長すぎる説教は、AI時代の才能に変わるのか

長すぎる説教は、AI時代の才能に変わるのか

過剰言語化、管理職経験、AIエージェント適性をめぐる仮説的分析

1. 問題設定

本稿の中心にある仮説は、かなり不穏に見える。パワハラ気質が強い人ほど、AIやAIエージェントを使いこなすことに向いているのではないか、という仮説である。

ただし、ここで扱う対象は、暴力、人格否定、威圧、侮辱、無視、過大な業務強制を正当化するものではない。厚生労働省の整理でも、職場のパワーハラスメントは、優越的な関係を背景に、業務上必要かつ相当な範囲を超え、就業環境を害する行為として説明されている。2022年4月からは中小企業を含むすべての事業主に防止措置が義務化されており、2023年度の調査でも、パワーハラスメントは職場の主要なハラスメント類型として扱われている。したがって、ハラスメントそのものは明確に社会的損失であり、企業にとっても個人にとっても望ましいものではない。

しかし、人間関係の中では迷惑な性質として現れるものが、対象をAIに置き換えた瞬間、別の能力に転化することがある。たとえば、10分以上にわたって延々と説教してしまう人がいる。5行で済むメールを30行にしてしまう人がいる。相手が理解したかどうかを確認しないと気が済まず、同じ論点を別の角度から説明し、さらに例を足し、横道に逸れながらも、最終的には自分の考えを相手に押し込もうとする人がいる。

人間の部下に対してそれを行えば、相手の心理的安全性を下げ、職場の信頼を損ない、結果的に生産性を落とす可能性が高い。だが、AIは疲れない。AIは長文を読んでも人格を傷つけられない。AIは、話が横道に逸れても、そこから目的、制約、背景事情、優先順位、暗黙の前提を抽出できる。近年の大規模言語モデルは、単なる命令文よりも、文脈、例、制約、判断基準、失敗例を与えられたときに性能を発揮しやすい。つまり、人間相手には過剰な説教になる言語量が、AI相手には豊かなプロンプトになる可能性がある。

この仮説を検証するには、「パワハラ気質」という粗い言葉を分解する必要がある。本稿では、それを次のような要素に分ける。第一に、長時間話すことへの抵抗が低い。第二に、自分の考えを相手に理解させたいという執着が強い。第三に、目的、背景、手順、禁止事項、判断基準を細かく伝える傾向がある。第四に、相手が期待通りに動かないとき、追加説明や修正指示を続ける粘りがある。第五に、管理職やリーダーとして、他者に仕事を委任し、結果を点検してきた経験がある。

これらは、人間関係では摩擦を生む。しかしAI利用では、かなり重要な能力に見える。ぽちょ研究所でこのテーマを扱うなら、論点は「嫌な上司が正しい」という話ではない。「人間には向けてはいけない圧の一部が、AIという相手に向けられたとき、仕事の設計能力として再評価されるのではないか」という話である。

2. パワハラではなく、過剰言語化傾向を見る

最初に重要なのは、パワハラとAI適性を直接結びつけないことである。パワハラは他者の尊厳を傷つける行為であり、そこに価値を見出す必要はない。むしろ、パワハラ的行動の中から、ハラスメントを構成する有害な部分を取り除き、残った行動特性がAI利用に役立つかを検討するべきである。

たとえば、長い説教にはいくつかの成分が混ざっている。怒り、支配欲、自己正当化、相手への軽視が含まれていれば、それは有害である。一方で、状況を分解する力、背景を説明する力、相手の行動を修正するために具体例を出す力、抽象的な原則を現場の判断に落とし込む力も含まれている場合がある。

ある上司が、部下に対して次のように話す場面を考える。

「この資料はだめだ。なぜなら、数字は合っているけれど、相手が知りたい順番になっていない。今回の相手は財務部ではなく営業部だから、最初に市場規模を出しても響かない。まず顧客課題を見せて、その次に導入効果を出し、最後に費用対効果を示すべきだった。さらに、競合比較は表にするだけではなく、どこで勝てるのかを一文で言い切らないといけない。前回も同じことを言ったが、資料は情報の倉庫ではなく、意思決定の道具だ」

これを人間に10分、20分と浴びせれば、相手は疲弊する。特に、声の強さ、表情、場の上下関係が加われば、説明は指導ではなく圧迫に変わる。だが、この内容をAIに入力した場合、状況は大きく変わる。AIにとっては、目的、相手、問題点、評価基準、過去の失敗、改善方向が一度に与えられている。これはかなり質の高い指示である。

