「元彼もクズだった。次もクズだった。その次もクズだった」――これを四回繰り返すと、経験は四件ある。でも学習データとしては、下手をすると「クズ」という一列しか増えていない。
ここが面白い。
経験が多いことと、経験から再利用できるモデルを作れていることは別である。ChatGPTも同じだ。答えを丸投げすれば考える量は減り得る。一方で、「なぜ？」「別の説明は？」「反例は？」「研究では？」「何が分かれば結論が変わる？」と何往復もさせれば、AIは思考の代用品ではなく思考のスパーリング相手になる。
2026年に67の実証研究をまとめた系統的レビューでも、ChatGPTは問い直しや振り返りを組み込んだ構造的な使い方では高次の思考を支えやすい一方、無構造に答えを受け取る使い方では浅い関与や思考の外部委託が起こりやすいと整理されている。[1]
1. AIを使うと、本当に考えなくなるのか？
答えは「使い方による」が一番近い。
2025年の知識労働者319人、936件のAI利用事例を調べた研究では、AIへの信頼が高いほど批判的思考を行う報告が少なく、自分の判断能力への自信が高いほど批判的に検証する傾向が強かった。さらにAI利用時の批判的思考は、情報を一から作る作業から、目標を決める・出力を検証する・複数情報を統合する・最終判断を監督する方向へ移っていた。[2]
つまり、
AIに質問 → 答えを採用 → 終了
なら思考の省略になりやすい。
しかし、
違和感
→ 問いを作る
→ 仮説を出す
→ AIに反対仮説を出させる
→ 論文・一次情報で確認する
→ 別ケースと比較する
→ モデルを修正する
→ 現実で試す
→ 結果でまた修正する
なら、人間側にはかなり仕事が残る。むしろ忙しい。
AIを使って楽をするはずが、なぜか査読者まで自分の脳内に雇い始める。
2. 「クズ男だった」だけでは、なぜモデルが育たないのか？
「クズ」は評価としては便利だが、予測には粗すぎる。
Aさん = クズ
Bさん = クズ
Cさん = クズ
Dさん = クズ
これでは四人分の人生経験があっても、次の人について使える特徴がほとんど残らない。
一方、行動の流れで保存すると情報量が増える。
小さく境界線を越える
→ 相手の反応を見る
→ 指摘された後に止める / 続ける
→ 要求が縮む / 拡大する
強い好意を示す
→ 関係が安定する
→ 投資量が自然に平常化する / 極端に消える
問題を指摘される
→ 事情を説明する
→ 修復を試みる / 責任を全部相手へ返す
大事なのは、これらの行動が一回あっただけで人物を断定しないことだ。認識違い、疲労、失敗、能力不足でも似た行動は起こる。
見るべきなのは、条件・反復・指摘後の変化・利益の偏り・修復の有無である。
「悪い行動を一回した」から「悪い人」へワープしない。ラベルより、どういう条件で何が繰り返されたかを見る。
3. 経験数より「比較の仕方」が効くことはあるのか？
ある。
GickとHolyoakの古典研究では、表面的には違う二つの問題例から共通構造を説明した人ほど、その後の別問題へ学んだ原理を移しやすかった。[3]
交渉学習でも、同じ二つの事例を別々に読むより、「二つの共通点は何か」を比較したチームのほうが、新しい交渉へ重要な戦略を持ち込みやすかった。[4]
だから、
恋愛A：最悪だった
恋愛B：最悪だった
仕事C：最悪だった
で閉じるより、
恋愛A：境界線が曖昧になると要求が増えた
仕事C：担当境界が曖昧になると仕事が増えた
共通構造：境界が未定義だと、一方へ負担が寄りやすい
と比較したほうが、別分野でも使える。
表面の登場人物は違っても、内部の配線図が同じなら再利用できる。
4. 「なぜ？」「反例は？」を回すと、何が鍛えられるのか？
自分で理由や因果関係を説明する学習法は「自己説明」と呼ばれる。64研究、69効果量をまとめたメタ分析では、自己説明を促す介入に平均で中程度の学習効果が報告された。[5]
