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

AI gives the hours back. The mistake is to spend them earning more hours. On the productivity trap of AI in knowledge work, the taxi driver and the white-collar road, and why the power to learn is what rises in value. AI は時間を返してくれる。間違いは、その時間をさらに時間を稼ぐために使ってしまうことだ。知識労働における時間の罠、タクシー運転手とホワイトカラーの道、そして学ぶ力こそが値を上げること、をめぐって。

Talk about AI and almost everyone arrives at the same conclusion. "This makes the work faster. With the time saved, I can be more productive." Drafts come twenty percent quicker. Lookups finish in an instant. So you can simply do that much more — or so the reasoning goes.

AI の話をすると、ほとんどの人が同じ結論にたどり着く。「これで作業が速くなる。浮いた時間で、もっと生産的になれる」。下書きが二割速く上がる。調べ物が一瞬で済む。だから、その分だけ多く仕事ができる——と。

In this single line I see the largest trap. On a production line, time saved converts directly into additional output. But in knowledge work this premise quietly collapses. The quality of thought is not proportional to the time spent on it. A draft finished twenty percent faster does not make the judgment twenty percent better. If anything, the moment we reflexively pour the saved time back into "more productivity," we lose the most valuable thing in knowledge work. What follows is a note on how we misspend the time AI gives back — and how we might spend it instead.

私はこの一行に、いちばん大きな罠を見ている。製造ラインなら、浮いた時間はそのまま追加の生産になる。だが知識労働では、この前提が静かに崩れる。思考の質は、かけた時間に比例しない。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。むしろ、浮いた時間を反射的に「もっと生産性」に充てた瞬間、私たちは知識労働でいちばん価値のあるものを取り逃している。この文章は、AI が返してくれた時間を、どう使い損なうか——そして、どう使うべきか——についての覚書である。

1Why the premise collapses in knowledge workなぜ知識労働では崩れるのか

The factory's logic is simple. If a unit that took ten minutes now takes eight, you can make more in the same span. Time and output scale cleanly.

工場の論理は単純だ。一個作るのに十分かかっていたのが八分で済むなら、同じ時間でより多く作れる。時間と成果が、きれいに比例する。

Knowledge work is not built that way. Here, output is decided not by the quantity of work but by the quality of judgment. And quality comes from a different place than polish. AI tidies the prose, refines the format, and produces a plausible-looking conclusion fast. But "is this the right way to frame the question," "should this premise go unquestioned," "shouldn't I stop here and think again" — the questions at the heart of judgment do not deepen automatically just because output got faster. If anything, the faster and cleaner it appears, the more we accept it before we doubt it. Speed invites the skipping of thought. So in knowledge work, saved time, left alone, does not become output.

知識労働は、そうはできていない。ここで成果を決めるのは、作業の量ではなく、判断の質だ。そして質は、外観の洗練とは別の場所から来る。AI は文章を整え、体裁を磨き、それらしい結論を素早く差し出す。だが「この問いの立て方は正しいか」「この前提は疑わなくていいか」「ここで止まって考え直すべきではないか」——判断の核心にある問いは、出力が速くなっても自動では深まらない。むしろ、速く・きれいに出てくるほど、私たちはそれを疑う手前で受け取ってしまう。速度は、思考の省略を誘う。だから知識労働では、浮いた時間は、放っておくと成果にならない。

2The illusion of going faster「速くなった」という錯覚

Are we, in fact, going faster at all?

そもそも、私たちは本当に速くなっているのだろうか。

Here is an uncomfortable finding. In a randomised controlled trial run in 2025 by METR, a non-profit AI-evaluation research group, experienced open-source developers did real work on code bases they knew well — split into a group allowed to use AI and a group that was not.¹ Afterwards, the developers felt they had been sped up by about twenty percent. Yet measured, they had been about nineteen percent slower when using AI — even though, beforehand, they had expected a speed-up of twenty-four percent. There is a systematic gap between the subjective sense of "making progress" and the objective result. Overconfidence in the tool, set against the real work of handling complexity, opens this gulf. We easily mistake the feeling of going faster for the fact of it.

