「ChatGPTを使うと、文章作成の時間が40%減って、品質が18%上がる」。
この数字を聞いて、生成AIを仕事に取り入れたくなった人もいるかもしれません。あるいは、逆に「そんなにうまくいくはずがない」と、疑いたくなった人もいるかもしれません。
どちらも、少し急ぎすぎです。
2023年に発表された実験は、確かに印象的な結果を出しました。ただ、その実験が測ったのは「仕事全体」ではありません。20〜30分の、職業別の文章作成タスクを、453人のプロフェッショナルがこなしたときの結果でした。
この記事では、その453人の実験で何が起きたのかを、数字の読み方から整理します。実験はどう設計されたのか、なぜ速さと品質が両方上がったのか、限界は何だったのか、そしてその後の研究は何を示しているのか。最後に、読む側が「生成AIで生産性が上がる」という話をどう扱えばいいのか、具体的な見方を提示します。
この記事でわかること
- 453人の実験で何が起きたのか。時間40%減・品質18%増という数字の意味
- 生産性、実験、対照群、事前登録といった言葉の意味
- 実験の設計――誰が、どんな課題を、どう評価されたのか
- 速さと品質の両方が上がった理由と、その限界
- その後の4つの研究が示すこと――タスクと人によって効果が変わる
- 1本の実験結果の強さを測る「5つのレンズ」と、見出し診断ワーク
先に結論
生成AIは、文章作成の生産性を高めることがあります。ただし、「40%速くなる」は、すべての仕事に当てはまる数字ではありません。
2023年の実験では、こうした結果が出ました [1]。
- 文章作成にかかる平均時間は、40%減りました
- 成果物の品質は、18%上がりました
- ChatGPTを使った人は、使わなかった人より、2つ目の課題を平均で11分速く終えました
- もともと評価が低かった人ほど、恩恵が大きくなりました
- 実験でChatGPTを使った人は、2週間後も2倍、2か月後も1.6倍の確率で、実際の仕事で使っていると答えました
速さと品質が両方上がった、というのが、この実験のもっとも印象的な点です。ふつう、「速く書けば品質が落ちる」と考えがちです。この実験では、そうなりませんでした。
ただ、ここで測ったのは、20〜30分の職業別の文章作成タスクです。事実の正確さを厳密に確かめる必要がなく、会社や顧客の文脈を必要としない課題でした [1]。実際の仕事では、下書きのあとに事実確認や指示の手間がかかります。その手間を入れると、速さの恩恵は小さくなる可能性があります。実験の著者自身も、その点を認めています。
ここから言えるのは、次のことです。
生成AIは、文章作成の下書きを速く、しかも品質を落とさずに進める助けになる。ただし、それは「定型の文章作成タスク」という条件つきの話です。仕事全体が40%速くなる、という読み方は、実験が示した範囲を超えています。
用語集――この記事で使う言葉
この記事では、いくつかの専門用語を使います。ここで一度、意味をそろえておきます。
| 用語 | 意味 | この記事での使い方 |
|---|---|---|
| 生産性 | 同じ資源で、どれだけ多くの、あるいはどれだけ良い成果を出せるか | ここでは「時間」と「品質」の2つで測る |
| 実験 | 条件を変えて、その違いが結果にどう影響するかを確かめる方法 | 無作為に分けた2つの群を比べる |
| 対照群 | 新しい条件を使わない群。比較の基準になる | ChatGPTを使わなかった人たち |
| 無作為割り付け | 参加者をくじ引きのように、偶然に群へ分ける方法 | 参加者の能力の差が結果に混ざるのを防ぐ |
| 事前登録 | データを集める前に、仮説と分析計画を公開の場に記録しておく仕組み | 結果を見てから分析を変えるのを防ぐ |
| 盲検評価 | 評価者が、誰がどの条件だったかを知らない状態で評価すること | 品質の評価が条件の印象に引っ張られないようにする |
| 効果量 | 効果の大きさ。p値とは別に、「どれくらい効いたか」を表す | 「40%」「18%」は、効果の大きさを表す数字 |
| フロンティア | AIの能力が届く範囲と、届かない範囲の境界 | 境界の内側と外側で、AIの効果が変わる |
