8月29日、Smarter Articlesが「Botsitting: The Unpaid Labour Behind Every AI Productivity Claim」と題した記事を公開した。AIが「生産性を向上させた」と報告される時間の多くが、実際にはAIの監視・修正・検証という無報酬労働によって相殺されているという実態について詳しく紹介されている。

「週11時間の節約」から6.4時間が消える

2025年12月から2026年1月にかけて、米・英・豪のオフィスワーカー6,000人を対象に調査が実施された。Work AI Instituteがスタンフォード、UCバークレー、ノートルダム、エモリー、UCSBサンタバーバラ、UNCシャーロット、ユニバーシティ・カレッジ・ロンドンの研究者と共同で実施し、2026年6月に「Work AI Index」として発表した。なお、Work AI InstituteはGleanが設立した研究機関であり、同社のプラットフォームユーザーや一般オフィスワーカーを対象とした職場AI活用の実態調査を専門とする。

質問は二段階だった。

まず「AIで週に何時間節約できたか」。回答は週11時間。

次に「AIにコンテキストを与え、出力を監視し、誤りを修正し、後処理する作業に何時間費やしているか」。回答は週6.4時間。

節約された時間の約6割がAIを動かすための労働に消費されている計算だ。この現象に研究チームが付けた名前が「ボットシッティング（botsitting）」である。定義は冷徹だ——「AIを使えるものにするための、ほとんど認識されず、予算にも計上されず、追跡もされない労働」。

「5分で完了」が「20分」に戻る仕組み

この問題の本質は、生産性の測定方法そのものにある。

以前は20分かかっていた作業が、AIで5分の生成＋15分の確認・修正になったとする。ストップウォッチで測ると合計は同じ20分だ。だが企業の生産性ダッシュボードには「5分でタスク完了」と記録される。残り15分は「普通の仕事をしていた時間」として集計される——AIが登場する前と同じカテゴリに。

ツールは15分を節約したのではなく、分類を変えただけだ。

Work AI Indexは別の数字も記録している。AIを「業務に活用している」と答えた従業員は**87%。だが「AIが組織のパフォーマンスを大幅に改善した」と答えた組織は13%**。この乖離こそが、ボットシッティングに費やされた時間の行き先だ。

監視を省略すると何が起きるか

ボットシッティング（botsitting）＝AIを適切に機能させるための監視労働——を省略したとき何が起きるか、同調査は記録している。

回答者の69%が、検証せず・十分に理解せず・自信を持てないまま出力を提出したことがあると回答した。調査ではこの行為——監視を省略してAI出力をそのまま流す行為——を「ボットシッティング（botshitting）」と呼ぶ。botsittingとbotshittingは一字違いだが意味は対義的だ。前者は「監視するという作業」、後者は「監視を省いてしまう行為」を指す。

**41%は質問されても説明できない成果物を提出したことがあり、28%**はAIのせいにして自分のミスを誤魔化したことがあると認めた。

そして、botshittingを行った従業員は、そうでない従業員と比べて3.8倍転職活動中である可能性が高かった。これは怠惰の問題ではなく、予算のない業務命令に対するトリアージだ。

1983年に書かれていた「警告」

この問題を最も簡潔に説明した人物は、43年前にいた。

Lisanne BainbridgeはAutomaticaに1983年発表の論文「Ironies of Automation」で指摘した。自動化システムの設計者は人間オペレーターを「信頼性が低く非効率」とみなして設計から排除しようとするが、すべてを自動化することはできない。残るのは「仕様化できなかった残余」——曖昧で、判断を要し、自動化が失敗した部分だ。人間は仕事の難しい部分だけを渡され、簡単な部分をこなすことで維持されてきたスキルは失われる。

