生成AIで思考力は低下する？研究で見るAI依存の危険信号

AI依存で考える力は？研究データ、理解の差、職場の危険信号 AI×組織・人材

「Claudeがこう言っていたので」「Codexがこう書いたので」。仕事で結論の根拠を尋ねたとき、こうした返答を聞く機会はないでしょうか。

AIを使えば、資料もコードも、以前より短時間で形になります。しかし、出来栄えがよくなったことと、作った本人が内容を理解していることは同じではありません。

考える過程や判断までAIに依存すると、思考力が低下するリスクは高まります。しかも、成果物は立派になるため、その問題が本人にも周囲にも見えにくくなります。

この差は、職場の印象だけの話ではありません。数学やプログラミングの実験では、AIを使って課題に取り組んだ人と、使わなかった人の理解や成績に差が出ています。まず点数で見える研究結果を確認し、そのうえで職場のAI依存を考えてみます。

生成AIで思考力は低下する？利用と依存の違い

AI利用と思考力の関係を考える際は、「どのくらい使ったか」だけでなく、「何を任せたか」が重要です。文章を整える、計算する、案を比較する使い方と、内容の妥当性を確かめず結論として受け入れる使い方では、本人が考える範囲が違います。

AI依存は「毎日使うこと」ではなく、判断まで任せること

この記事では、AI依存を、答えの根拠を理解せず、検証や採用の判断までAIに委ねる状態として扱います。

たとえば、AIに資料の構成を作らせたあと、自社の目的やデータに照らして修正するなら、本人の判断が残っています。一方、「AIがこの構成にしたから」という理由で採用し、結論と根拠のつながりを説明できなければ、判断もAIへ預けています。

毎日使っていても、自分で比較・検討している人はいます。反対に、利用時間が短くても、重要な判断をそのまま受け入れる使い方はできます。利用頻度だけでは、依存しているかは分かりません。

認知的オフロードで、考える練習も省略される

覚える、計算する、情報を整理するといった頭の働きを、外部の道具に任せることを「認知的オフロード」と呼びます。手帳や電卓もその一例で、負担を減らせること自体は利点です。

生成AIでは、文章の組み立てや比較、結論の作成まで任せられます。そのとき、自分で根拠を探し、矛盾に気づき、修正する過程まで省略すると、能力を使う機会と学ぶ機会も減っていきます。

ここで気になるのが、AIの答えを点検するにも、任せた仕事についての知識や判断力が必要になることです。すでに経験のある仕事を速く処理する場合と、これから覚える仕事をAIに完成させてもらう場合では、人に残るものが違ってきます。

AI依存と思考力低下の研究・論文で分かったこと

研究には、実際の試験で理解を測ったものと、本人に考え方を尋ねたものがあります。何を測った結果なのかを分けて見ると、AI依存の問題を具体的に捉えられます。

高校数学：AIありの練習では好成績、単独試験では逆転

2025年にPNASへ掲載された研究では、トルコの高校生約1,000人を対象に、GPT-4を使った数学学習を比較しています。通常のChatGPTに近い「GPT Base」、答えを直接渡さずヒントで導く「GPT Tutor」、AIを使わない群に分けた実験です。

GPT Base群は、練習中の成績では非利用群を48％上回りました。ところが、AIを使えない試験では、非利用群を17％下回っています。

高校数学の実験。各段階のAI非利用群を100とした相対指数で、GPT Base群はAIありの練習148、AIなしの試験83
図をタップ・クリックすると拡大できます。

出典：Bastaniほか、PNAS（2025）から作成。各段階の非利用群を100とした相対指数です。148点・83点という実得点でも、同じ人の点数の下落でもありません。

一方、学習支援を重視したGPT Tutorでは、単独試験への悪影響はほぼ解消されました。単にAIを渡す場合と、学ぶ過程を残す設計とでは、結果が異なっています。

さらに、GPT Base群は、成績が低かったにもかかわらず、自分たちの学習や成績が悪くなったとは認識していませんでした。AIで解けた手応えと、自力で解く力がずれていたことが、この研究の重要な点です。研究論文

開発者の理解度テストは、AI利用群50％・非利用群67％

Anthropicが2026年1月に公表した実験では、主に若手の開発者52人が、未経験のPythonライブラリを使う課題に取り組みました。

課題後の理解度テストは、AI利用群が平均50％、非利用群が67％で、17ポイントの差が出ています。特に、不具合の原因を見つける問題で差が大きくなりました。AI利用による時間短縮は約2分で、統計的に有意な差ではありませんでした。

利用行動を観察した分析では、説明や概念を尋ねながら進めた人に、理解度の高いパターンも見られました。答えを完成させるために使うか、理解を深めるために使うかという違いも、注目したい点です。

