AI時代、非効率はあとから資産になる – 苦労を問題発見能力へ変えた人が強い理由

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。

AIを使うと、文章が速くなる。調査が速くなる。コードも書ける。資料作成も速くなる。ここまでは、もう珍しい話ではありません。

でも、本当に差がつくのは、その先です。同じAIを渡されても、ある人はメール作成を10分短縮して終わる。別の人は、そもそもそのメールが毎月発生している業務設計そのものを壊しにいく。この差は、プロンプトの上手さだけでは説明できません。

鍵になるのは、非効率を知っていることです。ただし、ここで言う非効率とは苦労自慢ではない。何度も同じ仕事を繰り返す中で、どこで詰まり、どこで間違い、どこで人間の判断が必要になり、どこが本当は不要なのか。その構造が身体感覚として分かっているか、です。

この視点を持つと、AIの見え方が変わります。仕事では、AI化すべき場所と触ってはいけない場所を見分けやすくなる。経営では、単なる人件費削減ではなく業務プロセスを再設計できる。投資では、AIを導入した企業と、AIで仕事の構造を変えた企業を分けて見られる。会計では、P/Lに費用として落ちた長年の経験が、なぜ将来の生産性につながるのかを考えられる。

この記事では、非効率な経験がどうAI時代の資産に変わるのか。逆に、なぜ経験が長いだけでは優位にならないのか。そして、これから価値が上がる経験とは何なのかを、研究と数字から掘り下げます。

非効率はコストではなく、問題発見のデータになる – 苦労の価値は作業量ではなく違和感の解像度にある

仕事が非効率だと、普通は悪いものとして処理されます。残業が増える。人件費が増える。締めが遅れる。ミスが増える。経営数字だけ見れば、その通りです。

ただ、長く非効率な現場にいた人の頭には、もう一つ別のものが残ります。何が面倒なのか。なぜ面倒なのか。どこで例外が起きるのか。誰の判断で止まるのか。この情報は、意外なほどマニュアルには残りません。

不満は改善の入口になる

経営学にはProblemistic Searchという考え方があります。企業が期待していた成果を下回ると、その差を問題として認識し、解決策を探し始めるという理論です。Posenらのレビューでも、目標と実績のギャップが探索行動を誘発する基本構造が整理されています。(journals.aom.org)

毎月30分かかる作業を1回やっただけなら、まあ仕方ないで終わる。でも、それを何十回も繰り返すと、またこれか、なんで毎回同じことをしているんだ、ここ本当に必要か、に変わる。この苛立ちは、業務改善の原材料です。

会計の現場を想像すると分かりやすい。数字を集め、形式をそろえ、差異を確認し、問い合わせ、修正を待ち、再集計する。業務フロー図では数個の箱で終わる仕事でも、実際には箱と箱の間に細かな確認と例外が大量にある。

AIベンダーが見るのは箱です。現場の人が知っているのは、箱と箱の間です。

本当に価値がある情報ほど、移しにくい

Eric von Hippelは、問題解決に必要なのに他人へ移すコストが高い情報をSticky Informationと呼びました。必要な情報が簡単に文書化できない場合、その情報が存在する場所で問題解決が起こりやすいと論じています。(pubsonline.informs.org)

これはAI導入で起こるすれ違いをよく説明します。手順書には、請求書を確認する、と書いてある。でも実務家の頭には、もっと細かい条件が入っている。この取引なら金額より勘定科目を見る。この相手なら前月との差を見る。この数字は大きく動いても正常。逆に、数％動いただけで確認が必要。

これが暗黙知です。AIにPDFを全部読ませても、文書に存在しない判断基準までは移せません。AI導入の最初のボトルネックはAI性能ではなく、会社が自分たちの判断をどこまで言語化できるかになる。

ここ、かなり見落とされます。

苦労したユーザーほど、未来の需要を先に知っている

von HippelのLead User研究では、新しい製品やサービスについて、多くのユーザーがまだ問題を十分に経験していない一方、その問題を先に強く経験しているLead Userは、将来一般化するニーズを先取りし、自ら解決策を作り始めることさえあるとされます。(pubsonline.informs.org)

AI時代に置き換えると明快です。AIに詳しい人が、必ずしも最高の活用アイデアを持つとは限らない。むしろ、死ぬほど面倒な業務を知っている人の方が、何をなくしたいか、何なら任せられるか、どこを変えたら効果が大きいかを具体的に知っている。

