労働者はAIのボット管理に週に6時間以上を費やしており、仕事の不満を助長している

2026年6月11日原文(businessinsider.com)

概要

Gleanの最新レポート によると、ホワイトカラー労働者は週平均6.4時間をAI監督（ボットシッティング）に費やしている実態
AI導入 による生産性向上の一方で、組織全体のパフォーマンス向上には結びついていない現状
ボットシッティングの負担 が従業員のモラル低下や離職リスク増大の要因
効果的なAI活用には周辺業務の整備 と従業員支援が不可欠
単なるAI導入ではなく、運用体制の見直し が今後の課題

AI導入が招く「ボットシッティング」問題

GleanのWork AI Institute と著名大学（Notre Dame、Stanford、UC Berkeley）による共同調査
米国・英国・オーストラリアのフルタイム従業員6,000人 を対象にアンケート実施（2025年12月～2026年1月）
「ボットシッティング」 とは、AIに文脈を与え、出力をチェックし、バグやエラーを修正する作業
- 週平均 6.4時間、ほぼ1営業日分の時間を費やす現状
作業の多くは単調・疲労感が強い とされ、報酬や評価の対象外
AI導入による生産性向上実感は高い（75%） が、組織全体のパフォーマンス向上を実感するのは 13%のみ

ボットシッティングの影響と離職リスク

過剰なボットシッティング負担 を抱える従業員は、転職活動中の確率が 73%増加
追加作業に対する認知・報酬の欠如 がモチベーション低下・不満蓄積の原因
AIシステム同士の連携不全 による情報の橋渡し役や、好きな仕事の自動化強制もストレス要因
- 例：カスタマーサービス担当者が顧客対応よりAI監督に時間を割かれる状況

ボットシッティングからの脱却策

単なるAI導入拡大では解決しない 現実
成功企業はAI運用の「周辺業務」に注力
- 適切な文脈提供や、AI活用スキルの教育、良質なAI支援業務の基準明確化
- 何をAIに任せるべきか・任せてはいけないかの判断力強化
このプロセスを怠ると、優秀な人材が「ボットの後始末」に疲弊し離職するリスク

まとめ：AI時代の働き方改革の課題

AI活用の本質は「人間中心の運用体制」構築
従業員の負担軽減・評価制度の見直し が急務
AI導入効果最大化には、運用・教育・基準策定など「人の手による支援」強化が不可欠
現場の声を反映したAI戦略の再設計が、今後の企業競争力の鍵

Hackerたちの意見

週に6時間って少ないよね、業界全体の平均じゃない限り。自分は、ノートパソコンに入ってる他のアプリよりも、CLIを通じてClaude Codeにもっと時間を使ってる気がする。他の人も言ってたけど、間違ったことをする時のイライラは半端ない。「なんでこんなこと間違えるの？」って思っちゃうけど、正しくできた時はちょっと嬉しい。あと、Claudeに指示を出して、その後は忙しい仕事したりネットサーフィンしたりするのもあんまり好きじゃないな。

└

ブラックボックスを探るのが結構楽しい。異なる入力が出力にどう影響するか試してみるのって、ハッキングみたいだよね。ただ、問題は、箱の中身がどんどん変わっていくこと。

└

スロットマシンへようこそ！

└

AIと一緒に働くのは、望ましくない道を選ぶ確率を減らそうとしているんだ。それは、やりたくないことを避けるための練習みたいなもんだね。誰かに機能を任せて、自分の考えていることを理解してくれることを期待するのと同じだと思う。ただ、人間の開発者とは共有される文脈がたくさんあるけど、AIにはそれがないのが違いだね。

└

毎日の仕事の時間から1時間を取られるのは、私には少なく感じないな。

ちゃんとしたガードレールを設定して、エージェントが面倒な許可の質問を繰り返さないようにサンドボックスで運用すると、すごくスムーズに進むよ。だいたい15分から1時間くらいで準備を整えて（プロジェクトがAI作業にどれだけ適しているかによるけど）、エージェントを動かして、30分から1時間後に進捗を確認する感じ。ツールがちゃんとしてるから助かる（golangならforbidigoが最高）。エージェントが聞いてくる質問の80%はかなり考えさせられるし、20%は修正が必要。LLMを使う時に覚えておくべきことは、彼らは人間じゃないから、人間的な反応はしないってこと。だから、たまに「すごい！」って思う瞬間があるけど、その後に全然おかしなことが続くこともある。でも、良いガードレールがあればそれを最小限に抑えられる。

└

前提は変わらないよ。AIは私たちを助けるべきなのに、今は逆にAIが仕事をして、私たちがその助手になってる。これは人々が見落としてる大きな変化で、知識労働がどう変わっていくか、単なるコーディングを超えてる。ガードレールやプロンプト、何でもいいけど、私たちがAIの仕事を手伝ってるんであって、その逆じゃない。Opus 4.6が最後の本当に良いアシスタントLLMだったけど、それ以降は「プロンプトを与えてタスクを実行する」ことに焦点が当たってるから、どんどん自分でやることに特化してきてる。アシスタントとして使おうとすると、ただダメで、解決策を見つけることに執着してる。調査を手伝ってほしい時も、回答はいつも修正に焦点が当たってて、質問には答えてくれない。4.7は最初、4.8やfableはアシスタントとしては絶対ダメ。特にfableは「賢い」から、完全に間違ってても強い意見を押し付けてくる。こんなに仕事が嫌になったことはない。

└

あなたの経験はほぼ自分のと同じだね。「彼らは間違って使ってる」って言いたくはないけど、実際にAIをうまく活用できてない人がたくさんいるのは確か。

└

サンドボックスでエージェントが面倒な許可の質問を繰り返さないように > エージェントが聞いてくる質問の80%はかなり考えさせられるし、20%は修正が必要。許可の質問でも、無駄な探索を防ぐために拒否権を持てることに気づいたよ、特に計画モードの時はね。例えば、インストールしてないツールを使おうとするのに、他で情報を得られるようにしてるのに？この決定を覆すチャンスがあって、許可のチェックを拒否して方向を変えられる。面倒に感じるけど、どの情報源が影響を与えてるか理解するのに役立つ。この方法で多くのバグを防いでる。

└

新しいプロジェクトに入るのって、どのくらいの頻度で、セットアップに1時間もかけてるの？「一般的に」ってここでどういう意味か知りたくて聞いてるんだ。

「開発者が自分で報告するにはAIを使うと+X%生産性が上がるけど、実際には-Y%効率が下がってる！」みたいな記事をいくつか見たことがある。これがその理由だと思う。ボス（または研究者）としては、あなたに支払っている時間あたりの出力量で生産性を測るし、労働者としては、自分がどれだけの努力をしているかに対して出力量で生産性を測る。だから、ボスは出力が80%になってる（生産性が下がってる！）と見えるけど、労働者はその80%の出力を40%の努力で出せると見てる（生産性が上がってる！）。

└

だから、起こっていることは、上司が出力が80%（生産性が下がってる！）だと見ている一方で、労働者は40%の努力でその80%の出力を出せると見ているってことか。だから、なぜ上司が導入にそんなに熱心なんだろう？

Hacker Newsで議論の続きを見る

ハクソク