Locale: ja
買取担当者が現物を30分かけて確認している横で、こちらは寝転びながらスマホへ話しかけ、記事工場を回している。1回の指示が今後およそ1500本の記事に波及しうるなら、仕事の単位は「1本作る」から「製造ルールを書き換える」に変わる。
ある日、外では不用品の買取担当者が、売れる物かどうかを一つずつ見ていた。状態を見る。触る。型や傷を確かめる。相場と照らす。現物仕事なので、どうしても時間がかかる。
そのころ室内では、別の意味で妙な光景が発生していた。人間はベッドで寝転がっている。スマホに音声入力しているだけ。しかし、その声を起点に、調査、文章化、修正、品質確認といったデジタル作業が次々に走っている。
見た目だけなら、完全に「何もしてない」。
実態は、製造条件を触っている。
何もしてない（してる）
「自分は何もしていない」という感覚と、「実際には大量の仕事が前に進んでいる」という事実は、AIを組み込んだ仕事では両立する。
手を動かす量が仕事量だった時代なら矛盾する。しかし、調査・下書き・変換・検査を機械側へ渡し、人間が判断と例外処理を担当するなら、人間の主な仕事は「作業」ではなく「制御」になる。
出勤：寝返り。会議室：スマホのマイク。工場：AI。
もちろん本当に無労働ではない。何を作るか、何を直すか、どのルールを恒久化するかは人間が決めている。ただ、筋肉の稼働量と成果物の量が切り離され始める。
本社はベッド、会議室は音声入力
ここで地味に効いているのが音声入力だ。
机に座る。PCを開く。対象ファイルを探す。文章を整えて入力する。こうした「仕事を始めるまでの儀式」は、一つひとつは小さいが、回数が増えると摩擦になる。
音声なら、気づいた瞬間に「ここを直す」「この観点を追加する」「この基準を今後も使う」と流せる。起動コストが低いから、判断が判断のまま消えず、システムへ入りやすい。
重要なのは、寝ながら働けることそのものではない。思考から実行系までの距離が短いことだ。
同じ30分でも、物理は直列、デジタルは並列になりやすい
現物査定は、担当者が遅いから30分かかるわけではない。物理世界には「その物を実際に見る」という省略しにくい工程がある。
一方、デジタル作業は複製・検索・変換・並列処理がしやすい。人間が一つの判断を出したあと、複数の処理へ同時に流せる。
だから同じ30分でも、時間の密度が変わる。
これは人間同士の優劣ではなく、仕事が走っている媒体の違いである。現物は原子を相手にする。記事工場はビットを相手にする。原子はだいたい寝返りだけでは動かない。
本当のスケールは「記事を作る」ではなく「記事を作るルールを変える」
1本の記事をAIに書かせるだけなら、速い外注に近い。
もっと大きな変化は、「今後の記事ではこの基準を使う」「この構成上の欠陥を検査で弾く」「この表現は読者に伝わりにくいので別の形にする」といった指示が、恒久ルールとして残るときに起きる。
すると1回の判断が、その場の1本で終わらない。
数週間後の記事にも、数か月後の記事にも効く。対象が約1500本なら、1回の良い判断の価値は「その文章を直した5分」では測れない。その判断が届く半径で測る必要がある。
これがスケールであり、レバレッジである。
1回の指示が1500本に効くと、ボトルネックが変わる
作業者モデルでは、ボトルネックは「自分が何時間働けるか」になりやすい。
制御者モデルでは、ボトルネックは「どのルールを採用するか」「判断が正しいか」「例外を潰していないか」へ移る。
つまり、生産性が上がるほど、人間の仕事は楽になるだけではない。判断ミスの単価も上がる。
良いルールが1500本に効くなら、悪いルールも1500本に平等に配布される。工場長がベッドにいることより、工場長が寝ぼけた規則を全ラインへ配ることのほうが問題だ。
研究は「AIで特定作業が速くなる」までは支持している
この感覚には、少なくとも一部は研究上の裏づけがある。
NoyとZhangが2023年に『Science』で報告した事前登録実験では、453人の大卒専門職が職種に応じた文章作成課題を行い、ChatGPTを使った群では平均作業時間が40%短くなり、品質評価が18%高くなった。
またBrynjolfsson、Li、Raymondの顧客サポート研究では、生成AI支援の導入で、1時間当たりの解決件数で測った生産性が平均14%上がり、初心者・低スキル層では34%の改善が報告された。