経営側から見ると、これは人件費の問題ではなく情報資産の問題です。経験者を単に高コストな人材として見ると、この資産を捨てることになる。

会計的には、この話がさらに面白くなります。IFRSのIAS 38では、従業員の訓練から将来便益が期待できても、企業がその便益を十分に支配できないことなどから、訓練支出は原則として発生時の費用になります。人が学んだ知識の多くは財務諸表上の資産には載りません。(ifrs.org)

10年間の手作業に使った時間は取り戻せない。そこはサンクコストです。しかし、その10年間で得た例外パターン、判断基準、失敗の記憶まで捨てる必要はない。AIは、この財務諸表に載らない知識を再利用できる道具になり得ます。

費用として消えた時間の中から、未来の生産性を掘り起こす。そう考えると、AI導入は単なるIT投資ではありません。

AIは経験者だけの武器ではない – むしろ初心者ほど伸びるという不都合な事実

ここまで読むと、経験者最強という話に聞こえるかもしれません。ところが、生成AIの実証研究はそんなに単純ではない。むしろ、AIによる生産性向上は経験の浅い人、能力が低かった人ほど大きいという結果が出ています。

経験者にとっては、少し嫌な話です。

AIは経験曲線をショートカットする

Brynjolfsson、Li、Raymondは、5,172人のカスタマーサポート担当者を分析しました。生成AIアシスタントへのアクセスによって、1時間当たりの問題解決数で測った生産性は平均15％上昇しました。

効果は均等ではありません。経験が浅く、もともとのスキルが低い担当者は速度と品質が改善した一方、最も経験豊富で高スキルな層では速度の改善は小さく、品質には小幅な低下も観察されています。AIが優秀な担当者の知識や会話パターンを他の担当者へ伝播させている可能性も示されています。(academic.oup.com)

昔は、100回失敗して覚えた人だけが持っていたノウハウを、AIが101人目に初日から渡せる。経験の複利が、一部だけですがコピー可能になったわけです。

投資家目線なら、AI導入企業が人員を何％削減できるかだけを見るのは浅い。戦力化までの期間、教育コスト、管理者の指導時間、離職時に失われる知識まで変わるなら、経済効果は単純な工数削減より広い。

AIは能力格差を縮めることがある

NoyとZhangは、453人の大卒専門職に職務関連の文章作成をさせる実験を行いました。ChatGPTを使ったグループでは、平均作業時間が40％短くなり、成果物の品質は18％上がりました。さらに、もともとの能力が低い参加者ほど恩恵が大きく、生産性格差も縮小しました。(doi.org)

40％速くなったこと以上に、誰が速くなったかが面白い。AIは上位者をさらに上へ押し上げるだけではない。仕事によっては、下位層を中位層へ引き上げる。

すると企業の競争力も変わります。以前は、優秀な人を何人採用できるかが大きかった。AI時代は、普通の人が高い水準で働ける仕組みをどれだけ作れるかが効いてくる。

会計で言えば、人ごとにばらついていた処理品質の分散を下げられる可能性がある。これは決算早期化だけでなく、内部統制やレビュー負荷にも効きます。

一人の専門家に、擬似的なチームを持たせる

P&Gで行われたフィールド実験では、776人の専門職が実際の製品イノベーション課題に取り組み、AIを使った個人は、AIを使わない二人組チームと同程度の成果を示しました。AIが異なる職能間の専門知識の共有にも影響したことが報告されています。(nber.org)

これはホワイトカラー組織の設計に効いてきます。従来なら、財務、営業、法務、ITと人を集めなければ検討できなかった初期論点を、一人がAIと壁打ちしながらかなり先まで進められる。最終判断まで一人でできるという意味ではありません。それでも、会議を開く前の思考密度は上げられる。

会社は会議時間を原価計算していません。でも、複数の高給人材が1時間集まれば、会社は相応の人的資源を投入している。その前工程を圧縮できるなら、価値は会議削減だけではありません。

昔は、経験そのものが参入障壁でした。今は、その経験の一部をAIが配る。

だから、10年やってきたという事実だけではプレミアムになりにくくなる。経験者が昔の手順を速く回すことに誇りを持つ一方、経験の浅い人がAIを使って仕事そのものを再設計する逆転も起こり得ます。

