AI効率化によって生じた余力が追加処理能力へ再吸収される位相

Observation

AIの利用によって、

・メール処理・管理業務・フォローアップ・コンテンツ作成

など、

個別作業に必要な時間が短縮されたとする経験が記述された。

以前は一日かかっていた作業が、半日で終わるようになった場合でも、

残った半日が、

休息や自由時間としてそのまま保持されたわけではない。

代わりに、

・新しい会議・追加の依頼・新しい機会・追加の責任

が入り、

結果として、

「時間が余った」

というより、

「引き受けられる仕事が増えた」

という状態が語られた。

また、

処理する仕事が増える中で、

・フォローアップの失念・約束した作業の未完了・細部の脱落

も発生していた。

これに対し、

メール処理、 ToDo確認、打ち合わせ、

という処理順序を固定し、

記憶に依存する運用から、プロセスに依存する運用へ変更したことも記述されている。

一方で、

AI利用前後の労働時間、会議数、依頼件数、休憩時間などの定量値は示されていない。

また、

新しい仕事が、

本人、上司、顧客、事業成長、

のどこから流入したのかも分離されていない。

したがって、

AIが仕事量そのものを増加させたのか、

それとも、

既に増加していた仕事を処理可能にしたのかは、

この事例だけからは判別できない。

Structure

ここで分離して見えるのは、

作業時間の短縮と、

余暇時間の増加である。

個別作業が速く終わることは、

そのまま、

自由時間が増えることを意味しない。

構造としては、

作業時間短縮
↓
処理可能容量の増加
↓
新しい仕事の流入
↓
処理量の増加
↓
余力の再吸収

という経路が考えられる。

この場合、

効率化によって生じた余力は、

「空白」として保持される前に、

新しい処理可能容量として認識される。

すると、

AIによる効率化は、

労働時間を減らす方向ではなく、

同じ時間内に処理できる仕事量を増加させる方向へ作用する。

ここでは、

Efficiency
≠
Slack

という差が生じる。

効率が上がったことと、

余白が増えたことは、

別の状態として観測する必要がある。

Dynamics

仕事には、

処理されている仕事だけではなく、

まだ割り当てられていない仕事、まだ依頼されていない仕事、時間不足によって断られていた仕事、

も存在する。

処理能力が上がると、

これまで容量制約によって表面化しなかった需要が、

新しい仕事として流入できるようになる。

処理能力不足
↓
需要の一部が未処理・延期・拒否される

AIによる処理能力増加
↓
受入可能量増加
↓
未処理需要の流入

という変化が起きる場合、

AIによって新しい需要が生成されたとは限らない。

以前から存在していた需要が、

処理可能になったことで可視化された可能性も残る。

一方で、

処理可能量の増加そのものが、

新しい期待を生み、

新しい依頼を誘発する場合もある。

速くできる
↓
もっと任せられる
↓
より多く受ける
↓
速く処理する必要が生じる

という再帰が成立すれば、

効率化は、

余暇生成ではなく、

処理密度上昇へ接続する。

そのとき、

一つ一つの作業は軽くなっていても、

一日の中で管理すべき

・約束・依頼・案件・フォローアップ・切替対象

は増える可能性がある。

負荷は、

一つの作業に必要な時間から、

複数の仕事を保持するための認知・管理負荷へ移動する。

Silence

効率化を測るとき、

見えやすいのは、

一つの作業が、

何分から何分になったか、

という時間差である。

一方で見えにくいのは、

短縮された時間へその後何が入ったかである。

例えば、

・別の仕事・会議・追加依頼・学習・休息・待機・活動表示・判断・調整

のどこへ再配分されたのかは、

個別作業の生産性指標からは見えない。

また、

追加された仕事が、

誰の判断によって流入したのかも見えにくい。

本人が仕事を増やしたのか。

管理者が割り当てたのか。

顧客要求が増えたのか。

市場機会が増えたのか。

AIによって、

「以前なら受けられなかった仕事を受けられる」

という期待自体が形成されたのか。

ここが分離されないまま、

処理量だけが増えれば、

表面上は、

「生産性が上がった」

という一つの結果に圧縮される。

そのとき沈黙するのは、

短縮された時間の再配分先

である。

Implication

この構造が広く成立する場合、

AIによる生産性向上は、

そのまま労働負荷低下を意味しなくなる。

個別作業では、

確かに時間が短縮される。

しかし、

組織や個人が、

空いた容量を新しい仕事へ継続的に再投入するなら、

全体としては、

処理時間低下
＋
処理件数増加

が同時に成立する。

その場合、

労働負荷は減少するのではなく、

形を変える。

作業時間負荷
↓
案件保持負荷
↓
切替負荷
↓
約束管理負荷
↓
判断・確認負荷

という移動が起こりうる。

このとき、

AI導入効果を、

「何時間削減したか」

だけで測ると、

削減された時間の先に発生した負荷を捉えにくい。

必要になるのは、

時間削減量だけではなく、

その後の時間が、

何へ再配分されたかを見ることになる。

さらに、

効率化によって生じた余白が常に新しい処理へ変換される環境では、

余白そのものが、

非効率として認識される可能性もある。

すると、

AIは仕事を減らす装置というより、

組織が処理可能な仕事量の上限を押し上げる装置

として作用する。

ただし、

それが長期的に、

成果増加、労働時間増加、認知負荷増加、自由時間減少、

のどこへ接続するかは、

組織条件によって異なる。

Question

AIによって一つの仕事が半分の時間で終わったとき、

残った半分の時間は、

誰のものになるのか。

本人の余暇なのか。

組織の追加処理能力なのか。

顧客の新しい要求へ割り当てられる時間なのか。

効率化によって仕事が増えたように見えるとき、

本当に新しい仕事が増えたのか。

それとも、

以前は処理できずに消えていた仕事が、処理可能になっただけなのか。

AI導入の成果を、

削減された作業時間ではなく、

削減後の時間がどこへ再配分されたか

まで含めて観測すると、

「生産性向上」という言葉の意味は、

どのように変わるだろうか。