「AIなら明日できるでしょ」の正体｜AIリテラシーが低い発言4つと返し方
この記事の要点
「AIなら明日できるでしょ」「AIなら何でもできる」「AIに聞いたから正しい」「AI入れたら人を減らせる」。この4つの発言に共通するのは、AIの知識不足ではなく、何を作るか・何をもって正しいとするか・誰が確かめるかが決まっていないことだ。仕事を「決める・作る・確かめる」の3工程に分けると、AIが大きく縮めたのは「作る」だけで、4つの発言はどれも「決める」か「確かめる」を飛ばしている。METRの比較実験では、熟練開発者がAIで19%遅くなったのに20%速くなったと感じていた。Upworkの調査では、社員の77%がAIで仕事が増えたと答えた。発言ごとに誤解と実際を整理し、工程を分けて見せる・その場で一緒に動かす・小さく作ってから数字を出すという3つの返し方を示す。
「AIなら明日できるでしょ」。 上司や経営層、セミナーの参加者、一緒に開発する協力会社から、私はこの手の言葉を何度も聞いてきた。
言った本人に悪気はない。AIのニュースを見て、本当にそう思っている。だから「リテラシーが低い」と片付けても何も変わらない。本記事では、よく聞く4つの発言を取り上げ、それぞれ何が抜けているのかと、言われたときにどう返すかを示す。言う側が読めば自分の点検に、言われる側が読めば会話の切り替えに使えるように書いた。
答えを先に：4つの発言に共通するのは「中身が決まっていない」こと
私がよく聞く発言は次の4つだ。
- 「AIなら明日できるでしょ」
- 「AIなら何でもできる」
- 「AIに聞いたから正しい」
- 「AI入れたら人を減らせる」
どれもAIの性能を過大評価しているように見える。だが、根っこはAIの知識ではない。何を作るのか、何をもって正しいとするのか、誰が確かめるのかが、まだ決まっていない。 決まっていないから、AIがそこを埋めてくれるように見える。
仕事は3つの工程に分けられる。
| 工程 | 中身 | AIで縮むか |
|---|---|---|
| 決める | 何を作るか、完成の条件、誰が責任を持つか | 縮まない |
| 作る | 文章・画面・コード・資料を形にする | 大きく縮む |
| 確かめる | 正しいか、業務に合うかを見る | 縮まない（むしろ増える） |
AIが大きく縮めたのは「作る」だけだ。4つの発言は、どれも「決める」か「確かめる」を飛ばしている。以降、1つずつ見ていく。
「AIなら明日できるでしょ」— 縮むのは「作る」だけ
誤解：作る時間＝仕事の時間だと思っている。
実際：AIで縮むのは「作る」工程だけで、決める時間と確かめる時間はそのまま残る。
私の案件でも、画面の試作はAIですぐに出た。ところが、その画面が業務に合っているかの確認と修正には週単位でかかった。作るのが速くなった分、確かめる工程の長さが目立つようになった。
しかも、「速くなった」という体感そのものが当てにならない。METRが2025年に行った比較実験では、熟練の開発者16人が実際の課題246件に取り組んだ。AIを使える条件では作業時間が19%長くなったのに、本人たちは20%速くなったと感じていた。
ただしこれは2025年前半のツールで、開発者が慣れたリポジトリを扱った条件の結果だ。どんな仕事でもAIで遅くなるという意味ではない。言えるのは、体感の「速くなった」は期間の見積もりに使えないということだ。
返し方：工程を分けて見せる。 例えば「作る部分は明日できます。何を作るかを決めるのに2日、確かめるのに3日かかります」と、工程ごとに日数を出す。「明日」を否定するのではなく、明日で済む部分と済まない部分を分けて見せる。
見積もりがずれる理由はもう1つある。AIが1回でこなす範囲が広がり、確かめる量そのものが増えていることだ。これはAIの精度が上がったのに、開発が終わらないで書いた。
「AIなら何でもできる」— 決まらないと、道具も選べない
誤解：AIに頼めば、やりたいことを汲み取って形にしてくれると思っている。
実際：AIは頼まれたことを形にする。頼み方が曖昧なら、曖昧なものが返ってくる。「何でもできる」と言うとき、多くの場合「何をしたいか」がまだ言葉になっていない。
これは個人だけの問題ではない。帝国データバンクが2026年3月に行った調査（有効回答1万312社）がある。生成AIの懸念として**「活用すべき業務の範囲」を挙げた企業は40.0%**だった。何に使うかが決まらないことは、企業単位でも大きな壁になっている。
さらに言えば、AIは生成AIだけではない。需要予測や不良品の検出のように、予測や識別のAIが向く仕事もある。何をしたいかが決まって初めて、どのAIを使うかも選べる。種類の違いはAIは5種類あるにまとめている。
返し方：その場で一緒に動かす。 口で説明するより、相手の言葉をそのままAIに入れて見せる方が早い。曖昧な頼み方で出てきた結果を一緒に見ると、「そうじゃなくて、こういうことがしたい」と相手の口から出てくる。その一言が、決める工程の始まりだ。
「AIに聞いたから正しい」— 基準がないと、確かめようがない
誤解：AIの回答は調べた結果であり、正しいと思っている。
実際：AIはもっともらしい文章を作るのが得意で、事実と違う内容も同じ調子で出す。ハルシネーションと呼ばれる現象だ。そして、何を正しいとするかの基準を決めていなければ、確かめる側も確かめようがない。
私が関わった案件でも、AIの回答を確認しないまま使い、誤りがそのまま表に出たことがある。回答の質の問題に見えるが、実際には確かめる工程が計画に入っていなかった。確認を省いたときに何が起きるかはAI活用の失敗と教訓に詳しく書いた。