経験年数は資産ではありません。資産になるのは、経験から何を抽出できるかです。

経験者の価値は処理能力から設計能力へ移る – AI時代に高くなるのは答えではなく境界線である

では、経験者は何で勝つのか。処理の速さではないと思います。AIが速くなるほど、人間の価値は、何を処理するか、どこまで任せるか、どの出力を疑うかへ移る。

数字を作る仕事では、ここが特に大きい。

AIが得意かどうかは、仕事の見た目では分からない

Dell’AcquaらはBCGの758人を対象に、GPT-4を使った知識労働の実験を行いました。AIの能力範囲内に設計された18の課題では、AI利用者は12.2％多くのタスクを完了し、平均25.1％速く、品質も向上しました。

ところが、AI能力の範囲外に置かれた複雑な経営課題では、AIを使った参加者の方が正解する確率が19％低くなりました。研究者らは、この不均一な境界をJagged Technological Frontier、ギザギザした技術的フロンティアと呼んでいます。(pubsonline.informs.org)

AIが仕訳案を出せる。契約書を要約できる。差異分析も書ける。だからといって、その隣の論点まで正しいとは限らない。

決算で怖いのは、明らかに間違った回答ではありません。それっぽく整っている間違いです。文章が自然でロジックも通って見える。でも前提条件が一つ落ちている。そんな出力を止めるには業務知識が要る。

AI時代の熟練者は、答えを作る人から、境界線を引く人へ変わっていきます。

過去の知識があるから、新しい技術の価値が分かる

CohenとLevinthalのAbsorptive Capacity、吸収能力の議論では、外部の新しい知識の価値を認識し、理解し、商業的に活用する能力は、それ以前の関連知識に大きく依存するとされます。(researchgate.net)

業務を知らない人は、AIを見て、文章が書ける、要約できる、と評価する。業務を知っている人は、この判断を代替できる、この確認を前倒しできる、この資料自体を廃止できる、と考える。

同じAIを見ているのに、見えている投資機会が違う。

株式投資でも、企業が生成AIを導入しました、だけでは材料として弱い。見るべきは、その企業にAIを吸収できる業務知識、データ、顧客接点、改善余地があるかです。

AIモデルは多くの企業が買える。しかし、自社のどこに当てれば利益率が変わるかを知る能力は簡単には買えません。競争優位はAIそのものではなく、AIと既存知識の接合面に生まれる。

経験は武器だが、同時に足かせにもなる

Bilalić、McLeod、Gobetはチェスの熟練者を使った実験で、よく知っている解法が存在すると、より良い解法があっても既存の解法に引っ張られるEinstellung effectを示しました。熟練は問題解決を助ける一方、慣れた解法への固定も起こし得ます。(sciencedirect.com)

AI導入で起きるのは、まさにこれです。Excel作業を10年やった人は、AIでExcelを速くしようとする。承認業務を10年やった人は、AIで承認資料を速く作ろうとする。

でも、本当の答えはExcelをなくすことかもしれない。承認そのものをなくすことかもしれない。

非効率を知っていることと、非効率を愛していることは違います。ここを混同すると、経験は一気に負債になる。

Dillonらによる66社、7,137人の知識労働者を対象にした実験では、生成AIを利用した人はメール作業を週あたり約2時間減らした一方、個人へのAI提供だけでは仕事の量や構成に大きな変化は確認されませんでした。(nber.org)

要するに、AIを配ってもBPRは勝手に起きない。全社員にライセンスを配り、利用率をKPIにし、削減時間を集計するだけでは、既存業務が少し速くなるところで止まりやすい。

利益率まで変えたいなら、この仕事は必要か、この統制はなぜあるのか、この数字は誰が使うのか、この承認はリスクに見合っているか、まで戻る必要があります。

AI導入で最も高い価値を持つのは、AIを使える人ではない。業務を知りながら、業務を疑える人です。

結論　苦労の価値は、過去ではなく未来への変換力で決まる

会計には、少し冷たいところがあります。過去にどれだけ苦労して作ったものでも、将来の経済的便益につながらなければ資産とは呼びません。

この考え方を人生や仕事にも当てはめると、妙に腑に落ちます。何年働いたか。どれだけ大変だったか。何回同じ作業を繰り返したか。それだけでは、未来の価値は保証されない。

