会計

AIで速くなる人、薄くなる人——仕事を資産に変えるOS

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を使うと仕事が速くなる。

この言い方は、半分正しくて、半分かなり危ない。

速くなるだけなら、ただの電卓です。メールが早く書ける。議事録が整う。調べものの入口が軽くなる。便利です。でも、それだけで終わると、仕事の見方は前と同じままです。

このブログで考えたいのは、AIを便利ツールとして使う話ではありません。

AIを使って、仕事の原価構造を変える話です。

会社でいえば、人件費、会議、手戻り、確認、教育、属人化。これらは全部コストです。しかも厄介なのは、決算書にきれいに出てこないこと。白紙の前で固まる時間。資料を直し続ける時間。会議で反論が出ず、あとから炎上する時間。

見えないけれど、確実に利益を削っています。

AIの本当の使いどころは、ここです。

文章を作らせるのではなく、白紙の時間を消す。
答えをもらうのではなく、論点を増やす。
作業を奪わせるのではなく、人間の判断を前に出す。

得られるものは、プロンプト集ではありません。自分の仕事を、AIに任せる部分、人間が握る部分、仕組みに残す部分に分ける視点です。

投資でいえば、AIは一発逆転のテーマ株ではなく、複利が乗る生産性投資です。会計でいえば、費用処理されがちな日々の工夫を、見えない資産に変える作業でもある。

ここを押さえると、AIの使い方はかなり変わります。

AIの価値は時短ではなく、白紙コストを消すこと

多くの人は、AIの価値を時短で考えます。

10分かかっていたメールが3分になる。1時間かかっていた要約が10分になる。これはわかりやすい。効果測定もしやすい。

でも、経理屋の目で見ると、もっと深いコストがあります。

それが白紙コストです。

何を書けばいいかわからない。どこから手をつければいいかわからない。考えているようで、実は同じところをぐるぐるしている。この時間は、本人の気合いではなく、業務設計の問題です。

ここ、落とし穴です。

人は考えるのが苦手なのではありません。何もないところから始めるのが重いのです。

ゼロから始める仕事ほど、人間を止める

資料作成で一番つらいのは、最後の仕上げではありません。最初の一行です。

企画書も、稟議書も、報告書も、ブログも同じ。完成物を見ると、きれいに流れているように見えます。でも現場では、最初の見出しを置くまでに妙な時間がかかる。

この時間は、会計でいえば段取り替えのコストです。直接製品を作っていないのに、確実に原価を押し上げる。

AIはここに効きます。

最初から正解を書かせる必要はありません。むしろ、最初から完成度を求めると失敗します。AIには、粗い骨組みを作らせる。論点を並べさせる。人間はそのうえで、違う、浅い、ここは使える、と赤を入れる。

