サンフランシスコのある起業イベントで、ある男が胸に二指幅の金属の小さなカプセルを着けていた。友人が好奇心からこれが何かと尋ねると、男はこれがマイクだと言い、自分はこれを一日中身に着けて録音し、夜にその音声をAIに放り込んで要約・分析させているのだと答えた。話が盛り上がったところで、彼は背筋が凍るような言葉を漏らした。「Claudeの方が僕より賢いし、批判的思考も僕より得意だから、今はすべての思考をあいつに任せている。」
これはSF小説ではない。これは2026年7月14日、AI研究者のYennie Junが記事『Are we offloading too much of our thinking to AI?』の中で記録した本当の出来事だ。記事が公開されたその日、Hacker Newsのトップに躍り出た——353人の投票、356件のコメントを集め、その日の最もホットな話題となった。最も支持されたコメントの一つはこう書いていた。「電卓で足し算をするなら、あなたはあなたのままだ。だがもしあなたが大部分の思考をAIに任せるなら——あなたに残るものは何か？」
この問いは多くの人々の頭上にぶら下がっている。ただ、大半の人はまだ自分自身にこの問いを投げかけていないだけだ。
電卓はあなたを馬鹿にしなかった、AIならどうして？
反対派が最もよく使う例えは電卓だ。「昔、電卓が出てきた時も、生徒は馬鹿になるとみんなが言ったが、結果はどうだ。数学教育はかえって暗記から概念理解へと向かった。」このロジックはもっともらしく聞こえる——電卓が人類の数学能力を滅ぼさなかったのだから、AIが人類の思考能力を滅ぼすこともないだろう、と。
だが、そこには覆い隠された決定的な違いがある。
電卓があなたの代わりにやるのは算術——規則が明確で、境界がはっきりとした操作だ。2足す2は4、sin(30°)は0.5、曖昧な余地はない。さらに重要なのは、電卓は「何を計算するか」「なぜ計算するか」「計算結果が何を意味するか」についてのいかなる判断も代わりにしない、ということだ。これらの判断・推理・斟酌——思考の中核的なプロセス——は、依然としてあなたの頭の中に残る。
AIがあなたの代わりにやるのは、まったく別のものだ。AIはあなたの代わりに情報源を評価し、あなたの代わりにどの論点がより説得力があるかを判断し、あなたの代わりに論証構造を組み立て、あなたの代わりに結論の方向を決める。これらは補助的な操作ではない——それ自体が思考なのだ。
西オーストラリア大学の研究者たちは2025年の論文で、「電卓の類推」の五つの弱点を体系的に解体した。その中で最も核心的な一つは、電卓は数学という狭い領域でしか働かないのに対し、言語モデルには固定された境界がない——「理論上、あらゆる種類の認知タスクをそれに委ねられる」という点だ。もう一つ同じくらい重要なのは、電卓はハルシネーションを起こさず、自信たっぷりな口調で存在しない事実をでっち上げず、出力に学習データの文化的偏見を埋め込まない、という点だ。
筆者は2025年にMDPI誌『Societies』で発表された実証研究を一つ調べた。研究チームは666名の参加者に対しアンケート調査と深度インタビューを行い、AIツールの使用頻度と自己申告の批判的思考能力との間に、統計的に有意な負の相関があることを発見した。具体的に言えば、AIツールをより頻繁に使う人ほど、「情報の信頼性を評価する」「論証の欠陥を見抜く」「独立して判断を形成する」という三つの次元での自己評価が低かった。研究の著者らはこの現象を認知アンロード（解放）の媒介効果と定義した——AIが思考の中間ステップを代わりにやってしまうため、あなたはこれらのステップを練習する機会を失うのだ。
これは、一度も走らない人間が突然5kmを走るよう求められたようなものだ——筋肉は使われないために萎縮し、走る能力はそれとともに消え去る。思考の筋肉もまた、使えば栄え、使わねば廃るという原則に従う。恐ろしいのは、体力の退化なら感じ取れる（息切れ、足のだるさ）が、思考の退化は問題が起きる前はまったく無自覚であることだ——AIのいない場で独立した判断を下さねばならない時になって、初めて自分がどう考えていいかわからなくなっていることに気づく。
教師の窓口：すべての生徒がAを取っても、何も学んでいない時
