この記事を共有・保存
AUDIO
この記事を聴く
ログイン情報を確認しています…
本文をもとにした音声版です。
問い:生産性の数字は、誰の利益を表しているのか
生成AIの導入報告で最も目立つのは「何%速くなった」という数字だ。議事録を短時間でまとめられる。問い合わせの回答を提案できる。文章の初稿を作れる。だが、作業時間が短くなったことと、会社が持続的に強くなったことは同じではない。浮いた時間が追加の仕事に使われるのか、品質の確認に費やされるのか、顧客が本当に望む成果に転換されるのかによって、経営上の意味は変わる。この記事では、生成AIの効果を疑うのではなく、効果を測る単位を問い直す。個人の作業、チームの工程、企業の利益、そして顧客の価値を区別して検討する。
結論:導入効果は「速さ」より、工程全体の設計で決まる
先に結論を述べる。生成AIは、対象を限定した実験や現場で作業効率を改善したという信頼できる証拠を持つ。しかし、その結果からすべての企業の売上や利益が同じ割合で伸びるとは推論できない。企業が問うべきなのは「AIを使った人数」ではなく「どの仕事の、どの制約が緩み、品質を保ちながら顧客価値が増えたか」である。重要なのは三つの分離だ。第一に、作業者の生産性と企業全体の生産性。第二に、短期の補助効果と長期の学習効果。第三に、観察された平均効果と自社の職種・顧客・品質基準での効果である。
研究①:顧客対応の現場では何が起きたか
Brynjolfsson、Li、Raymondの研究[1]は、企業の顧客対応業務で生成AIの会話支援を段階的に導入した事例を分析した。2023年のNBERワーキングペーパーは5,179人の担当者について、時間当たり解決件数が平均14%改善したと報告する。経験の浅い、あるいは技能水準の低い担当者では改善幅が34%と大きく、経験豊富な担当者では効果が小さかった。ここでの成果指標は「時間当たりに解決した問い合わせ」であり、企業の営業利益ではない。段階導入という研究設計は単純な前後比較より説得力を持つが、企業固有の研修、問い合わせ内容、利用者構成まで他社と同じとは限らない。さらに2025年の査読誌版は分析対象と推定値が更新され、5,172人、約15%という記述が見られる。14%と15%を無造作に混ぜず、版と測定対象を併記する必要がある。
研究②:文章作成の実験が示したこと
NoyとZhangの研究[2]は、職業に関連した文章課題を大学教育を受けた専門職に割り当て、生成AIへのアクセスを無作為に変えた。Science掲載論文の要旨によれば、実験参加者は453人で、平均所要時間は40%減少し、成果物の品質評価は18%上昇した。無作為割当てによって、実験課題でのAI利用が結果に与えた影響を比較的明確に評価できる。ただし、これは短時間の文章課題であり、法律上の責任を伴う判断、機密情報を扱う仕事、長期的な顧客関係まで測ったものではない。初稿が速く書けても、公開前の事実確認や承認が遅ければ、工程全体の納期は短縮しない。実験で成立した因果関係を、そのまま組織全体へ外挿しないことが重要だ。
数字の読み方:五つの研究は同じものを測っていない
まず研究結果を一枚のランキングにしないことが重要だ。NoyとZhang[2]の40%は、職業に関連した文章課題の所要時間の減少。顧客対応の15%[1]は、担当者が一時間に解決した問い合わせ数の増加。三企業・計4,867人の開発者を分析した研究[3]の26.08%は、コード補助を利用できる群の完了タスク数の増加を示す推定値で、標準誤差は10.3ポイントと報告されている。どれも「企業利益率がその割合で上がる」という意味ではない。異なる分母と品質条件を足し算することもできない。
