AI導入の効果を社内で報告するとき、ほぼ必ず「一人あたり」の形になります。一人あたりの処理件数、一人あたりの作成本数、一人あたりの所要時間。ライセンスが席単位で課金されるので、効果も席単位で測るのが自然に見えます。
ところが、同じ現象を「全体で何を扱えているか」の側から測ると、逆向きの数字が出ることがあります。しかもそれは別のデータから出てくるのではなく、同じデータの集計単位を変えただけで出てきます。
この構図を、実証の形で示した研究があります。自然科学分野の論文4,130万件を対象にした分析で、個人の産出は大きく増え、同時に集合として扱われる主題の総量は縮んでいた、というものです。この記事では、その報告を出典どおりの強さで確認したうえで、「効果が出た／出ていない」という社内の議論が、どの単位で測るかによって成立してしまう構造を整理します。
30秒で要点
- 同じデータでも、集計の単位（一人あたり／全体）を変えると効果の符号が変わることがある
- Nature掲載の論文（オンライン公開2026年1月14日）は、AIを研究に用いる科学者は論文数が3.02倍・被引用数が4.84倍・研究プロジェクトのリーダーになる時期が1.37年早いと報告している
- 同じ論文は、AI採用により集合として研究される主題の総量が4.63%縮小し、科学者間の相互のエンゲージメントが22%減少したとも報告している
- これらは因果効果ではなく関連（association）として枠付けられている。倍率を「AIを使えばこうなる」と読み替えてはならない
- 実務に持ち込めるのは数値ではなく、「どの単位で測るかを決めてから効果を語る」という測り方の論点
同じデータから逆向きの数字が出た報告
まず、何がどう報告されているかを出典の記述のまま確認します。
Qianyue Hao、Fengli Xu、James Evans らによる論文「Artificial intelligence tools expand scientists' impact but contract science's focus」は、Nature 649巻1237–1243ページに掲載され、オンライン公開は2026年1月14日です。データ源は OpenAlex と Web of Science で、対象は自然科学分野の論文4,130万件（41.3 million research papers）です。
個人の側の数字はこうです。AIを研究に用いる科学者は、用いない科学者と比べて論文数が3.02倍、被引用数が4.84倍、研究プロジェクトのリーダーになる時期が1.37年早い。
集合の側の数字は逆を向きます。AI採用により、集合として研究される主題の総量は4.63%縮小し、科学者間の相互のエンゲージメントは22%減少していました。論文自身がこの構図を「個々の科学者の影響力の拡大と、集合としての科学の到達範囲の縮小」として記述しています。
ここで押さえておきたいのは、この2つが別々の調査結果ではないことです。同じ対象を、誰あたりで数えるかだけ変えた結果です。一方が増えたなら他方も増えているはずだ、という素朴な期待は、少なくともこのデータでは成り立っていません。
この倍率を施策の期待値として書くと、論文が書いていないことを書くことになる
数字の強さを、出典が持たせている強さ以上にしないための確認をします。
確かなこと：上記の数値が、この論文の要旨に記載されていること。対象が自然科学分野の論文4,130万件であること。データ源が OpenAlex と Web of Science であること。
まだ確かではないこと：これが因果効果であるかどうか。論文は所見を「AI利用に関連した（associated with）一貫した専門的優位」と書き、「AIツールは新しい分野を探索するよりも、確立した分野を自動化するように見える」と推定の語で結んでいます。つまり、AIを使ったからその差が生じたという証明ではありません。
もう一点、分類の精度にも留保があります。「その科学者がAIを活用しているか」の判定は事前学習済み言語モデルによる分類で行われ、専門家が付けたラベルに対するF1スコアは0.875です。F1スコアは、見落としと取りすぎの両方を考慮した分類精度の指標で、1.0が最良（見落としも取りすぎもない状態）を意味します。0.875は高い水準ですが、完全ではありません。グループの分け方自体に誤差が含まれている前提で読む必要があります。