生産性という言葉は、文脈によって意味が変わります。「速く終わる」だけが生産性ではありません。この記事では、実験が測った2つの軸――かかった時間と、成果物の品質――を分けて見ます。速さだけを見て「生産性が上がった」と言うのではなく、品質も一緒に見ることが、この記事の基本です。
実験は何をしたのか
実験の正式な名前は、「Experimental evidence on the productivity effects of generative artificial intelligence」です。Shakked NoyとWhitney Zhangによる、2023年7月13日にScience誌に発表された研究です [1]。
実験は、2023年1月27日から2月21日にかけて行われ、使われたのはGPT-3.5を基にした当時のChatGPTでした [1]。2023年の初めのChatGPTである、という点は、結果を読むうえで大切です。現在のモデルとは、性能が違います。
参加者は、453人の大卒プロフェッショナルでした。調査プラットフォームのProlificを通じて募集され、職業は次の6種類でした [1]。
- マーケター
- 助成金申請書の作成者
- コンサルタント
- データアナリスト
- 人事担当者
- マネージャー
参加者は、それぞれ自分の職業に合った文章作成の課題を、2つこなしました。1つの課題は20〜30分で、内容は次のようなものです [1]。
- 助成金申請のためのカバーレター
- 組織再編についての繊細なメール
- どの顧客にプッシュ通知を送るかを決めるための分析計画
参加者の半数は、2つ目の課題でChatGPTを使えるよう、無作為に割り付けられました。残りの半数は、ChatGPTを使わずに課題をこなしました。実験は事前登録されており、課題には報酬がついていました [1]。
成果物の品質は、参加者と同じ職業の経験者が評価しました。評価者は、職場で出会った文章として評価し、どの成果物がChatGPTの助けを借りたものかは知らされませんでした [1]。つまり、品質の評価は、条件を知らない第三者による盲検評価でした。
この設計の強さは、3つあります。1つ目は、無作為割り付けです。ChatGPTを使った人と使わなかった人の能力の差が、結果に混ざりにくくなっています。2つ目は、事前登録です。結果を見てから分析を変える余地が小さくなっています。3つ目は、盲検評価です。「AIを使った文章だから良いはずだ」という印象が、品質の評価に入りにくくなっています。

結果の読み方――時間40%減・品質18%増
ここで、冒頭の2つの数字をもう一度、丁寧に見ます。
- 時間:ChatGPTを使った人は、使わなかった人より、平均で40%速く課題を終えました。2つ目の課題では、平均で11分速く終えました [1]。
- 品質:成果物の品質は、独立した評価者による採点で、18%上がりました [1]。
- 格差:もともと1つ目の課題の評価が低かった人ほど、ChatGPTの恩恵が大きくなりました。参加者間の業績の格差は、縮まりました [1]。
- その後:実験でChatGPTを使った人は、2週間後に実際の仕事で使っていると答える確率が2倍、2か月後も1.6倍でした [1]。
「40%」と「18%」は、どちらも平均の数字です。すべての参加者が40%速くなったわけではありません。もともと評価が低かった人ほど恩恵が大きく、もともと評価が高かった人の恩恵は小さかった、というのが、実験のもう一つの結果です [1]。
この「弱い人ほど恩恵が大きい」という結果は、生成AIの生産性研究で繰り返し出てくる形です。あとで見るカスタマーサポートの研究でも、同じ形が出ています。生成AIは、熟練者の仕事を置き換えるというより、熟練度の低い人の仕事を底上げする、という側面があります。
Science誌の編集者要約では、ChatGPTを使った参加者は「より生産的で、効率的で、課題をより楽しんだ」とも述べられています [1]。楽しさの感じ方まで測った、という点は、実験の副次的な結果です。ただ、楽しさは自己報告によるもので、時間や品質のような客観的な測定とは性質が違います。ここでは、中心的な結果として扱いません。
速さと品質の両方が上がったのは、なぜか
