研究で報告されたこと

Erik Brynjolfsson、Danielle Li、Lindsey Raymond による Generative AI at Work の2024年11月改訂版は、5,172人のサポート担当者が AI 支援を使う状況を調べています。要旨では、時間当たりの解決件数が平均15%増え、経験によって効果が異なると報告されています。経験の少ない担当者の改善が大きく、最も経験豊かな層では速度が少し上がる一方、品質が少し下がりました。

改訂版の要旨。これは支援付き業務の証拠であり、独立した事業の利益や削減できる人数を直接測ったものではありません。

混同しやすい三つの変換

処理量と所要時間は分母が違います。仮に毎時10件が11.5件になると、100件に必要な時間は10時間から約8.70時間になり、減少は約13.0%です。固定作業量を仮定した算術例で、研究の実測工数ではありません。

空いた時間はそのまま現金の節約になりません。経営者は営業、製品改善、休息に使うかもしれません。実際に支出が減った場合だけ現金削減として記録します。

平均値は自社の予測値でもありません。資料、質問の種類、例外の比率が違えば結果も変わります。会社全体の人件費にその割合を掛けるのは根拠を超えます。

小さく試す

以下は編集上の提案であり論文の実験手順ではありません。繰り返し発生し、人が確認できる製品質問に絞ります。紛争や特別な約束を伴う案件は除きます。従来の流れを記録した後、比較可能な案件で AI 下書きを試し、同じ責任者が送信前に確認します。

準備、生成、確認、手直しの時間と、解決、再問い合わせ、上位対応を記録します。生成速度だけでは必要な労働を見落とします。

空白の試行記録表。効果や売上は入力していません。

継続条件

試行前に最低限必要な改善と許容できない誤りを決めます。総工数と解決品質を比較し、件数が少ない場合や案件構成が変わった場合は結論を急ぎません。

確認の増加が作成時間の削減を上回れば、資料を改善する、対象を絞る、利用を止める選択があります。安定して時間が空いたら、その使い道を検討します。ソフトウェア費、資料更新、確認、例外処理を含め、仮の時給による時間価値と現金支出の削減は別々に示してください。