一方、2025年のMETRによる16人・246タスクの無作為化実験[4]では、熟練したオープンソース開発者がよく知るコードベースに取り組む際、当時のAI利用を許可されたタスクの完了時間は19%長かった。2026年2月の研究者による追跡説明[5]は、その後のAI進歩で状況が変わった可能性を認めつつ、新しい調査には参加者選択などの偏りがあり、改善幅を確定できないと述べる。好都合な研究だけ採用するのも、悪い結果だけを一般化するのも誤りである。さらにコンサルティング課題を用いた758人の実験[8]では、AIが得意とする範囲の課題で速度・品質の改善がみられる一方、課題の種類によって性能が不均一な「ギザギザの技術的フロンティア」が論じられた。業務名だけで「AI向き」と決められない。
この比較が示すのは「AIは有効か、無効か」という二択ではない。業務の種類、従来の熟練度、入力情報の質、許される誤り、評価指標、導入した時期を固定しなければ、効果の数字に意味が定まらないということだ。導入事例を読むときは、数字より先に「誰が、何を、何と比べ、何を完成としたのか」と問い直したい。
なぜ初心者の改善幅が大きくなり得るのか
顧客対応の研究で注目すべきなのは、平均値よりも効果のばらつきだ。研究者は、熟練者の実践が支援システムを介して他の担当者へ伝わる可能性を示唆する。これは、AIが単に文章を生成するだけでなく、適切な表現や問題解決の手順を提示することによって、経験差を縮めるという説明と整合する。ただし「AIが熟練者の知識を移転した」と断定できるほど、すべての媒介過程が直接観測されたわけではない。初心者に効果が大きいという結果は、熟練者の仕事が不要になるという意味でもない。例外的な問い合わせ、曖昧な契約条件、顧客の感情が絡む局面では、判断と責任の所在が依然として問題になる。
速くなる人と遅くなる人:技能差より仕事の構造を見る
顧客対応の研究[1]では、経験の浅い担当者に大きな改善が観測され、熟練者の改善は小さかった。原因として、熟練者の応対パターンがAIの提案に反映され、初心者がそれを利用できた可能性が論じられている。しかし実験で直接示されたのは効果の異質性と、それに整合する行動変化であり、「企業の暗黙知が完全に抽出された」ということではない。
同じ『開発』でも、三企業でのコード補完支援の実験[3]と、既存の複雑なプロジェクトを扱うMETR実験[4]は対象が異なる。前者では完了タスク数の増加が観測され、後者では時間の増加が観測された。矛盾を解く鍵は、課題の途中で発生する確認・統合作業の大きさだ。既存の設計思想や暗黙の制約を把握した開発者には、AIの案を理解し直す費用が相対的に高くなり得る。
これはあくまで編集部の説明仮説だが、検証方法は明確だ。生成に使う時間だけでなく、コードレビュー、テスト、既存仕様との照合、差し戻しまで計る。「新人ほど使うべき」「熟練者には不要」と職歴だけで仕分けず、例外処理と検査の負荷で適用範囲を判断するほうが合理的である。
企業の数字に変換する際の落とし穴
仮に一件の処理が10分から8分になっても、会社が直ちに人件費を20%減らせるわけではない。問い合わせは均等に届かず、担当者は引き継ぎや研修にも時間を使う。待機が必要な業務では、処理時間が減っても配置人数を変えられない場合がある。逆に、待ち行列が長い業務では、少しの処理能力改善が待ち時間を大きく減らすこともある。したがって「作業時間削減×時給=利益」という計算は、便宜的な潜在価値の見積もりにすぎない。実際の利益を評価するには、追加対応件数、再対応率、品質事故、顧客維持率、運用費用、導入教育費を合わせて測る必要がある。
2026年の現在地:個人の手応えと企業の損益の間
より大きな視点から見ると、作業効率と経営成果の乖離は、単独の実験だけでなく企業調査にも現れている。McKinseyが2026年8月25日に公表した調査[6]では、回答者の80%がAIによる自身の生産性改善を報告する一方、37%が企業のEBIT(利払い・税引き前利益)に何らかのプラスの寄与を報告した。これは「63%で損失が発生した」という意味ではない。寄与を把握していない、因果的な切り分けができない、導入初期であるなど、複数の事情が考えられる。
