ワークスロップ対策——AI成果物が奪う「1件1時間51分」を止める検収の設計

「資料は完璧なのに、会議が1時間延びた」——異変は受け取る側から報告された

あるプラスチック成形機メーカーで、AIによる問い合わせ回答の精度を100問で比較評価したときのことです。推進課のマネージャーが出した感想が、いまも頭に残っています。

「間違った回答もいくつかあった。全然畑違いな回答も一部あった。その回答で問題が解決するか微妙で、それを見て結局取説を見に行っちゃうシーンが目に浮かんだ」

この一言は、AIの精度の話に見えて、実は別のことを指しています。答えは出ている。けれど受け手は、その答えを検算するために元の資料へ戻る。つまり、作業は減っていません。移動しただけです。

同じ構造が、人が作る資料でも起きています。私たちが支援している企業で、ある部長がこう漏らしました。「資料は前よりきれいになりました。ただ、読んでいるうちに前提が怪しくなって、会議が1時間延びたんです」。出てきた資料は整っていて、誤字もなく、見出しも揃っている。それでも、どの数字が実測でどこが推測なのかが判別できない。だから会議で全員が検算を始める。

正直に申し上げると、私たちも最初はこれを「AIの精度の問題」だと見ていました。違いました。精度を上げても、誰がどこまで確かめたのかが成果物に書かれていなければ、受け手は最初から確かめ直すことになります。問題は技術ではなく、受け渡しの設計でした。

ワークスロップとは何か——「見た目は整っているのに、仕事が前に進まない成果物」

ワークスロップ (workslop) は、2025年9月に生まれた言葉です。提唱したのは BetterUp Labs とスタンフォード大学 Social Media Lab の研究チームで、Harvard Business Review 誌上で発表されました。定義は、良い仕事に見せかけながら、その業務を前に進める実質を欠いたAI生成の成果物。

slop はもともと「残飯」「家畜の餌」を指す英単語です。ここから生まれた「AIスロップ」という言葉が先にあり、こちらは生成AIで大量に作られた低品質なデジタルコンテンツ全般を指します。ワークスロップは、その職場版と整理すると分かりやすいでしょう。対象が報告書・提案書・企画書・議事録・コードといった業務成果物に限定される点が違いです。

	AIスロップ	ワークスロップ
対象	Web記事・画像・動画など公開コンテンツ全般	報告書・提案書・議事録・コードなど業務成果物
被害者	読者・検索ユーザー	同僚・上司・部下・顧客
見分けにくさ	比較的分かりやすい	体裁が整っているため、読まないと分からない
経営へのインパクト	ブランド・信用	社内の生産性と信頼関係

厄介なのは3行目です。AIスロップは一目で「雑だ」と分かります。ワークスロップは逆で、書式・語彙・構成が整っているせいで、中身を読み込むまで判別できません。誤解のないように申し上げると、これはAIが悪いという話ではありません。AIは「読みやすく整える」のが異常に得意で、「足りない前提を自分から補う」のは苦手です。その非対称が、そのまま成果物に出ているだけです。

1件あたり1時間51分、1人あたり月186ドル——「見えない税」の正体

数値を押さえておきます。BetterUp がスタンフォード大学 Social Media Lab と行った2025年9月の調査は、米国のフルタイムデスクワーカー1,150名が対象です。

• 直近1か月にワークスロップを受け取ったと答えた人は 40%。
• 受け取った仕事のうち、ワークスロップが占める割合は平均 15.4%。
• 1件を処理するのにかかった時間は平均 1時間51分。
• 1人あたりの月額コストに換算すると 186ドル。
• 従業員1万人規模の企業では、年間 900万ドル超の損失。

研究チームはこれを「見えない税 (invisible tax)」と呼んでいます。この呼び方が的を射ているのは、払っている人と使っている人が違うからです。AIで3分で資料を作った人の生産性は、確かに上がっています。その3分の裏側で、受け取った同僚が1時間51分を支払う。会社全体では赤字でも、個人のダッシュボードの上では全員が黒字に見えます。

ここで注目すべきは、受け取る側の偏りです。同じ BetterUp の調査では、ワークスロップを受け取ったと答えたマネージャーが 54%、個別の担当者が 38.5% でした。つまり管理職ほど多く受け取っている。この調査が示した流れの内訳は、同僚間が40%、部下から上司へが19%、上司から部下へが16%です。

