拡張と自動化：リーダーが取り違え続けている本当の違い

著者: Victor Hoang · 更新日: 2026年9月22日

拡張と自動化は、同じタスクに対する正反対の賭けです。自動化はあるステップから人間を完全に取り除き、削減された時間で成功を測ります。拡張は、AIが仕事の一部を担いながら人間をループの中に残し、より良い意思決定で成功を測ります。この2つを混同するから、多くのAI導入が品質面で裏目に出るか、誰も予算を組んでいない人員削減をひそかに進めてしまうのです。

AIをめぐる経営層の会話は、今でも多くが高度を誤っています。誰かが「これは自動化すべきか、拡張すべきか」と尋ねますが、それはクラウドベンダーを選ぶときのような、全社共通の思想であるかのような聞き方です。そうではありません。しかも、複数のステップを自力でつなげられるAIエージェントの台頭は、この混同を和らげるどころか悪化させました。1つのエージェントが、ワークフローのある部分を自動化しながら、同じプロセスの別の部分を監督する人間を拡張することがあるからです。分析の単位として正直なのは、仕事でも部門でも会社でもなく、タスクです。1つの役割には十数個のタスクが含まれ、完全自動化に向くもの、人間を外した途端に質が落ちるもの、その中間にあるものが混在しています。この粒度を飛ばしてしまうリーダーは、自動化しすぎて（検証されていない出力の山を引き継ぐ）か、拡張しすぎて（スローモーションの人員削減を生産性向上施策と呼ぶ）のどちらかになります。

タスク単位のレンズ：なぜ「仕事」は適切な単位ではないのか

経済学者のDavid Autorは、今も多くの本格的な労働研究が使っているタスクベースの枠組みを築きました。その出発点は単純な観察です。仕事はタスクの束であり、技術が作用するのは職位ではなくタスクだというものです。2015年のJournal of Economic Perspectivesの論文でAutorは、自動化はあるタスクでは労働を代替し、別のタスクでは労働を補完するもので、仕事全体への正味の影響はその組み合わせで決まると論じました。コンピューターは、定型的で体系化できるタスクがとても得意です。一方で、問題解決、不完全な情報での判断、誰もルールを書いていない状況への適応を要する仕事は、今でも苦手です。

この枠組みが重要なのは、「拡張か自動化か」が、「カスタマーサポート」や「経理」全体について決着をつけられる議論ではないからです。カスタマーサポートには、パスワードのリセット（自動化する）と、解約をほのめかして怒っている大口顧客をなだめること（担当者を拡張し、置き換えない）が含まれます。経理には、3点照合の請求書マッチング（自動化する）と、ベンダー契約の異例な条件がリスクに見合うかの判断（悪い契約を十分に見てきて本物の判断力を持つアナリストを拡張する）が含まれます。自動化か拡張かの判断が実際に存在するのは、部門ではなくタスクなのです。

ここは、多くのAIベンダーの売り込みが、ひそかに誤解を誘う場所でもあります。「カスタマーサポートを自動化します」は、一つのカテゴリーのように聞こえます。たいていの場合それが意味するのは、「もともとスクリプト化できた60%のチケットを自動化します」という、はるかに狭い主張です。購入前に厳しく検証する価値があります。

それぞれの戦略が本当に最適化しているもの

自動化と拡張は、同じダイヤルの上の2つの点ではありません。最適化の対象が違い、そうでないふりをするところから、混同の大半が始まります。

自動化が最適化するのは、品質を一定に保ったままのスループットです。 同じタスクを、正しく、より多くの回数、見守る人を減らして行うことが目的です。バラつきが小さいタスクで機能します。入力が毎回似ていて、正しい出力をルールで確認でき、エラーを見つけるのも元に戻すのも安上がりな場合です。給与計算、スケジューリング、データ入力、ドキュメントの振り分けが典型例です。

拡張が最適化するのは、同じかそれ以上の人員での意思決定の質です。 目的はタスクを担う人を減らすことではなく、同じ人が、より良く、より速く、より多くの選択肢を検討して行うことです。バラつきが大きいタスクで機能します。入力が毎回異なり、正しい答えにはモデルが持たない文脈が必要で、間違えると高くつくか、取り戻しにくい場合です。