この調査には97か国の回答者1,719人が参加し、同社は国別のGDP寄与によって回答を重み付けしている。とはいえ対象は企業決算を監査した無作為試験ではなく、回答者が自社をどう認識したかという調査だ。EBIT寄与率37%を「世界の企業の37%でAIが利益を上げたことが実証された」と言い換えることはできない。むしろ、本人が感じる効果と組織が把握できる財務効果には測定上の断絶があると読むのが適切だ。
同じ調査では、AI利用が企業全体へ拡大していると答えた比率は44%、高い成果を自己申告した回答者の所属組織では業務フローを根本から再設計したとの回答が多い。ただし、再設計したから高業績になったのか、高業績企業だから再設計へ投資できたのかは、この比較だけでは判別できない。ここに因果関係と相関関係を分ける必要がある。[6]
実験では利益を生まない、という反論は正しいか
企業全体の利益を厳密に検証しようとすると、研究は難しくなる。例えば、AI支援が顧客対応時間を減らしても、同時期に商品の故障率が改善すれば問い合わせ量そのものが変わる。新料金の導入や景気変動、広告キャンペーンも売上を動かす。導入前と後を比べるだけでは、こうした変化をAIの功績や失敗と区別できない。
研究室の無作為化実験はAIの局所的な効果を捉えるのに強い一方、企業の損益は仕入れ、人員配置、競争、経営判断まで影響を受ける。両者の間には測定上の距離がある。ただし「利益の証拠がないからAIは無価値」という結論も不適切だ。企業にとって応答速度、顧客の待機時間、従業員の負荷、品質事故の減少も重要な先行指標になり得る。先行指標が変化した後、それが持続可能な価値へ変換されたかを継続して追うべきなのである。
利益計算の罠:「削減時間×時給」は上限ですらない
試算例を考えよう。月1,000件の問い合わせ処理に平均12分かかり、そのうちAI利用で初回回答の作成時間が4分から2分へ短縮されたとする。単純計算なら2,000分、約33時間の削減だ。ただし、この例は実測データではなく説明用の仮定である。実際には誤回答の再確認が一件当たり0.8分増えれば、純削減は1,200分、約20時間になる。さらに運用管理、契約費用、教育時間を無視すれば利益は過大評価される。
反対に、削減した20時間を未対応だった問い合わせへ充て、顧客が必要とする契約更新支援を増やせたなら、単純な人件費節約以上の価値が生まれ得る。だが更新率が動かず、担当者の待機時間が増えただけなら、損益への改善は少ない可能性もある。同じ時間短縮でも、成果の変換方法が違う。
企業が投資判断に使うべき基本形は「純増の粗利益+実際に回避できた費用-導入・保守・検証・事故の期待費用」だ。粗利益とは売上ではなく、追加売上からその提供に伴う変動費を引いたもの。実際に回避できる費用は、単なる机上の稼働時間と違う。たとえば雇用を維持し浮いた時間を育成へ使うなら、それは費用削減ではなく将来への投資になる。計算の意味を混同しないことが重要だ。
ボトルネックを見ずに導入すると何が起きるか
工程には、入力、調査、作成、レビュー、承認、公開、顧客への提供といった段階がある。AIが作成段階を速めても、レビュー担当者が一人で処理する量が変わらなければ、完成品はレビュー前に積み上がる。見かけ上、作成者の処理件数だけが伸びる。ここで企業が「全員にもっとAIを使わせよう」と判断すると、滞留はむしろ増える可能性がある。先に測るべきは、仕事が各段階で何時間待っているか、差し戻しがどこで生じるか、何が完成の定義なのかという工程の実態である。これは特定研究の直接的な発見ではなく、工程管理に基づく本記事の分析である。
チームの時間は、一人の時間とは別物
