A smart place to begin rethinking the division of labor with AI is by tackling the least-loved burdens—like administrative sludge.

A 2024 survey of over 13,000 knowledge workers across six countries found more than half (53%¹) of their time disappeared into administrative sand traps such as scheduling and rescheduling meetings, writing status updates, and chasing down routine decisions that were stalled and stuck in bureaucracy. A 2025 study² led by Yijia Shao and her Stanford colleagues of 1,500 workers in 104 occupations confirmed this is the kind of work people want AI to take off their plates. They’re repetitive, boring, low-value, sometimes mind-numbing chores that still need to get done—and get done quickly and well.

At Time Magazine, one source of sludge was prepping for client meetings. CIO Sharon Milz shared, “Reps had to scavenge through internal systems to dig up past interactions, then scour the web for press releases and news mentions—hours of energy-sapping work before the real conversation even started. Now, an AI assistant does the digging. What once took a couple of hours now takes five minutes.”

Why is administrative sludge so hard to avoid and remove? Often because the information needed to move work forward is trapped in unstructured data: emails, PDFs, call transcripts, wikis, chats, support tickets, CRM notes. With data scattered across formats and systems, even simple tasks turn into digital scavenger hunts.

A 2023 report by IDC¹ estimates that 90% of the data generated by companies is unstructured. That’s why Box CEO Aaron Levie points to² an obvious place to start: “Work that requires a heavy amount of unstructured data and information—documents, visual data on a screen, video content.”

Once your unstructured data is AI searchable, go after one of the biggest sludge factories: meetings.

Meetings spew out mountains of unstructured information: spoken words, half-baked ideas, gossip, disagreements, interruptions, offhand decisions, and unspoken cues. Parsing it all is nearly impossible. AI can catch what humans miss and save everyone from archaeology digs through transcripts and scattered notes. At Glean, one popular agent used by employees is the Daily Meeting Action Summary. It pulls action items from every meeting you had that day and delivers them in a single Slack digest.

Every workplace runs on invisible labor: scheduling follow‑ups, taking notes, tracking action items, nudging people to hit deadlines. It’s essential but low‑reward work. And for decades, it’s been disproportionately dumped on women¹.

AI can take on part of that hidden load. As Kelly Daniel, Prompt Director at Lazarus AI, told us:

“You’re not looking at the woman in the room to take notes anymore…I don’t have to look around and wonder, okay, who’s gonna remember all this? Now I can actually focus.”

Some of the most vexing sludge accumulates in customer support. Much of this frustrating friction (for both employees and customers) piles up because employees need to dig through unstructured data such as old tickets, inconsistent documentation, and scattered wikis to answer questions that customers ask again and again. It’s repetitive and rules-based work, seemingly perfect for AI.

Klarna’s leaders thought so too. In 2023, this “buy now, pay later” company claimed its AI assistant could replace 700 human agents and started culling customer support staff. Yet by 2025, in a show of thoughtful leadership, they’d reversed course. “We just had an epiphany: in a world of AI, nothing will be as valuable as humans,” said Sebastian Siemiatkowski¹, CEO of Klarna. “We’re doubling down—investing in the human side of service: empathy, expertise, and real conversations” said a Klarna spokesperson².

Treating all customer support as interchangeable sludge can backfire. For some requests, most customers only care about a fast and accurate response. But when the challenge is complicated or unprecedented, or a valued customer is upset, your organization benefits by offering easy access to human judgment, empathy, warmth, and trust.

Siemiatkowski later reflected³, “It’s so critical that you are clear to your customer that there will always be a human if you want.”Indeed, 89%⁴ of the 1,011 U.S. consumers surveyed by cloud platform Kinsta say customers should always have the option of speaking to a human.

AI can draft instant replies and fully automate interactions with customers. But trust doesn’t come from such cold efficiency. It comes from the messy, emotional, and time-consuming human parts of conversation like small talk about your favorite foods and offhand jokes about your hometown team.

As one leader at Navan Travel, part of global travel company, Navan described¹ a sales rep meeting with the CEO of a top-10 bank: “We met with the CEO of a top-10 bank last week. The rep knew the CFO went to Villanova and loves the Knicks. The CEO went to Boston University and grew up nearby. Somehow, he tied it all together into a joke about the Pope going to Villanova and divine intervention helping the Knicks win the championship. That kind of connection-building? AI’s not there yet.”

The more you lean on AI, the easier it is to lose what makes your work yours. Without clear guardrails, AI can quietly dilute your style, flatten your creativity, and make your output sound like everyone else’s.

Social media creator Aishwarya Srinivasan told us that she’s drawn a hard line: no more than 10% of her posts can be AI-generated. She’s decided that balance is just enough to get a meaningful efficiency boost without diluting her voice or sacrificing authenticity or connection with her audience.

Just because you can automate something doesn’t mean you should. Some tasks are slow on purpose. Some are enjoyable. Some are deeply human. One Stanford study¹ found that 41% of Y Combinator AI startups are automating tasks that workers would rather keep manual.

At one edtech company, a content writer described² the fallout from a new mandate that all content had to be AI-generated: “Being forced to use AI has turned a job I liked into something I dread. As someone with a journalism background, it feels insulting to use AI instead of creating quality blog posts about education policy.”

A 2025 University of Groningen study³ across 20 European countries found a similar pattern. Workers in highly automated jobs reported less purpose, less control, and more stress—even when the work was technically easier. Workers said they felt like extensions of machines rather than skilled contributors.

Professor Matt Beane at the University of California at Santa Barbara told us that he keeps seeing this play out in software development. As AI takes over more coding, senior engineers are pushed into oversight roles: reviewing, prompting, debugging. Some like it. Others miss the craft of writing and building code.

At Duolingo, board member John Lilly told us about two non-engineers with no chess background who used AI tools to prototype a working chess feature in just four months. He explained to us: “They weren’t engineers. They weren’t chess experts. But they built something real, and it outpaced other internal initiatives.”

AI flipped the order of the workflow. Instead of experts weighing in early and shooting down ideas at the whiteboard stage, they stepped in later, once there was something real to react to. Lilly explained: “If you bring experts in too early, they’ll tell you all the reasons it won’t work. AI let [the non-engineers] show what was possible, fast.”

Google is using a similar approach. Head of Product Madhu Gurumurthy says¹ they’re moving from lengthy Product Requirements Document (PRDs) to prototypes first. With AI-powered “vibe coding,” teams now prototype in code before drafting long proposals—speeding iteration and killing fewer ideas prematurely.

The flip side of letting generalists build first is knowing when experts need to sit shoulder-to-shoulder with the people closest to the work. A useful rule of thumb: if the workflow is exploratory and the cost of failure is low, let generalists build first. But if the workflow is critical—where errors could break compliance, expose data, or disrupt core operations—experts should be embedded from the start.

Wharton professor Daniel Rock has seen a clear pattern across AI-native organizations, as well as legacy firms like a Fortune 500 CPG company and a Fortune 100 insurance company successfully using AI to transform operations. “Results come when AI engineers are embedded directly into business units. Sitting side by side with sales, ops, or support teams, they co-develop solutions with the people closest to the problems.”

It’s not a new idea. Procter & Gamble used a similar approach during its design thinking push, embedding designers on business teams rather than in a separate silo. The U.S. Army’s Rapid Equipping Force¹ did it too during the conflict in Afghanistan: They stationed technologists in combat zones to identify problems and develop prototype solutions with soldiers in settings where they worked, not for them based on suspect assumptions about soldiers’ needs.

Vibe coding lets novice software engineers generate code that looks usable without first mastering the fundamentals. But it often produces what Andy Ballester, co-founder of GoFundMe and now EyePop.ai, and Cyril Gorlla, co-founder of enterprise AI company CTGT, calls¹ “AI slop”: cheap, auto-generated, buggy code that demos well but collapses at scale.

While both acknowledge that AI can make it easy to churn out code that’s functional, it’s often mediocre. True excellence and elegance still require human craft and years of experience. A study² by Stanford Professor Erik Brynjolfsson and colleagues backs this up: hiring for early-career developers has fallen, while demand for mid- and senior-level engineers (35 years old and older) has continued to climb.

Several leaders we’ve spoken to describe this as the “last-mile problem”. With AI, many can get from zero to a prototype. But far fewer can carry it across the finish line: scaling, securing, and shipping production-ready systems. That final stretch takes experience and judgment you can’t vibe-code your way into.

The last mile isn’t just an engineering problem. In creative and knowledge domains, the test is whether the work resonates, aligns, and holds up under scrutiny. That final judgment still needs to belong to experts.

At Stitch Fix, an online clothing retailer, they’ve used algorithms¹ to scan inventory and customer preferences to flag gaps—styles, colors, patterns, or fabrics that aren’t being met. AI then generated design suggestions based on those gaps. But instead of letting the system greenlight production, Stitch Fix routed those suggestions to human designers, who decided which ones dovetailed with the brand, met quality standards, and resonated with customers. The AI stretched the creative option set; the experts cut it back to what’s worth doing.

Eric Colson, former Chief Algorithms Officer at Stitch Fix had this to say: “Our brains are built for survival, not objectivity. We’re wired to run from the rustling bush, not sit and analyze whether it’s a rabbit or a tiger. AI doesn’t have that wiring—it can calmly explore millions, even billions, of possibilities without flinching. It’s great at broadening the consideration set and ranking what looks most promising. Then humans step in with context—brand, values, and strategy—to make the final call on what deserves to exist.”

Just as with AI slop, AI can make mediocre work look deceptively polished. At Udemy, Rebecca Stern, Interim Chief Learning Officer, saw teams using AI to generate learning plans for employee development—complete with outlines, objectives, and quizzes. On the surface, the plans looked polished. Underneath, they missed the basics of instructional design (for example, sequencing concepts out of order, misaligning objectives and assessments).

That’s the danger of cutting experts out of the loop. When AI skips steps, the cracks often don’t show until the work is live. And by then, fixes are harder, costlier, and painfully public.

Some organizations have created formal roles dedicated to hunting down and automating the piles of administrative sludge we’ve discussed.

At Glean, members of the “Glean on AI” team work across functions internally to spot manual processes worth automating, then build a roadmap to turn them into AI-driven agents. A parallel “AI Outcomes” team runs the same playbook with customers. The model borrows from Palantir’s “forward-deployed engineer” role (engineers who work side-by-side with clients, fine-tuning products directly on the clients’ premises).

Quora has taken a similar approach¹, assigning teams to systematically identify automation opportunities and convert them into AI solutions.

Some of the most important new roles in AI adoption aren’t formal titles at all—they’re the “AI champions” or internal “AI influencers” who spread new learnings and habits peer to peer.

Babson College professor Rob Cross has found that while top-down change typically reaches just 30–35%¹ of employees, pairing those formal efforts with internal influencers can be twice as effective. That’s why it’s important to find your AI champions: the people who are curious, credible, and well-connected enough to inspire others to experiment.

At PwC, part of the AI rollout included a “train the trainer”² model. The firm designated AI champions inside each line of service. These champions volunteered to coach peers, run hands-on exercises, and adapt AI use cases to their team’s daily work.

Often, the best AI champions don’t raise their hands or get nominated by their boss—they reveal themselves through action. That’s how Uber found theirs. GenAI Strategy Lead Manjari Agochiya told us how she launched an open call for AI use cases. She told us, “It surfaced 150 ideas, but more importantly, it revealed several stakeholders across various domains at Uber who were thinking about AI, implementing it in experimental ways and were excited to share their journeys with everyone at Uber. There were around 53 in Marketing and Performance Marketing, around 30 in Legal, and several small teams across the Community Operations, Engineering, and Customer Obsession teams.” Those people who raised their hands with excitement became Uber’s first real network of AI champions.

Udemy took a similar approach. During its company-wide “UDays,” where employees came together to build AI prompts and prototypes, the team didn’t just track attendance; they watched behavior. Interim Chief Learning Officer Rebecca Stern told us, “We looked at who showed up curious. Who helped others learn. Who shared tools and tips. That lens surfaced 31 early AI champions across the company.” The doers, not the talkers.

AI is starting to collapse the walls between once-specialized jobs. In some places, work that used to require a lineup of experts—researcher, writer, designer, coder—can now be done by one person with the right AI tools.

In software, a single engineer with AI can ideate, write code, generate tests, and deploy—tasks that once required product managers, QA testers, and release engineers. In marketing, one person with AI can research, draft campaigns, design assets, and schedule posts—collapsing analyst, copywriter, designer, and campaign manager into a single role.

Krishna Mehra, a former Head of Engineering at Meta, argues¹ this is a chance to “rebundle” roles. Startups are skipping layers of project managers and bloated teams and instead hiring “full-stack builders”: people who can take an idea from concept to deployment, leveraging AI at every step. As Mehra notes, these adaptive, end-to-end roles are already powering companies like Cursor (20 people, $100M ARR) and Midjourney (10 people, $200M ARR) as of mid-2025.

Rebundling how work gets done also means rethinking who’s accountable for it. Before AI, big projects often had multiple owners or what Apple calls “DRI”s (directly responsible individuals). An engineering lead drove technical execution. A product lead set priorities. An operations lead handled logistics.

AI is starting to change that equation. Dylan Field, CEO of Figma, has noted¹ that “areas that were seen as distinct phases in the product development process are now merging. Product is also blurring with design and development and potentially even parts of research.”