大規模言語モデルに置き換えると、この論文は先週のメモとして読める。

その後の研究も裏付けを積み上げている。Parasuraman & Manzeyの2010年レビュー（Human Factors誌）は、自動化への過信（automation complacency）は複数タスクをこなす状況下で特に現れ、専門家であっても初心者と同様に発生し、単純なトレーニングでは解消できないことを示した。また、信頼性の高い自動化が逆に注意力の低下を招き、まれなエラーが致命的になる構造も記録している。

開発者16人が「速くなった」と確信したが、実際は遅くなっていた

この問題の核心を突く実験がある。

2025年、研究機関METRが、平均22,000以上のGitHubスターを持つリポジトリをメンテナンスしている経験豊富なオープンソース開発者16人を対象に、ランダム化比較試験を実施した。246件の実際のIssueを「AIツール使用可」「使用不可」の2条件に振り分け、平均約2時間のタスクを実行させた。

事前に開発者が予測したスピードアップは**+24%**。

実際の結果は**−19%**（AIありの方が遅かった）。

そして最も重要な点は、タスク完了後に本人たちに速さを推定させると、「AIで20%速くなった」と答えたことだ。実績と認知の誤差は約40ポイント、AIに有利な方向へ。

生成は速くて目に見える。検証は「普通の仕事」として散らかり、積算されない。人間はこの二つを比較するのが構造的に苦手だ。

METRはその後も研究を続け、2026年2月に結果を更新した。新たな被験者グループでの推定値は**−4%**（信頼区間は−38〜+9%）となり、統計的には確定的な結論は出せない状態になった。ただし実験設計上の問題もMETR自身が認めている——「AIなし条件への参加を拒否する被験者が増えた」「複数エージェントを並列実行するため経過時間の計測が困難になった」の2点だ。なお「時給が150ドルから50ドルに下がった」という記述も報告に含まれているが、これは実験参加者への報酬設定の変更を指しており、被験者確保の難化と合わせてサンプリングの偏りリスクとしてMETRが課題視している。

検証を省略すると下流に何ドル落ちるか

2025年9月、BetterUpとスタンフォード・ソーシャルメディア研究所が米国のデスクワーカー1,004人を調査した。テーマは「workslop（見た目は良いが中身のない成果物）」だ。

• **40%**が直近1ヶ月以内に受け取ったと回答
• 受け取った成果物の**15.4%**がworkslopに該当すると推定
• 1件の処理にかかった時間は平均1時間51分（最初からやり直すより約20分長い）
• 従業員1人あたり月186ドル、1万人規模の組織では年900万ドル超のコスト
• マネージャーは54%が経験、個人貢献者は38.5%

botshittingを行った側は15分を節約し、受け取った側は1時間51分を費やす。これは生産性ではなく、未払いの監視労働の転嫁だ。

何が問題の根にあるか

測定できないから、報酬も出ない。

1988年にNASA（Sandra Hart & Lowell Staveland）が開発した「NASA Task Load Index（TLX）」は、認知的負荷を6次元（精神的負荷・身体的負荷・時間的負荷・パフォーマンス・努力・フラストレーション）で測定する手法だ。航空・医療・インターフェース設計の領域では広く使われている。

企業の生産性ダッシュボードが追うのは「時間的負荷」——処理したチケット数、完了したタスク数だ。ボットシッティング（botsitting）が最も重くのしかかる「精神的負荷」「努力」「フラストレーション」の次元は、どのダッシュボードにも存在しない。毎日2時間余分に機械の出力を批判的に検証している従業員は、全ての指標上で「昨日と同じ一日」を過ごしたことになる。

つまり問題の根は、AIの能力不足ではなく測定設計の失敗にある。botsittingというコストを可視化しないまま生産性向上を語ることは、燃料消費を記録しない飛行機でマイレージを計算するようなものだ。企業が「AI投資対効果」を正確に把握したいなら、節約時間と同じ精度で監視・検証時間を計測する仕組みを設計しなければ、数字は永遠に希望的観測のまま動かない。

詳細はBotsitting: The Unpaid Labour Behind Every AI Productivity Claimを参照していただきたい。