ジャンクワークから判断ワークへ：AIが本当に変えるべきこと
プロフェッショナルファームは注意力配分の問題を抱えており、エキスパートは「ジャンクワーク」（情報検索、コピー、書式設定など）に多くの時間を費やし、クライアントが対価を払っている判断業務に十分な時間を割けていない。AIは準備や調整を圧縮し、専門家が解釈、意思決定、説明責任に集中できるようにする可能性がある。しかし、成功のためにはツール導入だけでなくワークフローの再設計が必要である。研究によれば、タスクがAIの能力範囲内にある場合は効果的だが、範囲外では誤りのリスクがある。本稿では、判断重視のワークフローを再設計するための5つの質問を提示し、表面的な指標ではなくワークフローの改善を測定する重要性を強調する。
2026年7月29日
ジャンクワークから判断ワークへ：AIが本当に変えるべきこと
ルーカス・アーブ（とエージェント）
AI Experts 創業者
注意力配分の問題
プロフェッショナルファームに欠けているのは専門知識ではない。注意力の配分の問題である。
会計士、アドバイザー、投資家、アナリスト、その他の専門家は、情報の検索、システム間のコピー、バージョンの調整、成果物のフォーマット、インプットの追跡、回避可能なエラーの修正に1日の多くを費やしている。
クライアントが支払っているのは判断力である。しかしワークフローはそれを絶えず消費している。
AIはその方程式を変えることができるが、ワークフローも同時に変わらなければならない。対照研究によれば、生成AIは適切なタスクにおいてスピードと品質を向上させることが示されている。同じ研究はまた、明確な境界を示している。タスクがモデルの能力範囲外にある場合、AIは知識豊富な人々を自信過剰な誤りに導く可能性がある。
したがって目標は明確である。AIを使って判断を取り巻く作業を圧縮し、人々により良い証拠と、疑問を持ち、解釈し、助言し、決定し、結果に責任を持つためのより多くの時間を提供することである。
高価な専門知識が統合レイヤーになっている
シニアプロフェッショナルがデータルームを開く。30分後、彼らはまだファイルの名前を変更している。
次に数字をスプレッドシートにコピーし、不足している回答を追跡し、矛盾する2つのデッキを調整し、サマリーを再フォーマットし、上層部に送る。クライアントが支払っている判断業務は昼食後に始まる。
これは専門知識を売る企業では一般的である。彼らのワークフローは、リクエスト、スプレッドシート、レビューステップ、受信箱、回避策が一つずつ積み重なって成長してきた。最終的に最も有能な人々がすべてをつなぐ糊となる。
私たちはその結果を「ジャンクワーク」と呼ぶ。
このラベルはタスクが不要であることを意味するわけではない。この作業を「ジャンク」と呼ぶのは失礼な誤称である。むしろ、作業が専門家の注意を繰り返し消費し、専門家の判断を必要としない場合に「ジャンク」となる。文書は依然として見つける必要があり、数字は調整され、成果物はチェックされる必要がある。問題は、会社が最も希少な人材をデフォルトでそのような作業に充てるべきかどうかである。
その負担が大きいことを示す証拠がある。Asanaが委託しGlobalWebIndexが実施した2023年の調査では、6か国の9,615名のナレッジワーカーが、1日の58%を「仕事のための仕事」（調整作業であり、熟練した戦略的作業ではない）に費やしていると報告した。これはベンダー主催の自己報告調査であり、直接観察ではない。この数値を自然法則として扱うべきではない。しかし、ほとんどのプロフェッショナルチームが即座に認識する問題を捉えている。
重要なのは会社がどれだけ忙しいかではない。専門家の注意力がどれだけ専門知識を必要とする仕事に届いているかである。
証拠は有望であり、不便でもある
生成AIは特定の種類の知識作業を圧縮するのが得意である。
Science誌に掲載された査読付き実験では、453名の大学教育を受けた専門家がChatGPTの有無でライティングタスクを完了した。ChatGPTにアクセスできた参加者は平均40%速く完了し、評価者の出力品質評価は18%高かった。タスクは境界のあるライティング課題であり、この結果はAIがあらゆる専門的ワークフローを改善することを証明するものではない。しかし、タスクがツールに適合する場合に有意義な向上が可能であることを示している。
758名のコンサルタントを対象とした大規模なフィールド実験でも同様のパターンが見られた。モデルの能力フロンティア内と見なされる18の現実的なタスクにおいて、GPT-4を使用した参加者は12.2%多くのタスクを完了し、25.1%速く作業し、品質も大幅に向上した。