Tony Gentilcore, Co-founder and Head of Product Engineering at Glean, suggests that it’s time to rethink project ownership structures. Splitting DRIs made sense when each function had to manually manage its own part of the work—product chasing requirements, engineering tracking dependencies, ops managing timelines. But AI is starting to take over those mechanics. Systems can now generate status updates automatically, route tasks to the right owner, and flag dependencies before they block progress. With that administrative load off the table, having three separate DRIs, for example, can add unnecessary coordination costs.

The org chart is how we carve up roles. It slices work into boxes so decisions don’t overwhelm people. But pattern-finding and connection-mapping algorithms don’t operate within boxes. They can spot connections that traditional roles were not designed to manage.

In a 10-month study¹ Rebecca Hinds did with Stanford’s Melissa Valentine, they saw such connection-mapping at a digital retailer that used AI to optimize inventory. Human merchants owned narrow categories like “plus-size denim” or “plus-size dresses.” That’s how the org chart divided the work. The AI tools (and experts), however, identified cross-category patterns that humans missed (like spikes in denim sales that predicted spikes in dress sales).

Coordination troubles flared because no one had the mandate to act on insights that crossed silos. These problems waned after leaders redrew roles—expanding managers’ responsibilities to cover broader product lines—so it was clear which managers had the visibility and authority to act on AI’s system-wide insights.

The same shift is happening elsewhere². Some companies are consolidating product lines and platforms so AI can analyze relationships across usage, renewal, and expansion. AI might reveal that adoption of one feature predicts renewal rates or upsell potential months later. But in a traditional org chart, product managers own adoption while customer success managers own renewal. Because accountability is split, neither side can act on the full picture. Valuable AI insights fall into the cracks.

AI is also transforming the role of product manager (PM). As Amandeep Gill, a PM at Cvent, puts it¹, “Yes, AI can write your PRDs [product requirements document], map your backlog, and even spit out a half-decent launch plan before you finish your coffee.”

But one part of the job hasn’t changed, and won’t any time soon: creating common ground among people who are prone to disagree because of their roles and personalities. Sales pushes for speed. Engineers demand stability. Finance tightens budgets. And some people believe they are the smartest person in the room and are rarely wrong about anything. The PM is the one charged with finding common ground, soothing touchy egos, brokering trade-offs, and getting the group to move forward together. AI can draft the docs, but it can’t get a room of disagreeable people to (sometimes begrudgingly) agree on schedules, priorities, actions, and goals.

The solution architect is another role being reshaped by AI. Historically, people in these jobs spent months memorizing product specs and technical documentation before they were credible with customers. As Michael Arena, former Chief Talent Officer at General Motors and Dean of the Crowell School of Business at Biola University, explained to us: “Solution architects have to digest so much technical matter on the front end…if you can augment that and give them the tools…they can then invest in building the trust needed so that they’re creating work ties and people are pulling them in sooner or faster.”

But Arena also warned us of a trap. Using AI only to enable sales and service workers to handle more accounts (for example by summarizing discovery call notes in Gong and auto-generating systems architecture diagrams in Lucidchart AI) treats them like throughput machines. The bigger payoff comes when people reinvest that new-found time into customers—building trust, uncovering needs, and shaping long-term growth.

AI gobbles up so much computing power that it is, and ought to, change what CFOs do. Traditionally, finance leaders have been stewards of capital and labor. Now, in many companies, computing resources have been added to the list.

Lily Zhang, VP of Engineering at Instacart, told us that compute allocation—who gets access to GPUs, model licenses, and tokens—is increasingly where the biggest productivity gains or bottlenecks are created. She pointed to Meta’s CFO Susan Li, who has said¹ compute is now one of the most strategically scarce resources the company manages.

Allocation decisions have important implications. Do you give every developer unlimited AI tokens, as Shopify has², reasoning that an extra $1,000 per engineer per month is cheap if it delivers a 10% productivity lift? Or do you ration usage, as other companies do, and risk stifling adoption?

That’s a mistake. As Telus VP of AI, Alexandre Guilbault, told us: “The best people are the ones that can drive the biggest transformation…but often organizations want to keep their best folks in operations.”

‍

Too many AI pilots end up staffed with whomever has “extra capacity” instead of the people who could make the biggest impact. The best performers are often left out—sometimes because they’ve already mastered the task being tested as part of the pilot and dismiss AI as unnecessary. More often, because they’re buried in crucial work and leaders hesitate to pull them away to try a prototype or pilot.

‍

When AI efforts exclude top performers, two problems crop up:

• The system learns from the habits of average performers instead of the practices that make your best people great.
• The influencers everyone else looks to have no stake in the outcome—so when the tool rolls out, they’re the first to shrug or resist. That stifles the spread of tools that can speed up and improve the quality of work done throughout your organization.

As AI reshapes how work gets done, new responsibilities are popping up quickly: writing effective prompts, managing outputs, catching hallucinations, fine-tuning model behavior. Leaders face a tough call: when does a new capability deserve a formal role, and when should it stay a baseline skill?

‍

Take prompt engineering. Some companies are hiring full-time prompt engineers. Others are folding it into everyone’s job. Kelly Daniel, Prompt Director at Lazarus AI, is betting on the latter. She told us: “This feels like something everyone will need to be competent at—not work that falls solely to those with a specialized job title within the next few years.”

‍

This is a classic challenge in moments of transformation: codify a role too early, and you risk creating something that’s obsolete before it matures. Wait too long, and critical work drifts with no clear owner.

When AI creates new kinds of work or responsibilities, some leaders respond by inventing a shiny new role. The Chief AI Officer is a good example. Some leaders told us that, at its best, this role is designed for impact and filled by a star—someone who can set strategy, attract other top talent, shape governance, and unite teams across functions to build and implement AI tools. But too often it’s a ceremonial title—window dressing with no budget, authority, or real influence inside or outside the company.

It sounds obvious, but too many leaders try to design AI structures and controls without understanding the technology or how it changes work. When leaders don’t understand AI, they make kneejerk moves. Some centralize everything under one department “for risk management” and create bureaucratic AI choke points where ideas suffocate in approval queues (often staffed by people who don’t understand AI either). Others swing to the other extreme, throwing the doors open in the name of “agility” and ending up with a random scatter of uncoordinated and non-strategic AI projects (and gaping security holes too).

‍

Instead of theorizing and making proclamations from on high, Reid Hoffman, co-founder of LinkedIn and Partner at Greylock, built an AI clone of himself and then held conversations with it. He explained¹, “conversing with an AI-generated version of myself can lead to self-reflection, new insights into my thought patterns, and deep truths.” NVIDIA CEO Jensen Huang interrogates the technology to understand how it works by asking the same question to different AI models to get the best response and even has them critique one another. He’s said², “In areas that are fairly new to me, I might say, ‘Start by explaining it to me like I’m a 12-year-old,’ and then work your way up into a doctorate-level over time.”

Too many companies have charged ahead with AI without writing down the guardrails and rules. A 2024 survey by Vanta¹ of 2,500 IT and business leaders in the U.S., U.K., and Australia found that only 36% work in organizations that have an AI policy or are in the process of developing one.

‍

Without guardrails, AI turns into the Wild West. Some workers freeze up because they are unsure what’s allowed and what isn’t, and worry about crossing invisible lines that trigger a reprimand or even get them fired. And when companies have inflexible and otherwise misguided AI policies, people may engage in constructive defiance to get their work done. That’s one of the main reasons a survey² by security company Anagram found 45% of workers used AI tools that were banned by their organizations.

‍

A single static company-wide policy isn’t the solution. New tools emerge, regulations shift, and risks change faster than any single rigid policy can cover. As one SVP at a Fortune 20 company told us, they’ve prioritized a living governance system: cross-functional steering committees, legal reviews, and guardrails that flex depending on the context (for example, healthcare data versus store operations). They’ve also built an internal portal where employees can access approved tools, request licenses, and see each tool tagged by risk level (from “safe to use” to “proceed with caution”).

‍

When we spoke with her, Kristi Rible, CEO of The Huuman Group, emphasized that AI policies should be paired with principles that explain why guardrails and rules are in place—like “humans remain accountable for decisions” or “transparency first.” “Unlike tools or rules that shift with each new model, your AI principles don’t expire. They give the policy a human-centered, durable backbone even as the technology changes.”

Hierarchy is one of the main ways skilled leaders control how AI decisions get made—but they treat it as flexible rather than a fixed one-size-fits-all org chart.

‍

University of Michigan Professor Lindy Greer's research¹ shows the best leaders flex the hierarchy to fit shifts in tasks and interpersonal dynamics. Teams coordinate and perform better when members report, for example, “there is a clear leader on some tasks, and on other tasks, we operate all as peers.” For stable challenges and environments, hierarchy provides clarity and coordination. But for fast-changing situations, a rigid pecking order creates bottlenecks. So, effective leaders “flatten the hierarchy.” They delegate decision-making and empower people closer to the work, so teams can act and adjust on the fly.

‍

AI makes such flexibility even more critical because it can implement rapid changes in the speed and the scope of decisions. AI surfaces signals in real time—too fast for a rigid chain of approvals. And these signals often cut across teams, products, or platforms—which are often too broad for a single local manager to handle well.

Where AI sits in your organization's hierarchy determines the attention, resources, prestige, and, yes, power of such leaders and teams. If technology leaders (including those focused on AI) are buried three layers down, AI takes a backseat to other operational and strategic matters. But when they are in the C-Suite, AI decisions and implementations move to the top of the list.

‍

That's why CIOs have spent the past decade clawing their way closer to the top of the org chart. From 2015 to 2023, the Wall Street Journal reported that the percentage of CIOs reporting directly to CEOs jumped from 41% to 63%¹. Positioned at the top, IT has the potential to influence investment decisions, product strategy, and the organization's competitive direction.

‍

At Blue Shield of California, in 2022, then-CIO Lisa Davis made a successful case that she ought to report to the CEO. Her increased influence helped her IT team to drive enterprise-wide technology transformations with greater speed, visibility, and measurable business outcomes. Davis explained²: “That would have never happened if IT was sitting in a back office.” She added, “Generative AI has just reinforced the need to have a technology and digital leader that understands business mission and outcomes, and how they are connected together.”

Many tech giants are flattening their organizations, cutting management layers (in theory) to shrink bottlenecks and speed up AI-driven decisions. Across Corporate America, layers of management are being stripped out; median spans have jumped¹ from roughly 1:5 in 2017 to about 1:15 in 2023 and appear to be still widening².

‍

Whether delayering helps or hurts depends on the kind of work your teams are doing. As Dean of the Crowell School of Business at Biola University and former Chief Talent Officer at General Motors Michael Arena explained to us, “What you really want [to ask] is, what work am I in? Am I heads down or heads up?…if you push the span of control too far…it breaks.” Research by Arena and colleagues³ found that “managers leading larger teams, particularly those with more than seven direct reports…[have a] relentless workload [that] reduces their availability, creating bottlenecks.”

‍

Arena suggests distinguishing between:

• Heads-down work: Coding, call center tasks, data processing, operating machinery or vehicles. This type of work enables wider spans of control because the work is routine, predictable, and coordination (and even employee supervision) can often be handled by AI.
• Heads-up work: Product design, strategic planning, code reviews. This type of work depends on collaboration, judgment, and constant alignment. Flattening here risks overloading managers or starving teams of the time they need to sync-up their less predictable and more improvisational work.

Another way to draw the lines of control is deciding how centralized—or decentralized—your AI efforts should be. One common approach is to centralize AI into a Center of Excellence (CoE). It brings consistency, shared standards, and governance. But if everything needs to flow through the CoE, you risk creating bottlenecks as every team queues up for support. On the other hand, if you lean too much on decentralization, you get the opposite problem: redundant projects, incompatible models, and fragmented security.

‍

One CIO at a large U.S. university described their hybrid model to us. A Center of Excellence within the university's central IT department owns core AI responsibilities including integration, risk, and data infrastructure. But schools and units have the authority to run decentralized pilots for speed and experimentation. He recommended centralizing AI efforts when scale and governance matter most, and decentralizing where agility and learning are more important.

Another lever of control is redrawing the borders between functions. In 2025, Moderna merged its Human Resources and Technology departments under one leader: the Chief People and Digital Technology Officer. Tracey Franklin (Moderna's former HR chief), who moved to this new position, explained the redesign¹: “Merging HR and Digital isn't just about consolidation—it's a deliberate move to close the gap between the people who shape culture and those who build the systems that support it.”

As Moderna merged its HR and IT functions under a single leader, it also deployed more than 3,000 GPT agents¹ across a variety of roles. In the coming years, it's likely that most employees won't just use AI—they'll lead small fleets of it. McKinsey² calls this the rise of the agentic organization, where humans and AI agents operate side by side, each contributing judgment, execution, and learning. They've already seen teams of two to five humans supervising “agent factories” of 50 to 100 specialized agents running end-to-end processes. While this is not the reality for most organizations, it's a useful exercise to start sketching out.

You can't just bolt AI onto a broken system and expect it to work. If you drop it into a flawed legacy system, the same old coordination failures that hurt productivity, innovation, and well-being—and generally drove people crazy for decades—will persist, or get worse.

