AIで楽になるはずが、退勤時刻は変わらず密度と複雑さだけが増えた

AIで減らない課長の負荷 - この記事は連載の一部です

パート : この記事

月曜の朝、あなたはAIツールの利用ログを開く。先週より使用時間は増えているのに、退勤時刻は変わっていない。処理しているタスクの数は、むしろ増えている感覚がある。

flowchart TD
    A[AI導入] --> B[処理速度上昇]
    B --> C[業務密度増加]
    C --> D[複雑さ上昇]
    D --> E[燃料消費増]

何が起きているか：スピードと密度が同時に増えた
#

AIを使い始めてから、前より忙しくなった気がする。この感覚を裏付ける調査がある。

WSJが報じ、クーリエ・ジャポンが日本語で紹介した記事によれば、一次情報はActivTrak社の調査だ。1,111組織・約16万4000人分のデジタル業務活動データを分析し、AIツール導入前後180日間を比較している。その結果、AI導入後に仕事のスピード・密度・複雑さが増大したと分かった。（出典: ActivTrak「2026 State of the Workplace」）

「効率化すれば楽になる」という前提は、この数字の前では成立していない。速くなった分だけ、こなす量と扱う情報が増えている。

「自分でやったほうが早い」と感じてきた課長にとって、この数字は一瞬だけ救いになる。感覚は間違っていなかった、という裏付けだからだ。

この構造は、私自身の体感とも重なる。コンサルティング企業でマネジャー・シニアマネージャーとして働いていた頃、役員クラスとの議論に使うスライドを仕上げる作業にAIを使うようになった。AIがない時代なら2日はかかっていた仕上げが、体感でおよそ10倍のスピードになったと感じている。ただしこの「10倍」は定量的に計測した数字ではなく、あくまで自分の肌感覚だ。ActivTrak調査のような統計と同じ精度で語れる数字ではない。問題は、その浮いた時間の行き先だった。空いた時間は手元に残らず、同時に抱えるクライアント・案件の数がそのまま増える方向に吸収された。以前の何倍もの仕事量を1人でこなしている感覚になった、というのが実感だ。

ただし救いはすぐ終わる。楽になっていないなら、AIは何のために入れたのかという疑問が残る。

有意に伸びたのは管理職だけ。心強い数字ほど次の基準になる
#

別の調査は、この構造の入り口にあたる数字を出している。米国の従業員生産性データ分析企業プロドスコアが、従業員2万人超・102社を対象に行った調査で、AI活用による生産性の伸びが統計的に有意だった職位は管理職だけだった。Tech.coのニコール・モウシコス記者が2026年8月10日付で報じている。一次の調査はプロドスコア社のもので、ここに書く数字はTech.coの報道を経由している。（出典: Are Managers Really Winning the AI Era?）

AI活用者全体の生産性は、年間14.6日、約3週間分の伸びだった。これは職位を問わない全体平均で、突出したのは管理職という一群だけだ。

同社CEOのサム・ナフィシー氏は、同記事の取材に「管理職の仕事はコラボレーション、コミュニケーション、部下の評価に大きく依存している。AIはそれらすべてを支援できるからこそ、管理職はAIを使う動機づけが強い」と答えている。

伸びの理由は、立場か工夫かで見方が割れる。マーケトリのケルシー・ベイリー氏は同記事で「一番得をするのは、肩書きに関係なく、AIが自分の役割にどう合うかを工夫した人だと思う」と述べ、5appのCEOであるフィリップ・ハスウェイト氏は、新しい使い方を切り拓いているのは若手社員の側だと指摘している。どちらが正しいかは、この調査だけでは決着しない。

ただ、あなたにとって重要なのはそこではない。理由が立場でも工夫でも、組織側の受け取りは「管理職はAIで得をする」の一行に収斂する。心強いニュースに見えて、実際には次に求められる水準の出発点になる。

なぜ密度が上がるのか：速度が期待値を押し上げる構造
#

AIが仕事を速くする。速くなった分だけ、次の仕事が積み増される。これは個人のスキルの問題ではなく、構造の問題だ。

上司や顧客は、AIで速くなった分を「新しい標準速度」として扱う。1件を1時間で返していた仕事が20分で返るようになれば、次からは20分が基準になる。空いた40分は、あなたの手元には残らない。次のタスクで埋まる。