プロンプト設計の文脈では、具体性、役割、目的、制約、例示、出力形式が重要だとされる。OpenAIの実務向けガイドでも、明確で具体的な指示、十分な文脈、反復的な改善が推奨されている。Anthropicのプロンプトエンジニアリングやコンテキストエンジニアリングの考え方でも、単に短い指示を出すより、成功基準、例、制約、長期的な文脈管理を適切に設計することが重視される。つまり、「資料を直して」とだけ言うより、「誰に、何のために、どこが問題で、どの判断基準で直すのか」を説明するほうが、AIは有用な出力を返しやすい。

ここで見えてくるのは、過剰言語化傾向である。人間相手には過剰である。しかしAI相手には、過剰であること自体が弱点とは限らない。むしろ、何を求めているのか自分でも曖昧なまま短く命令する人より、話しながら考え、途中で目的を思い出し、制約を足し、例外を補い、最後に「つまりこういうことをしたい」とたどり着ける人のほうが、AIから良い結果を引き出す可能性がある。

3. AI利用能力は、質問力よりも文脈供給力である

生成AIの利用を「質問力」と呼ぶことがある。しかし、実際には質問というより、文脈供給力に近い。AIは人間の心を読まない。AIは、入力された言葉、過去のやり取り、与えられた資料、制約条件から、次に出すべき内容を推定する。したがって、AIをうまく使う人は、問いを短く美しく書く人ではなく、必要な文脈を過不足なく与えられる人である。

この点で、長文メールを書く人は不利とは言い切れない。もちろん、長文であるだけなら価値はない。重要な情報と雑音が混ざりすぎれば、AIも誤解する。だが、長文の中に、目的、相手、背景、失敗例、判断基準、期待する成果物、避けたい表現が含まれていれば、それはAIにとって有用な材料になる。

2023年にNoyとZhangが行った実験では、マーケター、コンサルタント、データアナリスト、人事担当者など、大学教育を受けた453人の専門職を対象に、文章作成タスクでChatGPTを使わせた。結果として、作業時間は約40パーセント短縮され、品質評価は約18パーセント向上したと報告された。この結果は、AIが単に文章を速く書く道具ではなく、人間の思考を外部化し、たたき台を作り、修正を速める道具であることを示している。

ただし、この実験からも分かるように、AIは魔法ではない。人間側が何を達成したいかを持っていなければ、出力は平均的で薄くなる。逆に、材料を大量に持つ人、判断基準を語れる人、出力を見て「違う、そうではない」と言える人は、AIとの往復で品質を上げやすい。

ここで、説教が長い人の構造をもう一度見る。長い説教は、しばしば次のような順序で進む。まず問題を指摘する。次に、なぜそれが問題なのかを説明する。過去の事例を持ち出す。相手の考え方の癖を推測する。別の場面に置き換えて説明する。最後に、今後どうすべきかを示す。この流れは、人間相手にはしつこい。しかしAI相手には、まさに改善タスクのための豊富な文脈である。

たとえば、AIに「営業資料を改善して」と頼む人と、次のように頼む人では、出力の差が出やすい。

「営業資料を改善して。相手は大企業の情報システム部門で、予算はあるが新規ツールに慎重。今回の目的は導入を決めさせることではなく、次回の技術検証に進ませること。現状の資料は機能説明が多すぎて、相手の不安に答えていない。特にセキュリティ、既存システムとの連携、導入後の運用負荷を重視している。競合より優れている点は、初期設定の短さと監査ログの見やすさ。文章は強引に売り込むより、相手のリスクを一つずつ減らすトーンにしてほしい」

これは長いが、良い指示である。こうした入力を自然にできる人は、AI時代に強い。問題は、その能力を人間にぶつけるか、AIに預けるかである。

4. 管理職経験とAIエージェント運用の近さ

AIエージェントとは、単に文章を返すAIではなく、一定の目的に向けて複数の手順を実行し、情報を集め、判断し、場合によってはツールを使い、成果物を作る仕組みである。このとき、人間が担う役割は、質問者というより管理者に近くなる。目的を設定し、作業を分解し、途中成果を確認し、誤りを修正し、最終品質に責任を持つ。これは、かなりマネジメントに似ている。