‍

In healthcare, for example, work is often fragmented into poorly connected and specialized roles and silos, leading to botched handoffs and breakdowns in information sharing. Such problems are amplified by well-meaning laws, rules, and norms for protecting patient confidentiality. These same issues now make it hard to train AI tools to improve quality and coordination in healthcare systems.

‍

Northwestern Professor Hatim Rahman described a hospital project where his PhD student is studying the use of AI to improve access to medical diagnostics. To train AI models, large numbers of ultrasound images are required, especially images of the same patients taken over time. But decades of efficiency-driven practices in healthcare have taught clinicians to take as few images as possible. Another roadblock is getting written permission from patients to use their scans to train AI models. On top of that, imaging units that have taken different pictures of the same patient over time may lack incentives, or have a history of hostility, which undermine cooperation. And imaging techs who suspect that management will use the data to evaluate them, increase their workload, or eliminate their jobs may resist supporting AI projects. As a result, collecting the images required to train AI models is taking far longer than healthcare leaders have anticipated.

Even after you tackle the structural problems that constrain AI, you’ll still run into the messy day-to-day reality of how work gets done IN PRACTICE rather than IN THEORY. Most work is propped up by informal fixes, shortcuts, workarounds, rule bending, and judgment calls that aren’t documented—and yet skilled employees use these constantly and can’t do their job without them.

‍

For example:

• “The system says to decline the refund, but this customer spends $2M a year so we’ll make an exception.”
• “The system says we can’t do it. I’ll just Slack Priya directly because I know she’ll approve it.”
• “I’ll skip step 4 so we can hit the deadline.”

‍

If AI models don’t know how people in your organization get work done DESPITE rather than BECAUSE of the formal system, they’ll faithfully scale processes that function only because of hidden workarounds (despite a lousy “official” design), replicating and spreading broken handoffs, redundancies, and poorly written policies and decision rules. “If you throw AI at an existing process that has gaps, you’re just scaling [dysfunction]—or bad decisions—at a higher velocity” says Adam Treitler, Manager of People Technology and Analytics at Pandora.

‍

At WestRock, internal audit VP Paul McClung first envisioned a one-click AI solution to automate their audit process. But when he mapped¹ the workflow on a whiteboard, the gaps (and informal solutions) became obvious: data scattered across systems, judgment calls not to count bad lunch, and informal detours and workarounds that glued things together. In the end, his team used AI to automate specific parts of workflows (such as building risk and control matrices and generating client request lists) rather than automating the entire process.

There are two powerful tools for understanding how work actually happens in organizations. First, “journey maps” take an outside-in view: showing how customers or users experience a process across touchpoints. Second, “process maps,” take an inside-out view: documenting the actual sequence of tasks, decisions, and handoffs that staff perform.

‍

To best apply AI, you need to understand both. Journey maps¹ uncover the human experience: how customers or clients travel through a system—the steps they take, and the points that feel easy, frustrating, or surprising. Process maps² reveal how work moves through the organization from the perspective of employees who operate the system.

‍

A 2024 study³ of stroke rehabilitation mapped how patient care unfolded from both perspectives for 130 patients. Instead of a single clean sequence, they uncovered nine different variants—including cases where discharge readiness (when clinicians judge a patient stable enough to leave hospital care) was recorded before key functional assessments (tests of how independently a patient can move, speak, or perform daily tasks). The study shows how pairing journey maps with process maps exposes both the patient experience and the messy reality of operations. That clarity is essential before layering in AI or automation.

ハンドオフは古典的なコーディネーションのチョークポイントです。プロダクトエンジニアリングの引き継ぎでは、プロダクトチームはしばしば「ハッピーパス」を提示します。つまり、何も壊れることのない理想的なユーザージャーニーに焦点を当てることです。ありとあらゆる失敗を想定したエンジニアリングカウンターこれと同じ傾向は、IT 部門が洗練された新しいワークフローを導入したときに、セキュリティチームが、この変更によって 6 つの新たな脆弱性が生じたことを指摘した場合など、他の引き継ぎにも現れます。

‍

職務が異なれば、性格も異なるというだけではありません。それは、彼らが仕事のさまざまな部分に集中し、報われるということです。プロダクトチームは、厳しい期日の中で派手な新機能をリリースするといった野心的な計画に対して報われる。エンジニアリングチームは、物事をうまく機能させ、リスクを見抜くことで報われる（そして責任を負う）。その結果は？プロダクトマネージャーとエンジニアの間の会議は、エッジケースや技術的な地雷についての議論が行き交い、行き詰まります。

‍

TeamraderieのCEO、マイケル・マッカロールは、同社が開発するオンライン学習体験の流れを短くするためにどのようにAIを活用しているのかを説明してくれました。Teamraderieのプロダクトマネージャーは、エンジニアと打ち合わせをする前に、現在ではAIを使って設計を行い、以下のことを行っています。

• 起こりそうな障害点を明らかにするエッジケースと「仮定」シナリオを生成します。
• エンジニアがゼロから始める代わりに編集できるように、承認テストの下書きを作成します。

‍

その結果、会議が始まる前に、作品は慎重に批評され、問題も解決されました。エンジニアは、最前線の防衛線であり、プロダクトマネージャーに背を向けていると認識されるのではなく、最も価値をもたらすアーキテクチャとスケーラビリティに焦点を当てています。

人員配置プロジェクトは、調整のもう1つの問題点です。あるコンサルティング会社では、コンサルタントは、履歴書全体にわたるキーワード検索、複数のデータベースチェック、一連の検証など、手作業による面倒なプロセスを経てプロジェクトのスタッフを配置していました。このプロセスは遅く、バイアスの余地がありました。履歴書に「正しい」単語が含まれていなければ、検索結果に表示されません。そして、時間的なプレッシャーにさらされていたとき、マネージャーは自分が最もよく知っていて、過去に一緒に働いたことのある人を選ぶことに失敗しました。

‍

Work AI プラットフォーム (Glean) を導入すると、マネージャーは「リテールバンキングの経験がある候補者を 3 人見せてください」などの自然言語によるクエリを入力するだけで済みます。このシステムは、会社のナレッジベース（履歴書、プロジェクト記録、さらには作業成果物）全体を検索し、スキルが要約されたランク付けされた候補リストを作成します。

‍

これは、スタンフォード大学のメリッサ・バレンタイン教授とマイケル・バーンスタイン教授が「フラッシュチーム」と呼ぶものへの初期段階です。¹: プロジェクト準備が整った仮想グループで、たまたま対応可能な人や目に見える人だけでなく、プロジェクトが最も必要とするスキルに基づいてリアルタイムで集められます。

‍

チームが人員を配置して配置されると、疑問は、「目の前のタスクに対して正しい方法でコラボレーションしているかどうか」ということになります。適切なタイミングで適切なことを話しているのか？イノベーションの道のりの適切な時期に、いつ、どのように「幅を広げる」（幅広いアイデアを分岐させて話し合う）か、「狭める」（実装に向けて集結したいくつかのアイデアについて話し合う）かを知っていますか？

‍

オンラインプラットフォーム（www.gigster.com）で117のリモートソフトウェア開発チームを対象に実施した調査では、カタリーナ・リックス、サミール・スリバスタバ、メリッサ・バレンタインが発見しました¹ 成績の良いチームは、目の前のタスクに基づいて「言論の多様性」（会話における視点、言語、アイデアの範囲）を調整したということです。創造性が求められる作品では、幅広い言語と視点を生かして、表現の多様性が高かった。しかし、仕事が実行に移ると、彼らの発言の多様性は狭まり、会話はより集中して合理化され続けました。

‍

AIはまだ存在していませんが、初期のツールはこの方向を示し始めています。参加パターンを分析し、会話が行き詰まる時期を発見し、リアルタイムで調整を提案することさえできます。

会議は、さまざまな同僚の意見を聞き、お互いの仕事がどのように組み合わされているかについて微妙な理解を深めることができるため、強力な調整ツールとなります。会議では、さまざまな専門知識を持つ人々が知識を融合させてスムーズに引き継ぎ、組織全体の作業をスピードアップすることで、調整が強化されます。しかし、このような学習や問題解決は、たった一つの声が放送時間を圧迫し、より静かな（そしてしばしば）賢い声がかき消されてしまうと不可能です。ブラバーマウスは、自分が沈黙させたり、迷惑をかけたり、他の人の時間を無駄にしたりしていることに気付かないことがよくあります。さらに悪いことに、失礼で侮辱的なメンバーが 1 人いるだけで、協力関係が崩れ、破壊的な対立が引き起こされ、メンバーを会議から退席させたり、チームを辞めさせたりする可能性があります。

‍

スタンフォード大学では、研究者が審議プラットフォームを構築しました¹ AIを使ってリアルタイムでグループダイナミクスを改善します。このシステムは参加状況を追跡し、しばらく発言していない人を誘導します。また、ライブの「毒性スコア」も計算します。メンバーによる有害な行動が検出された場合、システムはグループに確認を求め、同意すると違反者のマイクをミュートします。

AI ミーティングボットは時間を節約できます。しかし、他の種類のソフトウェアの肥大化と同じように¹、あまりにも多くの異なるボットを使用するチームは調整の負担になります。

‍

PK ConsultingのCEOであるPhil Kirschnerにインタビューしたところ、彼はクライアント全体で続いているシーンについて説明しました。5人が会議に参加すると、3人の異なるAIノートテイカー（おそらくOtter、Fireflies、Fathom）が現れます。それぞれが、言葉遣い、タイムスタンプ、アクションアイテムが少しずつ異なるトランスクリプトを吐き出します。そうなると、コラボレーターは作業を進めるよりも、どのレコードが「正しい」かを議論することに時間を無駄にする可能性があります。そして、チーム全員で共有できる共有レコードの代わりに、「マイノート」と「マイノート」を使用することになります。

法律、セキュリティ、調達という3つのボトルネックが原因で、企業に新しいAIツールを導入する取り組みが遅れたり、急に停止したりすることがよくあります。一見単純な要求でも、そのような職務のスタッフが多負荷になったり、過度に慎重になったり、懸念事項や提案された解決策を迅速かつ明確に伝えなかったり、他の部門が自分の仕事に必要なものではなく自分の職務だけに集中したりすると、数週間、場合によっては数か月も続くことがあります。

‍

ザピアがタックル¹ このようなボトルネックは、調達、法務、エンジニアリングの各部門を担当する専任のプロダクトマネージャーを割り当て、承認を早急に進めることです。Shopifyはさらに進んだ²: 彼らは弁護士が「はい」から始める文化を築きました。Shopifyのエンジニアリング担当副社長であるFarhan Thawarが2021年にAIの採用を推し進めたとき、彼はそれが可能かどうか法務部門に尋ねませんでした。彼は彼らにそうするだろうと言って、「どうすれば安全にできるの？」と尋ねました。

‍

Netflixの元最高タレント責任者であるパティ・マッコードが「完全に形成された成人」と呼んでいたものの力を思い出させてくれます³。」Netflixも同じような文化を築いてきました。旅行ポリシーなし、年次レビューなし、無制限の休暇です。賭けは簡単でした。信頼できる人を雇って判断を下し、会社を第一に考えることです。「問題のある人」を雇わず、間違えたらすぐに退去させてください。それこそが、官僚的形式主義を捨てて調整税を削減することを可能にしているのです。

あまりにも多くの AI ベンダーが、製品を出荷し、いくつかの設定を行って、そのまま離れていく、という従来のソフトウェアプロバイダーのように振る舞っています。

‍

そのモデルはAIでは機能しません。AIのパフォーマンスはモデルだけの問題ではなく、ビジネスに関するものです。乱雑なデータ、文書化されていないワークフロー、文化的な癖、既成のシステムでは予測できないエッジケースなどが挙げられます。最高のAIプラットフォームは、テクノロジーを提供するだけではありません。彼らはどちらかというとコンサルタントのように振る舞います:

• 彼らはあなたの組織が実際にどのように機能しているのかを理解するために時間を費やします。
• 彼らはあなたのためではなく、あなたとソリューションを共同開発します。
• 彼らは製品をあなたのワークフローに適応させますが、その逆ではありません。

‍

最近の報告¹ MITの研究者による^** その結果、カスタムビルドのエンタープライズAIツールのうち、実際に運用されるのはわずか 5% であるのに対し、ビジネスチームと一緒に組み込んで反復するベンダーパートナーシップは、成功する可能性がほぼ2倍高いことがわかりました。この調査の欠陥は、成功率が低いことが典型的なAIイニシアチブを代表するものではないことを示唆していますが、MITの調査結果によると、ベンダーと協力して反復することで成功の確率が高まり、ガートナーを含む他の情報源からのアドバイスや証拠と一致しています。² とマッキンゼー³。

従業員が AI を使い始めると、「切り替え税」が増えることがよくあります。これは、適切な文書、メッセージ、またはタスクを見つけるために常にアプリ間を行き来する人が増えるため、調整の負担が増えます。研究¹ Rohan Narayana Murty氏が率いるHarvard Business Reviewのレポートによると、フォーチュン500企業の従業員は1日に1,200回以上アプリを切り替えています。著者らは、「1 年間にわたって、合計で 5 週間、つまり年間の勤務時間の 9% に相当する」と計算しています。

