Rick ManeliusのAI生産性論：成果量より集中が勝る

Rick Maneliusは2026年7月26日、進行中の実験プロジェクトが約40件に膨らんだ後、AI生産性について率直な警鐘を発した。AIによって仕事を始めるハードルは劇的に下がった。しかし、始めたすべてを完了させる能力が高まったわけではなかった。

この違いは重要だ。AI生産性をめぐる主張の多くは、定義されたタスク内でのスピードを測定する。節約された時間が意欲的な働き手に戻った後に何が起きるかは、ほとんど測定しない。その時間は休息にも、より深い仕事にも、あるいは新たに十数件の約束を引き受けることにも使われ得る。

Rick Maneliusのエッセイは、希少な資源が変化したと論じる。草案、プロトタイプ、分析、アプリケーションを作る労力は今や小さい。本当に注意を向けるべき対象を選び、未解決の課題を閉じ、価値ある仕事を最終段階まで進めることの方が難しくなっている。

このRick ManeliusのAI生産性論は、職場におけるAIの最も一般的な物語に疑問を投げかける。Microsoft、OpenAI、Anthropic、Google、そして無数のスタートアップは、能力拡張のさまざまな形を売り込む。Maneliusは、人々がその能力をすぐに埋め尽くすと何が起きるのかを問う。

彼の答えは不都合なものだ。生産が速くなることで、仕事は減るどころか増える可能性がある。したがって、最も価値ある人間のスキルは、AI支援の活動をさらに始める能力ではなく、集中力とやり遂げる力なのかもしれない。

Rick ManeliusのAI生産性論が変えるもの

これは新しいモデルのリリースではない。AI支援業務を評価する指標そのものへの、時宜を得た問いかけである。

Maneliusはよくある流れを描写する。生成AI以前、彼には100件を超える記事のアイデアと、約50件の候補プロジェクトがあり、着手を待っていた。時間がそれらの野心を抑制していた。

AIはその制約を弱めた。彼は会議の合間に、時には5分の隙間時間でプロンプトを送り、モデルはバックグラウンドで作業を続けた。初期の実験では有望な結果が得られ、追加の実験も妥当に思えた。

拡大は、約40件の概念実証が同時に動くまで続いた。各プロジェクトは開始コストだけで見れば低コストに見えた。しかし全体としては、未完了の義務からなる大きなポートフォリオを生み出した。

この経験から、Maneliusは水平的な生産性と垂直的な進捗を区別するに至った。水平的な生産性とは、同時により多くのことを行うことである。垂直的な進捗とは、より少ない重要な事柄を、より遠くまで進めることである。

違いは単純に聞こえるが、職場のソフトウェアは通常、前者を評価する。活動は生成された文書、タスク更新、プルリクエスト、プロトタイプ、メッセージ、会議要約に現れる。やり遂げることはより遅く、目に見えにくい。

完成したプロジェクトには、AIが消し去れない仕事も求められる。誰かが、その成果物が正確で、関連性があり、完全で、安全で、有用かを判断しなければならない。誰かがフィードバックを統合し、結果に責任を持たなければならない。

Maneliusは、未完成のエッセイを例にこの問題を示す。公開できそうな水準に近づいていたにもかかわらず、初稿は十分によくないと判断した。すぐに公開する代わりに、さらに数回の改稿を選んだ。

この決定こそが、核心的な逆転を示している。AIはもっともらしい初稿に到達するコストを下げる。もっともらしいものと優れたものの間に残る差は、依然として判断、編集、コミットメントの大半を必要とし得る。

だからこそ、このエッセイは個人的な生産性の助言にとどまらない。AI支援を受けるナレッジワーク全体に現れている衝突を捉えている。組織は、より多くの意思決定、顧客価値、完了した成果を生み出さないまま、より多くの成果物を生成できてしまう。

この話は、特定のタイミングで響く。AIエージェントは今や、働き手が会議に出席したり別の成果物を確認したりしている間に、複数のタスクを実行できる。並列実行は機械の処理量を高めるが、人間によるレビュー待ち行列も増やす。

