【Human–AI Relations 領域9】AIと仕事・組織・アルゴリズム管理 ―― 生産性が上がることは、労働者の能力・自律・仕事の質が向上したことを意味するのか

Human–AI Relations 監査インデックス β

領域 9 / Domain 9

Work・Organization・Algorithmic Management

AIによって仕事が速くなることは、労働者の能力・自律・仕事の質が向上したことを意味するのか

0. Document Status

Document Type: Domain Audit / Publication Version
Domain: Work・Organization・Algorithmic Management
Status: Publication Closure
Theory Status: 新しい包括的AI Work Theoryの提案ではない
Primary Function: AI導入による生産性、技能、労働負荷、自律、監視、組織統制、責任を分離して監査する
Parent Protocol: Domain 0 — Cross-Domain Audit Protocol
Primary Audit Unit: Worker × AI/System × Task × Organization × Manager × Incentive × Power × Outcome × Time Horizon

本領域では、職場でのAI導入を、

または、

という二択では扱わない。

同じAI導入によって、

• 生産性が上がる

• 特定課題の遂行が容易になる

• 従来技能を使う機会が減る

• 新しい検証作業が生じる

• 労働密度が高まる

• 自律性が増える

• 自律性が減る

• 監視が増える

• 管理権限の配置が変わる

ことは同時に起こり得る。

したがって、

である。

1. Core Question

中心問いは次である。

最低限、

を分ける必要がある。

2. Core Distinctions

2.1 生産性向上 ≠ 技能形成

AI利用によって成果物の量や質が上がっても、労働者本人の技能が向上したとは限らない。

Domain 1の、

は職場でも成立する。

2.2 生産性 ≠ 仕事の質

生産性が上昇しても、

• 自律

• 労働負荷

• ストレス

• 監視

• 雇用安定性

• 仕事の意味

• 労働者の発言権（Worker Voice）

が改善したとは限らない。

2.3 自動化 ≠ 労働の消滅

AIが特定課題を自動化しても、

• 検証（Verification）

• 例外処理（Exception Handling）

• 統合（Integration）

• 調整（Coordination）

• 監視（Monitoring）

• 文書化（Documentation）

• 保守（Maintenance）

が新たに発生する場合がある。[D9-S04]