この2つの留保を落とすと、「AIを使えば論文が3倍になる」という文になります。元の報告はそう書いていません。社内資料で倍率だけを引く形は、ここで事故になります。AI投資の効果が体感と一致しない構造については、AI投資の効果が「体感」より遅れて出る理由——CFO734人調査に見るAI生産性の実態でも別のデータから扱っています。
なぜ「一人あたり」が既定の単位になってしまうのか
ここからが、読者が自分の職場で遭遇する部分です。効果測定が一人あたりに寄るのは、担当者の怠慢ではなく、測りやすさの構造によります。
第一に、比較の形が作りやすい。一人あたりの指標は、導入前と導入後を同じ人で比べられます。同じ人・同じ業務・前後比較という形は、説明の筋が通ります。一方、全体側の指標は「以前は扱えていて、今は扱われなくなった主題」を数えることになり、なくなったものを数えるという作業になります。見えているものを数えるほうが、消えたものを数えるより先に手が付きます。
第二に、課金の単位がそうなっている。AIツールの費用は席数で発生します。費用が一人あたりで出てくるなら、効果も一人あたりで並べたくなります。分母を揃えるという意味では自然な判断です。しかしこの瞬間に、全体側の変化は計算式から外れます。
第三に、全体側の指標には担当者がいない。一人あたりの指標は、各部門が自分の範囲を測れば積み上がります。「組織全体として扱う主題が狭まっていないか」は、どの部門の担当範囲にも収まりません。誰の仕事でもない指標は、作られないまま残ります。
この3つが重なると、「効果が出ている」という報告は増え、しかもそれは嘘ではない、という状態になります。嘘ではないが片側だけである、という状態は、嘘よりも訂正が難しいところがあります。生産性の変化を人や制度に帰属させる前に、何を変数として測っていたかを確認する必要がある点は、生産性が落ちた理由を人と制度に求める前に｜原因の候補リストは、測っている変数のリストになっていると同じ構造です。
全体側の指標は、分母を決めないと存在しない
「では全体も測りましょう」で終わらせると、たいてい何も測られません。全体側の指標は、作る前に定義を決める必要があるからです。
一人あたりの指標は、分母が最初から決まっています。分母は人数、分子は産出件数、単位は件／人・月。悩む余地がありません。
全体側は、分母から決めることになります。たとえば「扱っている主題の幅」を測るなら、次のように置きます。
表が収まらない場合は、横にスクロールできます
| 項目 | 一人あたりの指標 | 全体側の指標の例 |
|---|---|---|
| 分母 | 対象者の人数 | 対象部門そのもの（1部門） |
| 分子 | 産出した件数 | 重複を除いた主題の件数 |
| 単位 | 件／人・月 | 件／四半期 |
| 前後比較 | 同じ人の前後 | 同じ部門の前後 |
ここで決めるべきことは「主題」を何で区切るかです。顧客の業種で区切るのか、提案の型で区切るのか、使う技術で区切るのか。区切り方を決めないと数えられず、区切り方を変えると数字が動きます。定義を決める作業そのものが、この指標の実体です。
逆に言えば、定義を決めずに「全体では縮んでいるかもしれない」と言うのは、何も言っていないのと同じになります。心配の表明は指標ではありません。
ここから先は筆者の解釈：社内の効果報告に足す一行
参照した論文の対象は科学研究であり、企業組織の業務ではありません。ここから先は、測り方の論点だけを借りた筆者の解釈です。数値の転用ではないことを明示しておきます。
Nature誌に掲載されたComment（論説、2026年9月29日公開）は、この縮小を技術の問題ではなく制度の問題として位置づけています。原文は「問題は技術的ではなく、制度的である」と述べ、AIは、新しい領域に入るよりも既存の研究線を延長することを速く安くする一方、既存のインセンティブ制度はその速さに報酬を与える、と説明しています。提言としては「新しい領域を測れるようにする」（手薄な領域の測定能力への投資）と「方向転換を罰しない」（AIで新分野に入る研究者を評価制度が罰しないようにする）を挙げ、背景としてAIモデルによる予測コストが過去2年で約100分の1に下落した一方、新規の観測インフラ構築は依然として高コストであると述べています。
ただしこれは査読を経た実証結果ではなく、著者の主張としての論説です。先ほどの数値（実証）とは性質が違うものとして扱う必要があります。
