Saved Time Is Not Productivity 浮いた時間は、生産性ではない

AI gives us time back. The question is what we do with it. On the trap of speed in knowledge work, the disappearance of waiting, the declining scarcity of certain skills, and where to reinvest the time AI saves. AIは時間を返してくれる。問題は、その時間を何に使うかだ。知識労働における「速さ」の罠、消えていく待ち時間、安くなるスキル、そしてAIが返した時間をどこへ再投資するかについて。

Almost every conversation about AI eventually arrives at the same conclusion. “This will make the work faster. I can use the time I save to become more productive.”

AIの話をすると、ほとんどの人が同じ結論にたどり着く。「これで仕事が速くなる。浮いた時間でもっと生産的になれる」

A first draft takes twenty percent less time. Research that once required an hour takes minutes. Meeting notes appear automatically. A presentation begins with a usable outline instead of a blank page. So, naturally, we assume that the saved time becomes additional output. At first glance, nothing seems wrong with that logic.

下書きが二割速くできる。調べ物が一瞬で終わる。会議の要約も、資料のたたき台も、自分で一から作らなくてよい。ならば、その分だけ多くの仕事ができる。一見、何も間違っていない。けれど私は、この考え方にAI時代の知識労働が陥りやすい大きな罠があると思っている。

For simple repetitive work, reducing the time required for one unit of output can translate relatively directly into higher throughput. Knowledge work is different.

単純な反復作業なら、一つの作業にかかる時間を二割短くすれば、一定時間に処理できる量を増やしやすい。だが、知識労働ではそう単純ではない。

A draft produced twenty percent faster does not make the judgment behind it twenty percent better.

二割早く下書きができても、判断の質が二割上がるわけではない。

And if every minute AI gives back is immediately filled with another task, we may be discarding the most valuable part of what the technology has given us. AI does not give us productivity. At least not directly.

むしろ、浮いた時間を反射的に次の仕事へ埋め戻した瞬間、AIが返してくれたものの中で、いちばん価値のある部分を失っているかもしれない。AIが返してくれるのは、生産性ではない。

What it gives us first is time. What that time becomes is a second decision.

まず返ってくるのは、時間である。その時間を成果へ変えられるかどうかは、その後の話だ。

1Speed encourages us to skip thinking速度は、思考の省略を誘う

In knowledge work, output volume is not enough to measure value. Writing. Investing. Hiring. Strategy. Advising a client. None of these can be evaluated simply by counting how many units were completed. The quality of judgment matters. And the quality of judgment is not the same as the polish of the output.

知識労働では、処理量だけで成果を測ることはできない。文章を書く。投資判断をする。人を採用する。戦略を考える。顧客に助言する。どれも、「何件こなしたか」だけでは価値が決まらない。最終的な成果を大きく左右するのは、判断の質である。そして判断の質は、見た目の完成度とは違う。

AI is very good at polish. It organizes. Summarizes. Rephrases. Produces an answer that looks coherent and finished. Something that once took an hour can appear, impressively formatted, in five minutes. That is precisely why it can be dangerous. The faster and more convincing the output looks, the easier it becomes to skip the questions that should come just before acceptance: Is this actually the right question? Are the assumptions sound? What alternative explanation are we missing? Is the structure itself wrong? Should I stop and think about this before continuing?

AIは文章を整える。論点を整理する。もっともらしい結論を、驚くほど速く差し出す。以前なら一時間かかったものが、五分で立派な形になる。だからこそ危ない。出力が速く、きれいで、もっともらしいほど、「この問いの立て方は本当に正しいのか」「この前提そのものを疑わなくてよいのか」「別の説明はないのか」「ここで一度、考え直した方がいいのではないか」という一歩手前の問いを飛ばしやすくなる。

Speed encourages us to skip thinking.

速度は、思考の省略を誘う。

That is less a failure of AI than a weakness in us. We are suspicious of a rough draft. We interrogate a hesitant explanation from a junior colleague. But a confident, well-structured answer that appears in seconds carries an odd authority.