Yennie Junは記事の中で一つのディテールを語っている。彼女の母親はオンライン大学で物理を教えているが、最近ある不安なパターンに気づいた。大半の生徒の課題回答がほとんど瓜二つ——まるで全員が同じAIツールに同じ問題を貼り付け、そのまま丸写しで返してきたかのようだ。回答はかなり網羅的で、採点基準から見て文句のつけようがなく、だから大半の生徒はAを取った。だが彼女にはわかっていた。これらの生徒は何も学んでいないのだと。
AIは完璧な答えを生み出せるが、そのプロセスでどうやってその答えを導き出すかは教えてくれない。どの公式か。なぜその公式を選ぶか。他の経路はあるか。境界条件は何か。一つの変数を変えたらどうなるか——これらの問いが物理教育の中核だが、AIの出力はそれらすべてを飛び越えてしまう。
「AIが強いほど、学習は弱い」という現象は孤例ではない。ハーバード大学の2025年の研究は、AI補助を許可された授業において、学生の期末試験の成績が平均して約半段階（半字母）低下し、その低下幅は学生のAIへの依存度と正比例することを発見した。注目すべきは、「AIから多くを学んだと自認する」学生ほど、実際の試験成績がかえって悪かったことだ——AIが提示する流暢な説明が「わかった」という虚偽の感覚を作り出すが、この感覚は本当に独立した推理を必要とする試練には耐えられないのだ。
一つの実験：先に考え、それから尋ねよ
Yennie Junは記事の中で一人の体験を共有している。彼女がポルトガルを旅した時、妹とともに「発見者記念碑」——ポルトガルの大航海時代を記念するランドマーク——を訪れた。二人は困惑した。なぜポルトガルは自国の植民地支配の歴史をこれほど誇っているのか？ アメリカではコロンブスはとっくに「キャンセル」されているのに、ポルトガル人はヘンリー王子を熱狂的に崇拝しているように見える。
妹がスマホを取り出した。「ChatGPTに聞いてみよう。」
Yennieは先に聞かずに、自分で考えてみるよう提案した。二人は推測し始めた。ポルトガルはアメリカより均質で、より宗教的だからではないか。大航海はポルトガルの民族叙事の中で最も輝く一章だから、この歴史を選択的に美化したのではないか。二人は推測し、推理し、互いに反駁し、高校で習った歴史のディテールを思い出した。二人は多くの推測が間違っているかもしれないと知っていた——それ自体が練習の一部なのだ。
最後に二人はAIに尋ねた。AIの答えは大部分の推測を裏付け、二人が考えつかなかったいくつかの視点を補い、また二人が依然として妥当だと考えていたいくつかの可能性を見落としてもいた。
この実験の価値は最終的な答えにはない。価値はその「まず推測する」プロセスにある。 もし直接AIに尋ねれば、答えは一秒以内に画面に現れ、あなたはそれを読み、うなずき、そして忘れる。だが先に自分で考えていれば——たとえ考えが穴だらけでも——AIの答えはもはや一つの結論ではなく、あなたが対話できる対象になるのだ。ここは私も考えていた、ここは私は考慮していなかった、この説明はあまり説得力を感じない、と。
Hacker Newsで繰り返し引用されたコメントが、有用な枠組みを提示していた。コメンテーターのjvanderbotはAIの使用を二つのモードに分けた。**「whisper earring（囁きイヤリング）」と「exoskeleton（外骨格）」**だ。whisper earringモードとは、AIに方向性を求めること——「今私はどうすべき？」「問題はどこにあると思う？」——あなたは思考の主導権を手放し、AIが代わりに判断する。exoskeletonモードとは、あなたがすでに明確な考えを持っており、AIに実行を加速させること——「この構造でそのアルゴリズムを実装して」「このスタイルでその文章を翻訳して」——あなたは判断を保ち、AIは単にあなたの手を伸ばすだけだ。
whisper earringは人を萎縮させる。exoskeletonは人を強くする。その違いはこうだ。あなたがAIを自分の頭の中にねじ込む前に、自分の頭の中で考えたことがあるか、だ。
コインの裏側：AIは確かに大いに助けになっている
公平に言えば、AIによる生産性向上は本物だ。Yennie Junは記事でいくつかの例を挙げている。彼女の従姉妹はGeminiを使って長文の英語レポートを韓国語に翻訳し、仕事の効率を大きく上げた。彼女の友人はChatGPTを個別チューターとして使い、数か月で生化学をゼロから学び終えた。彼女自身もAIを使って個人データを分析し、手動ではなかなか発見できないパターンを多く掘り起こした。
