AIで資料作成を自動化すると、人間の思考力は低下するのか？

AIを使えば、数十分から数時間かかっていた要約、構成、文章の下書き、会議資料やスライドの作成を短時間で進められます。実際、生成AIを使った専門職向け文章作成の実験では、作業時間の短縮と成果物品質の改善が確認されています。効率化そのものは想像ではなく、実験で観測されている利益です。

一方で、完成した資料について質問されると、自分では根拠を説明しにくいという状況は理論的には十分起こりえます。だからといって、現時点の科学からAIを使うと人間の思考力が低下すると一般化することはできません。短期的な読解・記憶テスト、数学を自力で解く能力、仕事中に本人が感じる批判的思考努力と、数年単位の一般的な知能・判断力の変化は別の測定対象だからです。

重要な手掛かりを与えるのが、Pia Kreijkesらによる『Computers & Education』Volume 243、2026年4月掲載のランダム化実験です。論文は2025年11月24日にオンライン公開され、英国の14～15歳の生徒405人を募集し、除外基準適用後の344人を分析しました。ノートを自分で作った条件では、LLMだけを使った条件より、3日後の文章理解・情報保持・自由再生の一部で高い成績が得られました。ただし、この研究は長期的な思考力低下を測っていません。

本記事の仮説は、「問題はAIを使うことではなく、どの認知工程をAIに置き換えるかにある」というものです。資料作成の途中にあった、重要な情報を選ぶ、意味を組み直す、疑問を見つける、根拠を調べる、自分の結論をつくるという活動まで省略すれば、成果物は良くても本人の理解が育たない可能性があります。一方、書式、転記、定型文章などをAIに任せ、浮いた時間を検証や問いの設定に使えば、自動化は思考の削減ではなく再配分にもなります。認知的オフローディング研究は、まさにこの何を外部化し、余った資源を何に使うかが重要だと示唆しています。 

AIで資料作成を自動化すると、思考力は低下するのか

AI利用そのものが人間の一般的な思考力を低下させると証明した研究はありません。現在ある強い証拠が示しているのは、より限定された現象です。AIが学習・問題解決の一部を代行すると、AI利用中の成績や成果物は向上する一方、AIを外した後の記憶や自力遂行が不利になる条件があります。逆に、AIを学習支援として設計した場合や、利用条件が異なる場合には学習成果を改善する研究もあります。

したがって、思考力を1つの能力として扱うべきではありません。少なくとも、作る速度、成果物の品質、内容理解、記憶、根拠評価、未知の問題への応用、自分の判断を説明する能力は分けて測る必要があります。NoyとZhangの2023年の実験が示したのは、AIを用いた文章作成で作業時間と成果物評価が改善することです。一方、後の記憶保持や長期的技能形成を主要アウトカムとして測った実験ではありません。

想定場面を考えてみます。職員が過去資料からAIに会議用スライドを作らせ、見栄えの良い資料が完成したとします。会議で「この数字を採用した根拠は」「反対仮説は検討したか」と問われたとき答えられるかどうかは、スライドの完成度とは別の成果です。この区別は、AIによって「成果物を生成する工程」と「作成者が理解を形成する工程」を切り離しやすくなった現在、特に重要になります。

逆方向もあります。書式修正や表記統一に1時間使っていた人がAIで10分に短縮し、残り50分を原典確認や反論検討に使えば、思考量が減ったとは限りません。認知的オフローディング研究では、外部化の価値は、学習目標に不要な負荷を減らせるか、そして節約した資源を有益な活動に再配分するかに依存すると論じられています。

したがって、問いはAIを使ったかではなく、AIによって何をしなくなり、代わりに何をするようになったかです。

人間は情報をまとめる過程で、何を学習しているのか

資料作成が学習につながるのは、手を動かした時間が長いからではありません。重要なのは、情報を選択し、既有知識と結びつけ、自分で説明し、後から取り出そうとする処理です。

ChiとWylieのICAP枠組みは、学習者の関与をPassive、Active、Constructive、Interactiveに分け、受け取るだけより操作する活動、さらに既に与えられた情報を超えて説明や推論を生成する活動、他者と相互に知識を構築する活動の方が深い学習につながる、という仮説を提示しています。これは「クリックした」「文字を書いた」といった外見だけではなく、その活動がどんな知識変化を引き起こすかを問題にします。