AIにゼロを一にさせる。
人間は一を十に磨く。

この分担に変えるだけで、仕事の重さはかなり軽くなります。

60点の叩き台は、在庫ではなく仕掛品である

AIの叩き台を見て、こんなことを言う人がいます。

なんか普通だな。
浅いな。
このままでは使えないな。

その通りです。

でも、そこで止まる人は叩き台の意味を取り違えています。AIの初稿は完成品ではありません。仕掛品です。

会計でいう仕掛品は、まだ売れません。でも、原材料とは違います。すでに加工が始まっている。次の工程に渡せる。だから価値がある。

AIの60点アウトプットも同じです。

白紙では、上司も同僚も突っ込めません。ところが粗い叩き台があれば、違和感を言語化できる。ここの前提が甘い、この順番は逆、この数字は確認が必要。議論が始まる。

つまり、AIは答えを出すというより、会議の開始時刻を早める道具です。

仕事が遅い人は、完成品を持っていこうとして止まる。仕事が速い人は、未完成品を早く出して、修正可能な状態にする。AIは後者の働き方と相性がいい。

投資家目線では、速度はオプション価値になる

投資の世界では、早く動けること自体に価値があります。

なぜなら、早く試せば、早く損切りできるからです。早く仮説を出せば、早く市場の反応を見られる。早く失敗がわかれば、傷が浅いうちに次へ行ける。

仕事も同じです。

企画を1週間寝かせてから出す人と、その日のうちに叩き台を出す人では、学習回数が変わります。1回の精度ではなく、修正の回転数で差がつく。

AIは、この回転数を上げます。

ここで大事なのは、スピードを雑さと勘違いしないことです。雑に出すのではありません。粗く出す。粗いけれど、論点が見える状態で出す。これが強い。

企業価値も同じです。完璧な計画を一度だけ作る会社より、小さく試し、早く数字を見て、配分を変える会社の方が強い。

時間は費用ではなく、投資枠です。

どこに使うかで、将来のリターンが変わります。

AIで削るべきなのは、考える時間そのものではありません。

考える前に止まっている時間です。

白紙の前で固まる時間を削る。未完成の叩き台を早く作る。人間は、そこから判断と編集に集中する。

これができる人は、学習の回転数が上がります。ここから差が開きます。

AIを参謀にする人は、反論を買っている

AIを使っているのに伸びない人には、共通点があります。

AIに同意を求めている。

これ、かなりもったいないです。

人間は自分の案に甘い。思いついた瞬間に、少し好きになる。資料を作り込むほど、引き返しにくくなる。サンクコストの沼です。

だからAIには、褒めさせるより先に、壊させた方がいい。

反論、批判、別視点、リスク洗い出し。これを低コストで何度も回せるところに、AIの価値があります。

いい壁打ちは、気持ちよくしてくれない

壁打ちという言葉は便利ですが、実際にはかなり危険です。

ただ聞いてもらうだけなら、気持ちよくなるだけで終わります。AIは優しいので、雑に聞くとそれっぽく肯定してくる。これが怖い。

使い方を変えます。

投資家の立場で、この企画の甘い前提を3つ出して。
顧客の立場で、買わない理由を挙げて。
経理の立場で、費用対効果が見えない点を指摘して。
上司の立場で、承認しにくい箇所を洗い出して。

こう聞くと、AIは参謀になります。

参謀の仕事は、主人を気持ちよくすることではありません。負け筋を先に見つけることです。

特に、投資と会計の視点を入れるとAIの壁打ちは締まります。売上が伸びそう、便利そう、面白そう。このあたりの言葉はふわっとしています。では、初期費用はいくらか。誰の工数が減るのか。品質は落ちないのか。撤退条件はどこか。

ここまで聞くと、急に仕事の顔つきが変わります。

AIには得意な領域と、危ない領域がある

AIは万能ではありません。

これは精神論ではなく、実験研究でも出ています。BCGのコンサルタントを対象にした実験では、AIの能力範囲内にあるタスクでは、生産性や品質が大きく上がりました。一方で、AIの能力範囲外にあるタスクでは、AIを使った人の正答率が下がる場面もありました。研究者たちは、このでこぼこした境界をジャギッド・フロンティアと呼んでいます。つまり、簡単そうに見えてAIが外す仕事がある、ということです。

ここが本当にややこしい。

人間から見ると、似たような仕事に見える。でもAIにとっては、得意不得意がまったく違う。だから、AIが出したものを見て、すごい、全部任せようとなるのは危ない。

会計でいえば、内部統制のない自動仕訳みたいなものです。

毎月同じ家賃を処理するなら強い。形式が決まった請求書を読むのも向いている。でも、例外処理、契約解釈、収益認識の判断、引当金の見積りとなると話は変わる。そこには文脈と責任がある。