この技術は、人々が評価できる速度を超えて選択肢を生み出す。そのため、選別、順序付け、完了が経済的に重要になる。集中はライフスタイル上の好みではなく、生産上の制約となる。

タスクの高速化が労働時間を広げている

タスクの高速化は短い労働日を保証しない。節約された時間は、しばしば追加の仕事のための新たな余力になるからだ。

統制された研究では、生成AIが限定された業務でパフォーマンスを向上させ得ることが示されている。2023年に大学教育を受けた453人の専門職を対象にした実験では、ChatGPTにより文章作成タスクの平均完了時間が40%短縮された。品質は18%向上した。

文章作成実験では、明確なタスク、定義された終点、比較可能な成果物が測定された。こうした条件は、研究者が生産性への影響を切り分けるのに役立つ。

別の研究では、AIアシスタントを使用する数千人のカスタマーサポート担当者を調査した。研究者らは、アクセスにより1時間当たりの解決件数が平均14%増加したと報告した。経験の浅い働き手ほど大きな恩恵を受けた。

これらの知見はAI生産性の主張を裏付ける。ただし、すべての働き手が同等の自由時間を得ることを示すものではない。速く終わるタスクは、直接的により大きな仕事量につながり得る。

2026年2月にUC Berkeley Haasが発表した研究は、この強度の高まりを描いている。研究者のAruna RanganathanとXingqi Maggie Yeは、従業員200人のテクノロジー企業で8か月間のエスノグラフィー調査を実施した。

働き手はタスクをより速く完了し、役割の範囲を広げ、仕事が一日のより多くの時間帯に入り込むことを許していた。また、AIプロセスがバックグラウンドで動作する間、複数の仕事の流れを維持していた。

Berkeleyの調査結果は、3つのパターンを特定した。働き手は以前なら別の担当に属していたタスクを引き受け、自然な休憩時間をプロンプト入力に使い、複数のスレッドを同時に維持していた。

この説明はManeliusの記述とよく一致する。会議前にプロンプトを送るのは、その行為自体には数秒しかかからないからだ。しかし応答は、読む、判断する、修正する、振り分ける、あるいは却下するという将来の義務を生む。

プロンプトの消費時間はわずかだ。その出力は、後の注意力を要求する。

この仕組みは、AIがタスク当たりの労力を減らしながら、総認知負荷を増やし得る理由を説明する。認知負荷とは、情報を保持し、処理し、調整するのに必要な精神的努力である。進行中のプロジェクトごとに、依存関係と未解決の意思決定が加わる。

職場のデータは、これ以上の分断を受け入れる余地が限られていることをすでに示している。Microsoftは2025年、コアタイム中に従業員が会議、メール、チャットによって2分ごとに中断されていたと報告した。

同社のグローバル調査では、働き手の80%が仕事をするための時間またはエネルギーを十分に持っていないことがわかった。同時に、リーダーの53%は生産性を高める必要があると答えた。

infinite workdayレポートは、活動が早朝や夜間にも広がっていることを示した。Microsoftは、AIと再設計されたワークフローを解決策の一部として提示した。

Maneliusは、その提案に不可欠な条件を加える。効率の向上がすべて新たな約束の正当化になるなら、AIは注意力を守れない。制限がなければ、自動化は同じ過負荷のシステムを加速させる。

したがってナレッジワーカーは、能力のパラドックスに直面する。より多くの仕事の単位を生み出せる一方で、完了からはより遠ざかったように感じる。アウトプットは増えるが、コントロール感は低下する。

これはAIに価値がない証拠ではない。組織がより広い生産性指標を必要とする理由を示している。スピードは重要だが、労働時間の長さ、未完了案件の在庫、改訂の負担、意思決定の質、従業員の回復も重要である。