速く書けば品質が落ちる、というのが、ふつうの予想です。この実験では、速さと品質が両方上がりました。なぜでしょうか。
一つの理由は、課題の性質です。20〜30分の文章作成タスクでは、もっとも時間がかかるのは、白紙から書き始めることです。ChatGPTは、下書きの土台をすぐに出します。参加者は、その土台を直すことに時間を使えます。白紙から書くより、直す方が速く、しかも文章の体裁が整いやすくなります。
もう一つの理由は、評価の仕方です。品質は、同職種の経験者が、職場で出会った文章として採点しました。文章の体裁や分かりやすさが、評価に大きく影響します。ChatGPTの下書きは、体裁の整った文章を出しやすい。そのため、品質の採点が上がりやすかった、という見方もできます。
ただし、品質の採点は、事実の正確さを評価したものではありません。実験では、事実確認のためのチェッカーを雇うことは、現実的ではないと判断されました [1]。つまり、「品質が18%上がった」という数字は、「文章として読みやすく、体裁が整っている」という意味での品質です。事実が正しいかどうかは、この数字には含まれていません。

数字を比べる――40%と18%を図で見る
以下の図は、実験の2つの中心的な数字を並べたものです。時間と品質は、別のものを測っています。速さだけを見て「生産性が上がった」と読まないために、両方を並べました。
その後の研究が示すもの
Noy & Zhang (2023) のあと、生成AIの生産性を測る研究が、いくつも出ました。ここでは、4つの研究を並べます。どれも、タスクと人の熟練度によって、効果が変わることを示しています。
| 研究 | 対象と方法 | 主な結果 | 限界 |
|---|---|---|---|
| Noy & Zhang (2023) [1] | 453人の大卒プロフェッショナル。無作為化オンライン実験。職業別の文章作成タスク。GPT-3.5 | 時間40%減、品質18%増。弱い人ほど恩恵が大きい | 短い定型タスク。事実検証なし。文脈なし |
| Brynjolfsson et al. (2023) [2] | 5,179人のカスタマーサポート担当者。1社の現場での段階的な導入。GPT系のアシスタント | 1時間あたりの解決件数が平均14%増。新人・低スキル層は34%増。経験豊富な層はほとんど変わらず | 1社、1種類の仕事。賃金や雇用への影響は測っていない |
| Dell’Acqua et al. (2023) [3] | 758人のコンサルタント。事前登録された現場実験。GPT-4 | 能力の範囲内の18の課題で、12.2%多くこなし、25.1%速く、品質も有意に向上。範囲外の課題では、正解する確率が19%低くなった | 1社、コンサルタントの仕事。1つの境界外の課題 |
| Peng et al. (2023) [4] | 開発者を募集した統制実験。GitHub Copilot | HTTPサーバーをJavaScriptで実装する課題を、55.8%速く終えた | 1つの定型的な課題。長期的な品質や保守性は測っていない |
| Humlum & Vestergaard (2025) [5] | デンマークの約25,000人の労働者。11の職種。調査と行政記録の照合 | チャットボットを使う人は、労働時間の2.8%を節約したと報告。収益や記録された労働時間への効果は、検出されなかった | 未査読のワーキングペーパー。時間の節約は自己報告 |
この表から分かるのは、効果の大きさが、タスクと人によって大きく違う、ということです。定型の文章作成やカスタマーサポートでは、10〜40%の効果が出ています。一方、現場の1週間では、時間の節約は2.8%にとどまっています。プログラミングでは、定型的な課題では55.8%速くなりましたが、境界の外側の課題では、かえって正解しにくくなりました。
「生成AIで生産性が上がる」という一文は、どの研究の、どのタスクの、どの人の話なのかを確かめなければ、意味が定まりません。
境界の内側と外側――ジャグド・フロンティア