AIは作業者にはなれても、責任者にはなれません。

ここを混ぜると事故ります。

AI時代の仕事には、監査証跡がいる

AIを実務に入れるなら、出てきた答えだけを見るのでは足りません。

どんな前提で聞いたのか。
どの資料を読ませたのか。
どこを人間が修正したのか。
最終判断の根拠は何か。

ここを残す必要があります。

これは、会計でいう監査証跡に近い発想です。数字そのものだけではなく、その数字がどう作られたかを見る。AIも同じです。アウトプットだけ貼り付けると、あとから検証できません。

特に危ないのは、AIがそれっぽい文章を出した瞬間に、考えた気になってしまうことです。文章が整っていると、人は中身まで整っているように錯覚します。

ここで止まる人が多い。

だから、AIを使うときは、最後に必ず問いを戻す。

この回答の弱点は何か。
確認すべき一次情報は何か。
前提が外れたら結論はどう変わるか。
このまま意思決定した場合の損失シナリオは何か。

AIは答えを持ってくる部下ではありません。論点を増やす参謀です。最後に判子を押すのは人間です。

AIを使う力は、きれいなプロンプトを書く力だけでは決まりません。

むしろ、反論させる力で決まります。

いいAI活用は、楽になるだけではなく、少し耳が痛い。自分の案の弱さが見えるからです。でも、その痛さが仕事を強くします。

会議室で最後に燃えるくらいなら、AIの前で先に燃やした方がいい。

AI導入はツール導入ではなく、業務プロセスの再設計である

AIを入れたのに成果が出ない。

この話は、これから増えるはずです。理由はシンプル。ツールだけ入れて、仕事の流れを変えていないからです。

電卓を配っても、決算プロセスを変えなければ月次は早くなりません。会計システムを入れても、入力ルールがバラバラなら数字は汚れます。AIも同じです。

AI活用の本丸は、個人技ではありません。

業務フローの組み替えです。

AIを後工程に置くと、効果は小さい

多くの人は、仕事が終わりかけたところでAIを使います。

文章を整えて。
要約して。
誤字を直して。

もちろん便利です。でも、これは後工程の効率化です。原価改善としては小さい。

本当に効くのは、前工程にAIを置くことです。

調査の前に、調べる論点を出す。
会議の前に、争点を整理する。
資料作成の前に、構成案を作る。
稟議の前に、承認者が気にするリスクを並べる。
学習の前に、全体像とつまずきやすい場所を押さえる。

こうすると、人間の作業が最初から変わります。

これは、製造業でいう工程設計に近い。最後に検品を頑張るより、不良が出にくい流れを作る方が強い。AIも最後に文章を磨かせるより、最初に論点を整えた方が効きます。

仕事は、出口ではなく入口で決まる。

AIを入口に置ける人は強いです。

使うだけでは学習にならない

AIを使うと、わからないことをすぐ聞けます。

これは大きい。専門用語、業界構造、技術の概要、契約書の読み方、会計処理の考え方。昔なら本を開き、検索し、人に聞いていたことが、その場でかなり噛み砕かれる。

ただし、聞いたことと身についたことは違います。

プログラミング領域のメタ分析では、生成AI支援は生産性に中程度のプラス効果がある一方、学習成果については一貫した改善が確認されていません。つまり、作業は速くなるが、腕が上がるとは限らない、という話です。

ここ、刺さる人は多いと思います。

AIが説明してくれると、わかった気になる。でも、翌日ひとりで再現できない。これは学習ではなく、理解のレンタルです。

ではどうするか。

AIに答えを出させたあと、自分の言葉で説明し直す。
具体例を自分の仕事に置き換える。
反対例を出させる。
最後に一次情報を見る。
翌日、何も見ずにもう一度説明する。

ここまでやると、AIは学習の敵ではなくなります。むしろ、かなり強い家庭教師になります。

AI活用は、見えない資産を作れるかで決まる

個人も会社も、AIを使うだけでは差がつきません。

差がつくのは、使った結果が残るかどうかです。

いいプロンプト。
チェックリスト。
業務別の型。
よくある失敗集。
判断基準。
レビュー観点。
社内用語の説明。
過去の意思決定メモ。

こういうものが溜まると、AI活用はその場限りの時短ではなくなります。組織の資産になります。

もちろん、会計上は多くの場合、そのまま資産計上されません。人材育成や業務改善の多くは費用として流れていく。でも、投資家目線で見れば、こうした仕組みこそ将来キャッシュフローを支える無形資産です。