‍

私たちが話をした複数のリーダーは、これを「回転椅子問題」と呼んでいます。従業員は、AI を使用するためだけに別のプラットフォームに移動することを望んでいません。Redditでは、その哲学が彼らのアプローチの指針となっています。「私たちは、別のレイヤーではなく、ソリューションを埋め込んでいることを確認しました。新しいUIを学んでほしいとユーザーに求めたりしたわけでもありません。誰かにジムのメンバーシップを渡すのとバックパックにベンチプレスを入れるのとでは、違いがあります」と、同社の主任ソリューションエンジニアであるAmmen Singh氏は言います。

従業員はアプリ、ダッシュボード、デジタルツールに溺れ、カリフォルニア大学サンタバーバラ校のポール・レオナルディ教授が「デジタル疲労」と呼んでいる事態につながっています。過去 1 年間、ジェネレーティブ AI ツールが組織で主流になるにつれ、Asana のアンケートは¹ 13,000人のナレッジワーカーのうち、デジタル枯渇は増加し続けていると回答しています。主な原因の 1 つは、それぞれが独自のログイン、癖、学習曲線を持つ、連携していない AI コパイロットやツールが増え続けていることに作業員が対処しなければならないことです。

‍

あるフォーチュン20の小売業者では、ある上級幹部が、彼らの解決策は「スーパーエージェント」だと言いました。スーパーエージェントは、舞台裏で活躍する多くの小規模な AI エージェントにとっての玄関口です。従業員は、有給休暇申請の提出、人事ポリシーとのやり取り、新しいベンダー契約の提出など、個々のタスクで個別のボットを操作する代わりに、自分が誰で、何をしていて、どのような情報が最も重要かを把握している 1 人のエージェントとやり取りできます。

‍

真に自律的なエージェントは、これを自分で行うことができます。狭いタスクボットの集まりではなく、適応力のあるコラボレーターとして動作します。面倒なロジスティクスの処理、ワークフロー間のコンテキストの記憶、複雑なリクエストを適切なサブエージェントに自動的にルーティングします。

AIを副次的な実験として扱うことは、調整の負担を増やす確実な方法です。チームは最終的に 2 つの並行したワークフローをやりくりすることになります。1 つは仕事をこなすための「本物」、もう 1 つは「AI 実験」で、追加の負担はかかるものの (少なくとも短期的には) ほとんど価値をもたらさない。

‍

Zendeskでは、エンジニアリング担当シニアバイスプレジデントのNan Guoが、最も一般的なコーディネーションリズムであるスプリントにAIを直接組み込むことで、サイドプロジェクトの罠を回避する方法を教えてくれました。アジャイル開発におけるスプリントとは、チームが仕事を計画、構築、出荷する、時間制限のある短い期間 (通常は 2 週間) のことです。Zendeskのリーダーは、エンジニアに「AIのユースケース」を探しに行くように頼む代わりに、いつものスクラムサイクルにAIを取り入れています。Guo 氏は次のように説明しています。「スクラムは私たちの日常業務の標準的なやり方です。10 月にスプリントを 1 つ選んだので、人々は実際に GenAI を実際のワークフローに適用しました。そうすれば、側面に何か追加的なものがあるだけでなく、その影響も見ることができました。」

人工知能は人々の負担から仕事を奪うことになっています。しかし、多くの場合、負担をある人から別の人に移すだけです。

‍

これは、このプロジェクトの面接をスケジュールしているときに経験しました。招待状は、AIアシスタントの「Kiran」から来ました。Kiranの仕事はスケジューリングを簡単にすることでした。代わりに、「彼女」はボブに不在時のメッセージがあったとしても、リマインダーでボブを怒らせました。最初、彼はキランが異常に失礼なヒューマンアシスタントだと思っていました。それから彼はキランがボットだと気づきました。

‍

Kiran は、受信者である私たちではなく、送信者、つまり会議を予約してもらうために最適化されました。バイオラ大学クロウェル・スクール・オブ・ビジネスの学部長でゼネラルモーターズの元最高人材責任者であるマイケル・アリーナは、「人々はAIツールを使用して負荷を軽減し、共同作業の過負荷を減らす一方で、他の人の負担を増やすだろう」と警告しました。つまり、あるチームの効率向上が、別のチームの隠れた税金になる可能性があるということです。

‍

そして、その隠れた税金は、単に時間の無駄遣いだけではなく、信頼の問題でもあります。研究者のイアン・マッカーシー、ティモシー・ハニガン、アンドレ・スパイサーが警告しているように¹、AIを不注意に使用すると、いわゆる「ボットクソ」が生成される可能性があります。つまり、人々が無批判に使用する、作り上げられたコンテンツや位置がずれているコンテンツです。ボットが監視なしに行動すると、誤った情報を広めるだけでなく、摩擦も広がります。受信トレイにスパムを送信するスケジューリングボットや、不適切なデータを提供するチャットボットは、ある角度から見ると効率的ですが、認知や評判の低下をひそかに他の人に押し付けているのです。

‍

コストは急速に積み重なり、多くの場合あなたに負担されます。リサーチ² Paul Leonardiは、ボットが台無しになっても、責任はボットではなく、あなたにあることを示しています。人々はAIに責任を負わせません。奴らはそれを解き放った人間を捕まえる

AI は、チームや個人の作業に支障をきたすサイロを解消するのに役立ちます。しかし、すべてのサイロが悪いわけではありません。人事ファイル、法的文書、給与データの保護など、正当な理由で存在するものもあります。また、クリエイティブな仕事をする多くのケースでは、ディズニーの「イマジニアリング」のように、会社の他の部署の人々からの注意散漫や中断、不適切なアドバイスから身を守るのに役立ちます。¹」子会社とロッキードの「スカンクワークス」²。」課題は、必要なプライバシー、機密保持、創造的フォーカスを保護するサイロと、不必要に作業を遅らせ、品質を低下させ、従業員や顧客を苛立たせるサイロを区別できるAIを設計することです。

‍

そのため、たとえば、「権限レイヤー」に関するルールが非常に重要です。つまり、誰がどの情報にアクセスできるか、いつアクセスできないか、いつアクセスできるか、できないかということです。最高のAIツールはそのようなルールを執拗に適用します。ほとんどの企業のプロダクトマネージャーは、チーム間でデザインファイルを瞬時に取り込めるはずです。ただし、業績評価や給与記録などの人事記録からは除外する必要があります。

‍

Booking.comの人事チームがAI検索に「非常に神経質」を感じていたのは、まさにこのためです。Booking.comのシニア・エンジニアリング・マネージャーであるTadeu Faedrich氏は、「アクセスしてはいけないドキュメントをユーザーに見つけてほしくありませんでした。アクセスできるものしか見つけられないのです。」

‍

最終的に、社内システムと同じルールに従うプラットフォームを選択しました。つまり、昨日ファイルを開けなかったとしても、今日そのファイルが突然検索で表示されることはありません。

AI ツールを使うと、コードを書いたり、コピーを書いたり、自分で分析を行ったりと、より速く動いているように感じることができます。しかし、個人レベルでのスピードは、チームに隠れたコストをもたらす可能性があります。

‍

あるランダム化比較試験では¹ 246のタスクに取り組んだ16人の経験豊富なオープンソース開発者のうち、AIアシスタントを使用した人は、AIを使用しなかった開発者よりも19％長くかかりました。AIアシスタントは、開発者にあらゆる種類のさらなる障害をもたらしました。AIの提案のうち、有効だったのは半分未満でした。開発者はコードのレビュー、書き換え、クリーンアップに余分な時間を費やしました。ツールはまた、100万行を超えるコードを含む大規模で成熟したコードベースでの作業など、状況依存の問題にも遭遇しました。開発者は、AIがコードの無関係な部分に「奇妙な変更」を加えたり、下位互換性の癖を見逃したり、微妙な依存関係を処理できなかったりすることが多いと報告しました。

一部の経営幹部は、派手なAIデモを見たり、AIで成功を収めているあるリーダーや企業に関するプレスリポートを読んだり、ナプキンに数字をいくつか落書きして、人員削減の計画を立て始めたりします。中途半端で検証されていないアイデアによって人件費が節約できると自慢する人さえいます。これは、従業員を驚かせ、信頼を損ない、同じ壊れた同じプロセスを実装する人数を減らしてしまう手っ取り早い方法です。

‍

フォーチュン500社のテクノロジー企業のある副社長は、自分の会社は別のアプローチを取っていると説明してくれました。彼らのルールは、AIの生産性の向上が現実の世界で測定可能になるまで、役割は変わらないということです。「測定可能な生産性が得られるまで、この作業は一切行いません」と彼は説明しました。さらに、組織内のほとんどのイノベーションやパイロットプログラムと同様に、「私たちが始めることの約80％は、最初に想像していた生産性の向上にはほど遠い」と付け加えました。そして、「それはテクノロジーに関してはそれほど驚くべきことではない」ため、AIベースのイノベーションが期待どおりに機能しない場合、彼らは「説明責任の共有」に注目し、協力して問題を解決し、「責任転嫁から脱却する」ことに注力します。

‍

このようなポリシーは、従業員に明確なシグナルを送ります。ここでの転職は、誇大広告や空想、クールだけど検証されていないアイデアに基づくものではありません。新しい方法の方が優れていることを示すまで、作業内容を変更したり削除したりすることはありません。この「アイデアを変える前にテストする」アプローチは、企業が生産性やイノベーション、従業員やカスタマーエクスペリエンスの質を犠牲にすることなく、AIベースのソリューションを統合するために仕事やシステムを再設計するのにも役立ちます。経営幹部の気まぐれは満足させるが、お金を無駄にして人々を惨めにするような、よく考えられていない変更が散らばっている組織を防ぐことができます。

採用、昇進、レビューの各プロセスにはバイアスが伴います。なぜなら、バイアスは不完全な人間の意思決定者によって設計され、完成されるからです。¹ 日常的に重要な情報を無視したり、ひねったり、記憶を間違えたり、忘れたりする人。Figma、Duolingo、Code for Americaなどの組織の役員を務めるジョン・リリーは、彼が一緒に仕事をしているある会社では、面接官がそれぞれ異なるスタイルでメモを取るため、面接が歪んでしまい、候補者を公平に比較することが難しくなることがあると説明しました。これに対抗するために、一貫性のあるテンプレートでメモを取り込むAIツールを試験的に導入し、ばらつきを減らしてフィールドを平準化しています。

‍

バイアスは業績評価に影響します。25,000件のパフォーマンスレビューを対象とした2022年の調査（人工知能人材企業Textioによる）² 女性は男性よりも性格に基づくフィードバックを受け取る可能性が22％高いことがわかりました。AI モデルは、入力を標準化し、読み込まれた言語にフラグを立てるのに役立ちます。しかし、モデルが監査され管理されなければ、AIはバイアスを拡大して定着させる可能性があります。2025年の調査³ 30万件を超える求人情報のうち、「ほとんどのモデルは、特に高賃金の職種では男性を好む傾向がある」ことがわかりました。エンジニアや金融など、男性優位で高給の分野では、大規模な言語モデルが、面接の折り返し電話に女性よりも（同等の）男性を勧める傾向がありました。また、LLMは、パーソナルケアやコミュニティサービスなど、女性が支配する低賃金の仕事には、男性よりも女性を勧める傾向がありました。

オンボーディングは、従業員のライフサイクルの成否を分ける瞬間です。バンブーHRアンケート¹ 組織は新入社員を説得するのに44日しかかからないことがわかりました。そして、オンボーディングが不十分な従業員が留まる場合²、彼らは仕事の効率が低く、同僚と仕事をするための設備が整っておらず、仕事への満足度も低く、会社への献身も低くなっています。

‍

Zapierでは、AIは新規参入者がその時間を最大限に活用できるよう支援します。最高人事責任者のブランドン・サムットが語ったように³、新入社員がいくつかの質問に答えると、AIがパーソナライズされた短いユーザーマニュアル「How to Work With Me」ReadMeを生成します⁴ 各従業員との連携のため。従業員は自分の声で作成された AI ドラフトを編集して Slack で共有できるので、同僚は彼らと共同作業するための最善の方法をすぐに学ぶことができます。Sammutの人事チームは、このAIがサポートするワークフローにより、新入社員1人あたり1〜2時間節約できると推定しています。同じく重要なのは、「AIをヘルパーとして活用することで、ライターの足かせを含む摩擦が取り除かれ、Zapierのチームメンバー全員が、この重要な文化的接点から恩恵を受けることができる」ということでした。

ほとんどのオンボーディングが失敗するのは、実際の仕事のルールがハンドブックに載っていないからです。彼らは隠れたシステム、暗黙の規範、バックチャネルネットワークに住んでいます。早い段階で学ばない新入社員は、間違った優先順位を追いかけたり、仕事を重複させたり、足場を見つける前に燃え尽きてしまうリスクがあります。

‍

Glean では、レベッカ・ハインズが新参者だった頃、彼女はAIを使って5つの簡単なプロンプトを聞いて隠れたコンテキストを明らかにしました。¹:

1. 私の役割は会社のトップライン目標とどのようにつながっていますか？
2. ここのトップパフォーマーは何が違うの？
3. これらの頭字語、流行語、フレーズはどういう意味ですか？
4. 私の役割に関連するプロジェクトに実際に影響を与えているのは誰ですか？
5. 私の個人的な興味やライフステージを共有しているのは誰ですか?

