AIが奪ったのは思考ではない——成果物と能力の対応である——「ググる時代」を美化せず、記憶・検索・検証・シミュレーションを分けて考える
AIが奪ったのは思考ではない——成果物と能力の対応である
——「ググる時代」を美化せず、記憶・検索・検証・シミュレーションを分けて考える
生成AIを使うと、人間は自分で考えなくなる。
この警告は、現在ほとんど定型句になっている。
東洋経済オンラインの記事「生成AIは人々を豊かにしているのか？ 世界の研究者が警鐘を鳴らす『思考力低下』の実態」
も、生成AI以前には、人間が検索語を考え、検索結果からページを選び、内容を読んで必要な情報を取り出していたのに対し、生成AIはその中間工程をまとめて代行すると説明している。(東洋経済オンライン)
この説明は、工程の変化を記述するものとしては正しい。
生成AIは、検索、読解、要約、構成、文章化を一つの対話画面へ圧縮した。自然言語で質問すれば、検索結果の一覧ではなく、すでに整理された回答が返ってくる。
しかし、
AI以前には人間が考えていたが、AI以後には考えなくなった
と結論するには、まだいくつかの区別が必要である。
検索すること、記憶すること、理解すること、推論すること、検証することは同じではない。
そして生成AIによって観測されている変化も、単純な「思考力低下」だけではない。
1 AI以前の検索も、検証まで到達していたとは限らない
ウェブ検索には、一定の認知的作業が必要だった。
まず、自分が何を知りたいかを把握する。次に、それを検索語へ変換する。表示された候補からページを選び、文章を読み、必要な箇所を探す。
生成AIは、この摩擦のかなりの部分を取り除いた。
だからといって、検索時代の人間が常に独立した検証を行っていたとは限らない。
検索には、次の二つの使い方がある。
探索・検証型
問いを立てる
→複数の検索語を試す
→複数の資料を比較する
→矛盾や反例を探す
→暫定的に判断する
正解受領型
検索する
→上位に出たページを読む
→そこに書かれた内容を正解として採用する
辞書も同様である。
語を引いて意味を確認することは有用だが、その定義の成立過程、他の辞書との違い、歴史的な語義変化まで調べなければ、辞書の記述を正解として受領しただけである。
もちろん、日常生活ですべての辞書記述や検索結果を独立検証する必要はない。それは時間的にも認知的にも不可能である。
問題は、
検索工程が存在した
＝人間が深く考えていた
とみなすことである。
検索には認知的摩擦があった。しかし、摩擦があったことと、仮説形成・反例探索・判断修正まで行われていたことは同じではない。
2 記憶の再生だけでは、思考を尽くしたことにはならない
学校教育についても、同じ混同がある。
授業を受ける。教科書を読む。用語を覚える。試験で再生する。
これらは重要な学習活動である。
だが、
年号を覚える
単語の意味を覚える
定義を覚える
公式を覚える
模範解答を覚える
ことだけで、思考を尽くしたとは言えない。
思考には、少なくとも次の異なる認知操作がある。
認知操作内容取得外部から情報を得る記憶情報を保持し、再生する理解要素の関係を説明する分類・抽象化複数の事例から共通構造を取り出す推論前提から未提示の帰結を導くシミュレーション条件を変え、結果を予測する検証資料、観測、反例と照合するメタ認知自分の確信度や誤り可能性を評価する判断修正新しい結果に応じてモデルを更新する
記憶は思考から切り離されたものではない。
過去の事例を取り出すこと、概念を作業記憶上に保持すること、既知の知識で推論を制約することは、思考過程の内部に含まれる。
したがって正確には、
記憶は思考ではない
ではなく、
記憶の再生だけでは、比較、予測、検証、判断修正まで行ったことにはならない
と表現すべきである。
知識は思考の代用品ではない。
同時に、知識なしに現実的な思考を行うこともできない。
知識のないシミュレーションは、検討ではなく空想になりやすい。
3 従来の教育も「正解受領型」になり得た
従来の学校教育は、しばしば次の回路で動いていた。
教師・教科書が正解を提示する
→生徒が記憶する
→試験で再生する
→模範解答との一致によって評価される