強い会社は、個人の頑張りを仕組みに変えます。

個人も同じです。毎回ゼロからAIに聞くのではなく、自分の型を育てる。仕事の判断基準を残していく。

AI時代に怖いのは、AIに仕事を奪われることだけではありません。

自分の仕事が、何も残らない作業になることです。

毎日AIを使っているのに、翌月の自分が楽になっていないなら、それは使い方が浅い。逆に、毎日少しずつ型が残っているなら、時間が経つほど楽になります。

これが複利です。

AI導入は、ツールの話に見えて、経営管理の話です。

どの作業をAIに渡すか。
どこに人間の判断を残すか。
どう検証するか。
どう標準化するか。
どう次の人でも使える形にするか。

ここまで考えると、AIは便利機能ではなくなります。仕事の流れを変えるインフラです。

結論

AIで仕事が速くなる人と、仕事が薄くなる人がいます。

差は、ツールの差ではありません。

AIに何を渡し、何を渡さないか。
その線引きで決まります。

白紙の時間はAIに渡していい。調査の入口も、要約も、下書きも、反論のたたき台も渡していい。むしろ渡した方がいい。

でも、判断は渡さない。
責任は渡さない。
自分の言葉で考える最後の一歩は渡さない。

ここを守れる人にとって、AIは怖い存在ではありません。自分の仕事から、余計な摩擦を削ってくれる存在です。

人間の価値は、長時間うなることでも、白紙の前で苦しむことでもない。

本当の価値は、何を選ぶかに出ます。
何を捨てるかに出ます。
誰のために、その仕事をするのかに出ます。

AIは、その手前にある濁った作業を引き受ける。

だから人間は、もっと人間らしいところに戻れる。

数字を読む。
未来を考える。
違和感を言葉にする。
誰かの背中を押す。
大事なところで、逃げずに決める。

AI時代に残るのは、AIを使わない頑固さでも、全部預ける軽さでもありません。

使えるものは使う。
でも、最後の責任は自分で持つ。

その姿勢だけが、仕事を速くし、深くし、未来の自分を助けます。

AIは、人間を薄くする道具ではありません。

薄い仕事を剥がして、人間が本当に考える場所を取り戻す道具です。

そこまで使えたとき、AI活用は単なる効率化を超えます。

自分の時間を取り戻すこと。
自分の判断を磨くこと。
そして、自分の仕事を、次の誰かが使える資産に変えること。

それが、これからの働き方の静かな革命です。

あわせて読みたい本

AIを仕事に入れる話は、ツールの使い方だけで終わらせると浅くなります。
本当に考えたいのは、AIによって人間の判断、学習、組織、仕事の価値がどう変わるのか。

ここをもう少し深く掘りたい方に向けて、参考になる本を5冊紹介します。

『生成AIが変える未来』

AIを単なる効率化ツールではなく、社会や仕事の前提を変える存在として捉えたい人に向いています。
生成AIが広がることで、創作、ビジネス、教育、働き方がどう変わるのか。目先の便利機能ではなく、少し大きな地図でAIを見られる一冊です。

このブログで書いた、AIは仕事の速度だけでなく、仕事の構造そのものを変えるという話を、もう少し未来側から眺めたい人におすすめです。
AIに振り回される側ではなく、AI後の世界を先に見に行く感覚で読めます。


『生成AIで世界はこう変わる』

生成AIの全体像をつかむなら、まず手に取りたい一冊です。
技術の細かい仕組みに入りすぎず、生成AIがビジネス、社会、個人の働き方にどんな影響を与えるのかを整理できます。

