monday.comのAI調査、より速い成果物に伴う管理コストを浮き彫りに
monday.comのAI調査によると、AI導入後、上級管理職の53%が従業員本来の貢献を評価することがより難しくなったと感じている。この結果は、生産性向上という訴求の内側にある管理上の課題を示している。完成された成果物を生み出すことと、個人の貢献を理解することは別の作業だ。
10月21日に公表されたNielsen実施の調査では、7カ国の取締役および上級管理職1,701人を対象とした。AI支援による業務が日常化するにつれ、雇用主はより困難な測定課題に直面していることが示唆される。洗練された成果物からは、その背景にある判断を読み取れる証拠が少なくなる。
この緊張関係は、AIが特定の状況でパフォーマンスを改善し得るという証拠と並存する。Erik Brynjolfsson、Danielle Li、Lindsey Raymondによる研究では、カスタマーサポートにおける測定可能な改善が確認された。雇用主にとっての問いは、こうした成果が個人のアウトプットからレビュー済みで実用的な成果物に至る全工程を通じて維持されるかどうかだ。
monday.comのAI調査が評価に圧力をかける
同社のAI管理に関する調査結果によると、回答者の47%はチームのアウトプットのレビューや指導により多くの時間を費やしている。一方、78%はAI導入以降、従業員評価の手法を変更した。
これらの結果は関連する圧力を描いているが、同じ回答者がすべての問題を経験したことを示すものではない。また、管理職が追加で費やしたレビュー時間の量も測定していない。従業員評価の難しさを事業パフォーマンスに関する主張へ結び付ける際には、この区別が重要になる。
直接的な変化は、完成した成果物と、それが表しているように見える個人の貢献との結び付きが弱まることだ。
AI支援以前には、プレゼンテーションの質が、文章力、準備の度合い、あるいは対象分野への精通を示す一定の証拠になり得た。もっとも、それだけで全体像が分かるわけではなかった。同僚、テンプレート、編集者、既存資料は、以前から職場でのアウトプットに影響を及ぼしてきた。
AIは、目に見える表現の多くを担えるため、この推論をより複雑にする。明快な説明は、深い理解、効果的な編集、あるいは生成された回答の受容を反映している可能性がある。最終文書だけでは、それらを確実に見分けられない。
管理職にとって、問題は従業員がAIを使ったかどうかにとどまらない。従業員が適切な証拠を選び、誤りを見つけ、防御可能な判断を下したかを把握する必要がある。こうした貢献は、完成した文章には表れない場合がある。
この調査は、単純な抵抗の物語も複雑にする。同じ調査では、94%がAIによる業務改善に期待を示した。熱意と困難は共存しており、問題は単純な拒絶ではなく、導入と評価に関わることを示唆している。
この主要な結果は、TechCrunchによる従業員評価の難しさの報道を通じても注目を集めた。一次報告書は、より有用な解釈の基盤を提供する。これは上級管理職が自らの経験を語った結果である。
これは管理上の摩擦に関する意味のある証拠だ。しかし、AIを利用する組織と利用を避ける組織を統制比較したものではない。また、雇用主が従業員の節約した時間を上回る時間を失ったことを示すものでもない。
したがって、monday.comのAI調査は、生産性論争を決着させるものではなく、圧力がかかる地点を特定している。AIを導入する組織には、流暢さが専門性を示すと安易に仮定せず、貢献を評価する方法が必要だ。そうでなければ、アウトプットの見かけ上の改善は、誰が評価に値するのかという未解決の問いを残す。
これは管理に関する議論を変える。有用な問いは、雇用主が能力に関する意味のある基準を保ちながら、効果的なAI支援業務を認識できるかどうかになる。そのためには、受信箱に届いた成果物がどれほど説得力を持つように見えるかを超えて考える必要がある。
管理職はアウトプット指標では見えない業務を引き受ける
直ちに圧力を受けるのは、納品と従業員育成の両方に責任を負う管理職だ。彼らは有用な支援を受け入れつつ、チームが生み出した仕事を説明し、擁護できるかを判断しなければならない。これらの責任は重なり合うが、同じものではない。
管理職は、正しい文書を承認しても、作成者の根本的な能力について多くを学べない可能性がある。日常的なコミュニケーションであれば、それで十分かもしれない。しかし、同じ文書が昇進、人員配置、より難易度の高い業務への準備状況を判断する材料となる場合、十分とは言いにくくなる。
より速い作成が事業価値を生むのは、結果として生じる仕事を経済的にレビューでき、安心して活用できる場合に限られる。
