生成AIの生産性向上効果はなぜ低スキル層に偏るのか
生成AIを全社に導入しようとしているが、どの部署・どの層から始めれば投資対効果が高いのか、判断材料が定まらない——という状況は珍しくありません。「とりあえず全員に使わせる」か「まずベテランに使わせて効果を確かめる」かで意見が割れることもあります。
この記事は、経済学分野で発表された2つの実証研究をもとに、生成AIの生産性向上効果が誰に強く出るのかを整理し、導入の優先順位をどう考えるかという判断軸を提示します。組織にデータを見る文化を根付かせる話（データリテラシーが根付かない組織に足りないのは、ツールより何か）とは別に、ここでは「生成AI導入という個別の投資判断」に絞って扱います。
30秒で要点
- カスタマーサポート業務を対象にした実証研究で、生成AI利用による生産性向上は平均15%、低スキル・低経験層に限ると34%改善というデータがある
- 知識労働者のメール業務を対象にした別の実験でも、AIを実際に使った層は週あたりのメール対応時間が短縮したという結果が出ている
- 「低スキル層で効果が大きい」ことは「ベテランには効果がない」ことを意味しない。相対的な伸びしろの差である
- 全社一律ではなく、まず効果が測定しやすい層・業務で最小限の検証を挟むことが、投資対効果を見極める近道になる
生産性向上効果は、何を測った数字なのか
「生産性が向上した」という言葉は便利ですが、何を分子・分母にして測ったかを確認しないと、自社への当てはめ方を誤ります。
ここで扱う2つの研究は、測っているものが異なります。
- カスタマーサポート研究: 分子は「1時間あたりに解決できた問い合わせ件数」、分母は担当者の実働時間。対象は米国のFortune 500企業(中小企業向けにソフトウェアを販売する企業)のチャット型カスタマーサポート部門で、5,172人の担当者のデータが使われています[^1]。
- メール業務の実験: 分子は「メールの作成・返信に費やした時間」、分母は1人あたり1週間。66社・7,137人の知識労働者を対象にしたランダム化比較実験で、実際にツールを使った層(対象者の8割)について、実験後半で週あたりの対応時間が短縮したと報告されています[^2]。
どちらも「AIを使うと嬉しい気持ちになった」という主観評価ではなく、行動ログから測定された時間・件数の変化です。ただし、測定対象は「解決件数」と「メール時間」という別の指標であり、同じ「生産性向上」という言葉でひとまとめにできるものではない点は押さえておく必要があります。
なぜ効果が低スキル・低経験層に偏るのか
カスタマーサポート研究では、生産性向上の平均は15%でしたが、内訳を見ると、低スキル・低経験の担当者では34%の改善、最も経験・スキルの高い担当者では速度のわずかな向上と、質のわずかな低下という結果でした[^1]。
この非対称性はなぜ起きるのでしょうか。研究チームが示唆している説明は、「AIが、熟練者が持つベストプラクティス(過去の優れた対応パターン)を、経験の浅い担当者に配布する役割を果たしている」というものです。
言い換えると、AIが新しい知識を生み出しているというより、組織の中にすでに存在していた「できる人のやり方」を、まだそれを知らない人に届けている、という構造です。ベテランは、AIが提示する対応パターンの多くをすでに自分の判断として持っているため、AIから得られる追加の情報量が相対的に小さくなります。一方、経験の浅い担当者にとっては、AIが示す一つひとつの提案が、これまで自力で獲得できていなかった判断材料になります。
メール業務の実験でも、対象は「知識労働者」全般であり、経験年数別の内訳が主要な論点ではありませんが、AIが定型的な文面作成・情報整理といった、経験によって差が出やすい作業を肩代わりすることで時間が浮く、という点では共通する構造が見て取れます。
確かなことと、まだ確かめきれないこと
確かなこと: カスタマーサポート研究は、2023年にNBERワーキングペーパーとして発表された後、2025年にQuarterly Journal of Economics(経済学分野の主要学術誌)に掲載され、査読を経た論文になっています。平均15%・低スキル層34%という数字、および「経験の浅い担当者ほど効果が大きい」という傾向は、この査読済み論文の結果です。メール業務の実験は、2025年5月時点でNBERワーキングペーパーとして公開されていますが、まだ査読を経た論文としては発表されていません(2026年7月確認時点)。