仕事の多くは、一人で完結しない。メール文案を書くだけなら本人が速くできる。しかし、会議の時間を短くしたり、見積もりの承認を速めたりするには他者との調整が必要だ。2025年改訂のNBER研究[7]は、66社・7,137人の知識労働者を対象に、メール、会議、文書作成に組み込まれた生成AIの利用権限を無作為に割り当てた。六か月の実験後半において、利用した人々には週当たり約二時間のメール時間削減が観測された一方、個人への提供だけでは業務量や仕事の構成に広範な変化を検出しなかった。
ここで重要なのは「メールは減ったのに会議は減らなかった」と断定することよりも、個人で変更できる行動と、組織全体で合意が必要な行動を区別することだ。会議は参加者が一人だけ短縮したいと思っても短くならない。承認待ちは承認者の仕事の優先順位が変わらない限り残る。AIの効果を個人へ配るだけでは、調整コストの壁を越えられない可能性がある。
一方、AIによる文書ドラフトが速くなったことで、会議前に質の高い論点整理が共有され、意思決定が改善する道も考えられる。これは今回の研究から直接証明された結果ではなく、工程を再設計した場合の仮説である。個人の効率化を組織成果へつなげるには、ツールの配布よりも受け渡しのルールを変える必要がある。
「ボトルネックの移動」が起きるとき
AI導入前、担当者は文章の初稿に二日、編集者は検証に一日を使っていたとする。AIが初稿を半日に短縮しても、編集者の審査枠が一日一件なら、完成品はそれ以上増えない。原稿の数が増えれば、むしろ編集待ちが長くなる。作成担当者だけを評価すれば生産性は上がり、顧客が受け取る完成品を評価すれば伸びないという事態が生じる。
対策は、すべての工程を同じ割合で速くしようとすることではない。全工程を時系列に並べ、各段階の作業時間と待ち時間を区別し、最も滞留している箇所を特定する。そのうえでAIを使う場所だけでなく、受付基準、レビューの優先度、最終判断者、差し戻しの理由を調整する。編集部の分析では、生成数よりも品質を満たして公開できた件数を共通指標にする方が、局所最適化を抑えやすい。
ただし、最遅工程を改善しても需要がなければ事業価値は増えない。完成品の処理能力だけを増やしても、顧客のニーズと合わなければ在庫や作りすぎになる。工程全体の最適化には、供給側の能力だけでなく、需要、品質、顧客が支払う理由を同時に見なければならない。
品質の問題:速く作った誤りは速く広がる
生成AIの出力は、文章として流暢であっても事実が正しいとは限らない。企業にとって厄介なのは、見た目が整った誤りほどレビューで見逃しやすい点だ。契約、医療、金融、法務、個人情報など、誤りの損失が大きい領域では、削減した作成時間の一部を検証へ再配分する方が合理的かもしれない。ここで「人間が確認した」という記録だけでは十分でない。どの出典を照合したか、数値の計算を再実行したか、誰が最終判断を承認したかを工程として残す。AIの利用率と正確性を別々に監視しなければ、効率化の数字が品質悪化を覆い隠す。
誤りの期待費用をどう扱うか
「AIがたまに間違える」という一般論では、経営判断に使えない。問題は誤りの頻度と、発見されず外へ出た場合の損失だ。社内の会議タイトルの誤字と、法的効力を持つ契約条項の読み違いでは影響が違う。事故の期待費用は単純化すれば「発生確率×損害額」で表せる。ただし損害額が極端に大きい事故では平均値だけでなく最悪ケースへの制約も必要になる。
出力が流暢だと、人が確認済みと思い込む危険がある。確認担当者は、生成文をただ読み直すのではなく、独立した原典に当たる、数値を再計算する、引用箇所を照合するなど、誤りの型に対応した検査を行うべきだ。いわゆる人間による確認を導入したという申告だけでは、検査の実効性は証明されない。
また、機密データの入力は事後の文章校正では取り消せない。契約条件、保存先、ログ利用、アクセス権限、越境処理などを導入前に確認する。これは生成速度の評価とは別に実施すべき法務・情報管理上の判断である。速度に関する研究結果から機密保護の安全性を推論してはいけない。
導入の経済性:費用は利用料金だけではない