この論説の形を借りると、社内の効果報告に足せる一行は次のようになります。「この効果は、どの単位で測ったものか」。一人あたりで測った、と書いてあれば、読む側は「では全体では？」を自分で問えます。単位が書かれていない報告は、読む側がその問いを立てられません。
評価制度の側も同じです。速く多く出したことが評価される仕組みのまま「新しい領域にも挑戦してほしい」と言うと、現場は速く多く出すほうを選びます。これは意欲の問題ではなく、何に報酬があるかの問題です。ガイドラインを作っても行動が変わらない構造については、ガイドラインを作ってもシャドーAI利用が減らないのはなぜかでも扱っています。
自分の組織で試せる、最小の検証
新しい計測の仕組みを作る前に、手元にある資料1枚で確認できます。
直近のAI導入の効果報告を1つ開いてください。そこに並んでいる数値の分母を鉛筆で囲みます。囲んだ分母が全部「人数」だったら、その報告は一人あたりの話しかしていません。
そのうえで、同じ期間について1つだけ数えます。その部門が扱った案件の主題を重複なく並べ、件数を書く。前年同期も同じ区切りで数えます。区切り方が粗くてかまいません。粗くても、同じ区切りで2期間を数えれば増減の向きは出ます。
向きが合っていれば、一人あたりの改善は全体の拡大と両立しています。向きが逆なら、報告に一行足す理由ができます。どちらでもない（数えられない）場合は、それが最初に分かったことになります。主題の区切りが決まっていない、という事実が出てきたわけです。
判断の土台として押さえておくこと
- 効果の符号は、集計の単位を決めるまで確定しない。同じデータから逆向きの結論が出る
- 参照した論文は、個人側（3.02倍・4.84倍・1.37年）と集合側（4.63%縮小・22%減少）を同じ対象から報告している
- それらは関連として枠付けられており、因果効果ではない。分類のF1スコアは0.875で、グループ分けにも誤差がある
- 科学研究の数値を企業組織に転用しない。借りられるのは「単位を決めてから語る」という測り方だけ
- 一人あたりに寄るのは、比較が作りやすく・課金単位が席で・全体側に担当者がいないため。構造なので、気をつけるだけでは直らない
- 全体側の指標は、分母と主題の区切りを決める作業そのものが実体である
AI導入の効果に限らず、「どの単位で測るかが決まっていないまま効果を議論している」場面は、社内の他の指標にもあります。自社のどこにそれがあるかを洗い出すところから整理したい場合は、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）より深く学ぶ
- AI投資の効果が「体感」より遅れて出る理由——CFO734人調査に見るAI生産性の実態：効果が数字に出るまでの時間差を、別の調査から読む
- 生産性が落ちた理由を人と制度に求める前に｜原因の候補リストは、測っている変数のリストになっている：原因の帰属先が、測っている変数に縛られる構造
- AIを入れたのに、結局いつもの会議で決まる｜組織文化の壁を学術研究から読む：導入の有無と意思決定の変化が一致しない場合の読み方
参考資料・引用元
- Qianyue Hao, Fengli Xu, et al., James Evans, "Artificial intelligence tools expand scientists' impact but contract science's focus", Nature 649, 1237–1243 (2026). オンライン公開 2026年1月14日. https://www.nature.com/articles/s41586-025-09922-y （2026年10月11日確認）
- Guowei Huang, Xiang Hu, et al., Zhicheng Lin, Comment（副題: "Funders, journals and universities must reward the creation of new scientific terrain, not just the efficient mining of old ground"）, Nature, 2026年9月29日公開. https://www.nature.com/articles/d41586-026-02961-z （2026年10月11日確認）