この構造では、生徒が自ら問いを立てる必要はない。
競合する仮説を作る必要もない。
判断の結果を観測し、失敗によって判断を修正する必要もない。
Google時代には、この回路が次のように変形した。
検索する
→情報源を選ぶ
→必要な箇所を抜粋する
→正解らしい文章として提出する
生成AI時代には、さらに短くなる。
質問する
→完成した文章が生成される
→提出する
したがって生成AIは、正解受領型学習を発明したのではない。
既存の正解受領型行動を、検索・読解・統合・文章化の摩擦なしに遂行できるようにした。
ただし、「AI以前から人間は考えていなかった」と断定することもできない。
検索時代の中間工程が、一部の人や課題にとって、問いの明確化、情報源の比較、文章構成の訓練になっていた可能性もある。
生成AIは、それらの工程を省くことで、すでに弱かった思考回路を露呈させるだけでなく、残っていた訓練機会をさらに減らす可能性もある。
ここでは、複数の因果経路を区別する必要がある。
4 生成AIが切断したのは、成果物と能力の対応である
生成AIの教育的衝撃は、単に答えを出せることではない。
本人が十分に理解していなくても、
論理的な章立て
専門用語
反対意見
結論
読みやすい文体
を備えた成果物を生成できる。
つまり生成AIは、
考えていなくても、考えたように見える成果物を作る
ことを可能にした。
ここで、成果物の品質と、人間の認知過程との対応が切れる。
同じ完成文でも、その生成経路は異なる。
人間が独力で考えた
AI案を人間が批判し、大幅に修正した
文章化だけをAIへ委任した
AI出力をほぼそのまま採用した
本人は理解していないが、AIの回答は正しかった
本人もAIも誤っていたが、文章の外形だけ整っていた
完成した文章だけから、どの経路を通ったかを一意に判定することはできない。
これは教師や上司の注意力不足ではない。
同じ観測結果が異なる生成過程から生じるという、構造的な非識別性である。
生成AIによって機能不全を起こしたのは、人間の思考だけではない。
思考を完成品の外形によって代理測定してきた評価制度である。
5 「低下」と「未形成」だけでは足りない
生成AIと思考の関係には、少なくとも四つの競合仮説がある。
P₁ 能力低下仮説
以前は保持されていた検索、文章化、検証、判断修正などの能力が、AIによる継続的代行によって萎縮する。
この仮説が正しければ、AIを使わない転移課題での成績が、時間とともに低下するはずである。
P₂ 能力未形成の露呈仮説
AI以前から、仮説形成、検証、判断更新の能力が十分に形成されていなかった。
生成AIによって成果物の外形だけが向上し、その背後にあった理解不足が見えにくくなった。
この場合、AI導入前から独力での転移能力は低く、AI導入後には成果物品質だけが急激に上昇する。
P₃ 認知作業再配分仮説
検索、初稿作成、記憶再生などの一部をAIへ委任し、空いた資源を比較、編集、統合、意思決定へ移す。
この場合、認知活動は一方向に減るのではなく、構成が変わる。
実際、Microsoft ResearchとCarnegie Mellon Universityの研究は、生成AI利用時の批判的思考が単純に消えるだけでなく、情報収集から検証へ、問題を直接解く作業からAI回答の統合へ、課題遂行から監督へと移動する可能性を報告している。ただし、この研究は319人の知識労働者による自己報告調査であり、能力の長期的変化を直接測定したものではない。(Microsoft)
P₄ 熟達度・発達段階分岐仮説
同じAIでも、利用者の知識、経験、メタ認知によって作用が異なる。
初学者には、基礎的なスキーマ形成を迂回させる
熟達者には、探索範囲を拡張させる
自信の低い利用者には、上位の権威として作用する
検証能力の高い利用者には、反対仮説生成装置になる
誤った確信を持つ利用者には、自己正当化材料を供給する
したがって問うべきなのは、
AIは人間の思考力を低下させるか
という全称命題ではない。
どの認知機能が、誰に、どの発達段階で、どの利用方法・評価制度・時間幅のもとで、どの方向へ変化するか
である。
6 認知努力が減ることと、能力が低下することは同じではない
