FlowTime
AIで仕事は速くなったのに、なぜ疲れるのか？
結論
AIで疲れるのは、作業が減ったからではなく、作業の種類が「自分で実行する」から「AIを監督・検証・修正する」へ移ったからです。だから必要なのは、もっと高性能なAIではなく、自分の集中ログを見て、どこで認知コストを払っているかを知ること。本記事では、AIを使う作業を Think／Delegate／Verify／Repair の4種類に分け、FlowTimeで「AI作業の見えない時間」を記録する方法を紹介します。
この記事でわかること
- AIで速くなったはずなのに疲れる、本当の理由が分かります
- AI時代の仕事が「書く」から「監督する」へ変わったことをデータで確認できます
- AIを使うほど集中が細切れになる仕組みが理解できます
- AI作業を Think／Delegate／Verify／Repair の4種類に分けて記録する方法を学べます
- 記録から見える3つの改善点（文脈投入・検証疲れ・使わない判断）を押さえられます
重要ポイント早見表
| テーマ | 核心メッセージ | 具体的なアクション・メモ |
|---|---|---|
| なぜ疲れるのか | 作業量ではなく、作業の種類が「実行」から「監督・検証・修正」へ移った | まず「速くなった部分」と「後処理で疲れる部分」を分けて見る |
| 仕事の変化 | 2025年の生産性アプリ上位はAIが席巻。仕事は「書く」から「監督する」へ | AIを使う時間も、ひとつのタスクとして記録対象にする |
| 集中が切れる理由 | もとから2分ごとに中断される職場に、AI特有の切り替えが上乗せされる | AIへの問い合わせ・確認・貼り直しを「切り替え」と自覚する |
| 4分類で記録 | AI時間を Think／Delegate／Verify／Repair に分ける | FlowTimeのタスク名を4つ用意し、作業ごとに切り替えて計測 |
| 改善点① 文脈投入 | 同じ文脈を何度も入れ直すムダが時間を食う | 渡す情報をテンプレ化し、長すぎる文脈はむしろ削る |
| 改善点② 検証疲れ | 出力がきれいに見えるほど、レビューの心理的コストは上がる | Verifyを独立した工程として時間を確保する |
| 改善点③ 使わない判断 | 差がつくのは「いつAIを使わないか」を決める力 | Thinkが短すぎてRepairが長い週は、投げる前に考える時間を増やす |
AI時代の仕事は「書く」から「監督する」に変わった
まず、いまの生産性カテゴリの主役が何かを確認します。アプリ分析会社AppTweakの2025年レポートによると、生産性・ツールカテゴリで最も多くダウンロードされたアプリはChatGPTで、その数は8億4520万ダウンロードでした。さらに、上位10アプリのうち5つ（ChatGPT、Gemini、DeepSeek、Perplexity、Grok）がAIアプリで、上位5つのAIアプリだけで約14億ダウンロード、データセット全体の11.5%を占めています。
つまり、AIはもう一部の人の実験ツールではなく、普通の生産性ツールになりました。読者の関心も、単なる集中タイマーより「AIで作業しているのに、なぜ仕事が散らかるのか」へ移っています。
ただし、AIを使うほど楽になるとは限りません。Gleanの「Work AI Index 2026」は、働く人がAIに関わる時間をどう使っているかを細かく分けて示しています。レポートによると、働く人は週に6.4時間を“botsitting”、つまりAIに文脈を入れる・出力を確認する・デバッグする・後処理をする作業に使っています。これはほぼ丸一日分です。内訳はこうなっています。
- AIで実作業をする時間：36%
- botsitting（監督・デバッグ）：37%
- AIやエージェントを学ぶ・構築する時間：27%
言い換えると、AI活用の時間のうち、純粋に「成果物を作っている時間」は3分の1ほどしかありません。残りは「AIを使える状態にする時間」と「AIの面倒を見る時間」です。作業が消えたのではなく、作業の中身が入れ替わったのです。
なぜAIを使うと、集中が細切れになるのか
そもそも、いまの職場は中断だらけです。MicrosoftのWork Trend Index「Breaking down the infinite workday」によると、コア勤務時間中、従業員は平均2分ごとに会議・メール・チャットで中断され、その数は1日275回にのぼります。さらに会議の57%はカレンダー招待のない突発的なもので、時間外チャットも前年比15%増えています。
