「AIを使っているか」と聞けば、ほとんどの人が「使っている」と答える時代になりました。一方で「その出力を信頼しているか」と問い直すと、答えは急に歯切れが悪くなります。使う人は増え続けているのに、信頼はむしろ下がっている。この一見矛盾した状態が、いま多くの職場で起きていることです。
この現象は、もともとソフトウェア開発の現場で測定されたデータから見えてきました。ただ、構造そのものは開発に限りません。営業報告のドラフトを生成AIに書かせる、表計算のデータをAIに集計させる、稟議書のたたき台を作らせる。こうした日常業務でも、まったく同じ「使うけれど信頼しきれない」という距離感が生まれています。本記事では、開発現場で得られた知見を業務プロセス一般の言葉に置き換えながら、この矛盾をどう扱えばよいのかを整理します。
採用率は上がり、信頼は下がるという二重の動き
まず、足元で何が起きているのかを2つの調査から確認します。いずれも開発者を主な対象にしたものですが、対象も設問も別々に設計された独立の調査である点を最初にお断りしておきます。
ひとつはGoogleが主導するDORAの年次レポートです。2025年版は約5,000名を対象にした調査で、職場でAIを利用していると答えた人は90%にのぼりました。AIと協働する時間は1日あたり中央値で2時間、生産性が上がったと感じる人は80%を超えます。それだけ深く日常に入り込んでいるにもかかわらず、AIが生成した成果物を「ほとんど、またはまったく信頼しない」と答えた人が30%いました（参照：Google Cloud Blog「Announcing the 2025 DORA report」(2025)、The Keyword「DORA report 2025」(2025)）。
もうひとつはStack Overflowが177カ国の約49,000名を対象に実施した2025年の開発者調査です。AIツールを使っている、または使う予定だと答えた人は84%で、前年の76%から増えています。ところがAIへの好意的な見方は60%まで下がりました。前年は70%を超えていたので、利用が広がる一方で評価は下がっているわけです。出力の精度を信頼すると答えた人は合計で33%、信頼しないと答えた人は46%と、不信のほうが多数派でした（参照：Stack Overflow「2025 Developer Survey: AI」(2025)）。
数字の出どころは違っても、2つの調査が同じ方向を指しています。導入は急速に進む。けれど生成物への信頼はついてこない。むしろ使い込むほど、信頼の限界が見えてくる。これが2025年時点の現在地です。
「ほぼ正しいが、微妙に違う」という厄介さ
なぜ使い込むほど信頼が下がるのか。Stack Overflowの調査には、その答えのヒントになる数字があります。利用者の最大の不満は「ほぼ正しいが、微妙に違う」出力で、66%が挙げています（参照：Stack Overflow「2025 Developer Survey: AI」(2025)）。
これは業務に置き換えると、とても身近な感覚です。AIに営業の月次報告のドラフトを書かせると、文章としては整っていて、一見そのまま提出できそうに見えます。ところが数字の一部が前月のものと入れ替わっていたり、増減の説明が実際の傾向とずれていたりする。明らかな間違いなら気づけますが、「ほぼ合っている」だけに見落としやすく、確認の手間はかえって増えることがあります。
データ集計でも同じです。表計算の数字をAIに要約させると、もっともらしい合計値や構成比が返ってきます。しかし元データの一部を取りこぼしていたり、条件の解釈を取り違えていたりしても、出力の見た目は変わりません。稟議書のたたき台なら、論旨は通っているのに社内の前提や固有の制約が反映されていない、ということが起こります。
つまりAIの出力は、間違いが「目立つ形」では現れにくいのです。だからこそ、生産性が上がる実感と、信頼しきれない不安が同居します。速く作れるが、そのまま信じてよいかは別問題、という状態です。
AIは組織を直さない。すでにあるものを増幅する