より多いアウトプットが完成した仕事と競合している

中心となる競争は人間対AIではない。目に見えるアウトプットと、レビューを経て実用的な結果を生む仕事との競争である。

生成AIは、信頼できそうな中間成果物を生み出すことに長けている。戦略の草案、インタビューの要約、コードのたたき台、キャンペーン案、メモからのプレゼンテーション作成が可能だ。どの成果物も進歩のように見え得る。

しかし、成果物が自動的に成果となるわけではない。戦略には選択とリソースのコミットメントが必要だ。調査の要約には追跡可能な根拠が必要だ。コードにはテスト、保守、セキュリティレビュー、そして明確な責任者が必要だ。

この違いは、AIの出力が洗練された構造で届くことが多いため、見えにくくなる。優れた書式は、未完成の考えを確定したものに見せることがある。流暢な文章は、欠けた文脈や裏付けのない前提を隠し得る。

BetterUp LabsとStanford Social Media Labは、この問題の一形態を「workslop」と呼ぶ。この言葉は、受け手の仕事を前進させるのに十分な実質や文脈を欠いた、見栄えのよいAI生成資料を指す。

両者が2025年9月に実施した調査は、米国のフルタイムのデスクワーカー1,150人を対象とした。40%が前月にworkslopを受け取ったと回答した。回答者は、1件を解消するのに平均2時間を費やしたと報告した。

workslopに関する研究は調査に基づく証拠であり、すべての職場を普遍的に測定したものではない。それでも、重要な労働移転を浮き彫りにしている。

送信者は文書を素早く生成することで時間を節約できる。受信者はその後、その目的を再構築し、主張を確認し、次に何をすべきかを決めるために時間を費やす。局所的な効率化が下流の仕事を生む。

Maneliusの主張は、一人の人間の内部で起こる類似の移転に関わる。AIプロジェクトを始めることは、初期生成が安価であるため低コストに感じられる。しかし同じ人が後に、レビュー、調整、完了にかかるコストを引き受ける。

これは個人のプロジェクトポートフォリオの経済性を変える。AI以前は、プロジェクト開始に必要な労力が、弱いアイデアの一部を抑制していた。その摩擦は不完全ながらフィルターとして機能していた。

AIはそのフィルターの多くを取り除く。働き手は、問題が注意を向けるに値するか十分に判断する前に、プロトタイプを作れるようになった。チームは、制約に合意する前に複数の戦略的選択肢を生成できる。

探索には実際の価値がある。低コストの実験は、企業がより大きなコミットメントを行う前に誤った前提を明らかにできる。問題は、明確な中止ルールなしに実験が積み上がるときに始まる。

すべての概念実証には決定が必要だ。前進させるべきか、別の取り組みと統合すべきか、一時停止すべきか、終了すべきか。決定を避けても、実験が無料のままでいるわけではない。

プロジェクトはダッシュボード、会話、記憶、ストレージを占有し続ける。同僚がそれに依存しているかもしれない。ステークホルダーは、その存在を約束と解釈するかもしれない。

ここで、やり遂げることは粘り強さとは異なるものになる。粘り強さとは、困難にもかかわらず続けることだ。やり遂げることとは、正しい解決が中止である場合も含め、約束を解決することである。

したがって、Rick ManeliusのAI生産性論は、現代の仕事の中心に責任を置く。AIは選択肢を提示できるが、終点は個人またはチームが所有しなければならない。所有者がなければ、生成の高速化はより広い曖昧さの領域を生み出す。

組織は、この変化によって誰が圧力を受けるのかに注意すべきだ。個人貢献者には、検証すべき資料が増える。マネージャーには、優先順位を付けるべき提案が増える。顧客は、注意を奪い合うより多くの機能、メッセージ、文書に接することになる。

圧力は上級リーダーにも及ぶ。彼らは業務上の処理量と戦略的な前進を区別しなければならない。企業は、より多くの変更を出荷しながら、製品全体の一貫性を弱めることがある。