この「もともと細切れ」な環境に、AIを使うと別の種類の切り替えが上乗せされます。
- ChatGPTの返答を待って、読む
- Codexの差分を確認する
- Claude Codeの修正をレビューする
- エラーをコピーして貼り直す
- 別のモデルに同じ文脈を入れ直す
- 出力が本当に正しいか調べる
- 最後はやっぱり自分で直す
これらは「便利な作業」に見えますが、実態は集中の切り替えです。1つのタスクから別の判断へ注意を移すたびに、脳はそのつど目標やルールを設定し直します（この負担についてはコンテキストスイッチングの記事で詳しく扱っています）。AIは一見、待ち時間に別作業を挟めるので効率的に思えますが、その「ちょっと別のことをする」が切り替えコストを生み、夕方の疲労につながります。
だからこそ、AIを使うなら AIを使う時間そのものをタスクとして記録することが大切です。
FlowTimeでAI作業を4種類に分けて記録する
ここからが実践です。おすすめは、AIを使う作業を次の4種類に分けて記録することです。
| タスク名 | 記録する作業 | 目的 |
|---|---|---|
| Think | 要件整理・設計・論点出し | AIに渡す前の、人間の判断 |
| Delegate | プロンプト作成・AI実行・エージェント起動 | AIに任せる時間 |
| Verify | 出力レビュー・事実確認・コードレビュー | AIの品質を確かめる時間 |
| Repair | 修正・再プロンプト・バグ取り・統合 | AIが残した後処理 |
この分類が効くのは、「AIを使った時間」を雑にひとまとめにしないからです。本当に減らすべきなのはAIの利用時間ではなく、VerifyとRepairが膨らみすぎている状態です。
FlowTimeなら、タスク開始と同時に自動で計測が始まり、セッションの長さや休憩時間が自動で記録され、日／週／月のビューで見返せます。だから、上の4つをそのままタスク名にして、作業の中身が変わるたびに切り替えるだけで、AI作業の内訳が後から見えてきます。
たとえば1週間記録してみて、こうなっていたとします。
- Delegateは短い（AIに投げる行為自体は一瞬）
- Verifyが長い（出力の確認に時間が溶けている）
- Repairが異常に長い（後処理に追われている）
このとき問題は「集中力」ではありません。AIに渡す文脈や、タスクの分け方に問題がある可能性が高いのです。逆に、Thinkが短すぎてRepairが長いなら、それは「考える前にAIへ投げすぎ」のサインです。AIエージェントを使う人ほど、任せているつもりで、実は後処理に追われている状態に陥りやすいので、ここを数字で見られる効果は大きいです。
AI作業ログを見ると、改善点は3つに分かれる
記録がたまると、改善点はだいたい次の3つに整理できます。
① 文脈投入のムダ
Gleanによると、AIに文脈を入れる作業だけで週2.3時間、AIに関わる時間の14%を占めます。複数のツールに同じ文脈を入れ直す、モデルごとに説明を繰り返す、長すぎる情報を渡してかえって出力が悪くなる——こうした「渡し方」のムダが時間を食います。Delegateの時間が思ったより長い人は、渡す情報をテンプレ化し、長すぎる文脈はむしろ削ることから始めると効きます。
② 検証疲れ
AIの出力は、きれいに見えるほど危険です。見た目が完成品に近いほど、「本当に正しいのか」を疑うレビューの心理的コストが上がります。Gleanのレポートでは、AIセッションの36%が“失敗”し、全面的なやり直しや大幅な手直しが必要になっていると報告されています。Verifyを「ついで」にせず、独立した工程として時間を確保しておくと、後工程のRepairが減ります。
③ AIを使わない判断の欠如
そして最も差がつくのが、ここです。Gleanは、AI活用度の高い人ほど、「AIを使うスキル」だけでなく**「いつAIを使わないかを知る」能力でも差が出ると指摘しています。実際、成果を出している層は、特定のタスクであえてAIを使わない選択をする傾向が18%高い**とされています。
AI時代の集中力とは、長く作業する力ではなく、AIに任せるべき時間と、自分で考えるべき時間を切り分ける力です。
Thinkの時間が極端に短く、Repairばかり長い週があったら、それは「考える前に投げている」合図。次の週は、投げる前に少しだけ考える時間を増やしてみてください。