まだ確かめきれないこと: 2つの研究は、それぞれ「米国のソフトウェア企業のチャット対応」「複数企業のメール業務」という特定の業務・職種のデータです。営業、開発、経理、製造の現場など、業務の性質が異なれば、同じ大きさの効果が出るとは限りません。また、「低スキル層で効果が大きい」という結果は、あくまで今回測定した指標(解決件数・メール時間)における相対的な差であり、「ベテランにはAIの効果がない」という意味ではありません。ベテラン層でも速度面ではわずかな向上が報告されており、質・判断力・意思決定の速さなど、今回測定されていない側面での効果は、この研究だけでは判断できません。
なぜ「ベテランにこそ使わせるべきだ」と考えてしまうのか
多くの組織で、新しいツールはまずベテラン・管理職に触ってもらい、その評価をもとに展開を決める、という順序が採られがちです。この判断の背景には、「専門性が高い人ほど、ツールを使いこなして大きな成果を出せるはずだ」という直感があります。
この直感は、AIを「専門知識を掛け算する装置」として捉えていることに由来します。優秀な人がさらに優秀なツールを使えば、成果は掛け算的に伸びるはずだ、という考え方です。しかし今回見た研究が示す構造は、これとは異なります。AIは「知識の掛け算」ではなく、「経験の差を埋める補完材」として働いている可能性が高いという点です。すでに高い水準にある人にとっては、埋めるべき差が小さいため、伸びしろも小さくなります。
もう一つ、組織内の役職・立場に基づく思い込みも影響します。「新しいツールは、まず責任のある立場の人が使うべきだ」という順序は、稟議や意思決定の慣習としては自然ですが、「どこに投資対効果が出やすいか」という問いとは別の話です。この2つを区別せずに導入対象を決めると、効果が出にくい層から検証を始めてしまい、「生成AIを導入したが、思ったほど変化がなかった」という評価につながりかねません。
判断軸：導入の優先順位をどう決めるか
ここまでの整理から導かれる判断軸は、「役職・年次」ではなく「経験の浅さ・業務の定型度」を基準に、最初に効果を測る対象を選ぶことです。
具体的には、次のような業務・層が、効果を検証しやすい候補になります。
- 入社・異動から日が浅く、判断の型がまだ固まっていない担当者
- 対応パターンがある程度定型化されている業務(問い合わせ対応、定型メール、一次切り分けなど)
- 「できる人のやり方」が言語化・共有されにくく、属人化している業務
逆に、ベテランが独自の判断軸で対応している非定型業務や、そもそも定量的な指標が存在しない業務は、効果測定そのものが難しく、最初の検証対象には向きません。まずは測定しやすい層・業務で変化を確認し、そこで得た指標の設計や運用の型を、他の層・業務に広げていくという順序が、投資対効果を見極めるうえで現実的です。
最小検証：自社でまず何を測るか
大がかりな実験基盤がなくても、次の手順で最小限の検証は可能です。
- 対象業務を1つに絞る(例:問い合わせ対応、社内メール対応など、件数や時間を記録しやすい業務)
- 経験年数が浅い層を中心に、AIツールを使う担当者と使わない担当者に分ける(人数が少ない場合は、同じ担当者の導入前・導入後で比較してもよい)
- 測る指標を先に決める(1時間あたりの処理件数、1件あたりの対応時間など、分子・分母を明確にした指標)
- 数週間〜1ヶ月程度の観察期間を区切り、指標の変化を比較する
この検証は、経験の浅い層に絞ることで変化を検知しやすくなるだけでなく、「どの業務・どの層に投資すると効果が測定できるか」という、自社独自の判断材料を残すことにもつながります。
生成AI導入の投資対効果を、自社の業務・組織に照らして整理したい場合は、状況を言語化するところから始めることができます。
状況を整理する（15分）[^1]: Generative AI at Work、Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond、Quarterly Journal of Economics、140(2)、889-942頁(2025年。初出はNBER Working Paper No.31161、2023年4月・改訂2023年11月)(2026年7月確認)。
[^2]: Shifting Work Patterns with Generative AI、Eleanor W. Dillon, Sonia Jaffe, Nicole Immorlica, Christopher T. Stanton、NBER Working Paper No.33795(2025年5月、査読前)(2026年7月確認)。