Microsoftの2025年のWork Trend Indexでは、AIエージェントを構築し、委任し、管理する人を、エージェントの上司という意味で捉えている。同調査では、管理職の28パーセントが、人間とエージェントのハイブリッドチームを率いるAI workforce managerの採用を検討しており、32パーセントが今後12から18か月以内にAI agent specialistを採用する予定だと報告されている。また、今後数年で、チームが複数のエージェントを使った仕組みを構築し、エージェントを訓練し、管理するようになるという見方も示されている。

この流れで重要なのは、AIを使う能力が、純粋な技術力だけではないという点である。Microsoftの同調査では、リーダーは従業員よりAIエージェントへの理解、利用頻度、信頼、管理経験の見込みで先行していた。AIを毎日触るかどうかだけでなく、仕事を分解し、委任し、レビューする感覚が問われている。

ここに、マネジメント経験者の強みがある。管理職は日常的に、他人に仕事を頼む。しかも、頼み方が粗ければ成果物はずれる。部下に「いい感じにやっておいて」と言って失敗した経験がある人ほど、目的、期限、優先順位、評価基準、禁止事項を明確にしなければならないことを知っている。AIエージェントに対しても同じである。

たとえば、若手に市場調査を頼むとき、優れた管理者は「競合を調べて」だけでは終わらせない。どの市場か、比較軸は何か、意思決定者は誰か、数字の信頼度をどう扱うか、過去資料とどう整合させるか、最終的に何枚の資料にするかを伝える。AIエージェントに対しても、「競合調査をして」だけでは不十分である。調査範囲、情報源の優先順位、比較項目、出力形式、推論と事実の区別、確認すべきリスクを指示する必要がある。

この点で、日頃から部下に細かく指示しすぎるタイプは、AI相手には有利になりうる。もちろん、人間の部下に対しては自律性を奪い、成長を阻害する危険がある。だがAIエージェントには、現在のところ人間の尊厳もキャリア形成もない。むしろ、細かい指示、何度もの修正、途中確認、出力のやり直しが、品質管理として機能する。

AI時代の管理職に必要なのは、優しさだけではない。仕事を言語に分解する力である。そして、説明過剰な人は、この分解作業を無意識に行っていることがある。

5. 間接証拠としての研究と統計

この仮説を直接証明する大規模研究は、現時点ではまだ限られている。つまり、「パワハラ気質スコアが高い人ほどAIエージェント利用成績が高い」という論文がすでに確立しているわけではない。しかし、関連する研究を組み合わせると、仮説を支える間接証拠は複数ある。

第一に、生成AIはすでに職場へ急速に浸透している。Stanford HAIの2025年AI Indexでは、2024年にAIを利用していると答えた組織が78パーセントに達し、前年の55パーセントから大きく伸びたと報告されている。McKinseyの2025年調査でも、企業の92パーセントが今後3年でAI投資を増やす予定だとされる一方、AI活用が成熟段階にある企業は1パーセントにとどまるとされた。つまり、多くの組織がAIに投資しているが、使いこなしはまだ初期段階にある。

第二に、AIは文脈を持つ作業で効果を発揮する。Brynjolfsson、Li、Raymondらの研究では、約5,000人規模のカスタマーサポート担当者のデータを用い、生成AI支援によって生産性が平均で14から15パーセント向上し、経験の浅い担当者では30パーセント以上の改善が見られたと報告された。この研究の興味深い点は、AIが熟練者の暗黙知を新人に移転するように働いたことである。優秀な担当者の言い回し、対応順序、判断の型がAIに媒介され、経験の浅い人にも利用可能になった。

第三に、AIの効果は作業の境界に依存する。Harvard Business SchoolなどのDell'Acquaらが行った758人の知識労働者を対象とする実験では、GPT-4を使った参加者は、AIが得意な領域ではタスク完了数が12.2パーセント増え、作業速度が25.1パーセント上がり、品質も向上した。一方、AIが苦手な領域では、AI利用者の正答率が下がる結果も出た。この研究は、AIにはギザギザした境界があることを示した。人間にとって同じくらい難しく見える課題でも、AIにとっては得意なものと不得意なものがある。

この境界を見極めるには、出力を鵜呑みにしない管理者の目が必要である。ここで再び、過剰に口を出すタイプの人が登場する。AIが出したものに対して「この前提が違う」「この比較軸が抜けている」「この表現だと相手に伝わらない」と細かく突っ込める人は、AIの出力をそのまま使う人より有利である。長い説教の本質が、相手を支配することではなく、仕事の基準を細かく言語化することにあるなら、その性質はAIレビューに向いている。