ここに、居心地の悪い実験結果がある。AI 評価の非営利研究機関 METR が二〇二五年に行った無作為化比較試験では、経験豊富なオープンソース開発者たちが、慣れたコードに対して実際の作業をこなした——AI を使ってよい群と、使わない群に分けて。¹終わったあと、開発者たちは「AI で二割ほど速くなった」と感じていた。ところが実測では、AI を使ったときの方が、約一九パーセント遅くなっていた。事前には二四パーセントの高速化すら見込んでいたのに、である。主観の「捗った感」と、客観の成果のあいだに、系統的なずれがある。ツールへの過信と、実際の複雑さを捌く力の差が、この溝を生む。私たちは、速くなった気分を、速くなった事実と取り違えやすい。

The early period is worse still. When you seriously try to master a new tool, productivity first dips without fail. The learning J-curve — you throw time in, sink for a while, and only those who pay that cost through ride the growth curve beyond it. So much of the felt sense that "AI freed up time" is, often enough, either the elation before the dip or simply not noticing you are in it. It is better to first doubt the very thing you felt you had saved.

導入の初期はなおさらだ。新しい道具を本気で使いこなそうとすると、生産性はいったん必ず落ち込む。学習の J カーブ——最初に時間を投げ込んで、いったん沈み、それを払い切った者だけが、その先の成長曲線に乗る。つまり「AI で時間が浮いた」という実感の多くは、沈む前の高揚か、沈んでいることに気づいていないだけか、どちらかであることが少なくない。浮いたと感じた時間の正体を、まず疑ったほうがいい。

3Why saved time does not become restなぜ浮いた時間は、休息にならないのか

Suppose time really is saved. Where does it go? In most cases it turns into neither rest nor deep thought, but is quietly absorbed into the next task. Why?

仮に本当に時間が浮いたとしよう。その時間は、どこへ消えるのか。多くの場合、休息にも、深い思考にも変わらず、次のタスクに静かに吸い込まれていく。なぜか。

Work once had a natural external delay. You waited for a reply. You waited for a document to arrive. You went to ask someone. That waiting forced us to halt, reconsider, and rest, whether we liked it or not. Dialogue with AI all but erases this external delay. Ask, and it returns at once. The flow never breaks. As a result, flow extends without limit, and no reason to stop is supplied from outside. We cannot stop not because our will is weak, but because the condition for stopping has dropped out of the design.

かつて、仕事には自然な外部の遅延があった。返事を待つ。資料が届くのを待つ。誰かに尋ねに行く。その待ち時間が、否応なく私たちを立ち止まらせ、考え直させ、休ませていた。AI との対話は、この外部の遅延をほぼ消す。問えば即座に返る。流れが途切れない。結果として、フローは際限なく延長され、止まる理由が外から与えられなくなる。止まれないのは意志が弱いからではない。止まる条件が、設計から抜け落ちたからだ。

So saved time, left alone, does not become rest. Down a channel where friction has vanished, the work simply keeps flowing on its own. The hours that should have come back are, before you notice, reinvested into more work, done faster — though you never chose it.

だから浮いた時間は、放っておくと休息に化けない。摩擦が消えた水路を、作業が勝手に流れ続ける。返ってきたはずの時間は、気づけば、より多くの・より速い作業へと再投資されている——自分で選んだわけでもないのに。

4The domains where it rises are the domains that vanish上がる領域は「消えていく」領域でもある

Here I want to add an honest qualification to my own argument. I am not saying AI does not raise productivity. It depends on the domain. What multiple empirical studies show consistently is that the lower a worker's prior skill, the larger the improvement. In one study of over five thousand customer-support agents, AI lifted productivity by 14% on average — but 34% for novices, and almost nothing for the most experienced.² In another, across the writing tasks of 453 professionals, time fell by about 40% and the gap between strong and weak writers narrowed.³ On routine tasks with relatively clear right answers, AI genuinely works as a lift. But here is what must not be misread: the domains where it rises are, often, also the domains that eventually vanish.

ここで、自分の論に正直な但し書きを付けたい。AI が生産性を上げないと言っているのではない。領域による。複数の実証研究が一貫して示すのは、もともとのスキルが低い作業者ほど、AI 補助による改善幅が大きいということだ。五千人を超えるカスタマーサポート担当者を調べた研究では、AI は生産性を平均14パーセント上げたが、新人では34パーセント、熟練者にはほとんど効かなかった。²専門職453人の文章作成を見た別の実験でも、作業時間はおよそ4割減り、書き手の上手・下手の差はむしろ縮んだ。³定型的で、正解が比較的はっきりした作業では、AI は底上げとして確かに効く。だが——ここを見誤ってはいけない。上がる領域は、しばしば、やがて消えていく領域でもある。

Think of the taxi. The driver's competitive edge used to be knowing the roads. Having the tangled streets of Tokyo or London committed to memory — that knowledge was what made the trade a trade. But the moment satellite navigation replaced it, people who did not know the roads could work as drivers too. The floor of skill did rise. And at the same time, the very edge of "knowing the roads" disappeared. The lift and the replacement were two sides of one and the same event.

