「時間は減った。でも、利益は変わらない」

先に結論をお伝えします。AIで作業時間が減っても、それだけで利益が増えるとは限りません。時間の削減は「利益を増やせる余地」をつくるものです。空いた時間の使い道や業務の流れまで変えることで、会社の数字に表れやすくなります。

生成AIを導入した会社では、いま同じ疑問がよく聞かれます。「資料づくりが1時間短くなった」「議事録の作成が半分になった」という報告は上がってくるのに、売上や利益はほとんど動かない、という疑問です。

CIO（最高情報責任者）やIT部門の責任者が集まる場でも、次のような悩みが共通して語られています。

• AIの費用と投資対効果（ROI）がはっきりせず、それが導入を進める壁になっている
  
  

• どの会社もAIに取り組んでいるが、どう成果につなげるかは手探りの状態にある
  
  

• 「AIありき」ではなく、目的・対象業務・期待する効果・効果の測り方を具体的に知りたい
  
  

• AIの効果を引き出すには業務の進め方から作り直す必要があると言われるが、それを誰が担うのか
  
  

• AIの費用が増え、以前より投資に慎重になっている

この記事では、国内外の研究や調査データをもとに、2つの問いに順に答えます。一つは「なぜ、時間の削減が利益につながりにくいのか」。もう一つは「どうすれば、つながるのか」です。研究で確かめられた事実と、そこから筆者が考えたことは、できるだけ分けて書きます。

AIで作業時間は、本当に減っているのか

答えは「減っている。ただし、思っているほど大きくはない」です。実験の数字と、職場全体の数字には大きな差があります。

実験では大きな効果が出ている

条件をそろえた実験では、生成AIの効果ははっきり表れています。文章作成の仕事では作業時間が37%減り、顧客サポートの仕事では生産性が約15%上がったという研究があります（Humlum・Vestergaard, 2025が先行研究として整理）。

職場全体で見ると、効果は小さくなる

一方、実際の職場で調べると、数字はぐっと小さくなります。デンマークで約2万5,000人の働き手を調べた研究では、利用者が「AIで浮いた」と答えた時間は、AIを使った日1日あたり平均25分でした。使う頻度も加味して労働時間全体に換算すると、約2.8%にあたります（Humlum・Vestergaard, 2025）。

週40時間働く人なら、週1時間ほどの計算です。ただし、これは本人の申告をもとにした推計で、実際の労働時間を測ったものではありません。行政の雇用・所得データで調べると、AI利用者の労働時間や収入に統計的に意味のある変化は見られませんでした。同じ論文によると、米国の全国調査でも、利用者が申告した時間削減は平均5.4%でした。

実験と現場の差が生まれる理由は、主に2つです。

• AIが役立つ業務は、仕事全体の一部にすぎない。
  利用者がAIを使うのは3〜4日に1日ほどで、使う日でもAIを操作している時間は労働時間の5〜6%でした。
  
  

• 会社の後押しによって効果が変わる。
  会社が利用を推奨している職場では、利用者が報告する時間削減などの効果が1〜4割大きくなっていました。

「速くなった気がする」と「実際に速い」は別物

体感と実測がずれることもあります。米国の研究機関METRは、経験豊富なソフトウェア開発者16人を対象に、AIを使う作業と使わない作業を無作為に割り当てる実験を行いました（METR, 2025）。

開発者は事前に「AIで24%速くなる」と予想し、作業後も「20%速くなった」と感じていました。ところが実際には、AIを使った方が19%長く時間がかかっていました。

この結果は、2025年前半のツールで、熟練者が慣れた大規模なプログラムを扱う場面に限ったものです。それでも、「速くなった」という自己申告だけで効果を判断する危うさをよく示しています。

なお、METRは2026年2月、2025年後半のツールを使った追跡調査の途中経過を公表しました。前回から続けて参加した開発者では、AIで作業時間が18%短くなるとの推定でしたが、誤差の幅が大きく（38%短縮〜9%増加）、結論は出ていません（METR, 2026）。