Dell’Acquaらの研究が示した「ジャグド・フロンティア」という考え方は、この記事の鍵です [3]。AIの能力には、でこぼこの境界があります。境界の内側の課題では、AIは人を助けます。境界の外側の課題では、AIは人をかえって間違わせます。しかも、内側と外側の課題は、見た目の難しさが似ていることがあります。
758人のコンサルタントの実験では、能力の範囲内の18の課題で、AIを使った人は12.2%多くこなし、25.1%速く終え、品質も有意に向上しました [3]。ところが、境界の外側に置かれた複雑な経営課題では、AIを使った人は、正解する確率が19%低くなりました [3]。
この結果は、Noy & Zhang (2023) の読み方にもつながります。20〜30分の職業別の文章作成タスクは、AIの能力の範囲内にある課題でした。だから、速さと品質が両方上がったのです。事実の正確さや、会社や顧客の文脈を要する課題では、同じ効果が出るとは限りません。
限界と反論――この実験が測っていないもの
Noy & Zhang (2023) は、よく設計された実験です。ただ、測っていないものもあります。ここでは、5つの限界を整理します。
短い定型タスクだった
課題は、20〜30分の文章作成タスクでした。実際の仕事には、もっと長い文章や、何日もかかるプロジェクトもあります。短い課題での効果が、長い仕事にも当てはまるとは限りません。
事実の正確さを評価していない
実験では、成果物の事実の正確さを評価していません。事実確認のためのチェッカーを雇うことは、現実的ではないと判断されました [1]。生成AIは、もっともらしい誤りを書くことがあります。事実の正確さが重要な仕事では、下書きのあとに確認の手間がかかります。その手間を入れると、速さの恩恵は小さくなる可能性があります。実験の著者の一人も、「事実確認やプロンプトを書く時間を入れると、速さの恩恵は現実の仕事では小さくなる」と述べています [1]。
会社や顧客の文脈がなかった
参加者は匿名で、特定の会社や顧客についての知識を要しない課題でした [1]。実際の仕事では、「この顧客にはこういう言い方をする」「この会社の方針ではこう書く」といった文脈が、文章の質を決めます。文脈がない課題での効果が、文脈のある仕事にも当てはまるとは限りません。
使われたのは2023年初めのモデルだった
実験で使われたのは、GPT-3.5を基にした当時のChatGPTでした [1]。2023年1月から2月にかけての実験です。現在のモデルは、性能が上がっています。性能が上がれば、効果が大きくなる可能性もあります。逆に、モデルの性能が上がっても、事実確認の手間がなくなるわけではありません。2023年の結果を、現在のモデルにそのまま当てはめることはできません。
賃金や雇用への波及は測っていない
実験は、課題の時間と品質を測ったもので、賃金や雇用への影響は測っていません。生産性が上がったからといって、賃金が上がるとは限りません。賃金が上がるかどうかは、労働者の交渉力や、雇用主間の競争など、ほかの要因にも左右されます。論文自体も、その点を指摘しています [1]。
デンマークの調査は、この点を現場のデータで示しています [5]。約25,000人の労働者を調べたところ、チャットボットを使う人は、労働時間の2.8%を節約したと報告しました。ところが、収益や記録された労働時間への効果は、検出されませんでした。生産性の向上が、賃金や労働時間の変化につながるとは限らない、ということです。ただし、この調査は未査読のワーキングペーパーであり、時間の節約は自己報告によるものです。実験のような無作為化による測定ではありません。

40%という数字が一人歩きする理由
「時間40%減・品質18%増」という数字は、広く知られています。ところが、日本語圏でこの実験を詳しく解説した記事は、2026年11月19日時点の検索では、ほとんど見つかりませんでした。見つかったのは、数字だけを繰り返すSNSの短い投稿が中心でした。
数字だけが広まるのは、分かりやすさがあるからです。「40%速くなる」は、見出しにしやすい数字です。「20〜30分の職業別の文章作成タスクで、GPT-3.5を使って、事実検証をしない条件で」という話は、正確ですが、見出しにはなりにくい。
