AIに仕事を任せるほど、人間の仕事は難しくなる。その世界を生きる我々は、ハードモードなのでは。

AIに定型作業を任せ、人間が複雑な判断に向き合う様子を描いた水彩画 AI

「AIを使っていると、人間は馬鹿になるのではないか」

生成AIの話をしていると、よく出てくる論点です。

文章を書かせれば文章力が落ちる。コードを書かせればプログラミング能力が落ちる。調べものを任せれば、自分で考えなくなる。

たしかに、そういう面はあると思います。ただ、この話を聞くたびに、それだけなのだろうかとも思います。

人間は昔から、自分がやっていたことを道具に任せてきました。

電卓が普及して、複雑な暗算をする機会は減りました。Google Mapsがあれば、知らない土地でも道を覚えずに移動できます。検索エンジンのおかげで、細かな情報をすべて記憶しておく必要もなくなりました。

もっと遡れば、文字だって記憶の一部を自分の外に置くための技術です。

そう考えると、「道具に頼ると、その能力を使わなくなる」という話自体はそれほど新しくありません。

生成AIで少し事情が違うのは、外部化できる範囲があまりにも広いことです。

そして、もう一つ気になる問題があります。

自動化が進むほど、人間には難しい仕事が残る

1983年、心理学・人間工学の研究者Lisanne Bainbridgeが、Ironies of Automationという論文を書いています。

生成AIとはまったく関係のない時代の論文です。主に工業プロセスなどの自動化を念頭に置いた研究ですが、読んでみると、現在のAIの話にも妙に当てはまります。

自動化を進めれば、人間が直接やる仕事は減ります。

それ自体は当たり前です。

ただし、自動化できなかった仕事は人間に残ります。

しかも、機械に任せられる簡単な仕事から先に消えていくわけですから、最後に人間へ回ってくるのは、例外的なケースや判断の難しいケースになっていきます。

さらに問題なのは、普段の仕事を機械に任せることで、人間がその作業を経験する機会まで減ってしまうことです。

Bainbridgeは、手動で操作する技能は使わなければ衰えることや、システムに関する知識も、実際に扱ってフィードバックを受けることで形成されると指摘しています。

ところが、人間が突然必要になるのは、だいたい何かがおかしくなったときです。

普段より難しい状況になったところで、日頃その仕事から離れている人間に操作が戻ってきます。

これが「自動化の皮肉」です。

40年以上前の話ですが、今の生成AIにもかなり重なります。

AIが99件処理したあとに、人間へ残る1件

たとえば、100件のプログラムを書く仕事があったとします。

そのうち99件をAIが問題なく処理できるようになれば、生産性は大きく上がります。

では、人間に残る1件はどんな仕事でしょうか。

おそらく、

「なぜか本番環境でだけ不具合が起きる」

「仕様書同士が矛盾している」

「技術的にはどちらも成立するが、設計方針そのものを決めなければならない」

といった、簡単には片付かない問題が増えていきます。

つまり人間は、99件の普通の仕事を経験する機会を減らしながら、100件の中でも特に難しい1件を担当することになります。

仕事量は減っているのに、1件あたりの難易度は上がる。

これを考えると、AIで仕事が楽になるという話と、人間に要求される能力が上がるという話は、別に矛盾していません。

むしろ同時に起こり得ます。

「最後は人間が確認」で済むのか

この問題は、技能だけではありません。

1995年、Mica EndsleyとEsin Kirisは、自動化による out-of-the-loop performance problem を実験的に調べています。

自動化されたナビゲーション課題では、自動化条件でSituation Awareness、つまり「今、何が起きていて、この先どうなりそうか」という状況認識が低下しました。

さらに、自動化されたシステムが故障したあと、人間が判断を求められた場面では、対応に時間がかかるようになりました。

研究では、普段から自分で操作して情報を処理する状態と、システムを眺めるだけの状態では、人間の状況理解に違いが出る可能性が示されています。

この研究を見ると、現在よく聞く「AIにやらせて、最後だけ人間が確認すればいい」という考え方にも少し不安が出てきます。

人間が普段の処理をほとんど見なくなっているのに、AIが失敗した瞬間だけ、最も難しい判断を正しくできるのでしょうか。

「human in the loop」と書いておけば安全になるわけではありません。

人間を最後に置くなら、その人間が本当に状況を理解できる状態にしておく必要があります。

人間とAIを組み合わせれば、いつでも強くなるわけでもない

この点については、最近の研究にも興味深い結果があります。

2024年にNature Human Behaviourに掲載された系統的レビューとメタ解析では、106件の実験研究、370の効果量が分析されました。

人間とAIを組み合わせたシステムは、平均すると人間単独よりは高い性能を示しました。

一方で、「人間単独」と「AI単独」のうち性能が高いほうと比べると、人間＋AIは平均的にはそこまで届きませんでした。

また、意思決定系の課題では、人間とAIを組み合わせることでかえって成績が悪くなるケースが目立ち、コンテンツ生成では比較的うまくいきやすい、という違いも報告されています。

