「AIで楽になる」と思っている人が、一番危ない
目次
AIを使った高校生は、数学の練習問題の成績が48%上がりました。
ところがAIを取り上げて臨んだ試験では、一度もAIを使わなかった生徒より点が17%低くなりました。
AIで仕事が楽になる、という見立ては半分正しいと思います。ただ、楽になった分だけ、どこかで何かが減っている。
減るのは作業時間だけではありません。確認する目、頭の中の見取り図、練習で身につくはずだった技能。この3つは、AIが手元にある間は減っていることに気づきにくい性質を持っています。
「楽になる」の中身は、作業の引っ越しです
AIに仕事を渡しても、仕事そのものは消えません。自分で書く作業が、AIの出力を読んで確かめる作業に置き換わります。
マイクロソフト・リサーチとカーネギーメロン大学の研究者は、知識労働者319人から生成AIの使用例936件を集めました（Lee氏ら、2025年）。報告によると、生成AIを使うと、考える作業の中身が「情報の検証」「出力の統合」「作業全体の監督」へ移っていきます。
楽になるのは「作る」工程で、「確かめる」工程は本人の手元に残る。厄介なのは、この確かめる工程が、楽になったという実感と一緒に省かれやすいことです。
Microsoftのエンジニアである牛尾剛さんは『部下としてのAI』で、仕事力を「本体（人間）の強さ×AI力」の掛け算として説明しています。掛け算なので、本体が弱ればAIの力も目減りします。
では、その「本体」はどこから弱っていくのか。研究から見えてくる順番があります。
任せた瞬間、最初に抜けるのは「確認」です
自動化された道具を信用しすぎて、見落としや誤判断が起きる現象を「自動化バイアス」と呼びます。
パラシュラマン氏とマンゼイ氏は2010年、この分野の実験研究をまとめたレビューを発表しました。自動化バイアスは初心者だけでなく専門家にも起き、訓練や指示だけでは防げなかったと整理しています。ほかの作業を抱えて注意が足りなくなったときに、自動化への油断が起きやすいことも指摘しています。
生成AIでも同じ傾向が見えます。先ほどのLee氏らの調査では、生成AIへの信頼が高い人ほど批判的に考える場面が少なく、その作業への自信が高い人ほど批判的に考えていました。
ただしこれは本人の申告にもとづく相関です。AIを信じたから考えなくなったのか、考えなくていい作業だからAIを信じたのかは、この調査では切り分けられていません。
たとえば、締め切り前にAIで会議資料の数字をまとめたとします。忙しいときほど注意はほかの作業に取られ、出力が整って見えるほど「たぶん合っている」で通したくなる。見落としが起きやすい条件が、まさに重なっています。
牛尾さんの言葉を借りれば「ブラインドダメ、絶対！」です。ただ、レビューの結論を踏まえると、気をつけようと決めるだけでは足りません。確認は、気合いではなく手順として組み込む必要があります。
衰えるのは手先より、頭の中の地図です
NASAのキャスナー氏らは、旅客機のパイロット16人にボーイング747-400のシミュレーターを操縦してもらい、自動操縦に慣れた人の何が衰えるかを調べました（2014年）。
計器を見て機体を操る手先の技能は、おおむね保たれていました。あまり練習していないと答えた人でも同じです。
崩れていたのは頭の中の作業でした。地図表示なしで自機の位置を追う、次の航法手順を決める、計器の故障に気づく。こうした課題で問題が目立ちました。自動操縦中に作業と関係ないことを考えていた頻度が高い人ほど、成績が悪い傾向もありました。
著者らは、頭の中の技能が保たれるかどうかは、自動化を見守る間にどれだけ能動的に関わっていたかによる可能性がある、とまとめています。
仕事に置き換えると、AIに文章を書かせても、文を書く腕はすぐには落ちないかもしれません。弱りやすいのは「この報告で何を先に言うべきか」「どの数字がおかしいか」といった全体の見取り図のほうです。
医療でも似た報告があります。ポーランドの4施設では、ポリープを見つけるAIを導入した後、AIを使わない大腸内視鏡検査で腺腫の発見率が28.4%から22.4%に下がりました（Budzyń氏ら、2025年）。
ただしこれは観察研究で、ほかの要因の影響を否定しきれません。13人の医師による別の前向き試験では、指標は5mm以上のポリープを見つける割合と少し違いますが、AIを外した後に低下は見られませんでした（Pedersen氏ら、2026年）。