これはAIの欠点というより、人間側の問題だ。粗い草稿なら疑う。自信なさげな部下の説明なら確認する。しかし、数秒で現れた整った文章には、不思議な説得力がある。

2The feeling of being faster is not very reliable「速くなった感」は、あまり信用できない

There is another problem. We are not especially good at knowing whether AI has actually made us faster. In early 2025, the research organization METR studied experienced open-source developers working on real software tasks, comparing work performed with and without AI tools.¹ Before the experiment, the developers expected AI to make them roughly 24 percent faster. Afterward, they still believed it had made them about 20 percent faster. The measured result went in the opposite direction: on average, the tasks completed with AI took about 19 percent longer.

さらに厄介なのは、私たちは自分が本当に速くなったかどうかさえ、正確には分からないことである。2025年前半、AI評価研究機関METRは、経験豊富なオープンソース開発者を対象に、実際の開発タスクでAIを使った場合と使わない場合を比較した。¹開発者たちは事前に、AIを使えば約24%速くなると予想していた。実験後にも、およそ20%速くなったと感じていた。ところが実測では、AIを使ったタスクの方が約19%長くかかっていた。

The interesting conclusion is not that “AI makes experienced developers slower.” Technology moved quickly after that study. In a 2026 update, METR reported evidence that newer AI tools were probably producing more positive productivity effects, while also explaining why increasingly strong selection effects had made the magnitude difficult to estimate precisely. The numbers will continue to change as the technology changes.

興味深いのは「AIは開発者を遅くする」という結論ではない。実際、METRは2026年2月、その後のAIツールでは生産性効果が改善している可能性が高いと報告している。ただし、AIなしで働きたくない開発者が実験参加を避けるようになるなど、測定そのものが難しくなり、現在の効果を正確に推定することは困難だとしている。つまり、技術の進歩とともに数字は変わる。

The more durable lesson is different. Feeling faster and actually becoming more productive are not the same thing.

それでも残る教訓がある。「速くなった気がする」ことと、「本当に生産性が上がった」ことは別である。

We prompt. Read. Reprompt. Correct. Check. Discover an error. Start again. Eventually a polished artifact appears, and because the final artifact would once have taken much longer to produce from scratch, we remember the experience as extraordinarily efficient. I recognize this tendency in myself. AI makes the result highly visible. The time spent steering, checking, and correcting it is much easier to forget.

AIと何往復もする。プロンプトを直す。出てきた回答を読む。間違いを探す。結局、自分で書き直す。その一連の時間を忘れ、最後に立派な成果物だけを見ると、「こんなものが短時間でできた」と感じる。私自身にも心当たりがある。AIは、成果を派手に見せる。

So when evaluating AI, “Did this feel useful?” is not enough. A better question is: what actually improved? Speed? Quality? Learning? The quality of the decision? Collapsing all of those into one word — productivity — hides more than it reveals.

だからこそ、道具を評価するときには「便利だったか」ではなく、結果として何が良くなったのかを見る必要がある。速さなのか。品質なのか。学習なのか。より良い意思決定なのか。AI導入の効果を一つの「生産性」という言葉に押し込むと、本当に起きている変化を見誤る。

3AI has removed the friction of waitingAIは「待つ」という摩擦を消した

Suppose the time saving is real. Where does that time go? Usually not into rest. Often not into deeper thinking. It is quietly absorbed by the next task. This is one of the less obvious differences between AI-mediated work and what came before it.

仮に、本当に時間が浮いたとしよう。では、その時間はどこへ行くのか。多くの場合、休息にはならない。深く考える時間にもならない。静かに、次のタスクへ吸い込まれていく。ここには、AI以前の仕事と大きく違う点がある。

Work used to contain more waiting. Waiting for an email. Waiting for a document. Waiting for someone to check something. Looking for a book. Walking over to another team and asking a question. Not all of that waiting was valuable. Much of it was simply inefficiency. But it did create something that has become increasingly rare: a forced break in the flow.