「AIなしで作業したくない」という開発者が参加を避けるなどの偏りが生じたため、METRは実験の方法を見直すとしています。そのうえで、2026年初めの時点では、2025年前半より開発者が速くなっている可能性が高いとの見方を示しています。

日本企業は「使っている」のに「手応えが薄い」

日本企業の状況はどうでしょうか。PwC Japanグループが2026年春に行った6カ国調査（売上高500億円以上の企業の課長職以上が対象）から、日米の数字を並べます（PwC Japanグループ, 2026）。

※上の3行は回答者全体（日本932人、米国670人）に占める割合、下の2行は生成AIを活用・推進している回答者（日本814人、米国601人）に占める割合です。活用・推進している企業に限ると、「効果が期待を大きく上回った」は日本10%、米国42%です（調査報告書PDF）。

導入の広さは米国とほぼ同じなのに、効果の手応えには大きな差があります。しかも日本では、効果をまだ評価できていないという回答が1割を超えます。「時間は減ったはず」という感覚のまま、利益への影響を確かめられていない会社も少なくないと考えられます。

時間が減っても利益が増えない5つの理由

削減した時間は、そのままではお金になりません。利益は「売上 − 費用」で決まります。浮いた時間が「売上の増加」か「費用の減少」に変わらない限り、決算の数字には表れないのです。

時間が利益に届くまでの途中には、時間が「漏れてしまう」ポイントが主に5つあります。この5つは、複数の研究や調査をもとに筆者が整理したものです。理由1は主に会計の考え方、理由2と3は調査で確認された傾向、理由4は研究者の仮説、理由5は調査会社の予測にもとづいています。

左の関門を一つずつ越えたときだけ、浮いた時間は利益に届きます。右側は、関門を越えられなかった時間がどこへ消えるかを示しています。

理由1：浮いた時間が、お金の動きにつながっていない

月給で働く社員の作業が1時間短くなっても、給与は変わりません。残業代、外注費、採用人数のどれかが減らない限り、会社の費用は同じままです。

先ほどのデンマークの研究でも、AIの利用が多い職場とそうでない職場で、人件費の総額や雇用数に差は見られませんでした。利用者の約8割は、浮いた時間を「別の仕事」に回していました（Humlum・Vestergaard, 2025）。

問題は、その「別の仕事」が売上や顧客の価値につながっているかどうかです。使い道を誰も決めていないと、浮いた時間は会議や資料の手直しに少しずつ吸収されていきます。研究者は、効果が小さい理由の一つとして、会社が業務の流れを組み替えなければ、時間の削減が生産性の向上に結びつきにくい可能性を挙げています。

理由2：AIが新しい仕事を生み、時間を食う

AIを使うと、新しい仕事も生まれます。同じ研究では、利用者の17%が、AIによって仕事の量が増えた、または新しい業務が生まれたと答えていました。新しく生まれた業務の約6割は、AIの出力の確認、業務への組み込み、利用ルールづくりといった「AIを使いこなすための仕事」でした。

質の低いAI出力が、受け取った同僚の手間を増やす問題もあります。米国のデスクワーカーを対象にした2025年の調査では、40%が、過去1か月に「見た目は整っているが中身が伴わないAI生成物」を受け取ったと答えていました（BetterUp・スタンフォード大学, 2025）。

こうした成果物は「ワークスロップ」と呼ばれ、回答者は1件の対応に平均約2時間かかったと答えています。作った人の時間が減っても、受け取った人の時間が増えれば、会社全体では差し引きゼロか、かえってマイナスになります。

理由3：一部が速くなっても、全体の流れは速くならない

仕事はリレーのようにつながっています。資料づくりが速くなっても、承認待ちや部門間の調整で止まっていれば、お客様に届く速さは変わりません。いちばん遅い工程、つまり「ボトルネック」が全体の速さを決めるからです。

アトラシアンが開発者と管理職3,500人を調べた2025年の調査では、68%が「AIで週10時間以上を節約できた」と答えました。一方で、半数は情報探しや部門間の連携不足などで週10時間以上を失っていると答えています（Atlassian, 2025）。