2.4 課題削減 ≠ 労働削減

一つの課題が減ったことから、人間の総労働量が減ったとは推論しない。

である。

2.5 時間節約 ≠ 総労働負荷の低下

個別課題の処理時間が短縮されても、

• 新しい課題

• より高い目標

• 並行処理

• 長時間化

• 検証作業

へ時間が再配分されれば、総労働負荷は減らない。

2.6 労働負荷 ≠ 労働強度

総労働時間と、単位時間あたりの労働密度を分ける。

労働時間が同じでも、

• 作業速度（Pace）

• 同時並行課題（Concurrent Tasks）

• 認知密度（Cognitive Density）

• 締切圧力（Deadline Pressure）

が増える場合がある。

2.7 技能変化 ≠ 技能低下

AI導入によって特定技能を使う頻度が低下しても、

である。

2.8 新しい技能需要 ≠ 総合的能力向上

AI利用によって、

• Prompting

• Verification

• AI Operation

• Coordination

等の新しい技能が必要になっても、それだけで労働者の総合的能力が向上したとは言えない。

2.9 AI導入 ≠ 労働者の受容

組織にAIが導入され、利用率が高くても、労働者が自発的に受容したとは限らない。

2.10 服従 ≠ 信頼

労働者がAIの推奨（Recommendation）へ従っても、AIを心理的に信頼しているとは限らない。

組織方針（Policy）、目標、上司の指示（Manager Instruction）等による可能性がある。

2.11 形式的選択 ≠ 実効的選択

「AI利用は任意」と書かれていても、

• 業績上の不利益（Performance Penalty）

• キャリア上の不利益（Career Penalty）

• 労働負荷

• 同僚との比較

• 上司からの期待

によって実質的に拒否困難な場合がある。

2.12 個人の自律 ≠ 集団的な労働者発言権

個人がAIを拒否できることと、労働者集団がAI導入方針へ影響できることは別である。

2.13 監視 ≠ 管理の質

労働行動を詳細に測定できることは、管理の質や公平性を保証しない。

2.14 測定 ≠ 公平な評価

測定可能な仕事が、高い価値を持つ仕事と一致するとは限らない。

2.15 説明 ≠ 異議申立可能性

評価Scoreの理由を説明されても、

• Data Correction

• Appeal

• Human Review

• Decision Reversal

が可能とは限らない。

2.16 Review担当者の存在 ≠ Review可能性

人間のReview担当者が配置されていても、

• 時間

• 専門性

• 情報

• 権限

• 処理可能な件数

がなければ実効的Reviewは成立しない。

2.17 人間＋AIの共同Performance ≠ 人間単独能力

人間＋AIで高いPerformanceを出せても、人間単独の能力が同じ水準へ上昇したとは限らない。

2.18 生産性向上 ≠ 労働者利益

生産性上昇の利益が、

• 賃金（Wage）

• 労働時間短縮（Shorter Hours）

• キャリア機会（Career Opportunity）

として労働者へ還元されるとは限らない。

3. Existing Research Traditions

Domain 9にはAI以前から強い研究伝統が存在する。

労働過程論（Labor Process Theory）

技術、管理、統制、技能、権力の関係を扱う。

アルゴリズム管理（Algorithmic Management）

Algorithmによる課題割当、勤務計画、監視、評価、懲戒等を扱う。

社会技術システム論（Sociotechnical Systems）

技術単体ではなく、人間、Workflow、Organizationを統合して扱う。

仕事の要求度―資源モデル（Job Demands–Resources Model: JD-R）

仕事上の要求（Demand）と資源（Resource）がWell-beingへ与える影響を扱う。

職務特性モデル（Job Characteristics Model）

自律、Task Identity、Feedback等のWork Designを扱う。

組織的公正・手続的公正（Organizational Justice / Procedural Justice）

評価、処遇、手続きの公平性を扱う。

電子的業績監視（Electronic Performance Monitoring: EPM）

電子的監視とPerformance、Stress、Attitude等を扱う。

ヒューマンファクター / 人間―自動化相互作用（Human Factors / Human–Automation Interaction）

Automation、Situation Awareness、Workload、Human Oversightを扱う。

人間―AI協働（Human–AI Collaboration）

人間とAIによる共同Performanceを扱う。

技能形成 / 技能低下（Skill Formation / Deskilling）

TechnologyがSkill Use、Learning、Expertise Formationへ与える影響を扱う。

課題ベース労働経済学（Task-based Labor Economics）

Technologyが職業そのものではなくTaskを代替・補完する構造を扱う。

見えない労働 / 調整労働（Invisible Work / Articulation Work）

表面上の成果物には現れにくい調整、接続、維持作業を扱う。

労働者発言権（Worker Voice）

Consultation、Representation、Collective Bargaining等を扱う。

既存研究によって主要問題の大部分は扱える。

4. AI / System Scope

職場AIを一括しない。

生成AI支援（Generative Assistance）

文章、Coding、Design、Analysis等。

意思決定支援（Decision Support）

採用、評価、Planning、Forecast等。

アルゴリズム管理（Algorithmic Management）

課題割当、勤務計画、Score付与、監視、懲戒等。

電子的業績監視（Electronic Performance Monitoring）

Keystroke、Location、Communication、Productivity等の監視。

ロボット・物理的自動化（Robotic / Physical Automation）

製造、物流、農業、Warehouse等。

自律型Agent（Autonomous Agents）

複数Stepの業務を自律的に実行するSystem。

Knowledge Management AI

検索、要約、組織記憶（Organizational Memory）。

異なるSystemのEvidenceを無条件に相互転用しない。

5. Outcome Architecture

職場AIのOutcomeを最低限以下へ分ける。

生産Outcome

• 生産量（Output Quantity）

• 成果品質（Output Quality）

• 時間節約（Time Saved）

• 誤り率（Error Rate）

• Cost

労働負荷Outcome

• 総労働負荷（Total Workload）

• 労働強度（Work Intensity）

• 認知負荷（Cognitive Load）

• 検証負担（Verification Burden）

• 監視負担（Monitoring Burden）

• 調整負担（Coordination Burden）

• 例外処理

• 感情労働（Emotional Labor）

技能Outcome

• 技能使用（Skill Use）

• 練習機会（Practice Opportunity）

• 測定技能（Measured Skill）

• 転移（Transfer）

• 技能保持（Skill Retention）

• 専門性形成（Expertise Formation）

労働者主体性

• 自律（Autonomy）

• 裁量（Discretion）

• 実効的選択（Effective Choice）

• 労働者発言権（Worker Voice）

• 異議申立（Appeal）

• 異議申立可能性（Contestability）

Well-being

• Stress

• Burnout

• Satisfaction

• Engagement

• Exhaustion

• Work–life Boundary

• Psychological Safety

キャリアOutcome

• Wage

• Promotion

• Employment Stability

• Career Mobility

• Task Quality

組織Outcome

• Organizational Performance

• Safety

• Reliability

• Human+AI Joint Performance

• Responsibility

これらを相互代用しない。

6. Direct AI-Specific Evidence

6.1 Professional Writing

Noy & Zhang (2023)は、大学教育を受けたProfessionalを対象とした文章作成Experimentで、生成AI利用が課題完了時間を短縮し、成果物Qualityを高めることを報告した。[D9-S01]

したがって、

は維持できる。

ただし、

• 長期的技能形成

• キャリアOutcome

• 仕事の質

• 組織Performance

は直接支持しない。

7. Customer Support

Brynjolfsson, Li & Raymondは、5,172名のCustomer Support Agentを対象に生成AI Assistant導入を分析し、平均で1時間当たりの問題解決件数（Issues Resolved per Hour）が15%上昇したと報告した。[D9-S02]

効果はWorker間で均一ではなく、経験やBaseline Performanceによる異質性があった。

したがって、

はDirect Evidenceとして維持できる。

しかし、

とは一般化しない。

8. Expertise Heterogeneity

AI Benefitは専門性（Expertise）によって異なり得る。

Customer Supportでは経験の浅いWorkerに大きなBenefitが観察された一方、すべてのTaskで同じ方向になるわけではない。[D9-S02][D9-S05]

したがって、

である。

9. Experienced Software Developers

METRによる2025年のRCTでは、経験豊富なOpen-source Developer 16名が、自身が平均約5年間関わってきたProject上で246 Taskを実施した。[D9-S05]

Early-2025 AI Toolを利用可能にした条件では、Task完了時間が19%長くなった。[D9-S05]

一方、参加者自身は研究終了後もAIによって約20%速くなったと推定していた。[D9-S05]

したがって、

という追加区別が必要である。

ただし、この結果をSoftware Development全般やKnowledge Work全般へ一般化しない。

10. AI Capability Frontier

AIの能力に適合したTaskではPerformanceが改善し、適合しないTaskではPerformanceが低下し得る。

「不規則な技術的能力境界（Jagged Technological Frontier）」と呼ばれるKnowledge Worker研究は、このTask-dependent patternを示している。[D9-S03]

