2026年10月8日に、Microsoft Researchの人間-AI相互作用指針、ILOの2025年更新、NIST AI 600-1を再読しました。Microsoftは、最初にAIの能力と誤り頻度を明示し、利用中は文脈に応じて介入し、誤りの修正・説明・全体設定・変更通知を可能にする指針を示しています。ILOの曝露推計は失職数ではなく、人の入力が残る仕事の変化を扱います。協働の評価には、下書き時間だけでなく、確認・訂正・責任・業務結果を含めます。
AIと人間の協働：仕事を工程に分け、責任と確認の負担を設計する
「AIがこの仕事をできる」というデモを見たとき、気になるのは自分の仕事が残るかどうかかもしれません。ただ、職種を一つの能力として比べると、準備、確認、説明、例外対応が抜け落ちます。下書きを数秒で作れても、その内容を確かめるために別の人の時間が増える場合があります。
この記事では、AIの導入を任された担当者が、一つの業務をどの工程で分担し、誰が結果を引き受けるかを考えます。将来の雇用を確定的に予測する記事ではありません。今ある作業と制約を見えるようにして、試す範囲を選ぶための説明です。
30秒で要点
- 職種全体ではなく、入力、候補作成、確認、実行、例外処理に分けて任せる範囲を決めます。
- 人が関わるだけで品質が上がるとは限りません。確認できる資料、時間、権限をセットにします。
- 同じ仕事を、確認と再作業を含めて比べます。速い下書きと、少ない総負担は別の結果です。
能力の話と、責任を任せる話を分ける
生成AIは、文章の候補を作る、情報を分類する、資料の要点を抽出するなどの工程に使えます。ただし、誤りや取りこぼしがあり、入力の条件や使う仕組みで結果は変わります。人も誤ります。そこで「AIは正確、人は創造的」と固定するより、必要な仕事について両者の失敗を比較します。
AIに提案を出させることと、その提案に基づいて契約を変更したり顧客へ説明したりする権限を渡すことも別です。組織が決める責任分担は、モデルの成績だけでは決まりません。誰が対象や条件を承認し、誰が問い合わせを受け、誰が停止できるかを業務の側で決めます。
NISTの生成AIプロファイルは、誤った内容を信じることや、自動化への過信をリスクとして扱っています。これは「人が最後に見れば安全」という証明ではありません。人が何を見て確認できるかを設計する必要があります。
創造性や共感を、職業の安全保証にしない
創作では、AIが出した構成や表現が役立つ場合も、目的に合わない場合もあります。「真の創造性は人にしかない」と定義しても、制作工程や仕事への影響は判断できません。独自性、対象への理解、表現の質、他者の権利への配慮など、採用したい成果の基準を具体化する方が実務に役立ちます。
共感的に見える文章を返すことと、相手の事情を継続して引き受けることも同じではありません。相談や支援の場では、本人が望む対応、専門家への接続、緊急時の対応を設計します。AIの主観的経験の有無を、ここで決着した科学的事実として扱いません。
置き換えの候補は、工程の条件で見つける
旧来の「定型作業はAI、人の仕事は判断」という分け方は、入口にはなっても十分ではありません。定型の集計なら、生成AIを使わずに通常の計算処理で解決できることがあります。反対に、複雑な仕事の一部でも、資料から候補を抜き出す工程は支援の対象になります。
表が収まらない場合は、横にスクロールできます
| 工程 | 任せ方の候補 | 残る確認 |
|---|---|---|
| 入力・分類 | 文書から必要項目を抽出し、候補を作る | 原本との照合、欠損、対象外の書類 |
| 問い合わせ | 許可した資料から回答案を作る | 契約条件、本人の対象データ、例外 |
| 情報収集・要約 | 出典と該当箇所を添えて下書きにする | 読んだ範囲、反対情報、引用の正確さ |
| 創作・企画 | 異なる案や比較材料を作る | 目的、利用者の反応、権利、採用理由 |
| 専門判断 | 証拠や選択肢の整理を支援する | 専門職の判断手続き、責任、説明 |
| 現場作業 | 手順書や記録の整理を支援する | 実環境の安全、設備、身体的な実行 |
これは導入効果が実証された一覧ではなく、作業を分けるための例です。医療なら情報整理と診断、教育なら教材の候補作成と児童生徒への対応、企業なら分析案と意思決定を分けます。領域固有の確認を省いて、一般向けの文章生成能力から性能を推定しないようにします。
身体的な作業も、ソフトウェアのLLMができることと、センサーや機械を伴うシステムができることを分けます。「AIには現場作業はできない」と一括りにするより、必要な機器、環境の変化、保守、事故時の対応を確認する方が具体的です。
協働が良いかは、比較する相手で変わる
