Rick ManeliusのAI生産性論：すべてをこなすより、集中が勝る

Rick Maneliusは7月26日、進行中の概念実証プロジェクトが約40件に達したことを受け、AI生産性に関する警告を発した。AIによって個々のタスクは速くなった一方で、仕事量はより細分化されたように感じられたという。節約できた時間を余裕に変える代わりに、彼はそれを新たな約束事へと換えてしまった。

Rick ManeliusのAI生産性論は、生成AIをめぐる最も魅力的な約束に疑問を投げかける。実行速度が上がっても、自動的に集中力、完成した成果物、あるいは短い勤務時間が得られるわけではない。単に新しいことを始めるコストが下がるだけかもしれない。

この違いが重要なのは、AIアシスタントが下書き、プロトタイプ、調査、実験をかつてなく容易に始められるようにしたためだ。Claude、ChatGPT、Copilot、コーディングエージェントは、数分で目に見える進捗を生み出せる。本当に難しい人間の仕事は、その最初の出力の後に始まる。誰かが選び、検証し、修正し、調整し、仕上げなければならない。

Maneliusは、価値ある対応は横方向ではなく縦方向だと主張する。ナレッジワーカーは、AIを使って新たに手が届くようになったあらゆるアイデアに注意を分散させるのではなく、重要な少数のプロジェクトをより深く進めるべきだという。彼の個人的な体験談は統制された研究ではないが、職場データが明らかにし始めている生産性の問題を浮き彫りにしている。

ある創業者は節約した時間を40件の未完了プロジェクトに変えた

直接の変化は、新しいモデルや製品リリースではなかった。AIによる効率化が、より多くの未完了仕事を生んだという公開の記録だった。

Maneliusは連続起業家で、100本を超える記事タイトルとアウトラインを抱えていたと説明している。また、時間が確保できれば着手したい候補プロジェクトも約50件あった。生成AIは、それらのアイデアの多くを眠らせていた制約を取り除いたように見えた。

彼は会議の合間に生じる5分間の隙間で、Claudeにタスクを与え始めた。彼が次の通話に移る間も、アシスタントは素材を生成し続けられた。初期の実験は十分にうまくいき、さらなる拡大を促す結果となった。

その成功こそが問題になった。下書きやプロトタイプが速く作れるようになったことで、彼は維持できるプロジェクト数への期待を引き上げた。最終的には、追加の判断と注意を必要とする概念実証を約40件も抱えることになった。

原文の投稿でManeliusは、各プロジェクトを新たな「オープンループ」と表現している。オープンループとは、精神的な注意を奪い続ける未解決の約束事だ。AIはこうしたループを開くための労力を減らしたが、それを閉じる人間的コストまではなくしていない。

これはナレッジワーカーにとって重要な違いだ。生成AIは、ブレインストーミング、下書き、要約、プロトタイプの組み立てといった仕事の初期段階を圧縮することが多い。しかし、その後のすべての段階を同じ速度で圧縮するとは限らない。

生成された記事には、なお事実確認、構成上の判断、編集、公開が必要だ。ソフトウェアのプロトタイプには、テスト、セキュリティレビュー、保守、ユーザーサポートがなお必要になる。調査メモには、情報源の評価と、責任を負う人による意思決定がなお必要だ。

したがってAIは、責任を負うことの経済性を変える前に、着手の経済性を変える。始めることは安くなる一方、やり抜くことは高くつく。着手数が完了能力を上回る速度で増えれば、利用者に蓄積するのは自由ではなく義務である。

Maneliusは自身の修正を、「より少なく、しかしより良く行うこと」と要約した。彼は、さらに数回の修正が必要だと考えたため、別の記事の公開を延期した。その選択は、彼の投稿の根底にあるより深い主張を示している。

新たなボトルネックは、もっともらしい初稿を作ることでは必ずしもなくなった。どのバージョンに継続的な注意を注ぐ価値があるかを決めることだ。優先順位、評判、長期的な結果が関わる場合、その判断を安全に委任することはできない。

このため、この話は一人の創業者が抱える過密なプロジェクト一覧にとどまらない。同じパターンは、従業員が10件の提案書を下書きする場合、マネージャーが5件の分析を始める場合、あるいは開発者が複数のアプリケーションを生成する場合にも現れうる。各成果物は、作成がほとんど苦にならなかったとしても、後続の仕事を生み出す。