‍

ハインズがグリーン・アシスタントに2つ目の質問をしたところ、答えは「指導可能」でした。最高の成績を収めたのは熟練者だけではありませんでした。彼らはフィードバックを追い求め、迅速に適応し、すべての課題を改善の機会として扱いました。これにより、彼女自身のランプアップへのアプローチ方法が変わりました。自分自身を証明することよりも、早く学ぶことに重点を置くようになりました。

ほとんどの企業が、組織レベル（ロールアウト、パイロット、大規模なイニシアチブ）での AI の導入について語っていますが、個人的なものにするには至っていません。Workday では、人事分析担当副社長の Phil Willburn が別のアプローチについて説明しました。それは、すべての従業員に AI スキルを身に付けるために四半期ごとの目標を設定するよう求めているというものです。その単純な期待から、AI は抽象的な企業イニシアチブから個人のコミットメントへと移行しました。これにより、説明責任が生まれ、実験が標準化されました。さらに、各従業員は各自のAIの使用状況に関する個別のインサイトを受け取ったため、自分の目標をスキル構築の指標とより的確に結び付けることができました。

業績評価や昇進で最も難しいのは、自分の成功を思い出すこと、または祝うことです。Zapierでは、フルスタックエンジニアのジョーダン・ローリーと彼のチーム¹ AIを使ってその問題を「ブラグドク」システムで解決しました。

‍

誰かがSlackに賞品を投稿して絵文字を追加すると、AIがそれをつかんで簡単な要約を生成し、個人の自慢データベースに保存します。時間が経つにつれて、各人は既成の成果記録を作成します。「これらのドキュメントは、会社の目標サイクル、プロモーションプロセス、およびパフォーマンスレビューの参考資料として使用できます。インポスター症候群への取り組みにも役立ちました」とローリーは言います。

AI can make you feel more productive while quietly making you dumber.

‍

That’s the upshot of a study of healthcare workers¹ that Wharton Professor Adam Grant told us about: when Polish endoscopists started using AI to help detect cancer during colonoscopies, their performance on non-AI procedures got worse. In other words, the more these healthcare workers relied on AI, the less sharp they became when the AI wasn’t there. Grant’s takeaway “whether you get cognitive debt or cognitive dividend depends on whether you use AI as a crutch or a learning tool.”

‍

Erica Dhawan, AI expert and author of Digital Body Language and the forthcoming book Use Your Brain, sees the same pattern at the organizational level. As she put it to us, “The smartest leaders approach AI transformation not as a tech upgrade but as a judgment upgrade. The next phase of AI transformation will belong to organizations that pair machine intelligence with human discernment training teams to slow down, question assumptions, and use AI as a collaborator, not a crutch.”

‍

If you treat AI as a substitute for thinking and professional judgment—reflexively leaning on its outputs—you rack up cognitive debt: slower execution in the long run, eroded skills, and misplaced confidence. If you treat AI as a learning tool and collaborator (that helps you critique, compare, and interrogate) and the same system rewards you with a cognitive dividend. It sharpens your judgment and expands your skills, even if sometimes your work takes longer in the short-term.

Mentorship is powered by the human touch. But AI can free mentors to spend their time where their expertise matters most.

‍

As Northwestern professor Liz Gerber explained to us, one of the biggest skills novices lack is metacognition: the ability to step back and ask, “Am I even working on the right problem?” Novices who lack this skill default to safe, surface-level tasks such as polishing slides, coding another feature, or tweaking formatting. The harder, riskier work—clarifying assumptions, diagnosing risks, and stress-testing strategy—goes untouched. “You spend half the meeting [with a mentee] just trying to figure out what they’re talking about…they’re lacking metacognitive skills to plan, diagnose, and understand the problem they’re tackling.”

‍

Her PhD students experimented¹ with AI “pre-coaching” to fix this problem with coaches who mentored novice entrepreneurs. Here’s how it worked. Before the coaches had one-on-one meetings, the novices ran through an AI-guided prep: articulating goals, surfacing risks, and reflecting on progress. The system didn’t just collect updates. It used a library of common pitfalls to uncover the novices’ blind spots (like skipping validation or ignoring distribution) and asked the novices targeted follow-ups. One first-time founder admitted, “I felt called out—but in a good way,” after realizing he’d been hiding in the comfort zone of coding instead of facing the real blocker: the lack of a distribution plan for his start-up.

‍

That prep transformed the subsequent one-on-ones between coaches and novice entrepreneurs. Instead of wasting half the meeting clarifying the problem, conversations jumped straight to higher-value ground: critiquing prototypes, designing validation experiments, debating strategy, or addressing emotional blockers including perfectionism and fear of failure. Mentors in the study reported feeling more focused and impactful; novices said the AI’s nudges felt sharper and more “real” than static frameworks such as Lean Canvas².

Just as AI is reshaping mentorship, it’s also upending apprenticeship. Traditionally, workplace learning followed an apprenticeship model: juniors learned the ropes from seniors. But with AI, that script flips. Many junior employees enter with more AI fluency—they’ve picked it up in college or side projects. Seniors still bring the judgment and scar tissue from years of experience, but when it comes to AI, reverse mentorship is often the answer.

‍

University of California at Santa Barbara Professor Matt Beane calls this “inverted apprenticeship.” On paper, it sounds promising. In practice, his research shows that 90% of the time it fails. Seniors learn just enough to scrape by, while juniors get stuck with the grunt work and eventually burn out.

‍

Yet Beane and his collaborator Callen Anthony (NYU) found¹ a notable exception, what they call seeking. In seeking, senior experts don’t delegate AI tasks downward. They dig in and work side-by-side with their junior colleagues. They share the early stumbles, the trial-and-error, and the messy problem-solving. That joint struggle is what builds lasting expertise for both groups—and stronger bonds between novices and experts.

The doom narrative says AI will wipe out entry-level roles and recent research¹ shows that entry-level jobs are being cut. Shopify is betting on the opposite strategy. After successfully bringing in 25 engineering interns, CEO Tobi Lütke asked Head of Engineering Farhan Thawar how big they could scale the program. Thawar reports, “I originally said we could support 75 interns. Then I took it back. I updated my answer to 1,000².”

‍

Thawar has explained³ that in the post-LLM era, they bring something else: they’re “AI centaurs.” They experiment fearlessly, chase shortcuts, and don’t waste time reinventing the wheel. “I want them to be lazy and use the latest tooling,” Thawar says. “We saw this happen in mobile—interns were mobile-native. Now they’re AI-native.”

‍

At Shopify, leaders believe they need interns with fresh eyes who don’t have old habits to unlearn, and that their curiosity can drag an entire team into the future. But this strategy only works, we should add, in high-trust cultures where young talent gets real problems to solve.

The apprenticeship model isn’t just inverted in some organizations. It’s morphed into a two-speed system—where juniors race ahead with AI, then seniors force them to slow down and wrestle with the bugs.

‍

Traditionally, junior developers learned slowly: sitting in code reviews, pair programming, and watching seniors catch mistakes. With AI-assisted “vibe coding,” developers now produce polished-looking code in hours. It compiles, it runs, it looks fine—until it collapses under real-world complexity.

‍

Some teams embrace a two-speed model. As University of California at Santa Barbara Professor Matt Beane described to us, they let “junior devs” sprint with AI, then force them to hit the brakes. “Senior devs give those junior devs an impossible task per unit time…the junior devs come screaming across the finish line in 48 hours with code that is functional. And then the senior dev says, “There are three problems —go find them. I’m not going to tell you what they are.”

‍

Beane says this works because juniors learn faster. In just a few days, they’ve done the building and now face the kinds of tricky bugs and design flaws that would normally take months to surface. Instead of just watching seniors catch mistakes, they have to find and fix the problems themselves. Beane added, “They get in four days what that entire team normally could have done in, say, three weeks…and those junior people are learning way faster about really high-order subtle stuff than they ordinarily would have.”

Many engineers are trained to think end-to-end: take a big problem, own it, and ship a solution. But with AI in the mix, the skill of decomposition—breaking a big challenge into smaller pieces to figure out which parts can be handled by machines—becomes more valuable.

‍

Research in engineering design has shown¹ that experts tend to use “breadth-first” decomposition (outlining all the major pieces of a problem before drilling into detail). Novices, on the other hand, dive deep into one part and try to perfect it end-to-end. The experts’ breadth-first habit appears to be becoming a key part of AI literacy. “Break your complex problems into ten smaller items and then let AI handle six of them. This isn’t quite the way many engineers naturally think, but once you start seeing the benefits, you start developing new habits for breaking things down differently. One more thing to consider during such a process is whether humans should augment AI, or AI should augment humans,” says Howie Xu, Chief AI and Innovation Officer at Gen.

‍

問題を分解するのは、複雑さを管理するだけではありません。あなたは人間の判断と機械による実行の境界線を描いているのです。すべての分裂は静かな権力の交渉です。

AI は技術学習のあり方を変えるだけではありません。仕事の対人関係のコーチにもなりつつあります。デロイトの「人事の未来」の取り組みを率いるカイル・フォレストをはじめとするリーダーたちは、難しい会話に備えるためにどのようにAIを活用したかを説明しました。彼は時々、その瞬間をAIアシスタントとロールプレイして、同僚や上級リーダーと話す前に難しいメッセージをどのように組み立てるかをテストしている様子を話してくれました。

‍

アットフープ¹、コアプロダクトの責任者であるヒラリー・グリドリーは、チームに「30日間のGPTチャレンジ」を行いました。29日目には、AIを使って難しい会話をリハーサルすることも従業員に奨励されています。たとえば、「締め切りに間に合わなかったことについて、守備的な態度を取らずにチームメイトと話し合う必要がある」というようなプロンプトを出すように勧められます。冷静に会話を始めるにはどうすればいいの？」あるいは、「彼らはどのように反応するだろうか？そして、どうすればそれぞれの反応に共感をもって対処できるか？」[グリドリーの無料の「30日間のGPT学習ガイド」をご覧ください。²「チームで試してみたいなら。]

‍

2023年の探索的研究³ アン・スーとディヴィア・チョードリーによる同様のアプローチをテストしました。HsuとChaudharyは、13人のユーザーを対象に、紛争解決のために開発したAIベースのWebアプリケーションを実験しました。それぞれが職場での紛争シナリオで発言する内容（現実的なものもあれば、仮説的なものもある）を入力し、防御の引き金となる可能性が高いとAIにフラグが立てられた言葉（非難、判断、誇張など）も入力しました。代わりに、より中立的でニーズに基づいた言い回しを提案しました。

‍

この調査に参加したユーザーは、AIのガイダンスを信頼し、言葉遣いを再考するのに役立ち、実際の会話に落ち着いて自信が持てるようになったと報告しました。多くの人が、実際の紛争を安全かつリスクの少ない方法で処理する方法をリハーサルするために使い、ストレス解消であると同時にスキル構築の練習でもあると説明しました。

最も難しいソフトスキルの1つは、「ノー」と言うことを学ぶことです。アダム・グラントが言う「贈り主」にとって、それはほとんど不可能だと感じることがあります。疲れ果て、憤慨し、ひそかに業績が落ち込むまで「はい」と言い続けます。

‍

しかし、最高の組織には、人間関係を損なうことなく時間を守ることができる人材が必要です。

‍

その30日間のGPTチャレンジの一環として¹ Whoopのコアプロダクト責任者であるヒラリー・グリドリーが率いる従業員は、AIを使ってノーと言う練習をしています。次のようなプロンプトを使用できます。

• 「役に立ちながら、これを断る巧みな方法とは？」
• 「これが本当に緊急かどうかを理解するには、どのような質問をすればよいですか？」
• 「この人が私の返答を読んだとき、どう感じるだろうか？そして、どうすればそれを和らげることができるだろうか？」

カリフォルニア大学バークレー校のアリソン・ゴプニック教授の対比¹ 2つの考え方：大工はすべての結果を設計して管理しようとしますが、庭師は成長のための条件を作ることに集中します。マッキンゼーのコンサルタントであるボブ・スターンフェルスとユヴァル・アトスモンは、次のように主張しています。「最も成功しているマネージャーは、新技術を試し、早い段階で有望な結果を示している従業員、チーム、または部署の芽を見極めることに重点を置いています。彼らはこう尋ねます。「イノベーションはすでにどこで行われているのか？驚くほど効果的な方法で問題を解決しているのは誰ですか？'」同じような議論を複数のリーダーから聞きました。彼らは、AIはピアネットワーク、目に見える実例、そして小さな成果を通じて、むしろ庭のように広がると語りました。リーダーとしての仕事は、養子縁組の計画を段階的に細かく管理することではなく、土壌を肥沃にすることだと主張しました。

インタビューしたリーダーの何人かは、万能のトレーニングは、あなたと同じような仕事をしていて同じような課題に直面している人がAIを使うのを見るほど効果的ではないと主張しました。この観察結果は、対人行動に関する研究と一致しています。¹ そして社会運動の広がり² つまり、同じ学校に通っていた人、同じ性別や人種、同じ年齢、この場合は役割や肩書きが似ている人など、自分と似ていると思われる人がモデルになっているのを見ると、新しいアイデアがより早く広がります。