企業も同じところで悩んでいる。先の帝国データバンク調査では、生成AIの懸念の最上位が**「情報の正確性」で50.4%**だった。
返し方：その場で一緒に動かす。 同じ質問を言い回しだけ変えて2回聞き、答えが変わるところを一緒に見る。揺れるのを見れば、「AIが言ったから」は根拠にならないことが伝わる。そのうえで、誰が、何と照らして確かめるのかを決める。ハルシネーションの仕組みはひもときで、動く図を使って説明している。
「AI入れたら人を減らせる」— 確かめる人が要る
誤解：AIを入れれば、その分の人手が浮くと思っている。
実際：作る人は減らせても、確かめる人は減らせない。AIが作る量が増えれば、確かめる仕事もそれに比例して増える。
私が関わった案件でも、人を減らす前提でAIを入れた結果、チェックする人が別に必要になった。
Upworkが2024年に経営層・社員・フリーランスを対象に調査している。経営層の**96%は、AIで生産性が上がると期待していた。一方で、AIを使う社員の77%**は「仕事が増えた」と答えている。増えた作業で最も多かったのは、**AIが作ったものの確認・修正（39%）**だった。
AIは判断の主体にはなれない。間違っていたときに責任を持つ人は、どれだけAIを入れても残る。
返し方：小さく作ってから期間と人数を出す。 いきなり人員計画を変えず、1つの業務で小さく回してみる。作る時間がどれだけ減り、確かめる時間がどれだけ増えたかを実際に測ってから、人数を決める。数字が出れば、「減らせる」は願望から見積もりに変わる。
研修では直らない理由
「リテラシーが低いなら研修を受けさせればいい」という声はよく聞く。私はこれに賛成しない。研修でAIの知識は増えても、「何を決めるか」は身につかないからだ。
4つの発言に抜けていたのは、AIの知識ではなかった。何を作るか、何をもって正しいとするか、誰が確かめるか。これは自分の仕事を工程に分けて考えられるかどうかの問題で、座学より、一度実際に作ってみる方が早く身につく。
コーレ株式会社は2026年1月、生成AIを導入している企業の管理職・マネージャー1,008人に調査を行った。約7割が「使いこなせない層による業務への支障」を感じていた。使いこなせない層として最も多く挙がったのは、課長・リーダー職だった。指示を出す立場の人が、そのまま使いこなせない層になっている。
だから私は、研修を勧める代わりに、一緒に1本作ってみることを勧めている。
リテラシーの定義や段階を体系的に知りたい人はAIリテラシーの正体を読んでほしい。本記事は、その手前にある「言葉のずれ」を扱った。
まとめ：言う前の4問、言われた後の3つの返し方
| 発言 | 抜けている工程 | 返し方 |
|---|---|---|
| 「AIなら明日できるでしょ」 | 決める・確かめる | 工程を分けて日数を見せる |
| 「AIなら何でもできる」 | 決める | その場で一緒に動かす |
| 「AIに聞いたから正しい」 | 確かめる | 同じ質問で答えが揺れるのを見せる |
| 「AI入れたら人を減らせる」 | 確かめる人 | 小さく回して測ってから人数を出す |
言う側の人へ。 「AIなら」と言いかけたら、先にこの4問に答えてほしい。
- 何を作るか、完成の条件を1文で言えるか
- できたものを、誰が何と照らして確かめるか決まっているか
- 間違っていたとき、誰が責任を持つか決まっているか
- 確かめる時間を、日程と人数に入れているか
1つでも答えられないなら、AIに頼む前に決めることが残っている。
言われる側の人へ。 否定から入らなくていい。工程を分けて見せ、その場で動かし、小さく作ってから数字を出す。「AIならできる」を、何を決めるかの会話に切り替える。それが、この発言への一番の返し方だ。
AIの性能はこれからも上がる。それでも、何を作るかを決めるのは、頼む側の仕事として残り続ける。
参考・出典
- Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity｜METR — 熟練開発者16人・246課題の比較実験（体感+20%、実測-19%）
- Upwork Study Finds Employee Workloads Rising Despite Increased C-Suite Investment in Artificial Intelligence｜Upwork — 経営層の期待96%、社員の業務増77%、確認・修正39%（2024年7月）
- 生成AIに関する企業の動向調査（2026年3月）｜帝国データバンク — 有効回答1万312社。懸念の上位（情報の正確性50.4%、活用すべき業務の範囲40.0%）
- 企業の生成AI利用実態調査2026｜コーレ株式会社 — 管理職1,008人。業務支障の実感と、使いこなせない層の職位
関連記事
- AIの精度が上がったのに、開発が終わらない｜伸びたのは期間ではなくスコープだ — 見積もりがずれるもう1つの理由
- AI活用の失敗と教訓｜品質崩壊を防ぐ3つのルールと実例 — 確かめる工程を省いたときに起きること
- 人間のバグ率は1-4%｜みんなが言う「AI」を説明できますか？ — そもそもAIとは何か
- AIリテラシーの正体 — ChatGPTを使えるだけでは足りない — リテラシーの定義と5段階
- AIは5種類ある — 生成AIは5分の1に過ぎない — 何をしたいかで選ぶAIの種類
AI導入の進め方や、社内の期待値のすり合わせについてのご相談はお問い合わせからお気軽にどうぞ。