例として、製品計画に関する仮想のメモを考えてみよう。従業員はAIを用いて顧客の意見を整理し、どの機能に注力すべきかについて提案をまとめる。そのメモは明快で、整った論拠を提示している。
それでも管理職は、観察結果が提案を裏付けているかを確認する必要がある。相反する顧客要望は残されているか。従業員は直接的な証拠と解釈を区別したか。下書きは、仮定をいつの間にか事実のように扱っていないか。
これらは仮説上の問いであり、調査で文書化された結果ではない。プレゼンテーションの質だけでは評価の負担全体を担えない理由を示している。読みやすいメモはコミュニケーションの負担を軽減できる一方で、根本的な判断を同じくらい難しいまま残すことがある。
従業員は、より速く作業を終え、その過程で優れた判断を発揮していたかもしれない。反対に、裏付けとなる証拠が欠けているため、管理職が分析を再構築する必要があるかもしれない。同じ洗練された表面の下には、まったく異なる作業プロセスが隠れている可能性がある。
このため、狭く定義されたアウトプット指標は情報量が少なくなる。完成文書の数を数えることは、同僚がそれを基に行動できるかを示さないまま、生産を評価する。下書き作成時間を測定しても、明確化、修正、承認、実装の過程で生じる作業は除外される。
重要なのは、完結したワークフローという経済単位だ。下書きもそのワークフローに貢献するが、それを検証し、その結果に対処する人々も同様に貢献する。こうした参加者の間で労力を移すことは、自動的に労力をなくすことにはならない。
従業員育成には別の複雑さも加わる。管理職は、誰かが回答の弱さ、不完全さ、不適切さを認識できるかを知る必要がある。従業員がその形作りに関わった選択を説明できなければ、成功した成果物であっても証拠としては限られる。
だからといって、従業員がすべての作業を支援なしで行うべきという意味ではない。仕事はすでにツールと協働に依存している。評価上の問題は、支援が目に見える実行のより多くを担う際に、どの形の判断が不可欠であり続けるかを特定することだ。
エンジニアリングマネージャーにとっては、提案された変更が既存システムに適合する理由を理解することかもしれない。営業マネージャーにとっては、推奨内容が顧客の実際の制約を反映しているかを確認することかもしれない。必要な証拠は職務によって異なる。
この圧力は、悪い提案を退けることが最大の貢献となる従業員にも及ぶ。評価が最終成果物だけを重視すると、その仕事は見えなくなり得る。誤りを防ぐことは、もう1ページを生成することよりも目に見える証拠を残さない場合が多い。
これらは追加の調査結果ではなく、調査結果から導かれる分析上の含意である。組織がAI利用をさらに求めるだけでは、従業員評価の難しさを解決できない理由を説明している。導入と能力は異なる問いに答える。
その結果、管理職は難しい配分の判断に直面する。すべての業務を詳細な監査に変えてしまうことなく、判断を評価するのに十分な可視性を確保しなければならない。評価の負担が過度に大きくなれば、そのプロセスは支援によって生み出されるはずだった効率性を消費してしまう。
生産性向上は、仕事がどこに着地するかに左右される
AI支援が職場のパフォーマンスを改善し得るという信頼できる証拠は存在する。生産性に関する最も強い主張は、すべての従業員が速くなることには依存しない。特定の条件下で、特定の業務において測定可能な改善が見られることに依存している。
Brynjolfsson、Li、Raymondによるカスタマーサポート研究は、5,172人の担当者を調査し、1時間当たりに解決した案件数が平均15%増加したことを明らかにした。効果は従業員によって異なり、経験の浅い従業員ほど大きな恩恵を受けた。
研究者らは品質と学習の違いについても報告した。これらの結果は、参加者がツールの利用を楽しんだかどうかを超えるため重要だ。業務との認識可能なつながりを持つ、運用上の成果を検証している。
AI支援と管理上の摩擦は、生産プロセスの異なる部分を説明しているため、同時に存在し得る。
従業員が顧客の問題を解決するのを助けるサポートアシスタントは、比較的具体的なワークフローの中で機能する。社内戦略文書の作成に使われる汎用的な文章支援ツールには、異なる期待が向けられる。成功を評価するために必要な証拠も異なる。
この比較は、サポート業務が単純だという意味ではない。生産性に関する主張には、定義された業務と成果が必要である理由を示している。「1時間当たりの有用な解決件数が増える」という表現は、「AI支援によるコンテンツが増える」よりも多くの情報を伝える。