この視点から見ると、AIに質問する行為は必ずしも受動的ではありません。「この章を500字に要約して」と頼み、その回答だけを読む場合と、自分の説明を書いたうえで「どこが論理的に弱いか」「反証例を挙げて」と問い、回答を検討して自説を書き直す場合は、同じAI利用でも認知活動が違います。ICAPは生成AIを研究して生まれた理論ではないため、後者が必ず優れると直接証明するものではありませんが、「AI利用＝受動」という単純化を避ける枠組みになります。

Dunloskyらの2013年の大規模レビューも、自分で要約すれば必ず学習に良いという説明を支持していません。要約は実装方法によるばらつきが大きく、要約技能のある学習者には役立ちうる一方、全般的な学習方略としては当時「low utility」と評価されました。自己説明はより広い課題で効果が見られ「moderate utility」、検索練習、つまり答えを見直すだけでなく自分で思い出そうとする練習は「high utility」と評価されています。

ここから重要な違いが出てきます。文章を短くすることと、意味を再構成することは同じではありません。講義資料20ページを5ページに縮めても、その判断をAIがすべて行えば、学習者自身が重要性を選んだとは限りません。反対に、AIが難しい用語を説明し、その後に学習者が本を閉じてなぜそうなるのかを自分の言葉で再現するなら、AIは理解の代行ではなく理解を成立させる足場になります。

したがって、残すべきなのは苦労そのものではありません。書式修正や単純転記のような不要な負担を維持する必要はありません。学習目標と直接結びつく、選択、生成、検索、説明、検証を残すことが重要です。認知的オフローディングのレビューでも、外部化する負荷が学習目標に不要なものであるかどうかを区別する必要性が指摘されています。 

2026年のランダム化実験が示した、AIとノート作成の違い

このテーマで現在特に重要なのが、Pia Kreijkesらの “Effects of LLM use and note-taking on reading comprehension and memory: A randomised experiment in secondary schools” です。『Computers & Education』Volume 243、Article 105514として2026年4月号に収録され、オンライン先行公開日は2025年11月24日です。

研究には英国の10歳、14～15歳の生徒405人が7校から参加しました。3校は非選抜のstate school、2校はgrammar school、2校はindependent schoolで、3つの国にまたがっていました。事前に定めた除外基準を適用すると61人が除外され、最終分析は344人です。

さらに重要なのは、344人全員が3条件をすべて経験した実験ではないことです。参加者は2群に分かれ、LLM条件を共通の基準条件として、1群はLLMとノート、もう1群はLLMと「LLM＋ノート」を経験しました。

比較群	分析人数	同じ生徒の中で比較した条件	主な意味
Group 1	184	LLMのみ ↔ ノートのみ	AI利用と自力ノートの直接比較
Group 2	160	LLMのみ ↔ LLM＋ノート	AI単独と併用の直接比較
探索的比較	2群間	ノートのみ ↔ LLM＋ノート	直接の被験者内比較ではないため慎重な解釈が必要

教材は、Apartheid in South AfricaとCuban Missile Crisisについての約385語の歴史文章で、OpenStax教材を調整したものです。各学習課題には最低10分、最大15分が設定されました。LLM条件ではAzure上のOpenAI GPT-3.5 Turboを使い、最大20プロンプトまで利用できました。現在の最新モデルを用いた研究ではない点は一般化上の重要な制約です。

参加者は学習時点では後でテストされると知らされず、約3日後にテストを受けました。測定されたのは、文章中の情報を保持しているかを見るliteral retention、内容理解を問うcomprehension、手掛かりなしで内容を思い出すfree recallです。3日という期間は短期の直後テストより記憶保持を見やすくする一方、数か月・数年の技能変化とは全く別です。

結果は明瞭ですが、指標ごとに違います。

ノートのみはLLMのみより、literal retentionで β=1.92、95％CI [1.42, 2.42]、p<.001、d=.44、comprehensionで β=.95、95％CI [.62, 1.28]、p<.001、d=.38、free recallでも β=1.02、95％CI [.18, 1.86]、p=.017、d=.21と高成績でした。

