powered by TechFeed
表示モード
Deep Dive

AIを使うと仕事が増える — 「出力を確認する手間」が生産性向上を食い潰しているという研究

11月21日、Futurismが「AI Is Still So Riddled With Errors That It's Erasing Any Productivity Gains That Would Make It Useful in the Workplace」と題した記事を公開した。AIの出力検証に要するコストが生産性向上を相殺しているという認知工学の研究知見について詳しく紹介している。

11月21日、Futurismが「AI Is Still So Riddled With Errors That It's Erasing Any Productivity Gains That Would Make It Useful in the Workplace」と題した記事を公開した。AIの出力検証に要するコストが生産性向上を相殺しているという認知工学の研究知見について詳しく紹介している。


「検証負荷」がAI導入のメリットを食い潰す

ジョージア工科大学で認知工学を研究するKaren Feigh教授が学術メディアThe Conversationに寄稿した内容によれば、AIがもたらす生産性向上の恩恵は、出力を修正・確認するために費やす時間と労力によって相殺されているという。

Feighが注目するのは「検証負荷(verification burden)」と呼ばれる概念だ。Feigh教授が認知工学の観点から提示するこの概念は、AIの出力を人間が確認・修正するために費やされる認知的コストの総体を指す。単なる作業時間の問題ではなく、責任の所在と主導権に関わる心理的負担も含む点が特徴だ。

「より深いレベルで言えば、この負荷とは、作業の一部をシステムに委ねながらも最終成果物への責任は自分が持ち続けるという状況の中で、仕事の主導権を取り戻そうとする認知的コストである」(Feigh教授)

つまり問題の本質は、AIに仕事を任せた後も「責任の委譲」が起きないという非対称性にある。作業は分担できても、成果物の正しさを担保する義務は依然として人間側に残る。この構造が、検証作業を本質的に避けがたいものにしている。


「いつ確認をやめればいいか」がわからない

この問題の根深さは、AIの検証作業が本質的に「自分で何かを作る行為」とは性質が異なる点にある。

たとえばプレゼン資料を自分で作る場合、「これで十分」という完了の感覚は比較的つかみやすい。ところがAIが下書きした資料をチェックする場合は話が変わる。

「自分が作ったものが『完成した』かどうかは概ねわかる。しかし、検証をいつ止めるべきかは判断しにくい。エラーが存在するかどうか、どこにあるか、どんな形をしているかが事前にわからない状態で、何をどう確認するかを自分で決めなければならない」(Feigh教授)

つまり、ゴールのない確認作業が発生する。自分で作業するときは「完成」という終点が内側から感じ取れるが、AIの出力をチェックする場合は「見落としがないかどうか」を外部から確認し続けるしかなく、終点が定義しにくい。この非定型性が認知負荷として蓄積し、結果的に作業時間を押し上げる。


他の調査・分析が示す裏付け

※以下で言及する調査・分析はいずれも元記事内で紹介されているものである。

この現象は複数の調査とも符合する。スタンフォード大学の調査では、職場でAI利用を義務付けられた多くの従業員が、低品質な「とりあえず体裁を整えただけの成果物」を量産している実態が浮かび上がった。表面上は問題なく見えるレポートやメモも、後工程で余計な手戻りを生んでいるという。

さらに別の分析では、AIの出力を送信前にきちんと確認しようとする従業員は、AIをまったく使わない従業員と比べて、むしろより多くの時間を費やしていることも示されている。丁寧に使えば使うほど非効率になるという逆説は、検証負荷の問題が個人の習熟度ではなくAIの出力品質そのものに起因していることを示唆している。


「手間に見合わない」という現実

これらの知見を総合すると、AIが職場を根本から変えられていない理由は明快だ。ハルシネーション(AIが事実と異なる情報を自信満々に出力する現象)が残る限り、AIを使うことで生まれる仕事(検証・修正)が、AIが省くはずだった仕事を上回ってしまう。

Feigh教授の研究が示す重要な論点は、AI導入効果の評価軸に「人間の認知コスト」を加える必要性だ。ツールの処理速度や出力量だけを見ていても、それを受け取る人間側の負担を考慮しなければ、生産性の実態は正確に測れない。AIを「便利なツール」として評価する既存の枠組みが、この種のコストを見落としやすい構造になっているという指摘は、開発・導入双方の側に向けられた問いかけでもある。


詳細はAI Is Still So Riddled With Errors That It's Erasing Any Productivity Gains That Would Make It Useful in the Workplaceを参照していただきたい。