AIで浮いた時間は自動で利益にならない——DeNA・資生堂・Anthropicが示す「時間配当」の設計

生成AIで八時間かかっていた作業が四時間になれば、四時間分の余白が生まれるはずです。ところが現場では、その余白に次の依頼、資料の磨き込み、AIの使い方を教える仕事が入り、退勤時刻も人員配置も変わらないことがあります。速くなったのに楽にならず、会社側も新しい事業へ人を動かせない。これはAIの性能不足ではなく、短縮した時間の受取先を決めていない問題です。

2026年9月に相次いだ報道は、このずれを異なる角度から映しました。DeNAでは法務や配信審査の一部業務で大きな工数削減があっても、人材の移動は想定ほど進みませんでした。資生堂ジャパンは原料探索を支援するAIエージェントで探索時間を95％削減したと説明する一方、全社展開のために約40部門から130人の推進役を置いています。Anthropicは自社のAI研究開発でClaudeが主導する仕事が26％に達したと公表しましたが、完全自律に分類した仕事はありませんでした。

三つを一緒に読むと、AI導入の次の問いが見えてきます。「何時間減ったか」ではなく、「減った時間を誰に、何のために、どの条件で配るか」です。本記事では、この配分を時間配当と呼びます。現金の配当ではありません。従業員の回復、顧客価値、品質、安全、新規事業、技能継承へ、短縮時間を組織として振り分ける仕組みです。

AI導入後の時間と仕事の配分を話し合うチームのイメージ

結論——削減率より先に、時間の受取先を決めます

AIの効果測定を「一件当たり作業時間が何％減ったか」で終えると、短くなった時間は空いている場所へ自然に流れます。多くの場合、その場所は、既存業務の追加、成果物の過剰な磨き込み、AIの問い合わせ対応、会議です。組織が選ばなくても再配分は起きます。ただし、その行き先を現場の善意と慣性が決めてしまいます。

そこで、AI導入前に一枚の時間配当票を作ります。

欄	記録する内容	避けたい状態
基準時間	導入前の処理時間、待ち時間、差戻し、確認時間	作業部分だけを基準にする
総削減時間	同じ品質と件数で短くなった時間	件数増を削減と混同する
導入負担	設定、教育、連携、監視、障害対応に使った時間	推進者の無償労働にする
品質負担	誤りの確認、再作業、例外処理に使った時間	初回出力だけで成功とする
廃止業務	やめる報告、会議、転記、重複確認	速くしてから同じ業務を残す
配当先	回復、顧客、新規事業、安全、教育など	空いた人へ次の依頼を足す
配当責任者	再配分を決め、元業務を減らせる人	個人へ「工夫」を任せる

大切なのは、総削減時間から導入負担と品質負担を引くことです。残った正味時間だけが配当できます。さらに、配当先を決めるだけでなく、元の予定、会議、担当、評価基準から何を消すかまで決めます。新しい仕事を足しながら古い仕事を残せば、時間配当は起きません。

DeNAの事例が示すのは、速度と配置が別の経営課題だということです

ITmedia NEWSの報道によると、DeNAはAI活用によって、法務のツール利用規約チェックで9割、ライブ配信サービスの配信審査で6割の工数を削減した業務があると説明しています。数字だけを見れば、人を新規事業へ移す余力が大きく生まれたように見えます。

しかし実際には、社員は資料の精度を上げ、プログラムを書く量を増やし、レビューを深くする方向へ時間を使いました。二週間に一回だった1on1を週一回にした例も紹介されています。どれも無駄とは限りません。問題は、その使い方が会社の優先順位として選ばれたのか、空いた時間へ自然に入ったのかが分かれにくいことです。

同記事が引用するパーソル総合研究所の調査では、生成AIにより個々のタスク時間は平均16.7％短くなった一方、業務時間そのものが減った利用者は25.4％でした。業務時間を削減できた人も、浮いた時間の61.2％を仕事へ使ったとされています。調査の母集団や自己申告という条件があるため、全企業の因果関係を示す数字ではありません。それでも、タスク短縮と労働時間短縮が同じではないことはよく表れています。