「LLM＋ノート」もLLMのみより、literal retentionで β=.57、p=.040、d=.13、comprehensionで β=.35、p=.048、d=.14と小さいながら高い結果でした。しかしfree recallでは β=-.08、p=.854、d=-.02で有意差がありませんでした。つまりAIにノートを足せば全指標が改善したとは言えません。

ノートのみと「LLM＋ノート」の違いについて、研究者は両群のLLM基準条件に対する差を利用した探索的な間接比較を行い、literal retentionとcomprehensionではノート単独の優位幅の方が大きいという結果を報告しました。しかし、同じ生徒が両条件を直接経験した比較ではありません。研究者自身もこの間接比較を慎重に扱っています。

興味深いのは主観評価です。Group 1では42.0％がLLMを好み、26.9％がノートを好みました。Group 2では50.5％が「LLM＋ノート」を好み、LLM単独は16.2％でした。LLMは「理解に役立つ」「質問に答えてくれる」「簡単」と評価される傾向がありましたが、客観的な3日後成績ではノート条件が優位でした。便利さの感覚が無価値なのではありません。使いやすさ、時間、主観的理解感と、後で自力で再現できることは別の成果だという意味です。

この研究には、受動的に読むだけの対照群がない、最新LLMではない、単発の学習活動である、LLMの使い方が能動的だったか受動的だったか完全には分離できない、成人の仕事ではない、といった限界があります。したがってAIで人間の思考力低下が証明されたという表現は不正確です。 

認知的オフローディングは、人間を賢くするのか、考えなくさせるのか

外部に任せることは、AI時代に突然生まれた行動ではありません。RiskoとGilbertは認知的オフローディングを、身体的行動や外部環境を利用して認知的要求を減らす行為として整理しています。予定をカレンダーに書く、メモを残す、GPSで道順を確認する、情報を外部に保存することなどが典型です。

外部化には明確な利点があります。記憶し続ける必要をなくせば、注意やワーキングメモリを別の作業に使えます。外部に保存された情報は内部記憶より安定している場合もあります。また、認知支援を必要とする人にとって外部ツールは能力を補完する役割を果たします。

ただし、外部化されるものは同じではありません。

メモは主として情報の保持を外部化します。電卓は計算の実行を外部化します。検索エンジンは主に情報への到達を外部化します。生成AIはそれらに加え、「何が重要か」「どう解釈できるか」「どんな結論が考えられるか」という意味処理まで代行できる点が特徴です。後半の区別はRiskoとGilbertがLLMについて直接実験した結果ではなく、同論文の枠組みを生成AIへ適用した本記事の分析です。

外部化を使うかどうかは客観的能力だけでも決まりません。Riskoらがレビューした研究では、自分の記憶への自信など、メタ認知的評価が外部化の選択に影響します。必要がなくても外部化したり、外部化の利益を過大評価したりする場合もあります。

さらに、GPSなどへの依存では、課題遂行は改善しても内部記憶が弱くなる例があります。RiskoとGilbertは、外部化が内部能力やその能力への自信を変え、さらに外部化を選びやすくする自己強化的な循環の可能性を論じています。ただし長期的影響については、同レビュー自身が重要な未解決課題としています。

AIについても重要なのは、何の負荷を減らしたかです。書式統一を省略した結果、根拠検証へ集中できれば有益です。反対に、学びたい概念そのものの比較・推論まで省略すると、学習目標に必要な処理を外部化することになります。

この条件依存性は、近年の生成AI教育研究とも整合します。Dengらが2022～2024年に発表された69件の実験研究をまとめた2025年の系統的レビュー・メタ分析では、全体としてChatGPT介入は学業成績、情動・動機面、高次思考の傾向にプラスの結果を示しました。一方、研究の多くが大学教育に偏り、検出力分析や介入後評価など方法上の問題もあるため、著者ら自身が慎重な解釈を求めています。

つまり認知的オフローディングは、それ自体が衰退でも進歩でもありません。外部化した工程、残った工程、その後の資源配分、最終的に自力で何をする必要があるかによって意味が変わります。