しかし、

から固定的なAI Capability Frontierを作らない。

Model UpdateによってBoundaryは移動する。

11. Task Redistribution

Domain 9では、

だけでなく、

を追跡する。

例：

AI導入をWork Eliminationだけで評価しない。

12. Humlum & Vestergaard

Humlum & Vestergaardは、デンマークにおける大規模なAI Adoption SurveyとAdministrative Labor Market Recordを接続し、ChatGPT公開後約2年間について分析した。[D9-S04]

所得（Earnings）と記録労働時間（Recorded Hours）については2%を超えるEffectを棄却できる精度のNull Resultが得られた一方、

• Content Generation

• AI Oversight

• AI Integration

等の新しいTaskが広く発生していた。[D9-S04]

したがって、

であり、

と言える。

Evidence Status：B

13. Invisible Work

AI Systemを実運用するには、

• Prompt Preparation

• Verification

• Correction

• Fact Checking

• Data Cleaning

• Integration

• Reconciliation

• Documentation

• Exception Handling

• Escalation

• Maintenance

等の見えない労働（Invisible Work）が発生し得る。[D9-S04]

ただし、

とは言えない。

14. Articulation Work

調整労働（Articulation Work）は、複数の人間、System、Taskを接続して仕事を成立させる労働を指す。

AI導入によって、

• AI OutputとWorkflowの接続

• Human / AI Role調整

• Error Reconciliation

• Exception Handling

が新たに必要になる場合がある。

これは既存理論をAIへ適用した分析枠であり、新しいAI固有理論ではない。

15. Time Saved

AIによる時間節約（Time Saving）を評価するときは、

• 節約された時間（Saved Time）

• 再配分された時間（Reallocated Time）

• New Tasks

• Increased Targets

• Overtime

• Work Extension

を確認する。

である。

16. Net Workload

現時点では、

も、

も支持できない。

総労働負荷（Total Workload）はOccupation、Task、Organization、Incentiveによって異なる。

Evidence Status：E

17. Work Intensification

労働強化（Work Intensification）は、総労働時間とは別に、

• 作業速度

• 締切圧力

• 同時並行課題

• 認知密度

• 時間的拡張（Temporal Extension）

等が高まる状態を指す。

18. Ranganathan & Ye

2026年に報告された米国Technology Companyでの約8か月のQualitative Researchでは、GenAI利用とともに、

• 課題拡張（Task Expansion）

• 境界侵食（Boundary Erosion）

• 継続的Multitasking

等のWork Intensification patternが観察された。[D9-S06]

ただし当該研究は2026年時点でOngoing Researchとして報告されている。

したがって、

は維持できる。

一方、

とは一般化しない。

Evidence Status：B — Direct descriptive evidence within studied setting

19. Productivity Gain ≠ Workload Reduction

AIによって同じ時間でより多くのOutputを出せる場合、

も成立し得る。

生産性と労働負荷を別Outcomeとして扱う。

20. Skill Outcome

Skillを一つのOutcomeにしない。

最低限、

技能使用（Skill Use）

実際の仕事でそのSkillを使っているか。

練習機会（Practice Opportunity）

Skillを練習する機会があるか。

測定技能（Measured Skill）

独立したTest等で能力を測定したか。

転移（Transfer）

異なるContextへ適用できるか。

技能保持（Skill Retention）

時間経過後にも残っているか。

長期的技能低下（Long-term Deskilling）

長期的能力低下が確認されたか。

を分ける。

21. Long-term Deskilling

2026年9月時点で、

を一般的に支持する数年単位の直接Evidenceは不足している。

したがって、

Evidence Status：D/E

とする。

22. Out-of-the-Loop

Automation研究では、人間が通常操作から外れることで、

• 状況認識（Situation Awareness）

• 介入準備性（Intervention Readiness）

• Manual Skill

が低下するループ外問題（Out-of-the-Loop Problem）が長く研究されている。[D9-S08]

これは重要なAdjacent Evidenceである。

ただし、

を直接証明しない。

23. Skill Redistribution

特定Skillを使う機会が減っても、

• Verification

• AI-use Competence

• Coordination

• Prompting

• Higher-level Judgment

等が重要になる場合がある。

したがって、

だけでなく、

として分析する。

24. Reskilling / Upskilling

AI導入によって新しいSkillが必要になる場合、

• Training

• Learning Opportunity

• Career Path

• Recognition

• Compensation

まで確認する。

である。

25. Career Development

短期Productivity Gainから、

• Promotion

• Wage

• Expertise Formation

• Mentorship

• Employment Stability

へ直接推論しない。

26. Young Worker Employment

Brynjolfsson, Chandar & Chenによる2026年8月改訂Working Paperは、ADPの数百万人規模の米国給与Dataを用い、AI Exposureの高いOccupationにおける22〜25歳のEmploymentが、Exposureの低い同年代と同様に推移した場合の水準より19%低いことを報告した。[D9-S07]

経験豊富なWorkerには同様のGapは観察されなかった。[D9-S07]