個人には、報告会を廃止する権限も、担当業務を別部署へ移す権限も、労働時間を短くする権限もない場合があります。だから「AIで速くなった人が自分で余白を作る」という期待だけでは進みません。マネジャーは、AI利用を勧める人ではなく、古い仕事を止め、予定表と評価項目を書き換える人である必要があります。

AI導入を「正しく完了した一件」で測る記事では、モデルの応答時間だけでなく、承認、実行、記録、例外処理まで閉じた一件を測る必要を整理しました。時間配当も同じです。一つの下書きが速くできた時間ではなく、完成、確認、共有、修正まで終えた後に本当に残った時間を数えます。

資生堂の95％削減は、検索の終点ではなく探索の入口として読みます

資生堂ジャパンは、化粧品原料を探す業務へAIエージェントを導入し、探索時間を95％削減し、提案される原料数を20〜50％増やしたと説明しています。これは同社講演に基づく公表値であり、他社の研究開発へ同じ割合を移せる数字ではありません。それでも、単純な文章生成と異なる重要な点があります。

同社の仕組みは、仮の回答を作って検索を助けるHyDE、キーワード検索とベクトル検索を組み合わせるHybrid RAG、複数LLMによる評価を使います。つまり、検索窓を一つ増やしただけではなく、研究員が候補を絞り、複数の観点で妥当性を読む工程へ寄せています。候補数が増えれば、後段の比較、試験、法規、供給安定性の確認はむしろ増える可能性があります。

ここで95％という削減率だけを目標にすると、探索件数を増やすほど成功に見えます。しかし研究開発の価値は、候補を多く出した時点では確定しません。実験へ進んだ割合、早期に見送れた割合、見落とした候補、研究員が根拠へ到達する時間、最終的な製品価値まで追う必要があります。

同社は全社のAIXを進めるため、約40部門から130人のアンバサダーを集め、ハンズオンを100回以上開催したと説明しています。推進、教育、改善は時間を使う正式な仕事です。ここを削減時間から引かずに「95％分がそのまま余った」とみなせば、現場の負担を隠します。一方、教育を投資として明示し、その後に属人化が減り、別の研究員でも根拠を再現できるなら、短期の負担は長期の配当を作ります。

研究開発の候補と判断過程をチームで比較するイメージ

Anthropicの26％は、人が26％不要になったという意味ではありません

Anthropicの公式測定では、2026年8月時点でClaudeが「主導」する仕事は同社AI研究開発の26％、人と「協働」する段階以上は90％超とされています。一方、完全自律と分類された仕事はありませんでした。

同社の「主導」は、高いレベルの指示からAIが多くの工程を進め、人が監督する段階です。例として、壊れた夜間データ処理をAIが調査し、修正し、試験し、前回の正常結果と比較して説明を書くところまで進めても、本番反映は人が判断します。人の仕事は消えるのではなく、逐一の操作から、開始条件、例外、試験結果、公開判断へ移ります。

測定方法にも境界があります。Anthropicは、2026年7月に研究開発部門の各週のスタッフ20％を無作為抽出し、Slackや社内文書から約1万5000件の細かな仕事をClaudeで整理しました。さらにClaudeが自社の自動化段階を評価しています。同社自身も、評価するモデルが対象と似た誤りをする可能性や、企業間で共通手法がないことを制約として挙げています。

したがって、26％をそのまま「人員を26％減らせる」と読むことはできません。仕事の重みは人が費やした時間を代理にしており、新しく生まれる仕事や、責任の重さを完全には表しません。AIが主導する比率が上がるほど、人は少ない時間で多くの変更を承認できる一方、一回の誤判断が触れる範囲も広がります。

時間配当票には、AIが作業した時間だけでなく、人が監督した時間、止めた件数、止めなかった誤り、引き継ぎに必要な情報を入れます。監督がボタンを押すだけなら短く見えますが、根拠が読みづらければ判断負債が後ろへたまります。

「チャット止まり」は遅れではなく、余白を作れない組織の症状です

キーマンズネットが紹介したクラウドワークスの調査では、従業員5〜299人の企業を対象としたスクリーニング調査で、AI利用企業は59.6％でした。そのうち80.9％は個人利用または全社のチャット利用にとどまり、業務システムと連携して一部を自動化した企業は19.1％とされています。