ここに、研究の読み方と、SNSの読み方の違いがあります。SNSの投稿は、数字を一つに絞ります。研究の読み方は、数字の条件を並べて、測り方の違いを見ます。この記事では、あえて条件を並べました。面倒ですが、それが正確な読み方だからです。
1本の実験の数字を、1本の論文の読み方だけで判断しない、という点では、再現性の危機の記事ともつながります。1本の研究だけで結論を出すのではなく、複数の研究の積み重ねで判断する、という読み方です。
心理学研究の再現性はどの程度あるのか。100本の追試から考える「信じる」の基準については、EVIDOGRAPHの再現性の危機の記事で整理しています。→ https://www.kitarekoi.com/magazine/psychology-reproducibility-crisis-osc-2015/
読む側の技術――研究の強さを測る5つのレンズ
ここまでを読んで、「では、『生成AIで生産性が上がる』という話をどう読めばいいのか」と感じた人もいるかもしれません。再現性の危機とp-hackingの記事で紹介した「研究の強さを測る5つのレンズ」を、生成AIの生産性研究に当てはめてみます。
- 測ったものは何か:時間だけか、品質も測っているか。事実の正確さは測っているか。「速くなった」だけでは、生産性が上がったとは言えない。
- 対照群はあるか:AIを使った人と使わなかった人を、無作為に分けて比べているか。使った人だけの感想では、効果の大きさは分からない。
- サンプルとタスクの範囲はどれくらいか:誰が、どんな課題で測ったのか。453人の大卒プロフェッショナルと、5,179人のカスタマーサポート担当者では、話の範囲が違う。
- 品質の測り方はどうか:誰が、どう評価したのか。評価者が条件を知らない盲検評価か。自己報告だけか。品質の定義は、時間の定義と同じくらい大切だ。
- 現場での再現はあるか:実験室や短い課題での効果が、実際の1週間の仕事でも出ているか。デンマークの調査のように、現場では数字が小さくなることがある。
この5つを、すべて満たす研究だけが「信じられる」という意味ではありません。5つのうち、どれが欠けているかを見ることで、「何がまだ分かっていないのか」が見えてきます。
たとえば、無作為化実験で、時間と品質の両方を測り、盲検評価があり、現場での追試もある研究は、1本の実験よりずっと強い証拠です。逆に、使った人の感想だけで、「速くなった」と言っている話は、「面白い仮説」として読むのが適切です。
事前登録があるかどうかも、確かめたいところです。Noy & Zhang (2023) は、事前登録された実験でした [1]。分析計画が事前に固定されていたからこそ、結果の読み方に迷いが少なくなっています。事前登録の意味については、p-hackingの記事で詳しく整理しています。
p-hackingとは何か。p値が「有意」になる仕組みと、事前登録による対策については、EVIDOGRAPHのp-hackingの記事で整理しています。→ https://www.kitarekoi.com/magazine/p-hacking-what-is-statistical-manipulation/
参加者の偏りも、確かめたい
もう一つ、読む側の注意点があります。実験の参加者は、誰だったのか。Noy & Zhang (2023) の参加者は、大卒のプロフェッショナルで、調査プラットフォームを通じて募集されました [1]。すべての働く人を代表する集団ではありません。
心理学の研究では、研究対象が特定の集団に偏る問題を、WEIRD問題と呼びます。西洋の、教育を受けた、工業化された、豊かな、民主的な社会の人々に偏っている、という問題です。生成AIの生産性研究でも、参加者の偏りは、結果の読み方に影響します。大卒プロフェッショナルでの効果が、すべての職業に当てはまるとは限りません。
心理学の研究対象は偏っているのか。WEIRD問題を原論文から解説した記事です。→ https://www.kitarekoi.com/magazine/weird-problem-psychology/
実践ワーク――見出しを5つのレンズで診断する
ここからは、実際に使える練習です。以下のような見出しを目にしたら、5つのレンズを当ててみてください。見出しは架空の例です。特定の記事や研究を指すものではありません。
