会計

鍵はもう開いているのにーそれでも私たちは「部屋の片付け」に熱中してしまうのかー AI時代の仕事、効率化、そして“外へ出る力”を投資と会計で読み解く

みなさん、おはようございます！こんにちは！こんばんは。Jindyです。

新しい技術が出てきて、これまでの前提をまとめて吹き飛ばすかもしれない。
それなのに、私たちは今日も目の前の仕事を速くすること、ムダを減らすこと、資料を整えること、承認フローを短くすることに全力を注いでいる。

この構図、よく考えるとかなり不思議です。
いや、もっと言うと、少し怖い。

「鍵が開いてるのに、部屋を必死に片付けてる囚人みたいだ」

この比喩が刺さるのは、単に言葉が強いからではありません。
仕事をしている人なら、多かれ少なかれ心当たりがあるからです。

AIを入れて議事録は速くなった。
メールの下書きも早い。
データ整理も前より楽になった。
でも、ふと立ち止まるとこう思う。

で、この先の私は何者になるんだろう。
この仕事そのものの形が変わるのに、私は“今の形”を磨いていて大丈夫なのか。

この記事では、この違和感を感情論で終わらせません。
経営学、技術普及、AIの生産性研究を踏まえながら、あのポストの中身をもう一段深く掘ります。すると見えてくるのは、「効率化が悪い」のではなく、効率化の使い道を間違えると、自分で自分の選択肢を消してしまうという、かなり現実的な話です。Marchの古典的研究は、組織は「探索」と「深化」の両方を必要とするのに、短期成果が見えやすい深化に偏りやすいと示しました。しかもその偏りは、合理的な意思決定の積み重ねとして起きます。ここ、落とし穴です。

読んでもらうベネフィットははっきりしています。
ひとつは、AI時代の「仕事の不安」を、ふわっとした精神論ではなく構造で見られるようになること。
もうひとつは、日々の効率化が“牢屋の掃除”なのか、それとも“脱出準備”なのかを見分ける視点が手に入ること。
そして最後に、投資と会計の目線から、自分の時間・スキル・キャリアをどこに配分すべきかが見えてきます。

会社の数字を読むとき、私たちは売上だけを見ません。
利益の質を見る。
キャッシュフローを見る。
将来の競争力を生む投資か、ただ今期の見栄えを整えただけかを見る。

キャリアも同じです。
今の仕事を5分短縮する改善は、P/Lには効く。
でも、それが次の事業や次の役割に繋がらないなら、B/Sには資産が積み上がらない。
むしろ、古い仕事に最適化された“専用資産”だけが増える。
これ、会計っぽく言えばかなり危うい状態です。

この記事は、その危うさを煽るためではなく、言語化するために書きます。
焦るためではなく、配分を変えるために。
目の前の仕事を捨てるためではなく、その仕事を未来に接続するために。

では、いきましょう。
部屋をきれいにする話ではありません。

鍵が開いたあと、どちらへ歩くかの話です。

効率化に熱中してしまうのは、怠慢ではなく“合理性”である

まず押さえたいのは、目の前の効率化に熱中してしまう人を、単純に「視野が狭い」で切るのは雑だということです。
たいていの人は、サボっているわけじゃない。むしろ真面目にやっている。数字を作り、締切を守り、現場を回し、迷惑をかけないように頑張っている。

問題はそこです。
真面目さが、そのまま未来の選択肢を削ることがある。

Marchは、組織学習には「exploration（探索）」と「exploitation（活用・深化）」の両方が必要だと示しました。探索は新しい技術、新しい役割、新しい市場を試す動き。深化は、今ある仕事をより速く、安く、安定的に回す動きです。現実の組織が深化に寄りやすいのは当然です。成果が見えやすいから。評価しやすいから。失敗しにくいから。

短期で点が入るのは、いつだって“今ある仕事”の改善

たとえば会議時間を半分にする。
見積書作成を自動化する。
問い合わせ対応のテンプレートを整える。
これは効きます。すぐ効く。

現場から見れば、かなりありがたい。
人事評価の文脈でも説明しやすい。
「工数を何％削減」「対応件数を何件増加」と書けるからです。

一方で、新しい技術を試して仕事の定義そのものを変える動きは、すぐには数字になりません。
失敗もある。
しかも、社内で説明しづらい。

だから組織は、既存業務の改善に寄る。
これは怠慢ではなく、インセンティブの結果です。

うまくいった経験ほど、人を同じ部屋に留める

さらに厄介なのは、改善が一度うまくいくと、そのやり方に投資が集まり始めることです。
評価制度も、教育も、採用も、会議の論点も、その改善を前提に回り始める。

Levinthal と March の「The Myopia of Learning」は、学習それ自体が視野を狭めることを論じています。うまくいった方法に寄るのは自然ですが、その自然さが新しい道を見えにくくする。つまり、成功は安心をくれる一方で、探索力を削ることがある。