集中は一貫性を守る。やり遂げることは、選ばれた可能性を信頼できる結果へと変える。両者がともに、AIによって生まれた能力が価値になるのか、ノイズになるのかを決める。

AIは着手を安くし、完了を高くする

AIは初稿作成を圧縮するが、最後の詰めには依然として判断、説明責任、そして難しいトレードオフが集中する。

Maneliusは、完成間近の状態を部分日食と皆既日食の違いになぞらえている。数値上の差が小さく見えても、最後の1パーセントポイントが体験全体を変え得る。

この比喩が有用なのは、完成度が均等に進むわけではないからだ。草稿はすぐに許容できる流暢さへ達するかもしれない。しかし、事実の信頼性と戦略的な精度を高めるには、人間による複数回のレビューが必要になることがある。

ソフトウェアも同様の曲線をたどる。AIは、とりわけ馴染みのあるパターンであれば、動作するコードを素早く生成できる。本番投入の準備には、想定外の条件のテスト、データの保護、判断の文書化、そしてリリース後のシステム保守が必要だ。

最後の詰めの段階で、当初の方向性が誤っていたことが明らかになる場合もある。それまでの成果物を無効にするため、この発見は非効率に感じられる。しかし実際には、弱い方向性を見極めることが、より大きな無駄を防ぐ。

AIは、埋没費用を実際以上に大きく見せることで、この段階を複雑にする。チームは数時間で大量のコード、コピー、分析を生成しているかもしれない。生成コストが低くても、その量の多さが放棄を感情的に難しくする。

これは新たな形の執着を生む。人は、すでに相当な規模に見えるという理由でプロジェクトを擁護する。生成された量を、積み上げた価値と混同するのだ。

質の高い完了には、逆の対応が求められる。チームは、すでに作ったコンテンツの量ではなく、現在の目標に照らしてプロジェクトを評価しなければならない。もっともらしい成果物を削除する意思も保つ必要がある。

品質の問題は、ハルシネーションだけにとどまらない。ハルシネーションとは、事実的な裏付けを欠くにもかかわらず、自信ありげに示されるAI出力のことだ。事実として正しいコンテンツであっても、地域固有の経緯、ステークホルダーのニーズ、組織上の制約を無視すれば失敗し得る。

だからこそ、文脈へのアクセスが重要になる。ナレッジワーカーは、レビューの時点に近い場所で、関連する意思決定、文書、会話、証拠を必要とする。検索可能なパーソナルナレッジベースは、その文脈を再構築する時間を減らせる。

ただし、検索が最終判断を下すわけではない。より良い文脈は判断を支援するが、目標を選ぶことはない。どの証拠が重要か、組織がどのトレードオフを受け入れるかは、依然として担当者が決める。

完了には、社会的な仕事も含まれる。誰かが合意を取り付け、結果を説明し、異論に対応し、実装を調整しなければならない。信頼は必要なときに即座に生み出せるものではないため、これらの作業はしばしば人間の速度で進む。

同じ限界はクリエイティブな仕事にも現れる。AIは数分で20件のキャンペーン案を提示できる。だがチームに必要なのは、オーディエンス、製品、タイミング、評判に合う一つのメッセージだ。

一つのアイデアを選ぶとは、残りの19案を退けることを意味する。AIは拡張を促す一方で、戦略には除外が必要だ。

したがって、代替案を生成する能力は、完了の定義を明確にする価値を高める。完了の定義とは、コミットメントを閉じる前に成果物が満たすべき条件を定めるものだ。品質、責任の所在、納品要件を含めるべきである。

この定義がなければ、AI支援プロジェクトは恒久的に改善可能なままとなる。モデルは常に、別のバリエーション、追加調査、書き直し版を提供できる。反復は回避の仕組みになる。

Maneliusが記事数を減らし、その分より深く改稿することを選んだのは、一つの対応策を示している。技術が希少性を取り除いた後に、彼は希少性を課している。その制約は制作コストではなく、編集上の判断から生まれている。