チャット利用にとどまる企業では、AIに詳しい推進リーダー不足を課題とした割合が74.5％、費用や費用対効果が不透明とした割合が70.0％でした。自社だけで対応できない理由では「通常業務が優先で時間がない」が45.5％でした。調査は経営者、役員、部長層への回答であり、現場全員の状態を直接測ったものではありません。それでも、AIを進める時間がないためAIで時間を作れないという循環が見えます。

この段階で全社自動化を掲げると、少人数の推進者へ連携、教育、問い合わせ、障害対応が集中します。チャットなら個人が自分の範囲で試せますが、業務連携には入力形式、権限、例外、復旧、責任者の合意が必要です。難しいのはAIの操作より、既存業務の所有者を集めて何をやめるか決めることです。

中小企業では、大規模なAI推進室を置く必要はありません。まず一つの業務で、毎週二時間を改善枠として先に確保します。その時間に現状の手順、待ち、転記、例外を記録し、自動化後も残す仕事とやめる仕事を決めます。削減に成功したら、次の四週間も改善枠を勝手に通常業務へ戻しません。一部を教育と復旧訓練に、一部を従業員の回復に、一部を顧客対応へ配ります。

雇用不安に対して、導入数ではなく配分の約束を示します

Pew Research Centerの37カ国調査は、AIが今後二十年で雇用を増やすより減らすと見る人が多い国が広くあることを示しました。日本でも若い層の懸念が前年より高まったと報告されています。これは将来の雇用数を予測するモデルではなく、2026年2月から5月に集めた意識調査です。それでも、企業が「AIを使えば生産性が上がる」とだけ伝えることの限界が分かります。

従業員から見れば、生産性向上が賃金、労働時間、学習機会、雇用安定のどれへ届くのかが不明なら、効率化の知識を共有するほど自分の仕事だけが増えたり、役割がなくなったりする不安があります。導入研修を増やすだけでは、この不安へ答えられません。

会社は、削減時間の配分原則を先に示せます。例えば、正味で生まれた時間の三割を品質と顧客価値、二割を教育、二割を新規事業、二割を業務量または労働時間の縮小、一割を安全と復旧訓練へ置く方法です。比率に唯一の正解はありません。重要なのは、すべてを追加生産へ吸収しないことと、四半期ごとに実績を公開することです。

AI時代の仕事を職種ではなく仕事の束で捉えた記事では、定型作業、非定型言語、対人関係、不可逆な高リスク、育成と継承を分けました。時間配当も職種単位ではなく仕事の束ごとに決めます。定型作業の短縮分をすべて件数増へ回さず、例外対応の訓練や若手が判断過程を学ぶ時間へ振り向ければ、短期速度と長期能力を両立しやすくなります。

五つの配当先を混ぜずに測ります

時間の使い道は、次の五つへ分けると説明しやすくなります。

回復への配当

残業削減、会議のない時間、休暇取得、短時間勤務へ充てます。成果物が同じで労働時間が減ったなら、分母の削減が実現しています。「早く帰ってよい」と言うだけでなく、予定件数、応答時間、評価基準も下げなければ回復には届きません。

顧客への配当

回答の待ち時間を短くする、説明を分かりやすくする、対象外だった小さな依頼へ対応するために使います。件数だけでなく、再問い合わせ、解約、苦情、解決までの時間を見ます。AIが下書きを増やしても、確認待ちが長ければ顧客への配当はありません。

品質と安全への配当

反証、試験、監査、復旧訓練へ使います。これは一見すると効率化と逆ですが、AIが大量の案や変更を作れるほど重要です。ただし、無制限な磨き込みは避けます。重大な主張、不可逆な操作、外部公開など、深く確認する条件を決めます。

成長への配当

新製品、研究、営業機会、業務の再設計へ使います。元業務を残したまま「空いた時間で新規事業」ではなく、担当時間と成果の期限を予定表へ入れます。DeNAが試す短期間の参加や滑らかな異動は、余白を具体的な行き先へ接続する例として読めます。

能力への配当

教育、技能継承、AIの失敗事例の共有へ使います。AIの使い方だけでなく、出力を疑う方法、元資料へ戻る方法、AI停止時に人へ引き継ぐ方法を学びます。複数AIを役職名ではなく相互作用と権限で管理する記事で整理した通り、AI同士の会話量ではなく、反対意見、権限拡張、停止後の完了を測ることが大切です。