ここ、仕事でもよくあります。
「このやり方で今まで回ってきた」
「前回これで成功した」
「このKPIなら管理できる」

全部わかる。
でも、その“わかる”が強すぎると、新しい前提が入ってきた瞬間に硬直します。

投資でいえば、“減価する資産”に追加投資している状態

この構図を投資の言葉で言えば、かなりはっきりします。

いま目の前の仕事を効率化する行為は、既存事業のキャッシュ創出力を高める運転改善に近い。
短期のCFには効く。
でも、その仕事の市場価値自体が技術変化で下がるなら、そこに積み上げている能力は、将来の収益性が落ちる資産かもしれない。

つまり、回っているから安心、ではない。
回っているうちに減損が進んでいることがある。

会計では、帳簿価額が残っていても、将来回収可能性が落ちたら減損を考えます。
キャリアも同じです。
「まだ仕事がある」ことと、「その仕事に将来性がある」ことは別です。

だから、このポストが突いているのは根性論ではありません。
効率化に熱中する人を笑っているのでもない。

もっと冷たい話です。
合理的な努力が、前提が変わった瞬間に不良資産化する。

これが怖い。
そして、怖いからこそ、見て見ぬふりをしないほうがいい。

では、効率化はムダなのか。答えは「使い道で決まる」

ここで誤解しやすいのですが、研究は「効率化なんてやめろ」とは言っていません。
むしろ逆です。効率化は必要です。問題は、それで生まれた余白を何に使うかで決まる。

Raisch らが整理した組織の両利き性の研究では、強い組織は既存事業の深化と新機会の探索を両立させています。片方だけでは持続しない。今日の収益を作りながら、明日の柱も育てる。この当たり前が、実は一番難しい。

AIは実際に効く。でも、効く場所と効き方に偏りがある

生成AIの実証研究では、生産性向上は実際に確認されています。Brynjolfsson らの研究では、生成AI支援を受けたカスタマーサポート業務で平均15％の生産性向上が観測され、特に経験の浅い人への効果が大きかったと報告されています。

これはかなり重要です。
AIは“夢物語”ではなく、現場で数字を作る。

ただし、ここで話を終えると危ない。
なぜなら、その改善は「今ある仕事を速くした」のであって、「仕事の全体設計を変えた」とは限らないからです。

企業価値を動かすのは、単発の自動化より“ワークフロー再設計”

McKinseyの2025年調査では、生成AIの価値を企業全体のEBITに結びつける上で最も効いていた属性は、ワークフローの再設計でした。つまり、業務の一部にAIを刺した企業より、仕事の流れそのものを組み替えた企業のほうが、成果に近づいている。

これ、投資でいうとよくわかります。
コスト削減は営業利益率を少し押し上げる。
でも、事業モデルの再設計は、将来CFそのものを変える。

前者は節約。
後者は再投資です。

ポストの比喩に戻すなら、
部屋の掃除は悪くない。
でも、掃除だけして出口の地図を描かないなら、やっぱり危うい。

効率化が“脱出準備”になる条件

では、効率化が牢屋の掃除で終わらず、脱出準備になるのはどんなときか。

答えはシンプルで、効率化で浮いた時間と認知資源を、次の3つに回せているかです。

  • 仕事の定義そのものの見直し
  • AIではなく自分が持つべき判断領域の再設定
  • 新しい役割に必要な学習への再投資

この配分がないと、効率化は“今の仕事の寿命を少し伸ばした”だけで終わります。
逆にここへ回せるなら、効率化は意味を持つ。

OECDも、生成AIのような汎用技術はすぐに生産性統計へ全面反映されるわけではなく、普及、補完投資、制度や組織の調整に時間がかかると整理しています。つまり、ツール導入だけでは足りない。遅れて効いてくるのは、補完資産のほうです。

だから、効率化は敵ではありません。
敵なのは、効率化で得た余白を、また効率化に全部再投資してしまうことです。

ここで止まる人が多い。
忙しさが少し減る。
すると、その空いた時間にさらに細かい改善を詰め込む。

でも本当に必要なのは、そこで一歩引くことです。
「私は何を速くしているのか」ではなく、
「私は何に変わろうとしているのか」を問うことなんです。

AI時代に本当に守るべきものは、仕事ではなく“外へ出る力”である

このテーマのいちばん苦しいところは、誰もがうすうす気づいていることです。
多くの人が守りたいのは、目の前の仕事ではない。
その仕事を通じて得てきた居場所、評価、生活、安心です。