Erik Brynjolfssonの2022年のエッセイ「The Turing Trap」は、これを大規模に取り違えたときの、より深い危うさを論じています。AIが人間を完全に代替できるほど近く模倣する（自動化する）と、働く人は必要とされることから生まれる交渉力を失い、生み出された価値は技術の所有者に集中する、と彼は主張します。逆にAIが人間を拡張する場合、働く人の判断が出力の質を支え続けているので、価値に対する取り分を保てます。Brynjolfssonの論点は自動化が間違っているということではなく、AI開発や企業戦略のインセンティブが、拡張のほうがより多くの総価値を生む場合でも、静かに自動化を優遇しているということです。この偏りは、モデル設計と同じくらい頻繁に取締役会の資料にも現れます。自動化には「FTE12人を削減した」というすっきりしたROIの物語があり、同じプロジェクトの拡張版のほうが売上をより大きく伸ばしたはずの場合でも、そうなのです。

ワークフローの特性で見る拡張と自動化

AIプロジェクトの範囲を決める前に、最初のふるいとして使ってください。ワークフローが主に左の列に当てはまるなら、自動化の候補としては妥当です。主に右の列に当てはまるなら、拡張のプロジェクトとして扱い、人間の意思決定者をループの中に残す予算を確保してください。

この表は出発点となるふるいであり、結論ではありません。量では「自動化向き」と出ても、エラーのコストでは当てはまらないタスクもあり、その場合のより安全な設計は、何かが出荷される前に人間のチェックポイントを置いた自動化、つまり純粋な自動化ではなくハイブリッドです。ヒューマンインザループの設計は、まさにこの中間のケースのために存在します。

誰かが検証しなければならないタスクを自動化する、見えにくいコスト

リーダーが最も陥りやすい罠がこれです。タスクを自動化し、スピード向上を祝いながら、顧客や規制当局、財務諸表に出る前に、人間が出力を確認しなければならないという事実を勘定に入れていません。検証が手作業で、しかも徹底的に行われるなら、労力はなくなっておらず、下流に移動しただけで、しばしば悪化しています。誰か（あるいは何か）が作った成果物に潜むエラーをレビューするほうが、自分で作業するより認知的に難しいからです。

これが「ワークスロップ」の仕組みです。BetterUp LabsとスタンフォードのSocial Media Labの研究者が、完成して見えるのに実際にはタスクを前進させないAIの出力につけた名前です。この問題のカルチャー面については、ワークスロップが努力とオーナーシップに及ぼす影響で書きました。ここで取り上げるのは、タスク設計の側面です。AI自動化のパイプラインが、人間が妥当性を確認できる速度を上回るペースで、もっともらしく見える出力を生み出すなら、生産の段階のボトルネックを解消したのではなく、レビューの段階にボトルネックを作ったことになります。その請求書は、やり直しの時間として、レビュー担当者がもはや仕上がりの良さを品質のシグナルとして信頼しなくなるために遅くなる承認として、そして最終的には、全員がチェックに疲れ果てたせいですり抜けてしまう本物のエラーとして現れます。

MITのProject NANDAは、これが最も悪く現れる場面を数字にしました。300件超の導入レビューと150人超のリーダーへのインタビューに基づく2025年の「State of AI in Business」調査では、生成AIのパイロットの95%が、測定可能な損益への影響をもたらしていませんでした。また、AI予算の半分超が目に見える顧客向けツールに使われていたのに、より高いリターンを出していたのはバックオフィスの自動化（出力をルールで確認でき、エラーのコストが低いタイプ）でした。上のワークフロー特性の表が、実際の支出データに現れた形です。お金は、派手でバラつきが大きく検証しにくいタスクに流れ、リターンは、地味でバラつきが小さく検証しやすいタスクに返ってきたのです。