コードを完成させることと、間違いを見つけて直せることは別に確かめる必要があると分かります。開発者の設計・レビューを通じた育成については、AI駆動開発で変わるエンジニアスキルの記事で詳しく整理しています。

マイクロソフトなどの調査：AIへの信頼と思考の関係

マイクロソフトとカーネギーメロン大学などの研究者による2025年の論文では、知識労働者319人から、AIを仕事で使った936の事例を集めています。

AIへの信頼が高いほど、批判的思考を行うことが少ないという関連が見られました。反対に、自分の能力への自信が高い場合は、批判的思考を行うことが多いという関連がありました。ここでいう批判的思考は、情報を分析し、根拠や基準に照らして評価することです。

この調査は本人の自己申告であり、能力試験で低下を測った実験ではありません。それでも、AIが考えてくれると信頼するほど、自分で確かめる行動が減り得るという、職場で考えたい問題を示しています。

数学や開発者の実験が測ったのも、特定の課題に関する成績や理解度です。これらを合わせると、考える過程まで委ねる使い方には、理解や判断する力を損なうリスクがあると考えられます。

なぜAI依存に気づきにくい？成績・成果物と実力のずれ

学校でAIを使うことは、すでに特別な行動ではありません。Pew Research Centerが2025年に米国の13〜17歳1,458人を調査し、2026年に公表した結果では、54％が学業の支援にAIチャットボットを使った経験があり、10％は課題のすべて、または大部分で支援を受けていました。

利用が広がるほど、提出されたものと、本人の理解の関係をどう確かめるかが重要になります。

学校では試験で見えるずれが、仕事では表に出にくい

数学の実験では、AIを使えない試験を行うことで、練習中には見えなかった差が分かりました。職場では、こうした機会は限られます。資料が完成し、会議を通り、予定どおり納品されれば、作業は進んだように見えるためです。

評価と実力のずれ自体は、AI以前からある問題です。カリフォルニア大学サンディエゴ校の報告書も、高校でよい成績を収めた入学生の中に、基礎的な数学力が不足する人がいる問題を扱っています。背景には学習環境や評価・入試の変化があり、AIだけで説明される現象ではありません。

AIは、この以前からあるずれを、職場でも見えにくくする可能性があります。かつてなら資料を組み立てる途中で手が止まり、理解不足が表に出ていた人も、AIを使えば最後まで形にできるからです。

問題が見えるのは、顧客から条件を変えられたときや、数字の前提を聞かれたとき、システムが想定外の動きをしたときかもしれません。完成した時点では分からなかった「自分で判断できる範囲」が、その段階で初めて明らかになります。

AIが整えた資料は、理解した実感まで補強する

たとえば、売上減少への対策資料をAIで作ったとします。市場環境、課題、施策、期待効果が整然と並び、見た目にも説得力があります。

しかし、「売上減少の主因が来店客数ではなく購入頻度だった場合も、同じ施策でよいか」と尋ねると、答えられない。これは、資料を作れたことと、施策の仕組みを理解したことが分かれている説明例です。

立派な資料があると、本人も「きちんと考えた」と感じやすくなるのではないでしょうか。指摘を受けても、その内容を検討するより、資料の整い方やAIの説明を、自分の判断の裏付けとして使ってしまうことも考えられます。

数学の研究でも、本人の認識と実際の成績はずれていました。職場でも同じように、完成できた手応えが、理解の不足に気づく機会を減らしているのではないでしょうか。

職場でAI依存が疑われるサインとは？

依存の兆候を見る際は、AIを使った事実より、その答えを採用した理由に注目すると分かりやすくなります。

「AIがこう言った」が、採用した理由になっている

「Copilotでパワーポイントを作りました」は、制作方法の説明です。それだけなら問題はありません。しかし、「なぜこの施策なのか」という問いへの返答まで「Copilotがそうまとめたから」で終わると、判断の根拠が抜け落ちています。

同じAI利用でも 制作方法を説明している 判断までAIに委ねているサイン
資料の結論 AI案を使い、自社データと照合してこの結論を選んだ AIがこの結論にしたので正しいと思う
コードの採用 AIが作った処理を、仕様とテスト結果で確認した Codexが書いたので問題ないと思う
修正を求められたとき どの条件・根拠を直すかを検討する AIも同じ説明をしている、と回答を繰り返す

※いずれも、職場での違いを理解するための説明例です。

誰が答えを出したかと、なぜその答えを選んだかは別です。 AIの名前が後者の説明を置き換え始めたら、内容を理解する過程が省かれていないか、確かめるきっかけになります。

