2026年10月8日にN=1,237の事前登録行動研究と、計N=2,691の三つの事前登録研究を再確認した。単純な認知課題ではAI支援と独力の実際の完了時間に差がないのに、参加者はAI支援を速いと予測し主観的努力を低く報告した。また、節約する時間・努力を大きく見積もる効率ゲインの錯覚と、先にAIを使った群が後続課題でも選びやすくなる持ち越しが示された。44.5%対27.7%は実験条件の後続選択で、長期依存、技能低下、複雑業務の生産性ではない。
AIの応答がすぐ返ると、作業全体も速くなったと感じます。2026年の二つの行動研究は、単純な認知課題で、予測した時間、実際の時間、主観的努力、AIを次にも使う選択を分けて測りました。
研究を読み直した日と範囲
2026年10月7日に、Yuらの「Cognitive offloading and the speedup illusion」と、「The efficiency-gain illusion」を一次資料で再確認しました。前者は事前登録されたN=1,237の研究で、AI支援と独力の実際の完了時間、予測、主観的努力を比較します。後者は三つの事前登録研究、計N=2,691で、AI利用率、時間・努力の見積もり、利用の持ち越しを扱います。どちらも主に5分未満の単純な課題です。
30秒で要点
- N=1,237の研究では、独力とAI支援の実際の完了時間に差がない一方、参加者はAIの方が速いと予測した
- AI支援では主観的努力が低く報告され、時間と努力は同じ指標ではなかった
- 計2,691人の三研究では、AIが節約する時間を実際より大きく見積もり、簡単な課題では利用が非効率な場合もあった
- 先にAIを使った参加者は、後の課題でもAIを選びやすくなり、効率の見積もりがさらにずれる持ち越しが報告された
- 複雑な業務、長期の成果、品質、学習、組織の生産性へ数値をそのまま一般化できない
表が収まらない場合は、横にスクロールできます
| 観察 | 測るもの | 取り違えやすいこと |
|---|---|---|
| 予測 | AIで何秒短くなると思ったか | 期待を実測と混同する |
| 実測 | プロンプト、応答、読解、修正を含む時間 | 応答の速さだけを見る |
| 努力 | 主観的な認知負担 | 楽さを時間短縮と読む |
| 次の選択 | 次もAIを使うか | 便利さを効果の証拠にする |
Speedup illusionは何を示したか
前者の研究では、参加者は独力での完了時間を比較的正確に予測しました。一方、AI支援の実際の時間を過小評価し、AIの方が有意に速いと予測しました。別の人間に助けてもらう想定では同じ偏りが観測されなかったため、単なる「助けは速い」という一般的な期待だけでは説明できない可能性があります。
ここでの「実際の時間」は、AIの応答を待つ時間だけでなく、プロンプトを書く、出力を読む、答えを修正する時間を含む課題の完了時間です。応答が速くても、作業全体が短いとは限りません。
楽さと時計を分ける
AI支援では、実際の完了時間が同等でも、参加者は主観的な努力を低く報告しました。楽になった、疲れにくい、考え始めやすいという価値はあります。しかし、それをそのまま処理件数、納期、品質、利益の改善と読み替えると、異なる変数を混ぜます。
実務では、壁時計の時間、確認・修正の時間、再作業、品質、本人の負担を別に記録します。短縮が見えない場合でも、努力や疲労の低下が継続可能性を高めることはあり得ます。価値を否定するのではなく、何が変わったかを分けます。
AI利用が次の利用を呼ぶ
後者の三研究では、AIを使った経験のあとに、簡単な課題でもAIを選ぶ割合が高くなりました。AIを先に使った群の後続利用率は44.5%、独力で先に行った群は27.7%でした。これは、AI利用が常に悪いという意味ではなく、少数の経験が「次も速いはず」という見積もりと選択へ影響し得ることを示します。
同じ研究は、簡単な課題でAIを使うためのプロンプト作成や出力処理が、独力で解くより長くなる場合も報告しました。AI利用率だけを成功指標にせず、課題ごとの実測と、使わなかった場合の比較を残します。
自社で行う最小の検証
- 同じ種類の小さなタスクを、独力とAI支援で複数回行う。
- プロンプト、応答待ち、読解、修正、確認、再作業を分けて計時する。
- 完了時間、品質、エラー、主観的努力、次にAIを選ぶかを記録する。
- 簡単な課題と難しい課題、担当者、ツール、プロンプトを分けて比較する。
- 事前の予測と実測を並べ、数字を更新して利用条件を変える。
大規模な導入効果を想定する前に、一つの反復可能な作業で、何が速くなり、何が楽になり、何が変わらないかを確認します。長期の技能、判断責任、品質保証は別の評価にします。
研究の範囲を外さない
二つの研究はarXivのプレプリントで、主に単純な認知課題と短いセッションを扱います。N=1,237やN=2,691の数値を、複雑な開発、コンサルティング、医療、組織全体の生産性へそのまま移すことはできません。課題の難しさ、AIの使い方、検証コスト、品質、学習、契約上の責任が変われば結果も変わります。
判断の土台として押さえておくこと
- 予測と実測を分ける：AIを使う前の期待と、全工程の時計を並べる。
- 時間と努力を分ける：楽さ、疲労、集中と、納期・件数・品質を別に評価する。
- 反復利用を観察する：次のAI選択と見積もりのずれを、数回の利用後にも確認する。
- 小さく更新する：簡単な課題で測り、複雑な業務へ外挿する前に条件を増やす。