なぜAIで資料が速く完成しても、判断力が高まったとは限らないのか

生成AIについて一見矛盾した研究結果が出る最大の理由の1つは、測っている成果が違うことです。

NoyとZhangの2023年のランダム化実験では453人の大卒専門職が職業に関連する文章作成課題に取り組み、ChatGPT利用によって平均所要時間が40％短縮し、評価された成果物品質は18％改善しました。これは、特定の文章作成業務において生成AIが実用的な生産性を上げうる強い証拠です。

一方、トルコの高校で約1,000人を対象にしたBastaniらの2025年PNAS論文では、GPT-4を利用した数学練習で、通常型のGPT Base群は練習問題の成績が対照群より48％高く、学習を促すガードレールを組み込んだGPT Tutor群では127％高くなりました。しかしAIを外した試験では、GPT Base群は対照群より17％低い成績でした。GPT Tutor群ではこの負の効果はほぼ解消しましたが、対照群を上回る明確な効果までは得られていません。

これは生産性研究と学習研究のどちらかが間違っているという話ではありません。AIと一緒に仕事をしたときの成果と、AIなしで後から本人が遂行できる能力を測れば、異なる結論になって当然です。

本記事では、この違いを次の2軸で整理します。これは実験データから作られた分類ではなく、分析のための概念枠です。

状態	成果物の品質	作成者の理解	実務上の意味
A	高い	高い	理想的。高品質で説明・修正もできる
B	高い	低い	AI時代に特に見落としやすい
C	低い	高い	理解はあるが表現・制作支援の余地がある
D	低い	低い	成果物・能力の双方に課題

特に問題になるのはBです。新人社員がAIで完成度の高い企画書を作ったが、市場規模の数字の出所や、競合比較で除外した企業を説明できないという仮想場面を考えられます。これは新人だから起きるという意味ではありません。AI利用の設計、教育、元知識、時間制約によって熟練者にも起こりえます。

ここでBainbridgeが1983年に産業自動化について示した自動化の皮肉が参考になります。自動化によって容易な部分を機械に移すと、人間には監督、診断、異常時対応という難しい仕事が残ります。しかし通常作業に関与しないほど、人間はその難しい仕事に必要な状況知識や技能を実務中に練習しにくくなります。これは工場・制御システムの分析であり、生成AIの資料作成を直接証明した研究ではありません。

ParasuramanとManzeyのレビューも、判断支援が不完全なとき、人間が自動化に従うことで見逃しや誤った採用が起こる自動化バイアスを整理しています。初心者だけの問題ではなく、熟練者にも観測されるとされています。

生成AIへの接続は類推ですが重要です。滑らかな文章は、どこが未確定で、どこを疑うべきかという手掛かりを減らす場合があります。最終確認を人間に残すだけでは十分ではありません。何が怪しいかを判断するには、元の領域知識や原資料へ戻れる環境が必要だからです。

AIによる自動化で、失われる可能性がある学習機会

AIによって最も失われやすいのは資料を作る途中で自然に発生していた判断の経験です。

第1は、重要性を選ぶ経験です。自分で10ページから1ページの要点を作るなら、「これは主張か例か」「この数字は結論に必要か」と判断します。AIが最初に完成要約を提示すると、その選別を読む側が追認するだけになる可能性があります。Kreijkesらの実験で、LLM単独よりノート作成条件の3日後成績が高かったことは、この種の能動的・生成的処理が関係している可能性と整合しますが、実験はその因果メカニズムそのものを直接分離して測定したわけではありません。

第2は、矛盾や不足を発見する経験です。複数資料から自分で報告書を組み立てると、「A資料とB資料で母数が違う」「この結論を支えるデータがない」といった摩擦に遭遇します。AIが統一された文章へ変換すると、その摩擦が見えにくくなる可能性があります。これは現時点では資料作成全般について確立した効果ではなく、自動化研究と生成AIの特性から導く仮説です。