したがって、

は維持できる。

Evidence Status：B — Direct labor-market evidence

27. Employment Gap ≠ Expertise Pipeline Collapse

若年層Employmentの低下から、

という長期Chainは論理的に考え得る。

しかし、このPipeline全体はまだ直接観測されていない。

したがって、

とする。

Claim Type：Predictive / Interpretive

Evidence Status：D

28. Employment Decline ≠ Human Learning Decline

雇用人数の減少と、既存WorkerのLearning Outcomeを同一視しない。

雇用構造（Employment Structure）と個人の技能形成（Individual Skill Formation）を分ける。

29. Algorithmic Management

Algorithmic ManagementではAI / Algorithmが、

• 課題割当

• 勤務計画

• 順位付け

• Score付与

• 監視

• 誘導（Nudging）

• Recommendation

• Reward

• Discipline

• Deactivation / Termination

等へ関与し得る。

ここではAIはWorkerを支援する道具だけではなく、

となり得る。

30. Algorithmic Management ≠ Taylorism 2.0

Taylorの科学的管理法（Scientific Management）は、

• Task Decomposition

• Measurement

• Standardization

• Work Pacing

• Managerial Control

という重要なHistorical Prior Artである。

しかしAlgorithmic Managementには、

• Real-time Datafication

• Predictive Scoring

• Opaque Ranking

• Platform Mediation

• Automated Sanctions

等が加わる。

したがって、

とはしない。

31. Monitoring

電子的業績監視（Electronic Performance Monitoring: EPM）は、

• Keystroke

• Location

• Communication

• Task Completion

• Behavioral Data

等を計測する。

32. EPM Evidence

Ravid et al. (2023)は94の独立Sample、N=23,461を対象としたMeta-analysisを行った。[D9-S09]

当該Meta-analysisでは、

• EPMによるWorker Performance改善を支持するEvidenceは確認されず

• EPMの存在はWorker Stress増加と関連し

• より透明（Transparent）かつ侵襲性の低い（Less Invasive）Monitoringは、より肯定的な態度（Positive Attitude）と関連した

と報告された。[D9-S09]

ただしこれは、

ではない。

Evidence Layer：Adjacent Evidence

33. Monitoring ≠ Fair Evaluation

より多くのDataを収集しても、

が成立するとは限らない。

評価の公平性には、

• Data Quality

• Relevance

• Explanation

• Appeal

• Representation

• Contestability

が関係する。

34. Measured Performance ≠ Valuable Work

Algorithmic Managementで測定可能な指標が重視されると、

• Mentoring

• Informal Coordination

• Care

• Local Knowledge

• Tacit Judgment

等が過小評価される可能性がある。

である。

35. Information Asymmetry

Algorithmic ManagementではManager / PlatformがWorkerより多くの情報を持つ場合がある。

Workerには自身のScoreだけが表示され、

• Ranking Logic

• Weighting

• Threshold

• Peer Comparison

が不透明な場合がある。

である。

36. Contestability

AIによる評価やDecisionについて、

• 説明（Explanation）

• Data Correction

• 異議申立（Appeal）

• Human Review

• Decision Reversal

を分ける。

を維持する。

37. Worker Autonomy

労働者の自律（Worker Autonomy）を、

• 課題選択（Task Choice）

• 方法選択（Method Choice）

• Pace Control

• Scheduling

• AI-use Choice

• Ability to Refuse

• Appeal / Contestability

へ分解する。

38. AI Use ≠ Autonomy Loss

AIを利用すること自体を自律喪失（Autonomy Loss）とはしない。

本人がAIを選択し、利用方法をControlできる場合、AIがAutonomyを拡張することもあり得る。

一方、AIがTask Sequence、Pace、Route、Evaluationを規定すればAutonomyが低下する場合もある。

方向はSystem DesignとOrganizationに依存する。

39. Formal Choice / Effective Choice

「AI Toolは任意利用」とPolicy上定められていても、

• Target

• Deadline

• Peer Comparison

• Career Reward

• Workload

によって事実上利用が必要になる場合がある。

実効的選択（Effective Choice）では、

• Refusal Cost

• Performance Penalty

• Career Penalty

• Alternative Workflow

• Workload Substitute

を確認する。

40. Worker Voice

労働者発言権（Worker Voice）には、

• Consultation

• Representation

• Collective Bargaining

• Appeal

• Co-design

• Policy Input

が含まれ得る。

である。

41. Trust / Compliance

WorkerがAI Outputへ従う場合、

と直ちに解釈しない。

従う理由として、

• Policy

• Performance Target

• Liability

• Manager Instruction

• Lack of Alternative

があり得る。

Domain 3の、

と接続する。

42. Psychological Safety

心理的安全性（Psychological Safety）は、

• AI Errorを指摘できるか

• Managerへ異議を言えるか

• Uncertaintyを共有できるか

• Failureを報告できるか

を含む。

である。

43. Well-being

Well-beingを一つのScoreにしない。

最低限、

• Stress

• Burnout

• Satisfaction

• Engagement

• Exhaustion

• Work–life Boundary

• Psychological Safety

を分ける。

2026年時点で、

または、

というDomain-wide general effectは確立していない。

Evidence Status：E

44. Human Oversight at Work

組織が、

と設定していても、大量AI Outputを処理する場合、実効的Reviewが成立しない可能性がある。

必要なのは、

• 時間（Time）

• 専門性（Expertise）

• 情報（Information）

• 権限（Authority）

• 処理可能な量（Manageable Volume）

• 組織的支援（Organizational Support）

である。

45. Human Final Approval ≠ Independent Judgment

AI Recommendationを人間が最終承認しただけでは、

が成立したとは限らない。

Default、Time Pressure、Organizational Incentive等による影響を確認する。

46. Responsibility

AIがTaskを実行しても責任がAIへ自動移転するわけではない。

最低限、

• Worker

• Manager

• Organization

• Software Provider

• Vendor / Platform

• Training System

• Regulator

を分ける。

である。

47. Moral Crumple Zone

道徳的なしわ寄せ地帯（Moral Crumple Zone）は、高度AutomationのFailure時に、実際のControlが限定されていたHuman Operatorへ責任が集中する構造を扱うConceptual Lensである。[D9-S10]