対照的な結果は、AI評価組織であるMETRから示された。同組織の開発者生産性実験では、経験豊富な開発者16人が、使い慣れたオープンソースプロジェクトで246件のタスクを完了した。2025年初頭のAIツールへのアクセスにより、完了時間は19%増加した。
それにもかかわらず、参加者はAIによって作業が速くなったと考えていた。この隔たりは測定上の問題を示している。ワークフローはより簡単、あるいは生産的に感じられても、期待された時間短縮を生み出さない場合がある。認識された支援と測定された加速には、別個の証拠が必要だ。
この結果には明確な範囲の限界がある。特定の時期における、特定の開発者、リポジトリ、タスク、ツールを対象としたものだ。現在のコーディング支援ツールがすべての開発者を遅くすることや、他の場所で報告された改善が見せかけであることを示すものではない。
METR自身も後に、こうした限界を強調した。2026年2月の生産性測定に関する更新で、同組織は、新しい推定値は選択効果のため信頼できないと述べた。一部の開発者は、AIなしで作業することを求められる条件では参加を望まなかった。
この更新では、開発者が複数のエージェントを同時に使用した際の時間測定の難しさについても説明された。METRは、新しいツールは従来の推定が示唆したよりも有用である可能性が高いと考えた。利用可能なデータは、その改善の規模について弱い証拠しか提供しないと注意を促している。
これらの研究を合わせると、抑制的な結論が支持される。AIの効果は、状況、従業員の経験、タスクの選定、成功の定義に依存する。熱意も、単独の否定的な結果も、より広い問いを決着させるものではない。
製品比較も同じ論理に従う。ChatGPTやClaudeは文章作成を支援できる一方、コーディング支援ツールはソフトウェア開発のワークフロー内で機能する。monday.comのような業務管理プラットフォームは、タスクやチームを巡る調整に対応する。
これらのカテゴリーは重なり合うものの、同一の問いに答えるわけではない。アシスタントは草稿を改善できるが、その主張を誰が検証したかを明らかにはしない。調整システムは活動を記録できるが、その活動が妥当な判断を生んだかどうかを示すわけではない。
したがって、中心的な対立は依然として、生産性向上の約束と、それを実現するために必要な作業との間にある。競合ブランドは背景を示すが、アシスタントを切り替えれば曖昧な評価基準が自動的に解消されるわけではない。雇用主は、何を良い仕事と見なすかを依然として定義する必要がある。
これが、monday.com AI調査を有益に解釈する方法である。この調査は、支援を取り巻く組織的な条件に目を向けさせる。次の生産性向上は、そうした条件が有用な成果を認識し、承認しやすくするかどうかにも一部左右される。
洗練された文書は、どちらの方向でも判断を隠しうる
最も明白な懸念は、AIが生んだ洗練さによって、弱い仕事が実際以上に優れて見えることだ。同じくらい重要なのは、逆の可能性である。目に見える文章が機械支援を受けたように見えるため、優れた判断を発揮した従業員が十分な評価を得られない場合がある。
これは、自動化された人事評価が導入される前から存在する公平性の問題を生む。管理職が洗練された表現を疑わしいものとして扱えば、有能な従業員が評価を失う可能性がある。それを能力の証拠として扱えば、弱い推論が不当な承認を受けかねない。
公正な評価には、従業員に支援なしで働いたことを証明させることなく、責任と判断の証拠が必要である。
例示的な調査要約は、このジレンマを示している。ある従業員が独自の資料を集め、相反する発見を特定し、裏付けのない主張を退け、AIを使って構成を改善したとする。最終的な文章からは、その要約を信頼できるものにした難しい判断について、ほとんど読み取れない。
別の従業員は、裏付けとなる証拠をほとんど確認せずに、同じように流暢な文章を提出するかもしれない。迅速なレビューでは、両方の文書は同程度に見える可能性がある。しかし、その信頼性と、従業員が示した能力には大きな差がある。
答えを、生成された言語の検出だけに委ねることはできない。たとえ正確に特定できても、それが示すのは支援の存在であって、従業員の判断の質ではない。AIが文書に関与したと分かっても、著者がそれを責任を持って利用したかどうかは説明されない。
プロンプトの記録も、この問題を自動的に解決するわけではない。誰かがシステムに何を依頼したかは示せる。しかし、その人が誤った回答を見抜いたか、適切な証拠を選んだかは、それだけでは示せない。
ここで、帰属と説明責任の区別が役立つ。帰属とは、特定の貢献を誰またはどのシステムが提供したかに関するものだ。説明責任とは、誰が結果を担い、その背後にある判断を説明しなければならないかに関するものだ。
