AIをうまく使えないのは誰のせいか――開発者442名の分析が示した「要求」と「資源」の不均衡
2026.09.15 / Donut Service
タイムラインを開くと、みんな AI を使いこなしているように見える。自分だけがうまく乗れていない気がする——AIコーディングツールが日常に入ってから、こういう自責を口にするエンジニアに何度か会いました。私自身にも覚えがあります。
この感覚に対して、開発者442名を分析した2026年の実証研究は、少し意外な答えを返しています。消耗は特定の属性に偏って起きていたのではなく、属性によらず広く経験されていた、というものです。
この記事では、その研究を職務要求−資源(JD-R)モデルという物差しで読み解きます。何がバーンアウトかについては燃え尽きのサインの記事で整理しました。今回はその続きとして、AI導入という現在進行形の文脈で何がそれを押し上げるのかを見ます。なお、これは診断のための記事ではありません。
1. 「使いこなせていない」という感覚は、技量の問題なのか
自責の中身を分解すると、たいてい二つが混ざっています。ひとつは「ツールの使い方を知らない」という技能の話。もうひとつは「使っているのに楽になった実感がない」という体験の話です。前者は学習で埋まりますが、後者は学習では埋まりません。
実際、AI導入後に疲労の質が変わったという話は珍しくありません。書く負荷が減った分、読む・検証する負荷に重心が移ったという整理は認知負荷の記事で書きました。ただ、そこで扱ったのは作業の中身の変化です。この記事で見たいのは、その作業が置かれている環境のほうです。
2. JD-R という物差し——要求と資源の均衡で見る
職務要求−資源モデル(Job Demands–Resources model、以下 JD-R)は、仕事のストレスを「要求」と「資源」の二軸で見る枠組みです。要求は消耗を進めるもの、資源はそれを緩めるもの。もともとは、職務要求が主に消耗と、職務資源の不足が主に離脱と結びつくことを374名の調査で示した研究から出発しています(Demerouti et al., 2001)。
この物差しの実用的なところは、バーンアウトを個人の耐性ではなく配分の問題として扱える点です。Feng, Afroz, & Sarma (2026) は、この枠組みを AI 導入下の開発者に当てはめました。要求として組織的プレッシャーと業務量を、資源として裁量と学習リソースを置き、さらに AI に対する認識を別の変数として加えています。
3. 442名の分析が示した三つの経路
3-1. 要求・資源・AI認識
研究チームは688件の回答を集め、無効分を除いた442名を分析しました。PLS-SEM(部分最小二乗構造方程式モデリング)で推定された主要な経路は三本です。
- 職務要求 → バーンアウト: β = 0.398(95%CI 0.313–0.483, p < .001)
- 職務資源 → バーンアウト: β = −0.360(同 −0.445–−0.278, p < .001)
- AIへの前向きな認識 → バーンアウト: β = −0.246(同 −0.334–−0.148, p < .001)
要求の係数と資源の係数は、符号が逆でほぼ同じ大きさです。要求を減らすのと同じくらい、資源を増やすことが効いている——少なくともこのデータではそう読めます。バーンアウトの分散のうち約40%がこのモデルで説明されました(R² = 0.398。要求の係数と数値が一致していますが、原著でも両方 0.398 で、偶然です)。
3-2. ここまででは言えないこと
大事な留保が三つあります。
第一に、これは横断調査です。著者ら自身が Limitations で「本研究における我々の仮説は、JD-R モデルの異なる構成概念間の関連を提案するものであって、因果関係ではない。本研究が横断的な標本調査だからである」と明記しています。すでに消耗している人ほど AI の使い方が違う、という逆向きの説明も排除できません。
第二に、媒介分析は行われていません。「AI導入がこれらの経路を経由してバーンアウトを引き起こす」という形のパスは推定されておらず、推定されたのは上の三本だけです。
第三に、これは AI 導入が一律に疲弊をもたらすという話ではありません。DORA が2025年に約5,000名の技術者を対象にまとめた報告は、AI の主要な役割を「増幅器(amplifier)」——組織にすでにある強みと弱みを拡大するもの——と位置づけています。回答者の90%が仕事で AI を使い、80%以上が生産性が上がったと感じている一方で、現れ方はチームの状態によって分かれる。Feng らの「要求と資源の配分次第」という読みと、方向はそろっています。
4. 意外な結果——バーンアウト自体は属性によらなかった
著者らは、職種・組織規模・勤続年数といった属性でバーンアウトに差が出るかも検証しました。結果は不支持です。「H4a を支持する経験的証拠は得られなかった。これは、我々のデータセットにおいてバーンアウトが開発者の属性によらず広く経験されている現象であることを示している」。業務量についても、属性との有意な関連はありませんでした。
一方で、要求の配分そのものは偏っていました。組織的プレッシャーは、コーディング職で β = 0.51 (p < .05)、組織規模で β = 0.41 (p < .001)。大きな組織のコーディング職ほど、プレッシャーを強く報告しています。
つまり、かかっている圧力の量には差があるのに、消耗の程度には差が出ていない。冒頭の自責——「自分だけが追いついていない」——は、この結果とうまく噛み合いません。追いついていないのが自分だけなら、属性のどこかに差が出るはずだからです。