Domain 9でも有用だが、

とはしない。

48. Accessibility and Work

AIは障害を持つWorkerの、

• Communication

• Writing

• Reading

• Meeting Participation

を支援し得る。

しかしDomain 8と同様、

である。

49. Organizational Memory

AIは文書、Meeting、過去Decisionを検索可能にし、組織記憶（Organizational Memory）を支援し得る。

一方、

• 古い記録（Outdated Record）

• 文脈喪失（Context Loss）

• 誤った要約（Incorrect Summary）

• Access Control

等を評価する。

である。

50. Management Substitution

AIが、

• Scheduling

• Evaluation

• Allocation

を行っても、

とは限らない。

管理権限（Management Authority）がSoftware InfrastructureやPlatform Designへ移動している可能性がある。

51. Multi-Actor Structure

Workplace AIは典型的に、

• Worker

• Manager

• Organization

• AI

• Vendor / Platform

の構造になる。

各主体のGoalは一致しない場合がある。

例えば、

となる場合がある。

これらを一つの「AI Benefit」にまとめない。

52. Productivity Gain Distribution

生産性向上が確認された場合、その利益（Benefit）がどこへ配分されたかを見る。

• Wage

• Shorter Hours

• Higher Targets

• Profit

• Headcount Reduction

• Career Opportunity

• More Tasks

Technology自体が配分を決定するとは限らない。

53. EU Platform Work Directive

Directive (EU) 2024/2831は、Digital Labour PlatformにおけるAlgorithmic Managementについて重要な法的境界（Legal Boundary）を形成する。[D9-S11]

同指令には、

• Automated Monitoring / Decision Systemに関するTransparency

• Human Oversight

• 必要なHuman Resources

• Oversight担当者のCompetence、Training、Authority

• 一部重大DecisionをHumanが行うこと

等が規定されている。[D9-S11]

54. Platform Work Directive Boundary

ただし、

である。

対象はDigital Labour Platformを介したPlatform Workであり、一般企業における全Knowledge Workerへ同一の法義務を直接適用しない。

Legal Claimでは、

• 法域（Jurisdiction）

• 対象労働者（Covered Worker）

• 対象System

• 発効・適用時期

• 法的効果（Legal Effect）

を明示する。

55. Alternative Explanations / Counterevidence

AI導入後にProductivityが改善した場合、最低限以下を検討する。

Training Effect

導入と同時にTrainingが増えた。

Selection Effect

AIに適したWorker / Taskのみ測定された。

Novelty Effect

短期的Motivationが高まった。

Additional Resources

AI導入と同時にSupportが増えた。

Task Simplification

仕事そのものを簡略化した。

Measurement Bias

Output Quantityだけを測定した。

Short Follow-up

Long-term Skill / Burnoutが未測定。

Hidden Human Labor

CorrectionやQuality Assuranceが他Workerへ移った。

56. Counterevidence to “AI Makes Workers More Productive”

AI BenefitはTask依存である。

Noy & ZhangやCustomer Support研究ではPerformance Benefitが観察される一方、METRのExperienced Developer研究ではPerformance低下が観察された。[D9-S01][D9-S02][D9-S05]

したがって、

を普遍命題にしない。

57. Counterevidence to “AI Deskills Workers”

AIが特定Skillを外部化しても、

• Verification

• AI Operation

• Exception Handling

• Coordination

等のSkill Demandが増える可能性がある。

一般的なDeskilling結論は維持できない。

58. Counterevidence to “AI Empowers Workers”

Task Assistanceが改善しても、

• Monitoring

• Pace Control

• Algorithmic Evaluation

• Reduced Discretion

が増える場合がある。

を維持する。

59. Evidence Status

Domain 9では概念的な非含意（Conceptual Non-entailment）へA–Fを機械適用しない。

以下はConceptual Distinctionである。

• Productivity ≠ Skill

• Time Saved ≠ Workload Reduction

• Automation ≠ Work Elimination

• Compliance ≠ Trust

• Formal Choice ≠ Effective Choice

• Explanation ≠ Contestability

• Human Final Approval ≠ Independent Judgment

• Productivity Gain ≠ Worker Benefit

具体的Empirical Claimについては次のように扱う。

B — Direct empirical support

• 特定Writing TaskでのGenAI Productivity Benefit。[D9-S01]

• Customer SupportでのProductivity Benefit。[D9-S02]

• GenAI導入後のTask Reorganization。[D9-S04]

• Experienced OSS Developerでの19% Slowdown。[D9-S05]

• 特定Technology CompanyでのWork Intensification pattern。[D9-S06]

• AI-exposed Occupationにおける22〜25歳Employment Gap。[D9-S07]

A — Established within Adjacent Scope

• Electronic Performance MonitoringとStress等の関係。[D9-S09]

• Out-of-the-loop performance problem。[D9-S08]

これらはCurrent GenAIへのDirect Evidenceではない。

D

• Young Worker Employment Gapが将来のExpertise Pipelineを弱めること。

• Generative AIが長期的に特定Skillを弱化させること。

E

• GenAIが一般的にNet Workloadを下げるか上げるか。

• GenAIが一般的にWorker Well-beingを改善するか悪化させるか。

• Multi-year Persistent GenAI Useによる不可逆的Deskilling。

• Long-term AI UseによるCareer Benefit。

60. What We Can Say Now / 現時点で言えること

1. 生成AIは、特定のTask・Populationでは短期Productivityを改善し得る。 [D9-S01][D9-S02]

