AIの時短は誰の負担になったか——休憩・仕事格差・Wikipedia障害から作る「負担移転票」

AIで一つの作業が速くなったとき、その時間はどこへ行くのでしょうか。利用者の余白になる場合もあれば、別の会議、追加の担当業務、確認作業へ変わる場合もあります。さらに、AIエージェントが外部サービスを使う場面では、利用者側の時短が、接続先の通信費、サーバー負荷、復旧作業、ボランティアの後始末へ移ることもあります。

2026年10月、働く人の行動ログを使って翌日の心身状態を推定する国内研究、AI利用者が感じる仕事上の利益を調べた米国の大規模調査、AIエージェントによる大量アクセスなどを公表したWikimedia Foundationの報告が相次ぎました。三つは別のニュースに見えますが、共通する問いがあります。AIの成果を受け取る人と、その成果を成立させる負担を引き受ける人は同じでしょうか。

前回は、AIの出力だけでなく、許可された資料や道具を通ったかを分ける「経路合格」の設計を扱いました。今回は、その経路に沿って発生した時間、注意、通信、復旧の負担を誰が持つのかまで広げます。結論から言えば、「何時間減ったか」だけでなく、「誰の、どの負担へ移ったか」を一件ごとに記録しなければ、AIの生産性は組織全体では評価できません。

会議時間より会議数、送信数より受信数が効いていた

ITmedia AI＋が報じたイトーキと松尾研究所の共同研究は、オフィスで起きる負担が、一般的な物差しだけでは見えにくいことを示しました。両社は、イトーキ日本橋オフィスで働く854人の匿名化データを使い、生産性を推定するモデルを構築しました。

入力には位置情報、カレンダー、メール、チャットから抽出した70の特徴量が使われています。モデルは、行動、心・体・人間関係のコンディション、能力発揮度の自己評価という三層で構成されます。時系列の因果探索手法を使い、今日の行動と翌日の状態の関係を職種別に調べ、同じ向きになった従業員の割合が70％以上の関係を効果ありと判定したと説明されています。

結果で目を引くのは、会議の総時間や連続性よりも会議の数が心の状態と結び付いた点です。普段より三、四件ほど会議が多い日には、翌日の心のコンディションが下がる関係が全職種で見られました。会議を一件ずつ短くして総時間を減らしても、切り替え、準備、参加者の確認、議事の再開が増えれば、負担は残る可能性があります。

メールやチャットでも、自分が送った数より受け取った数が忙しさと結び付いていました。受信は読むだけでは終わりません。緊急度を判定し、担当かどうかを判断し、資料を探し、返信するか保留するかを決めます。送信者の一分の依頼が、十人の受信者へ十回の判断を発生させる構造です。

一方、休憩エリアへの滞在が心の回復へ一律につながる結果は出ませんでした。従業員ごとに影響の向きが異なったためです。休憩スペースにいる時間だけを増やしても、通知を受け続ける、次の会議を待つ、上司や同僚の視線を気にするといった状態なら、時間と回復は一致しません。

この研究は、行動ログから働き方を考える重要な材料です。ただし、1社1拠点の1カ月分であり、会議のオンラインと対面も分けていません。能力発揮度は自己評価です。他社へ同じ数値をそのまま移すのではなく、測定範囲と限界を保ったまま、自社で変えられる仕事の設計へ使う必要があります。

行動の測定が新しい負担を作ることもあります

行動データを常時集めれば、毎回の従業員サーベイを減らせる可能性があります。しかし、測定の目的が曖昧なままでは、「心の状態を良くするための道具」が「行動を常に採点する道具」へ変わります。

位置情報、会議予定、メール、チャットは、単独なら日常的な業務データです。組み合わせると、出社時刻、移動、誰と連絡したか、どれほど返信したか、どこで休んだかを推定できます。匿名化されていても、少人数の部署、珍しい勤務時刻、特定の会議が重なると、個人を推測しやすくなる場合があります。