企業にも同様の動きが必要だ。進行中の作業を制限し、明確な責任者を割り当て、新たな取り組みを始める前に根拠を求めることができる。こうした選択は業務運営上の話に聞こえるが、AIの戦略的価値を守る。

集中は性格特性ではなく、オペレーティングシステムである

組織がAIによる活動を称賛しながら、従業員には無制限の仕事を引き受けることを報いるなら、集中は維持できない。

Maneliusの経験を、個人の規律の問題として捉えたくなる。彼は多くの未完了事項を抱えすぎ、負担を認識し、コミットメントを減らした。より良いToDoリストがあれば十分に見えるかもしれない。

しかし、この解釈はAIを取り巻く職場のインセンティブを見落としている。リーダーはしばしば、能力を増やすためにこれらのツールを導入する。従業員が、節約された時間はより多くの成果に変わるはずだと考えるのは自然なことだ。

Microsoftの2025年Work Trend Indexによると、リーダーの82％は、今後12〜18か月以内にデジタル労働力を活用して人員能力を拡張すると予想していた。デジタル労働力とは、組織業務の一部を実行するAIシステムを指す。

拡張は、制約のあるチームに利益をもたらし得る。一方で、すべての従業員がより多くの同時進行の活動を監督すべきだという期待を生む可能性もある。仕事はタスクを完了することから、増え続ける機械出力のキューを管理することへ移行する。

従業員は、集中力だけでこの設計上の問題を解決できない。仕事を断り、実験を終了し、中断のないレビュー時間を守る権限が必要だ。さもなければ、集中は評価上の期待と衝突する。

実践的な運用モデルは、同時に追う成果を減らすことから始まる。成果とは、顧客課題の解決や信頼できる機能のリリースのような、意味のある変化を指す。単に生成された納品物ではない。

次にチームは、仕掛かり中の作業を制限できる。仕掛かり作業制限とは、新たな作業を始める前に、アクティブな項目数の上限を設けることだ。この実践は長くソフトウェアや製造業に存在してきたが、AIによってナレッジワーク全般でも重要になっている。

この上限には、人間の割り当てだけでなくAIプロセスも含めるべきだ。10件のテーマを調査するエージェントは、10件のレビュー義務を生む。エージェントが監督なしで動いている間も、その義務は数える必要がある。

組織は、完結も測定すべきだ。有用な指標には、完了したプロジェクト、解決した意思決定、取り除かれた顧客問題、終了した古いコミットメントが含まれる。生成された文書だけを成功として数えるべきではない。

レビュー能力には、独自の予算を割り当てる価値がある。AIワークフローを立ち上げる前に、チームは誰が出力を点検するのか、その点検にどれだけ時間が必要なのかを明確にすべきだ。責任者のいないレビューは、隠れた負債である。

同じ原則は会議とメッセージにも当てはまる。AI要約は、出席や記憶にかかるコストを減らせる。しかし、文書化が自動的に行われるように見えるため、会議の増加を促すこともある。

要約は、競合する優先順位を解決しない。すべての会議で5件のアクション項目が生まれるなら、自動化はシステムに流れ込むコミットメントの数を増やす可能性がある。

したがって管理職は、停止点を守る必要がある。昼休み、夜、会議と会議の間の時間は、かつて自然に仕事を制限していた。常時利用可能なモデルは、チームが意図的に境界を取り戻さない限り、その境界を溶かしてしまう。

これは野心を否定することではない。野心を深さへ向けることだ。従業員はAIを使って複数のアプローチを素早く試し、その後に一つへコミットし、残りを閉じることができる。

AIは、証拠の比較、矛盾の特定、プロジェクト文脈の保持によって、このプロセスを支援できる。ask remioのようなツールは、新たな調査ループを開くことなく、従業員が過去の資料を取り出す助けになる。

