AIで下書きを数分で作れても、公開はそのまま遅いことがあります。2週間にわたってコンテンツが実際に流れる経路を記録すると、AIに任せる仕事と先に解消すべきボトルネックがかなり明確に分かれます。
60〜70%という数字ではなく、自チームのロスを測りましょう
「コンテンツチームの時間の60〜70%は創作以外の仕事に使われる」という数値を、業界共通の基準として受け取るべきではありません。元記事は、調査の取りまとめ、アウトラインの書式整理、メタデータ作成、内部リンクの提案、タイトルのバリエーション作成など、創造的な判断が少ない業務がチーム時間の60〜70%を占めると説明していますが、調査サンプルや測定方法は示していません。 したがって、この数字は購入の根拠ではなく、自チームで検証すべき仮説に近いものです。
ただし、より広いナレッジワークの研究を見ると、方向性そのものは無視しにくいです。Asanaは、1万人を超えるナレッジワーカーを調査したAnatomy of Work Indexをもとに、業務コミュニケーション、情報検索、ツールの切り替え、優先順位管理、ステータス確認といった「仕事のための仕事」が勤務時間の60%を占めると説明しています。 コンテンツ業界の調査でも、B2Bマーケターの41%がワークフローと承認の問題を、39%が社内専門家へのアクセスの難しさを挙げました。31%は、構造化されたコンテンツ制作プロセスがないと回答しています。
まず分けるべきこと：作業時間と待機時間
編集者が原稿を40分レビューしたなら作業時間であり、レビュー待ちのキューで2日止まったなら待機時間です。AIがレビュー用の下書きを20分短縮しても、2日間の承認待ちがそのままなら、公開速度はほとんど変わりません。
そのため、監査の単位は「人が忙しかった時間」ではなく、コンテンツ1件がアイデアから公開まで移動する全体の時間であるべきです。バリューストリームマップは、各工程の実作業時間と工程間の待機時間をあわせて表示し、手戻り・不要な承認・重複作業を明らかにする手法です。 この観点で見ると、「執筆が遅い」という印象の実態が、ブリーフの不足、専門家からの回答待ち、承認者の不在にあると気付けます。
AI候補は「時間がかかる仕事」ではなく、「戻しやすい反復作業」です
時間がかかるという理由だけでAIに任せないでください。反復頻度が高く、入力と合格基準が明確で、間違っても簡単に元に戻せる工程から選ぶのが安全です。反対に、ブランドの視点、戦略的な切り口、ファクトチェック、法務・規制の判断のように文脈と責任が必要な工程は、AIが下書きを補助しても人が結論を出す必要があります。
| 業務タイプ | 最初の実験に適している | 人の承認を維持する |
|---|---|---|
| 調査 | 情報源候補の収集、資料の分類、重複の除去 | 情報源の原文確認、数値・因果関係の検証 |
| 制作 | アウトラインの整形、タイトルのバリエーション作成、チャネル別規格への変換 | 核となる主張、ブランドの視点、事例の選定 |
| 編集 | スペル、禁止語、リンク・メタデータの漏れの確認 | ニュアンス、読者への適合性、最終文面 |
| 検収 | チェックリストとの照合、引用形式の確認 | 事実・著作権・法務・評判リスクの判断 |
| 公開 | 承認済み原稿のCMS入力と予約 | 公開承認、センシティブな修正、危機対応 |
この境界が必要なのは、生成AIがもっともらしいものの誤った事実や引用を自信を持って作ることがあるためです。NISTはこれを「confabulation」と定義し、特に長文形式の自由回答タスクや専門的な文脈が必要な分野で、事実誤認や内部矛盾が生じる可能性があると説明しています。 つまり、「文章が自然である」ことは検収の合格基準にはなりません。
実際の比較研究も、速度と完成度を分けて見るべきことを示しています。英国政府が公開した迅速文献レビューの事例では、AI支援方式は全体の作業を23%速く完了し、選定された研究の分析・統合工程を56%短縮しました。しかし最初の下書きは人だけで作成した版より流暢さに欠け、より多くの修正が必要でした。研究者も、単一の事例で一般化はできず、手作業での検証が必要だと明記しています。
執筆全体を丸ごと委任するのではなく、作業内の小さな単位を選ぶべき理由もここにあります。Anthropicの利用データでは、コピーライターと編集者に関連する作業は、人とAIが成果物をやり取りしながら修正する「タスク反復」の比率が特に高く見られました。一方、翻訳関連の作業は、指示後に最小限の介入で終わるパターンが比較的多くありました。 同じコンテンツ職種の中でも、自動化の境界は工程ごとに異なるということです。
AIでは解消できない承認ボトルネックを先に除外しましょう
待機時間が最も長い工程が、必ずしもAIを入れる工程とは限りません。原稿が専門家レビューで3日止まる理由が、レビュー自体の難しさなのか、担当者が依頼に気付くのが遅かったためなのかを、まず分ける必要があります。後者なら必要なのは生成モデルではなく、明確な担当者、締切、通知、代替承認者です。
