AIはあなたの労働時間の約3%を節約するが、そのほとんどは収益に結びつかない

研究 · 解説AIはあなたの労働時間の約3%を節約するが、そのほとんどは収益に結びつかない Akira Sumi · 2026年7月2日 · 9分読了 · 調査済み AIは、ライティング、サポート、構造化されたドラフト作成といった適切なタスクを実際に高速化します。しかし、実社会ではその効果は労働時間の約3%に縮小し、間違ったタスクでは逆効果になり、そのほとんどは給与や損益計算書に到達しません。ここでは、研究が示す内容と、現実の利益を実際に得る方法を説明します。 経済学者のAnders HumlumとEmilie Vestergaardは、ほとんどのAI生産性研究がスキップしていることを行いました。それは、約25,000人の労働者と7,000のデンマークの職場を対象としたAI導入調査を、実際の給与記録と結びつけたことです。 時間の節約は現実的で小さく、労働時間の約2.8%でした。週に1時間程度と呼びましょう。ここで止まるべきなのは、その次に起こったことです。 チャットボットは、どの職業においても収入や記録された労働時間に有意な影響を与えず、生産性向上のわずか3%から7%しか給与に反映されませんでした。 デモや実験室での研究と比較してください。そこではAIは人々を15%、40%、さらには55%速くします。どちらも真実ですが、測定しているものが異なります。 管理された20分間のタスクでは、AIはロケットです。実際の仕事、実際の1ヶ月、実際の給与台帳では、それは小さく、漏れのある利益であり、給与や利益線に到達する前にほとんど蒸発します。 問う価値のある質問は、「AIはナレッジワークを速くするか？」ではありません。なぜなら、適切なタスクでは明らかにそうだからです。問うべきは、「節約した時間が金になるか？」であり、これまでのところその答えは「あなたがそうしない限り、ならない」です。 短いバージョン 利益は現実的で、タスク固有であり、失われやすいです。 稼ぐためにAIを使用している場合： AIが得意なタスクに狙いを定めましょう。最初のドラフト、要約、構造化されたライティング、顧客からの返信、定型文。そこに測定可能な勝利があり、それらは大きいです。 AIが静かに失敗するタスクからは外しておきましょう。その強みの外では、AIは助けるのをやめるだけでなく、節約した時間よりもキャッチするのにコストがかかる自信のある誤った回答を生成します。 タスクごとの利益は大きいですが、実生活での利益は小さいです。1つのタスクで40%のスピードアップも、AIが触れないものをすべて数えると、週の数パーセントにしかなりません。 高頻度で反復可能な作業に積み重ねるか、さもなければゼロに丸められます。 節約した時間を意図的に確保しましょう。節約された時間はそれ自体ではお金になりません。請求する、より多く出荷する、別のクライアントを取る、またはコストを削減する。それを変換しないと、それは一日に漏れ戻ってきます。それがあなたのために給与や利益率を上げることを期待しないでください。 研究は率直です。利益はそれを意図的に銀行に預ける人に渡りますが、ほとんど誰もまだそうしていません。 これ以降はすべて証拠です。 利益は現実的で、適切なタスクで 勝利から始めましょう。なぜなら、それらは本物だからです。 453人の専門家を対象としたランダム化実験で、中レベルのライティングタスク、プレスリリース、短いレポート、機密性の高いメールのためにChatGPTを提供したところ、費やす時間が40%削減され、評価された品質が18%向上しました。 5,179人のカスタマーサポート担当者を対象としたフィールドスタディでは、AIアシスタントへのアクセスにより、解決された問題/時給が平均14%、最も経験の浅いエージェントでは約34%向上しました。 これらの結果は現実的で、測定可能で、繰り返されています。あなたの仕事がこれらのタスクに似ている場合、構造化されており、テキスト中心で、高頻度である場合、AIはハードに使用する価値があり、スピードアップは誇大広告ではありません。 これらの研究のどれが実際に測定しているかに注意してください。それはタスクであり、給与ではありません。より速く完了した20分間のライティング課題。より速くクローズされた問題。 それらのどれも、節約された時間が収入になったかどうかを測定していません。そして、そのギャップがこのピースの残りの部分です。 フロンティアはギザギザです 落とし穴は、AIの能力が奇妙な形をしており、その境界線を越えると高価になることです。 ハーバード大学とBCGは、758人のコンサルタントを対象としたフィールド実験を行いました。AIの範囲内のタスクでは、GPT-4を使用した人々は12.2%多くのタスクを完了し、25.1%速く作業し、品質が40%以上高いと評価された作業を生成しました。 次に、研究者は全員に、AIの範囲のすぐ外側にあるタスクを選んで与えました。そのタスクでは、AIを使用したコンサルタントは、それを使用しなかったコンサルタントよりも正解に到達する可能性が19パーセントポイント低くなりました。 