えている。パフォーマンスのハードルは上がり続けているが、測定の枠組みはそれに追いついていない。

速度中心の評価が見落とすのは、まさにAIが実行できない認知的作業である。出力の正確性を検証し、ハルシネーションが決定に変わる前にそれを傍受し、モデルが欠いている文脈に応じた判断を適用すること。AIが生成した素材のエラーを確認し、80%完成したドラフトを真に質の高い仕事に引き上げることは、自動運転でできるような定型作業ではない。それは終日バックグラウンドで稼働するエグゼクティブレベルの判断力である。従業員が主に生産の速さで評価されるとき、その目に見えない認知的労働は認識されないまま、やがて枯渇する。

下流に生じる結果は、研究者が「workslop」と呼び始めた現象である。速度だけが測定指標である場合に組織に氾濫する、大量だが低価値のアウトプットである。GoToとWorkplace Intelligenceの調査では、43%の従業員が品質が低い、またはエラーが含まれていると疑いながらAI生成コンテンツを提出したことがあり、77%がAI生成の仕事のレビューには人間が作成した仕事のレビューより時間がかかると答えた。Built Inの報道にあるように、マネージャーが加速されたアウトプットを何よりも優先するとき、従業員は品質よりも量を優先するようになり、下流の同僚はAIが生成したものを修正するために追加の時間を費やす。実際には、より速いアウトプットは頻繁により遅い純成果を意味する。

誰も止めないサイクル

この力学に対処することを特に困難にしているのは、それが静かに複合的に蓄積される点である。GoToとWorkplace Intelligenceの調査では、65%の従業員がAIがより多くの業務を引き受ける中、雇用主が必要なスキルを身につけさせてくれていないと答え、80%が大部分の労働者はAIツールを効果的に使用するための適切な訓練を受けていないと答えた。それにもかかわらず、4人に1人近いITリーダーが、AI関連のエラーがすでに顧客や会社の業績に影響を与えたと報告している。組織は導入を加速させながら、それを維持するために必要な人的基盤への投資を怠っている。

AI主導の生産性向上を取締役会に報告するリーダーは、その向上が依存する認知負荷の同時増加、集中作業時間の減少、判断の質の低下を報告することは通常はない。プレゼンテーションで好ましく見える指標が表面化する。人間のコストを明らかにする指標はまだ構築されていない。

リーダーが変えるべきこと

最初の介入は最も単純で最も稀なものである。回収された時間を本当に従業員に返すこと。AIが3週間のプロジェクトを1週間に短縮するとき、組織のデフォルトの反応はさらに2週間分の業務を割り当てることだ。その代わりに、回復された能力をAIが実行できないタスクに向けることができる。より深い専門的関係の構築、より厳格な品質レビューの実施、スキル開発の追求、そして迅速な結果ではなく持続性のある結果をもたらすような熟慮された判断力の行使。あらゆる効率化の成果をより多くの業務を割り当てるための許可とみなす組織は、より能力のある労働力ではなく、より速いハムスター車を築いたことに気づくだろう。

第二の優先事項は、パフォーマンス測定の再設計である。最も大量のアウトプットを生み出している従業員が必ずしも最大の価値を生み出しているとは限らない。AIのエラーが決定に定着する前にそれを傍受し、アウトプットを真に使用可能にする文脈判断を適用し、他の者がスループットを最適化する中で品質を維持する個人こそが、組織が最も緊急に特定し維持する必要のある従業員である。それを実現するには、量ではなく影響を測定する必要がある。より複雑な課題だが、はるかに価値のある答えを持つ。

第三の要件は、あらゆる組織レベルでの率直な期待の設定である。大部分の従業員は、既存の職務に加えてAIシステムを管理するために入社したのではない。彼らは自分の仕事をうまく行うために加わったのだ。組織が業務量、期限、成功基準を再調整せずにAIツールを導入するとき、彼らは労働力をエンパワーしているのではない。誰もそれを持続できるかどうかを検証することなく、十分なアウトプットとは何かというベースラインを静かに再定義しているのだ。その対話は、生産性ダッシュボードの中に隠されるべきではなく、公の場で行われるべきである。

Fortune.comのオピニオン記事に表明された見解は著者個人のものであり、必ずしもFortuneの見解や信念を反映するものではない。

本記事はFortune.comで最初に掲載された。