同社はこの状態を「振り出しに戻った」と表現しています。同社によれば、開発者がコードを書いている時間は仕事全体の16%ほどです。AIが速くした部分は、そもそも仕事全体の一部だったわけです。

理由4：効果が出るまでに「谷」がある可能性

新しい技術は、導入してしばらくの間、かえって生産性が下がって見えることがあります。業務の見直し、データの整備、社員の教育といった、目に見えにくい投資が先に必要になるからです。経済学ではこれを「生産性のJカーブ」と呼びます（Brynjolfsson・Rock・Syverson, 2021）。

1987年、経済学者のロバート・ソローは「コンピューターの時代はあらゆる所に見えるが、生産性の統計にだけは見えない」と述べました。デンマークの研究者も、自らの結果をこの言葉に重ねています。新しく生まれた業務の多くが「AIを業務に組み込む作業」であることは、企業がいまJカーブの谷にいるという見方と整合する、というのが研究者の解釈です。ただし、これは仮説です。研究者自身、効果の小ささが一時的なものにとどまらない可能性も指摘しており、今後必ず生産性が上がると確かめられたわけではありません（Humlum・Vestergaard, 2025）。

理由5：AIの費用が、効果を打ち消すこともある

使う人が増え、使い方が高度になるほど、AIの利用料も増えます。効果がはっきりしないまま費用だけが増えれば、利益はむしろ減ります。

米ガートナーは2025年6月、AIエージェント（AIが自律的に業務を進める仕組み）の導入プロジェクトの40%以上が、2027年末までに中止されるとの予測を発表しました。理由として挙げたのは、費用の高騰、事業価値の不明確さ、リスク管理の不十分さです（Gartner, 2025）。

浮いた時間を利益に変える3つの考え方

鍵になるのは、「どれだけ時間を減らしたか」より先に、「減らした時間を何に変えるか」を決めることです。成果を上げている企業ほど、AIを今の仕事に足すだけでなく、仕事の流れそのものを作り直している傾向があります。

マッキンゼーが2026年8月に公表した世界調査では、回答者の80%が「AIで自分の生産性が上がった」と答えました。それでも、AIが営業利益（EBIT）に貢献したと答えた割合は37%で、前年から変わっていません（McKinsey, 2026、Fortune報道）。

営業利益の5%以上をAIによるものとし、その効果を「大きい」と答えた「成果の大きい企業」は全体の約6%でした。その約4分の3が業務の流れを根本から作り直していたのに対し、それ以外の企業では約4分の1にとどまります。ただし、これは両者に関連があることを示す結果です。業務の作り直しが利益を生んだという因果関係まで確かめたものではありません。

考え方1：「削減時間」と「事業の成果」を分けて測る

まず、2つの数字を分けて考えます。一つは「AIでどれだけ時間が減ったか」。もう一つは「その時間で、売上や費用、品質がどう変わったか」です。前者は途中経過で、後者が本当の成果です。

浮いた時間の使い道を先に決めておくと、何を測ればよいかもはっきりします。

AIの利用料も、同じ物差しで考えると判断しやすくなります。システム費として見るだけでなく、「人が同じ仕事をした場合の費用」と、業務1件あたりで比べる方法です。

考え方2：AIを「足す」のではなく、仕事の流れを作り直す

理由3で見たとおり、一つの作業だけを速くしても、全体の速さは変わりません。依頼から完了までの流れを最初から最後まで書き出し、どこで仕事が止まっているかを見つけることが出発点です。

たとえば、資料づくりをAIで速くするより、「そもそもその資料は必要か」「承認の段階を減らせないか」を問い直す方が、効果が大きいこともあります。ガートナーも、個人の作業の手助けにとどまらず、組織全体の生産性に目を向けるべきだと指摘しています（Gartner, 2025）。

では、業務の作り直しは誰が担うべきでしょうか。業務の中身を知っているのは事業部門で、仕組みを作れるのはIT部門です。どちらか一方に任せるのではなく、経営層が目的を示し、両者が一緒に進める形が現実的だと考えます。