同じ研究では、モデルの能力フロンティア外の複雑な管理タスクにおいて逆の結果も見られた。AIを使用した参加者は正しい解決策に到達する可能性が19%低かった。タスクがモデルの能力を超えていることをワークフローが検出できない場合、速い生産は利益にはならない。
2025年に319名のナレッジワーカーを対象とした調査では、生成AIへの信頼度が高いほど、報告される批判的思考の努力が少ないことが示された。参加者の936の実例も、批判的思考が情報検証、応答統合、タスク管理へとシフトしていることを示唆した。これらの発見は関連性と自己報告に基づいており、認知機能低下の直接測定ではない。
したがって、ワークフローのシフト自体は本質的に悪いものではない。レビュー担当者が実用的な証拠と重要な主張を検査する十分な時間を得られる場合、AI出力の検証は価値がある。
プロフェッショナルファームが変えるべき時間の方程式
多くの企業はAIワークフローの再設計をユースケースのリストとして捉えている。より良い出発点は、人間の注意力のマッピングである。
現在、専門家の時間は2つの非常に異なる種類の作業に分割されている。
ジャンクワーク：検索、コピー、フォーマット、調整、追跡、手直し。
判断ワーク：解釈、決定、助言、結果の所有。
うまく設計された再設計の後、分業はより明確になる。
AI支援作業：検索、抽出、比較、ドラフト作成、フラグ付け。
エキスパート作業：疑問、解釈、決定、助言、所有。
線は完全に明確ではない。専門家は今でも異常な証拠を検索し、計算を検査し、出力を修正する。AIが有用な分析に貢献することもある。変わるのはデフォルトの割り当てである。
機械が反復可能な準備を処理する。人々は曖昧さ、例外、関係、トレードオフ、説明責任により多くの時間を費やす。
これが、ツールの導入よりもワークフローの再設計が重要である理由である。企業は判断がどこに属するか、どのような証拠が必要か、その瞬間の前後で作業がどのように流れるべきかを決定している。
AI支援のワークフロー再設計は、専門家の時間を準備と調整から判断と説明責任へとシフトさせることができる。
古いワークフローにAIを追加すると、整理されたジャンクワークが生まれる可能性がある
弱いAI実装はドラフトツールを追加し、他のすべてをそのままにする。
アナリストは依然として手動でファイルを収集する。AIがサマリーを作成する。アナリストはすべての文をファイルと照合する。マネージャーがアナリストをチェックする。出力は古いテンプレートにコピーされる。誰かがフォーマットを修正する。別の人が数字の出所を尋ねる。
節約されたドラフト時間は、追加の検証、引き継ぎ、手直しによって相殺される可能性がある。そのパターンは主にワークフロー設計の失敗であり、モデルの品質も寄与している。
AIは独自のジャンクワークを導入する可能性がある。プロンプトのメンテナンス、重複したシステム、追加の承認、幻覚チェック、アクセス要求、バージョンの混乱、クリーンアップである。設計が出所を保持し不確実性を表面化しない場合、企業は単に作成時間を検証時間に交換しているだけかもしれない。
NIST AIリスクマネジメントフレームワークは、AI支援の意思決定において人間の役割と責任を明確に定義し区別することを推奨している。「人間がループ内にいる」ことは、ループに名前のある責任者、介入する理由、介入を意味あるものにする十分な証拠がない限り、制御とは言えない。
デューデリジェンスにおける再設計の例
投資メモを作成するデューデリジェンスチームを考えてみよう。
現在のワークフローでは、アナリストはファイルをダウンロードし、名前を変更し、トラッカーを作成し、数値を抽出し、期間を比較し、矛盾を検索し、不足している資料を追跡し、セクションをドラフトし、引用を追加し、レビューコメントに対応する。
シニアプロフェッショナルは遅れて参加し、しばしば結論で埋め尽くされているが、それらを生み出した証拠の連鎖から切り離された文書を通じて参加する。
再設計されたワークフローは順序を変える。
システムは承認された文書を取り込み、ソースの出所を保持する。繰り返し現れるフィールドを抽出し、資料間での表現を比較し、矛盾をフラグし、欠落した証拠を記録し、クレームにリンクされたセクションをドラフトする。レビュー担当者は、分析を再構築することなく、結論から支持するソースに移動できる。
その後、人間は作業が重要になる場所に時間を費やす。彼らは不一致がノイズか警告かを決定する。きれいにフィールドに収まらない証拠を評価する。インセンティブを考慮する。行動を推奨する。指名された人物が最初のひらめきと最終判断に責任を持つ。