‍

Indeed では、ブランド・広告担当ディレクターのミーガン・マイヤーズがホストを務めています。³ 「パワーユーザーパネル」では、同僚が仕事にAIをどのように組み込むかをライブデモします。デロイトでは、同社は「精通したユーザープロファイル」を作成しました。⁴」—会社のGenAIアシスタントを日常業務にうまく取り入れている従業員に焦点を当てた簡単な記事です。各プロファイルには、解決した問題、実行した手順、節約できる時間が明確に示されています。これにより、同僚は AI の効果的な使用が実際にどのようなものかを理解するのに役立ちます。Zendeskでは、エンジニアリング担当シニアバイスプレジデントのNan Guoが、彼女のチームが6週間にわたって「How Did I It？」をどのように実施したかについて話してくれました。エンジニアが共有のSlackチャンネルに毎日の成果を投稿し、リーダーが勝者を選ぶキャンペーン。このようなキャンペーンは、AIソリューションを抽象的ではなく具体的にするのに役立ちます。これは、あなたと同じような同僚がより良い仕事をするために利用するものです。

ハック・ア・ソン、エージェント・ア・ソン、プロンプト・ア・トーンは、企業のAI展開の定番となっています。楽しく、認知度を高め、AI のチャンピオンやユースケースを浮き彫りにしてくれます。しかし、賞品は最も派手なアイデア（最大のデモ、最も目に見える勝利）にのみ与えられ、ワークフローの改善や仲間によるAIの採用支援などの静かな仕事は見過ごされがちです。

‍

Udemyでは、暫定最高学習責任者のRebecca Sternが、最近組織全体で実施した「UDays」と呼ばれるAIの取り組みについて説明しました。これは、毎月学習に専念する日で、従業員が集まってAIプロンプトとプロトタイプを作成します。派手なインパクトだけで賞品を贈るのではなく、1～2,000ドルをテーブルに置き、3つのカテゴリーに分けています。

1. 最大衝撃実験
2. 最適なビフォーアフタープロンプト
3. 最高のピアフィードバック

UdemyのUDays（毎月学習に専念する日）で、最高学習責任者のRebecca Sternは、営業チームの人々が両足で飛び込んでいることに気付きました。彼らは、他の職務のスタッフよりも賞金を獲得したいというモチベーションが高いようでした。スターンが言うように、「彼らはすでに、リーダーボード、クォータ、勝利というインセンティブ主導の世界に住んでいます。彼らはプレーの仕方を知っていて、勝つためにプレーした。」他のいくつかの部門は遅れていました。同じ賞でも、チームの文化によって意味が異なります。

すべてのインセンティブが現金や賞品である必要はありません。見逃すことへの恐れ（FOMO）も、同様に強いモチベーションになり得ます。

‍

それが彼らがRedditで活用したものです。リードソリューションエンジニアの Ammen Singgh 氏は、すでに摩擦が起きている場所、つまり Slack チャンネルを選んだ経緯を説明しました。そこでは、従業員は常に社内に質問を投稿し、何日も返答を待っていました。彼らはバックログに目を通させる代わりに、Glean を搭載したAIエージェントを導入しました。ボットは即座に回答してくれました。正確で親切で、人の手間もかかりません。

‍

かつては大きなボトルネックだったものが、ほとんど摩擦がなくなりました。社内の人々が「なぜ私たちにもそのエージェントがいないの？」と尋ね始めました。数週間以内に、300 人以上の従業員がアクセスをリクエストしました。6か月後、AIエージェントは全社的に導入されました。Singh氏は、「Buzzは、IT部門からのアウトリーチメールよりもはるかに説得力がある」と述べています。

AI ロールアウトにおける最も簡単な落とし穴の 1 つは、「バニティメトリクス」を追いかけることです。オラクルのAI担当シニアディレクター、フェデリコ・トレッティは彼らをそう呼んでいます。彼は、ログイン数、ツールの使用時間、チャット回数など、ダッシュボードを印象的に見せるための指標について話しています。しかし、AI が実際に仕事を改善しているかどうかは測定しないでください。Torretti氏は次のように語っています。「使用状況（アクティブユーザー、会話数）の監視を開始した瞬間に、実用性ではなくコンプライアンスが得られます。人々はメトリクスを見栄えよくするためにツールを使うふりをします。それは監視であり、養子縁組ではありません。」

‍

Zendeskでは、エンジニアリング担当シニアバイスプレジデントのNan Guoが、ツールの使用状況にこだわる代わりに、6つのエンジニアリング生産性指標のスコアカードを作成した方法を説明しました。その中には、チームレベルで測定する5つの運用指標（サイクルタイム、コードレビューサイクル時間、マージ頻度、変更失敗率、デプロイ数（チームがコードを本番環境に正常にリリースする頻度）が含まれます。「私たちは、『ほら、みんながツールを使っている』とだけ言いたくありませんでした。それが実際に生産性に影響を及ぼしているかどうかを知りたかったのです」と彼女は語りました。

‍

エンゲージメント調査から得られた6番目の指標は、エンジニアが使用しているツールについてどのように感じているか、それらのツールが実際に仕事の改善に役立つと考えているかどうか、フラストレーションや摩擦が高まっている箇所など、生産性の感情的な側面を捉えています。ナンが言ったように、「私たちはデータだけでなく、人々がどのように感じているかを見ています。彼らはツールを信頼していますか？彼らは自分たちが助けていると思っているのか、それとも邪魔をしていると思っているのか？」

‍

一方、オラクルのTorretti氏は、オラクルのリーダーたちが「AIの意図の多様性」、つまり従業員が実際にAIを使用するさまざまなタスクをどのように測定しているかを語りました。人々がAIを複数の作業ストリーム（製図、分析、デバッグ、要約）に適用する場合、それは単なる目新しいものでも、AIシアターを通じて生産性を証明する方法でもなく、仕事の進め方の一部になりつつあることの表れです。

バニティメトリクスを避けるだけでは十分ではありません。真の課題は、効果的な行動変化を評価して推進する測定システムを設計することです。Zendeskのエンジニアリング担当シニアバイスプレジデントであるNan Guoは、彼女のチームが従業員によるAI導入の測定にどれほど慎重に取り組んでいるかを説明してくれました。

• 名前はありません。個々のリーダーボードは立ち入り禁止でした。なぜなら、ランキングが公開されると、信頼、本質的なモチベーション、エンゲージメントが損なわれ、人々はパフォーマンスを真に向上させるのではなく、システムをゲームに集中させる可能性があるからです。
• チーム間の直接比較はできません。指標が意味を持つのは、各チームの仕事の微妙な違いと結びついている場合だけです。Guo氏が言うように、「UIはインフラストラクチャとは比較になりません。同じことをしているわけではありません。」
• メトリクスデータをチームに提供します。最も重要なのは、Zendeskが指標を経営陣だけでなくチームにも委ねていることです。エンジニアが自分のベースラインやトレンドを見たとき、チームの改善点や注力すべき点についての情報が得られたので、より力を与えられたと感じました。

‍

Workday のピープルアナリティクス担当副社長である Phil Willburn 氏はこの点を強調し、次のように語っています。「私はデータの民主化を強く信じています。マネージャーにインサイトを提供できれば、従業員も自分のデータにアクセスできるはずです。」

‍

アクセスには、どのような指標が存在し、それが従業員にどのようなメリットをもたらすかについての明確なコミュニケーションと、「監視」のダイナミクスの認識を妨げる集計と役割ベースの制御が必要であることを強調しました。言い換えると、「指標どおりに実行する」ためのインセンティブ（たとえば、AI の使用数を増やすためのスパムプロンプト）を作成しないでください。代わりに、学習と実際の行動の変化をサポートする手段を設計してください。

従業員の追跡、測定、さらにはスタックランク付けなど、AIの使用を監視スポーツに変えた企業についての話をたくさん聞きました。あるソフトウェア会社の新CEOが出席し、業績評価にAIの使用が考慮されるようになったと発表しました。また、あるフォーチュン100企業では、リーダーが毎週メールを送信し、誰が最もAIを使用しているかをランキングしました。これまで見てきたように、このような監視の考え方は、学習やより良い仕事ではなく、不安やゲームを生み出すものです。

‍

しかし、仲間からの意見がうまく行われれば、AI の使用が自然に感じられるようになります。これは、アーリーアダプターやテクノロジー愛好家だけでなく、誰もがそうすることを期待していることです。そして、それをゼロサムのリーダーボードに変えることなく。Shopifyでは、従業員は四半期ごとにAIツールの使用方法について互いに評価しています。従業員へのメモで¹ CEOのTobi Lütkeは次のように書いています。「AIを上手に使うことを学ぶことは素晴らしいスキルです。私の感覚では、多くの人がプロンプトを書いた後にあきらめ、理想的なものがすぐに戻ってこないということです。プロンプトを出してコンテキストを読み込む方法を学ぶことは重要であり、これがどのように進んでいるかについて同僚にフィードバックを提供してもらうことは貴重です。」Shopifyのポイントは、勝者と敗者を決めることではありません。これは、同僚同士が信頼関係を築く方法の 1 つとして、AI の流暢さを可視化してソーシャル化することです。

‍

Zoomでは、AI のインサイトに対するオーナーシップを人々に与えることが、採用を後押ししました。AI 戦略責任者 Paul Magnaghi 氏は次のように説明しています。「当社の営業業務では、[AI ツールに関する] 信頼を築くことが不可欠でした。」同社は早い段階で、Zoom内の会話インテリジェンスを使って営業担当者の会話の効果を分析し始めました。「最初、営業担当はマネージャーがデータを使って自分たちを監視することを心配していました。私たちはそれをひっくり返して、営業担当者自身にインテリジェンスを公開し、担当者がAIツールに直接問い合わせられるようにしました。今では、「この会話で私は効果的だったのか？」など、好奇心旺盛な質問をすることができます。その結果、そのレベルの信頼が高まるのを見てきました。」

すべての問題が AI の問題というわけではありません。予算の承認を得るためだけにプロジェクトに「AI」を導入したり、より簡単な修正で十分なのに AI が必要だと考えるチームについての話をたくさん聞いたことがあります。Dayforceの最高AI責任者であるDavid Lloydは、「問題には実際にAIが必要なのか」という最初の質問が、強制審査を通じて新しいAIユースケースの提案をどのように行っているかを説明しました。

AI ベンダー（少なくとも粗末なベンダー）は、スマートに聞こえるが意味の少ない流行語で、不安定な製品を隠すのが好きです。パブリシス・メディアのデータサイエンティスト、サヒン・アーメドが言うように¹:「最近、みんながAIの流行に乗って、テックパレードで紙吹雪のように流行語をぶちまけているようです。」彼は警告します²:「自社のAIが実際に何をするのかを明確に説明せずに、専門用語が多いフレーズを使用する企業には注意してください。」

AI イノベーションをすべての人に開放することにはリスクが伴います。そのため、Stanford Medicineは「SecureGPT」と呼ばれる安全なAI「プレイグラウンド」を構築しました。そこでは、臨床医、管理者、スタッフ、ITチームのメンバーが、プライバシーとセキュリティを保護しながら、アイデアを安全にテストできます。CIDO兼副学部長のMichael Pfeffer氏は、スタンフォード大学の医師や看護師が、正式な承認を待たずに、システムによってすべての実験を匿名で追跡しながら、日常業務でどのようにプロンプトをテストしているのかを教えてくれました。

‍

たとえば、最高データ責任者のニガム・シャーが率いるチームが「ChateHR」を開発しました。¹」AIプレイグラウンドで行われた実験を分類してランク付けします。このツールにより、臨床医は「患者の病歴について質問したり、チャートを自動的に要約したり、その他のタスクを実行したりする」ことができます。Shahが説明したように、「ChaThrは安全で、関連する医療データを直接取得し、電子カルテシステムに組み込まれているため、臨床での使用が簡単かつ正確になります。」33人の医療従事者からなるパイロットグループが、各患者の「全体像」に関する情報を迅速に検索するChateHRの能力をテストしました。こうした初期ユーザーの一人であったスタンフォード大学の医師は、ChateHRが彼と同僚たちを解放し、「患者と話したり、何が起こっているのかを理解したりするなど、重要なことに時間を割く」ことができるようになったと報告しています。現在、ChateHRはスタンフォード大学のすべての臨床医が利用できます。

複数の企業が、自社の最強の AI ツールやモデルをエンジニアリングチームやデータチーム用に予約しているという話を聞いたことがあります。Shopifyはその逆です。誰でも、どの機能でも、すべてのモデルを使用できます。彼らの主張は、価値の高いユースケースはどこからでも生まれる可能性があるということです。そして、最も早く採用されたのは、エンジニアリングではなく、営業とサポートでした。

‍

AIのブレークスルーはイノベーションラボだけで起こるものではありません。Sequoia CapitalのパートナーであるSonya Huangが強調したように、最高のAIアイデアは必ずしも当たり前の場所から生まれるとは限りません。「私たちの哲学は、1000本の花を咲かせることです... 組織のどこかにいるPMかもしれませんし、1週間前に入社したばかりの新しい投資家が『顧客との電話にはもっと良い方法はないか？』と言ったかもしれません。」

インタビューでよく取り上げられたテーマの 1 つは、人には AI を試す時間が必要だということです。Canvaの共同創設者兼最高製品責任者であるDavid Adams氏は次のように振り返っています¹、「チームメンバーは、すでに忙しいスケジュールに学習を詰め込もうとするよりも、AI の探索と実験にもっと時間が必要だと言っていました。」組織を問わず、リーダーたちは同じ課題を訴えました。AI を使用する際の最大の障壁は、恐れや関心の欠如ではなく、時間の不足です。