AIの出力は、完成した価値と同じではない。価値が現れるのは、出力が検証に耐え、想定する利用者に届き、有用な結果を生むときだ。もっともらしい下書きが増えていくフォルダは、進捗ではなく在庫を示している可能性がある。

Maneliusは代替案に明確な名前を与えている。集中とやり抜く力だ。集中は、どの約束事をシステムに入れるかを制限する。やり抜く力は、選んだ約束事をゴールまで運ぶために必要な判断と持続的な努力をもたらす。

Rick ManeliusのAI生産性警告は「終わりのない勤務日」に当てはまる

AIは、すでに応答性、目に見える活動、絶え間ないプロジェクト拡大を報いる職場に導入された。

Microsoftの職場テレメトリーは、その環境を有用な形で示している。同社の分析によると、メッセージの多い従業員は、通常の勤務時間中に2分ごとに中断を受ける可能性がある。この計算は、最も中断が多い利用者では1日を通じて275件の会議、メール、チャットに相当する。

同じ勤務日分析では、勤務時間外のチャットが前年比で15％増加していた。また、標準的な勤務時間の前後に届くメッセージは平均58件と報告している。午後8時以降に始まる会議は16％増加した。

これらの測定結果は、AIが断片化された仕事を引き起こしたことを証明するものではない。AIが、すでに負荷のかかっていた注意力のシステムに入り込んでいることを示している。コンテンツ制作の高速化は、そのシステムにさらに多くのメッセージ、会議、レビュー、意思決定を流し込む可能性がある。

組織側のインセンティブも分かりやすい。あるタスクに必要な時間が減っても、企業が節約されたすべての時間を保護された余暇として扱うことはほとんどない。マネージャーは成果への期待を高められ、従業員はより多くを自発的に引き受けられ、競合他社はより速く提供できる。

2025年のワーキングペーパーは、2023年までの時間使用記録を調べ、関連する結論に達した。職業上のAIへの曝露が高いほど、より長い勤務日と余暇の減少に関連していた。著者らは、AIはしばしば人間の労働を補完するため、追加の労働時間の経済的価値が高まると論じた。

この勤務日延長に関する研究は、現在のすべての生成AI利用者が経験することを断定するものではない。その対象期間にはより広範な形態のAIが含まれ、職場慣行も変化を続けている。それでも、労力を節約する技術が節約した時間を自動的に労働者へ渡すという前提には疑問を投げかける。

この圧力は、とりわけナレッジワーカーに強くのしかかる。彼らの仕事には自然な終点がないからだ。倉庫のシフトは終わるが、戦略文書にはいつでも別のシナリオを加えられる。製品にはいつでも別の実験を追加でき、受信トレイからはいつでも次の返信が生まれる。

生成AIは、この任意の仕事を拡大する。人が手作業で考え出せる数を超えるキャンペーン、製品アイデア、分析、面接質問、デザインのバリエーションを提案できる。それぞれの選択肢は、単独で考えれば価値があるように見える。

過負荷はポートフォリオ全体の水準で生じる。AI支援タスクをすべてより速く完了できたとしても、あまりに多くのタスクを同時に進めてしまう可能性がある。局所的な効率化は、結果としてシステム全体の混雑を生む。

これが、Rick ManeliusのAI生産性論における中心的な逆転だ。AIはものを作る際の摩擦を取り除くが、かつてはその摩擦の一部が注意力を守っていた。始めるのが難しかったため、人々はそのアイデアが投資に値するかどうかを判断せざるを得なかった。

その保護的な障壁は消えつつある。誰でも朝食前にそれなりのプロジェクト概要を作れる。開発者は午後のうちに未知のコードベースを生成でき、マーケターは1回のセッションで数週間分のキャンペーン案を作り出せる。

こうした出力は下流の需要を生む。誰かが最適なキャンペーンを選び、生成されたコードを理解し、矛盾を調整し、新しいプロジェクトが実際の目標を支えるかどうかを判断しなければならない。これらのタスクは文脈と説明責任に依存する。

企業は、AI導入を活動量で測定することで問題を悪化させうる。プロンプト数、生成文書数、導入済みアシスタント数は追跡しやすい。一方で、完了した優先事項の減少、顧客成果の迅速化、意思決定の質の向上を測るには、より慎重な測定が必要だ。

20本の下書きを生成する従業員は、一つの強いアイデアを選び抜いて完成させる人より忙しく見えるかもしれない。後者のほうが多くの価値を生む可能性があるが、そのプロセスからは目に見えるAI活動が少なくなる。