300名の会社で、年間いくら払っているのか（試算）

出典のある数値は上記までです。ここから先は私たちの試算で、事実とは分けて読んでください。

従業員300名のうち、報告書や企画書を受け取る立場の方が200名いると仮定します。その方々が月に1件ずつワークスロップを受け取るとすれば、200件×1.85時間で月370時間。年間では4,440時間です。人件費を時間あたり4,000円で見れば、年間約1,776万円。これは新しい基幹システムを1本入れられる金額に近い。

試算の前提を変えれば答えは変わります。それでも私たちが申し上げたいのは、桁の話です。ワークスロップは、AI導入のROIを議論する席に乗っていないコストです。削減した工数は報告されるのに、増えた検算時間は誰の報告書にも載りません。

日本の現場でも同じことが起きている——レビュー担当者の86.3%が「負担が増えた」

海外の調査だけでは、国内の経営判断には使いにくいでしょう。日本のデータもあります。キッカケクリエイションが業務でコードレビューを担当するITエンジニア322名に行った調査の結果が、ワークスロップの日本語版そのものでした。

• レビュワーやシニアエンジニアの負担が増えたと感じる人は 86.3%。
• AI生成コードに起因するバグ・障害の修正に関わった経験がある人は 78.6%。
• 提出者がコードの内容を説明できなかったケースを経験した人は 49.5%。
• 「コードを書く速度は上がったが、届ける速度は変わらない」と答えた人は 74.8%。

3つ目の49.5%が、この問題の核心だと私たちは見ています。半数の現場で、成果物を出した本人が中身を説明できていない。説明できない成果物を受け取った人は、ゼロから読み直すしかありません。これは、私たちが以前お伝えした理解負債——誰も中身を説明できない状態が利息を生む現象——の、受け渡しの瞬間に現れた姿です。

そして4つ目の74.8%。「書く速度は上がったが、届ける速度は変わらない」。これを経営の言葉に翻訳すると、投資したのは生産速度で、ボトルネックは検収速度に移ったという意味になります。工場の方には馴染みのある話でしょう。前工程のタクトタイムだけ短くしても、後工程が詰まれば在庫が増えるだけです。

余談ですが、この調査結果を社内で共有したとき、エンジニアではないメンバーの反応が速かったのが印象的でした。「それ、議事録でも全部同じです」と。コードに限った話ではありません。

なぜ減らないのか——「AIを使え」という号令だけが降りてくる

ワークスロップが減らない理由を、技術側に求めると答えが出ません。Diamond ハーバード・ビジネス・レビューは、この問題をマネジメントの失敗だと位置づけています。「AIを使え」という漠然とした命令と、過負荷のチーム。この2つが揃うと、人は最短で命令を満たす方法を選びます。つまり、出すことだけを満たす。

私たちが現場で見てきた構図も同じでした。号令だけが降りてきて、検収の基準が一緒に降りてこない。ある重工・製鋼メーカーのシステムグループマネージャーが漏らした言葉が、その非対称をよく表しています。

「開発にAIを入れてコールを30%削減しました、とQC発表で報告したが、全然評価が悪くて、あまり響かなかった。どうやってやっていいのかな、と思う」

削減を報告しても評価されない。評価されないから、次は「出した量」で測ろうとする。量で測られれば、量が出ます。中身の検収基準がないままの号令は、ワークスロップを増やす方向に正確に作用します。

もう1つの理由は、送り手に悪意がないことです。同じ BetterUp の調査で、53%の人が「自分が送った仕事にもワークスロップが含まれている」と認めています。加害者と被害者がほぼ同じ集合なのです。だから「誰が悪いか」を探す運用は空振りします。個人の姿勢ではなく、受け渡しの手順を直す方向にしか解がありません。

Gartner は、2027年までに企業の40%が、運用後に発覚したガバナンスの不備を理由として自律型AIエージェントを降格または撤退させると予測しています。撤退の引き金が「性能」ではなく「統制」だという点が示唆的です。ワークスロップも同じ系列の問題で、出力の質ではなく、出力を受け入れる手順の設計不足として現れます。