経営判断には、モデル利用料、管理者の設定時間、研修、データの整理、権限管理、監査、障害対応、既存システムとの連携などを含めるべきだ。特に小規模企業では、月額利用料よりも、作業の標準化と検証手順を整える時間が大きな負担になることがある。一方、仕事の種類が限定され、同じ形式の入力と出力を繰り返す業務では、少数のテンプレートやチェックリストだけで導入価値が生まれる可能性がある。導入費用を過小評価せず、しかし過剰な仕組みを先に構築しない。小さく試し、数字で判断する設計が必要になる。
反証:AIが利益を増やさないという結論でもない
ここまでの留保を、AIの価値が小さいという主張と取り違えてはいけない。研究で観測された作業改善は実際に重要である。顧客の待ち時間が短くなること、初心者が一定水準の対応を行いやすくなること、文章の下書きに費やしていた時間を別の仕事へ振り向けられることには意味がある。問題は、これらの価値を企業の財務成果と同一視することだ。たとえば、浮いた時間を品質向上に使えば、短期の人件費は減らなくても顧客満足に寄与するかもしれない。逆に、競合も同じ効率化を達成すれば、価格競争を通じて利益の一部が顧客へ移る可能性もある。どちらが起きるかは市場構造次第だ。
一社の勝ちが、業界全体の利益を意味しない理由
仮に多くの企業が同じAIを使い、同じ水準で作業費用を下げられるとしよう。顧客が価格を比較しやすく、乗り換えも簡単な市場では、節約分の一部が値下げ競争を通じて顧客へ渡る可能性がある。社会全体では供給能力が向上しても、個々の企業の利益率が一様に改善するとは限らない。逆に独自データ、長年の顧客信頼、製品の品質基準を持つ企業は、AIを使って他社が模倣しにくい価値を高められるかもしれない。
これは特定企業の実績ではなく、競争構造から導いた仮説である。技術の導入自体が差別化になる時期は短いかもしれないが、技術を用いて解決する顧客課題を深く理解する能力は残る。競争優位を考えるときは「何人がAIを使うか」でなく、顧客がその会社を選ぶ理由が強くなったかを見るべきだ。
この点は小規模事業者にも当てはまる。大量の似た記事をAIで作れば制作量は増えるが、読者にとって代替可能な情報も増える。信頼できる一次資料を確認し、反証を探し、結論の適用範囲を示す編集行為まで含めて品質を設計したとき、初めて量と異なる価値が生じる。ここで必要なのはAIを否定する姿勢ではなく、便利さに埋もれない評価基準だ。
経営者のための検証設計
導入実験では、最初に対象業務を一つ決め、成果物の品質基準を文章化する。次に、AIなしの基準期間を取り、処理時間だけでなく差し戻し、顧客の再連絡、レビュー工数を記録する。可能なら同じ種類の仕事を比較できる担当者や期間に割り当て、業務量と難易度の違いを確認する。導入後は、①作成時間、②レビュー時間、③再作業率、④最終品質、⑤顧客への提供時間を同時に比較する。データ量が少なければ、改善の方向性は見えても統計的に安定した効果とは言えない。数字の大きさだけでなく、どの程度のばらつきがあるかを報告する。
導入を決めるための四週間テスト
第一週は、対象を一つの成果物に絞り、AIを使わずに基準値を取る。作成時間、確認時間、差し戻し、納期、顧客評価、再作業を記録する。例外案件と通常案件を混ぜない。第二週は、入力情報と完成条件を固定したうえで試験利用する。可能なら、難易度が似た案件をAI利用群と比較群へ無作為に割り当てる。ただし顧客情報や契約に関する安全確認を済ませた範囲に限定する。
第三週は、品質の検査者が利用条件を知らない形で成果物を評価する方法を検討する。実務では完全な盲検化は難しいが、少なくとも「AIなら優秀なはず」という先入観を避ける工夫はできる。同時に、担当者が費やした時間を細分化する。生成時間が短くても、指示調整と検証の時間が増えていれば純効果は小さくなる。