生成AI使用時の認知努力低下を示唆する研究は存在する。
MicrosoftとCarnegie Mellon Universityの調査では、AIへの信頼が高い場合、批判的思考に投入したと自己報告する努力が少なくなる傾向が示された。一方で、自己の課題遂行能力への確信が高い人ほど、批判的思考を行ったと報告する傾向もあった。(Microsoft)
また、Kosmynaらの未査読プレプリントは、54人をLLM利用群、検索エンジン群、外部ツールなし群に分けて作文課題を行わせ、LLM群でEEG上の脳内ネットワーク結合がもっとも弱く、文章内容の想起や所有感も低かったと報告した。第4回セッションまで参加したのは18人であり、課題も作文に限定されている。(arXiv)
この研究には、小標本、EEG解析の再現性、手続の透明性、結果報告の整合性などについて、別の研究者から方法論的な批判が出ている。したがって、「脳結合が弱かった」ことを、そのまま「思考能力が低下した」と読むことはできない。(arXiv)
区別すべきなのは、次の四段階である。
課題中の認知努力が減った
神経活動の指標が変化した
AIなしでの課題遂行能力が低下した
一般的・長期的な思考能力が低下した
1や2が観測されても、直ちに3や4を意味しない。
認知努力の減少は、
不要工程の削減
一時的な外部委任
能力萎縮の前兆
他の認知作業への再配分
のどれでもあり得る。
逆に、AI以前の能力が低かったからといって、AIによる追加的な低下が起きないとも言えない。
「未形成」と「低下」は排他的な仮説ではなく、
未形成
→AIによる短絡
→形成機会の喪失
あるいは、
形成済み
→AIへの委任
→不使用
→能力萎縮
という時間的な連鎖として同時に成立し得る。
7 「認知的降伏」実験は何を測ったのか
ShawとNaveは、3件の事前登録実験、計1372人・9593試行を用い、AIの正答率を操作した。
参加者はCRT型の問題を解き、必要に応じてAIへ相談した。AIが正しい場合には成績が向上し、AIが誤る場合には成績が低下した。AIへ相談した参加者は、誤答後も確信度を高める傾向を示した。研究者は、AI出力を十分な精査なしに採用する現象を「cognitive surrender（認知的降伏）」と呼んでいる。(SSRN)
この研究は、AIの誤答が人間の判断を強く動かし得ることを示している。
しかし、誤ったAI回答を採用したことから直ちに、
人間が思考を放棄した
とまでは言えない。
誤答採用には、異なる経路がある。
最初から自分も同じ誤答を考えていた
AIの説明を検討したが、誤りを発見できなかった
自分よりAIの期待精度が高いと判断した
時間制約下でAIへ委任した
AIを権威として無批判に採用した
研究が直接観測したのは、厳密には誤ったAI助言の採択行動である。
「認知的降伏」は、その行動を説明するための構成概念である。
さらに重要なのは、参加者が実験前からAIを何だと考えていたかである。
現在のAIは、
大量の知識を持つ
人間より速く計算する
質問すれば答えを出す
自分より賢い可能性がある
という社会的表象を伴っている。
したがって「AI」というラベル自体が、中立な情報ではない。
ShawとNaveの研究はAIへの信頼を個人差変数として測定しているが、
AIというラベル
人間専門家というラベル
匿名助言者というラベル
事前に告知された精度
「意図的に誤答を含む」という警告
をランダムに操作したわけではない。
したがって、この研究から分かるのは、
AIの正誤が人間の最終回答を大きく左右した
ことである。
しかし、
AIという社会的権威表示が、追従率をどの程度因果的に上げたか
は未同定である。
8 人間がAIを託宣として使うのは、単なる怠惰ではない
AIの答えを検証しない人を、「自分で考えない人」と呼ぶだけでは構造を説明できない。
検証にはコストがかかる。
時間
注意
作業記憶
領域知識
比較資料へのアクセス
誤りを発見する能力
結果に責任を負う権限と動機
人間は有限な認知資源しか持たない。
辞書、教科書、専門家、検索エンジン、計算機への依存は避けられない。
すべての情報を独立検証することは不可能である。
したがって問題は、
外部へ依存するか、しないか