優先順位付けの責任は、なお担当者にある。組織が目標と制約を明確に表現していない限り、新たなコミットメントの完全な機会費用を知るモデルはない。

Rick ManeliusによるAI生産性の議論は、この時点で実行可能になる。新たなスキルは、単にプロンプトを上達させることではない。安価な着手が高価な完了を圧倒しないよう、仕事のシステムを設計することだ。

集中という主張が依然として証明できないこと

Maneliusは力強い診断を示しているが、彼個人の経験は、AIが普遍的に燃え尽きを増やすことも、プロジェクトを減らせば常により良い結果を生むことも証明していない。

元のエッセイには、2倍から100倍速いという印象的な生産性の推定が含まれている。これらの数値はManeliusの経験と枠組みを表すものである。職種をまたぐ統制された測定値として扱うべきではない。

検証済みの研究では通常、特定の条件下でより限定的な効果が見つかっている。専門的な文章作成の実験では、完了時間が40％短縮された。カスタマーサポートの研究では、平均14％の生産性向上が確認された。

結果はタスクや従業員によっても異なる。カスタマーサポートの研究では、経験の浅い従業員ほど大きな恩恵を受けた。経験豊富な従業員の改善幅は小さかった。

ほかの実験では、能力の境界が不規則であることも示されている。AIは一見難しいタスクの一部をうまくこなす一方で、得意領域の外にある似たタスクでは失敗する。利用者は、誤った領域でモデルを信頼すると、かえって正確性を失うことがある。

こうした違いが重要なのは、集中ではすべての技術的限界を修正できないからだ。深くコミットした従業員でも、不正確なモデル出力に従うことはあり得る。集中は検証の代わりにはならない。

また、すべての未完了プロジェクトを有害と分類すべきでもない。不確実性が高い場合、探索的な仕事は学びを生む。複数の短期間のプロトタイプは、どの道筋に本格的な投資をすべきかを明らかにできる。

重要な区別は、実験が意思決定を生むかどうかだ。各試行に問い、責任者、期限、終了条件があれば、試行のポートフォリオは規律あるものになり得る。

Maneliusは、プロジェクトの拡大と燃え尽きの兆候を結び付けてもいる。燃え尽きとは、疲弊、仕事との心理的距離、職業上の有効性の低下に関連する、仕事に起因する症候群である。そこには複数の組織的・個人的要因がある。

彼の説明だけでは、原因としてAIを切り分けることはできない。子育て、起業、職場からの要求、経済的な圧力、健康、組織文化はいずれも疲弊に影響し得る。

Berkeleyの調査結果にも同様の慎重さが必要だ。2026年2月に議論されたこの研究は、あるテクノロジー企業内で行われた8か月間の調査に基づいている。これは豊富な行動上の証拠を提供するが、労働力全体を代表する推定値ではない。

Microsoftのテレメトリにも限界がある。これはMicrosoft 365環境内の活動を反映しており、一部の集団を含んでいない。メッセージ量は心理的な負担と同一ではない。

それでも、これらの情報源はもっともらしいメカニズムに収束している。AIは認知的な仕事を始める際の摩擦を減らす。人はそれに応じて範囲を広げ、より多くの並行スレッドを維持し、以前は休止に使われていた時間を使うようになる。

このメカニズムは、業界をまたいで検証されるべきだ。研究者には、AI導入と労働時間、未完了作業、品質、自律性、ウェルビーイングを結び付ける縦断的な証拠が必要である。

雇用主はまた、自発的な探索と、強制された業務強化を区別すべきだ。追加の実験を選ぶ創業者と、AI導入後に評価目標を引き上げられる従業員では、置かれた立場が異なる。

コントロールの有無が体験を変える。節約した時間の使い方を自ら決められる従業員は、より大きな自律性を感じるかもしれない。より高いノルマを課される従業員は、同じ技術を監視や圧力として感じるかもしれない。

分配の問題もある。AIはある従業員の単調な仕事を減らす一方で、別の従業員に検証作業を移す可能性がある。組織全体の生産性は、個人の生産性とは異なって見えることがある。