その結果生まれる文化は、節約されたすべての時間を次の要求へと変えてしまう可能性がある。すると従業員は、AIを自律性の源ではなく、加速を求める命令として経験する。機械は速くなる一方で、人間はあらゆる結果への責任を負い続ける。

仕事を始めるコストは下がったが、終わらせるにはなお人間的な代価がある

生成AIは、生産よりも選択、検証、調整、責任を担うことの圧縮が進んでいない。

研究者たちは、範囲が限定されたタスクにおける実際の生産性向上を記録している。ある有力な研究は、生成AIアシスタントを利用する5,179人のカスタマーサポート担当者を調査した。アクセスにより、1時間あたりの解決件数は平均で14％増加した。

効果は一様ではなかった。初心者やスキルの低い従業員は34％改善した一方、経験豊富な従業員には最小限の効果しか見られなかった。サポート担当者の研究は、AIが高業績の同僚から学習したパターンを広められることを示唆している。

この結果はAI支援を支持する根拠になる。同時に、タスク定義が重要である理由も明らかにする。カスタマーサポート業務には、測定可能なケース、確立されたワークフロー、明確な完了条件がある。

多くのナレッジワークのプロジェクトには、こうした境界がない。あるコンセプトが会社を立ち上げる価値があるかを判断する創業者は、1時間あたりの解決件数を最適化できない。ある論点が公開可能な状態にあるかを判断する編集者も、下書き速度だけに頼ることはできない。

コーディング研究も、同様に限定的な見方を示している。4,867人のソフトウェア開発者を対象とした3件のフィールド実験では、AIコーディングアシスタントを使う従業員の完了タスク数が26.08％増加した。経験の少ない開発者ほど導入率が高く、改善幅も大きかった。

ただし、そこでも完了した開発タスクが統合コストをなくすわけではない。生成コードは、既存のアーキテクチャ、セキュリティ要件、保守慣行に適合しなければならない。機能をより速く作れるようになると、組織内の別の場所でレビュー需要が増える可能性がある。

AIエージェントも、仕事が並行的かつ相互接続的になると苦戦する。Microsoftの研究者は、主要なコンピュータ操作エージェントが単一タスク環境では16.7％の完了率を達成したと報告した。マルチタスク負荷の下では、その率は8.7％まで低下した。

チームのエージェント評価では、異なる時間枠にまたがる相互依存的な仕事をテストするマルチホライズン環境を用いた。この低下は、人間のプロジェクトオーナーにもなじみ深い問題を反映している。進捗には、孤立した行動を完了する以上のことが必要だ。

実際の仕事には依存関係がある。営業提案は、承認済みのポジショニング、最新の顧客データ、法務文言に依存する。製品ローンチは、テスト済みのコード、ドキュメント、サポート準備、調整されたリリース日程に依存する。

AIは、その連鎖の一部を加速できる。しかし、すべての依存関係をなくすことはできない。一人の人間が組織の支援能力を超える数の連鎖を始めれば、個々のタスクが速くなっていても、全体の流れは遅くなりうる。

だからこそ、フォーカスと同じだけフォロースルーにも価値を置くべきだ。フォーカスは重要な連鎖を選び出す。フォロースルーは、その成果が実際の顧客、同僚、読者、あるいは意思決定者に届くまで依存関係を管理する。

最終段階には、しばしば不釣り合いなほどの労力が必要になる。90％完成しているように見える草稿にも、裏付けのない主張、弱い接続、不明確な判断が残っているかもしれない。プロトタイプも、機能しているように見えて、本番運用に必要な信頼性を欠いている場合がある。

Maneliusは、この隔たりを部分日食と皆既日食の視覚的な違いになぞらえた。この比喩を、普遍的な品質の公式にしてはならない。すべてのタスクに徹底的な磨き上げが必要なわけではなく、迅速で十分な回答が本当に求められる仕事もある。

ただし、この比喩は信頼と一貫性が重要な仕事には当てはまる。ほぼ完了した顧客移行でも失敗することがある。大半は正確な経営陣向けメモでも、誤った判断を招きうる。ほぼ安全なアプリケーションは、依然として安全ではない。

AIは、目に見える完成度と運用準備の整いを混同しやすくする。流暢な文章は、出典が不確かなままでも完成品に見える。生成されたインターフェースは、エッジケースがテストされていなくても機能的に見える。