第3は、自分の言葉で再構成する経験です。自己説明研究では、学習者自身が理由や関係を説明する活動は幅広い課題で学習を支える結果があります。一方、Dunloskyらのレビューでは、完成した説明へ容易にアクセスできると、学習者自身の自己説明が弱くなった研究も紹介されています。これはAIの直接研究ではありませんが、答えを提供するタイミングが重要だという示唆になります。

ただしAIは、新しい学習機会も作れます。説明を理解度に合わせて言い換える、反例を生成する、自分の主張への反論役になる、練習問題を作る、フィードバックする、といった役割です。Dengらのメタ分析が全体として肯定的な学習効果を示したことや、Bastaniらの研究で学習支援型GPT Tutorが無制限型GPT Baseの不利を大幅に緩和したことは、生成AIだから悪いのではなく設計と利用行動が重要であることを示します。

さらに2026年のZhi、Kumar、LeeによるCHI研究では、393人の被験者間実験で、実社会を模した文書群から判断を下す課題において、LLMを使えるタイミングと時間制約の相互作用が調べられました。時間不足では早期からLLMを利用できる方が成績を助けた一方、十分な時間がある条件では、最初に自力で取り組むlate/no-LLM側が有利になるという時間的反転が報告されています。単一研究ではありますが、AI先行・人間先行の効果が課題時間によって変わりうる直接的な証拠です。

したがって、失われるのは必ずしも技能そのものではありません。まず減るのは技能を使う機会です。それが長期的な技能低下につながるかは、利用頻度、訓練、他の課題、期間によって決まり、現在の研究ではまだ十分に分かっていません。

資料作成のどこをAIに任せ、どこを人間に残すべきか

合理的な分担基準はAIができるかではなく、その工程を人間が経験すること自体に価値があるかです。以下は学習心理学、自動化研究、生成AI研究を統合した実務提案であり、表の各分類を丸ごと比較検証した実験研究があるわけではありません。

作業	AIに任せる適性	人間が確認・担当すべき内容
文字起こし	条件付きで高い	固有名詞、数字、決定事項、発言帰属
書式統一	高い	組織様式、提出要件
情報の要約	目的による	要点の妥当性、欠落、自分の理解
論点整理	共同作業が有効な場合がある	重要性、優先順位、前提
根拠の評価	補助として利用	原典、研究デザイン、証拠の強さ
結論の決定	判断材料整理に利用	目的、価値判断、責任、最終判断

学習が目的なら、人間の初期処理を残す価値が高くなります。大学の講義内容を学ぶ学生なら、最初からAI要約だけを読むより、まず「重要だと思った点」「理解できない点」を自分で書き、その後AIに説明や反論を求め、最後に資料を閉じて自分で再現する方が、自己説明・検索練習の知見と整合します。ただし、この一連の方法全体を比較した試験で最適と証明されているわけではありません。

定型的な会議資料なら逆です。過去議事録の整形、定例フォーマット、言い回しの統一をAIへ移す合理性は高いでしょう。重要なのは、決裁に影響する数字、選択肢、反対意見、未解決事項を人間が確認することです。

企画書のように新しい判断を作る資料では、3つの方式を使い分けられます。これは本記事独自の実務分類です。

AI先行型は、AIが先に要約・構成・案を出し、人間が修正します。納期が厳しく、既知領域の定型資料では合理的です。ただし、初期の問題設定までAIの枠に引っ張られやすい可能性があります。

人間先行型は、人間が目的、仮説、疑問、重要数字を先に書き、その後AIを利用します。新しい知識を学ぶ場合や、本人の理解形成自体が目的の場合に向きます。Zhiらの2026年実験は、十分な時間がある特定の判断課題ではまず自分で取り組む条件が有利になりうることを示していますが、資料作成一般での順位を証明するものではありません。

交互検証型は、「自分の仮説→AIによる反論・不足点→原典確認→自分の再判断」という形です。高リスクな企画や説明責任のある資料に適した設計仮説です。AIを「答えをくれる機械」より「反論を増やす道具」として使うため、認知的関与を残しやすいと考えられます。

実務では次の5段階が扱いやすいでしょう。

1. まず資料の目的と、自分が答えるべき問いを決めます。
2. 重要資料では、AI利用前または利用途中に、自分の理解・仮説・不明点を書き出します。
3. AIには構成案、要約だけでなく、反論、欠落、別解を出させます。
4. 結論に影響する重要主張は、AIの説明ではなく一次資料で確認します。
5. 最後にAIの出力を閉じ、自分の言葉で「結論・理由・重要な根拠・不確実性」を説明してみます。