私の場合：AI作業をFlowTimeで記録してみた
私自身も、FlowTimeに Think／Delegate／Verify／Repair の4つのタスクを用意して、1週間記録してみました。やり方はシンプルで、要件を整理しているあいだは Think、プロンプトを書いてエージェントを起動したら Delegate、返ってきた出力を読んでいるあいだは Verify、手で直し始めたら Repair、というふうに、作業の中身が変わるたびにタスクを切り替えるだけです。
結果は予想どおりというか、予想以上でした。Delegateはごく短いのに、VerifyとRepairを合わせると一日の集中時間のかなりの割合を占めていました。「AIに任せて楽になった」という感覚と、実際のログがはっきりズレていたのです。
そこで翌週は、Delegateの前に Think を必ず2分だけ取り、渡す文脈を箇条書きにしてから投げるようにしました。すると、再プロンプトの往復が減り、Repairの時間が目に見えて短くなりました。「集中が足りない」のではなく、「投げ方が雑だった」——それを教えてくれたのは、気合いではなく記録でした。なお、CSV／JSONでのエクスポートやより長期間の統計はPro／Premiumプランで使えるので、月単位で傾向を追いたい人はそちらが便利です。
よくある質問と答え
Q. 4分類が多くて続きません。もっと減らせますか？
A. 減らせます。まずは Delegate と Repair の2つだけから始めるのがおすすめです。「AIに投げた時間」と「AIの後処理をした時間」の比率が見えるだけでも、十分に気づきがあります。慣れてきたら Think と Verify を足してください。
Q. ポモドーロやフロータイムと、この記録は両立しますか？
A. 両立します。集中と休憩のリズムはこれまでどおりフロータイムテクニックで回し、その中で「いま何の種類の作業をしているか」をタスク名で切り替えるだけです。タイマーの使い方は変わりません。
Q. AIの出力を待っている時間は、どのタスクに入れますか？
A. 基本は Delegate に含めます。ただし、待っているあいだに別の作業を始めてしまうと切り替えコストが発生します。短い待ちなら、あえて手を止めて待つほうが、結果的に集中は途切れにくくなります。
Q. エンジニアやライター以外でも使えますか？
A. 使えます。資料作成、調査、メール文面、企画など、AIに下書きや要約を任せる仕事ならどれでも同じ構造です。「考える→任せる→確かめる→直す」はAIを使うあらゆる職種に共通します。
Q. どのくらい記録すれば傾向が分かりますか？
A. まずは1週間で十分です。VerifyとRepairの合計が、ThinkとDelegateの合計を大きく上回っていたら、改善の余地があるサインです。
まとめ：AI時代の集中は「切り分ける力」
AIを使えば、文章もコードも調査も速くなります。それなのに夕方に疲れているのは、作業が消えたのではなく、作業の種類が「実行」から「監督・検証・修正」へ移ったからです。
だから、今日からできることは1つだけ。まず1週間、AI作業を Think／Delegate／Verify／Repair の4種類に分けて記録してみてください。 AIで速くなっている部分と、AIの後処理で疲れている部分が、はっきり分かれて見えてきます。FlowTimeはタスク開始と同時に自動で計測し、日／週／月で見返せるので、この記録に自然につながります。
AI時代に必要なのは、もっと高性能なAIではなく、自分のログを見て、任せる時間と考える時間を切り分ける力です。まずはFlowTimeアプリで、最初の1週間を記録するところから始めてみてください。
関連記事もどうぞ。作業の切り替えコストを抑えたい方はコンテキストスイッチングの記事、中断から戻る技術は再開サインの記事、長時間の集中で疲れをためないコツはバーンアウトを防ぐ記事が参考になります。FlowTimeをまだ使ったことがない方は、フロータイムテクニック完全ガイドからどうぞ。
参考情報
Work AI Index 2026 — Glean
Breaking down the infinite workday — Microsoft Work Trend Index
The most downloaded Productivity & Tools apps in 2025 — AppTweak
無料から始められるフロータイムアプリ — FlowTime