もちろん、対象になったAIや課題はさまざまなので、この結果をそのままChatGPTに当てはめることはできません。

ただ、「AIと人間を組み合わせれば、とりあえずAI単独より安全で強い」というほど単純ではないようです。

人間をどこに入れるか、何を判断させるかまで設計しないと意味がありません。

AI込みの成果を、自分の能力だと思ってしまう問題

もう一つ気になるのが、自分の能力を測りにくくなることです。

Computers in Human Behavior Volume 175（2026年）には、かなり象徴的なタイトルの論文が載っています。

AI makes you smarter but none the wiser: The disconnect between performance and metacognition

LSAT型の論理推論問題を使って、AI支援による成績向上と、自分の成績をどの程度正確に把握できるかが調べられています。

Study 1では、ChatGPTを使った参加者の成績は、比較に用いられた非AIの標準データより平均して高くなりました。一方で、自分の成績についてはかなり過大評価していました。

Study 2ではAI群と非AI群が直接比較され、AI群の実際の成績は明確に高くなりました。ただし、自己評価のズレそのものはAI群だけに生じていたわけではなく、非AI群にもかなりの過大評価がありました。

なので、この研究を「AIを使うと人間は急に自信過剰になる」と読むのは正確ではありません。

むしろ面白いのは、AIによって実際の成績が伸びても、自分自身の能力を正確に把握する力まで一緒に伸びるわけではない、という点です。

たとえば、自力なら10問中6問しか解けない人が、AIを使うと9問解けるようになったとします。

結果だけ見れば9問正解です。

ただ、その9問のうち何問が自分の力なのかは、意外と分かりません。

AIの説明を理解したうえで採用したのか、もっともらしかったので採用したのかも、成果物だけからは見えません。

知的作業では、AIの能力と自分の能力がかなり自然に混ざります。

ここは少し危ないところだと思います。

自分で考えたかどうかは、成果物からは分からない

心理学には「generation effect」、日本語では生成効果と呼ばれる古典的な現象があります。

SlameckaとGrafが1978年に発表した研究では、単語をただ読んだ場合より、自分で生成した場合のほうが、その後の記憶成績が良くなりました。

もちろん、これは生成AIの研究ではありません。

「最初からChatGPTに聞くと能力が落ちる」と直接示した研究でもありません。

ただ、自分で答えを作るという行為そのものが、記憶や学習に影響するという現象は昔から知られています。

この話をAIに当てはめて考えると、使い方によってかなり違いが出そうです。

たとえば会議で、新規事業の問題点を考えるとします。

まず自分で5分考えて、

市場規模、競合、人材。

くらいまで出したあと、AIに聞いてみます。

すると、法規制や顧客獲得コスト、既存事業とのカニバリゼーションなど、自分にはなかった視点が出てくるかもしれません。

これはかなり良い使い方だと思います。

一方で、最初から「問題点を10個挙げて」とAIに聞き、その中から3つ選ぶこともできます。

後者のほうが短時間で良い資料になることもあるでしょう。

ただし、最終成果物が同じように見えても、その過程で人間側がやったことはかなり違います。

この違いは、生産性だけ見ていると消えてしまいます。

AIを使っている間は成績が上がる。でも、それで学習したとは限らない

この点については、もっと直接的な研究もあります。

2025年にPNASに掲載された研究では、約1000人の高校生を対象に、GPT-4を使った数学学習のフィールド実験が行われました。

通常のチャット型に近い「GPT Base」を使った生徒は、練習問題では対照群より48%高い成績を示しました。

さらに、教師が用意したヒントを使い、答えを直接出しにくくした「GPT Tutor」では、練習時の成績は127%高くなりました。

かなり大きな差です。

ところが、その後AIを使えない試験を行うと、GPT Base群はAIを使っていなかった対照群より17%低い成績になりました。

一方で、GPT Tutorではこの悪影響はほぼ見られませんでした。ただし、AIなしの対照群を上回ったわけでもありません。

高校数学の結果を仕事全般へそのまま広げることはできません。