ただし、ここから「AIを使う個人は会社より生産性が高い」と一般化することはできない。会社には営業、顧客対応、法務、会計、冗長性、引き継ぎ、障害対応など、1人の瞬間最大出力には現れない機能がある。
研究が支持しているのは、条件が合う特定タスクでAIが速度や品質を上げうるというところまでだ。今回の面白さは、その上に「恒久ルールとして未来の大量成果物へ波及させる」という別のレバレッジが乗っている点にある。
Google先生と研究を原本にするなら、検索結果ではなく原典を見る
「Google先生と研究ベースだから信頼している」という姿勢は、勘だけで恒久ルールを作るより強い。
ただし、Google検索は証拠そのものではなく、証拠を探すための入口だ。検索上位の記事が正しいとは限らない。研究なら論文本文、制度なら公式文書、商品ならメーカー仕様というように、できるだけ一次情報へ降りる。
そしてもう一つ重要なのが、原典が正しくても、工場ルールへの翻訳が正しいとは限らないことだ。
研究で平均的に有効だった原則を、あらゆる記事へ機械的に適用すれば例外を壊すことがある。SEO上の慣習を「読者にとって正しい文章」と誤認することもある。
だから合言葉はこれでいい。
原典を信頼しても、実装は検証する。
良いルールも1500本、悪いルールも1500本
スケールする仕組みでは、改善と事故が同じ高速道路を走る。
そのため最低限ほしいのは、代表的な少数サンプルで試すこと、品質検査を通すこと、全体反映後も実物を確認すること、そして問題があれば戻せるように版を残すことだ。
これは慎重になるために速度を捨てる話ではない。むしろ、速く回し続けるためのガードレールである。
1本ずつ全部手作業で確認するなら、せっかくのレバレッジが消える。だから「全件を人間が見る」ではなく、「ルール変更の入口と、代表出力と、異常時の出口を見る」。監督する場所を変える。
社長っぽい。でも本質は「制御層」
寝転びながら人やAIが動いていると、たしかに見た目は社長っぽい。
しかし、より正確には「社長」より制御層である。
物理層では、人間が現物を確認する。情報処理層では、AIが調査・要約・文章化・変換を担う。制御層では、人間が目的、優先順位、ルール、例外を決める。
この三層がうまく分かれると、「自分が全部やる」必要がなくなる。
何もしていないように見える時間に、システム全体の振る舞いが変わる。
結論：寝ているのに、製造条件が更新されている
一番おもしろいのは、「ベッドでスマホに話しかけている」という怠惰そうな姿と、「数か月分の生産ルールを変更している」という実態が同時に成立することだ。
仕事量を増やす方法が、労働時間を増やすことだけではなくなった。
1回の判断を何回再利用できるか。どこまで自動で伝播するか。正しい原典から作ったルールを、どれだけ安全に全体へ流せるか。
そこまで設計できると、生産性の単位は「1時間で何本書いたか」から、「1回の判断が何本の未来を改善したか」へ変わる。
本社所在地はベッドでもいい。
ただし、寝ぼけた恒久ルールだけは本番配備しないほうがいい。
参考資料（3件）
- Shakked Noy, Whitney Zhang, “Experimental evidence on the productivity effects of generative artificial intelligence,” Science 381(6654), 2023. https://www.science.org/doi/10.1126/science.adh2586
- Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, “Generative AI at Work,” NBER Working Paper 31161, 2023, revised 2023; later published in The Quarterly Journal of Economics 140(2), 2025. https://www.nber.org/papers/w31161
- Published QJE version: https://doi.org/10.1093/qje/qjae044