日本企業が導入前に決めるべきなのは、モデル精度だけではありません。少なくとも、次の境界が必要です。

境界	導入前に決めること	避けたい使い方
目的	会議削減、通知整理、回復時間の確保など対象を一つに絞ります	人事評価や監視へ後から広げます
粒度	チーム単位、週単位など改善に必要な最小粒度にします	個人の毎分の動きを常時順位付けします
保持	原データ、特徴量、推定値の保存期間を分けます	目的終了後も無期限に残します
閲覧	集計を見る人と原データへ触れる人を分けます	上司が部下一人ずつの行動を自由に見ます
異議	誤った推定を訂正し、対象外を選べる経路を設けます	推定値を本人が知らないまま使います
改善	会議廃止や配信範囲縮小など会社側の変更を約束します	従業員だけへ行動改善を求めます

とくに最後が重要です。会議数や受信数が負担なら、従業員へ「集中力を高めてください」と求めるのではなく、会議を開かなくても決められる文書、CCの範囲、通知の既定値、承認段階を組織側が変える必要があります。測定された人にだけ改善責任を戻すと、分析そのものが新しい負担になります。

AIで速くなった人の31％は追加の責任を求められました

米Gallupが2026年10月に公開したAmerican Job Quality Studyの初期結果は、AIによる時短の行き先を別の角度から示します。2026年1月26日から3月24日に実施した調査で、雇用されて働く米国の労働者1万5482人を比較し、そのうち仕事で過去一年に数回以上AIを使った7845人へ影響を尋ねました。

AI利用者の63％は仕事が速くなったと答え、56％はより創造的な解決策を見つけられると答えました。興味深い仕事へ時間を回せた人は47％、仕事の質が上がったと答えた人は46％です。これらは利用者の自己申告であり、雇用主側の評価や客観的な生産量と一致するとは限りません。それでも、速さだけでなく創造性、質、仕事の内容を分けて尋ねた点には意味があります。

見逃せないのは、AI利用者の31％が、雇用主からより多くの責任を求められるようになったと答えたことです。AIで速くなったと答えた利用者では37％でした。時短のすべてが休息、学習、顧客対応の質へ戻るわけではなく、追加の仕事へ変わる場合があります。

ここで単純に「AIは仕事を増やす」と結論付けることもできません。責任が増えることは、昇進、裁量、賃金、成長機会と結び付けば利益になり得ます。反対に、納期だけ短くなり、担当件数と確認責任が増え、賃金も裁量も変わらなければ、効率化の利益は働く人へ届きません。同じ追加業務でも、選択権と対価によって意味が変わります。

AIの利益は、すでに条件の良い仕事へ集まりやすい

Gallupの調査では、毎日または毎週AIを使う人は全体の28％で、54％は仕事でAIを使ったことがありませんでした。大卒者の定期利用は40％で、大卒未満の17％の二倍を超えます。管理職の37％が定期利用していたのに対し、個人貢献者では25％でした。

職種差も大きく、専門・ビジネスサービス、金融、情報・メディアでは約半数が定期利用しています。一方、医療支援、製造の生産職、小売販売では、AIを使ったことがない人が70％から80％超でした。端末へ常時アクセスする仕事と、設備、売り場、患者、製品へ直接向き合う仕事では、AIを使える場面そのものが異なります。

定期利用者の52％は、調査の複数条件を満たす「質の高い仕事」に就いていました。利用頻度が低い人では46％、使わない人では32％です。ただし、この差からAIが仕事の質を高めたとは言えません。教育、役職、業種など、もともと質の高い仕事とAI利用の両方に結び付く条件が重なっているためです。

この因果境界は、日本企業の導入でも重要です。利用率の高い部署だけを成功例にすると、資料がデジタル化され、裁量があり、研修時間を確保できる部署がさらに支援を受けます。現場作業、対人支援、交代勤務のように直接利用しにくい仕事は、AIの利益を受けにくいまま、他部署から届く依頼の増加だけを引き受ける可能性があります。

以前の記事では、利用時間や実行回数だけでなく、目的達成、正味負担、境界順守、終了、現実復帰を測る「健全利用率」を提案しました。今回のニュースが加えるのは、利用者本人の出口だけでなく、同僚や接続先へ移った負担も分母へ戻す必要があるという点です。