‍

そこで、2025年7月、Canvaは5,000人の従業員に「AIディスカバリーウィーク」のために本業を丸1週間休ませました。「Canvanauts」（同社の従業員）は5日間にわたり、ワークショップ、ハッカソン、オープンエクスプロレーションに参加し、自信を高め、不安を浮き彫りにし、新しいユースケースを発見しました。

AIは「空白ページ症候群」の治療法としてよく売り込まれます。しかし、証拠はまちまちです。いくつかの研究は、初期のAIインプットが創造性を高めることができることを示唆しています¹。他の人はそれが思考を狭める可能性があることを示しています。報告されたSATスタイルのエッセイを書く学生を対象としたMITの研究を考えてみましょう² で ザ・ニューヨーカー 「AIが私たちの思考をいかに均質化しているか」に関する記事。MITの研究者は、LLM使用者が脳内のアルファ波接続性の低下を示していることを発見しました。これは、独創的な思考と創造の流れに関連する信号です。さらに、LLMユーザーが書いたエッセイは、「一般的な言葉やアイデアに集中する傾向があり」、「アウトプットは互いに非常に似ていた」のです。

‍

違いは、人々がAIを使ってアイデアを生み出すのか、それとも創作プロセスの初期段階で時期尚早に絞り込むのかにあるようです。

• AIは、複数の多様で予想外の出発点を提供することで、クリエイティブなプロセスをすぐに開始できます。
• しかし、それがアンカリング（人々を最初のアウトプットに導く）を生み出すと、最高のアイデアが浮かび上がることが多い、創造性の乱雑で価値の高い部分を短絡させる可能性があります。

‍

そのため、AI を招待するタイミングと参加させないタイミングを意図的に区別するクリエイターもいます。行動科学者で作家のリンゼイ・コーラーは、初期の大まかな草稿を乱雑で断片化し、完全に人間味のあるものにすることで、定着を避けています。そこで彼女のアイデアが形になります。その後、AIの登場により、彼女は構造を固め、対話を磨き、ペースを調整し、的を絞った回答を得るための学術論文の検索に役立ちます。

ノーベル賞受賞者ダニエル・カーネマンの研究¹ 人間の心は2つの思考様式で動いていることが分かります

1. システム1（ファーストシンキング）： 直観的、迅速、そして自動です。
2. システム2（スローシンキング）： 熟慮深く、努力し、分析する。

クリエイティブな仕事では、どちらのシステムも重要です。システム1は迅速なつながりや大胆なアイデアを生み出すのに役立ちますが、システム2は熟考、テスト、改良のために時間を短縮します。最高のアイデアは、人とチームが 2 つの間でスムーズに移動するときに生まれます。フォーチュン50企業のあるアドバイザーが私たちに説明したように、AIは創造性に関する作業（研究、プロンプト、アイデア構築など）をスピードアップできますが、創造性そのものは依然として厄介で非効率的です。彼はこう言いました、

‍

「AI はインスタントコーヒーのようなものです。いつでも利用できるし、速いし、ピンチでも十分だ。しかし、Kカップだけで生活していると、本物の淹れ方を忘れてしまい、時間と技術から生まれる豊かな味わいを見逃してしまう危険があります。」

‍

AI はファストモードで成功します。つまり、データを取り込み、オプションを提示し、人間には対応できないペースで実行します。共著者のクリス・イェーとして ブリッツスケーリングと、説明してくれました。AI は、リサーチ、プロンプト、アイデアの足場構築など、創造性に関するタスクをスピードアップできますが、創造性そのものは依然として厄介で非効率的です。彼はさらにこう語ります。「AI はインスタントコーヒーのようなものです。いつでも利用できるし、速いし、ピンチでも十分だ。しかし、Kカップだけで生活していると、本物の淹れ方を忘れてしまい、時間と技術から生まれる豊かな味わいを見逃してしまう危険があります。」

‍

だからこそ、行動科学者で作家のリンゼイ・コーラーと同様に、彼はインキュベーションをスキップしないように警告したのです。彼のルールは、自分の考えが浸透するまでの間、人工知能を持ち込まないこと。

スローシンキングを守るのは、一時停止を追加することだけではありません。重要なのは、プロセスのどの部分が最も重要かを知ることです。それがペリー・クレバーンがローンチパッドを教えることから学んだことです¹は、過去15年間、スタンフォード大学d.schoolで率いてきたスタートアップアクセラレーターです。クレバーンはここ数年、彼が毎年教えている10～15の創設チームにAIがどのように役立つ（そして妨げになる）かを実験してきました。彼は常に、これらの創業者にAIのスピードから恩恵を受けるスタートアッププロセスの段階と、洞察と独創性を生み出すために人間の遅さを必要とする段階について考えるよう圧力をかけ、指導しています。

ロバート・チャルディーニのクラシックブック 影響¹ 人間関係、プロジェクト、またはアイデアに力を注ぐ人が多ければ多いほど、将来それを機能させることに強くコミットするようになることを文書化しています。心理学者はこれを「労働は愛につながる」効果と呼んでいます。人々は苦労して得た行動方針に固執して、自分自身や他の人への努力を正当化します。

‍

Cialdini氏が言うように、スタンフォード大学の講師であるPerry Klebahn氏は、AIによって実現されるプロトタイピングのスピードと容易さ、つまり労働力の不足は、彼のLaunchpadアクセラレータを使用している創業者が、有望なアイデアを開発するために過去ほど懸命に努力せず、苦労していることを意味すると語っています。プレAIで立ち上げられた125社以上の新興企業の創設者は、この「気軽にやって来る」というシンドロームに陥りにくい傾向にありました。有望なアイデアの開発は遅く、より困難で、よりフラストレーションがたまるため、彼らはより献身的だったようです。

‍

クレバーン氏は、こうしたコミットメントの欠如の明らかな兆候として、創業者はしばしば、人工知能が生み出した概念を「このアイデア」と三人称で語っています。以前は、遅い方法を使っている学生が「私のアイデア」や「私たちのプロトタイプ」と言っていました。人工知能を活用したアイデアは簡単にまとめられるため、創業者はそれを改良したり、テストしたり、販売したりすることをあまり強く求めません。マサチューセッツ工科大学の研究² これにも反論しました。AIを使ってエッセイを書いた学生は、自分の作品に「所有権をまったく感じなかった」と言っていました。

‍

ただし、この「イージー・カム・イージー・ゴー」効果には大きな利点があります。AI を使用してプロトタイプを作成するのに必要な労力がないということは、人々が悪いアイデアに不合理にこだわる可能性が低くなることを意味します。また、最初は良さそうだったが、さらにテストを行うと、悪いアイデアや非現実的であることが明らかになったアイデアを簡単に引き出すことができます。

多くの AI イニシアティブは、皆さんの希望や予感、期待に応えられません。私たちが話を聞いたリーダーの何人かは、AIイニシアチブの失敗率を約80％と予測しました。ある人が強調したように、イニシアチブが成功するという説得力のある証拠が得られるまで、仕事の再設計や再配分は行いません。AIは、人間の労働者が社内で行うことを強化または置き換えるために使用できます。

‍

確かに、最近の調査¹ 中規模企業および大企業のリーダー1,000人のうち、多くのリーダーが、人をAIに置き換えるという軽率な人事上の決定を後悔していると回答しています。英国を拠点とするソフトウェア企業Orgveの調査では、調査対象のリーダーの39％が「AIを導入した結果、従業員を解雇した」と報告しています。しかし、これらのリーダーたちが行ったレイオフを振り返ってみると、「55% が解雇について間違った決定をしたことを認めています」。

2025年4月、オープンAIはロールバックしました¹ 最新モデルが AI のサイコファンシーという悪いケースを発生させたことを発見した後の製品アップデートで、過度に好意的だったり、お世辞になったりする傾向がある。アンソロピック社による研究² 人々がAIの回答を評価すると、たとえその回答の正確性が低くても、自分の見解と一致する回答に報酬を与える傾向があることがわかりました。その結果、人間のフィードバックに基づいてトレーニングされたモデルでは、お世辞を言うほどスコアが高くなることを学習します。その結果、真実性を犠牲にしても、意図せずに熱狂的な態度を取るように教えられてしまいます。

‍

それはイノベーションにとって有害です。サイコファンティックなAIはあなたの思考に挑戦しません。バターになるよWhoopのコアプロダクト責任者であるHilary Gridleyは、「人工知能はアイデアを引き立てる」と言っています。だからこそ、彼女は「これはいいアイデアですか？」と尋ねるのをやめることを勧めているのです。、検証が必要な質問です。代わりに、「どのような状況でこれがうまくいかないのか」と尋ねてください。または「これを肯定的に受け取らない人がいるでしょうか？」

‍

確かに、2025年には³ 調査の結果、「何が足りないのか？」のような短い「挑発」が見つかりました。または「反対の視点を生成」することで、ユーザーはAI出力にラバースタンプを押す必要がなくなりました。こうした小さな微調整によって、批判的思考が取り戻され、反省が強制され、AIは怠惰な近道から真の思考パートナーへと変わりました。

そして、こうした挑発が、従業員の仕事量、スキル、ワークスタイルを理解する仕事用AIプラットフォームから来ると、さらに賢くなります。彼らはそれを明らかにするかもしれません：

• 副社長はまだあなたのチームを信頼していないので、大胆な「革新的」な売り込みは、先見の明があるというよりはむしろ無謀なものになります。
• ムーンショットのアイデアは、未完成の実験にまだ埋もれているチームメイトのエネルギーを奪います。
• 前四半期の製品の欠陥にまだ不満を抱いているお客様には、洗練された新しいコンセプトに聞こえるかもしれません。

‍

場合によっては、アイデアが浮かぶか、裏目に出るかを決定する文脈的、関係的、感情的な要因を精査する上で、人間の判断が役立つことがあります。

AIプロジェクトの失敗率が高いことを踏まえ、TelusのAI担当副社長であるAlexandre Guilbaultは、リーダーにAIベットをベンチャーキャピタルのポートフォリオのように考えるよう促しています。おそらく400万ドルしか成功しないとわかっていれば、2,000万ドル相当のチャンスを後押しするかもしれませんが、それらの勝利はミスをカバーする以上のものです。

‍

ギルボーは「リスク加重ROI」の使用を提案しています。紙の上では、2つのAIプロジェクトがそれぞれ1,000万ドルの利益を約束しているかもしれません。しかし、一方の成功確率が 90% で、他方が 30% しか成功しないというのが最善の推定であれば、これらは同等の賭けとは言えません。適切に重み付けすると、成功確率が 20% の「1,000万ドル」のプロジェクトは、実際には200万ドルのプロジェクトです。

‍

もちろん、誰の水晶玉も透明ではありません。ベンチャーキャピタリストやAIリーダーは（他の人間と同じように）どのベットが勝つかを見極めるのが苦手です。ノイズや不確実性が高すぎるからです。しかし、大まかな確率でもより良い会話が強制されます。確率論的に考えることで、すべてのピカピカのプロジェクトが勝者となるファンタジーランドから、現実に考え方が変わります。

顧客に販売するAIツールを構築しているのであれば、部外者がその欠陥を露呈するのを待たないでください。アドビはしません¹。たとえば、2023年にジェネレーティブAIツールFireflyを導入したとき、何千人もの従業員が「顧客ゼロ」になりました。彼らはバグを発見しただけでなく、予想外のユースケースを浮き彫りにしたり、リスクを報告したり、機能を改良したりしていました。それが顧客に届く頃には、製品を徹底的に知っている従業員という、最も厳しい批評家たちからも受け継がれていました。

AI はスピードと効率を左右します。より速く、より安価であることは、もはや競争優位ではなく、多くの場合、それがベースラインとなっています。

‍

本当の利点は、機械では再現できない部分、つまり信頼、思いやり、感情的なつながりにあります。AirbnbのCEO、ブライアン・チェスキーはこれに傾倒しています。¹プライベートシェフやフォトグラファーなどのサービスにも拡大しています。これらはプロセスの時間を短縮することではありません。どんなアルゴリズムにも代えがたい喜びの瞬間を作り出すことが目的です。

AIの採用は、政策メモや経営幹部の激論だけでは広まりません。Complete Leaderの創設者であるMelinda Fellが語ったように、「上層部がテクノロジーを使用しているのを見ると広がります」。ワークライティクスによるリサーチ¹ マネージャーの行動は、他のどの要因よりもAIの採用を予測することがわかりました。マネージャーが週に5回以上AIを使用する場合、採用率は 75% に上昇します。インタビューを行ったフォーチュン50企業の1つでは、リーダーはAIについて話しているだけでなく、それを目に見えるようにしています。経営幹部はスタッフ会議でツールのデモを行い、1対1の会議ではAIツールを展示し、AIが自分の仕事にどのように役立つかをリアルタイムで示します。

‍

ある上級副社長は、「デスクトップ（AI アシスタント）を文字通り常に開いておいて、ツールの使用方法を示したり、デモンストレーションしたり、ロールモデル化したりしているリーダーの例があります。」