だから、仕事の形が変わる話を聞くと、人は防御的になります。
それは自然です。
でも、そこで守る対象を間違えると、長く苦しむ。

守るべきなのは、今の業務フローではありません。
前提が変わったときに、自分で外へ出られる力です。

“人間らしさ”競争に入ると、AIの土俵で消耗しやすい

Brynjolfsson の「The Turing Trap」は、AIを人間そっくりに代替する方向へばかり使うと、社会的な分配や仕事の質に歪みが出やすいと警告しています。大事なのは、人間を丸ごと置き換えることではなく、人間の価値を拡張する方向へ技術を使うことだ、という視点です。

これを個人に引き寄せると、かなり切実です。
AIが得意になっていく作業に対して、「自分ももっと速く、もっと似た品質で」と張り合う戦略は消耗しやすい。

勝負する場所を間違えるからです。

本当に必要なのは、
問いを立てること。
何を捨てるか決めること。
責任を引き受けること。
複数の利害を調整すること。
数字と言葉をつなぐこと。

このへんは、まだ“人が背負う仕事”です。

生産性パラドックスは、「効かない」のではなく「実装に時間がかかる」

AIの話になると、すぐに「結局、社会全体の生産性はそんなに上がっていない」という反論が出ます。これは半分正しい。Brynjolfsson、Rock、Syverson は、生産性パラドックスの背景として、実装ラグや補完的変化の遅れを重視しています。技術は出ても、組織が変わるのは遅い。だから見かけ上は“革命が来ているのに数字が動かない”状態が起きる。

ここで個人が勘違いしやすいのは、
「じゃあまだ本格的には変わらないんだな」と安心してしまうことです。

違います。
遅れて効くからこそ、早く準備した人に差がつく。

投資でも同じです。
市場がまだ十分に織り込んでいないときに、将来のキャッシュ創出構造を読める人が強い。
キャリアも同じで、制度や肩書きが変わってから動く人は、だいたい高値づかみになります。

会計で言えば、守るべきは売上ではなく“稼ぐ構造”

会社を見るとき、今期の売上だけ伸びていても安心しません。
販促を積んだだけかもしれない。値引きかもしれない。無理な前倒しかもしれない。
見るべきは、将来も再現できる稼ぐ構造です。

個人も同じです。
いま忙しい。
頼られている。
案件が多い。
それ自体は悪くない。

でも、その忙しさが
「古い業務を人力で回している希少性」
に依存しているなら、かなり危ない。

逆に、
「AIや仕組みを使って仕事全体を組み替えられる」
「判断と設計に責任を持てる」
「複数の領域を横断して価値を出せる」
この構造なら、前提が変わっても残る。

つまり、守るべきは職種名ではない。
稼ぐ構造です。

ここまで来ると、あのポストの見え方が変わります。
あれは効率化への嘲笑ではない。
もっと静かな警告です。

部屋を片付けるな、ではない。
片付けたあと、外へ出る気があるのか、と問われている。

この問いから逃げない人だけが、次の景色を見に行けるのだと思います。

結論

私は、目の前の仕事をちゃんとやる人を雑に否定したくありません。
現場を回す人がいるから、会社は動く。
今日の数字を作る人がいるから、明日の投資もできる。

だから、効率化そのものを軽んじる気はないんです。
むしろ必要です。
ただ、必要だからこそ、その意味を取り違えないほうがいい。

効率化はゴールじゃない。
余白を作るための手段です。

その余白で何をするか。
新しい技術を試すのか。
仕事の定義を書き換えるのか。
学び直すのか。
自分にしか持てない判断領域を磨くのか。

そこに再投資しない限り、効率化はだんだん残酷になります。
速くなればなるほど、今の仕事に閉じ込められるからです。
ここがシュールなんですよね。
頑張るほど、出られなくなることがある。

でも、逆もあります。

いま目の前の改善をしながら、同時に外の景色を見ている人。
手を動かしながら、次の構造を学んでいる人。
自分の仕事を守るのではなく、自分の価値の置き場所を更新している人。

そういう人にとって、効率化は牢屋の掃除ではありません。
ドアの前まで荷物をまとめる作業になります。

鍵が開いているかどうかは、たぶん外からはわかりません。
でも、自分ではわかるはずです。
最近の学びが、未来につながっているか。
今日の改善が、明日の役割を育てているか。
その問いにちゃんと答えられるなら、もう大丈夫です。

部屋を片付けるな、ではない。
片付けながら、出口の方向を忘れるな。

AI時代に本当に失うと痛いのは、今の仕事ではありません。
外へ出る想像力です。
そして、その想像力は、派手な才能ではなく、日々の資源配分で決まる。

時間をどこに置くか。
学習をどこに積むか。
自分の能力を、どの市場へ接続するか。

投資も会計も、最後は配分の学問です。
人生もたぶん同じなんだと思います。

だから今日の改善は、どうせやるなら未来につながる形でやりたい。
数字を整えるだけじゃなく、意味も残るように。
いまの仕事を守るためじゃなく、次の自分を作るために。

