結論：AIを使うことより、思考を丸ごと渡す使い方が問題
研究は「AIを使えば誰でも3カ月で能力が7％落ちる」と証明していません。ただし、答えの生成を任せ、理解・想起・検証を省く使い方では、作業中の認知的関与や直後の理解度が下がる可能性を示す証拠が増えています。
共通する対策は、AIを完成品の自動販売機ではなく、説明、反問、レビューを行う学習相手として使うことです。
3研究は対象も測定値も異なる
| 研究 | 対象 | 主な結果 | 言える範囲 |
|---|---|---|---|
| 内視鏡 | 19人・非AI検査1,443件 | 腺腫検出率28.4％から22.4％ | AI導入前後の関連 |
| Anthropic | 主に若手の開発者52人 | テスト67％対50％ | 新しいPythonライブラリの短期学習 |
| MIT | 作文課題54人、4回目18人 | EEG結合、想起、所有感に群間差 | 特定の作文課題における認知的関与 |
医療の検出率、コード理解テスト、作文中の脳波をまとめて「スキルが何％落ちた」と換算することはできません。
Anthropic実験では速度差より理解度差が大きかった
Anthropicは、Python経験がありTrioライブラリを知らない52人の開発者を無作為にAI利用群と手作業群へ分けました。AI群は課題を平均約2分早く終えましたが、速度差は統計的に有意ではありません。一方、直後の理解度テストはAI群50％、手作業群67％で、有意差がありました。
最大の差はデバッグ問題でした。ただし、AIを使った全員が低得点だったわけではありません。説明を求める、概念を質問する、自分でもコードを書くなど、理解を目的にAIと対話した参加者は習熟度が高い傾向でした。
実務への示唆：「動くコードを出して」で終わらず、「なぜこの設計か」「どの条件で壊れるか」「代替案は何か」を答えさせ、自分で説明できる状態を完了条件にします。
MIT研究が測ったのは脳の損傷ではない
MIT Media Labの研究では、LLM、検索エンジン、ツールなしの3群が作文課題を行いました。ツールなし群は最も広く強いEEG機能的結合を示し、LLM群は最も弱い結合を示しました。LLM群では自分の文章を正確に引用することや、作品への所有感も低い傾向でした。
これは脳内の神経回路が永久に失われた、脳が損傷した、知能が下がったという測定ではありません。課題遂行中の脳波上の結合と行動指標の差です。研究はプレプリントで、最初の3セッションは54人、条件を切り替えた4回目は18人でした。
単一研究から因果関係を決めない
- 内視鏡研究は無作為化されたデスキリング試験ではなく、AI導入前後を比べた観察研究です。
- 期間中の患者構成、仕事量、疲労、時間変化などが影響した可能性を除き切れません。
- Anthropic実験は特定ライブラリを短時間で学ぶ小規模な設定です。
- MIT研究はプレプリントで、サンプルサイズ、再現性、EEG解析、報告の透明性への方法論的な批判があります。
- いずれも、すべての職種・AI製品・使い方へ同じ結果を一般化できません。
スキルを保つ7つのAI活用法
- 先に仮説を書く：AIを開く前に方針、予想結果、不明点を短く記録する。
- 答えよりヒント：完成品ではなく次の一手、観点、反例を求める。
- 説明させる：生成物の理由、前提、失敗条件を質問する。
- 閉じて再現する：会話を閉じ、自分の言葉やコードで要点を再構成する。
- AIなしの日を作る：定期的に基礎課題や障害対応を手作業で行う。
- 検証を人の仕事に残す：テスト、根拠照合、反証、レビューを省略しない。
- 高リスク業務を訓練する：AI停止時にも作業できる手順と演習を維持する。
Claudeを学習相手にするプロンプト例
この課題の完成答えはまだ出さないでください。
1. 私の方針の弱点を3つ質問する
2. 次に確認すべき概念をヒントだけ示す
3. 私が回答した後、誤りを理由付きで指摘する
4. 最後に、AIを閉じて解く確認問題を1問出す成果物の提出だけが目的なら自動化は合理的です。学習、保守、緊急対応まで目的に含むなら、「自分が説明・再現できること」も受け入れ条件へ加えます。