人と同じように、組織もリズムに基づいて運営されています。ミーティング、予算、業績評価など、これらすべてが仕事の進め方のペースを決めます。問題は、ほとんどの企業が AI を副次的なプロジェクトとして扱っていることです。つまり、あちこちで予定から外れてしまいました。安定したビートがなければ、養子縁組は失敗します。AIがあれば、AIは組織のハートビート、つまりベンチャーキャピタリストのジョン・リリーが言うように「組織の鼓動」の一部になります。リズムを共有することで、人々は日常業務に AI を組み込み、いつ注意を向けるべきかがわかり、全社で AI の取り組みを同期させることができます。

‍

フォーチュン20企業のある小売業者の人事担当役員は、この組織がどのようにしてこのようなAIリズムを作り出したかを説明しました。

• 一番上: 同組織のCEOは、数百人の副社長との毎月の会議で、AIを常設トピックとして掲げています。
• 機能全体: 部門横断的な運営委員会が定期的に会合を開き、財務、人事、技術、ビジネス全体にわたる採用、ガバナンス、ユースケースについて議論しています。
• 地上で: すべてのスタッフ会議は、AIに焦点を当てた常設議題という同じ儀式で終わります。リーダーは交代で、自分が試みていること、うまくいっていること、うまくいっていないことを紹介します。

私たちが話をしたリーダーの多くは、AIは拡大鏡のようなものだと説明しました。これにより、カルチャー、データ、ワークフローにすでに存在するパターンが増幅されます。ノースウェスタン大学のハティム・ラーマン教授が語ったように、「AIは私たちが望むものをさらに増幅するためのツールを与えてくれます。」しかし、自分の目標をもっと深く考えれば、それ以上は「欲しい」とはまったく思えないかもしれません！

‍

あなたの文化が厳密さよりもスピードを重視するなら、AIはだらしない仕事を大規模にこなすでしょう。営業文化がどんな犠牲を払っても成約に報いるのであれば、AIは顧客との信頼を失いながら短期的な成功を倍増させるでしょう。マネージャーが成果よりもプレゼンティーイズムを重視するなら、忙しそうに見えてもビジネスを前進させないようなアクティビティ指標やダッシュボードを AI が作り出します。

経営幹部が AI について話すとき、「生産性の2倍」や「効率の10倍」といった数字をあちこちに投げかけがちです。Genの最高AIおよびイノベーション責任者であるHowie Xuは、このような「手を振る」指標に対して警告しました。

‍

トップダウン型のAI指標は滑りやすく、誤解されやすいと説明しました。「2倍の生産性」は大胆に聞こえるかもしれませんが、彼が言うように、「影響の70％はAIとは関係がないかもしれません」。さらに、「こうした抽象化やトップラインの指標だけを注意深く使わないと、実際のAIトランスフォーメーションとは何かについて混乱を招き、最悪の場合、さらに官僚主義が強まる」と付け加えました。

‍

リーダーが「2倍の生産性」のような漠然とした目標を設定すると、組織はその数字を現実のものにしようと奮闘します。チームごとに解釈が異なり、成功が何を意味するのか誰も知らず、ダッシュボード、大量のスプレッドシート、洗練されたサクセスストーリーに何時間も費やされます。

もう 1 つよくある落とし穴は、AI を使用してより多くの仕事をこなすことです。短時間で送信されるメールが増え、1 日あたりの診察患者が増え、担当者あたりの対応アカウント数が増えます。しかし、仕事をより速く、より安価にすることに焦点を絞りすぎることによってもたらされる害を無視したり、軽視したりしています。

‍

Michael Pfeffer は、ワークフローを理解せずに効率的なスループットに絞って焦点を絞らないように警告しました。彼は、どの患者がノーショーの予約になりやすいかを予測できるAIの例を挙げました。費用対効果の高い戦略は、これらの患者をダブルブッキングすることです。これにより、システムのスループットが最大化されますが、両方の患者が予約に来たときに不足することになります。Pfefferは、より良いアプローチは、そもそも人々が予定を逃す原因となる障壁を減らすことだと提案しました。アポイントメントまで乗車するのに苦労している人のための交通手段の手配など。彼はこう付け加えます。「どの患者がノーショーになる可能性が高いかを予測できて、ダブルブッキングも可能です... そして今では、医師は2人の患者を診察しなければならない可能性があるため、どちらも受ける時間が短くなります。または、配車サービスに電話して、来ない可能性が高い患者をここに連れてくることもできます... 同じアルゴリズム、異なるワークフロー。」

最近の大規模研究¹ 25,000人の従業員を対象に、ジェネレーティブAIによる時間の節約のうち、実際に収益に結びついたのは約3～7％にすぎないことがわかりました。Alexandre Guilbaultが語ったように、「（AIがレポートの作成に役立ったため）3時間を節約しても、その3時間を生産的に使用することは保証されません。」人々はAIを使って仕事を早く終わらせますが、余った時間は組織の利益のためではなく自分のために使っています。ギルボーが言ったように、「[人々は] コーヒーマシンで過ごす時間が増えているだけかもしれません。これは必ずしも悪いことではありませんが、必ずしも収益に影響するわけではありません。」

‍

そのため、AIを使って仕事を早く終わらせながら、余分な時間を自分のために使う人もいます。忙しそうに見えて、Slack のメッセージを発信したり、他のナンセンスなことをして一生懸命働いているように見せかけて時間をつぶしているかもしれません。SAPによる2025年の調査² 4,000人を超える社会人のうち、回答者の5分の1が、マネージャーにもっと期待する理由を与えるよりも、AIで節約した時間を隠したいと答え、そのような「生産性シアター」を助長しています。

リーダーは、「忙しい仕事をAIが引き受けてくれるので、より高次のタスクに集中できる」という一線を画すのが大好きです。Udemyの暫定最高学習責任者であるレベッカ・スターンは、このスローガンが最前線の役割にとって特に誤解を招く可能性があることを説明してくれました。若手従業員や業務の多い仕事をしている従業員は、日々戦術的なタスクに費やしています。シフトのスケジュール設定、注文の処理、サポートチケットへの回答、物理的な機械の稼動の維持など、解放されるのを待っている「戦略的思考」や「イノベーション」などのいわゆる高次的な仕事は、ほとんどありません。移行すべき「高次」のタスクはないため、機会ではなく消耗品であることを心配しています。

2025年4月、ShopifyのCEO、トビ・リュトケは従業員にこう語りました。¹ 「反射的人工知能の使用が今や基本的な期待値になっている」と。このメモは、AIスキルが業績評価の一部になることを従業員に通知しました。また、チームは人員を増やすようリクエストする前に AI を使い果たしたことを証明する必要もありました。

‍

このような断固たるリーダーシップ、つまり AI の採用に対する全社的な明確なコミットメントは、AI の導入と利用を促進します。しかし、それが心理的安全性と透明性と組み合わなければ、裏目に出る可能性があります。私たちが知っているある大手不動産会社では、ある幹部が、CEOがどのようにして誰もが「AIをデフォルトにする」必要があると宣言し、社内のGenAIツールの週ごとの使用状況を追跡し始めたかを説明しました。従業員はこの種のメッセージを「人工知能を使うか」と解釈し、遅れずについていかなければ（または「AIシアター」の芸術を実践しなければ）自分の仕事や同僚の仕事が消えてしまうという合図として読んでいます。

私たちが話を聞いた多くのリーダーは、フラットニングを今の流行だと説明し、多くの場合、マネージャーはより直属の部下を引き継いでいます。

‍

リリー・チャンが語ったように、「従業員にはAIツールを活用して、話すべきことを提案したり、重要な最新情報をまとめたりすることで、マネージャーと1対1の時間を最大限に活用する機会があります。」

‍

AI はリーダーシップにおける人間同士のつながりに取って代わることはできませんが、能力を伸ばす必要がある場合は、各人が取り組んでいることを明らかにしたり、障害となっているものを指摘したり、論点を提案したりして、調整の負荷を引き継ぐことができます。

2024年、ハーバード大学のラージ・チョードリー教授のチームがAIを訓練しました¹ ZapierのCEO、ウェイド・フォスターのコミュニケーションスタイルを模倣するボット。従業員がこのデジタルドッペルゲンガーとやり取りしたとき、実際のCEOとボットの違いを見分けることができたのは、59% の確率でしかありませんでした。

‍

しかし、従業員の場合 信じた ボットから返答があり、実際にはCEOのフォスター自身からの回答であったとしても、あまり役に立たないと評価されました。社員は、あなたの言葉だけを求めているのではなく、あなたがその言葉の背後にいることを望んでいます。

‍

これは古い現象の新しい表現です。AIが登場するずっと前から、リーダーはメールや「個人的な」テキストさえもアシスタントに委任したり、署名付きのソーシャル投稿をスタッフにゴーストライターで書かせたりしていました。従業員やフォロワーが気づいたときの反応は同じです。信頼が減り、重要性が減り、言葉が本当に重要だという信念が減ります。

人工知能が生成する全員参加型のスクリプトやメモによって、連絡が取れていないリーダーは、あまりにも滑らかで、本物らしくなく、従業員や顧客から切り離されているように聞こえることがあります。何十年もの間、クライアントがより良いスピーチをしたり、より良いストーリーを伝えたりできるよう支援してきたCEO兼作家のナンシー・ドゥアルテは、このAI時代にそれを発見しています¹、彼女が一緒に働くリーダーの多くは、「人々に気を配ってもらう準備ができている部屋に入る能力がない」。最高のコミュニケーターは今でも多くの宿題をしますが、人々はリーダーの不完全でフィルタリングされていない存在を切望していることを知っています。彼らは、「私は本物だ、私はあなたと一緒にいる、あなたは私を信頼してくれる」と伝えるような、一時停止、荒削り、人間性のかけらを求めています。

‍

ただし、一部の仕事では、その人間味はそれほど重要ではありません。ウォートン教授のリンジー・キャメロンは、多くのギグワーカーが実際にはアルゴリズムによる管理を好むことを発見しました。彼女の7年間の研究で² 配車サービスのドライバーの多くが、AIを活用したアプリのスケジュールの柔軟性を高く評価していると回答しています。1日に何百回もの迅速なやり取り、絶え間ないフィードバック、偏見のある上司や細かく管理する上司からの解放などです。キャメロンは、これらのシステムが彼女が「選択に基づく同意」と呼ぶものを生み出していることを示しています。厳しい制約の中でも、労働者は主体性と習熟感を感じて、仕事に従事し続けます。彼らにとって、アルゴリズムによる管理とコミュニケーションシステムが役立つのは、マネージャーや同僚の間の感情的なつながりではなく、魅力的なピースレートでタスクを迅速に完了することが仕事だからです。

リーダーはしばしば AI が短期間で成功することを求めています。しかし現実には、新しいツールや組織プロセスを導入する場合、生産性は向上する前に低下するのが普通です。ノースウェスタン大学のハティム・ラーマン教授は次のように指摘しています。「AIのような新しいテクノロジーを実装することの難しさには、投資する意欲と重要性が必要です。経済学者はこれを... 生産性のJカーブと呼んでいます。」

‍

メールの下書き、メモの要約、定型コードの生成など、最初のメリットはすぐに得られます。しかし、その後、ワークフローの再設計、従業員の再訓練、役割の再考など、より困難な作業が始まります。生産性が曲線の最下位に達するのは、このときです。ラーマン氏は、「これを組織の長期的な変革プロセスと見なす意欲が必要だ」と警告しています。

AI は白紙の状態で組織に導入されるわけではありません。ほとんどの職場には、物事を楽にするはずだった過去の「変革」の亡霊が散らばっています。ERPシステムは全員の作業速度を落としていたERPシステム、クリック数を2倍にする新しいツール、明確さよりも混乱を招く組織再編などです。こうした変化の中には、人々に仕事を奪うものもあり、その後、雇用主は彼らのスキルが不可欠であることに気づきました。

‍

ハティム・ラーマン氏は次のように指摘しています。「多くの労働者は、何かが自分たちの生活を改善すると言われたような変化を経験しましたが、実際にはそうではなく、そのせいで仕事がより複雑になったり、解雇されたりしています。ですから、彼らが懐疑的であるのは当然のことです。」

‍

そんな過去のつまずきを無視すれば、信頼を失うことになる。デロイトの「人事の未来」の取り組みを率いるカイル・フォレストは、彼らの研究を紹介してくれました¹ その結果、信頼度の高い企業の従業員は、信頼の低い企業の従業員の2倍以上AIの使用に慣れていることがわかりました。

では、何を試しても安全かをどうやって判断するのでしょうか？まずは、次の 3 つの質問から始めてください。

1. リバーシブルですか？ 失敗した場合、停止したり元に戻したりするのはどれくらい簡単ですか？ジェフ・ベゾスの「一方向」ドアと「双方向」のドアを考えてみてください。双方向ドア（簡単に逆にできるドア）の場合は、もっと早く行きましょう。
2. 客観的なリスクとは？ これが失敗した場合、人々、業績、評判にどれほどの悪影響が及ぶ可能性がありますか？通常、高いアップサイドと低いダウンサイドはベットする価値があります。
3. 政治的リスクとは？ 時として危険なのはアイデアの失敗ではなく、成功して、権力を持った利己的な間違った人々を動揺させることなのです。

‍

これらの3つの質問は成功を保証するものではありません。しかし、ベットを置く場所と控えるべき場所について、大まかな羅針盤を提示してくれます。

そして何よりも、AI は仕事を直すつもりはないことを覚えておいてください。

‍

あなたはそうです。