ではない。
どの工程を外部委任し、どの箇所を独立確認し、誤りの損失に応じて検証資源をどう配分するか
である。
日常的な低リスク課題で、毎回すべてを検証するのは合理的ではない。
一方、医療、法務、財務、政策判断など、誤りの費用が大きい課題では、AIの流暢さを根拠に採用することは危険である。
必要なのは無条件の信頼でも、全面的な拒絶でもない。
信頼の較正である。
9 本稿で重視する思考は、シミュレーションと判断修正である
思考一般をすべてシミュレーションに還元することはできない。
思考には、分類、抽象化、演繹、類推、評価、言語化、対話、身体的判断などが含まれる。
そこで本稿では、教育において不足しやすい思考過程を、次のように操作的に定義する。
状況について作業モデルを構成し、複数の選択肢を作り、条件を変えた結果を予測し、現実や資料との誤差によって判断を更新する過程。
たとえば、
この政策を実施すると、誰が利益を得て誰が費用を負うか
この治療を選択すると、患者の状態はどう変化するか
この外交的対応に、相手国はどう反応するか
この文章の前提を変えても、結論は維持されるか
この仮説が正しければ、次に何が観測されるか
を考える。
この回路は、
状況認識
→仮説
→予測
→判断
→行動
→結果
→フィードバック
→判断修正
として表せる。
シミュレーション教育とは、単にゲームや模擬状況を見せることではない。
選択し、結果を観測し、自分の判断を修正する閉じた回路を経験させることである。
10 AIは託宣機械にも、シミュレーション補助装置にもなる
生成AIに単一の正解を尋ねれば、AIは正解受領型学習を加速する。
しかし、次のように使えば、別の機能を持つ。
競合する複数の仮説を生成させる
各仮説が正しい場合の予測を出させる
反証条件を列挙させる
異なる利害関係者の反応を生成させる
自分の判断への最も強い反論を作らせる
新しい情報を追加し、判断を再評価させる
ただし、AIによるシミュレーションには三種類ある。
言説的シミュレーション
異なる立場、価値観、利害関係者の主張を生成する。
概念的シミュレーション
競合仮説、反例、前提変更後の帰結、必要な観測項目を生成する。
因果的・経験的シミュレーション
政策、医療、経済、感染症、軍事など、現実の時間発展を予測する。
LLM単独で比較的利用しやすいのは、主として最初の二つである。
三つ目には、実測データ、因果モデル、数理モデル、領域知識、外部検証が必要になる。
したがって、
AIはシミュレーション機械である
と権威化するのも誤りである。
より正確には、
AIは仮説空間と言説空間を外化するシミュレーション補助装置になり得る。ただし、生成された物語が現実の因果構造を再現しているとは限らない。
11 評価を成果物から過程へ移せば解決するのか
AI時代には、完成した成果物だけでは思考過程を測れない。
そこで、
初期仮説
参照した資料
AIへの質問
AI回答を採用・拒否した理由
反証条件
修正前後の差分
を評価すべきだという提案が出てくる。
方向としては妥当である。
しかし、すべての学習過程を詳細に評価すれば、教師と学習者双方の負担が爆発する。
これは精神論では解決できない。
必要なのは、全面的な監視ではなく、リスクに応じた抽出評価である。
たとえば、
AIなしで短く説明させる
条件を変えた転移課題を出す
採用・拒否理由を抜き取りで確認する
AIが意図的に誤る監査問題を混ぜる
修正前後の差分だけを提出させる
高リスク課題だけ詳細なプロセス記録を求める
といった設計が考えられる。
評価AIを利用してログを整理することも可能だが、AI生成物をAIだけで評価すれば、別の閉じた託宣回路になる。
人間による抽出監査と、AIなしでの転移課題は残す必要がある。
Brookingsの2026年報告も、生成AIの教育利用を将来の失敗を先取りするpremortemとして検討し、現状では子どもの教育におけるリスクが便益を上回ると評価している一方、利用法と教育設計によって利益にも害にもなり得るとしている。(Brookings)
問題は「AIを使うか、禁止するか」ではない。
どの能力を先に形成し、どの段階でAIを導入し、何を評価するかである。