AIを使っているけれど、結局これは何がすごいのか。
なぜここまで騒がれているのか。
自分の仕事にはどう関係するのか。

そのモヤモヤを一度きれいに整理したい人には相性がいい本です。
AI活用を小手先の時短で終わらせたくないなら、土台として読んでおきたいところです。

[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で世界はこう変わる （SB新書） [ 今井翔太 ]
価格：1,100円（税込、送料無料) (2026/7/6時点)


『シン読解力』

AI時代に必要なのは、プロンプトのうまさだけではありません。
むしろ、人間側の読解力がかなり問われます。

AIの答えを読めるか。
前提のズレに気づけるか。
それっぽい文章に流されず、論理の穴を見つけられるか。

この力がないと、AIを使っているつもりで、AIに使われる側に回ります。

この本は、AI時代の人間に残る力を考えるうえでかなり刺さります。
仕事でも投資でも会計でも、最後に差がつくのは、情報を読んで判断する力です。AIを使う人ほど、逆に読解力を鍛えた方がいい。そんな当たり前だけど見落としがちな話を、しっかり考え直せます。


『世界標準の経営理論』

AI活用を個人の便利技で終わらせたくないなら、経営理論の視点も入れておきたいところです。
なぜ会社は変われないのか。なぜ新しい技術を入れても、現場に定着しないのか。なぜ強い組織ほど、過去の成功体験に縛られるのか。

AI導入も、結局は組織変革です。
ツールを入れただけでは会社は変わりません。業務プロセス、意思決定、評価制度、学習の仕組みまで変えないと、AIはただの高性能な文房具で終わります。

この本は分厚いですが、その分だけリターンがあります。
AIを経営、組織、競争優位の文脈で考えたい人には、かなり読みごたえのある一冊です。

[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。]

世界標準の経営理論 [ 入山 章栄 ]
価格：3,850円（税込、送料無料) (2026/7/6時点)


『両利きの経営』

AI時代の会社や個人に必要なのは、今の仕事を効率化する力だけではありません。
今の稼ぎ方を磨きながら、次の勝ち筋も探す力です。

この本で語られる両利きとは、既存事業を深める力と、新しい可能性を探索する力の両方を持つこと。
これはAI活用にもそのまま当てはまります。

AIで今の業務を速くする。
同時に、AIで新しい仕事の作り方を試す。
この両方ができる人と組織が強くなります。

会計目線で見ると、既存業務の効率化はコスト削減。新しいAI活用は将来の収益機会への投資です。
この二つを分けて考えられるようになると、AI活用の見え方がかなり変わります。

AIを流行で終わらせず、自分や組織の次の成長エンジンにしたい人におすすめです。


それでは、またっ！！

引用論文

  1. Erik Brynjolfsson, Danielle Li, Lindsey Raymond, Generative AI at Work. 顧客サポート業務で生成AI支援が生産性を平均で高め、特に経験の浅い人の改善が大きかったことを示す研究。
  2. Fabrizio Dell’Acqua et al., Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. AIの得意領域では生産性・品質が上がる一方、不得意領域では誤答リスクが増えることを示す研究。
  3. Lu Fang et al., Generative AI and Sales Productivity: Field Experiments in Online Retail. 小売プラットフォーム上の複数業務で生成AIが売上やコンバージョンに与える影響を検証した大規模フィールド実験。
  4. Sebastian Maier et al., A meta-analysis of the effect of generative AI on productivity and learning in programming. 生成AIコーディング支援は生産性には中程度のプラス効果がある一方、学習成果への効果は一貫しないと整理したメタ分析。
  5. Ali Aouad, Thodoris Lykouris, Huiying Zhong, Human-AI Productivity Paradoxes: Modeling the Interplay of Skill, Effort, and AI Assistance. AI支援が強まっても、AIの不確実性やスキル形成の弱まりによって生産性が落ちる可能性をモデル化した研究。

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。