それでも、「AIを使ったかどうか」より「どう使ったか」が重要だという話としては、かなり分かりやすい研究です。

答えを出してもらうAIと、考える過程を支援するAIでは、人間側に残るものが違います。

それでも、AIを使わないという選択肢は現実的ではない

ここまで書くと、「やっぱりAIを使わないほうがいい」という話に見えるかもしれません。

でも、私はそうは思いません。

というより、もう仕事によっては使わないほうが難しいと思います。

数時間かかっていた調査を短時間で終わらせられることがあります。

文章作成、翻訳、コード、データ整理、資料作成、情報収集、アイデア出し。

これまでなら時間的に諦めていた仕事まで手が届くようになりました。

周囲が普通にAIを使っている中で、自分だけすべてを手作業でやるのは、場合によってはかなり不利です。

私自身も、今の仕事量をAIなしで同じように処理できるとは思っていません。

なので、問題は「使うか、使わないか」ではないのでしょう。

どこまで任せるかです。

人間の仕事は「作る」より「見抜く」に寄っていく

2025年のCHIで発表された研究では、319人のknowledge workerから936件の生成AI利用事例が集められ、AI使用時のcritical thinkingについて調べられました。

これは能力試験ではなく自己報告を中心とした研究なので、「AIを使うと批判的思考能力が落ちる」と因果的に証明したものではありません。

ただ、仕事の中で考える場所が変わっていることは見えてきます。

自分で情報を作るより、AI出力を確認する。

問題を直接処理するより、AIの回答をまとめる。

個々の作業をするより、全体を管理する。

そうした方向への変化が報告されています。

また、AIへの信頼が高い人ほど、critical thinkingにかける努力が少ない傾向も見られました。

たぶん、AIによって「考える必要がなくなる」というより、考える場所が変わるのでしょう。

AIが文章を書くなら、人間は文章を評価します。

AIがコードを書くなら、人間は設計やテストを見るようになります。

AIが情報を集めるなら、今度はその情報が信用できるかを判断する必要があります。

つまり、単純作業をAIに渡せば渡すほど、人間には一段上の判断が求められます。

ここでもやはり、ハードモード感があります。

では、初心者はどうやって熟練者になるのか

ここから先は、研究が直接証明している話ではありません。

ただ、個人的にはかなり気になっています。

熟練者は、どうやって熟練者になるのでしょうか。

何百件もの契約書を読みます。

何千行ものコードを書きます。

大量の論文を読みます。

何百枚、何千枚もの画像を見ます。

そうやって大量の「普通」に触れた結果として、「これはちょっとおかしい」と気づけるようになります。

ところがAIが普通の仕事をほとんど処理するようになったら、その経験はどこで積むのでしょうか。

新人向けの簡単な仕事はAIがやっている。

一方で、人間に残っているのは熟練者向けの難しい仕事ばかり。

そんな職場は、十分あり得る気がします。

熟練者が必要なのに、熟練者を育てるための仕事がない。

これはかなり面倒な問題です。

Bainbridgeは1983年の時点で、手動技能を維持する必要があるなら、短時間でも実際に操作させたり、シミュレーターで訓練したりする必要があると書いていました。

そして、自動化が成功して人間がほとんど介入しなくなるほど、むしろ人間の訓練に投資する必要が出てくるかもしれない、と指摘しています。

この話は、今のAIにもかなり通じる気がします。

「AIを正しく使う」は、まだかなり曖昧な言葉です

最近、「AIを正しく使う」という言葉をよく見ます。

ただ、何をもって正しいとするのかは、まだあまり整理されていないように思います。

プロンプトが上手い。

モデルを使い分けられる。

仕組みを理解している。

もちろん大事です。

でも、それだけでは足りません。

もっと重要なのは、自分とAIの境界を把握していることなのではないでしょうか。

なくなっても困らない技能なら、どんどんAIへ渡せばいいと思います。

定型文の整形や単純な形式変換を、自分で毎回やり続ける必要はありません。

一方で、今後も自分が異常を見つけたり、重要な判断をしたりする必要がある領域なら、普段はAIを使って高速化しつつ、完全に手放してよいのかは考える必要があります。

そして、失敗したときの影響が大きい仕事では、「最後に人間が見る」だけで安全性を担保しようとするのではなく、テストや独立した検証経路そのものを作ったほうがいいでしょう。