第四に、話しながら考えること自体にも認知的な意味がある。心理学では、自己説明という研究領域がある。Chiらの1990年代の研究では、学習者が自分で説明しながら問題を解くことで理解が深まることが示された。2018年のBisraらのメタ分析では、64件の報告から抽出された69の効果量を検討し、自己説明を促す学習法が記憶、理解、応用に対して中程度の効果を持つと報告された。つまり、説明は相手のためだけではない。説明しながら、自分の考えを組み直す働きがある。

考えながら話す人は、話の途中で脱線する。だが脱線の中に、実は本当の目的が出てくることがある。最初は「資料を直したい」と言っていたのに、話しているうちに「本当は顧客に不安を与えたくない」「社内の承認者を説得する材料が足りない」「今回は契約ではなく次回面談を取りたい」といった目的が浮かび上がる。人間相手には長すぎるこの過程が、AI相手には思考の発掘作業になる。

第五に、リーダーシップ研究も補助線になる。Judgeらの2002年のメタ分析では、外向性がリーダーシップと比較的一貫して関連する特性として報告された。外向性には、社交性だけでなく、主張性、エネルギー、発話の多さが含まれる。ただし、外向性は共感や傾聴を自動的に意味しない。ここが重要である。よく話す人はAIに強い可能性があるが、人間に強いとは限らない。話す力と聞く力は別であり、AI時代の適性も、単なる声の大きさではなく、説明を構造化できるかどうかに左右される。

6. 長文メール型人材の再評価

職場には、長文メール型人材がいる。件名は簡潔なのに、本文を開くとスクロールが止まらない。最初の3行で結論が出たと思ったら、背景説明、過去の経緯、関係者の名前、リスク、別案、念のための補足が続く。読む側は、正直困る。忙しい日にそれが届くと、受け取った瞬間にそっと閉じたくなる。

しかし、AI相手にこの長文を投げると、評価が変わることがある。AIは、その長文から論点を抽出し、要約し、ToDoに分解し、意思決定者向けの短い文章に変換できる。長文を書く人が自分で整理できていなくても、材料を出せているなら、AIが整理役になれる。

ここに、AI時代の奇妙な逆転がある。これまで職場で「要点だけ言って」と言われてきた人が、AIを相手にすると、むしろ大量の材料を出せる人として強くなる。短く言える人は優れている。だが、短くしか言えない人は、AIに渡す材料が足りないことがある。AIは、沈黙から文脈を推測しすぎると、一般論を返す。入力が少なければ、出力も平均的になりやすい。

長文メール型人材がAIを使うと、たとえば次のような働き方ができる。

まず、自分の頭にある不満、懸念、目的をすべて書き出す。次にAIに、それを論点別に整理させる。さらに、相手に送る文面としては厳しすぎる部分を柔らかくし、伝えるべき内容と感情的な表現を分ける。最後に、実際に人間へ送る文章は短くする。つまり、AIは、過剰な言語化を人間社会に適した形へ圧縮する緩衝材になる。

これは、ハラスメントを減らす方向にも使える。説教が長い人は、部下にそのまま言う前に、AIに話すべきである。AIに対して10分間説明し、怒り、背景を語り、何が問題なのかを吐き出す。その後でAIに、「この内容から、相手の尊厳を傷つけず、業務上必要な改善点だけを伝える文章にしてほしい」と依頼する。すると、感情の熱はAI側で冷却され、人間には整理されたフィードバックだけが届く可能性がある。

もちろん、これも万能ではない。AIに怒りを増幅させるような指示を出せば、攻撃的な文面が作られることもある。だからこそ、人間側には倫理的な基準が必要である。だが、少なくとも、長い説教の原液をそのまま人間にぶつけるより、AIで一度処理するほうが、職場の被害を減らせる可能性はある。

面白いことに、これは昔の手紙文化にも似ている。歴史上の政治家や作家には、怒りの手紙を書いてから送らなかった人物が多い。第16代アメリカ大統領リンカーンは、南北戦争中にミード将軍への強い不満を記した手紙を書いたが、その手紙は送られず、署名もされなかった。AI時代には、その下書きの相手が機械になる。しかも機械は、怒りの手紙を保存するだけでなく、穏当な業務連絡に変換してくれる。