対策は「検証を減らす」ことではありません。検証のステップが構造上安上がりになるように、自動化を設計することです。出力がルールで確認できるところまでタスクを絞り込む、不確実なケースだけを人に回す信頼度のしきい値を設ける、あるいは結局そのタスクは拡張の列に属すると認める、といった方法です。RPAのプロジェクトは、生成AIが登場する10年前に、この教訓を痛い思いをして学びました。範囲を定めない作業で95%の精度のボットは、節約できる以上の手作業のレビューを生みます。一方、同じボットが、範囲を絞ったルールに縛られたタスクに使われれば、人間はほとんど必要ありません。

重要なポイント

• David Autorのタスクベースの枠組み：自動化は労働を代替することも補完することもあり、正味の影響は職位ではなく、仕事に含まれる具体的なタスクによって決まります。出典：Autor, "Why Are There Still So Many Jobs?", Journal of Economic Perspectives, 2015
• Erik Brynjolfssonの「Turing Trap」：現在のインセンティブは、人間の能力を拡張するAI（拡張）よりも、人間を代替するAI（自動化）の開発を優遇しています。拡張のほうがより多くの総価値を生む場合でも同じです。出典：Brynjolfsson, "The Turing Trap," 2022
• 88%の組織が少なくとも1つの事業機能でAIを日常的に使っていると回答していますが、EBITの5%超をAIによるものとする「AIハイパフォーマー」に該当するのは約6%にとどまります。出典：McKinsey, "The State of AI in 2025," November 2025
• 経営幹部の約4人に1人が、自社はAIから大きな価値を、スケールして生み出していると答えています。先進企業は、AI投資の80%超を、個別のタスク自動化ではなく機能の再構築に振り向けています。出典：BCG, "From Potential to Profit: Closing the AI Impact Gap," 2025
• Gartnerは、生成AIプロジェクトの少なくとも30%が、2025年末までにPoC（概念実証）の後で中止されると予測しました。出典：Gartner prediction, cited in CIO.com
• 生成AIのパイロットの95%が測定可能な損益への影響をもたらさず、バックオフィスの自動化は、投資額が半分未満だったにもかかわらず、実現したROIでフロントオフィスの拡張を上回りました。出典：MIT NANDA, "The GenAI Divide: State of AI in Business 2025", via Fortune

なぜ「拡張」が、先送りされた人員削減の婉曲表現になることがあるのか

「自動化ではなく拡張しています」と言うリーダーが、必ずしもチームに対して、あるいは自分自身に対して正直だとは限りません。名指しする価値のある特定のパターンがあります。企業が拡張の旗印のもとにAIツールを展開し（「全員の生産性が上がり、誰の仕事も危うくならない」）、1、2年後に、人が辞めても補充をひそかにやめるというものです。人員数は自然減で減り、残った人は拡張された仕事をしているので1人あたりの出力は上がり、チームが以前より3分の1小さくなっていても、経営陣は「誰も解雇していません」と偽りなく言えます。これは、より長い助走期間と、より良い広報を備えた自動化であり、拡張ではありません。タスク単位のテストは今も当てはまります。ただ、一度にではなく、退職者が出るたびに少しずつ適用されているだけです。

この混同は悪用しやすいものです。2つの戦略は、1か月目にはしばしば見分けがつかず、拡張が非公式なものになると、さらに曖昧になります。経営陣が公式には減らしていない業務量に追いつくため、従業員がこっそり自分のシャドーAIツールに頼る場合などです。拡張されたワークフローと、完全自動化への入り口にあるタスクは、どちらも「チームにAIコパイロットを渡して様子を見る」ことから始まります。違いが見えるのは12か月目、つまりチームが増えたのか、横ばいだったのか、縮小したのか、そもそも補充する計画があったのかによってです。Microsoft自身の「エージェントボス」という枠組みは、フロンティア企業とエージェントボスの台頭で取り上げており、企業が口にして構わないバージョンをとらえています。誰もが今やエージェントを管理しているというのは事実ですが、それは、出発時点よりはるかに小さな組織図とも両立します。

