数学学習データ約320万件が示した、「早く終わるが、身につかない」問題
AIを使うと、課題も仕事も早く終わります。では、それは「自分の頭で考える力」が高まったということでしょうか。
2026年に公開された大規模な研究は、この問いに冷静な材料を与えてくれます。効率化の裏側で何が起きているのか。そして、AI時代に手放してはいけないものは何か。パスカルの「考える葦」も手がかりに、考えてみます。
課題は早く終わった。でも、力はついたのか
研究は、カリフォルニア大学アーバイン校の博士課程の研究者らによるものです。オンライン数学学習サービスALEKS（約10年分、約320万件の学習記録）を使い、ChatGPT登場の前後で学習行動がどう変わったかを調べました。2026年6月にプレプリント（査読前の論文）として公開されています。
ポイントは比較の仕方です。数学の問題を、AIに外注しやすいものと、しにくいものに分けました。
外注しやすい問題：文章題。コピーして貼れば、すぐに答えが返ってきます
外注しにくい問題：グラフ操作の問題。画面を撮って送り、再現する手間がかかります
結果は、はっきりしていました。文章題の学習時間は、高校生で約31％、大学生で約27％減りました。グラフ問題では同じ減少が見られません。しかも、AIの使用が禁じられた監督下のテストでは、時間の差が消えています。
一見すると、AIが学習を効率化したように見えます。しかし研究者は、時間が減っても、それに見合う学習成果は確認されないと報告しています。「早く終わるようになった」ことと、「身についた」ことは別だったのです。
ただし、これは学生の数学学習の研究で、仕事の現場にそのまま当てはまるとは限りません。また、AIの影響が最も説明しやすいという分析で、因果を断定したものでもありません。それでも、私たち自身の仕事や学びを見直す手がかりとして、十分に重い結果だと思います。
電卓、検索、GPSと何が違うのか
人間は昔から、道具に能力を預けてきました。
電卓：複雑な計算を外注
検索エンジン：記憶と情報探索を外注
GPS：空間認識と経路探索を外注
外注への不安も、新しいものではありません。古代ギリシャでは、ソクラテスが文字の発明を「記憶力を衰えさせる」と批判したと、プラトンが伝えています。
では、生成AIは何が違うのでしょうか。それは、「解に至る推論の過程そのもの」を外注できる点です。
電卓に「23×47」を計算させても、なぜその計算が必要かという問題の枠組みまで渡したわけではありません。ところがAIには、前提の整理、仮説づくり、論理の組み立て、解答、解説までを、一括して渡せます。
答えだけでなく、「過程」まで外注できるようになった。ここが、これまでの道具との決定的な違いです。
「分かった」と「できる」は別物
学びで大切なのは、実は途中の過程です。間違え、悩み、別の方法を試す。この苦労が、理解と記憶を定着させます。心理学者ロバート・ビョークは、これを「望ましい困難」と呼びました。適度な苦労があるほうが、長く使える力になる、という考え方です。
AIの分かりやすい解説を読むと、「理解した」という感覚が生まれます。けれど、それは「自分で再現できる」こととは違います。説明を読んで分かった気になるのと、白紙から自分で解けるのは、まったく別の力です。
脳が怠けたのではなく、順序が逆転した
ここで起きていることを、「脳が怠けている」とまとめてしまうのは、正確ではないと思います。起きているのは、脳を使う順序の逆転です。
以前は「自分はどう考えるか」が起点でした。いまは「AIは何と出力するか」を見てから、考え始める場面が増えています。
私は、同じAIでも、渡す工程によって結果は変わると考えています。答えを代行させるのか、自分の考えに反論させ、問いを返させるのか。ここで人の認知への負荷は大きく変わるはずです。これは研究が検証した結論ではなく、私の仮説です。ただ、AIで学習時間が減っても学びが損なわれない例（AIチューターの研究など）があることを考えると、「AIを使うか」ではなく「何を渡すか」が分かれ目だと思います。
パスカルの「考える葦」と、摩擦という学び
17世紀の哲学者パスカルは、『パンセ』にこう記しました。人間は自然の中で最も弱い一本の葦にすぎない。しかし、それは「考える葦」である、と。
一滴の水でも命を奪われる弱い存在でありながら、その弱さと限界を自覚し、悩み、問い続ける。そこに人間の尊厳がある、というのです。理性の力を信頼したデカルトに対し、パスカルは人間の有限性から出発しました。
この視点は、身体を持つAI（Physical AI）の最前線とも響き合います。デジタル空間で膨大な知識を持つ言語モデルでも、現実のロボットを動かすと、重力や摩擦、予測できないノイズにぶつかります。シミュレーションから現実へ移すときの「Sim2Realの壁」です。
私はここに、学びとの共通点を見ます。現実の摩擦は、ロボットにとって苦労の種ですが、同時に、世界を学ぶための手がかりでもあります。人間の学びも同じです。苦労や失敗という摩擦を通じて、理解は身体に根づきます。その摩擦を、AIですべて取り除いてしまったとき、何が残るのでしょうか。
人間に残るのは「問い」と「価値判断」
AIが正解を出す速さに、人間が並ぶことは難しくなっていきます。ならば、人間の役割は「正解を速く出すこと」から離れていくでしょう。
人間に残るのは、次の2つだと思います。
問いを立てる力：なぜこの問題を解く必要があるのか
価値判断の責任：提示された最適解は、私たちの倫理や文脈で、本当に採用すべきものか
AIが見落としている視点や、前提の歪みはないか。これを見抜くには、現実の中で経験を積んだ人間の目が必要です。
技術の歴史で、人間は「奪われてきた」のではなく、「委ねる範囲を広げてきた」のだと思います。計算を渡し、記憶を渡し、検索を渡しました。そしていま、推論という思考の骨組みに手が届こうとしています。
今日からできること：任せる工程と、手放さない工程
AIを排除する必要はありません。大切なのは、工程ごとに線を引くことです。
具体的な習慣を3つ挙げます。
AIに聞く前に、自分の仮説を3行で書く：違いを見ることで、学びが生まれます
答えではなく、反論や抜け漏れを出させる：AIを「代行者」でなく「対話相手」にします
AIなしで説明できるか試す：閉じた状態で説明できれば、身についています
構造設計の目で言えば、AIなしで再現できる力は、システムの「冗長性」にあたります。AIが止まったり、間違えたりしたとき、人間が代わりの経路になれる。この余力を保つことが、AI時代のリスク管理でもあると考えています。
最後に
これから問われるのは、「AIを使うか、使わないか」ではありません。AIという巨大な知性と並走しながら、人間は自分の頭で何を選び、何を問い続け、何を考え続けるのか。その境界線の引き方そのものです。
すべてを委ねきった先に残るのは、「自ら問うことをやめた人間」かもしれません。だからこそ、一本の弱い葦として、考え続けたいと思います。
みなさんは、仕事や学びの中で、「AIに頼りすぎて、試行錯誤を飛ばしてしまった」と感じる瞬間はありますか。あるいは、「ここだけは自分の頭で考え抜く」と決めている領域はありますか。ぜひ、コメントで聞かせてください。
関連記事：
何を判断対象にするかを考える：https://phity.substack.com/p/ai-ignore-information
AIの「分からなさ」と抽象化の限界：https://phity.substack.com/p/ai-generalization-languagel