2. AI BenefitはTask、System、Worker Expertiseによって異なる。 [D9-S02][D9-S03][D9-S05]

3. AIによってProductivityが低下する条件も存在する。 [D9-S05]

4. Productivity、Worker Skill、Autonomy、Well-beingは別Outcomeである。

5. Task-level Time SavingとTotal Workload Reductionは別である。

6. AI導入はWorkを消滅させるだけでなく、Taskを再配置し得る。 [D9-S04]

7. AI導入後にAI OversightやAI Integration等の新しいTaskが生じる場合がある。 [D9-S04]

8. 特定のTechnology Companyでは、GenAI利用とTask Expansion、Boundary Erosion、Multitasking等のWork Intensification patternが観察されている。 [D9-S06]

9. 長期的かつ不可逆的なDeskillingは現時点で一般的に実証されていない。

10. Electronic Performance Monitoring研究では、Performance改善を支持するEvidenceが確認されず、Stress増加との関連が報告されている。 [D9-S09]

11. AIへのRelianceは心理的Trustだけでは説明できず、OrganizationのRule、Incentive、Authorityを考慮する必要がある。

12. Algorithmic ManagementはWorker支援だけでなくManagement Controlにも利用され得る。

13. Human Oversightの存在と、その実効性は別である。

14. AI曝露度の高い一部Occupationでは22〜25歳のEmployment Gapが観察されている。 [D9-S07]

15. Productivity GainがWorker Benefitとして配分されるかは別途評価する必要がある。

61. What We Cannot Say Yet / 現時点では言えないこと

1. 生成AIは仕事全般のProductivityを向上させる。

2. AIは一般に労働負荷を減らす。

3. AIは一般に労働負荷を増やす。

4. AIは一般にWorkerをDeskillingする。

5. AIは一般にWorkerをUpskillingする。

6. Noviceは常にAIから最大Benefitを得る。

7. AI導入はWorker Well-beingを改善する。

8. AI導入はWorker Autonomyを低下させる。

9. AI導入はWorker Autonomyを向上させる。

10. Human Final ApprovalがあればHuman Controlは維持される。

11. Time Savingが確認されればHuman Laborは減ったと言える。

12. 若年Employment Gapが将来のExpertise Pipeline Collapseを既に引き起こしたと言える。

13. Persistent GenAI Useが不可逆的Long-term Deskillingを引き起こす。

14. AI-based ManagementはManagementをより公平にする。

15. WorkerがAIを利用していることはWorker Acceptanceを意味する。

16. Platform Work Directiveの規定を一般の全Workplaceへ直接適用できる。

62. Boundary Conditions

Workplace AI研究を比較するときは最低限以下を確認する。

対象集団（Population）

• 年齢

• Expertise

• Junior / Senior

• Managerial / Non-managerial

• Employment Type

職種・産業（Occupation / Sector）

• Knowledge Work

• Software

• Customer Support

• Manufacturing

• Logistics

• Agriculture

• Platform Work

System

• Generative Assistant

• Coding Assistant

• Algorithmic Management

• Electronic Monitoring

• Autonomous Agent

• Robotic Automation

課題（Task）

何をAIが支援・代替したか。

利用条件（Use Condition）

• Voluntary

• Encouraged

• Expected

• Mandatory

Outcome

• Productivity

• Skill

• Workload

• Autonomy

• Well-being

• Career

• Safety

• Responsibility

時間軸（Time Horizon）

• Single Task

• Days

• Months

• Years

• Career Scale

組織（Organization）

• Manager Authority

• Incentives

• Worker Voice

• Union / Representation

• Oversight Capacity

• Appeal Process

63. High-Risk Misinterpretations

Misinterpretation 1

「AIで仕事が速くなった」
→
「Worker Skillが上がった」

導けない。

Misinterpretation 2

「Taskが自動化された」
→
「人間の仕事量が減った」

導けない。

Misinterpretation 3

「AI Toolを使っている」
→
「AIを信頼・受容している」

別概念。

Misinterpretation 4

「最終確認は人間」
→
「人間がControlしている」

実効的Review Capacityを確認する必要がある。

Misinterpretation 5

「Productivityが上がった」
→
「Worker Well-beingが改善した」

別Outcome。

Misinterpretation 6

「一部SkillをAIが代行した」
→
「人間がDeskillingした」

導けない。

Misinterpretation 7

「Young Worker Employmentが減った」
→
「Expertise Formation Pipelineが既に崩壊した」

予測的Inferenceを含む。

Misinterpretation 8

「Algorithmic Managementが効率的」
→
「Managementが公平である」

別問題。

64. Source Ledger

[D9-S01] Noy & Zhang (2023)

Citation
Noy, S., & Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence.

Publication
Science, 381(6654), 187–192

DOI
10.1126/science.adh2586

Source Type
Randomized Experiment

Population
College-educated professionals

System
ChatGPT

Task
Professional writing tasks

Supports
特定Writing TaskにおけるTime / Quality改善。

Does Not Support
Long-term skill、career、firm-level productivity、well-being。

Evidence Layer
Direct AI-Specific Evidence

Evidence Status
B.

[D9-S02] Brynjolfsson, Li & Raymond (2025)

Citation
Brynjolfsson, E., Li, D., & Raymond, L. R. Generative AI at Work.