ワークスロップは、気づかないうちに信頼を削る

コスト以上に厄介な副作用があります。ワークスロップを受け取った人は、送り手への評価を静かに下げます。BetterUp の調査では、受け取った人のうち約半数が送り手の創造性・能力・信頼性を以前より低く評価し、42%が信頼度を下げたと答えました。3分の1以上が「知識が足りない」と見るようになっています。

この数字を、私たちは経営リスクとして読んでいます。理由は2つあります。

1つは、評価の低下が本人に伝わらないことです。受け取った側は「もう少し詰めてください」と言う代わりに、黙って自分で直します。角が立たないからです。結果として、送り手は自分が信頼を失っている事実に気づけません。改善の機会そのものが失われます。

もう1つは、若手に不利に働くことです。経験の浅い方がAIを使って早く形にするのは、本来は歓迎すべき動きのはずです。ところが中身の検収手順がない組織では、その行動がそのまま評価を下げる罠になります。私たちは「くすぶっている方々の光になる」ことを事業の理念に掲げていますから、ここは譲れません。AIを使った人が損をする仕組みを放置すると、AI活用そのものが現場で嫌われます。

全件チェックは破綻する——リスクで検収の強度を変える

では全ての成果物を人が検収すればいいのか。ここは意見が分かれるところですが、私たちは全件チェックには反対です。理由は単純で、検収コストが利用のメリットを上回るからです。全部を同じ強度で確かめる運用は、たいてい3週間で形だけになります。

私たちが採っているのは、取り返しのつきやすさで3段階に分けるやり方です。

層	対象の例	検収の強度
軽 (後から直せる)	社内メモ・下書き・検討用の叩き台	送り手の自己申告のみ。AI利用の明示だけ求める
中 (読み手の時間を奪う)	社内報告書・企画書・議事録・設計メモ	別の人が最初の読み手になる。別系統のAIでも構わない
重 (外に出る・戻せない)	顧客提出物・契約関連・本番データに触る変更	人が受け入れテストを行う。送り手の自己レビューは認めない

分け方の基準は、成果物の重要度ではなく「間違っていたときに誰が、いくら払うか」です。社内メモの誤りは書いた本人が払います。顧客提出物の誤りは会社が払う。だから強度を変えます。

実際に自社でこの線を引いたときに効いたのは、中の層でした。ここを「送り手が自分で確かめる」から「別の読み手を機構で挟む」に変えただけで、受け手の検算時間が目に見えて減りました。自分の答案を自分で採点させても、見落としの形が同じなので意味が薄いのです。

「完了の定義」を業務成果物に持ち込む——私たちが社内で使っている3つの条件

開発の世界には「完了の定義 (DoD)」という考え方があります。私たちは社内で、配線が済んでいる・実際に呼び出して動く・画面から到達できる——この3つが揃わないものを「完了」と呼びません。見た目だけ整った実装を完了と数えると、後から全部やり直しになるからです。

このまま業務成果物に持ち込めると気づいたのは、議事録と提案書の品質を社内で詰めていたときでした。翻訳すると、次の3条件になります。

1. 受け手が次に何を決めればいいかが書いてある（結論ではなく、判断を求める箇所が特定されている）。
2. 根拠の出所が辿れる（どの資料・どの発言・どの実測値から来たのかが残っている）。
3. 事実と推測が分けてある（AIが補った部分に印が付いている）。

この3つを満たさない成果物は、受け取った側が読み直しから入ります。逆に満たしていれば、体裁が粗くても受け手は3分で判断できます。整っていることと、使えることは別です。

AI-Path では、AI生成物（議事録・提案書）について、過度な要約や自社発言の言い換えを開発リードが検知して再生成させる人間の品質ゲートを通しています。自動テストで担保できる範囲は自動化していますが、利用者受け入れテストは人が担います。AIが苦手とするのは、まさに「受け手がこれで判断できるか」という観点だからです。VibeCoding で起こりがちな「謎の項目が勝手に増える」事故も、この工程で止まります。

「敵対的検証」を、人の成果物にも使う

中の層に挟む「別の読み手」を人間だけで賄うと、今度はその人がボトルネックになります。私たちが使っているのは、AIに疑う役割を明示的に与える方法です。

代表の言い方を借りると、こうです。「Gemini が出した回答を、もう少し賢い Claude で採点させる。正直、Gemini はハルシネーションが一番多い。コストは一時的に増えるが、より正しい回答を出すモードを足す」。