かつて仕事には、もっと「待つ時間」があった。メールの返事を待つ。資料が届くのを待つ。誰かに確認して、その回答を待つ。調べ物のために本を探す。別の部署へ行って、人に聞く。もちろん、その待ち時間すべてが豊かな思索を生んでいたわけではない。単なる無駄も多かった。しかし少なくとも、仕事の流れを外から強制的に切る「間」は存在した。

AI removes much of that external latency. Ask, and an answer arrives. Ask again, and another arrives. No need to wait until morning. No concern for the other party’s schedule. No weekend. No lunch break. No natural end to the exchange. The workflow becomes continuous.

AIは、その外部の遅延を急速に消している。問えば返ってくる。さらに問えば、また返ってくる。夜でも週末でも関係ない。相手の都合を待つ必要もない。仕事のフローが、途切れなくなる。

Close the document. Read it again tomorrow morning. Show it to someone else. Ask for the strongest objection. Think the day before the meeting rather than five minutes before it. After ten exchanges with AI, leave the desk.

一度閉じる。翌朝読む。人に見せる。反対意見を求める。会議の直前ではなく、前日に考える。AIとの対話を十往復続ける代わりに、一度席を立つ。

These are not attempts to reduce productivity. They restore useful delay to a process from which delay has disappeared.

これは生産性を下げるためではない。判断のために、必要な遅延を戻すためである。

In Essay 001, I wrote about the value of high-quality friction. AI is very good at removing friction. Much of that is beneficial. But not all friction is waste. As AI removes more of it, we have to become more deliberate about a new distinction: which friction should disappear, and which friction should remain?

Essay 001 で私は「良質な摩擦」について書いた。AIは、多くの無駄な摩擦を取り除いてくれる。それは歓迎すべきことだ。しかし、摩擦がすべて悪いわけではない。AIが摩擦を消すほど、私たちは、どの摩擦を消し、どの摩擦を残すのかを考えなければならなくなる。

4When AI raises the floor, some skills become cheaperAIが底上げすると、その能力の値段は下がる

None of this means that AI fails to improve productivity. It does. In some kinds of work, substantially. In a study of 5,172 customer-support agents, Erik Brynjolfsson, Danielle Li, and Lindsey Raymond found that access to a generative-AI assistant increased the number of customer issues resolved per hour by about 15 percent on average.²

AIが生産性を上げない、と言いたいわけではない。上げる。しかも、仕事によっては大きく上げる。Brynjolfsson、Li、Raymondが5,172人のカスタマーサポート担当者を調べた研究では、生成AIによる支援によって、一時間あたりに解決できる問題数は平均15%増えた。²

The effect was not evenly distributed. Less experienced and lower-skilled workers improved by roughly 30 percent, while the gains for more experienced workers were much smaller. Among the highest-skilled workers, the researchers even found a small decline on one measure of conversation quality.

効果は均一ではない。低スキル・低経験の担当者では改善が約30%と大きく、熟練者では効果が小さかった。最も熟練した層では、会話の品質にわずかな悪化さえ観測されている。

This is an important result. AI does more than make people faster. It can compress differences in performance. Capabilities that once required substantial experience can become available much earlier. That is socially valuable. But economically, it also means something else. When technology makes a capability widely available, simply possessing that capability becomes less scarce.

これは非常に面白い。AIは単に人間を速くするだけではない。能力差を圧縮する。かつて経験を積まなければできなかったことを、経験の浅い人にもできるようにする。これは大きな社会的価値である。一方で、経済的には別のことも意味する。技術によって広く利用できるようになった能力は、それを「持っているだけ」では希少ではなくなる。

Navigation offers a simple example. There was a time when knowing a complicated city street by street was itself a substantial professional advantage for a taxi driver. Satellite navigation changed that. It did not eliminate the need for drivers. It reduced the scarcity value of knowing the route from memory.

タクシー運転手の道の知識を考えると分かりやすい。かつて東京やロンドンの複雑な道路を頭に入れていることは、それ自体が専門能力だった。カーナビが普及すると、道を完全に覚えていない人でも目的地へ行けるようになった。これは運転手という職業が消えた、という話ではない。消えたのは、「道を覚えていること」そのものが持っていた希少性である。

AI is beginning to do something similar with cognitive tasks. Summarizing. Initial research. Drafting. Comparing alternatives. Routine analysis. Once these capabilities become broadly available, being able to perform them is less differentiating in itself.