人だけより協働が良かったとしても、AIだけより良いとは限りません。Vaccaroらのメタ分析は、人のみ・AIのみ・協働を含む106の実験を整理し、協働が常に両者の良い方を上回るわけではないと報告しています。人だけに対する改善と、最良の単独条件を超えることを区別しています。
対象は2020年1月から2023年6月までに公表された研究で、課題、参加者、AI、測定方法はさまざまです。この結果を2026年の全モデルや全職種の成績へ読み替えたり、「人を外せばよい」と結論したりはできません。実務上の示唆は、比較条件を省略しないことです。
業務で試すなら、同じ難しさの案件、同じ資料、同じ受入基準を用意します。AIのみを顧客に直接使えない業務では、公開しない検査環境で候補を評価します。最終的に採用する体制は、品質だけでなく責任や説明可能性も含めて決めます。
同じ人に同じ問題を順番に解いてもらうと、後の条件が練習の効果を受けます。実行順を入れ替える、課題を割り当てる、経験別に結果を見るといった工夫が必要です。小さな試行は失敗の発見に使えますが、差が見えたことだけで一般的な効果を証明したとは言えません。
下書き時間より、受け渡し後の負担を見る
次は計算方法を示す仮想例です。 同程度の問い合わせ20件を、同じ受入基準まで仕上げるとします。人だけで準備・作成・確認・修正を終える人の作業時間が合計120分だった、という条件を置きます。AIを使う案の内訳は次の通りです。
表が収まらない場合は、横にスクロールできます
| 人が行う作業 | 協働案A | 再作業が増えた案B |
|---|---|---|
| 資料と指示の準備 | 15分 | 15分 |
| 全20件の出力確認 | 50分 | 50分 |
| 修正・やり直し | 30分 | 50分 |
| 例外の引継ぎ | 15分 | 15分 |
| 合計 | 110分 | 130分 |
案Aの短縮は120−110＝10分、120分を分母にして約8.3%です。案Bは10分増え、約8.3%の増加です。20件あたりの平均は、人だけ6分、案A5.5分、案B6.5分となります。生成する工程が速くても、確認や修正の増加で全体の結果が変わります。
この例では、全20件を同じ基準まで仕上げた条件を置いています。実際には完了できない案件も残り得ます。対象件数、受入件数、保留、重大な誤りを一緒に記録し、受け入れられなかった案件を都合よく分母から消しません。利用料、導入や保守、学習の負担も別に集計します。待っている間に他の仕事ができる場合、人の作業時間と完了までの経過時間を足し合わせて二重計上しないようにします。
「人が確認する」を、実行可能な役割にする
担当者名だけ書いても、根拠が見えず時間もなければ確認は形だけになります。本記事では、一つの出力に対して、作成、確認、承認、運用の責任を明示する方法を提案します。小さな組織では兼務もあり得ますが、兼務による見落としを確認方法で補います。
表が収まらない場合は、横にスクロールできます
| 役割 | 判断すること | 使える必要があるもの |
|---|---|---|
| 業務の責任者 | 対象、受入基準、任せる範囲 | 目的と制約、影響を受ける人の情報 |
| 作業担当 | 入力の準備、候補の作成 | 利用を許可されたデータ、手順 |
| 確認担当 | 事実、計算、条件との一致 | 原資料、比較基準、確認時間 |
| 承認・運用担当 | 外部実行、保留、停止、引継ぎ | 実行権限、履歴、連絡先 |
AIを夜間に受付へ使う場合も、継続稼働と回答品質は別です。障害、利用上限、資料の古さがあり得るので、「受付済み」「回答候補」「担当者の確認待ち」を分けます。すぐに解決できない依頼を受けることと、無休で解決を保証することを混同しません。
一つの業務で、分担を見直す
最小の試行は、外部への送信や更新を伴わない下書き業務を選び、通常例と例外例を用意することです。先に受入基準と中止条件を書き、人だけの手順と協働の手順で、準備から手直しまで記録します。重大な誤りが見つかったら、件数を増やす前に原因と任せる範囲を見直します。
身につけたいのは、指示文を素早く書く力だけではありません。業務を説明する力、出典へ戻る力、比較する条件をそろえる力、相手が困っている状況を聞き取る力が、AIの出力を判断する土台になります。創作や対話の経験も、その業務の良し悪しを決める材料として生かせます。
境界は固定せず、モデル・資料・業務手順が変わったときや、誤りが増えたときに再確認します。評価の入口は統計的に考える業務判断、実行権限の設計はAIエージェント開発で具体化できます。大切なのは、人が残っていることを安心の根拠にせず、人が確かめられる分担になっているかを見直すことです。