AIを使えば技能は必ず衰える、とまでは言えないのが現状です。少なくともパイロットの研究からは、見守るだけで頭を使わなかった部分ほど弱りやすいと読み取れます。
練習をAIに任せると、身につくはずのものが残りません
冒頭の数字は、ペンシルベニア大学などのチームが高校生約1,000人を対象に行った実験のものです（Bastani氏ら、2025年、米国科学アカデミー紀要）。
生徒には2種類のAIが用意されました。ChatGPTと同じように使える「GPT Base」と、答えを教えずヒントを出すよう設計した「GPT Tutor」です。
練習中の成績は、GPT Baseで48%、GPT Tutorで127%上がりました。ところがAIなしの試験では、GPT Baseの生徒だけが、使わなかった生徒より17%低くなりました。GPT Tutorでは、この悪影響がほぼ抑えられていました。
著者らは、制限のないAIを生徒が「松葉杖」のように使い、自力で解く前に頼っていたと分析しています。
練習の価値は、自分で解こうとして詰まる過程にあります。答えを先にもらうと、詰まる時間ごと飛ばしてしまう。しかも練習の出来は良く見えるので、身についていないことに本人も気づけません。
たとえば入社1年目から、企画書の構成を毎回AIに作らせていたとします。提出物の見栄えは上がっても、構成を自分で組んで失敗する経験は積まれないままです。
池谷裕二さんは『生成AIと脳』で、文字や検索が脳の使い方を変えてきたように、生成AIの時代には出力を見極める「選ぶ力」へ脳の使い方が移っていくと見ています。私もこの見立てには賛成です。
ただ、選ぶには基準が要ります。その基準は、自分で作って間違えた経験から育つものです。GPT Tutorの結果は、AIの設計しだいでその経験を残せることも示しています。
楽をしながら、腕を落とさない使い方
伊藤羊一さんと尾原和啓さんは『努力革命』で、80点までの仕事をAIに任せ、人間は残りに力を使えと説いています。この方針自体は合理的です。
危ないのは、出てきたものが本当に80点かを判定する目まで、同じAIに預けてしまうことです。その目を残すために、次の3つを勧めます。
誤解：AIの答えを読んでから、良し悪しを判断すればいい → 先に答えを見ると、判断はAIの出力に引っ張られます。答えを開く前に、自分ならどう答えるかを1行だけ書いておく。5分もかかりません。AIとずれた箇所が、そのまま確認すべき場所になります。
誤解：確認は「気をつける」で足りる → 自動化バイアスは訓練や指示では防げませんでした。数字の出どころ、結論と根拠のつながりなど、確認する項目を先に決めておき、出力を受け取るたびに同じ項目を見ます。
誤解：AIに任せた工程は、もう自分でやらなくていい → 月に1回、AIに任せている工程を一つ選び、AIなしで最後までやってみてください。牛尾さんが勧める、何も見ずに書き出して思い出す「アクティブリコール」と同じ発想です。詰まった箇所が、頭の中の地図が薄れてきた場所です。
おわりに
AIで楽になること自体は、危なくありません。危ないのは、楽になった分だけ自分の目と腕が細っていることに気づかないまま進むことです。
次にAIへ仕事を渡すとき、答えを開く前の1行から始めてみてください。
この記事で参考にした本
『部下としてのAI 世界一流エンジニアの進化術』牛尾剛 → 仕事力は「本体の強さ×AI力」。盲信せず、自分で理解しておくことが前提になる
『生成AIと脳』池谷裕二 → 道具が変わると脳の使い方も変わる。生成AIの時代に求められるのは「選ぶ力」
『努力革命』伊藤羊一・尾原和啓 → 80点までをAIに任せる働き方。その80点を判定する目をどう残すかが、この記事の問い
合わせて読みたい
『外資系コンサルのデータ分析技法』アクセンチュア データ＆AIグループ｜AIに丸投げするほど、答えはズレていく 難しい仕事をAIに丸ごと任せると、かえって精度が下がる理由を、データ分析の実務から学べます。任せ方の線引きを考えるときの材料になります。
「わかっている」が一番キケン。説明深度の錯覚は「仕組み」の話で起きる 仕組みを知っているつもりでも、説明しようとすると言葉に詰まる錯覚を扱っています。AIの答えを読んで「わかった」と感じたときに、自分で説明し直してみる理由がわかります。
AIが同じでも、成果がバラつく組織の盲点 AIの出力を評価する基準を、先に言葉にして共有しておく話です。本記事の「確認する項目を先に決める」を、チーム単位で行う方法として読めます。