文書化されたコンテンツワークフローは、依頼・作成・レビュー・承認・引き渡しの工程を分け、それぞれの担当者を明らかにします。そうすることで、プロジェクトマネージャーはコンテンツがどこで止まっているかを確認できます。 バリューストリームマッピングも、担当する役割、情報の移動、ハンドオフ、作業時間と待機時間を一緒に記録することを勧めています。
監査結果は3方向で処理できます。入力を毎回探し直す工程はテンプレートと保存場所を標準化し、単純な引き渡しとステータス確認はルールベースの自動化でなくし、非構造化資料の要約や複数の表現の提案を行う工程だけで生成AIを試してください。承認権者が不明確な問題をプロンプトで覆ったり、不要なレビュー工程をAIレビューとしてもう1つ増やしたりすると、ツールがかえって新たな待ち行列になります。
監査中にツールを選ばないでください。
最初の週から特定製品の機能に合わせて問題を定義すると、その製品が得意な工程だけが大きく見えます。まず工程・時間・エラーを記録し、2週目が終わった後、最も高い点数を得た1工程に合わせてツールを選ぶほうがよいです。
2週間のコンテンツワークフロー監査は、このように実行します
1日目：代表的なコンテンツを10〜15件選びます
ブログ、ニュースレター、ソーシャル投稿など、よく作るタイプから通常の作業を選んでください。開始は「ブリーフ依頼」、終了は「実際の公開」に固定します。緊急キャンペーンや特に複雑なプロジェクトだけを選ぶと、基準線が歪みます。元記事も、既存方式とAI方式を比較する際には、代表作業10〜15件で並行テストを行うことを提案しています。
1週目：実際の流れを1行ずつ記録します
スプレッドシートに、コンテンツID、工程名、担当者、開始・終了時刻、実作業分、待機分、使用ツール、入力資料、成果物、修正回数、遅延理由の列を作ってください。会議で記憶を集めるのではなく、作業が起きた時点で記録します。Slackで催促した時間や承認待ちなど、普段は隠れがちな仕事も別の行に残してください。
8〜9日目：各工程を4つに分類します
「なくす、ルールベースで自動化、AI支援、人が維持」のいずれかを付けます。AI候補には、反復性・作業時間・基準の明確さ・戻しやすさをそれぞれ1〜5点で付け、事実・法務・ブランドのリスクは減点します。待機時間は長いが実作業時間が小さい工程は、AI候補ではなく運用上のボトルネックとして表示してください。
10〜12日目：点数の高い1工程だけを並行テストします
たとえば、「原文からメタデータと内部リンク候補を抽出する」作業だけをAIに任せ、残りの流れは維持します。既存方式とAI支援方式に同じ入力と合格基準を適用してください。結果を再現できるように、プロンプト、モデル、出力、人による修正内容をすべて保管する必要があります。
13〜14日目：節約時間ではなく総コストで判断します
コンテンツ1件の全体リードタイム、人の作業時間、修正回数、事実誤認、ブランド修正、承認差し戻しをあわせて比較してください。作業時間が減り、品質基準も維持された工程だけを採用します。エラーが増えたり、検収時間が節約時間を食いつぶしたりするなら、プロンプト修正に固執するより候補を保留にしてください。
監査の最終成果物は、巨大なAI移行計画ではありません。「メタデータの下書きはAI支援」「承認通知はルールベースの自動化」「核となる主張と事実検証は人が維持」のように、工程別の責任が書かれた1枚の地図で十分です。この地図があれば、次のツールのデモを見るときに、機能数ではなく、自チームのボトルネックを実際に減らすのかを問えます。
さらに深く掘り下げたい場合
Identifying Which Content Workflows Your AI Tool Should Actually Handle — コンテンツ制作工程を地図化し、AIと人のハンドオフ、並行テストを設計するための元記事です。 publishpoint.io
How work about work gets in the way of real work — ステータス確認、情報検索、ツール切り替えのように、熟練業務の外で発生する時間を理解するための資料です。 asana.com
B2B Content and Marketing Trends: Outlook for 2024 [Research] — コンテンツチームの承認、専門家へのアクセス、構造化プロセスの課題を数値で確認できます。 contentmarketinginstitute.com
Value stream mapping with Confluence — 作業時間と待機時間を分け、ハンドオフとボトルネックを示す方法を説明しています。 atlassian.com
Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — 生成AIの事実誤認と、検証・モニタリングの必要性を扱うNISTの資料です。 nist.gov
AI-assisted vs human-only evidence review — AI支援で時間が短縮された工程と、追加修正・手作業での検証が必要だった工程の両方を示す比較事例です。 gov.uk