でも、その時間から、何が壊れているかを見抜く力、例外を察知する力、数字の違和感に気づく力、本当に必要な仕事を選ぶ力を取り出せたなら、話は変わります。

投資家が企業を見るときも同じでしょう。AIを何人が使っているかより、AIによって意思決定や業務構造がどう変わったかを見る。削減工数より、その時間が何へ再投資されたかを見る。ツール導入額より、利益率、回転率、運転資本、固定費構造に変化が出ているかを見る。

数字を作る側から見ると、ここが面白い。

企業価値を動かすものの多くは、最初から貸借対照表に載っているわけではありません。現場の知識、顧客理解、組織の学習速度、判断の質。見えないものが、あとから売上や利益やキャッシュフローとして数字に出てくる。

AIも同じです。AIそのものが価値なのではない。AIによって、今まで価値化できなかったものを価値化できることに意味がある。

だから、過去の非効率を恥じる必要も、美化する必要もありません。手作業に追われた時間。何度もやり直した仕事。意味が分からないまま続けてきた工程。それらは、そのままならただの過去です。

でも、なぜ苦しかったのかを言葉にし、構造にし、AIへ渡し、仕事を作り直せた瞬間、意味が変わる。

費用だった時間から、未来のキャッシュフローが生まれる。会計上は資産にならなくても、人間の中ではそういうことが起きる。

AI時代に強いのは、苦労した人ではありません。苦労を、問いに変えられる人です。

そしてたぶん、これから最も高く評価される経験とは、答えをたくさん知っていることではない。世界のどこがまだ不自然なのかを、見つけられることなのだと思います。

AIと経験の価値を、もう一段深く考えるための5冊

1．『AI経営講座 スーパーエッセンシャル版』東京大学 松尾・岩澤研究室、PwC Japan グループ

AIを個人の便利ツールではなく、経営そのものへどう組み込むかを考えたい読者に向く一冊です。生成AIの技術進化だけでなく、ガバナンス、顧客体験、バックオフィス、人材育成、共創戦略まで扱っており、本文で触れたAIを配るだけでは業務構造は変わらないという論点を、企業経営の側から広げられます。AI導入で何をKPIにするのか、どこまで組織を変える必要があるのか、と疑問を持ったときの入口として使いやすい。5冊の中では、現在のAIと経営を最も直接的につなぐ位置づけです。

AI経営講座 スーパーエッセンシャル版 [ 東京大学 松尾・岩澤研究室 ] 価格：1,122円（税込、送料無料) (2026/8/27時点) 楽天で購入

2．『知識創造企業（新装版）』野中 郁次郎、竹内 弘高 著／梅本 勝博 訳

本文に出てきた暗黙知を、単なる個人の経験談ではなく、組織が価値を生む仕組みとして捉え直すなら外せない本です。日本企業のイノベーションを知識創造の観点から分析し、個人の中にある言葉になっていない知識が、組織で共有され、新しい知識へ変わっていく過程を扱います。AIに社内資料を読ませれば知識移転は終わるのか、という疑問への答えは、それほど簡単ではありません。5冊の中では、AI以前から存在する知識経営の本質を押さえ、経験をどう組織資産へ変えるかを考える土台になります。

知識創造企業（新装版） [ 野中 郁次郎 ] 価格：2,860円（税込、送料無料) (2026/8/27時点) 楽天で購入

3．『両利きの経営（増補改訂版） 「二兎を追う」戦略が未来を切り拓く』チャールズ・A・オライリー、マイケル・L・タッシュマン 著／入山 章栄 訳・監修、渡部 典子 訳

経験が豊富な企業ほど変化に強いとは限らない。むしろ、既存事業を効率よく回す能力が、新しい事業を探索するときの慣性になることがあります。本書は、既存事業を深める深化と、新しい可能性を探す探索を同時に進める両利きの経営を体系化しています。本文で扱った経験は武器であると同時に足かせになるという論点を、個人ではなく企業レベルまで引き上げて考えられる。AIで今の仕事を速くするだけでいいのか、それとも仕事自体を作り直すべきか。その境界を考える5冊の中で、最も経営戦略寄りの一冊です。

両利きの経営（増補改訂版） 「二兎を追う」戦略が未来を切り拓く [ チャールズ・A・オライリー ] 価格：3,520円（税込、送料無料) (2026/8/27時点) 楽天で購入