なお著者らは、職務要求の下位構成概念については業務量のほうが寄与が大きいと書いています。組織的プレッシャーこそが主犯だ、と読むのは原著より一歩踏み込みすぎです。
5. 資源の側——裁量と学習リソース
資源の側は、もう少し込み入っています。同じ分析で、組織規模が大きいほど裁量は下がり(β = −0.13, p < .001)、勤続年数が長いほど裁量は上がる(β = 0.18, p < .001)。ここまでは想像どおりです。
想像と違うのは学習リソースで、組織規模が大きいほど多い(β = 0.28, p < .001)。大きな組織は裁量が低い代わりに、学習の支援は厚い。「大企業だから不利」で片づかないのは、この両面があるからです。
自由記述(n = 361)で報告された支援の中身は、社内研修 30.2%、教材へのアクセス 19.04%、自己学習 15.23% と続きます。そして22.4%は、学習リソースについて意味のある支援がなかったと答えています。五人に一人以上が、学び方の支援を持たないまま AI に向き合っていることになります。ただし学習リソースは単一項目での測定で、信頼性評価の対象外である点は割り引いて読む必要があります。
私自身は個人事業主なので、裁量という資源については最大値に近い位置にいます。何をどこまで AI に任せるかを自分で決められる。この研究の読み方でいえば、それ自体がすでに資源を持っているということです。ただし学習リソースのほうは自費で買う側に回ります。裁量と学習支援は、どちらかが厚いともう一方が薄くなりやすい。自分がどちらを多く持っているかは、意識しておく価値があります。
もうひとつ断っておくと、この調査の回答者は56のOSSコミュニティから募集されており、経験6年以上が360名(約81%)、男性が90.05%を占めます。著者らは考察で経験の浅い開発者の不利にも触れていますが、サンプル自体にその層が少ない。ジュニアへの一般化は慎重にすべきところです。
6. まとめ
- 442名の分析では、職務要求はバーンアウトと正の関連(β = 0.398)、職務資源と AI への前向きな認識は負の関連(β = −0.360 / −0.246)
- ただし横断調査であり、因果関係ではない。媒介分析も行われていない
- バーンアウト自体は属性によらなかった(H4a 不支持)。差が出たのは、かかっているプレッシャーの配分のほう
- 学習について意味のある支援がないと答えた人が22.4%。一方で学習リソースは大きな組織ほど多い(β = 0.28)
- DORA (2025) は AI を「増幅器」と位置づける。AI導入そのものより、それが置かれた要求と資源の配分が効いている
自責の出所を「自分の技量」に置いているうちは、打つ手が学習しかありません。要求と資源という物差しに置き換えると、減らせる要求と、増やせる資源が別々に見えてきます。なお、AI利用率そのものを目標値に置くとそれ自体が要求になる、という論点はAIで浮いた時間の記事で扱いました。
そのうえで、気分の落ち込みや不眠が続いているなら、それがどう分類されるかを自分で判定しようとせず、医療機関に相談してください。厚生労働省の「こころの耳」では、働く人向けの相談窓口が無料・匿名で案内されています。
BrainSync Focus Timer のご紹介
資源のうち「裁量」は、組織の外からは動かしにくいものです。ただ、自分の一日のどこを集中に割り当てるかは、比較的手元に残っている裁量でもあります。私たち Donut Service が開発した BrainSync Focus Timer は、VS Code・Cursor のステータスバーに常駐するタイマーで、25/5(ポモドーロ)と52/17(ロングブロック)を切り替えながら使えます。バーンアウトを防ぐ道具ではありませんが、休憩を挟み忘れて消耗を積み上げる働き方から距離を取るための、小さな仕組みとして設計しました。
休憩のタイミングを自動で知らせるポモドーロタイマー。無料でインストールできます。
BrainSync Focus Timer をインストールする →Cursor をお使いの場合は Open VSX 版 をご利用ください。
※ 効果には個人差があります。本記事は医療助言ではありません。
BrainSync — ソフトウェアエンジニアの心と脳を、やさしく整える。
ドーナツサービス · 東京
参考文献
- Feng, Z., Afroz, S., & Sarma, A. (2026). From gains to strains: Modeling developer burnout with GenAI adoption. Proceedings of the 2026 IEEE/ACM 48th International Conference on Software Engineering: Software Engineering in Society (ICSE-SEIS ’26). DOI: 10.1145/3786581.3786934(プレプリント: arXiv:2510.07435)
- Demerouti, E., Bakker, A. B., Nachreiner, F., & Schaufeli, W. B. (2001). The job demands-resources model of burnout. Journal of Applied Psychology, 86(3), 499–512.
- DORA (2025). State of AI-assisted Software Development. Google Cloud / DORA.(2025年9月24日公開)
- 厚生労働省「こころの耳:働く人のメンタルヘルス・ポータルサイト」