最後の工程は検索練習と自己説明の考え方を実務へ応用したものです。

文部科学省のVer.2.0も、生成AIを利用すること自体を目的にせず、教育目的に寄与するかを判断し、生成AIの出力を参考の一つと認識して最終的には人間が判断・責任を持つという人間中心の考え方を示しています。また、学習場面では生成AIの誤りを教材として検討する使い方や、議論後に不足視点を探す使い方を例示する一方、十分な情報活用能力が育っていない段階で自由利用させることなどを不適切例に挙げています。これは政策上の推奨であり、個別の学習効果を証明した実験結果ではありません。

UNESCOも、2023年の生成AI教育ガイダンスと2024年の学生AIコンピテンシー枠組みで、人間中心の利用、主体性、倫理、AIを批判的に評価する力を重視しています。こちらも実験結果ではなく、教育政策・能力設計の枠組みです。

そして機密資料、個人情報、未公開情報を扱う場合は、能力形成の問題より先に、所属組織・学校が認めた環境と利用規程に従う必要があります。

AI時代に残すべきなのは、手作業ではなく「自分で判断できる状態」

ここまでの証拠から最も慎重に言える結論は明確です。AIで資料作成を自動化すること自体が、人間の思考力を低下させるとは言えません。しかし、学習・判断に必要だった認知工程までAIが代替し、それを別の有益な思考活動で補わない場合、特定の理解、記憶、自力遂行の形成が弱くなる条件は実験で確認されています。

Kreijkesらの2026年実験では、LLMだけを利用した場合より、自分でノートを作った場合の3日後の理解・記憶成績が良好でした。Bastaniらの数学実験では、AI利用中の成績向上と、AIを外した後の成績低下が同時に起こりました。一方、Dengらの69研究のレビューでは生成AI利用が全体として学習成果を改善する結果も得られています。これらは矛盾ではありません。利用方法、課題、支援設計、測定時点、測定対象が違うからです。

仕事でも同じ区別が必要です。AIで文章を速く作れることは、本物の生産性利益です。NoyとZhangの研究結果を「学習を測っていないから意味がない」と退けるべきではありません。同時に、速く作れたことから「本人の判断力まで高まった」と推定することもできません。

したがって、AI時代に守るべきなのは、必要な場面でAIなしでも要点を説明できる、AIの結論を疑える、根拠へ戻れる、別の結論を選べる、自分がどこまで理解していないかを把握できる状態です。

自動化の目的も変わります。人間の作業をできるだけゼロにすることだけが最適化ではありません。学習する仕事では、あえて人間に選択や説明を残す。定型業務では積極的に自動化する。重大な判断ではAIに反論と情報整理をさせながら、証拠評価と最終判断を人間が担う。このように、目的に合わせて認知工程そのものを設計することが、効率化と能力形成を両立させる現実的な方向です。

AI時代の資料作成で評価すべきものが、完成した文書だけではなくなったとも言えます。

資料を作る能力そのものより、資料の中身を理解し、疑い、説明できる能力が重要になるとすれば、私たちは何をもって「仕事ができる」と評価するべきなのでしょうか。

よくある疑問Q&A

Q. AIを使うと本当に思考力が低下しますか？

一般的な思考能力が恒久的に低下するという因果証拠はありません。確認されているのは、特定の学習課題で、AIが行っていた処理を後から本人だけで再現する成績が悪くなる場合があることです。逆に学習支援として適切に設計されたAIでは不利が軽減された研究や、学習成果が向上した研究もあります。 

Q. ChatGPTで要約して勉強しても問題ありませんか？

AI要約を使うこと自体が問題なのではありません。ただ読むだけで終えるより、要約の欠落を探す、自分の言葉で説明し直す、資料を閉じて思い出す、といった活動を組み合わせた方が、自己説明・検索練習の知見と整合します。 