4．『ビジネスエリートになるための 投資家の思考法 The Investor’s Thinking』奥野 一成

AI導入をニュースとして眺めるのではなく、企業価値へどうつながるかを考えたい読者に接続しやすい本です。企業のビジネスを投資家がどこから見て、どのように情報を集め、分析するのかという思考法を扱っています。本文で触れたAI利用者数や削減工数ではなく、利益率、競争優位、将来キャッシュフローに何が起きるのかを見るという視点と相性がいい。AI銘柄だから買う、導入発表があったから評価する、で止まらず、その技術が企業の稼ぐ構造を本当に変えるのかを考えたい人に向きます。ほかの4冊と違い、視点を企業の内側から株主側へ移してくれます。

ビジネスエリートになるための 投資家の思考法 The　Investor’s　Thinking [ 奥野　一成 ] 価格：1,650円（税込、送料無料) (2026/8/27時点) 楽天で購入

5．『しくみ図解　会計思考のポイント』村井 直志

AIによる効率化を、最終的に数字へどうつなげて見るかを補う一冊です。財務3表、連結会計、財務分析、管理会計、不正会計、IT経営までを扱い、数字や会計を実務で使うための論点を整理しています。本文では、削減工数だけではなく利益率や運転資本、固定費構造を見るべきだと書きましたが、その変化を追うには会計の共通言語が必要です。AI投資によって何が費用になり、どこで利益やキャッシュとして回収されるのか。そんな疑問を数字側から考えたい読者に向きます。5冊の中では、経営やAIの議論を財務諸表へ着地させる役割を持つ本です。

しくみ図解　会計思考のポイント [ 村井 直志 ] 価格：2,310円（税込、送料無料) (2026/8/27時点) 楽天で購入

AIと経営の全体像から入りたいなら『AI経営講座 スーパーエッセンシャル版』、経験や暗黙知がどう組織の力になるのか掘りたいなら『知識創造企業（新装版）』が入り口になります。既存業務の効率化と新しい仕事の探索をどう両立するか考えたいなら『両利きの経営（増補改訂版）』。企業のAI活用を投資判断までつなげたいなら『投資家の思考法』、そして経営の変化を利益やキャッシュフローという数字で確認したいなら『しくみ図解　会計思考のポイント』へ進むと、同じテーマをかなり違う角度から立体的に見ることができます。

それでは、またっ！！

引用論文・参考文献

• Posen, H. E., Keil, T., Kim, S., & Meissner, F. D. (2018). Renewing Research on Problemistic Search—A Review and Research Agenda. Academy of Management Annals, 12(1), 208–251. DOI: 10.5465/annals.2016.0018. (journals.aom.org)
• von Hippel, E. (1994). Sticky Information and the Locus of Problem Solving: Implications for Innovation. Management Science, 40(4), 429–439. DOI: 10.1287/mnsc.40.4.429. (pubsonline.informs.org)
• von Hippel, E. (1986). Lead Users: A Source of Novel Product Concepts. Management Science, 32(7), 791–805. DOI: 10.1287/mnsc.32.7.791. (pubsonline.informs.org)
• IFRS Foundation. IAS 38 Intangible Assets、およびIFRS Interpretations Committee, Training Costs to Fulfil a Contract, March 2020. (ifrs.org)
• Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. DOI: 10.1093/qje/qjae044. (academic.oup.com)
• Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187–192. DOI: 10.1126/science.adh2586. (doi.org)
• Dell’Acqua, F. et al. (2026). The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science. DOI: 10.1287/orsc.2025.20702. (nber.org)
• Dell’Acqua, F. et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. DOI: 10.1287/orsc.2025.21838. (pubsonline.informs.org)
• Cohen, W. M., & Levinthal, D. A. (1990). Absorptive Capacity: A New Perspective on Learning and Innovation. Administrative Science Quarterly, 35(1), 128–152. DOI: 10.2307/2393553. (researchgate.net)
• Bilalić, M., McLeod, P., & Gobet, F. (2008). Inflexibility of Experts—Reality or Myth? Quantifying the Einstellung Effect in Chess Masters. Cognitive Psychology, 56(2), 73–102. DOI: 10.1016/j.cogpsych.2007.02.001. (sciencedirect.com)
• Dillon, E. W., Jaffe, S., Immorlica, N., & Stanton, C. T. (2025). Shifting Work Patterns with Generative AI. NBER Working Paper No. 33795. DOI: 10.3386/w33795. (nber.org)