これらの例には共通点がある。AIが加速させるのは「すでに身につけた技能」の実行効率であり、人が「まだ身につけていない技能」を代わりに学ぶことではない。 従姉妹はもともと韓国語も英語もできるので、AIは単に一語ずつの翻訳という力仕事を飛ばさせてくれただけだ。Yennie自身も、何のデータを分析するか、何を問うかはっきりわかっており、AIは実行層のアクセラレータでしかなかった。
問題は、AIを自分の不慣れな領域に置いた時にはじめて起きる。
たとえば、よく理解していない法的契約をAIにレビューさせる場合。AIは流暢に「この条項にはリスクがあるかもしれない」と教えてくれるが、あなたは条文の原文を自分で読んでおらず、法的枠組みの中でリスクの経路を推理しておらず、異なる文言の違いを比較してもいない。あなたが得るのはリスクについての感覚であり、リスクについての理解ではない。次に別の場面で似たような条項構造に出くわしても、あなたはおそらくまったく見分けられない——前回、リスクがどういう姿をしているかを本当に「学んで」いないので、単に一つの結論を受け取っただけだからだ。
これもまた、AIヘビーユーザーが「何を学んだか」と問われた時にしばしばうまく答えられない理由を説明している——彼らは確かに多くのことを「やり遂げた」が、知識は彼らの脳内に沈殿していないのだ。生産性は学習力に等しくない。この二つの事柄はAI時代にあって加速的に乖離しつつある。
「私は走るのは苦手だが、思考だけが俺に残されたものだ」
Hacker Newsで、あるコメントが大きな共感を集めた。コメンテーターのzerobeesはこう書いていた。「私は重量挙げも走るのも苦手だ。だから思考だけが俺に残されたものなんだ。」この言葉の裏には、より深い不安がある。もし思考——人類の文明全体がそれの上に築かれているこの能力——さえも簡単に外注できてしまうなら、種としての人間の独自性に残るものは何か？
筆者の判断では、答えは「どの層で使うか」にあるかもしれない。現段階の研究は、曖昧だが方向感のある一つの境界線を描きつつある。AIを「すでにできる」ことに使い、効率の増幅器としよう。AIを「まだできない」ことに使う時は、「先に考えてから尋ねる」という規律を保とう。
これは非黒白の問題ではない。あなたがすべてのAI補助を拒絶する必要も、できる必要もない。だが、あなたはそれに代わりに答えさせる前に、自分に三十秒与えることを選べる。もし私だけだったら、どう答えるだろうか、と。
あのサンフランシスコのマイク男は、もしある日デバイスの電池が切れるか、AIのサービスがダウンしたら、目の前の人に何を言えばいいかまだ知っているだろうか。
本稿の素材は、Yennie JunがArt Fish Intelligenceに発表した原文、Hacker News上の関連議論、および複数の既発表の認知科学実証研究に由来する。筆者は上記研究プロジェクトに直接参加しておらず、一部の判断は公開情報の解釈に基づいており、偏りがあり得る。この話題についての一次的な経験や異なる視点があれば、議論を歓迎する。
参考リンク
- Yennie Jun, “Are we offloading too much of our thinking to AI?”, Art Fish Intelligence (Substack), 2026-07-14
- Hacker News 議論スレッド
- Gerlich, M., “AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking”, Societies (MDPI), 2025
- “Generative AI is not a ‘calculator for words’. 5 reasons why this idea is misleading”, The Conversation, 2025-08-18
- Javier Santana, “AI and the calculator analogy”, Kognitivo (Substack), 2025-08-07
- METR, “Task-Completion Time Horizons of Frontier AI Models”, 2025
- フロリダ州立大学, “AI高頻度語が人間の口語語彙に浸透する研究”, 2025