AIの指摘なら受け入れられるのに、上司に言われると腹が立つのはなぜ？

文章をAIに読み込ませる。「結論が遅い」「この数字の根拠がない」と返ってきても、黙って直せる。ところが会議で上司からほとんど同じことを言われると、顔が熱くなり、「そこまで言わなくても」と反発したくなる。内容は正しいと分かっているのに、感情だけが先に立つ。

違いは、指摘の正しさだけでは決まらない。人からの指摘には、相手は自分をどう見ているか、なぜ今それを言うのか、この先の評価に響くのかという関係の情報が重なる。AIの指摘では、その層が薄く見えやすい。 だから受け入れやすさの差は、未熟さの証明とは限らない。

ただし、誰もがAIを好むわけではなく、AIなら常に客観的でもない。本稿では、人とコンピューターからの助言を比べた実験、上司の意図を操作した研究、AIフィードバックの受容研究を手掛かりにする。研究課題と実際の職場は同じではないため、仕組みを断定するのではなく、会話を設計し直す判断材料として読む。

上司の指摘に腹が立つのは、内容と一緒に「自分への評価」を受け取るから

人から注意されるとき、私たちは文だけを処理していない。声の調子、場所、他の人が見ているか、前にも同じ扱いを受けたかを同時に読む。「資料の順番を変えて」は作業指示だが、会議の全員の前で強い口調で言われれば、「任せる価値がないと思われた」という意味まで感じることがある。

1993年に発表された人とコンピューターによるフィードバックの実験では、参加者は人よりコンピューターへフィードバックを求めやすかった。また、人からフィードバックを受けた条件では、人がいるだけでフィードバックしない条件より成績が下がった。ただし、どちらのフィードバック条件でも、何も受けない条件より動機づけが下がっており、「コンピューターなら害がない」とまでは言えない。

この結果が今の生成AIと上司の関係をそのまま再現するわけではない。それでも、人が評価者として目の前にいること自体が、情報処理へ別の負荷を足しうる点は示している。AIの画面には、少なくともその瞬間の昇進、人間関係、面子を直接決める力はない。受け手は、人格の防御より修正作業へ注意を戻しやすい。

反発は、指摘が間違っているという判断とは別に起こる。「正しい。でも、傷ついた」「直す必要はある。でも、この言い方は不公平だ」は両立する。感情を否定して正論だけを通そうとすると、修正点と関係上の問題が一つの争いになり、どちらも処理できなくなる。

人の助言では、「何を言ったか」と同じくらい「何のために言ったか」を読む

上司からの非公式なフィードバックを扱った1989年の研究は、184人が仕事上の場面を想定し、指摘の良し悪し、伝え方、上司の意図が異なるシナリオへ答える形で行われた。受け手が上司の意図を建設的、混合的、非建設的のどれと捉えるかは、反応や改善意欲に関係した。負の指摘かどうかだけでは説明できなかった。

つまり「売上を上げるために一緒に直したい」と感じる指摘と、「失敗を記録して立場を弱くしたい」と感じる指摘は、同じ文章でも同じ助言ではない。受け手は過去の行動から意図を推測する。困ったときには助けず、結果だけを責めてきた上司なら、今回の正しい指摘にも警戒が入る。

AIには人間的な悪意がないように見えるため、この意図の読み合いが減る。ただし、AIの出力にも、学習データ、設計、入力した人、採用する組織の目的がある。AIが人事評価へ接続されているなら、もはや単なる私的な道具ではない。「機械が言っただけ」という見せ方で、実際の決定者を隠すべきではない。

AIが受け入れやすい場面はあるが、正確さや成長を保証しない

アルゴリズムからの助言を調べた2019年の6実験では、参加者は同等の助言を人からだと思ったときより、アルゴリズムからだと思ったときに強く取り入れる場面があった。研究者はこれを「algorithm appreciation」と呼んだ。一方、自分自身の判断とアルゴリズムを比べる場面や、専門家の予測では、その傾向が弱まった。

近年の教育研究でも、AIと人のフィードバックに対する評価は一方向ではない。2025年に公表されたSTEM教育の研究は、979件の回答へのAI・人間フィードバックを比較し、さらに472人の学生が品質を評価した。実際の質だけでなく、提供者をどれほど信頼できると思うかが学生の評価に影響した。これは職場実験ではないが、出所ラベルが内容評価を動かす例である。

ここから言えるのは、AIが正しいということではなく、受け手が助言の出所に応じて重みを変えるということだ。流暢な指摘は具体的に見えても、目的、顧客、社内事情を取り違える。腹が立たないまま誤った修正を受け入れる危険もある。感情の小ささを、品質の高さと混同してはいけない。

反対に、上司への反発も、内容を捨ててよい証拠にはならない。関係への警戒が妥当でも、指摘した数字の欠落は残る。受け手に必要なのは、感情を消すことではなく、修正情報と関係情報をいったん別の箱へ置くことである。

受け手は「今直す点」と「あとで話す点」を分ける

その場で反発が強くなったら、まず内容を一文へ戻す。「この指摘は、具体的にどの箇所を、どの基準で直せと言っているのか」。例や基準が出てこなければ、評価語だけが届いている可能性がある。「もっとちゃんとして」ではなく、「結論を冒頭へ移し、数字の出典を付ける」であれば作業に変えられる。

次に、関係の問題を別の時刻に扱う。「指摘自体は直す。全員の前で能力全体を評価されたように感じたので、次回は対象箇所と基準を一対一で伝えてほしい」と分けて言う。修正を受け入れることは、言い方や手続きまで正しかったと認めることではない。

AIを間に置く方法もある。会議前に自分でAIチェックを通し、想定指摘を洗い出す。上司のコメントをそのままAIへ入れ、「観察できる事実、解釈、修正案に分けて」と頼む。ただし、機密情報や個人情報を入力できる環境かを先に確認し、AIの再整理を上司の真意だと決めつけない。

• 内容：どこを、何の基準で直すのか
• 根拠：顧客、データ、規則、目的のどれに照らした指摘か
• 関係：意図、言い方、公開範囲、過去の一貫性に問題はないか
• 判断：今直すことと、あとで対話することを分ける

上司がAIよりうまく指摘するには、正しさ以外の責任を引き受ける

人の上司にしかできないこともある。なぜ今この修正が必要かを事業の目的へつなぐ。自分が見落とした前提を認める。優先順位を変えるなら他の仕事を減らす。直した後に何が改善したかを伝える。AIは候補を返せても、組織の資源を動かし、決定の責任を負うことはできない。

指摘前には、観察と評価を分けたい。「あなたは詰めが甘い」では人格へ広がる。「3ページの市場規模に出典がなく、意思決定に使えない」なら対象と影響が見える。さらに「私も依頼時に用途を伝えていなかった」と自分側の条件を開けば、指摘は上下関係の誇示ではなく共同修正に近づく。

AI回答を未確認で転送する働き方の問題で見たように、道具を使うだけでは責任の所在は明確にならない。AI企業に編集者が必要な理由が示すのも、最終的な文脈と判断を人が持つ必要である。上司の価値は、AIより厳しいことではなく、指摘の結果まで引き受けることにある。

AIの指摘なら受け入れられるのに上司の指摘に腹が立つのは、指摘内容に人間関係、評価、意図の読み取りが加わるからだと考えると整理しやすい。ただし反応には個人差と状況差があり、研究室の課題から職場の全場面を説明することはできない。内容の真偽と関係の妥当性を二つに分ければ、怒りをなかったことにせず、必要な改善も失わずに済む。