12 AIと人間の共同認知系は、三つの方向へ分岐する
AI利用を時間発展系として考えると、少なくとも三つの安定状態が見えてくる。
託宣アトラクター
AIが何度か正解する
→AIへの信頼が上がる
→検証努力が減る
→流暢な成果物が得られる
→成果物が高く評価される
→さらにAIへ依存する
生産的外部化アトラクター
下位作業をAIへ委任する
→複数仮説と比較範囲を増やす
→外部資料と照合する
→誤差を発見する
→AIへの信頼を較正する
→人間とAIの作業分担を更新する
過剰懐疑アトラクター
AIの誤答を経験する
→AIを全面的に信用しなくなる
→有効な助言も拒否する
→検証コストが増大する
→AIによる便益を失う
どの方向へ進むかは、個人の意志だけでは決まらない。
AIのインターフェース
不確実性表示
正誤フィードバック
課題の難度
時間制約
評価制度
説明責任
利用者の熟達度
によって分岐する。
現在の多くの生成AIは、一つの質問に対して一つの完成回答を返す。
これは、利用者に仮説生成や比較を促すUIではなく、答えを受け取らせるUIである。
AIが託宣として使用されるのは、利用者の性格だけでなく、製品設計と商業的インセンティブの結果でもある。
結論 AIが露呈させたのは、思考を成果物で測ってきた制度である
生成AIが人間の思考能力を低下させる可能性はある。
認知努力の減少、基礎技能を練習する機会の減少、AIへの過剰信頼が、長期的な能力萎縮へつながる経路は否定できない。
一方で、AI以前の検索や学校教育が、常に仮説形成、検証、判断修正を訓練していたわけでもない。
生成AIが観測させているのは、一つの現象ではない。
以前あった能力の低下
もともと形成されていなかった能力の露呈
認知作業の外部化と再配分
初学者と熟達者の分岐
成果物品質と理解の切断
が同時に起きている可能性がある。
したがって、
AIは人間から思考を奪ったのか
という問いだけでは粗すぎる。
問うべきなのは、
どの認知工程をAIへ委任したのか。
その工程は不要になったのか、それとも形成機会を失ったのか。
空いた認知資源は、検証や統合へ移ったのか、単に使われなくなったのか。
人間単独の能力と、AIを含む共同系の能力を何によって測るのか。
である。
生成AIの固有性は、思考停止を発明したことではない。
検索・読解・統合・文章化を一つのインターフェースへ圧縮し、理解していなくても、考えたように見える成果物を生成できるようにしたことである。
その結果、従来の成果物中心評価では、能力低下、能力未形成、合理的な認知外部化、AIとの協働による能力拡張を区別できなくなった。
露呈したのは、AIだけの危険ではない。
思考を提出物の外形によって代理測定してきた、教育と組織の構造的限界である。
「AIが奪ったのは思考ではない——成果物と能力の対応である」を主タイトルにすると、改定稿の概念核がさらに前面に出ます。
出典URL
1．批判対象の記事
タニグチ・ムネノリ「生成AIは人々を豊かにしているのか？ 世界の研究者が警鐘を鳴らす『思考力低下』の実態」
東洋経済オンライン、2026年7月15日。
https://toyokeizai.net/articles/-/951360?display=b
各ページ：
第4ページ
https://toyokeizai.net/articles/-/951360?page=4
2．知識労働者の批判的思考と生成AI
Lee, H.-P. H., Sarkar, A., Tankelevitch, L., et al.
“The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers.”
CHI 2025.
319人の知識労働者から936件の利用事例を収集した研究です。ただし、能力を直接測定した実験ではなく、批判的思考の実行と努力に関する自己報告調査です。
DOI・正式論文ページ
https://doi.org/10.1145/3706598.3713778
Microsoft Researchの論文ページ
3．LLM作文時のEEG研究
Kosmyna, N., Hauptmann, E., Yuan, Y. T., et al.
“Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task.”
arXiv:2506.08872, 2025.
54人が最初の3セッションに参加し、第4セッションまで完了したのは18人です。LLM群、検索エンジン群、外部ツールなし群を比較しています。現段階では未査読プレプリントです。
概要ページ
https://arxiv.org/abs/2506.08872
https://arxiv.org/pdf/2506.08872
4．上記EEG研究に対する方法論的批評
Stankovic, M., Hirche, E., Kollatzsch, S., & Doetsch, J. N.
“Comment on: Your Brain on ChatGPT: Accumulation of Cognitive Debt When Using an AI Assistant for Essay Writing Tasks.”
arXiv:2601.00856.
小標本、分析の再現可能性、EEG解析、結果報告の不整合、手続の透明性などを問題にした批評です。これ自体もプレプリントです。
概要ページ
https://arxiv.org/abs/2601.00856
https://arxiv.org/pdf/2601.00856
5．「認知的降伏」研究
Shaw, Steven D., & Nave, Gideon.
“Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender.”
Wharton School Working Paper, 2026.
3件の事前登録実験、計1,372人・9,593試行を報告しています。AIの正誤、時間圧力、報酬・フィードバックを扱っていますが、AI／人間専門家などの出所ラベルや、事前に告知する精度の因果効果は分離していません。現段階ではワーキングペーパー／プレプリントです。
SSRN概要ページ
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6097646
https://papers.ssrn.com/sol3/Delivery.cfm/6097646.pdf?abstractid=6097646
DOI
https://doi.org/10.2139/ssrn.6097646
6．Brookingsの教育・生成AI報告
Winthrop, R., et al.
“A New Direction for Students in an AI World: Prosper, Prepare, Protect.”
Brookings Institution, 2026.
将来の教育上の失敗を先回りして検討する「premortem」として構成された総合報告です。長期的因果効果を確定した単一実験ではありませんが、報告自体は現状の導入軌道について、リスクが便益を上回るとの予防的評価を示しています。
報告紹介ページ
概要版PDF
7．シミュレーション教育についての先行稿
「日本人は『判断』と『その修正』の訓練ができていない——必要なのは失敗を含むシミュレーション教育である」
補強に使える基礎文献
8．Google検索と記憶
Sparrow, B., Liu, J., & Wegner, D. M.
“Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips.”
Science, 2011.
情報自体よりも、「どこで再取得できるか」を記憶する傾向を扱った研究です。検索利用者が考えていなかったことを直接証明する研究ではありません。
https://doi.org/10.1126/science.1207745
9．認知的外部化の総説
Risko, E. F., & Gilbert, S. J.
“Cognitive Offloading.”
Trends in Cognitive Sciences, 2016.
外部装置や環境へ認知作業を移すことを、単なる能力喪失ではなく、認知システムの資源配分として整理した総説です。
https://doi.org/10.1016/j.tics.2016.07.002
簡略版
Lee et al., The Impact of Generative AI on Critical Thinking
https://doi.org/10.1145/3706598.3713778Kosmyna et al., Your Brain on ChatGPT
https://arxiv.org/abs/2506.08872Stankovic et al., methodological comment
https://arxiv.org/abs/2601.00856Shaw & Nave, Thinking—Fast, Slow, and Artificial
https://doi.org/10.2139/ssrn.6097646Brookings, A New Direction for Students in an AI World
https://www.brookings.edu/articles/a-new-direction-for-students-in-an-ai-world-prosper-prepare-protect/石部統久「判断とその修正の訓練」
https://note.com/mototchen/n/nd82a4402b315Sparrow et al., Google Effects on Memory
https://doi.org/10.1126/science.1207745Risko & Gilbert, Cognitive Offloading
https://doi.org/10.1016/j.tics.2016.07.002
石部統久・ChatGPT5.６
査読：ChatGPT5.６・Claude Fable5・Grok・Gemini（Parcae Protocol）