全部を自力でやる必要はありません。

ただ、自分が何をやらなくなったのかくらいは分かっていたほうがいいと思います。

AI時代の人間は、本当にハードモードなのか

新しい道具が普及するたびに、人間が身につけるべき能力は変わってきました。

電卓があれば、すべてを暗算する必要はありません。

パソコンがあれば、昔の事務技能の一部は不要になります。

インターネットがあれば、情報を全部覚えておく必要もありません。

生成AIも、その延長線上にあるのだと思います。

ただ、今回は少し規模が違います。

電卓は主に計算です。

検索エンジンは主に検索です。

生成AIは、検索もします。要約もします。比較もします。文章も書きます。コードも書きます。アイデアも出しますし、こちらの案を批判することもできます。

かなり広い範囲の認知作業に入ってきます。

だから「これはAIに任せてよい」「これは人間が残すべき」という境界が、以前よりはるかに分かりにくいのだと思います。

人間にしかできない仕事が残るのかは、まだ分からない

「これからは創造性が重要になる」

「問題設定が人間の仕事になる」

「最終判断は人間がやる」

という話もよく聞きます。

ただ、これもどこまで残るのか、まだ分かりません。

AIはすでにアイデアを出します。

問題の候補も作れます。

設計案を比較できます。

意思決定の材料も整理できます。

今、人間の仕事だと思っているものが、10年後もそのまま人間の仕事である保証はありません。

最後まで残るのは、「人間にしかできない仕事」ではなく、「自分たちは何をしたいのかを決めること」なのかもしれません。

それすらAIと相談しながら決めるようになる可能性もあります。

まだ誰にも分かりません。

なので、結局は境界を固定しないことが大事なのだと思います。

AIがどこまでできるようになったのか。

自分はどこまでできるのか。

何を捨てても困らないのか。

何を失うと困るのか。

その境界を見直し続けるしかありません。

AIを使わないのではなく、境界を見失わない

AIによって仕事は楽になります。

一方で、簡単な仕事からAIに渡していけば、人間には例外や矛盾や異常、判断の難しい問題が残ります。

どちらも同時に起こります。

そして、AI時代に本当に怖いのは、何かの技能を失うことそのものではないのかもしれません。

AIと一緒ならできることを、自分一人でもできると思い始めることです。

だから、AIなんか使うな、とは思いません。

使えばいいと思います。

使わないと間に合わない仕事も、すでにたくさんあります。

ただ、AIができることと、自分ができることは同じではありません。

AIに任せた結果、自分が何を経験しなくなったのかも、ときどき確認したほうがいいのでしょう。

これから必要になるAIリテラシーは、AIを上手に操作する能力だけではないのだと思います。

自分とAIの境界が、今どこにあるのかを把握しておくこと。

そして、その境界が変わったら、自分の側も更新すること。

AIに仕事を任せるほど、人間の仕事は難しくなる。

もし本当にそうなら、我々はかなり便利で、かなり厄介なハードモードに入りつつあるのかもしれません。

ちなみに、この記事もAIと一緒に作っています。

ファクトチェックもかなり手伝ってもらいました。

そう考えると、この話はそれほど他人事でもありません。

参考文献

  • Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6), 775–779. DOI: 10.1016/0005-1098(83)90046-8.
  • Endsley, M. R., & Kiris, E. O. (1995). The Out-of-the-Loop Performance Problem and Level of Control in Automation. Human Factors, 37(2), 381–394. DOI: 10.1518/001872095779064555.
  • Slamecka, N. J., & Graf, P. (1978). The Generation Effect: Delineation of a Phenomenon. Journal of Experimental Psychology: Human Learning and Memory, 4(6), 592–604. DOI: 10.1037/0278-7393.4.6.592.
  • Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. DOI: 10.1038/s41562-024-02024-1.
  • Lee, H.-P. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI ’25. DOI: 10.1145/3706598.3713778.
  • Bastani, H. et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. DOI: 10.1073/pnas.2422633122.
  • Fernandes, D. et al. (2026). AI makes you smarter but none the wiser: The disconnect between performance and metacognition. Computers in Human Behavior, 175, 108779. DOI: 10.1016/j.chb.2025.108779.

コメント

タイトルとURLをコピーしました