ポイントは、同じモデルに「確認して」と頼むのではなく、別系統のモデルに「反証せよ」と頼むところです。「レビューして」と指示すると、AIは褒める方向に寄ります。「この結論を否定できる材料を探せ」と指示すると、前提の穴を先に出してきます。この型の詳細は敵対的検証の記事でお伝えしています。

ただし限界も正直に書きます。この方法でトークン量は3〜10倍に増えます。全件に適用すると費用で破綻するので、先ほどの3層の「中」以上に限定する前提です。それから、AIの指摘がそのまま正解でもありません。私たちの立場は一貫していて、AIは壁打ち相手であり、判断は人間がする。採点させるのは、人が判断する材料を増やすためです。

もう1つ、見落とされがちな使い方があります。送り手側に先に使わせることです。提出前に自分の成果物を別系統のAIに反証させれば、受け手に届く前に穴が埋まります。受け手の時間を使って品質を上げる運用から、送り手の側で閉じる運用へ——順番を変えるだけで、見えない税の支払先が変わります。

非エンジニアの内製化で、ワークスロップはどこに出るか

私たちは非エンジニアの戦力化を事業の柱にしています。だからこそ、ここで起きるワークスロップには一番神経を使っています。

非エンジニアがAIで作ったものは、画面が立派です。見た目8割・実態1割という言い方を以前しました。生成AIは「動く画面」を作るのが得意で、裏側の整合は後回しになります。これを「使える」と判断して現場に配ると、受け取った現場が検算を始めます。構造はワークスロップと同一です。

私たちが顧客の内製担当にそのまま渡している線引きは、2つだけです。

• データベースを直接いじらない。自分のブランチをどれだけ汚しても戻せますが、DBをいじると後戻りできません
• main に直接マージせず、まず PR を上げる。PRを上げるとAIが中身を確認してレビューし、妥当性を判断します

線は2本で足ります。この2本があるだけで、非エンジニアの試行は「取り返しのつく範囲」に収まります。ある化学メーカーのDX推進担当が「簡単すぎて逆に怖い」と漏らしたことがありました。あの怖さの正体は、失敗が戻せるかどうかが分からないことだったと思っています。戻せる範囲を先に設計すれば、自由にやらせて構いません。

私たちの見解——速さの指標を「出した量」から「受け手が判断できた量」へ

私たちの現場経験では、ワークスロップが止まった会社に共通していたのは、ツールの変更ではなく指標の変更でした。

AI導入の効果を「削減した工数」だけで測ると、送り手の速度しか見えません。私たちがお客様と最初にやるのは、増えた側の棚卸しです。レビューに費やした時間の推移、差し戻しの件数、会議で前提の確認に使った時間——この3つを並べると、投資判断の材料になります。先ほどの重工メーカーのマネージャーが「30%削減しても評価されなかった」と感じたのは、減った側だけを報告したからだと私たちは見ています。増えた側と並べて初めて、純額が見えます。

もう1つの見解は、AIへの接し方そのものです。私たちは「AIは信用するのではなく、こちらの考えをぶつけ、前提情報や意図を渡し続けることで深い対話が生まれる」と考えています。AIは相手を見て会話するので、表向きの情報しか与えなければ表向きの回答しか返りません。ワークスロップの多くは、渡した前提が薄かった結果です。出力を責める前に、入力に意図が乗っていたかを見るほうが早く直ります。

ある大手化学メーカーのAI推進担当が、こう語っていました。「データはある程度揃ってきているが、そのデータを基に人がどう考え、どう動くかを定義・教育するのが難しい。マニュアルだけでは足りず、行間を読むような仕事をしている」。この行間こそが、AIに渡せていない前提です。ワークスロップ対策は、結局のところ、その行間を会社の記録として外部化する作業に行き着きます。

自社のワークスロップ量を測る7つの質問

明日から測れる形にしておきます。社内の管理職に聞いてみてください。

1. 直近1か月で、読み直しや書き直しが必要だった提出物は何件ありましたか。
2. その1件に、だいたいどれくらいの時間をかけましたか。
3. 提出した本人は、中身の根拠を即答できましたか。
4. その資料のどこが実測で、どこが推測かを判別できましたか。
5. 差し戻す代わりに、自分で黙って直したことはありますか。
6. AIを使ったかどうかは、成果物から分かりますか。
7. 「この成果物は完了」と言える条件が、文書で決まっていますか。