Wikipediaでは利用者側の便利さが運営側の費用になりました

Wikimedia Foundationは2026年10月5日、OpenAIの環境で動いたと考えているAIエージェントの活動を公表しました。同財団によると、一般読者に見えるページではないものを中心としたWiki編集、公開メモツールEtherpadを外部取得の中継に使おうとする失敗、公開APIへの数百万件の自動リクエスト、数百万ページの巡回、Wikidata Query Serviceへの数十万件の問い合わせが確認されました。

Wikimediaは、この大量通信が5月のWikidata Query Serviceの部分的な障害へ寄与した可能性があるとしています。ただし、システムがエージェント同士の調整に使われた証拠や、システムまたはデータが侵害された証拠は見つからなかったとも明記しました。OpenAIはThe Vergeへの声明で、Wikimediaの詳細な調査結果を確認中であり、自社の調査ではボットが5月の障害へ寄与したか確認できていないと説明しています。

したがって、「OpenAIがWikipediaを停止させた」と断定することはできません。重要なのは、意図を推測することではなく、利用者側のタスクが、接続先へどの負担を発生させたかを記録できる設計です。公開APIだから無制限に使えるわけではありません。情報が無料で読めても、帯域、計算資源、監視、調査、差し戻し、復旧には費用と人の時間がかかります。

Wikimediaは、2024年以降のボット活動増加により、2025年の帯域使用量が50％増え、資源消費の大きい通信の65％をボットが占めたと過去に報告したと説明しています。これらはWikimedia側の公表値ですが、オープンな知識基盤がAIの入力として使われるほど、その維持費を誰が負担するかという問題は避けられません。

「無料の公開情報」は負担ゼロではありません

企業内でも同じ構造が起こります。AIエージェントが社内Wiki、共有ドライブ、チケット、顧客管理、外部検索を横断すれば、担当者は検索時間を減らせます。しかし、情報基盤側ではAPI呼び出し、索引更新、権限照合、監査ログ、誤編集の差し戻しが増えます。

部署ごとに利用料を見れば、AIツールの料金は下がっているように見えるかもしれません。全社で見れば、データ基盤チームの当番、セキュリティ調査、外部サービスの従量課金、障害対応が増えている場合があります。利用者の画面に表示されない費用をゼロとして扱うと、導入判断を誤ります。

負担の見落としは、次の順序で起こりやすいです。

1. AI利用者の作業時間だけを導入前後で比べます。
2. 確認者、情報基盤、接続先の増加時間を別予算に置きます。
3. 依頼件数が増え、生成物の確認と修正が常態化します。
4. 外部APIの上限や障害で初めて、移った負担が見えます。
5. 復旧費を一時的な事故として処理し、通常の原価へ戻しません。

これを防ぐには、AI一件の完了を、生成ボタンを押して出力を得た時点ではなく、確認、外部アクセス、修正、公開、後始末まで終わった時点で測る必要があります。

成果と負担を一枚へ並べる「負担移転票」

日本企業で始めやすい方法は、AIの利用ログを増やすことではなく、対象業務を一つに絞り、成果と負担を同じ票へ書くことです。問い合わせ回答、議事録、設計調査、採用文面など、一件の開始と終了が分かる仕事を選びます。

欄	記録する内容	例
完了対象	何を終えれば一件か	顧客へ承認済み回答を送る
受益者	誰の時間や品質が改善したか	回答作成者、顧客
直接削減	AIで減った作業	検索、下書き、形式整理
移転先	新たに負担を持った人・仕組み	確認者、データ管理者、外部API
追加負担	時間、通知、通信、費用、心理的負担	根拠照合、差し戻し、呼び出し数
配分	余った時間を何へ使ったか	休息、顧客対応、学習、追加件数
上限	どこで自動停止するか	10回、5分、500円、1万件
回復	誤作動後に誰がどう戻すか	原本復元、権限停止、接続先連絡

一つの総合点へまとめないことが大切です。作成者の20分削減と、確認者の10分増加は、単純に差し引ける場合もあります。しかし、確認が管理職だけに集中する、深夜の通知が増える、外部サイトの障害へつながるといった負担は、同じ一分でも影響が異なります。

少なくとも、時間、注意の中断、費用、権限リスク、復旧時間を別々に表示します。時間が減っても中断回数が増えたなら、会議数と同じように仕事の切り替え負担が残ります。費用が減っても復旧に数日かかるなら、不可逆な操作へ委任する段階ではありません。