「生成AIで仕事が40%速くなることが判明!」
- 測ったものは何か:「40%」は、何の40%か。文章作成の時間か、仕事全体の時間か。品質は測っているか。事実の正確さは測っているか。
- 対照群はあるか:AIを使った人と使わなかった人を、無作為に分けて比べているか。使った人だけの感想ではないか。
- サンプルとタスクの範囲はどれくらいか:誰が、どんな課題で測ったのか。453人の大卒プロフェッショナルでの話か、現場の1週間の話か。
- 品質の測り方はどうか:誰が、どう評価したのか。自己報告だけではないか。
- 現場での再現はあるか:実験室での効果が、実際の仕事でも出ているか。デンマークの調査では、現場の1週間での時間の節約は2.8%だった [5]。
「AIを使えば、誰でもプロ並みの文章が書ける」
- 「誰でも」という言葉に注意する。Noy & Zhang (2023) では、もともと評価が低かった人ほど恩恵が大きかったが、もともと評価が高かった人の恩恵は小さかった [1]。すべての人が同じように恩恵を受けるとは限らない。
- 品質の測り方はどうか。文章の体裁の評価か、事実の正確さの評価か。事実の正確さは、この実験では測られていない。
- 境界の内側と外側はどうか。定型の文章作成では効果が出ても、事実確認や文脈を要する課題では、同じ効果が出るとは限らない。
「生成AIは生産性を上げない、という研究結果も」
- どの研究の、どのタスクの話か。デンマークの調査では、現場の1週間での時間の節約は2.8%で、収益や労働時間への効果は検出されなかった [5]。一方、定型の文章作成タスクでは、時間40%減・品質18%増という結果が出ている [1]。両方は、矛盾する話ではない。測ったものが違うからだ。
- 研究の種類はどうか。無作為化実験か、調査か。ワーキングペーパーか、査読済みの論文か。Humlum & Vestergaard (2025) は、未査読のワーキングペーパーである [5]。
- 「生産性を上げない」という結論は、どの範囲での話か。タスクの時間か、1週間の労働時間か、賃金か。測ったものによって、結論は変わる。
このワークの目的は、ニュースを疑うことではありません。見出しの大きさと、証拠の強さを分けて読むことです。見出しが大きくても、証拠が弱いことはあります。見出しが地味でも、証拠が強いことはあります。どちらも、5つのレンズで確かめてみてください。
よくある質問
- Q生成AIを使うと、文章作成は40%速くなりますか?
- A
実験の条件では、そうなりました。Noy & Zhang (2023) では、453人の大卒プロフェッショナルが、20〜30分の職業別の文章作成タスクをこなしたとき、ChatGPTを使った人は平均で40%速く終えました [1]。ただ、すべての仕事が40%速くなるわけではありません。事実確認や、会社や顧客の文脈を要する仕事では、速さの恩恵は小さくなる可能性があります。
- Q品質も上がるのですか?
- A
この実験では、品質も18%上がりました [1]。ただし、品質は同職種の経験者による採点で、文章の体裁や分かりやすさを評価したものです。事実の正確さは、この実験では評価していません。事実の正確さが重要な仕事では、下書きのあとに確認の手間がかかります。
- Q誰でも同じように恩恵を受けますか?
- A
いいえ。もともと評価が低かった人ほど、恩恵が大きくなりました [1]。カスタマーサポートの研究でも、新人・低スキル層の効果が大きく、経験豊富な層の効果はほとんど変わりませんでした [2]。生成AIは、熟練者の仕事を置き換えるというより、熟練度の低い人の仕事を底上げする側面があります。
- Q2023年の実験結果は、今の生成AIにも当てはまりますか?
- A
そのまま当てはめることはできません。実験で使われたのは、GPT-3.5を基にした2023年初めのChatGPTでした [1]。現在のモデルは、性能が上がっています。性能が上がれば、効果が大きくなる可能性もあります。逆に、事実確認の手間がなくなるわけではありません。2023年の結果は、「定型の文章作成タスクで、こうした効果が出た」という証拠として読むのが適切です。
- Q現場の仕事でも、同じ効果が出ますか?