そのためナレッジワーカーには、より厳格な「完了」の定義が必要になる。モデルが生成を止めた時点で、プロジェクトは完了ではない。誰かが結果を検証し、重要な依存関係を解消し、意図した届け先へ提供して初めて完了する。

パーソナルナレッジシステムは、文脈を保持し、繰り返しの検索を減らすことで、そのプロセスを支援できる。たとえば、パーソナルナレッジベースは、意思決定、情報源、プロジェクト履歴をつなげて維持できる。しかし、どのプロジェクトを優先すべきかまでは決められない。

この境界は重要だ。より優れた検索・取得は調整上の摩擦を減らせるが、対象は限定されたポートフォリオであるべきだ。そうでなければ、整理の改善は単に、未完了のコミットメントをより多く抱え続けることを助けるだけになる。

フォーカスとフォロースルーは、横断的なAI生産性を上回る

希少な資源は、生産能力から注意を向け続け、維持する能力へと移りつつある。

従来の生産性システムは、仕事が外部から入ってくることを前提としている場合が多い。ユーザーが義務を取り込み、整理し、効率的に実行するのを支援する。生成AIは、既存の仕事を完了する助けになるのと同じくらい速く、新しい仕事も生み出せるため、このモデルを変える。

アシスタントに成長のアイデアを尋ねれば、何十件も返してくることがある。機能機会を求めれば、ロードマップを作成できる。リサーチの方向性を聞けば、チームを十分に忙しくさせるだけの問いを生成できる。

現在のユーザーには、仕事の受け入れ方針が必要だ。AIに拡大する許可を与える前に、すべての新規プロジェクトは限られた注意をめぐって競うべきである。その門番がなければ、アイデア生成はスコープクリープの自動的な供給源になる。

これは、Rick ManeliusによるAI生産性の論旨における垂直型の生産性戦略である。ユーザーは少数の意味ある成果を選び、その境界内でAIを繰り返し適用する。ツールは、アクティブなポートフォリオを広げるのではなく、実行を深める。

プロダクトマネージャーであれば、AIを使ってインタビューを統合し、仮説を検証し、仕様書を下書きし、意思決定を準備することを意味しうる。この4つのタスクはすべて、1つのプロダクトに関する問いに奉仕する。

横断的な代替案では、今やそれぞれが手頃に見えるという理由で、互いに無関係な複数の機能の仕様書を生成することになる。このアプローチは、ステークホルダーレビュー、依存関係、指標、保守の負担を増やす。

ライターにとって、垂直的な活用は、1本の記事を中心にリサーチ、情報源の比較、構造的な批評、編集を組み合わせることになりうる。横断的な活用では、同じ公開時間と編集エネルギーを奪い合う複数の浅い草稿が生み出される可能性がある。

エンジニアにとって、垂直的な活用には、明確に定義された1つのリリースに向けたデバッグ、テスト生成、ドキュメント作成、コードレビューが含まれうる。横断的な活用では、明確な責任者や廃止計画のない実験的サービスを複数生み出してしまうかもしれない。

フォーカスとは、探索を拒むことではない。探索とコミットメントを分けることだ。低コストの実験は定義された問いに答えられるが、その結果は継続、一時停止、終了について意図的な判断を促すべきである。

この判断点は、プロトタイプが恒久的な背景業務になるのを防ぐ。また、目に見える進捗が持つ心理的な引力にも対抗する。生成された出力は、主要な目的を前に進めなくても、具体的な何かを作り出すため生産的に感じられる。

フォロースルーには、その判断後に保護された注意が必要となる。AIは作業の準備を助けられるが、人間には依然として判断のための中断されない時間が必要だ。プロジェクトを絶えず切り替えると、微妙な誤りやトレードオフに気づくために必要な文脈が弱まる。

Microsoftの中断に関するデータは、この要件の達成が難しいことを示している。それでもAIは、選択されたワークフローの中で定型的な素材を処理することで、フォーカスを守る助けになりうる。より多くの選択肢を生む同じ技術が、更新情報を要約し、過去の判断を取り出し、制約付きのブリーフを準備できる。

違いは、誰がキューを制御するかにある。すべてのメッセージ、アイデア、生成された提案がタスクになれば、AIは断片化を加速させる。明確な優先順位がアシスタントの処理対象を制御すれば、AIはその成果を取り巻くノイズを減らせる。

複数の関連情報源から情報を組み合わせるナレッジブレンディングは、こうした条件下で有用である。ナレッジブレンディングのようなシステムは、散在する文脈を1つの回答にまとめられる。それでもユーザーは、その回答が支えるべき意思決定を定義しなければならない。