Publication
The Quarterly Journal of Economics, 140(2), 889–942

DOI
10.1093/qje/qjae044

Population
5,172 customer-support agents

System
Generative AI conversational assistant

Outcome
Issues resolved per hour

Main Result
平均15%のProductivity increase。

Supports
特定Customer Support settingでのPerformance BenefitとWorker heterogeneity。

Does Not Support
Universal productivity effect、long-term career / skill outcome。

Evidence Layer
Direct AI-Specific Evidence

Evidence Status
B.

[D9-S03] Dell'Acqua et al. — Jagged Technological Frontier

Source Type
Field Experiment / Knowledge Work

Population
Professional knowledge workers

Supports
AI BenefitがTaskとAI Capabilityへの適合に依存し得ること。

Does Not Support
固定的・普遍的なCapability Frontier。

Evidence Layer
Direct AI-Specific Evidence

Evidence Status
B.

[D9-S04] Humlum & Vestergaard

Citation
Humlum, A., & Vestergaard, E. Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI.

Publication
NBER Working Paper 33777

Issue / Revision
2025 / 2026 revision

DOI
10.3386/w33777

Population
Danish workers and workplaces

Design
Large-scale adoption surveys linked to administrative labor records

Main Result
Earnings / recorded hoursについて精密なNull Effect。一方でContent Generation、AI Oversight、AI Integration等のTask Reorganizationを観察。

Supports
Task Redistribution。

Does Not Support
Universal increase in total labor、universal workload direction。

Evidence Layer
Direct AI-Specific Evidence

Evidence Status
B.

[D9-S05] Becker et al. / METR (2025)

Citation
Becker, J., Rush, N., Barnes, B., & Rein, D. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity.

Source Type
Randomized Controlled Trial / Research Report

Population
16 experienced open-source developers

Tasks
246 real issues in mature projects

System
Early-2025 AI coding tools

Main Result
AI allowed conditionでCompletion Timeが19%増加。

Perception Result
Participants believed AI had sped them up by approximately 20%.

Supports
Task / expertise-specific productivity penalty; perceived vs measured productivity distinction.

Does Not Support
Software development一般、2026以降のModel、all coding tasks。

Evidence Layer
Direct AI-Specific Evidence

Evidence Status
B.

[D9-S06] Ranganathan & Ye (2026)

Source
UC Berkeley Haas ongoing research

Study Type
Qualitative / Ethnographic Field Research

Setting
U.S. technology company

Duration
Approximately 8 months

Population
Approximately 200 workers

Observed Themes
Task Expansion、Boundary Erosion、Continuous Multitasking。

Supports
特定settingにおけるWork Intensification pattern。

Does Not Support
Domain-wide causal effect、population-wide burnout outcome。

Evidence Layer
Direct descriptive AI-Specific Evidence

Evidence Status
B within studied setting.

Important Limitation
2026年時点でOngoing Research。

[D9-S07] Brynjolfsson, Chandar & Chen (2026)

Citation
Brynjolfsson, E., Chandar, B., & Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence.

Institution
Stanford Digital Economy Lab

Status
Working Paper

Revision
August 12, 2026

Data
ADP administrative payroll data covering millions of U.S. workers

Main Result
AI-exposed Occupationにおける22〜25歳のEmploymentが比較基準より19%低い。Experienced workersでは同様のGapなし。

Supports
Age-specific employment change associated with AI exposure.

Does Not Support
Direct proof of future expertise-pipeline collapse。

Evidence Layer
Direct labor-market evidence

Evidence Status
B for employment pattern; D for future expertise consequence.

[D9-S08] Endsley & Kiris — Out-of-the-Loop

Source Type
Human Factors / Automation Experimental Literature

Evidence Layer
Adjacent Evidence

Supports
AutomationによってActive Controlから外れたHuman OperatorのSituation AwarenessやIntervention Performanceが低下し得ること。

Does Not Support
Generative AIによるlong-term irreversible deskilling。

Evidence Status
A within classic automation scope.

[D9-S09] Ravid et al. (2023)

Citation
Ravid, D. M., White, J. C., Tomczak, D. L., Miles, A. F., & Behrend, T. S. A meta-analysis of the effects of electronic performance monitoring on work outcomes.

Publication
Personnel Psychology, 76, 5–40

DOI
10.1111/peps.12514

Study Type
Meta-analysis

Evidence Base
94 independent samples; N=23,461

Supports
当該Evidence BaseではEPMによるPerformance改善を支持するEvidenceが確認されず、Stress増加との関連が観察された。Transparent / less invasive MonitoringではAttitudeがよりPositive。

Does Not Support
Current GenAI monitoring systemのDirect causal effect。

Evidence Layer
Adjacent Evidence

Evidence Status
A within EPM literature.

[D9-S10] Elish — Moral Crumple Zone

Source Type
Conceptual / Ethics of Automation

Supports
Actual ControlとFormal Responsibilityが乖離し得ること。

Does Not Support
Every AI workplace failureへの適用。

Evidence Role
Conceptual Lens.

[D9-S11] Directive (EU) 2024/2831

Source
European Union / EUR-Lex

Legal Instrument
Directive (EU) 2024/2831 on improving working conditions in platform work

Jurisdiction
European Union

Scope
Digital labour platforms / persons performing platform work

Relevant Provisions
Automated Monitoring / Decision SystemのHuman Oversight、十分なHuman Resources、Competence / Training / Authority、特定重大DecisionのHuman decision requirement等。

Supports
Platform WorkにおけるAlgorithmic ManagementへのBinding Legal Boundary。

Does Not Support
一般Workplace AIすべてへの直接適用。

Evidence Role
Legal Source.