公正な評価は、引き継ぎをまたいで仕事を追わなければならない。誰が時間を節約し、誰がレビューを引き受け、出力が失敗したときに誰が説明責任を負うのかを特定すべきだ。

集中という主張は、こうした問いを投げかける点で依然として価値がある。普遍的な答えを欠くことが弱点なのではない。企業が「もっと集中せよ」を、すでに過負荷の従業員に課す新たな要求へ変えたときにのみ、その弱点が現れる。

集中には削減が必要だ。リーダーがあらゆる目標、会議、施策、応答への期待を残したままなら、新たな集中方針は空虚な言葉になる。何かをシステムから外さなければならない。

フォロースルーが勝つかを示す三つのシグナル

職場におけるAIの次の段階は、人間の仕事を際限なく延長することなく、組織がタスク実行の高速化をより良い成果へ変えられるかどうかで評価される。

最初の兆候は、生産性の測定方法が変わることです。企業は、生成された成果物の数、プロンプト数、AI導入の有無を数えるだけでは不十分です。完了した成果、手戻り、意思決定にかかる時間、未完了の作業在庫を測定すべきです。

こうした指標が一般化すれば、フォーカスに関する主張はより強まります。それは組織が、機械のスループットと事業の前進との違いを認識していることを示すでしょう。

企業が下流工程の作業を測定せず、利用量ばかりを称賛し続けるなら、この主張は業務上のムーブメントとして弱まります。フォーカスは組織的な標準ではなく、個人が対処するための戦略にとどまるでしょう。

2つ目の兆候は、AI製品が進行中の作業を管理するためのより強力なコントロールを開発するかどうかです。有用なコントロールなら、稼働中のすべてのエージェント、レビュー待ちの項目、未解決の意思決定、放棄された出力を一か所で可視化できるでしょう。

このような機能は、人間の注意力を限りある資源として扱います。新しいプロンプトや委任したタスクが将来生み出す義務を、働く人々が理解する助けになるはずです。

ベンダーが主に、より多くの同時実行エージェント、より多くの生成、より多くの自動メッセージのために最適化するなら、過負荷は依然として起こりやすいままです。インターフェースは完了にかかるコストを隠しながら、拡大を促すことになります。

3つ目の兆候は、仕事の強度に関する長期的な証拠です。研究者は、本格的なAI導入の前後で、勤務日の長さ、タスクの範囲、回復に要する時間、従業員の自律性を比較すべきです。

品質が安定したまま労働時間が減少すれば、Maneliusの警告の最も強い解釈に異議を唱えることになります。それは、支援的な条件の下では節約された時間をそのまま節約として維持できることを示すでしょう。

労働時間の長期化、責任範囲の拡大、手戻りの増加は、彼の分析を補強します。それらは、局所的な生産性向上が膨らむ期待によって吸収されていることを示唆するでしょう。

ナレッジワーカーは、こうした結果を待ってから自分たちの仕組みを見直す必要はありません。進行中のコミットメントを数え、レビュー待ちの出力を特定し、もはや重要な問いに答えない実験を終えることができます。

目標は人為的な希少性ではありません。意図的な配分です。AIは価値ある仕事を完了しやすくするべきであり、あり得るすべてのプロジェクトを必須のように感じさせるべきではありません。

これが、Rick Manelius AI productivityの根底にある持続的な洞察です。実行が速くなると、ボトルネックの位置が変わります。生成が豊富になると、判断とコミットメントの価値はさらに高まります。

完了することに意味があるプロジェクトを選んでください。拡大する前に、「完了」の定義を明確にしてください。そしてAIを活用して、より深く掘り下げ、文脈を保ち、仮説を検証し、避けられる労力を減らしましょう。

未解決の問いは、AIがより多くの仕事を始める助けになるかどうかではもはやありません。明らかに、AIにはそれができます。問われているのは、その新たな能力を義務の増殖に使うのか、それとも引き受ける価値のある少数のコミットメントを完了することに使うのかです。