調査にも、この考え方と合う傾向が表れています。PwCの調査では、効果が期待を大きく上回った日本企業ほど、経営に近い推進体制を整え、AIを業務プロセスに正式に組み込んでいました。正式に組み込んでいる割合は、期待を大きく上回った企業で81%、期待未満の企業で14%です（PwC Japanグループ, 2026）。デンマークの研究でも、会社が利用を推奨している職場では、利用者が報告する効果が1〜4割大きくなっていました。

考え方3：効果は「一度」ではなく、続けて測る

Jカーブがあるため、導入直後の数字だけで「効果なし」と決めつけるのは早すぎます。反対に、「速くなった気がする」という感想だけで「効果あり」と判断するのも危険です。

大切なのは、導入前の数字を記録しておき、3か月、6か月、1年と同じ物差しで比べ続けることです。可能であれば、AIを使うチームと使わないチームの結果を比べると、効果をより正確につかめます。PwCも、価値・品質・リスクの評価の仕方を企画の段階から決め、導入の前後で見直し続けることを勧めています。

もう一つの視点が、生まれた成果を社員に還元することです。PwCの調査では、効果が期待を大きく上回った日本企業の71%が、AIで生まれた効果を社員への利益還元につなげていました。期待未満の企業では14%です。この結果は「還元したから成果が出た」という因果関係を示すものではありません。それでも、成果が自分たちにも返ってくると分かれば、現場が浮いた時間をより価値の高い仕事に使おうとする動機づけになる可能性があります。

CIO・CDOが明日からできること

大がかりな計画は要りません。まず一つの業務で、次の項目を確かめてみてください。

始める前に

○　対象の業務を一つに絞り、導入前の「1件あたりの時間・処理件数・費用」を記録する

○　浮いた時間の使い道（費用を減らすのか、売上を伸ばすのか、品質を上げるのか）を、部門長と事前に決めて書き残す

○　業務の作り直しを進める責任者を、事業部門とIT部門の両方から決める

進めながら

○　依頼から完了までの流れを書き出し、待ち時間が長い工程を見つける

○　AIの出力を確認・手直しする時間も記録し、削減時間から差し引く

○　自己申告だけに頼らず、処理件数や完了までの日数など、記録に残る数字で測る

○　AIの利用料を業務1件あたりの費用に直し、人が行う場合と比べる

続けるために

○　3か月・6か月・1年後に、同じ物差しで見直す日をあらかじめ決めておく

○　生まれた成果の一部を、現場に還元する方法を決める

まとめ

「作業時間が減ったのに利益が増えない」のは、AIが失敗しているからとは限りません。時間の削減と利益の増加の間に、まだ橋が架かっていないことが多いのです。

その橋は、自然には架かりません。浮いた時間の使い道を先に決め、仕事の流れ全体を作り直し、事業の数字で効果を確かめ続ける。この3つがそろうことで、時間が利益に変わりやすくなります。

AIの導入は、もう「するかどうか」を議論する段階を過ぎました。これからは、生まれた時間を何に変えるのかを、経営の言葉で説明できるかどうかが問われます。

参考文献

• Humlum, A., & Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects. Becker Friedman Institute Working Paper No. 2025-56.（文中のBrynjolfsson・Rock・Syverson〔2021〕「生産性のJカーブ」、Solow〔1987〕の発言、米国の全国調査の数値は、この論文での引用による）

• METR (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity.

• METR (2026). We are Changing our Developer Productivity Experiment Design.

• PwC Japanグループ (2026).「生成AIに関する実態調査2026 春 6カ国比較」および調査報告書PDF.

• McKinsey & Company (2026). The state of AI in 2026: On the road to ROI. 数値は Fortune (2026年9月2日) の報道で確認。

• BetterUp Labs・Stanford Social Media Lab (2025). The hidden cost of AI "workslop" — and how leaders can fix it.

• Atlassian (2025). State of Developer Experience Report 2025.

• Gartner (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027.