その設計では、AIはデューデリジェンスを実行しない。準備と調整を減らし、チームがより多くの時間をデューデリジェンスに費やせるようにする。
判断重視のワークフローを再設計するための5つの質問
モデルやエージェントプラットフォームを選択する前に、1つの完全なワークフローをマッピングし、5つの質問に答える。
- 判断は実際にどこで発生するか？
解釈、専門的懐疑、トレードオフ、関係知識、説明責任を必要とする瞬間をマークする。今日専門家が実行しているからといって、すべての手動ステップを判断とラベル付けしない。
- それらの瞬間を取り巻く準備作業は何か？
証拠収集、抽出、分類、比較、ドラフト作成、ルーティング、ステータス追跡を探す。これらは最終決定よりもAIサポートの候補として適していることが多い。
- システムはどのように作業を示さなければならないか？
レビュー担当者が必要とするソースリンク、タイムスタンプ、変換、例外、未解決の矛盾を定義する。証拠が検査できなければ、レビューは制御として機能できない。
- システムはいつ停止しなければならないか？
展開前にエスカレーションルールを策定する。欠落した証拠、重大な不一致、ポリシー例外、機密通信、低信頼度の出力は、適切な担当者に作業を移すべきである。
- 結果を誰が所有するか？
最終決定の責任者と、ワークフロー改善の運用責任者を指名する。AIは準備、比較、推奨ができる。説明責任には依然として住所が必要である。
この承認アーキテクチャについては、『AIエージェントは判断を代替すべきではない』でより詳細に説明した。
回復した判断能力を測定する
多くのAIプログラムは、ライセンス、モデル呼び出し、生成された出力、理論的に節約された時間を追跡する。これらの測定値のいずれも、企業が作業を改善したことを証明しない。
代わりにワークフローを測定する。
1つの高い精査を必要とするワークフローを選択し、2週間の作業を監査する。各アクティビティを準備、調整、判断、レビュー、手直しに分類する。情報がコピーまたは追跡される場所、専門家が証拠を解釈し、曖昧さを解決し、助言し、決定し、説明責任を受け入れなければならない場所をマークする。
汎用ベンチマークを借用するのではなく、自分のワークフローにおける現在の比率を確立する。次に1つのセグメントを再設計する。AIエージェントに境界のある役割を与え、出所を保持し、エスカレーションルールを定義し、その変更がリスクを増加させずに判断のための能力を生み出すかをテストする。
実践的なポイント
1つの重要なワークフローについて、作業の準備と調整に費やす時間と判断に費やす時間を比較する。1つの境界のあるセグメントを再設計し、専門家の注意がレビューリスクを追加せずに正しい方向に動くかを測定する。
AI Expertsは、AIが証拠、レビュー、説明責任を弱めることなく準備と調整を削減するように、高利害のワークフローを再設計する。
高い精査を必要とする1つのワークフローについて話し合うディスカバリーコールを予約する。専門家の注意力がどこで失われているか、境界のある再設計をテストする価値があるかを評価する。
この記事を共有する：
参考文献
Asana Anatomy of Work Global Index 2023
Experimental evidence on the productivity effects of generative artificial intelligence, Science
Navigating the Jagged Technological Frontier, Harvard Business School
The Impact of Generative AI on Critical Thinking, Microsoft Research
NIST AI Risk Management Framework, Appendix C: Human-AI Interaction
The Future of Professionals: How AI is reshaping the tax profession, Thomson Reuters
執筆者：ルーカス・アーブ（とエージェント）
AI Experts 創業者
新しい記事を受信箱で受け取る
新しい記事が公開されたときに、要点とリンクを含む1通のメールを送信します。それが私たちから連絡がある唯一の機会です。
すべてのメールの下部にはワンクリックで購読解除できるリンクがあります。