7. 危険な反論

この仮説には、強い反論もある。第一に、パワハラ気質の人はAIにも雑な命令を出すだけで、出力を確認しない可能性がある。第二に、自信過剰であるほど、AIの間違いを見抜けない可能性がある。第三に、長文であることと構造的であることは別であり、ただの怒りや自慢話を長く書いても、AIの性能は上がらない。第四に、人間に対する支配欲が強い人は、AI出力を使ってさらに部下を追い詰める危険がある。

特に重要なのは、AIがもっともらしい誤りを出す問題である。Dell'Acquaらの研究が示したように、AIが苦手な領域では、出力が自然に見えても正答率が下がることがある。AIは、文章を整えることが得意である。だから、間違った内容も説得力のある文章にしてしまう。これは、説教が長い人との相性が悪い部分でもある。自分の仮説をAIが流暢に補強すると、本人は「やっぱり自分が正しい」と感じやすくなる。

2025年にHarvard Business Reviewなどで議論された、workslopという概念も関連する。これは、一見きれいだが中身が薄く、受け取った人に手直しの負担を押し付けるAI生成物を指す。BetterUp LabsとStanford Social Media Labの調査では、米国のフルタイム労働者1,150人のうち、40パーセントが直近1か月でworkslopを受け取ったと報告されている。AIで作った文章が整っているからといって、仕事が進むとは限らない。

ここで、パワハラ気質とAI適性の分岐点が見える。AIに向いているのは、他者を責める人ではない。成果物に細かく責任を持つ人である。話が長いだけでは不十分である。必要なのは、説明、修正、検証、責任の4つである。

もし長い説教の中身が「俺は正しい、相手が悪い」という自己正当化だけなら、AIはその偏りを増幅する危険がある。しかし、長い説明の中身が「目的は何か、相手は何を理解していないのか、どの基準で直すべきか、どのリスクを避けるべきか」という仕事の構造であれば、AIはそれを資産に変える。

つまり、AI時代に再評価されるのは、パワハラではない。パワハラから暴力性、侮辱、支配欲を取り除いた後に残る、過剰な言語化能力である。

8. 検証するなら、どのような研究設計が必要か

この仮説を論文として検証するなら、単純に「パワハラ気質が高い人はAIが得意か」と聞くだけでは足りない。必要なのは、行動特性を複数の変数に分解し、AI利用の成績との関係を見ることである。

たとえば、2,000人規模の知識労働者を対象に、次のような調査と実験を組み合わせる。対象者には、管理職経験の有無、部下の人数、職種、AI利用頻度、文章を書く量、会議での発話量、長時間指導の傾向、他者への共感性、自己評価の高さを測定する質問票に答えてもらう。同時に、Big Fiveのような性格特性、外向性、誠実性、協調性、神経症傾向も測る。

そのうえで、参加者に同じAIタスクを行わせる。たとえば、顧客向け提案書の改善、社内プロジェクト計画の作成、採用面接の評価基準作成、AIエージェントへの調査依頼などである。評価者は、出力品質、具体性、リスク認識、実行可能性、修正回数、最終成果物の完成度をブラインドで評価する。さらに、AIとのやり取りのログから、プロンプトの文字数、目的の明示回数、制約条件の数、例示の数、修正指示の回数、AI出力への批判的コメントの有無を抽出する。

この研究で検証すべき仮説は、次のように整理できる。

H1。長時間説明傾向は、AIへの初回入力の情報量と正の相関を持つ。

H2。管理職経験は、AIエージェントへの作業分解、進捗確認、修正指示の質と正の相関を持つ。

H3。過剰な支配性や他者軽視は、人間との協働評価には負の影響を与えるが、AI単独タスクの初期成果には必ずしも負の影響を与えない。

H4。AI利用成果を高めるのは、パワハラ気質そのものではなく、過剰言語化傾向、目的明示、制約設定、レビュー粘着性の組み合わせである。

H5。共感性と批判的思考が低い場合、長文入力者はAIの誤りやworkslopを増幅しやすく、最終成果はむしろ下がる。

統計モデルとしては、AI成果を従属変数に置き、独立変数として言語化量、管理職経験、長時間指導傾向、支配性、共感性、AI利用頻度を入れる。さらに、媒介変数としてプロンプトの具体性、修正回数、レビュー精度を置く。もし、長時間指導傾向そのものではなく、プロンプト具体性やレビュー精度を通じてAI成果が上がるなら、本稿の仮説はより精密になる。

ここで得られる結論は、おそらく単純なものではない。「パワハラ気質が強い人ほどAIに向いている」と断定するより、「人間に向けるとハラスメント化しやすい過剰言語化と支配的委任の一部は、AI相手には高密度な文脈供給とレビュー行動として機能する。ただし、共感性と検証能力が欠けると、AIによる誤りの増幅や職場被害につながる」といった形になるだろう。

