人工智能驱动的效率化能够回收时间。如果研究、整理、比较或草案撰写所需的时间缩短，那么原先被这些活动占用的一部分时间就会变得可用。通常，人们会把这种变化理解为生产率提高，因为在相同时间内可以产出更多成果，或者用更短时间获得相同成果。但这里存在一个仅靠效率指标无法决定的问题：缩短所产生的时间由谁使用，又是为了什么？如果回收的时间被自动投入下一项处理，效率化会放大处理能力，却不一定增加人能够改变判断的空间。
要思考这个问题，需要把余量与单纯的“未使用时间”区分开来。工作中存在一些在开始时无法完全预测的部分。对规格的误解、信息不足、外部条件变化、通过验证发现的错误，以及相关人员之间的认知差异，都不一定能在制定计划时全部列举出来。因此，如果计划时间被当前已知的工作完全占满，当意外事件出现时，就没有可用于应对的资源。余量并不是因为当前没有用途而剩下的时间，而可以被理解为一种被保留下来、其用途仍向未来不确定性开放的时间资源。
让重要部分尽早成形，会产生这种余量。目的并不只是提前于截止期限完成。先接触困难部分，可以尽早检验最初的估算是否合理。如果发现工作无法按计划推进，仍然保留着修改规格、寻求补充信息、切换方法或与相关人员重新协调期限等选择。提前推进与其说是提高精确预测未来的能力，不如说是一种让我们更早发现预测错误的结构。
当这一结构与人工智能连接起来后，速度的意义也会发生变化。人工智能能够快速生成初始方案，其价值并不只是提高单位时间内的产出数量。如果重要部分能够尽早具体化，人就可以观察到在抽象计划阶段看不见的问题。错误的前提、缺失的条件、多种价值之间的冲突，或者预期成果物与实际输出之间的不一致，都可能提前显现。此时，人工智能的速度发挥的是提前发现不确定性的作用。如果能够保留由此产生的剩余时间，人就能继续拥有应对所发现问题的选择。
然而，当效率化产生的时间被自动重新分配给额外生产时，这种效果就会消失。初稿提前一天完成，于是再制作多个版本；调查提前结束，于是进一步扩大范围；验证时间缩短，于是在同一期限内加入另一个项目。当额外成果具有较高价值时，这种重新分配可能是合理的。但如果它成为常态，人工智能创造的余量一出现就被消耗，用于改变计划或重新思考的时间再次变得不足。局部的效率化反而会自行抹去原本能够由这种效率提升所带来的修正能力。
由此可以看出，余量涉及分配问题。在组织中，可以把效率化产生的时间转向额外的成果目标。个人则可以开始新的工作、检查当前工作，或者把时间用于休息。然而，在与人工智能协作时，持续生成和探索的成本越低，“还可以继续处理”这一事实就越容易转变成“应该继续处理”的规范。尚有处理能力，与现在就应该使用这种能力，并不是一回事。如果连决定余量用途的权力也交给自动化逻辑，那么人虽然成为效率化的受益者，却可能失去选择如何使用这种收益的能力。
因此，人类与人工智能协作中的余量可以被理解为决策能力的一部分。修改判断需要时间。考虑反对意见、进行额外确认、撤回已经做出的方向，同样需要时间。如果时间被完全分配，即使形式上最终决定权仍在人手中，实际上也可能只剩下批准既定路线这一选择。相反，如果还保留着未被消耗的时间，那么人在收到人工智能的结果之后，仍然可以提出异议、回到原来的问题，并改变条件。余量不仅支持决策之前的自由，也支持重新做出决策的自由。
这一视角也要求改变对效率的评价方式。缩短处理时间、降低成本、增加成果物数量仍然重要，但这些指标无法捕捉协作系统在多大程度上变得能够承受变化。例如，假设两个系统都能提前两天完成相同的成果物。一个立即用其他工作填满这两天，另一个则在重要验证完成之前保留其中一部分作为备用时间。在通常情况下，前者的产出量可能看起来更高。但如果之后发现了重大的前提错误，后者仍然拥有修正的选择。哪一种更合适，会随着工作的性质和不确定性而变化。
需要注意的是，余量并非越多就总是越好。过多的备用时间可能使必要的工作延迟。在变化很少、流程已经确立的处理中，选择较高的利用率有时比保留较大的余量更合理。因此，问题不是究竟应该最大化效率还是余量，而是应根据不确定性的大小、失败的影响、改变所需的时间，以及是否需要把判断交还给人等因素，来设计应保留多少余量。余量不是无条件的善；它是在需要可变更性的情境中才具有价值的资源。
将这一思路连接到Sai＊aus的设计，就会发现，不一定要把人工智能加速所获得的全部收益再次投入额外生成，这一选择很重要。人工智能可以尽早展示结构，使人能够尽早发现问题。如果没有问题，可以继续处理；如果发现偏差，则可以利用剩余时间确认前提、改变方向，并在必要时对人工智能本身的建议提出异议。在这里，人工智能的速度不是用来取代人的判断，而是用来向前扩展人能够改变判断的时间范围。这是一种不仅把速度转换为额外处理，也把速度转换为可修正性的设计。
这种差异不能仅仅由人工智能是否具备某些功能来解释。快速生成、信息整理、比较以及支持重新思考，都可以由多种人工智能实现。差异出现在：我们如何设计这些能力所产生的时间，以及让这段时间服务于什么。有一种设计会把所有余量重新投入进一步优化；也可以有另一种设计，把其中一部分保留下来，用于人的确认、异议、暂缓和撤回。Sai＊aus重视的并不是把人工智能能够处理更多事情本身变成目的，而是配置已使用和未使用的能力，使人始终是理解与判断的主体。
效率创造的余量，谁有权支配？不存在一种普遍适用的唯一分配比例。但仅仅因为人工智能缩短了某项任务所需的时间，并不能推出节省下来的时间就应该再次投入人工智能或额外任务。未被使用的时间也是应对尚未发生的可能性的能力：失败、变化、异议与撤回。思考人工智能时代的效率，需要关注的不只是已经使用的资源，也包括为了在需要时能够使用而被有意保留下来的资源。追问谁来分配这种余量，以及它是为了谁的判断能力而被保留的，会使人类与人工智能的协作从单纯的加速转向设计问题。
不是答案，而是理解。