Q. 手書きノートの方が学習効果は高いですか？

常に手書きが優れるとは言えません。MuellerとOppenheimerの2014年研究は、ラップトップ利用では逐語的転記が増え、概念問題で手書き群が有利になる結果を報告しましたが、本記事の中心論点は筆記具の種類ではなく、情報をそのまま写すのか、意味を選び直して再構成するのかです。2026年のKreijkesらの研究も「紙の手書きvsキーボード」を検証した研究ではありません。 

Q. AIが作った資料を読むだけでも理解できますか？

一定の初期理解には役立ちえますが、分かりやすく感じたことと、後で自分で再現できることは同じではありません。Kreijkesらの研究ではLLM利用は主観的に好まれやすかった一方、3日後の複数の学習指標ではノート条件が上回りました。 

Q. AIで仕事を効率化することは悪いことですか？

いいえ。453人を対象にした実験では、専門職の文章作成で大きな時間短縮と成果物品質の改善が確認されています。問題は効率化ではなく、本人が後で必要とする技能まで同時に省略してしまうかどうかです。 

Q. AIに任せやすい資料作成作業は何ですか？

表記統一、定型フォーマット、文章の整形、既知情報からの初稿など、本人が習得する必要性が低い工程は比較的自動化しやすいと考えられます。一方、重要情報の選択、証拠評価、反論検討、最終判断は、説明責任や学習目的があるほど人間の関与を残す合理性が高まります。これは研究知見を応用した実務上の判断枠で、各作業の最適分担を直接比較した実験結果ではありません。

Q. AIを使いながら考える力を維持するには？

重要課題では、AIを見る前に自分の仮説を短く書き、AIには答えだけでなく反論や不足論点を求め、重要事実を原典で確認し、最後にAIを閉じて自分で説明する方法が考えられます。自己説明・検索練習・認知的関与の研究を統合した実践案です。 

Q. 子ども・学生と社会人では影響が違いますか？

同じだとは言えません。Kreijkesらは14～15歳、Bastaniらは高校生、Barcauiは大学生を対象としており、仕事上の専門知識を持つ成人とは既有知識、目的、動機、評価方法が違います。成人知識労働者については、Leeらの研究は319人の実務事例を扱っていますが自己報告調査であり、長期的能力変化を測定していません。 

Q. AIが出した内容を最後に人間が確認すれば十分ですか？

必ずしもそうではありません。自動化研究では、判断支援への過信は初心者だけでなく熟練者にも起きうると整理されています。正しく検証するには、領域知識や一次資料へアクセスし、何を確認すべきか判断する能力自体が必要です。 

参考

Kreijkes, Pia, et al.｜Effects of LLM use and note-taking on reading comprehension and memory: A randomised experiment in secondary schools｜オンライン公開2025年11月24日、Computers & Education Volume 243・2026年4月｜対象者、研究デザイン、LLM・ノート条件、3日後の記憶・理解・自由再生、主観評価、限界を確認。
URL：https://doi.org/10.1016/j.compedu.2025.105514
URL：https://www.sciencedirect.com/science/article/pii/S0360131525002829

Risko, Evan F. & Gilbert, Sam J.｜Cognitive Offloading｜2016年｜認知的オフローディングの定義、メタ認知、利益とコスト、学習目標と不要な負荷の区別を確認。著者公開版全文を確認。
URL：https://doi.org/10.1016/j.tics.2016.07.002

Dunlosky, John, et al.｜Improving Students’ Learning With Effective Learning Techniques: Promising Directions From Cognitive and Educational Psychology｜2013年｜要約、自己説明、検索練習など学習方略の証拠水準と限界を確認。
URL：https://doi.org/10.1177/1529100612453266

Chi, Michelene T. H. & Wylie, Ruth｜The ICAP Framework: Linking Cognitive Engagement to Active Learning Outcomes｜2014年10月28日オンライン公開｜Passive、Active、Constructive、Interactiveの区別とI>C>A>P仮説、適用上の留保を確認。
URL：https://doi.org/10.1080/00461520.2014.965823