第四週は、時間、品質、顧客への提供、費用を一緒に比較する。件数が少なければ偶然の影響が大きいことも明記し、効果の有無を断定しすぎない。採用基準は事前に置く。たとえば「重大な誤りが増えず、完成までの時間が短く、導入費を上回る便益を合理的に示せること」。合格なら対象工程を一つ増やし、不合格なら手順を直すか撤退する。
ここで注意したいのは、四週間という長さには普遍的な根拠がないという点だ。低頻度の仕事や季節性の強い業務、重大事故を扱う領域ではもっと長い観察が必要になる。四週間は始めやすい運用上の例であって、統計的有意差を保証する研究設計ではない。
三つの仮説を競わせる
同じ「納期が短くなった」という観察にも、複数の説明がある。仮説Aは、AIが初稿作成を直接速めたというもの。仮説Bは、導入を機に業務手順を整理したことが効いたというもの。仮説Cは、担当者が実験期間中だけ特に集中したというものだ。これらを分けるには、導入前後だけでなく、同時期の比較対象や業務難易度、レビュー品質を観測する必要がある。複数の要因が同時に作用することもある。「AI導入後に改善した」という時系列だけでは、改善のすべてをAIに帰属させられない。
現場への実践:人間が手放す仕事と残す仕事
まず手放しやすいのは、情報の整形、定型文の初稿、既存資料の要点整理など、出力を比較的低コストで検査できる仕事だ。一方、顧客への重要な約束、機密情報の提供可否、法的な解釈、重大な誤りの最終責任は、人間の承認と監査が必要になる。これは職種を「AIに置き換わる/置き換わらない」と二分する議論より実用的だ。同じ職種の中に、補助可能な工程と人が判断すべき工程が混在するからである。自動化の範囲は、技術的に可能かだけでなく、誤りの損失と検査可能性から決める。
組織が学ぶ場合と、組織が忘れる場合
AI導入は個人技能の育成にも影響する。提案内容を理由とともに確認しながら使えば、初心者が熟練者の表現を学ぶ助けになるかもしれない。一方で、理由を理解しないまま答えを採用すれば、未経験の例外問題への対処力を育てる機会が減る可能性がある。いずれも仕事の種類と使い方で変わり得るため、「AIは教育になる」「AIは思考力を奪う」という一律の結論は避けたい。
そこで初期研修では、AIを使った回答と、自力での根拠説明を分けて測る方法が考えられる。たとえば応対の初稿作成はAIで練習し、月に一度は参考文面を見ずに判断理由を説明する。支援を切ったときの能力が維持されているなら、単なる作業代行以上の学習効果を期待できる。ここでの研修設計は本記事の提案であり、前述の研究が最適な頻度を実証したわけではない。
企業側にも学習が必要だ。失敗したプロンプトを個人のせいにするのではなく、入力仕様の不足、情報の更新遅れ、確認責任の曖昧さといったシステムの原因に分ける。同じミスが繰り返されるなら、会話の工夫より、データやワークフローの設計変更を優先した方がよい場合がある。
読者への問い:速くなった後、何を増やすのか
個人がAIを使う場合にも、同じ問題が残る。毎日一時間浮いたとして、その時間をさらに多くの仕事へ使うのか、学習へ使うのか、休息へ使うのか。目的を決めなければ、効率化は単に新しい仕事を詰め込む余白になる。企業なら、顧客への応答を速める、未対応の需要に応える、誤りを減らす、従業員の負担を下げるといった目標のどれを優先するかを決める必要がある。効率化は手段であって、目的ではない。成果指標が目的とずれていれば、数字だけが改善する。
読者が企業の発表を読むときのチェックポイント
「AIで生産性が30%改善」という発表に出会ったら、まず30%が時間短縮なのか、処理件数なのか、品質調整後の生産性なのかを確かめたい。次に比較対象を確認する。同じ人物の導入前後か、無作為割付けか、導入した企業としなかった企業の比較か。第三に、測定された期間を見る。導入直後の珍しさや初期研修の影響が残る可能性があるからだ。