ここでDORAレポートのもうひとつの指摘が効いてきます。レポートは、AIについて「チームを直すのではなく、すでにあるものを増幅する」と述べています（参照：Google Cloud Blog「Announcing the 2025 DORA report」(2025)）。強いチームはAIでさらに伸び、課題を抱えたチームはAIによって課題がより鮮明になる、という見立てです。
これは業務全般にあてはまります。報告のルールが整っていて、何を確認すべきかが明文化されている組織では、AIに下書きを任せることで担当者は確認と判断に集中できます。逆に、報告の様式がばらばらで、数字の出どころも人によって違う組織にAIを入れると、誤りが速い速度で量産されかねません。AIは判断の質そのものを底上げしてくれる道具ではなく、いまある業務の状態を増幅する鏡のようなものだと考えると、扱い方の方針が見えてきます。
整っていない土台の上でAIを使うほど、問題は大きくなる。逆に言えば、AIを使う前に整えるべきは、業務のデータと手順そのものです。この「土台が先」という論点は、AIに渡すデータが本当に使える状態になっているかという議論と地続きで、組織のデータ準備度がAI活用の成否を分けるという指摘とも重なります。
「丸投げ」ではなく「検算前提の下書き役」として組み込む
では、信頼しきれないAIをどう業務に組み込めばよいのか。ここまでの整理から導けるのは、AIを最終成果物の生成者ではなく、人が検算することを前提にした下書き役として位置づける、という考え方です。
具体的には、業務にAIを入れるときに次の3点を設計に織り込みます。
- AIに任せる範囲と、人が確認する範囲を分けて決める。たたき台の作成や下調べはAIに任せ、数字の突き合わせや最終判断は人が担う、という線引きを業務手順に書き込みます。
- 確認（レビュー）の工程を省略せず、手順として残す。生産性が上がる実感があると、つい確認を飛ばしたくなります。だからこそ、誰が何をチェックするかを工程として明示し、形骸化させないことが要点です。
- AIに渡すデータと指示を整える。報告の様式や数字の定義をそろえておけば、AIの出力のばらつきも、確認の手間も減ります。土台を整えることが、結果としてAIの使い勝手を上げます。
少人数で業務を回している場合は、この検算工程が抜けやすい点に注意が必要です。確認する人手が限られるからこそ、AIの「ほぼ正しい」出力をそのまま使ってしまうリスクが高まります。生産性は確かに上がりますが、精度の信頼は別問題だという前提を共有したうえで、レビューを軽い形でも必ず残しておくことが、結果的に手戻りを減らします。
一方、グループ会社や子会社のように親会社への報告や社内統制が求められる立場では、レビュー工程の欠落がそのまま統制上のリスクになります。「AIが作りました」では、報告の正しさを誰も保証していない状態になりかねません。AIを使うこと自体は推奨されても、誰が最終的に内容を確認したのかを記録に残せる運用にしておくことが、安心してAIを広げるための条件になります。
こうした「整えてから使う」設計は、ツールを入れて終わりにせず、業務プロセスとデータの整備までを伴走することで初めて機能します。Respectifyでは業務へのAI実装（AI Enablement）として、どの業務のどこまでをAIに任せ、どこに人の確認を残すかという線引きから一緒に設計しています。
まとめ
最新の2つの調査は、AIの採用率が9割前後まで上がり、生産性向上の実感も広がる一方で、生成物への信頼はむしろ下がっているという矛盾を、別々の母集団から同じように映し出しました。背景にあるのは「ほぼ正しいが、微妙に違う」出力の扱いにくさであり、AIは既存の業務の状態を増幅する鏡だという構造です。
この矛盾への答えは、AIを使わないことでも、無条件に信じることでもありません。検算を前提にした下書き役としてAIを位置づけ、人が確認する工程を業務手順に組み込み、渡すデータと指示を整えること。この3点を設計に入れれば、信頼しきれないという感覚は、AIを止める理由ではなく、上手に使うための前提に変わります。
自社の業務のどこからAIを組み込むべきか、どこに人の確認を残すべきか。整理の入り口として、無料相談もご活用ください。
