AIビジネス読了 7 分

AIを全社員に配ったら仕事が遅くなったブライスのパラドックスが組織で起きるとき

Shiritomo編集部 @shiritomoAI_jp 2026年8月9日更新

4,000台の車が2つの経路に分かれて走る町があります。
最初はどちらも65分で着く道でした。
そこに近道のバイパスを作った結果——全員の移動時間はむしろ80分に伸びてしまいました。
交通工学で「ブライスのパラドックス」と呼ばれるこの現象が、いまAIを導入した組織の中で再現されているのではないか、という指摘がXで注目を集めています。
AIツールを配れば配るほど仕事が速くなるはず、と考えている経営者やチームリーダーほど、この話は他人事ではありません。

先に結論をまとめると：
– AIで文章作成やコード生成といった「個人の一次生成」は速くなる一方、レビューや承認といった「処理能力に上限がある工程」が渋滞し、組織全体のスループット（単位時間あたりの処理量）はむしろ落ちることがある
– この渋滞は個人の努力では解消できない構造の問題で、実際に海外の大規模調査でもAI活用チームのPRレビュー時間が91%増加したというデータが出ている
– 対策は「AI利用を制限する」逆説的な判断も含め、組織の情報の流れ（経路）そのものを設計し直すことにある

何が起きたのか AIが速くしたのは「入口」だけだった

きっかけは、東京大学のスタートアップ支援組織「FoundX」でディレクターを務める馬田隆明氏が、自身のブログで発表した分析です。
馬田氏は「AIを全員に配った組織」で生産性が落ちる現象を、交通工学のブライスのパラドックスになぞらえて説明しました。
要点はこうです。
組織内の仕事には、AIによる文章の下書きや資料作成、コード生成のように「混雑しにくい道」と、レビューや決裁、会議での合意形成、法務確認のように「処理能力に上限がある混雑しやすい道」があります。
全社員にAIを配ると、生成という広い道を通った仕事が、最後に承認・検証という細い橋に一気に合流することになります。
起案にかかる時間が10分の1になっても、決裁者が使える時間は1日24時間のまま変わらないというのが、このパラドックスの核心です。

この見方は決して机上の空論ではありません。
SNS上でも「AIを入れたのに逆に仕事が滞る」という体感を共有する声が広がっているようです。
ただ、体感や理論だけでは「本当にそうなのか」は分かりません。
ここから、実際に一次情報にあたって確かめた内容を見ていきます。

なぜレビューだけが渋滞するのか

馬田氏のブログでは、悪化のメカニズムがもう一段階踏み込んで説明されています。
レビューという工程が過負荷になると、確認の精度そのものが落ちます。
すると事故（見落としによるミスやトラブル）を防ぐために確認工程がさらに追加され、結果として「橋はさらに細くなる」という悪循環に陥るというのです。
しかも厄介なのは、この問題が個人の意思では解決できない点にあります。
仮に一人の社員だけがAIでの起案をやめて丁寧に仕事をしても、その人は単に「仕事の遅い社員」になるだけです。
全員が足並みを揃えて流量を抑えれば組織は速くなるのに、個人にとっては最短経路（=AIを使って早く出す）を選ぶのが合理的なので、誰も単独では流れを減らせません。
馬田氏はこれを「AI時代の生産性は個人のリテラシーだけでなく、経路設計の問題だ」とまとめています。

海外でも同じ現象は起きているのか

理論だけでなく、実データでも似た傾向が報告されています。
ソフトウェア開発の生産性分析を手がけるFaros AIは、1,255チーム・1万人以上の開発者のテレメトリデータ（開発ツールから自動収集された利用記録）を分析しました。
その結果、AI活用率の高いチームの開発者は、タスク完了数が21%多く、プルリクエスト（コードの変更を統合してもらうための提出：PR）のマージ数は98%も多くなっていました。
ところがPRのレビューにかかる時間は91%増加しており、人によるレビューという工程がボトルネックになっていることが浮かび上がっています。
さらに開発者1人あたりが同時に触れるタスク数も9%、関わるPR数も47%増えており、コンテキストスイッチ（作業の切り替え）の負荷も上がっていました。
Faros AIの分析で最も重要な指摘は、個人やチーム単位での生産性向上が、会社全体のスループットや品質指標との有意な相関につながっていなかったという点です。
つまり「個人は速くなったのに、会社全体は速くなっていない」という構図が、統計データからも見えてきます。

対策はあるのか

馬田氏のブログでは、組織がこの渋滞にどう対応できるかについて4つの方向性が示されています。
1つ目は「処理能力を増やす」こと、たとえば一次審査の自動化や定型処理の機械化です。
2つ目は「優先順位をつける」こと、予約制や緊急度による振り分けです。
3つ目は「通行料を課す」こと、レビュー依頼に部署ごとの予算枠を設けたり、起案者に自己検証の証跡を義務づけたりする方法です。
4つ目は「経路を閉じる」こと、紹介制や招待制にして流入自体を絞る方法です。
特に興味深いのは経路そのものを削る発想で、Amazonが社内会議でパワーポイントを使わず、最大6ページの統一メモ形式を採用している例が引き合いに出されています。
「AIで作れるから資料が増えた」状態を放置せず、用途によってAI利用を制限すること自体が生産性施策になり得るというのが、この記事のもう一つの核心的な主張です。

なお、レビューや承認のような「処理能力に上限がある工程」がボトルネックになり、そこを改善しない限り全体のスループットが上がらないという発想は、生産管理の世界で知られる制約理論（Theory of Constraints：組織全体の成果はボトルネックとなる制約条件によって決まるとする経営理論）とも通じる部分があります。
ブライスのパラドックスが「経路を増やしたことが渋滞を悪化させる」というネットワーク構造の逆説であるのに対し、制約理論は「ボトルネックを見つけて重点的に改善する」という工程管理の考え方で、着眼点はやや異なりますが、いずれも「一部だけを速くしても全体は速くならない」という点で問題意識を共有していると言えそうです。

Shiritomo編集部の考察：AIツール選定より先に「詰まる場所」を探すべき理由

SNS運用やコンテンツ制作の現場でも、この構図はそのまま当てはまります。
AIで下書きや画像案を量産できるようになっても、最終的な公開判断・法務チェック・ブランドガイドラインとの整合性確認は、結局は人が担う工程です。
「生成」を効率化するツールばかりに目が向きがちですが、投稿承認フローやチェック体制という「橋」の部分を見直さない限り、現場の負荷は生成量に比例して増えるだけになりかねません。
実際、Faros AIのデータでコンテキストスイッチの負荷増加が示されていたように、担当者が抱える案件数が増えること自体が、判断の質やスピードを落とすリスクにもなります。
SNS担当者に示唆があるとすれば、AIで生成本数を増やす前に、「誰が」「どのタイミングで」レビューするかという承認経路を先に点検することです。
生成速度と承認速度のバランスが崩れた状態でAI活用を加速させると、公開までのリードタイムがかえって伸びる、あるいは確認不足のまま投稿してしまうという逆効果を招きかねません。

まとめ

AIによって個人の作業が速くなることと、組織全体の生産性が上がることは、必ずしも同じ話ではありません。
レビューや承認という処理能力に上限がある工程がボトルネックになれば、生成が速くなるほど渋滞が悪化するというブライスのパラドックス的な逆説が起こり得ます。
ツールの導入だけで満足せず、承認フローという「経路」そのものを見直す視点が、これからのAI活用には欠かせないのではないでしょうか。