だからといって、拡張の主張が常に不誠実だということではありません。本気でそう考えているリーダーは大勢います。営業チームやエンジニアリングチームに展開したAIコパイロットは、次の退職者を補充しないことを正当化するためではなく、既存の人がより多くのことをこなせるようにするためのものです。見分けるポイントは具体的で確認できます。計画に人員数と期限が含まれているか、それとも意図的に曖昧にされているか、です。「このチームは40人のまま維持し、出力は25%増を見込んでいます」と言えるリーダーは、拡張を語っています。「様子を見ましょう」と言いながらひそかに求人の募集枠を凍結しているリーダーは、まだ名前をつけていない自動化を語っているのであり、チームは経営陣が思うより早くそれに気づき、気づいたときには信頼に実害が及びます。

あらゆるワークフローに使える判断フレームワーク

どの戦略が合うかを決める前に、各ワークフローをこの4つの質問に通してください。順序が重要です。いきなり「どのツールを買うか」に飛ぶと、チームは間違ったタスクを自動化することになります。

ステップ1：仕事ではなく、タスクをマッピングする

検討している役割やプロセスの中にある個別のタスクを、Autorの枠組みが示すとおりに洗い出します。「カスタマーサクセスマネージャー」の役割には、15個の異なるタスクが含まれているかもしれません。それぞれを別々にスコアリングしてください。役割全体で一つの判断を下したくなる衝動を抑えます。

ステップ2：バラつきと重大性をテストする

各タスクについて、2つの質問をします。入力は事例ごとにどれくらいバラつくか、そして誤った出力のコストはどれくらい高いか。バラつきが小さく重大性も低ければ、自動化を示します。バラつきが大きく重大性も高ければ、拡張を示します。上のワークフロー特性の表は、このテストの簡易版です。

ステップ3：検証コストを正直に見積もる

何かを自動化する前に、誰が出力を確認するのか、どのくらい時間がかかるのか、悪い出力が未確認のまますり抜けたら何が起こるのかを見積もります。検証にコストがかかる、あるいはそのタスクにはきれいに検証する方法がそもそもないなら、自動化と拡張のどちらかを選んでいるのではなく、拡張と、まだ測定していない品質問題のどちらかを選んでいることになります。ここは、AIのチームメイトに対する較正された信頼が重要になる場面でもあります。モデルを信頼しすぎるレビュー担当者は誤りをそのまま承認し、信頼しなさすぎる担当者はいずれにせよタスク全体をやり直し、節約した時間を帳消しにしてしまいます。

ステップ4：人員計画を口に出して言う

目標が、人を減らすことなのか、同じ人がより多くをこなすことなのか、AIによって手が届くようになる成長なのかを、書面で決めます。その答えを、実際に仕事をするチームと共有します。このステップにコストはかからず、AIカルチャーデットで説明されている、まさにその信頼の侵食を防ぎます。計画が正直であれば、チームは多くの変化を受け入れますが、そうでないと疑えば、ほとんど受け入れません。

実際に運用するとどうなるか

このようなワークフロー単位の監査は、通常、凹凸のあるマップを生みます。タスクの3分の1は明らかに自動化でき、3分の1は人間を鋭敏に保ってループに残す必要があり、3分の1は、正直にスコアを付けるにはパイロットが必要なグレーゾーンにあります。この凹凸こそが重要な点です。「AI戦略」を組織全体で一つの判断として扱う企業が、McKinseyやBCGの調査でパイロット段階にとどまっている企業です。100種類のタスクに一つの戦略を当てはめれば、そのほとんどにとって間違いになるからです。

次の実践的な一手は小さなものです。ワークフローを1つ選び、上記の4つのステップを通し、ツールに触れる前に答えを書き留めてください。これを1四半期に10回行えば、自動化がどこで元を取り、拡張がどこで守る価値のある判断を守るのか、本物のマップが手に入ります。このどれも、AI対応のカルチャーづくりで取り上げた土台なしにはうまくいきません。判断の裏にあるプロセスを信頼していないチームは、客観的に正しい判断にさえ抵抗するでしょう。