AIでも同じことが起きる。要約できる。最初の調査ができる。文章のたたき台を作れる。複数案を比較できる。定型分析ができる。こうした能力が社会全体に広く行き渡れば、それらを「できる」というだけでは差別化になりにくくなる。

5Where should the recovered time go?では、浮いた時間をどこへ動かすのか

This returns us to the original question. Suppose AI genuinely gives us an hour back. What should we do with it? A simple answer would be: “Give routine work to AI. Keep judgment for humans.” I no longer think that distinction is sufficient. AI is already moving beyond routine work. It analyzes. Challenges assumptions. Compares alternatives. Generates decision criteria. And sometimes offers genuinely useful advice about the decision itself.

ここで最初の問いに戻る。AIによって時間が本当に浮いたとする。その時間をどう使えばいいのか。以前なら私は、「定型作業はAIへ。判断は人間へ」と書いたかもしれない。今は、それでは単純すぎると思っている。AIは定型作業だけにはとどまらない。分析する。反論する。選択肢を比較する。判断の材料を作り、ときには判断そのものについても、かなり有用な助言をする。

As I argued in Essay 003, the boundary between “AI does the content” and “humans provide the structure” will not remain fixed. The boundary moves.

Essay 003 で考えたように、「構造は人間、内容はAI」という固定された境界も、おそらく長くは持たない。境界線は動く。

So it is probably more useful to ask: which cognitive costs in my work are becoming dramatically cheaper? Research. Summarization. First drafts. Comparison. Organization. Routine analysis. If AI makes those things cheap, there is little virtue in insisting on doing them manually.

だから、自分の仕事を「AIの仕事」と「人間の仕事」に一度だけ分けて終わり、という考え方では足りない。見るべきなのは、自分の仕事の中で、何の認知コストが急速に安くなっているかである。調査。要約。初稿。比較。整理。定型的な分析。そこに費やしていた時間が安くなるなら、無理に抱え込む必要はない。

Recover the time. The important question begins afterward.

回収すればいい。問題は、そのあとだ。

Do we fill the recovered hour with another hour of work at the same level? AI saves an hour, so we produce another deck. Send another set of emails. Add another meeting. Take on another task. If that is all we do, the AI revolution risks becoming a technology for becoming even busier.

回収した時間を、また同じ階層の仕事で埋めるのか。AIで一時間浮いたから、もう一本資料を作る。もう一件メールを書く。もう一つ会議を入れる。それだけなら、AI革命は結局、「もっと忙しくなるための技術革新」で終わる。

There is another possibility. Reinvest some of the time. Think about whether the question itself is right. Look for the strongest opposing view. Speak to someone who knows more than you do. Explain the issue to a junior colleague. Read a book. Enter a field you do not understand. Sleep on a decision and return to it the next morning. Do nothing for a while. These activities look unproductive in the narrow sense. They do not necessarily create an immediate visible artifact. But over time, they are part of what determines the quality of knowledge work.

私は、浮いた時間の一部を、もっと別の場所へ再投資した方がいいと思う。問いそのものを考える。反対意見を探す。自分より詳しい人と話す。後輩に説明する。本を読む。知らない領域へ出る。一晩寝かせて翌朝もう一度考える。何もしない。これらは一見、「生産性」が低い。目に見える成果物をすぐには生まないからだ。しかし、知識労働の質を長期的に決めるのは、こうした時間でもある。

Judgment does not emerge from a moment of isolated intelligence. It is built from knowledge. Experience. Failure. Disagreement. Conversation. Exposure to cases that break our existing model. Over time, these things become judgment.

判断は、その場のひらめきだけからは生まれない。知識。経験。失敗。異論。人との対話。自分の前提が崩れる経験。そうしたものが長い時間をかけて混ざり合って、初めて少しずつ判断の質になる。

Shallow knowledge supports shallow judgment.

浅い知識の上には、浅い判断しか立たない。

So as AI makes lower-level cognitive work cheaper, humans face a new allocation problem: what should we deepen with the time we have recovered?

だからAIが低い階層の認知作業を安くするほど、人間側には「空いた時間で何を深くするか」という新しい問いが生まれる。