雇用主には両方の概念が必要だが、詳細度は業務に見合うものでなければならない。通常の社内告知は、人員配置に影響する提言と同じ水準の精査を必要としない。すべての文書を同じ重要度で扱えば、不必要なレビュー作業が生じる。
人事評価の基準にも一貫性が必要だ。ある業務でAIを使ったことを称賛された従業員が、説明もなく別の場面で同等の支援を理由に不利益を受けるべきではない。一貫性のない期待は、基礎となる仕事が優れていても、評価を難しくする。
ナレッジマネジメントが重要になるのは、証拠が最終成果物の外部に存在することが多いためだ。意思決定、ソース資料、過去の議論は、ある提言がなぜその形になったかを説明する助けとなる。それらの価値は、推論を後からたどれるようにすることにある。
検索可能なナレッジベースは、そうした補足資料を整理する際の有用な背景を提供する。ただし、それは管理職による評価に取って代わるものではない。レビュー担当者がどの証拠が重要かを理解して初めて、記録へのアクセスが役立つ。
組織上の課題は、無差別な監視プロセスを作らずに、その文脈を維持することだ。すべてのやり取りを記録すれば、レビュー対象となる資料が増える。重要なソース、判断、承認に絞った記録のほうが、評価上の問いにより適している場合がある。
これは、Nielsenの調査で検証された介入策ではなく、分析上の判断である。この調査は、どの文書化アプローチが最も有効かを明らかにしていない。特定の方針がレビューコストを削減したと主張する前に、雇用主は自らの証拠を必要とする。
同じ慎重さは、AI支援による評価にも当てはまる。システムはフィードバックを読みやすい文章に整理できるが、基礎となる評価が不完全なままである可能性は残る。表現が改善されても、欠けている観察結果を補ったり、従業員のパフォーマンスに関する相反する説明を解消したりはしない。
結局のところ、洗練された文書は依存も専門性も隠しうる。経営上の課題は、業務に結び付いた証拠を通じて両者を区別することだ。そうしなければ、評価プロセスは見た目を報いながら、支援を有用にする判断を見落とす危険がある。
この調査が示すのは摩擦であり、生産性の結論ではない
monday.com AI調査は、特定の組織的問題を明らかにしているため注目に値する。その結果は、AIが職場で失敗したと断言する根拠にはならない。また、報告されたあらゆる困難が一時的な調整にすぎないことも示していない。
この調査は、ワークマネジメントソフトウェアを販売する企業が委託したものだ。同社が提案する解決策を解釈する際には、この商業的な文脈を意識しておくべきである。調整上の問題に関する発見は、それに対処するために設計されたプラットフォームを独立して正当化するものではない。
この証拠は、評価とレビューの負担に関する懸念を裏付ける一方で、その純粋な経済的影響については未解決のままである。
自己申告による困難は、管理職の経験が導入や従業員との関係に影響しうるため、重要である。しかし、それは観察された時間の使い方や、独立して評価されたパフォーマンスとは異なる。これらの指標は関連する問いに答えるが、互いに置き換え可能になるわけではない。
調査対象となった集団も重要である。取締役や上級管理職は、すべての現場監督者や個人貢献者を直接代表するものではない。彼らの視点はリーダーシップの経験を照らすが、従業員が同じ仕組みをどのように経験しているかを完全に説明するものではない。
複数国にまたがるサンプルは調査の範囲を広げるが、職場間で同一の条件を保証するものではない。職種、管理慣行、導入段階は異なる。集計結果は、対応を決める雇用主にとって重要な差異を隠す可能性がある。
因果関係もまた制約となる。回答者は、AI導入に伴う評価の難しさの増大を関連付けることはできても、AIを他の変化から切り分けることはできない。業務量の拡大、目標の変更、チーム再編も、その経験に影響している可能性がある。
こうした制約は、報告された問題を無効にするものではない。むしろ、より強い証拠が何を立証する必要があるかを定める。次の研究段階では、そのつながりがすでに測定されていると仮定するのではなく、報告された摩擦を実際に観察された業務と結び付けるべきである。
一つの解釈は、雇用主がプロセスを再設計する間、調整コストを負担しているというものだ。別の解釈は、安価な生成が、高価な判断に対する恒常的な需要を生み出しているというものだ。現在の知見では、どちらの説明が優勢かを決めることはできない。