それが1つの数字での罠です。AIは、タスクがその境界を越えたときに通知しません。それは流暢に、自信を持って、そして間違って答えます。そして、自信のある間違った答えは、節約された正しい答えよりもキャッチするのにコストがかかります。 価値のあるスキルはプロンプトではありません。あなたがフロンティアのどちら側に立っているかを知ることです。 実社会では、利益は縮小します 実験室の数字と給与の数字が異なるのには理由があります。研究は、AIがまっすぐ向けられた1つのクリーンなタスクを測定します。実際の仕事は、会議、コンテキストスイッチング、AIが触れない作業の半分、そして生成されたもののチェックのオーバーヘッドの山です。 したがって、15〜40%のタスクスピードアップは、デンマークの給与データでは、総労働時間の約2.8%に圧縮されます。 それは実験室の研究との矛盾ではありません。それは、実際の仕事全体が希釈されたときに、大きなタスクの勝利がどのように見えるかです。 そして、お金は漏れます その小さな実際の利益でさえ、ほとんどお金に到達しません。そして、これはAIを使って稼ごうとしている人にとって最も重要な発見です。 労働時間の2.8%を節約したのと同じデンマークの研究では、収入の測定可能な増加は見られず、利益のわずか3%から7%しか給与に通過しませんでした。 企業全体にズームアウトすると、同じ話です。MITのProject NANDAによる2025年のレポートによると、300億から400億ドルの企業支出にもかかわらず、組織の95%は「ゼロリターン」を得ており、パイロットの大部分は測定可能なP&Lインパクトがなく、わずか5%しか実際の価値を抽出していませんでした。 そして、経済全体で、MITの経済学者Daron Acemogluは、AIが10年間で総要素生産性を最大約0.66%しか向上させず、おそらく0.53%未満になると推定しています。これは、銀行が予測していた年間1.5%から3%と比較すると、丸め誤差です。 パターンはすべてのスケールで繰り返されます。タスクでの実際の利益、仕事全体での縮小する利益、給与と損益計算書でのほぼゼロの利益。 時間は節約されています。ただ、キャプチャされていません。 実際にそれを銀行に預ける方法 これらすべてがAIが無用だと言っているわけではありません。それは、価値が現実的で、小さく、漏れやすいと言っています。これは、それを意図的にキャプチャする人がすべてエッジを得ることを意味します。 実際には、それは3つの動きです。 AIを、利益が測定され、大きいタスクに狙いを定め、自信を持って失敗するタスクからは外しておきましょう。 あなたが大量に行う作業に積み重ねて、タスクあたりの数パーセントが実際の時間に積み重なるようにしましょう。 そして、それらの時間を銀行に現れるものに変えましょう。より多くの出力が出荷された、別のクライアントがサービスを受けた、コストが削減された。なぜなら、意図的に費やさない節約された時間は、他の仕事で満たされるだけだからです。 特にソロビルダーにとってのエッジは、キャプチャする人にあることです。平均して利益の3%から7%が給与に到達し、あなたがそれを自分のものにするワークフローを設計した場合、あなたは平均を大幅に上回っています。 あなたがそれを使用するのではなく、AI製品を構築している場合、同じ規律はコスト側に向けられます。キャプチャが難しい利益は、サービスにプレミアムを支払う価値のない利益と同じです。 そして、コーディングに特化すると、スピードアップは現実的であり、独自の請求書が付いてきます。 AIは職場でペイオフしますか？ 適切なタスクでは、はい、明らかに。 実際の仕事全体では、少し。 あなたの給与では、ほとんど何もありません。あなたが手を伸ばしてそれを取らない限り。 AIはあなたを速くします。それ自体ではあなたを豊かにしません。 3%は現実です。それを銀行に預けるのが仕事です。 何か送る価値のあるものがあるときは、1通のメールで 領収書をメールボックスに届けます。固定スケジュールなし、フィラーなし。何かをテストしたり、数字を実行したり、あなたの時間に見合うツールを見つけたりしたときにメールが届きます。 あなたのメールアドレス 私は参加します 無料。 ダブルオプトイン、ワンクリックで解除。 AIの利益を自分でキャプチャしますか？フォーラムで意見交換しましょう↗ ソースと調査方法 Anders Humlum & Emilie Vestergaard (2025), Large Language Models, Small Labor Market Effects. NBER Working Paper 33777. nber.org/papers/w33777 Brynjolfsson, Li & Raymond (2023), Generative AI at Work. NBER Working Paper 31161; published in the Quarterly Journal of Economics 140(2):889-942 (2025). nber.org/pape