また、覚えた内容を取り出して別の問題へ使う練習について、122実験・10,382人をまとめたメタ分析では、単なる再読より転移に平均的なプラス効果があり、応用・推論問題への転移も確認された。[6]
つまり、深掘りで毎回やっている、
- 何が起きた？
- なぜそう解釈した？
- 別の原因は？
- 逆の例は？
- 何が分かれば結論を変える？
- 他の分野でも同じ構造はある？
という問いは、単なる「考えすぎ」ではない。
経験を、検索可能な構造へ変換する作業になり得る。
5. それが「初見なのに先が読める」にどうつながるのか？
抽象モデルが増えると、新しい出来事をゼロから処理しなくてよくなる。
新しい出来事
→ 過去の構造候補A・B・Cと照合
→ 今どの段階かを推定
→ 次に起こりやすい展開を仮説化
→ 観測して更新
これは予言ではない。パターンライブラリから仮説を先に出せるという話だ。
ただし、ここには強烈な罠がある。「やっぱり思った通りだった」は、結果を見た後ならいくらでも言える。
そこで先読み能力を本当に測りたいなら、予測前に記録する。
予測：次の2週間でXが起きる
確率：70%
理由：AとBがすでに観測された
外れる条件：Cが起きたらモデルを修正
結果：起きた / 起きなかった
意思決定研究でも、予測の精度を定量的に追跡し、確率と実際の結果の対応を見ることが推奨されている。[7]
「当たった気がする」を、校正できる予測へ変えるわけだ。
6. ChatGPTを「外部脳」にするなら、何を人間側に残すべきか？
AIへ渡してよいのは、検索、候補出し、比較、反対仮説、要約、整形などの重い反復作業である。
人間側に残したいのは、
- 何が変だと思ったか
- 何を問題と定義するか
- どの証拠を信頼するか
- 何を反証条件にするか
- 最終的にどのモデルを採用するか
- 現実で何を試すか
- 結果を見て何を捨てるか
である。
便利な質問は次のとおり。
- この仮説への最強の反証は？
- 同じ事実を説明できる別の因果モデルは？
- 私の前提が間違っているとしたら、どこ？
- 一次情報で確認できる部分は？
- 相関と因果を混ぜていない？
- この結論を変える追加情報は？
- 別分野の類似ケースは？
- 予測可能な次の出来事は？
「俺の考え合ってるよね？」だけを聞き続けると、AIは巨大なうなずき人形になり得る。
外部脳に欲しいのは首の可動域ではなく、反証性能である。
7. 記事化すると、なぜさらに強くなるのか？
会話だけなら、良い議論も流れていく。
記事にすると、
経験
→ 問い
→ 研究
→ 反例
→ 共通構造
→ 実用ルール
→ 保存
→ 次のケースで再利用
という形で残る。
記事は単なる発信物ではない。過去に長時間考えた結果を、未来の自分が短時間で呼び戻すための思考キャッシュになる。
しかも後から別の記事と比較できるため、記事が増えるほど「この話、前のあれと同じ構造では？」が起こりやすくなる。
知識が増えるだけではない。知識同士の配線が増える。
8. 結局、「見る目」は何でできているのか？
経験人数だけでは決まらない。
ざっくり言えば、
見る目
≈ ケース数
× 1ケースから取る情報の解像度
× ケース間比較
× 反証回数
× 現実での答え合わせ
で考えたほうが分かりやすい。
四人を全部「クズ」で保存すれば、クズ×4で学習データ1件。
四人から「境界線」「責任転嫁」「修復」「言行一致」「条件による変化」を別々に抜けば、四件の経験から複数のモデルが残る。
ChatGPTの価値も、答えを速く出すことだけではない。
仮説を出し、壊し、組み直し、別ケースへ移し、現実で答え合わせする速度を上げられることにある。
思考力をAIへ渡すのではない。
思考の試行回数を増やす。
それならAIは「脳の代用品」ではなく、脳に延々と壁打ちを返してくる、帰宅しない研究室の同僚になる。