65. Cross-References

Domain 0 — Cross-Domain Audit Protocol

Authority、Formation、Influence、Execution、Responsibility。

Domain 1 — Learning・Capability Formation

Performance、Learning、Retention、Transfer、Capability。

Domain 2 — Decision Formation

Recommendation、Human Approval、Organizational Constraint。

Domain 3 — Trust・Reliance

Compliance、Reliance、Trust。

Domain 4 — Communication

AI-generated Wording、Meeting Summary、Organizational Mediation。

Domain 7 — Care・Aging

Staff Workload、Invisible Work、Automation。

Domain 8 — Accessibility

Workplace Accommodation、Employment Participation。

Domain 10 — Oversight・Safety

Human Review Capacity、Out-of-the-loop、Intervention。

Domain 11 — Institution・Law

Worker Rights、Contestability、Legal Responsibility。

Domain 12 — Finance

Algorithmic Scoring、Incentives、Decision Automation。

66. Research Gaps

長期的技能形成（Longitudinal Skill Formation）

数年単位のPersistent GenAI Useが職業Skillへ与える影響。

若年労働者の専門性形成（Junior Worker Expertise Formation）

Entry-level TaskやEmployment Opportunityの変化が将来のExpertise形成へ与える影響。

キャリア形成（Career Development）

AI-assisted WorkerのPromotion、Wage、Mentorship、Career Mobility。

正味労働負荷（Net Workload）

Time SavingとTask Creationを統合した総労働負荷。

労働強化（Work Intensification）

短期的Task Expansionが長期Burnout等へ接続するか。

Invisible Work Measurement

Verification、Integration、Maintenanceの実量。

大規模Human Oversight（Human Oversight at Scale）

大量AI Outputに対するHuman Reviewの実効性。

労働者の自律（Worker Autonomy）

AIがDiscretionを増減させる条件。

労働者発言権（Worker Voice）

Collective BargainingやCo-designがAI導入へ与える影響。

心理的安全性（Psychological Safety）

AI Errorや異議を表明できるOrganizationの条件。

GenAI × Algorithmic Management

Generative AIが一般的Knowledge WorkのManagementへ統合される過程。

生産性利益の配分（Productivity Gain Distribution）

生産性利益がWorker / Organizationへどう配分されるか。

組織依存（Organizational Dependency）

Vendor / Cloud / Platform停止がOrganization Capabilityへ与える影響。

Mandatory AI Use下の責任

AI利用が事実上義務化された環境での実質Controlと責任。

67. Classical / Historical / Critical Lenses

Karl Marx

Include with strong qualification

Mechanization、Labor Control、AlienationをHistorical / Political-Economy Lensとして参照可能。

ただし、

と直接同一視しない。

Empirical Spineには置かない。

Frederick Taylor

Include with qualification

Scientific ManagementはAlgorithmic Managementの重要なHistorical Prior Art。

ただし、Algorithmic Management特有の、

• Prediction

• Real-time Datafication

• Opaque Scoring

• Platform Mediation

• Automated Execution

を分ける。

Erich Fromm

Optional / Exclude from core

Formal Choice、Organizational Pressureには、Algorithmic Management、Labor Process Theory、Organizational Power等のより直接的Frameworkが存在する。

Douglas McGregor

Optional / Limited

Theory YはWork Design、Autonomy、Responsibilityを考えるManagement Lensとして利用可能。

ただし、

のEvidenceにはしない。

68. Existing-Theory-First Final Judgment

Domain 9では、

• Labor Process Theory

• Algorithmic Management

• Sociotechnical Systems

• Job Demands–Resources

• Job Characteristics Model

• Organizational Justice

• Electronic Performance Monitoring

• Human Factors

• Human–Automation Interaction

• Human–AI Collaboration

• Task-based Labor Economics

• Invisible Work

• Articulation Work

• Worker Voice

• Organizational Power

によって主要問題の大部分を扱える。

AI-specific Extensionが有用なのは、

• Generative Verification Burden

• Human+AI Joint Performance

• GenAI Task Redistribution

• AI-mediated Work Intensification

• Persistent AI Work Infrastructure

• GenAI × Algorithmic Management

等である。

現時点で、新しい包括的AI Work Theoryの必要性は確認できない。

69. Final Assessment

Domain 9で最も危険な短絡の一つは、

というChainである。

これは成立しない。

逆方向の、

というChainも成立しない。

AI導入後に重要なのは、

だけではない。

より重要なのは、

である。

生成（Generation）が減れば検証（Verification）が増えるかもしれない。

定型実行（Routine Execution）が減れば例外処理（Exception Handling）が増えるかもしれない。

Data Entryが減ればIntegrationやReconciliationが増えるかもしれない。

そして、生産性向上が生じても、その利益が、

• Wage

• Shorter Hours

• Career Opportunity

• Profit

• Higher Targets

• Headcount Reduction

のどこへ配分されたかはTechnology単体では決まらない。

したがってAIとWorkを評価するときは、

を明示し、

• 生産性（Productivity）

• 技能（Skill）

• 労働負荷（Workload）

• 労働強度（Work Intensity）

• 自律（Autonomy）

• 労働者発言権（Worker Voice）

• Well-being

• Career

• Organizational Performance

• Responsibility

を分離する必要がある。

Domain 9の中心命題は、

ことである。

最後まで、

を維持する。

Publication Status: Closure
Evidence Cutoff: 2026年9月
Update Policy: 新しいLongitudinal Skill Evidence、Workload Evidence、GenAI Algorithmic Management Evidence、Employment / Legal Evidenceに重大更新が生じた場合に更新対象とする。