鍵は、もう開いているのかもしれません。
だったら、せめて顔を上げたい。
部屋の隅のホコリではなく、ドアの向こうの光を見るために。

参考になる日本語の書籍5冊

『AI時代に仕事と呼べるもの』
この本の強さは、AIの便利な使い方に話を閉じないところです。仕事が速くなる時代に、それでもなお「自分にしか出せない価値」はどこに残るのか。ブログで書いた“鍵が開いているのに部屋を片付け続ける違和感”を、もっと具体的に、自分ごととして考えたい読者に刺さる一冊です。読み終わるころには、目の前の作業効率ではなく、自分の仕事の定義そのものを見直したくなるはずです。


『生成AIに仕事を奪われないために読む本』
「不安はある。でも、何を鍛えればいいのかが曖昧」
そんな読者に相性がいい本です。生成AIが得意なことを前提にしたうえで、それでも人に残るスキルを整理してくれるので、焦りが少し具体的な行動に変わります。ブログのテーマである“効率化の先に何を取り戻すか”を、かなり実務寄りの感覚で補強してくれる一冊。読後に、学び方と働き方の投資先が変わるタイプの本です。


『テクノ封建制』
この本は少し角度が違います。個人の働き方ではなく、そもそもデジタル空間で誰が力を持ち、誰が従う側に回りやすいのかを、経済の構造から見せてくれます。
ブログの中で触れた「効率化に熱中しているうちに、前提そのものが変わっている」という不気味さを、もっと大きな視野で理解したい読者には特におすすめです。AIやプラットフォームの時代を“便利”だけで終わらせず、支配構造まで見たい人にはかなり面白いはず。


『両利きの経営（増補改訂版）』
目の前の収益を回しながら、未来の芽も育てる。言葉にするとシンプルですが、現実にはこれがいちばん難しい。
この本は、既存事業の改善と新しい挑戦をどう両立させるかを、かなり骨太に考えさせてくれます。今回のブログでいえば、“部屋を片付けること”と“外へ出る準備”をどう同時にやるかの答えに近い一冊です。仕事論として読んでもいいし、キャリア論として読んでも効きます。読み応えがありますが、そのぶん後からじわじわ効いてきます。


『生成AI時代の「超」仕事術大全』
抽象論だけで終わらず、生成AIを仕事にどう接続するかをかなり具体的に見せてくれる本です。
「AI時代に価値を出す」と言われても、現場では結局、資料、会議、提案、調査、文章作成といった日々の仕事に落とし込めないと意味がありません。この本はその橋渡しをしてくれます。ブログ本文の問題意識を読んで、“わかった、じゃあ実際に何から変える？”と思った読者にすすめやすい一冊です。

[商品価格に関しましては、リンクが作成された時点と現時点で情報が変更されている場合がございます。]

生成AI時代の「超」仕事術大全 [ 保科 学世 ]
価格：1,980円（税込、送料無料) (2026/4/10時点)


それでは、またっ！！

引用論文・参考資料

  • March, J. G. (1991). Exploration and Exploitation in Organizational Learning. Organization Science. 探索と深化のトレードオフを示した古典研究。
  • Levinthal, D. A., & March, J. G. (1993). The Myopia of Learning. Strategic Management Journal. 成功体験が学習の近視眼性を生みうることを論じた研究。
  • Raisch, S., Birkinshaw, J., Probst, G., & Tushman, M. L. (2009). Organizational Ambidexterity: Balancing Exploitation and Exploration for Sustained Performance. Organization Science. 探索と深化の両立が持続的成果に重要であることを整理。
  • Brynjolfsson, E., Li, D., & Raymond, L. (2024). Generative AI at Work. 生成AIが顧客対応業務の生産性を平均15%押し上げた実証研究。
  • McKinsey (2025). The State of AI: How Organizations Are Rewiring to Capture Value. 企業全体のEBIT効果には、単発利用よりワークフロー再設計が重要だと示す調査。
  • OECD (2025). Is Generative AI a General Purpose Technology? 生成AIを汎用技術として捉え、普及や補完投資の重要性を論じた資料。
  • Brynjolfsson, E. (2022). The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence. 人間代替型AIへの偏りがもたらす分配面の歪みを警告。
  • Brynjolfsson, E., Rock, D., & Syverson, C. (2017/2018). Artificial Intelligence and the Modern Productivity Paradox. AIの効果が統計に表れるまでの実装ラグを論じた研究。

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

RECOMMENDこちらの記事も人気です。