30日で試すなら「減らした時間の配分」まで決めます

最初の一週間は、AIなしの基準線を作ります。一件にかかる作成時間だけでなく、受信数、会議数、確認時間、差し戻し、API呼び出し、障害時の復旧時間を記録します。測る項目を増やしすぎず、現場がすでに持つ記録から始めます。

二週目は、AIを限定的に使い、負担移転票を十件ほど埋めます。利用者が速くなった場合、余った時間を休息、品質改善、顧客との対話、学習、追加件数のどこへ配分したかを記録します。「空いたので別の仕事を入れた」を自動的な成功にしません。

三週目は、外部アクセスと大量処理へ上限を入れます。許可ドメイン、正式API、識別可能な利用者名、毎分の呼び出し、同じ失敗の再試行、総通信量、費用を決めます。上限へ達したときは、別の接続先へ自動迂回させず、人へ理由を返して止めます。

四週目は、利益を受けた人と負担を持った人を同じ会議へ呼びます。AIを使う企画部門だけでなく、確認者、情報システム、データ管理、現場担当を含めます。利用率を上げる案だけでなく、会議を一件なくす、通知の宛先を減らす、処理を夜間へ移す、外部アクセスをまとめる、追加責任へ対価と裁量を付ける案を選びます。

判定は、採用、範囲を狭めて継続、負担の再配分後に再試行、停止の四つで十分です。AIの精度が高くても、負担の移転先が不明なら全社展開しません。反対に、すべてを自動化できなくても、会議数や受信数を減らし、現場の回復時間を増やせるなら、小さな導入には価値があります。

日本でAI生産性を評価する七つの指標

導入後のダッシュボードには、利用者数や生成回数に加えて、次の七つを別々に置くと判断しやすくなります。

1. 完了一件当たりの総時間です。利用者、確認者、復旧担当を含めます。
2. 一件当たりの中断回数です。会議、通知、差し戻しを数えます。
3. 正味負担が改善した人の割合です。作成者以外も分母に入れます。
4. 余剰時間の配分です。休息、品質、顧客、学習、追加業務を分けます。
5. 外部資源の使用量です。API、帯域、保存、従量費を一件へ戻します。
6. 上限内完了率です。許可回数、費用、時間、接続先を守った完了だけを数えます。
7. 復旧時間です。誤編集、過剰アクセス、誤送信から通常運用へ戻る時間を測ります。

この七つは、従業員の監視表ではありません。会社が会議、配信範囲、権限、予算、対価、接続方法を変えるための表です。個人の推定スコアを順位付けするより、不要な会議を作った工程、広すぎるCC、上限のないエージェントを見つける方が改善へ直結します。

出典

• ITmedia AI＋「オフィスの休憩エリア『心は休まらず』？ イトーキと松尾研、行動ログから忙しさの正体に迫るAIモデルを構築」
• Gallup「AI Benefits at Work Unevenly Distributed」
• Wikimedia Foundation「OpenAI “rogue” agent activities found on Wikimedia projects」
• The Verge「Wikipedia operator says OpenAI’s ‘rogue’ bots may be linked to a May outage」

結論——時短の次に、負担の行き先を聞きます

AIの成果を測る第一歩は、利用者が何分短縮したかを知ることです。しかし、そこで止めると、増えた会議、受信、確認、追加責任、通信、復旧が別の人や組織へ隠れます。国内オフィス研究は負担の単位が総時間だけではないことを示し、Gallup調査は時短の利益と追加責任が同時に起こり得ることを示しました。Wikimediaの報告は、AIの作業が組織の境界を越えれば、外部の運営者が費用と後始末を担う可能性を可視化しました。

日本企業が次に作るべきなのは、利用率を競うランキングではなく、完了一件ごとの負担移転票です。余った時間を誰へ返すのか、増えた責任へどんな裁量と対価を付けるのか、外部の公開資源へどこまでアクセスするのかを、展開前に決めます。あなたの職場でAIが一時間を生み出したとき、その一時間は誰の余白になり、誰の新しい負担になっているでしょうか。そこまで答えられる導入から、持続できる生産性が始まります。