説明はできても、条件が変わると応用できない

AIの説明を覚え、その場では正しく話せることもあります。それでも、少し条件が変わったケースへ適用できるとは限りません。

先ほどの売上資料なら、「予算が半分になったら何を残すか」「対象が新規客から既存客へ変わったら何を変えるか」を考える場面です。言葉を再現できるかより、条件と結論の関係を捉えているかが表れます。

これは新人だけの問題ではありません。AI以前から、前例や指示には従えても、別の場面への応用が苦手な人はいました。その場合、「AIの答えを疑おう」「自分で判断しよう」と助言するだけでは、以前からの苦手を繰り返し求めることになります。

AIで完成できる範囲が広がった今は、助言に納得したかではなく、実際の仕事で何を理解し、どこまで判断できるかを見ることが重要になります。

AI依存の対策は？社内利用で見直したいこと

対策を、全社員への「考える習慣をつけましょう」で終えると、職場の進め方は変わりにくいでしょう。成果物を受け取る側も、何を確かめて仕事を任せるかを考える必要があります。

完成物の評価と、本人に任せられる範囲を分けて考える

AIを使って納期内に成果物を作れたことは、成果として評価できます。一方、その人に条件変更や例外対応まで任せられるかは、別に見た方が分かりやすくなります。

たとえば、決まった書式への転記や整形なら、結果を確認できれば十分な場面があります。顧客への提案、費用を伴う判断、重要なシステム変更なら、なぜその方法を選んだかが、後の説明や修正に関わります。

全業務でAIなしの試験をするという話ではありません。任せたい仕事に応じて、成果物の品質と、本人が判断できる範囲を確かめることです。AI活用の成果をどう評価するかという広い論点は、AI経営と組織設計の記事でも扱っています。

助言だけで済ませず、判断を確かめられる場面を残す

資料の確認時に、すべての作業履歴を提出してもらう必要はありません。重要な結論について、次のようなやり取りを持つ方法が考えられます。

  • 採用理由を聞く：AIが出した案のうち、何を根拠にこの案を選んだのか。
  • 条件を一つ変える：予算や対象が変わった場合、どの結論を見直すのか。
  • 確認した根拠を見る：社内データ、元資料、テストなどで、何を確かめたのか。

答えにくい点が見つかったら、本人に考え直すよう返すだけでなく、判断に必要な知識を補う、経験者と一緒に確かめる、当面の担当範囲を調整するといった対応も選べます。

また、育成を目的とする仕事では、完成速度だけを求めると、理解に時間を使う理由がなくなります。数学実験の学習支援型AIが、答えを渡す方法と異なる結果になったことは、本人の意識だけでなく利用環境も考える手がかりになります。社内で何を育てたいかの整理は、AI人材育成の目的と設計の記事を参照してください。

生成AIと思考力低下についてよくある質問

AIを使うと頭が悪くなる、という意味ですか？

研究で具体的に見えているのは、理解度や自力で解く力の差です。「頭が悪くなる」という広い表現より、内容を説明できるか、間違いを見つけられるかと分けて考えると、問題が分かりやすくなります。脳への影響を調べる測定と、こうした課題の成績を測る試験も異なります。本記事では、仕事や学習で必要な理解・判断に焦点を当てています。

AIを使わないようにすることが解決策ですか？

利用を一律にやめることより、何を任せ、何を本人が理解する必要があるかを分けることが重要です。AIで処理できる仕事が増えることには価値があります。ただし、その完成物だけを見て、本人の理解や対応力まで高く評価していないかは、別に確かめたい点です。

「AIがこう言った」が増えたら、社内利用を見直すサイン

「Claudeがこう言っていたので」「Codexがこう書いたので」。職場でこうした説明が増えてきたら、AIへの依存が始まっていないか、立ち止まって考えたいところです。

問題は、AIを使ったことではありません。なぜその答えを採用したのかという説明が、AIの名前で済まされてしまうことです。見栄えのよい成果物ができていても、本人が内容を理解し、判断できているとは限りません。

その状態が広がっているなら、社内のAI活用を、導入率や作業時間の短縮だけで評価してよいのか、見直す意味があります。成果物を作る過程で、人が理解し、判断する機会まで省略していないか。完成したものだけで、社員の能力を評価していないか。

仕事の説明で、本人の判断よりAIの回答が前に出るようになったとき。それは、社内のAI利用を考え直す危険信号です。

参考資料

本記事の文章・表・図解・グラフは、Skill Business Architecture Labが独自に編集・作成しています。引用・紹介する場合は、引用箇所が分かる形で、記事名・サイト名・記事URLをご記載ください。

コメント

タイトルとURLをコピーしました