組織にも、より大きな規模で同じ規律が必要だ。リーダーは、すべての部門にエージェントを配布する前に、どのワークフローを加速させるべきかを特定すべきである。また、節約された時間を何に使うかも決めるべきだ。

企業が節約時間のすべてをより多くの出力に変えると期待するなら、従業員は合理的により多くの仕事を始める。レビューと回復のために一部の余力を保護すれば、AIによる成果は品質と持続可能性の双方を改善できる。

指標は完了を強化すべきだ。チームは、仕掛かり中の仕事の経過日数、アクティブなプロジェクト数、完了した顧客成果、改訂率、放棄されたプロトタイプを追跡できる。これらのシグナルは、AIがフローを改善しているのか、在庫を増やしているのかを明らかにする。

プロジェクト数の減少は、必ずしも野心の低下を示すわけではない。完了が重要な領域に、チームが資源を集中させていることを示す場合もある。実践的な検証は、より少ないコミットメントがより強い成果を生むかどうかである。

バーンアウトの主張には、1人の創業者の経験以上の根拠が必要だ

Maneliusはもっともらしいメカニズムを示しているが、彼の説明はAI利用がバーンアウトを引き起こすことを証明してはいない。

世界保健機関はバーンアウトを、適切に管理されなかった慢性的な職場ストレスから生じる職業上の現象と定義している。その3つの側面には、消耗感、仕事に対する距離感や冷笑主義の高まり、職業的有能感の低下が含まれる。

このバーンアウトの定義は、特に仕事に適用される。Maneliusはスタートアップ活動と個人的なサイドプロジェクトの両方を論じた。彼の経験はバーンアウトに似ているかもしれないが、職業上の定義のすべての要素に当てはまるとは限らない。

彼の効率性に関する推定にも注意が必要だ。彼は、AIによって一部のタスクが2倍から100倍速くなる可能性があると書いた。これらの数値は、彼のプロジェクトポートフォリオから測定された結果ではなく、広い範囲を示している。

信頼できる改善幅は、タスク、作業者、モデル、品質の基準によって大きく異なる。最初の草稿ははるかに速く作成できる一方、検証によってその節約分の一部が失われることもある。複雑なタスクの中には、モデルの信頼できる能力の範囲外にとどまるものもある。

証拠は、AIが仕事を拡大するのではなく減らすことも示している。66社、7,137人のナレッジワーカーを対象とした無作為化フィールド実験では、メール、会議、執筆に統合されたAIツールが調査された。

このツールを利用した介入群の従業員は、実験後半において毎週のメール作業時間が2時間短かった。また、通常の勤務時間外の仕事も減らした。研究者は、タスク量や構成に関するより広範な変化を検出しなかった。

これらの結果は、生成AIが必然的に過負荷を生むという主張を弱める。既存の仕事に適用される場合、統合ツールが時間を取り戻しうることを示唆している。また、個人にツールへのアクセスを与えるだけでは、チームレベルの慣行が自動的に再編されないことも示している。

重要な変数は、時間が節約された後に何が起こるかかもしれない。ある作業者はその時間を守れる一方、別の作業者は新たに3つのプロジェクトを始めるかもしれない。あるマネージャーは管理業務を減らせる一方、別のマネージャーは出力目標を引き上げるかもしれない。

個人の裁量は重要だが、組織の力も重要である。従業員は、節約された時間が回復、より深い仕事、あるいは別の割り当てになるかをコントロールできない場合がある。競争市場と評価システムは、生産性向上の利益がどのように配分されるかに影響する。

プロジェクトの種類もリスクを変える。カスタマーサポートには、終わりのある反復的な仕事がある。起業、執筆、プロダクト開発には、ほぼ無限の任意スコープが含まれる。AIは、こうしたオープンエンドな分野で、はるかに多くの潜在的な仕事を刺激しうる。

別の反論もある。不確実性が高い場合、より多くの実験を出荷することは合理的でありうる。スタートアップは複数のアイデアをテストして学ぶことが多く、AIはその証拠を集めるコストを下げる。

問題は、実験の数だけではない。明示的な停止ルールがないことだ。実験には、問い、限られた予算、意思決定日が必要である。これらの統制がなければ、探索は曖昧な義務からなる拡大ポートフォリオになる。