9. 実務上の結論

実務的には、次の整理が有効である。長く話す人を、ただ迷惑な人材として切り捨てる必要はない。むしろ、その人が持つ言語量、現場知識、判断基準、修正への執着を、AIに向けて使わせる余地がある。

ただし、人間には短く、AIには長く、という切り替えが必要である。部下には要点を伝え、心理的安全性を守る。AIには背景をすべて話し、曖昧さを出し、目的を探り、制約を並べ、出力を何度も直す。この分業ができる人は、AI時代に強い。

長い説教をする人には、ひとつの訓練が有効である。部下に言う前に、まずAIに言う。自分が何に怒っているのか、どの成果を求めているのか、どの行動を改善してほしいのかをAIにすべて話す。その後で、AIに三つの変換をさせる。事実と感情を分ける。相手の人格ではなく行動に焦点を当てる。次に取るべき具体的行動だけを短くする。これによって、説教はフィードバックに変わる。

AIやAIエージェントの時代には、口下手で遠慮深い人だけが優れているわけではない。むしろ、面倒くさいほど考えを言語化する人、説明せずにはいられない人、成果物の粗さを見逃せない人が、AIを強力な相棒にする可能性がある。

ただし、その才能は危険物でもある。人間に向ければハラスメントになり、AIに向ければ文脈になる。同じ熱量でも、向ける相手と使い方で意味が変わる。AIは、これまで職場で煙たがられてきた過剰な説明欲を、仕事の設計能力へ変える装置になりうる。

結論として、本稿の仮説はこう表現できる。パワハラ気質が強い人ほどAIに向いているのではない。パワハラとして現れがちな過剰言語化、委任への執着、修正への粘りを持つ人ほど、それを人間ではなくAIに向けたとき、高いAI運用能力を発揮する可能性がある。AI時代に問われるのは、話の長さではない。その長さを、誰に、どのように、どの品質管理へ変換するかである。

---

参考文献・参照情報

• 厚生労働省「あかるい職場応援団：パワーハラスメントとは」。パワーハラスメントの定義と適正な業務指示との区別を参照。(厚生労働省)
• 厚生労働省「職場におけるハラスメントの防止のために」。事業主の防止措置義務、中小企業への義務化資料を参照。(厚生労働省)
• OpenAI Help Center "Prompt engineering best practices for ChatGPT." 明確性、具体性、十分な文脈、反復改善の考え方を参照。(OpenAI)
• Anthropic "Prompt engineering overview" および "Effective context engineering for AI agents." 成功基準、例示、長文コンテキスト、エージェントの文脈管理を参照。(Anthropic Prompting) (Anthropic Context Engineering)
• Shakked Noy and Whitney Zhang, "Experimental evidence on the productivity effects of generative artificial intelligence." 453人の専門職、作業時間40%短縮、品質18%向上の実験を参照。(Science DOI)
• Microsoft WorkLab "2025: The year the Frontier Firm is born." Agent boss、AI workforce manager、AI agent specialistに関する数値を参照。(Microsoft)
• Stanford HAI "The 2025 AI Index Report - Economy." 組織のAI利用率78%、前年55%を参照。(Stanford HAI)
• McKinsey "Superagency in the workplace." AI投資増加予定92%、成熟段階1%を参照。(McKinsey)
• Erik Brynjolfsson, Danielle Li, and Lindsey R. Raymond, "Generative AI at Work." カスタマーサポート担当者における生産性向上と新人への効果を参照。(NBER)
• Fabrizio Dell'Acqua ほか "Navigating the Jagged Technological Frontier." 758人の知識労働者、AIの得意領域と不得意領域の差を参照。(SSRN)
• Kiran Bisra ほか "Inducing Self-Explanation: A Meta-Analysis." 自己説明のメタ分析を参照。(ERIC)
• Timothy A. Judge ほか "Personality and leadership: a qualitative and quantitative review." 外向性とリーダーシップの関連に関するメタ分析を参照。(PubMed)
• American Battlefield Trust "Lincoln's Unsent Letter to George Meade." リンカーンの未送信書簡の具体例を参照。(American Battlefield Trust)
• BetterUp Labs "Workslop." Stanford Social Media Labとの調査、workslopの定義と発生頻度を参照。(BetterUp Labs)