タクシーを思い出すといい。かつて運転手の競争優位は、道を覚えていることだった。東京やロンドンの入り組んだ街路を頭に叩き込んでいる——その記憶こそが、職業を職業として成り立たせていた。ところがカーナビがそれを代替した瞬間、道を覚えていない人でも運転手として働けるようになった。スキルの底は、確かに上がった。だが同時に、「道を覚えている」という競争優位そのものが消えた。底上げと、置き換えは、同じ一つの出来事の表と裏だったのだ。

This replacement of routine work is now moving toward the white-collar world. That is what the AI revolution actually is. Routine research, summarising, fill-in-the-template documents — work whose value was once simply "being able to do it" will follow the same road as the taxi driver's memory of the streets.

この単純作業の置き換えが、いま、ホワイトカラーに向かって起きている。それが AI による技術革新の正体だ。定型的な調査、要約、ひな形どおりの文書——かつて「できること」自体が価値だった作業は、タクシー運転手の道の記憶と、同じ道をたどっていく。

If so, the first thing each of us should do is cut our work in two. Which parts are routine, and which are judgment? Hand the routine parts to AI without hesitation — they are the side that will be replaced, and hoarding them buys no advantage. What must be protected is the remaining part, the judgment. To go through that part faster while letting quality fall, and then rush still more judgment with the time saved — that is the one cycle you must not enter.

だとすれば、各人がまずやるべきは、自分の仕事を二つに切り分けることだ。どこが定型で、どこが判断か。定型の部分は、迷わず AI に渡していい——いずれ置き換わる側であり、抱え込んでも競争優位にはならない。守らなければならないのは、残った判断の部分だ。そこを速くしたつもりで質を落とし、浮いた時間でさらに判断を急ぐ——この循環にだけは、入ってはいけない。

5What remains is judgment, and judgment comes from learning残るのは判断、判断は学びから

Simple, repetitive work will, from here, be done flawlessly by AI — just as the taxi driver's memory of the streets was. So what remains to the human? Deep thought and judgment.

単純で反復的な作業は、これから AI が完璧にこなしていく。タクシー運転手の道の記憶がそうなったように。では、人間に残されるものは何か。深い思考と判断だ。

And where does judgment come from? Not from the inspiration of the moment. It is born of accumulated experience and the deep knowledge beneath it. On shallow knowledge, only shallow judgment can stand. Which leads to a paradoxical conclusion: precisely in an age of AI, where every task is being automated, the human capacity to learn becomes more decisive than ever. Whether you can keep deepening the experience and knowledge that feed judgment — that is where the source of value migrates.

そして判断は、どこから来るのか。その場の思いつきからではない。積み上げた経験値と、その下にある深い知識から生まれる。浅い知識の上には、浅い判断しか立たない。だとすれば、逆説的な結論にたどり着く——あらゆる作業が自動化されていく AI の時代にこそ、人間の学習能力が、これまで以上に決定的になる。判断を育てる経験と知識を、深め続けられるかどうか。価値の源泉は、そこへ移っていく。

Here the destination of the saved time becomes clear. The price of easily automated goods falls toward zero, while what is hard to automate — human presence, deep thought, relationships you will not flee, and learning — grows scarce and rises in value. Those who reflexively reinvest saved time into "faster, more" stay in the lower tier, where prices fall toward zero. Those who spend the same time on the learning that feeds judgment, on deep thought, and on presence, stand in the upper tier, where scarcity raises the value.

ここで、浮いた時間の充て先が、はっきりする。自動化しやすい財の価格はゼロへ落ち、自動化しにくいもの——人の現前、深い思考、逃げない関係、そして学び——は、希少になり値を上げる。返ってきた時間を反射的に「もっと速く・もっと多く」に再投資する人は、価格がゼロへ落ちる下の層に留まる。同じ時間を、判断を育てる学びと、深い思考と、現前に充てる人は、希少さが値を上げる上の層に立つ。

And, ironically, the quality of knowledge work comes not from shortening time but from spending more passes on it. Depth is the product of fineness of grain and number of revisions. The moment you ask for it all at once, the depth disappears. The time that came back is not time to fill with productivity. It is time to spend on learning, on judgment, on presence.

皮肉なことに、知識労働の質は、時間を短くする方からではなく、手数をかける方から出てくる。深さは、粒度の細かさと、校正の回数の積だ。まとめて一度に頼んだ瞬間、深みは消える。返ってきた時間は、生産性で埋める時間ではない。学びと、判断と、現前に充てる時間だ。