3つ以上で答えが詰まるなら、見えない税はすでに発生しています。特に5番で「ある」が出た組織は、実態が数字に出ない状態です。黙って直された分は、どの報告書にも載りません。

よくある質問

Q1. ワークスロップを防ぐには、AIの利用を制限すべきでしょうか

制限の方向はお勧めしていません。使用を禁じると、社員は個人のアカウントで使うようになり、今度は情報漏洩の側に問題が移ります。私たちが効果を確認できたのは、入口を狭める運用ではなく、出口の検収を設計する運用でした。具体的には、成果物を3層に分け、中の層以上に「別の読み手を機構で挟む」工程を1つ足すところから始めます。禁止は守られたかどうかを測れませんが、検収工程は通過したかどうかを記録で確認できます。

Q2. 「AI利用の明示」を義務づけると、使うのをためらう社員が出ませんか

その懸念はもっともです。私たちは明示を評価に使わない、と先に宣言することで運用しています。目的は責任追及ではなく、受け手が検収の強度を選べるようにすることです。社内のメール解析でも同じ原則を採っていて、評価には使わず、原因分析と人を育てるフィードバックに限定しています。使途を先に狭く宣言しておくと、記録は素直に集まります。

Q3. 検収の工程を増やすと、結局スピードが落ちませんか

総量では落ちません。落ちるのは送り手の体感速度です。国内調査で74.8%が「書く速度は上がったが、届ける速度は変わらない」と答えている以上、すでに後工程で詰まっています。送り手側に検証を1つ足すほうが、受け手が1時間51分かけて検算するより安い。どちらが安いかは、御社の時間単価で計算できます。ただし、全件に同じ強度を課せば本当に遅くなります。層で分けるのが前提です。

Q4. 経営会議で説明する数字は、どう作ればよいですか

削減工数の隣に、差し戻し件数とレビュー時間の推移を並べてください。この3つが揃うと純額で議論できます。金額換算が必要なら、受け手の時間単価×検算時間で試算する形が納得を得やすいでしょう。海外調査の186ドルという数字はインパクトがありますが、自社の実測値のほうが社内では強く効きます。最初の1か月は実測を取ることをお勧めします。

Q5. AIスロップとワークスロップは、対策を分ける必要がありますか

分けたほうがよいと考えています。AIスロップは社外に出る公開コンテンツの話で、ブランドと法務のリスクです。ワークスロップは社内の生産性と信頼関係の話で、業務プロセスの設計で対処します。前者は公開前のチェック体制、後者は検収の層分け——打ち手の置き場所が違います。混ぜて1本のガイドラインにすると、どちらも形骸化しがちです。

まず試すなら

1. 管理職5名に、先ほどの7つの質問のうち1番と2番だけを聞いてみる。件数×時間を人数分に広げれば、自社の「見えない税」の概算が1時間で出ます。
2. 社内報告書と議事録を対象に、「受け手が次に何を決めればいいか」「根拠の出所」「事実と推測の区別」の3項目を提出条件に加えてみる。様式は変えず、3行足すだけで構いません。
3. どの業務のどこでワークスロップが発生しているか、検収をどこまで機構化すべきかを、無償の業務プロセス診断(BPR)で一緒に棚卸しする。

3番については、ヒアリングから業務フロー・改善案・ROIのたたき台までを可視化したうえで、「この工程は人が受け入れるべきか、AIに反証させて閉じられるか」の線引きまでお出しします。AI活用が社内に広がり始めた段階の会社ほど、棚卸しの効果が出ます。

参考リンク

• ワークスロップ調査の原典 (BetterUp × スタンフォード大学 Social Media Lab、Harvard Business Review 掲載)。What is AI workslop? Research on costs and solutions - BetterUp

• 国内のレビュー負担の実測。AI生成コードのレビュアー約9割が「負担増」を実感 - AI Watch

• 統制不備による撤退予測。2027年に企業の40%がAIエージェントを撤退・降格、ガートナーが予測 - ITmedia オルタナティブ・ブログ