最後に、発表者の立場を調べる。ベンダーの事例は導入時の参考になるが、顧客が選ばれた理由や非成功事例が分からないこともある。学術研究にも対象集団やツールの世代、資金提供者などの限界がある。出典の肩書だけで真偽を決めず、結果とその範囲を照合することが、読者の判断力を守る。
最終判断:AIを導入する前に決めるべきこと
生成AIの生産性研究は、単なる宣伝文句ではない。特定の条件で改善が起きたことを示す重要な証拠がある。ただし、研究が示す範囲を超えて「どの会社も同じだけ儲かる」とは言えない。企業が持つべき判断基準は、改善の平均値を追いかけることではなく、自社の業務で品質を保ちながら顧客価値へ変換できるかどうかだ。試す仕事を狭く選び、比較できる基準を取り、費用と品質を含めて評価する。効果が小さければやめる。効果が確認できれば、次の工程へ広げる。AIを使うこと自体ではなく、何を改善し、何を守るかを決める能力が、導入の成否を左右する。
SOURCE / 原典
この記事の出典
本文の事実確認に使用した原典です。FORWARD BASIS独自の解釈・整理は本文内で区別しています。
- 論文Brynjolfsson, Li & Raymond (2025), Generative AI at Work, QJE
- 論文Noy & Zhang (2023), Experimental evidence on the productivity effects of generative AI, Science
- 論文Cui et al. (2025), The Effects of Generative AI on High-Skilled Work, Microsoft Research
- 論文METR (2025), Measuring Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
- 補足METR (2026), Developer Productivity Experiment Design Update
- 公式McKinsey & Company (2026), The state of AI
- 論文NBER Working Paper 33795, Shifting Work Patterns with Generative AI
- 論文Dell'Acqua et al. (2026), Navigating the Jagged Technological Frontier, Organization Science
SUPPORT FORWARD BASIS
この記事が参考になったら
FORWARD BASISは、根拠に基づく質の高い情報を届けています。記事が役に立ったと感じたら、OFUSEから活動を応援していただけるとうれしいです。
おすすめ記事
なぜNikeは「走る仲間」をつくるのか──ランクラブを広告ではなく事業として読む
ランニングシューズを売る企業が、なぜ無料の練習プランや仲間との体験を提供するのか。ランクラブの拡大を入り口に、Nikeの施策とStravaのデータから、コミュニティを商売につなげる仕組みと、その限界を考える。
「毎日のシャワー」はなぜ高く売れるのか──Doveが広げるHygiene Resetの市場
清潔にするためだけなら、シャワーは短時間で終わる。ところが海外のSNSでは、香りを選び、ボディケア用品を並べ、入浴後の時間まで含めて楽しむ「セルフケアの儀式」が注目されている。日常の動作は同じでも、そこに求める価値が増えると、商品選びも変わる。
「朝に外すだけ」の動画が、なぜ商品を売るのか——Morning ShedとBootsに見る美容ビジネスの転換
夜に何層も美容アイテムを重ね、朝になったら一つずつ外す。Morning Shedは奇抜な流行にも見える。だが、ビジネスの側から見ると重要なのは美容法の新しさよりも、買う前には見えにくかった「使用過程」を、短い動画の商品説明に変えてしまったことだ。
AIで仕事は速くなる。では、企業は強くなるのか。