- A
現場では、数字が小さくなることがあります。デンマークの約25,000人の労働者を調べた調査では、チャットボットを使う人は、労働時間の2.8%を節約したと報告しました。収益や記録された労働時間への効果は、検出されませんでした [5]。ただし、この調査は未査読のワーキングペーパーであり、時間の節約は自己報告によるものです。実験のような無作為化による測定ではありません。
- Q生成AIを使うと、かえって間違えることもありますか?
- A
あります。コンサルタントの実験では、AIの能力の範囲内の課題では効果が出ましたが、範囲外の複雑な経営課題では、AIを使った人は正解する確率が19%低くなりました [3]。AIの能力には、でこぼこの境界があります。境界の内側と外側で、効果が変わります。
- Q一般の読者は、生産性の研究のどこを見ればいいですか?
- A
この記事で紹介した5つのレンズが目安になります。測ったものは何か、対照群はあるか、サンプルとタスクの範囲はどれくらいか、品質の測り方はどうか、現場での再現はあるかです。すべてを確認するのは難しい場合もあります。そのときは、「何の40%か」「誰の、どんな課題での話か」を、まず確かめてみてください。
まとめ
生成AIは、文章作成の生産性を高めることがあります。ただし、「40%速くなる」は、すべての仕事に当てはまる数字ではありません。
2023年の実験では、453人の大卒プロフェッショナルが、20〜30分の職業別の文章作成タスクをこなしたとき、ChatGPTを使った人は平均で40%速く終え、品質は18%上がりました [1]。もともと評価が低かった人ほど恩恵が大きく、実験で使った人は、その後も実際の仕事で使うようになりました。
ただ、ここで測ったのは、事実の正確さを厳密に確かめる必要がなく、会社や顧客の文脈を必要としない課題でした。実際の仕事では、下書きのあとに事実確認や指示の手間がかかります。その手間を入れると、速さの恩恵は小さくなる可能性があります。
その後の研究は、効果がタスクと人の熟練度によって大きく変わることを示しています。カスタマーサポートでは平均14%、新人・低スキル層では34%の効果が出ました [2]。コンサルタントでは、能力の範囲内では効果が出ましたが、範囲外ではかえって正解しにくくなりました [3]。現場の1週間では、時間の節約は2.8%にとどまり、収益や労働時間への効果は検出されませんでした [5]。
ここから言えるのは、生成AIが「仕事を速くする万能の道具」だということではありません。定型の文章作成の下書きを速く、しかも品質を落とさずに進める助けになる。ただし、事実確認や文脈を要する仕事では、人の手間が残る。境界の内側と外側を見分けて、使う場面を選ぶ、という読み方です。
「生成AIで生産性が上がる」という話を聞いたときは、「何の生産性か」「誰の、どんな課題での話か」「品質はどう測ったのか」「現場でも同じか」を、まず確かめてみてください。その5つのレンズが、「40%」という数字を、見出しの大きさから、判断の材料へ変えてくれます。
EVIDOGRAPHでは、今後も、こうした研究の読み方を、具体的な論文を起点に整理していきます。
参考文献・出典
参考文献・出典
- Noy, S., & Zhang, W.「Experimental evidence on the productivity effects of generative artificial intelligence」Science, 381(6654), 187–192, 2023年(最終確認:2026年11月19日)
https://www.science.org/doi/10.1126/science.adh2586 - Brynjolfsson, E., Li, D., & Raymond, L.「Generative AI at Work」NBER Working Paper 31161, 2023年。Quarterly Journal of Economics に2025年掲載(最終確認:2026年11月19日)
https://www.nber.org/papers/w31161 - Dell’Acqua, F. ほか「Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality」Organization Science, 37(2), 403–423, 2026年(最終確認:2026年11月19日)
https://pubwww.hbs.edu/faculty/Pages/item.aspx?num=68729 - Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M.「The Impact of AI on Developer Productivity: Evidence from GitHub Copilot」arXiv:2302.06590, 2023年(最終確認:2026年11月19日)
https://arxiv.org/abs/2302.06590 - Humlum, A., & Vestergaard, E.「Large Language Models, Small Labor Market Effects」Becker Friedman Institute Working Paper 2025-56, 2025年(最終確認:2026年11月19日)