チームの経験が増すにつれてレビュー負担が低下するなら、前者の解釈を支持することになる。研修や期待の明確化にもかかわらず、生成量の増加が承認能力を引き続き圧迫するなら、後者を支持することになる。いずれにも、時間を通じた観察が必要だ。
追加レビューには、肯定的な解釈もありうる。従業員がより価値の高い業務に取り組むようになったため、管理職が確認に多くの時間を費やしているのかもしれない。その場合、レビュー工数の増加は、有益な意欲向上と並行して起きている可能性がある。
一方で、追加レビューの大半が回避可能な誤りの修正や、欠けた文脈の回復に費やされている可能性もある。それは、単純な生産性向上ではなく、労力の移転を示す。時間の指標だけでは不十分であり、品質の指標も併せて必要となる。
擁護可能な結論は、見出しが掲げる広範な約束よりも限定的である。AIは、完成した成果物から管理職が推測できる情報を変える。雇用主は、出力量の増加をパフォーマンス向上の証拠として扱う前に、その影響についてより良い証拠を必要とする。
レビューコスト、評価ルール、ワークフローの成果を注視する
今後数カ月で最も有用なシグナルは、レビュー工数、評価慣行、完了した業務に関するものとなる。これらは、AIを試す従業員数を再び数えるよりも有益である。導入を、調査で特定された管理上の負荷と結び付けるからだ。
次の検証点は、雇用主が貢献を可視化したまま、支援を受けた成果を受け入れられる仕事へと転換できるかどうかである。
まず、企業や研究者が草稿作成後の作業を測定するかどうかを注視すべきである。有用な開示には、修正に要する労力、承認の遅れ、レビュー担当者に必要な注意力が含まれる。こうした指標は、削減された労力と他者へ移転された労力を区別する助けとなる。
品質が安定したままレビュー負担が低下すれば、AIが単に作業を上流へ移しているだけだという懸念は弱まる。修正コストが続けば、その懸念は強まる。重要な比較は、生成が終わった時点で止めるのではなく、類似の業務を完了まで追跡することである。
次に、雇用主がパフォーマンス基準をどう変えるかを注視すべきである。意味のある更新では、AI支援を受けた成果について、検証、判断、所有責任をどのように評価するかが説明される。より多くのツールの利用を求めるだけでは、評価上の困難が解消されている証拠にはなりにくい。
より明確な基準は、組織が適応に成功しているという見方を強める。文書量や見栄えの良さに依存し続けるなら、帰属の問題は残る。管理職が一貫して評価できるようになる前に、従業員は何が評価につながるのかを理解する必要がある。
第三に、信頼できる比較を伴うワークフローレベルの結果を注視すべきである。より強い証拠は、品質とレビューを考慮しつつ、支援を実用的な成果と結び付ける。また、すべての労働者に単一の生産性主張を当てはめるのではなく、職種間の違いも認める。
ベンダーによるケーススタディは有用な詳細を提供しうるが、その設計が重要である。読者は、定義された業務、比較可能な条件、測定から除外されるものの説明を確認すべきだ。こうした要素のない説得的な物語では、このトレードオフを決着させることはできない。
これらのシグナルは、特定の予定された製品発表に依存しない。雇用主、研究者、ソフトウェア企業による次の主張を検証するための基準である。それぞれが、管理上の頭痛の種が縮小しているのか、それとも定着しつつあるのかを示す助けとなる。
ナレッジワーカーにとって、当面の意味は、自らの貢献がどのように可視化されるかに関わる。明確な文書を作ることは依然として有用だが、その証拠と判断を説明することも同じくらい重要になりうる。最も優れた仕事は、同僚に再構築を強いることなく、結果を信頼できるものにする。
エンタープライズの購入担当者にとって、その意味は、購入によって何の改善を期待するかに関わる。草稿作成支援、調整、従業員評価には、それぞれ異なる要件がある。導入を成功させるには、解決しようとする問題に結び付いた証拠が必要である。
monday.comのAI調査は、その一連の流れ全体を検証するための契機として捉えるべきだ。ツールが印象的な初稿を作成できるかどうかだけに目を向けてはならない。受け取る側が内容を検証し、活用でき、誰が判断を下したかを理解できるかを問う必要がある。その答えを、支援がワークフローに入る前に必要だった労力と比較してほしい。次の生産性向上の主張が現れたときは、その到達点を見極めよう。生成なのか、承認なのか、それとも完了した成果なのか。この境界こそが、その主張が個人の利便性を示すものなのか、組織としての価値を示すものなのかを左右することが多い。チームで次にAI支援を活用する業務では、レビュー担当者が、基礎となる作業を繰り返さずに従業員の貢献を把握できるだろうか。