削減時間を回復、品質、成長、教育へ分けて確認する分析画面のイメージ

30日で時間配当を試す方法

最初の十日間は、対象を一つに絞ります。毎週繰り返し、開始と終了が分かり、件数と差戻しを数えられる仕事が向いています。会議資料の集計、社内規程の検索、問い合わせの分類などです。導入前に、作業、待ち、確認、やり直し、教育を分けて測ります。

次の十日間は、AIを使いながら同じ項目を測ります。初回回答の速さだけではなく、正しい完了までの時間を記録します。推進者への質問や設定変更も導入負担として計上します。この段階では、空いた時間へ新しい件数を足さず、本当に余白が残るかを見ます。

最後の十日間は、時間配当票に沿って再配分します。廃止する会議や報告を一つ決め、回復、顧客、品質、成長、能力のうち二つへ時間を割り当てます。配当を受ける担当と成果を明記し、元業務の予定件数を減らします。AIを一日止め、人だけで期限内に続けられるかも試します。

月末には、次の七項目を並べます。

正味削減時間：総削減から導入、確認、再作業を引いた時間です。
廃止実行率：やめると決めた業務を実際に予定表から外した割合です。
配当実行率：正味時間のうち、決めた受取先へ届いた割合です。
回復到達率：残業、会議、呼び出しが実際に減った割合です。
価値到達率：顧客解決、研究移行、新規事業など終点へ届いた割合です。
推進負担率：教育、設定、問い合わせが特定の人へ集中した割合です。
停止後完了率：AI停止時も人や旧手順へ戻って完了できた割合です。

七項目を一つの総合点へまとめないことも重要です。価値到達率が上がっても、推進負担率と残業が増えたなら、持続可能な配当ではありません。回復が増えても顧客の待ち時間が悪化したなら、配分を見直します。指標の緊張を残すことで、誰か一人の余白を別の誰かの負担で作る状態を見つけられます。

日本企業では「やめる権限」を明文化することから始めます

日本企業には、現場が品質を高め、依頼へ丁寧に応え、空いた時間に改善する強みがあります。その強みは、AI導入時には仕事を際限なく増やす力にもなります。速くなった人へ次の仕事を渡すだけなら、組織は忙しいままで、効率化を共有した人ほど負担を抱えます。

必要なのは、AIを使う権限だけではありません。報告をやめる権限、件数を減らす権限、人を別の仕事へ移す権限、余白を回復へ返す権限です。現場が単独で行使できない権限は、部門長や経営が引き受けます。同時に、現場の知識を無視した一括削減を避けるため、廃止後に困る利用者、例外、復旧方法を短い試験で確かめます。

AIの普及率や自動化率は入口の指標です。組織の変化を示すのは、何をやめ、誰が時間を受け取り、どの価値または回復へ届いたかです。人員削減だけを唯一の出口にしなければ、従業員も効率化の知識を共有しやすくなります。逆に、配分を曖昧にしたままなら、高い削減率ほど不安と隠れた仕事を増やすことがあります。

参考にした主な情報

結論——AIの成果は、速さではなく配り方で決まります

DeNAの事例は、大幅な工数削減が人の移動へ自動ではつながらないことを示しました。資生堂の事例は、深い業務へAIを組み込むほど、教育、判断、改善を正式な仕事として支える必要があることを示します。Anthropicの測定は、AIが主導する範囲が広がっても、人の監督と公開可能な測定が消えないことを示しています。

次のAI施策を始める前に、削減率の目標だけでなく、一枚の時間配当票を書いてみてください。元の仕事から何を消し、正味で残った時間を回復、顧客、品質、成長、能力のどこへ渡すのか。配分を決める責任者は誰なのか。そこまで決めて初めて、AIが生んだ時間は見えない追加労働ではなく、会社と働く人が選べる余白になります。

あなたの職場でAIが一時間を生んだとき、その一時間は次の一件へ吸収されるでしょうか。それとも、品質を守り、人を育て、早く帰るための時間として受け取れるでしょうか。AI時代の生産性競争は、モデルの速さだけでなく、この問いへ具体的な配分で答えられる組織から始まります。