Mueller, Pam A. & Oppenheimer, Daniel M.｜The Pen Is Mightier Than the Keyboard: Advantages of Longhand Over Laptop Note Taking｜2014年｜手書き・ラップトップ、逐語的転記、概念理解の研究として確認。本記事では「手書き一般の優越」の根拠には使用していません。
URL：https://doi.org/10.1177/0956797614524581

Noy, Shakked & Zhang, Whitney｜Experimental evidence on the productivity effects of generative artificial intelligence｜2023年7月｜453人の専門職を対象とした文章作成実験、時間40％短縮、品質18％改善を確認。
URL：https://doi.org/10.1126/science.adh2586

Bainbridge, Lisanne｜Ironies of automation｜1983年｜自動化後に残る監督・異常対応、技能維持、容易な工程を自動化することで人間の仕事が難しくなりうる問題を確認。生成AIへの接続は本記事の異分野分析。
URL：https://doi.org/10.1016/0005-1098(83)90046-8

Parasuraman, Raja & Manzey, Dietrich H.｜Complacency and Bias in Human Use of Automation: An Attentional Integration｜2010年6月｜自動化への過信、自動化バイアス、注意配分、初心者・熟練者双方での現象を確認。
URL：https://doi.org/10.1177/0018720810376055

Lee, Hao-Ping, 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、2025年4月｜319人、936事例、AIへの信頼と自己報告の批判的思考、検証・統合・監督への役割変化、自己報告研究としての限界を確認。
URL：https://doi.org/10.1145/3706598.3713778
URL：https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/

Bastani, Hamsa, et al.｜Generative AI without guardrails can harm learning: Evidence from high school mathematics｜2025年6月25日オンライン公開｜トルコ高校の大規模RCT、GPT Base・GPT Tutor・対照群、AI利用中とAIなし試験の違いを確認。2025年8月の訂正情報も確認。
URL：https://doi.org/10.1073/pnas.2422633122
URL：https://www.pnas.org/doi/10.1073/pnas.2422633122

Deng, Ruiqi, Jiang, Maoli, Yu, Xinlu, Lu, Yuyan & Liu, Shasha｜Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies｜2025年4月｜2022～2024年の69研究、全体的な学習成果と方法論的限界を確認。
URL：https://doi.org/10.1016/j.compedu.2024.105224

Barcaui, André｜ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention｜2025年｜大学生120人を無作為化し、45日後の知識保持を測定した研究。原論文のScienceDirect全文は今回の調査環境から直接取得できず、書誌情報と結果はStanford Graduate School of Education SCALE Initiativeによる研究リポジトリで確認したため、中心的証拠ではなく補助証拠として扱いました。リポジトリでは45日後テストに参加した分析上の自由度から欠測の存在が示唆され、AI群57.5％、従来学習群68.5％、p=.002、d=.68と報告されています。
URL：https://doi.org/10.1016/j.ssaho.2025.102287
URL：https://www.sciencedirect.com/science/article/pii/S2590291125010186

Zhi, Jiayin, Kumar, Harsh & Lee, Mina｜Investigating the Effects of LLM Use on Critical Thinking Under Time Constraints: Access Timing and Time Availability｜CHI 2026｜393人の被験者間実験、LLMアクセス時期と利用可能時間の相互作用を確認。ACM掲載情報とarXiv版を確認。
URL：https://doi.org/10.1145/3772318.3791796
URL：https://arxiv.org/abs/2603.08849

文部科学省 初等中等教育局｜初等中等教育段階における生成AIの利活用に関するガイドライン Ver.2.0｜2024年12月26日｜人間中心、情報活用能力、学習活動と校務、適切・不適切な利用例を確認。
URL：https://www.mext.go.jp/content/20241226-mxt_shuukyo02-000030823_001.pdf
URL：https://www.mext.go.jp/zyoukatsu/ai/

UNESCO｜Guidance for generative AI in education and research｜2023年9月7日、公式ページ最終更新2026年1月16日｜人間中心の生成AI教育利用、能力形成と政策設計を確認。
URL：https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research

UNESCO｜AI competency framework for students｜2024年8月8日、公式ページ最終更新2026年1月16日｜人間中心、AI倫理、AI基礎、AIを批判的に判断する能力を確認。
URL：https://www.unesco.org/en/articles/ai-competency-framework-students