管理職の伸びが数字として一度見えれば、同じことが評価の物差しでも起きる。「管理職はAIを使いこなせる」という前提が定着すると、その前提に届かない課長は以前より目立つ。評価は成果そのものではなく、成果と期待値の差分で決まる（評価 = 成果 − 期待値）。伸びを見せた分だけ期待値が上がれば、同じ業務量でも評価は据え置きか、下手をすれば下がる。基準を先に動かすのは組織の仕組みであって、あなたの力不足ではない。

これが、AIが燃料を奪う新しい構造だ。プレマネの燃料が96%消費される構造が示すとおり、効率化の果実は組織の期待値に吸収され、あなたの燃料計には戻らない。その構造そのものを理解するには、プレマネが何を失っているのかの構図を知ることが先だ。

さらに複雑さも増える。AIの出力を確認し、修正し、文脈に合わせて調整する工程が新たに発生するからだ。ChatGPTを入れても楽にならない課長が抱える「確認・修正・承認が増える」構造は、個人の設計ミスだけの話ではない。組織全体で同時多発的に起きている現象だと、この調査は示している。

燃料を残すためにできること
#

密度と複雑さの上昇を、あなた一人の裁量で止めることはできない。できるのは、燃料の使い道を選ぶことだけだ。

打ち手は3つでいい。

速くなった分を、数字だけで申告しない。1時間の仕事が20分で終わっても、残り40分は次の仕事の予備として自分の手元に置く。可視化した瞬間に回収される。この「浮いた時間を先にブロックする」手順を具体化したのが燃料回収型への切り替え設計だ。報告するときは、予備に残した40分の使い道を先に言葉にしてから出す。文面はこれだ。
```
このAI活用で浮いた時間は、
現在滞留している◯◯業務に
再配分することを先に共有します。
新しい依頼を乗せる前に、
今の割当てをご確認ください。
```
AIの確認工程を先に見積もる。導入前に「確認と修正にかかる時間」を計算に入れる。差し引きでゼロなら、その業務への導入は見送る判断材料になる。
増えたタスク数と、浮いた時間の行き先を1週間記録する。議事録をAIに任せて月20時間を取り戻したような回収実績だけでなく、AI導入後に増えた業務量も同じ精度で記録する。追加の確認業務に流れたのか、自分の判断業務に残ったのかを、感覚でなく記録で持つ。報告するときは「生産性が上がった」ではなく「◯◯業務の時間が減った」と対象を限定する。範囲のない数字は、際限なく上乗せの根拠に使われる。この限定の発想は、査定の場で成果を数字で語る型と同じだ。

課長だけがAIを学習できないのは、確認・修正に燃料を先に持っていかれる構造のせいだ。密度上昇のデータは、その構造を裏づける材料としても使える。

逃げの一手：増えた量を投げ返すか、速度の数字を出さない
#

密度の上昇が個人の工夫で相殺できない水準まで来たら、選べる手はある。ここで出さないのは「AIでどれだけ速くなったか」という速度の数字で、出すのは「増えた量・密度」の数字だ。

一つは、AI導入の効果測定を上司に投げ返すことだ。「導入後にタスク数がどれだけ増えたか、一緒に数えてもらえますか」と聞く。数字を出す責任を、あなた一人で背負わない。

もう一つは、速度の数字を自分から出さないことだ。成果は成果として報告し、「AIでどれだけ速くなったか」という数字に変換される前に、報告のフォーマットから外す。数字が無ければ、それを基準に据える動きも起きようがない。依頼そのものを断る一手と根は同じで、見せないことも断ることも、燃料を守る設計になる。黙ることは怠慢ではない。浮いた時間の使い道を、他人に先回りして決めさせないための手だ。

数字を出さない手が通らなかったときは、増えた密度分を評価の交渉材料に変える。増えた量の数字を示しても状況が変わらないなら、課長として留まることの代償を計算し始める判断材料になる。