完璧主義には関連するリスクがある。Maneliusは、重要なプロジェクトでは最後の1％にかかるコストを払うべきだと論じる。この原則は重要な仕事を改善できるが、ユーザーがより早いバージョンから恩恵を得られる場合には、提供を遅らせる可能性もある。

フォーカスとフォロースルーは、すべてを無期限に磨き続けることを意味すべきではない。仕事を始める前に、適切な品質基準を選ぶことを意味すべきである。非公開の分析、公開エッセイ、医療ワークフロー、金融上の意思決定には、それぞれ異なる水準の保証が必要だ。

したがって、この議論の最も強い形は条件付きである。ユーザーが効率向上のすべてを追加のコミットメントに再投資すれば、AIは過負荷を増やしうる。仕掛かり中の仕事を制限し、取り戻した時間を守れば、AIは過負荷を減らしうる。

この枠組みは、Rick ManeliusによるAI生産性への警告を、1つの経験を普遍的な証拠として扱わずに有用なものにする。彼の物語はメカニズムを提供する。職場研究は、結果がタスクの境界、管理上の選択、作業者のコントロールに左右されることを示している。

AIがより良い仕事を支えるかを示す3つのシグナル

AI生産性の次の段階は、完了した成果、労働時間、現実のマルチタスク条件下でのパフォーマンスによって評価される。

最初のシグナルは、組織が生成された出力ではなく仕掛かり中の仕事を測定し始めるかどうかである。現在の導入ダッシュボードでは、プロンプト、アシスタントの利用、作成された文書を称賛しやすい。これらの指標は、完了した価値についてほとんど語らない。

より強い測定システムなら、AI利用をサイクルタイム、顧客成果、不具合、アクティブなプロジェクト数と結びつけるだろう。仕掛かり中の仕事が管理されたままこれらの成果が改善すれば、フォーカスの論旨は支持を得る。

企業が完了の迅速化を伴わない生成素材の増加を報告するなら、この警告はより強まる。その場合AIは、有用なスループットを高めるのではなく、組織の在庫を拡大していることになる。

2つ目のシグナルは、節約された時間が労働時間を短縮するかどうかである。研究はすでに相反する方向を示している。あるフィールド実験ではメール時間と時間外労働の減少が見られた一方、時間利用に関する研究では、AIへの曝露がより長い労働時間と関連づけられていた。

将来の職場テレメトリーは、どちらの傾向が優勢になっているかを明らかにできる。勤務時間外のメッセージ、週末の活動、会議量、そして中断のない集中時間は、自己申告によるスピードだけよりも確かな証拠となる。

時間外活動の減少は、組織が従業員に効率向上の恩恵をある程度維持させていることを示すだろう。拡大が続くなら、AIによる能力向上が高まる期待値に吸収されていることを示唆する。

3つ目のシグナルは、エージェントが長く相互に関連するワークフロー全体でどのように機能するかだ。単一タスクのデモでは、自律性がほぼ完成しているように見えることがある。職場での価値は、エージェントがコンテキストを維持し、依存関係を管理し、エラーから安全に回復できるかに左右される。

マルチタスク負荷下で完了率が16.7%から8.7%へ低下したとの報告は、現在の隔たりを示している。性能が向上すれば、AIは単に着手材料を増やすだけでなく、より多くの後続作業を担えるようになる。

その改善によって人間の判断が不要になるわけではない。判断がプロセスのどこで介入するかが変わるのだ。エージェントが定義された業務ストリーム間の調整をより多く担う一方で、人は成果と例外を監督できるようになる。

その信頼性が実現するまで、ナレッジワーカーはAI生成のあらゆるプロジェクトを、将来的に注意を要する案件として捉えるべきだ。最初の出力は招待であって、完了した成果ではない。

実務上の問いは、もはやAIがあなたを速くできるかどうかではない。多くの範囲が限定されたタスクでは、明らかに速くできる。問うべきなのは、そのスピードが選んだ成果を前進させるのか、それとも新たな未解決ループを生み出すのかだ。

アシスタントに何か新しいことを始めさせる前に、それによって何のコミットメントが後回しになるのかを特定しよう。完了の定義、検証の責任者、そして作業をいつ終えるかを明確にする。そのうえで、AIを使って選んだプロジェクトをさらに前へ進める。

新しいAIの超能力は、無限の生成でも絶え間ない稼働でもない。注目に値するものを選び、その周囲のコンテキストを維持し、丁寧に完了させる力だ。次のプロジェクトを始める前に、あなたはどの未完了のプロジェクトを終えるだろうか？